Kentsel atıksu arıtma tesisi veriminin yapay sinir ağı ile modellemesi: Konya ili örneği
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
İklim krizi ile birlikte doğal kaynaklarımızın etkin ve verimli kullanılmasının gerektiği dünya gündeminde konuşulmaya başlanmıştır. Bu süreçte karşı karşıya kaldığımız kuraklık gerçeği de atıksuların yeniden kullanımı için uygun teknolojilerin geliştirilmesini gündeme getirmiştir. Mevcut atıksu arıtma tesislerinde çıkış suyu parametre değerlerinin önceden tahmin edilebilir olması, çıkış suyunun alıcı ortam üzerinde yaratacağı potansiyel zararlı etkilerinin önlenmesini ve proses yönetiminin etkinliğinin artmasını sağlayacaktır. Bu amaçla gelişen bilgisayar teknolojileri arasında yer alan yapay sinir ağları gibi yöntemlerle kentsel atıksu arıtma tesislerinin performanslarının tahmin edilmesine yönelik çalısmalar yapılmaktadır. Bu tez çalışmasında, Konya Su ve Kanalizasyon İdaresi (KOSKİ) Genel Müdürlüğünden temin edilen Konya Kentsel Atıksu Artıtma Tesisi 2021-2022 yılı giriş suyu pH, sıcaklık, iletkenlik, BOİ, KOİ, AKM parametreleri değerlerinden faydalanılarak, çıkış suyu BOİ, AKM, KOİ parametrelerinin değerleri MATLAB(2023b) programı Yapay Sinir Ağı (YSA) modülü Neural Net Fitting sinir ağı aracı ile modellenerek tahmin edilmiştir. Veri setindeki değerlerin dağılımının belirli bir aralıkta tutularak (0-1 aralığı) modelin daha etkin çalışmasının sağlanması amacıyla ham verilere normaizasyon işlemi uygulanmış olup, normalizasyon sonrasında elde edilen veri setinin %70'i eğitim, %15'i test, %15'i doğrulama olarak kullanılmıştır. Levenberg-Marquardt (LM) öğrenme algoritması kullanılarak yapılan modellemede nöron sayısı, giriş verisi sayısı, gizli katman sayısı değiştirilerek en iyi öğrenme algoritması bulunmaya çalışılmıştır. BOİ değerinin tahmini için; 1. senaryoda oluşturulan [3 20 1] ağ yapısında eğitim veri setinde R2=1 değerleri ile öğrenmeyi gerçekleştirdiği, tüm veri setleri dikkate alındığında modelin genel performansının MSE=0,0194, R2=0,7271 olduğu, 2. senaryo kapsamında yapılan çalışmaya ait gizli katman nöron sayısı 8 olarak belirlenen [6 8 1] ağ yapısında modelin genel performansının MSE=0,014, R2=0,7522 olduğu görülmüştür.
With the climate crisis, the necessity of using our natural resources efficiently and effectively has become a topic of global discussion. The reality of drought we are facing has brought the development of suitable technologies for the reuse of wastewater to the forefront. Predicting the parameter values of the effluent from existing wastewater treatment plants in advance will help prevent the potential harmful effects of the effluent on the receiving environment and increase the efficiency of process management. For this purpose, studies are being conducted to predict the performance of urban wastewater treatment plants using methods such as artificial neural networks, which are among the advanced computer technologies. In this thesis, the values of the influent water parameters pH, temperature, conductivity, BOD, COD, and TSS for the Konya Urban Wastewater Treatment Plant for the years 2021-2022, provided by the Konya Water and Sewerage Administration (KOSKI) General Directorate, were used to predict the values of the effluent water parameters BOD, TSS, and COD. These predictions were made using the Neural Net Fitting neural network tool of the Artificial Neural Network (ANN) module in the MATLAB(2023b) program. To ensure the model works more effectively, normalization was applied to the raw data to keep the values within a specific range (0-1). After normalization, 70% of the dataset was used for training, 15% for testing, and 15% for validation. The best learning algorithm was sought by varying the number of neurons, the number of input data, and the number of hidden layers in the modeling performed using the Levenberg-Marquardt (LM) learning algorithm. For estimation of BOD value; In the [3 20 1] network structure created in the 1st scenario, learning was achieved with R2 = 1 values in the training data set, and considering all data sets, the overall performance of the model was MSE = 0.0194, R2 = 0.7271. It was observed that the overall performance of the model in the [6 8 1] network structure, where the number of hidden layer neurons was determined as 8, was MSE = 0.014, R2 = 0.7522.
With the climate crisis, the necessity of using our natural resources efficiently and effectively has become a topic of global discussion. The reality of drought we are facing has brought the development of suitable technologies for the reuse of wastewater to the forefront. Predicting the parameter values of the effluent from existing wastewater treatment plants in advance will help prevent the potential harmful effects of the effluent on the receiving environment and increase the efficiency of process management. For this purpose, studies are being conducted to predict the performance of urban wastewater treatment plants using methods such as artificial neural networks, which are among the advanced computer technologies. In this thesis, the values of the influent water parameters pH, temperature, conductivity, BOD, COD, and TSS for the Konya Urban Wastewater Treatment Plant for the years 2021-2022, provided by the Konya Water and Sewerage Administration (KOSKI) General Directorate, were used to predict the values of the effluent water parameters BOD, TSS, and COD. These predictions were made using the Neural Net Fitting neural network tool of the Artificial Neural Network (ANN) module in the MATLAB(2023b) program. To ensure the model works more effectively, normalization was applied to the raw data to keep the values within a specific range (0-1). After normalization, 70% of the dataset was used for training, 15% for testing, and 15% for validation. The best learning algorithm was sought by varying the number of neurons, the number of input data, and the number of hidden layers in the modeling performed using the Levenberg-Marquardt (LM) learning algorithm. For estimation of BOD value; In the [3 20 1] network structure created in the 1st scenario, learning was achieved with R2 = 1 values in the training data set, and considering all data sets, the overall performance of the model was MSE = 0.0194, R2 = 0.7271. It was observed that the overall performance of the model in the [6 8 1] network structure, where the number of hidden layer neurons was determined as 8, was MSE = 0.014, R2 = 0.7522.
Açıklama
Anahtar Kelimeler
Atıksu, Yapay Sinir Ağı, Yeniden Kullanım, Wastewater, Artificial Neural Network, Reuse
