Akarsu yapılarının planlanması ve projelendirilmesinde nehirlerde taşınan toplam katı madde miktarının doğru bir şekilde tahmin edilmesi, su kaynakları mühendisliğinde hayati önem taşımaktadır. Genellikle katı madde miktarı ya sediment gözlem istasyonlarından yapılan doğrudan ölçümlerle ya da literatürde bulunan katı madde hareketi denklemlerinden yararlanılarak belirlenmektedir. Bu denklemler akarsu ile katı maddenin farklı sayıda parametreleri için farklı formlarda yazılmışlardır. Bunların bazıları laboratuar, bazıları arazi verileri veya teorik yöntemlerle elde edilmişlerdir ve değişik uygulamalarda çok farklı sonuçlar vermektedirler.Bu tezde, toplam katı madde miktarını modellemek için iki ayrı senaryo düşünülmüştür. Birinci senaryoda hem laboratuar hem de saha verilerine dayalı ayrı ayrı yapay zeka modelleri oluşturulmuş ve yapay zeka modellerinin tahminleri literatürde sıkça kullanılan toplam katı madde hareketi denklemleriyle kıyaslanmıştır. Bu senaryoda yeni bir yapay zeka modeli olan uygunluk vektör makinesi de (RVM) toplam katı madde miktarı tahmini için kullanılmış, model performansının diğer metotlardan daha iyi olduğu gözlemlenmiştir. İkinci senaryoda ise yeni bir yapay zeka modeli olan uygunluk vektör makinesi (RVM) toplam katı madde miktarının tahmini için kullanılmış, RVM'in eğitim aşaması yalnızca laboratuar verileriyle yapılmış ve modelleri test etmek için de saha verileri kullanılmıştır. Bu senaryoda ise RVM tahminleri katı madde hareketi denklemlerinin tahminleriyle karşılaştırılmış, RVM sonuçlarının bu denklemlerden daha doğru ve güvenilir tahminler verdiği gözlemlenmiştir. Ayrıca sadece laboratuar verilerine dayalı geliştirilen RVM modelinin saha şartları için de iyi tahminler vermesi, hem laboratuar kanallarında hem de nehirlerde meydana gelen katı madde hareketi olayındaki temel fiziksel süreçlerin aslında aynı olabileceği fikrini uyandırmıştır. RVM modelinin başarılı ekstrapolasyonlar yapabilmesi için modeldeki girdi boyutsuz parametrelerinin laboratuar ve saha verileri için aynı ve uygun aralıkta seçilmesi gerektiği de bu senaryoda gösterilmiştir.
Correct estimation of sediment volume carried by a river is very important for many water resources projects. Sediment concentration is generally determined from direct measurements, or estimated from sediment transport equations that require detailed information about the flow and sediment characteristics. However, there is often a large discrepancy between these models and observations. The complexity of sediment transport processes presents an opportunity for the application of alternate methods. As a fairly recent computing tool, relevance vector machines (RVMs) are gaining popularity in the fields of artificial intelligence methods.This dissertation presents two scenarios. The first scenario is to develop artificial intelligence methods for estimation of total sediment concentrations. The resulting artificial intelligence models are then trained and tested on a large data set and the performance of the approaches are compared with more conventional transport formulae. The second scenario is to obtain a unified approach to estimate total sediment transport, with a focus on elucidating the differences in the empirical predictions of laboratory and field data. RVM based probabilistic models were developed using laboratory data, and their performances were tested against field data and with conventional prediction methods. For total sediment transport, the RVM model trained only on laboratory data yielded results for field conditions that are better or at least comparable with existing methods. The findings of this study suggest that the main phenomenon governing fluvial process in flumes and rivers are closely related, and that the choice of dimensionless input variables should be in the same range for both laboratory and field data for successful extrapolation from flumes to rivers.
