Prediction of Biochemical Oxygen Demand in Wastewater Treatment Plants Using Artificial Neural Network and Regression Analysis

Abstract

Monitoring and intervening in water quality at wastewater treatment plants play a crucial role in their management. When designing and operating wastewater treatment plants, the biological oxygen demand (BOD) values are essential. However, measuring this parameter takes longer compared to other parameters, and conducting experiments for BOD measurement can be both laborious and costly. In this study, the aim was to predict the biological oxygen demand value using artificial neural networks and multiple regression analysis techniques through easily measurable parameters in wastewater treatment plants. The measurement data used in the study covered the years 2021-2022 and was obtained from a wastewater treatment plant in Van province, Turkey. The selected input parameters for prediction were pH, electrical conductivity, temperature, dissolved oxygen, chemical oxygen demand, suspended solids, total nitrogen, and total phosphorus, while the biological oxygen demand value was chosen as the dependent variable. The results of the predictions using artificial neural network model were as follows: Mean Absolute Percentage Error (MAPE) was 0.12%, Mean Absolute Deviation (MAD) was 0.04, the coefficient of determination (R) was 99.83%, and R-squared (R2) was 99.68%. Likewise, using multiple regression analysis, the prediction model for BOD yielded a MAPE of 0.68%, MAD of 0.06, R of 96.40%, and R2 of 92.92%. The findings obtained in the study, it is possible to predict the biological oxygen demand value using feedforward artificial neural networks and linear multiple regression analysis techniques with the help of easily measurable parameters. When comparing both models, it was determined that the model developed using artificial neural networks performed better than the one developed using multiple regression analysis..

Keywords

• Artificial neural networks
• Regression analysis
• Biological oxygen demand
• Wastewater treatment

Atık Su Arıtma Tesislerinde Biyokimyasal Oksijen İhtiyacının Yapay Sinir Ağı ve Regresyon Analiziyle Tahmin Edilmesi

Abstract

Atık su arıtma tesislerinde su kalitesini takip edip müdahale etmek, tesislerin yönetiminde önemli bir rol oynar. Atık su arıtma tesisleri yapılırken ve işletilirken, biyolojik oksijen ihtiyacı değerlerine gereksinim duyulmaktadır. Bu değerin ölçülmesi diğer parametrelere göre daha uzun sürelerde gerçekleşmekte ve deneylerin yapılması da zahmetli ve maliyetli olmaktadır. Bu çalışmada biyolojik oksijen değerinin, atık su arıtma tesislerinde kolayca ölçülebilen diğer parametreler aracılığıyla yapay sinir ağları ve çoklu regresyon analizi teknikleriyle tahmin edilmesi amaçlanmıştır. Çalışmada kullanılan ölçüm sonuçları 2021-2022 yılları arasında Van iline ait bir atık su arıtma tesisinde ölçülen verileri kapsamaktadır. Kullanılan tahmin girdi parametreleri pH, elektriksel iletkenlik, sıcaklık, çözünmüş oksijen, kimyasal oksijen ihtiyacı, askıda katı madde, toplam azot ve toplam fosfor değerleri bağımsız değişken ve biyolojik oksijen değeri ise bağımlı değişken olarak seçilmiştir. Yapılan tahminlerde yapay sinir ağı modeli için MAPE değeri %0.12, MAD değeri 0.04, R değeri %99.83 ve R2 değeri %99.68 olarak elde edilmiştir. Aynı şekilde çoklu regresyon analizi yöntemi ile BOİ tahmin modelinde MAPE değeri %0.68, MAD değeri 0.06, R değeri %96.40 ve R2 değeri %92.92 olarak bulunmuştur. Çalışmada elde edilen bulgular biyolojik oksijen değerinin kolayca ölçülebilen parametreler yardımıyla ileri beslemeli yapay sinir ağları ve doğrusal çoklu regresyon analizi teknikleri ile oluşturulmuş olan modeller kullanılarak tahmin edilmesi mümkündür. Her iki model karşılaştırıldığında ise yapay sinir ağları ile geliştirilmiş olan modelin çoklu regresyon analizi ile geliştirilmiş olan modele göre daha iyi performans sergilediği tespit edilmiştir.

