Akış hızı tahmini için makine öğrenmesi algoritmalarının uygulanması

Abstract

Akım hızının doğru bir şekilde ölçülmesi, özellikle iklim değişikliğinin neden olduğu artan hidrolojik değişkenlik koşullarında, hidrolik mühendisliği, açık kanal akımları ve su kaynakları yönetimi açısından temel bir gerekliliktir. Akustik Doppler Hız Ölçer (Acoustic Doppler Velocimetry – ADV) gibi geleneksel noktasal ölçüm yöntemleri yüksek doğrulukta yerel hız bilgisi sağlamakla birlikte, karmaşık yüzey akım yapılarının belirlenmesi için gerekli olan uzaysal çözünürlüğü sunamamaktadır. Buna karşılık, Parçacık Görüntü Hızölçümü (Particle Image Velocimetry – PIV) gibi optik yöntemler tam alanlı hız ölçümü imkânı sağlamakta; ancak yüzey parlamaları, düzensiz aydınlatma ve geometrik bozulmalar gibi pratik sınırlamalarla karşılaşmaktadır. Bu tez kapsamında, söz konusu sınırlamaları gidermek amacıyla gelişmiş bir görüntü işleme ve analiz hattı ile desteklenen senkronize bir yüzey-PIV ölçüm sistemi sunulmaktadır. İzleyici parçacıkların yüzey parlamalarından ve arka plan gürültüsünden güvenilir şekilde ayrıştırılması için U-Net mimarisi temel alınarak Derin Öğrenme tabanlı bir parçacık segmentasyonu yaklaşımı uygulanmıştır. Elde edilen ikili parçacık maskeleri, yapay akım yapıları oluşturmadan, PIV çapraz korelasyon sürecinde geçerlilik kısıtı olarak kullanılmış ve parçacık sürekliliği ile korelasyon kararlılığı önemli ölçüde artırılmıştır. Önerilen PIV iş akışı ile elde edilen yüzey hız alanları, birleşik bir uzaysal koordinat sistemi içerisinde bağımsız ADV referans ölçümleri ile nicel olarak karşılaştırılmıştır. Karşılaştırma sonuçları, PIV tabanlı yüzey hızları ile ADV ölçümleri arasında yaklaşık R² ≈ 0.90 düzeyinde güçlü bir uyum olduğunu göstermektedir. Elde edilen bulgular, sunulan yapay zekâ destekli yüzey-PIV yaklaşımının, noktasal ölçüm hassasiyeti ile tam alanlı akım görselleştirmesi arasındaki boşluğu dolduran, güvenilir ve temassız bir yüksek çözünürlüklü hidrolik analiz aracı olduğunu ortaya koymaktadır.

Accurate measurement of flow velocity is essential in hydraulic engineering, open-channel flow analysis, and water resource management, particularly under increasing hydrological variability driven by climate change. Conventional point-based measurement techniques, such as Acoustic Doppler Velocimetry (ADV), provide highly accurate local velocity information but lack the spatial resolution required to characterize complex surface flow structures. In contrast, optical methods such as Particle Image Velocimetry (PIV) enable full-field velocity measurements but are often limited by surface reflections, non-uniform illumination, and geometric distortions in real-world experimental conditions. This thesis presents a synchronized surface-PIV measurement system supported by a robust image-processing and analysis pipeline designed to overcome these limitations. A Deep Learning–based particle segmentation approach using a U-Net architecture is employed to reliably separate tracer particles from surface glare and background artefacts. The resulting binary particle masks are used as validity constraints for PIV cross-correlation, improving particle continuity and correlation stability without introducing artificial flow structures. Surface velocity fields obtained from the proposed PIV workflow are quantitatively evaluated against independent ADV reference measurements within a unified spatial coordinate framework. The comparison demonstrates strong agreement between PIV-derived surface velocities and ADV data, with a coefficient of determination of approximately R² ≈ 0.90. The results confirm that the proposed AI-enhanced surface-PIV framework provides a reliable, non-intrusive, and high-resolution alternative for hydraulic flow analysis, effectively bridging the gap between point-based measurements and full-field flow visualization.