Yapay Sinir Ağlarının Güçlü ve Zayıf Yanları

YSA’ların güçlü yanları, özelikle doğrusal olmayan yapılarından ve kendine özgü eğitim sürecinden kaynaklanmaktadır. Genel olarak; YSA'ların diğer modellere göre güçlü yanları; doğrusal olmayan yapıları modelleyebilme yeteneği, genelleştirme yapabilme yeteneği, uyarlanabilirlik ve esneklik bilginin saklanması hata toleransına, sahip olması ve istatistik veya başka modelleme tekniklerindeki ön şart ve kabullerin bulunmayışıdır.

 YSA'lar, kullandıkları transfer fonksiyonları sayesinde doğrusal olmayan yapıları modelleyebilmektedirler. Gerçek hayattaki birçok öngörü problemi, doğrusal olmayan bir temele dayandığından, YSA'ların bu özelliği etkili bir öngörü aracı olarak tercih edilmelerini sağlamaktadır (Gonzalez, aktaran Bayramoğlu 2007: 91).

 YSA modellerinin ağa sunulan bir eğitim seti ile ağırlıklarının ayarlanması mümkündür. Ayarlanan ağırlıkların tüm ağ için genelleştirilmesi yoluyla girdi-çıktı değişkenleri arasında en az hatayı veren YSA modellerinin kurulabilmesi, YSA'lara diğer modellere göre üstünlük kazandırmaktadır (Haykin, 1999: 25).

 Uyarlanabilirlik ve esneklik özelliği, YSA'ların, bağlantı ağırlıklarını çevrelerindeki değişmelere uyarlayabilme yeteneğinin olmasını ifade etmektedir. Özellikle, bir YSA durağan bir çevrede işlem yapmak için eğitildiyse bu çevrede meydana gelen küçük değişmelere cevap verebilmesi için yeniden eğitilmesi kolay olacaktır. Ayrıca bir YSA'nın işlem yaptığı çevre durağan olmasa bile; değişikliğin gerçekleştiği anda, ağın bağlantı ağırlıkları değişikliklere göre uyarlanarak yeniden yapılandırılabilir (Haykin,1999: 25).

 YSA'larda bilgi, ağın bağlantılarının değeri ile ölçülmekte bağlantılarda saklanmaktadır. Diğer programlarda olduğu gibi veriler bir veri tabanında veya programın içinde gömülü değildir. Bu sayede YSA'lar diğer modellere kıyasla bilgiyi saklayabilme gücüne sahiptirler (Öztemel, 2003: 31).

 YSA'lar, çok sayıda işlem elemanıyla yoğun şekilde paralel bağlanmış olan yapıları sayesinde hatalara karşı toleranslı olabilmektedirler. YSA'ların sahip

64

olduğu bilginin ağdaki tüm bağlantılara dağıtılmış olması, ağda oluşan bir hatanın tüm ağa dağıtılarak hatanın tolere edilmesini sağlamaktadır (Haykin, 1999: 26).

 Bir problemin birçok istatistik ve başka modelleme teknikleri ile modellenmesi öncesinde yerine getirilmesi gereken normal dağılıma uyma koşulu, veri sayısı arttıkça ortalama, varyans vb. parametrelerin sabit olması koşulu, hataların birbirinden doğrusal olarak bağımsız olması koşulu ve yapılan ölçümlerin hatasız olduğu vb. gibi ön şart ve kabuller bulunmaktadır. Halbuki, aynı sorunun YSA ile modellenmesinde hiçbir ön şart veya kabul yoktur. Ayrıca YSA'lar klasik çözümlenmesinde algoritması olmayan durumlarda veya çok karmaşık problemlerin çözümlenmesinde bile doğrudan kullanılabilir. YSA modellemesi yapmak için olayın fiziğini önceden anlamak gerekmez. Sonuçta YSA modelleri, genelde çoklu giriş- çoklu çıkış ilişkisinin kurulmasını sağlar (Şen, 2004: 20).

YSA'ların yukarı belirtilen birçok avantajlı özelliklerinin yanı sıra bazı dezavantajları da bulunmaktadır. Bunları kısaca aşağıdaki gibi özetlemek mümkündür (Öztemel, 2003: 34-35; 54):

 YSA uygulamaları donanım bağımlı çalışmaktadır. Günümüzdeki makinelerin çoğu seri işlemecilere sahiptir. Oysa YSA’ların varoluş nedenlerinden birisi de paralel işlemeciler ile çalışabilmeleridir. Paralel işlemleri seri şekilde çalışan makinelerle yapmak ise uzun zaman almaktadır.

 Her problemin farklı bir YSA yapısı gerektirebilmesi dezavantaj oluşturmaktadır.

 Probleme uygun YSA yapısının belirlenmesi genellikle deneme yanılma yoluyla yapılmaktadır. Bu önemli bir sorundur. Çünkü eğer problem için uygun bir ağ yapısı oluşturulamaz ise çözümü olan bir problemin çözülememesi veya hata yüzdesi yüksek çözümlerin elde edilmesi söz konusu olabilir.

 Bazı ağlarda öğrenme katsayısı, katman sayısı, katmanda olması gereken işlem elemanı sayısı gibi parametrelerin belirlenmesinde kuralın olmaması diğer bir sorundur. Bu sorun, iyi çözümler bulmayı engelleyici bir etken olarak görülebilir. Bu parametrelerin belirlenmesi kullanıcının tecrübesine bağlıdır. Ayrıca bu

65

parametrelerin belirlenmesi için belirli standartların olmayışı her problem için ayrı değerlendirmeler yapılmasını gerektirmektedir.

