Akarsular tarafından taşınan katı madde miktarlarının doğru bir şekilde tahmin edilmesi barajların, biriktirme haznelerinin planlanması ve işletilmesi, içme ve kullanma suyu temini problemleri, akarsu taşımacılığı, hidroelektrik teçhizatların emniyeti, havzanın erozyon karakteristiklerinin belirlenmesi açısından büyük önem taşımaktadır. Taşınan katı madde miktarının bilinmesi su kaynaklarının yönetimi ve planlanması içinde önem arz etmektedir.Yukarıda bahsedilen bu sorunlardan dolayı yağış, akış ve katı madde taşınması gibi hidrolojik olaylar arasındaki doğrusal olmayan dinamik ilişki doğru ve güvenilir bir biçimde belirlenmelidir. Son yıllarda Yapay Sinir Ağları (YSA), hidrolik ve hidroloji mühendisliklerinde sıkça kullanılmaya başlanmıştır. Bu çalışmada yapay sinir ağları akarsularda taşınan katı madde miktarının tahmin edilmesinde kullanılmıştır. Uygulama alanı olarak Sakarya Nehri seçilmiştir. Yapay sinir ağları yöntemi ile bu nehirde farklı giriş senaryolarına sahip katı madde tahmin modelleri geliştirilmiştir. Yapay sinir ağları sonuçları, gözlem değerleri ile karşılaştırılmış ve performansları değerlendirilmiştir. Elde edilen sonuçlar Yapay Sinir Ağlarının taşınan katı madde tahmininde daha başarılı bir yöntem olarak uygulanabileceğini göstermiştir.
Correct estimation of sedimet volume carried by a river is very important with water resources, dams, reservoirs planning and managements, water supply problems, channel navigability,hydroelectiric equipment longevity and river aesthetics and scientific interests.Because of these problems which were explained above, the nonlineer dynamic relationship between hydrological events such as rainfall, runoff and sediment yield, have to be determined truly and certainly.Computation on hydology and hydraulic engineering has concentrated primerly on Artificial Neuroal Networks(ANN) in the past few years.In this study,ANN works for the estimation of sediment volume carried by a river.For application area Sakarya River was selected. Sediment yield forecasting models having various input structures were developed using Artificial Neuroal Networks. The results of the neural networks,Multiple Linear Regression (MLR) and observed values were compared and performances were assessed by fitness criterias. The results of ANN models have shown that ANN can be applied successfully and provides high accuracy and reliability for sediment yield forecasting.
