Hazne işletme optimizasyonu için parametrik bir simülasyon modelinin geliştirilmesi

Abstract

Baraj hazneleri, entegre su kaynaklarının yönetimi için kuşkusuz en önemli araçlardan biridir. Son 30 yılda, sera gazı emisyonlarında gözlenen dikkat çekici artışlar ile iklim değişikliğinin hidrolojik çevrime etkileri çok daha hissedilir hale gelmiş ve bu durum baraj haznelerinin işletilmesinde zorluklara sebep olmuştur. Bu bakımdan, haznelerin su ihtiyacının gelecekteki sürdürülebilirliğini sağlamak ve olası tedbirlerin planlamasını yapabilmek için iklim projeksiyonların hazırlanması ve bu dinamik etkilere uyum sağlayacak işletme politikalarının belirlenmesi daha önemli olmaya başlamıştır. Yukarıdaki gerekçelere atfetmek için Çağlayan haznesinde uygulanan bu tez çalışmasında, öncelikle farklı RCP senaryoları altında çalıştırılan GCM çıktısının yapay sinir ağları tabanlı bir stratejiyle aylık yağış ve sıcaklık değişkenlerine ölçek indirgenmesi gerçekleştirilmiştir. 2021-2050 dönemini kapsayan bu meteorolojik projeksiyonlardaki yanlılıklar ise kantil delta haritalama algoritmasıyla düzeltilmiştir. Yanlılıklardan arındırılmış bu çıktılar topaklı bir hidrolojik modelleme prosedürüyle akarsu akımlarına dönüştürülmüştür. Sonrasında farklı senaryo-GCM varyasyonlarına adapte olabilecek bir parametrizasyon-simülasyon-optimizasyon sürecinin yürütülmesi hedeflenmiştir. Bu aşamada HDG-2D adı verilen bir işletme modelinin diferansiyel evrimsel algoritmasıyla başarılı bir biçimde entegrasyonu yapılarak hazneden optimal şekilde salınacak RLS su hacimleri derlenmiştir. Son olarak edinilen bulgular geliştirilen modelin iklim değişikliği varyantları altında standart işletme yaklaşımına kıyasla daha düşük narinlik ve daha yüksek sürdürülebilirlik koşulları vaat edebildiğini göstermektedir.

Reservoirs are surely one of the most important hydraulic structures for the management of integrated water resources. In the last 30 years, with the remarkable increases in greenhouse gas emissions, the impacts of climate change on the hydrological processes have become much more noticeable, and that situation has brought about struggles in the operation of the reservoirs. In this regard, it has become more important to prepare climate projections and to designate operational policies that will adapt to these dynamic factors to ensure the future sustainability of the water needs demanded from the reservoirs and to plan possible precautions as well. In this study, which was implemented over Çaglayan reservoir to address the grounds above, the output of GCM derived under different RCP scenarios were downscaled to monthly precipitation and temperature through an artificial neural network-based strategy. The systematic biases in meteorological projections involving the 2021-2050 period were then corrected with the quantile delta mapping algorithm. These bias-corrected outputs were transformed into inflow projections employing a lumped hydrological modelling procedure. Afterward, it was intended to manipulate a parameterization-simulation-optimization framework that can adapt to scenario-GCM variations derived. At this phase, the RLS volumes to be optimally released from the reservoirs were obtained by effectively integrating the hedging model termed HDG-2D with a modified differential evolutionary algorithm. Finally, The results reveal that the developed model offers lower vulnerability and higher sustainability conditions under climate change variants compared to the standard operating policy.