 Ağın eğitimine ne zaman son verileceğine karar vermek için de geliştirilmiş bir yöntem yoktur. YSA'nın örnekler üzerindeki hatasının belirli bir değerin altına indirilmesi, eğitimin tamamlanması için yeterli görülmektedir. Fakat sonuçta optimum öğrenmenin gerçekleştiği söylenememektedir. Sadece iyi çözümler üretebilen bir YSA yapısı oluşturulabilmektedir.

 Bir diğer sorun ise, ağın davranışlarının açıklanamamasıdır. Bir YSA, herhangi bir girdi vektörünü çıktı vektörüne nasıl dönüştürdüğü konusunda bir bilgi vermez. Mühendislik açısında bakıldığında YSA'lar ''kara kutu'' gibi görülebilirler. Kara kutu, dışarından bilgileri alıp dışarıya ürettiği çıktıları vermektedir. İçeride neler olduğu ise bilinmemektedir. Diğer bir deyişle, YSA'nın sonuçları nasıl oluşturduğunu açıklama yeteneği yoktur.

Bütün bu dezavantajlarına rağmen YSA'lar ile birçok problem için çözüm üretilebilmekte ve başarılı uygulamalar oluşturmak mümkün olabilmektedir. Bu nedenle, bu dezavantajlar YSA'lara olan ilgiyi azaltmak için değil, YSA'ların olduğundan üstün görülmesinin doğru olmadığını vurgulamaktadır. YSA'ların bu dezavantajlardan kurtularak problemlere çözüm üretebilmesi için ağların oluşturulmasını titizlik ile gerçekleştirmek gerekir. Hem çözülecek olan problemler hem de YSA'lar konusunda yeterli oranda bilgi sahibi olmak başarılı sonuçlar elde edilmesini sağlayabilir. YSA yöntemi ile problemlere çözüm aranmasında bu gerçek göz ardı edilmeden bir ağ oluşturmanın mümkün olabileceği fakat bunun kolay bir süreç olmadığının da bilinmesi gerekmektedir (Öztemel, 2003: 25).

Bu bölümde, öncelikle istatistiksel talep tahmini yöntemleri özetlenmiş, ardından çalışmada kullanılan YSA yöntemi tanıtılarak, yapı, öğrenme, mimari ve uygulama alanları vb. ile ilgili detaylı bilgiler verilmiştir.

Çalışmanın teorik son bölümü olan üçüncü bölümde, su talebi ele alınarak, su talebini etkileyen ana faktörler hakkında bilgilere yer verilecektir. Ayrıca, su talep tahmini, uzun, orta, kısa ve çok kısa dönemler şeklinde zaman periyoduna göre sınıflandırılarak detaylı olarak açıklanacaktır.

ÜÇÜNCÜ BÖLÜM

SU TALEBİ VE TAHMİNİ

3.1. SU TALEBİ

Kamu su hizmeti sunumunda su talebi, belirli bir zaman periyodu içinde kent sakinlerinin ihtiyaç duyduğu su miktarını ifade eder. Bu anlamda, toplam su üretimi ile su talebi eşdeğer kavramlardır ve toplam su talebi, su kayıpları bileşenini veya olası su kayıp miktarını da içermektedir.

Burada bahsedilen, tüketicinin su talep miktarı q ile x1, x2, .…, xk açıklayıcı

değişkenleri arasındaki genel fonksiyonel ilişki şeklinde ifade edilebilir. Bu ilişki, f (…) matematiksel fonksiyonu ile sembolize edilerek eşitlik 3.1’deki gibi formüle edilebilir:

q = f (x1, x2, …., xk) (3.1)

Bir tüketici grubu için bu fonksiyonun olması aynı zamanda bir talep hipotezini de göstermektedir (Billings ve Jones, 2008: 4). Tüketicilerin satın aldığı miktar ile temel faktörlerin sayısı (xk) arasında düzenli nicel ilişkiler bulunmaktadır.

Su talebini birçok değişken etkilemekte ve bunların çoğu sosyo-ekonomik ve iklimsel değişkenler olmak üzere ikiye ayrılmaktadır. Bu alandaki çalışmalar göstermiştir ki, iklimsel değişkenler su talebindeki kısa dönemli mevsimsel

67

değişimler, sosyo-ekonomik değişkenler ise uzun dönemli etkiler oluşturmaktadır (Adamowski, 2008: 121).

Su temini, fiziksel hidroloji kuralları ve mühendislik prensipleriyle çalışan, nispeten kolayca üstesinden gelinebilecek bir konudur. Oysa su talebi, zaman ve mekana göre sürekli değişen, zorlamayla olmayacak, insan ihtiyaçlarına ve davranışına bağlı değişkenlere dayanır (Brooks, 1997: 1). Su talebine, mühendisler ve kuruluşlardaki uygulayıcılar toplam sistem değerlerine ve bunların nasıl hareket ettiğine vurgu yapma eğilimindedirler. Sosyal bilimciler ise özellikle ekonomistler, genellikle bir zaman dilimini baz alarak bazı tüketici gruplarının su kullanımını yönlendiren ilişkileri, fonksiyonel olarak araştıran istatistiksel regresyonlar üzerinde odaklanmışlardır (Billings ve Jones, 2008: 5).

Su temin sistemindeki talep, su hizmeti verilen alandaki tüketicilerin tipi ve sayısı ile, bir dereceye kadar dağıtım şebekesindeki kaçak düzeyine bağlıdır. Tipik bir su temin sistemi çeşitli endüstriyel, ticari, kamu ve evsel kullanıcılardan oluşur. Su talebi bireysel ve tüketici gruplarının yaşam biçimlerinden açıkça etkilendiğinden dolayı, talep süreçleri genellikle ardışık gün ve haftalar arasındaki benzerlikler ile güçlü bir döngüsel model sergilemektedir (Jowitt ve Xu, 1992: 107).