Keywords

• Yapay sinir ağaları
• Çoklu regresyon analizi
• Biyolojik oksijen ihtiyacı
• Atık su arıtma

References

1. Baki, O. T., Aras, E. (2018). Atık Su Arıtma Tesislerinde Biyokimyasal Oksijen İhtiyacının Farklı Regresyon Modelleriyle Tahmin Edilmesi. Engineering Sciences, 13(2), 96–105.
2. Caner, M., & Akarslan, E. (2009). Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 15(2), 221-226.
3. Çil, B. (2014). İstatistik (8. bs.). Ankara: Detay Yayıncılık.
4. Doğan, E., Ateş, A., Yılmaz, E. C., & Eren, B. (2008). Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environmental Progress, 24(4), 439-446.
5. Erdem, F. (2021). Modeling Zinc Removal from Wastewater using Artificial Neural Networks (ANN). Avrupa Bilim ve Teknoloji Dergisi, 24(1), 335-342.
6. Ersoy, E., Karal, Ö. (2021). Yapay Sinir Ağları ve İnsan Beyni. İnsan ve Toplum Bilimleri Araştırmaları Dergisi II, 1(2), 188-205.
7. Haykin, S. (1998). Neural Networks: A Comprehensive Foundation (2. bs.). United States: Prentice Hall, Hoboken.
8. James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (1. bs.). Almanya: Springer.

9. Kılıç, S. (2013). Doğrusal Regresyon Analizi. İstatistiki İfadeyle, 3(2), 90-92.
10. Köksal, B. A. (2003). İstatistik Analiz Metotları (1. bs.). İstanbul: Çağlayan Kitabevi.
11. Nebiyev, V. (2021). Yapay Zeka (6. bs.). Ankara: Seçkin Yayıncılık.
12. Okkan, U., Serbeş, Z. A., Gedik, N. (2018). MATLAB ile Levenberg-Marquardt algoritması tabanlı
13. YSA uygulaması: Aylık yağış-akış modellemesi. DÜMF Mühendislik Dergisi, 9(1), 351–362.
14. Okutkan, C. (2014). Borsa İstanbul Şirketlerinin Hisse Senedi Getirilerinin Yapay Sinir Ağları ve Çoklu Regresyon Yöntemleri Kullanarak Analizi (Yüksek lisans tezi) Yükseköğretim Kurulu Ulusal Tez Merkezi'nden edinilmiştir. (Tez No. 372688).
15. Özkan, O., Özdemir, O., Azgın, Ş.T. (2009). Prediction of Biochemical Oxygen Demand in a Wastewater Treatment Plant by Artificial Neural Networks. ASIAN JOURNAL OF CHEMISTRY, 21(6), 4821–4830.
16. Öztürkcan, M. (2009). Regresyon Analizi (1. bs.). İstanbul: Maltepe Üniversitesi Yayınları.
17. Sinan, R. K. (2010). Evrensel Atık Su Arıtma Tesislerinde Ön Arıtım ve Biyolojik Arıtım Çıkış Parametrelerinin YSA ile Tahmini (Yüksek lisans tezi) Yükseköğretim Kurulu Ulusal Tez Merkezi'nden edinilmiştir. (Tez No. 251411).
18. Sönmez Çakır, F. (2020). Yapay Sinir Ağları Matlab Kodları ve Matlab Toolbox Çözümleri (3. bs.). Ankara: Nobel Akademik Yayıncılık.
19. Taşova, O. (2011). Yapay Sinir Ağları ile Yüz Tanıma (Yüksek lisans tezi) Yükseköğretim Kurulu Ulusal Tez Merkezi'nden edinilmiştir. (Tez No. 305570).
20. Ünal, T., Çiftçi, Ü., Urgan, N.N. (2022). Bir Gizli Katmanlı Yapay Sinir Ağlarında Optimal Nöron Sayısının İncelenmesi. Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 17(2), 303–325.
21. Yılmaz, E. C. (2009). Bir Atık Su Arıtma Tesisinin Girişindeki Biyolojik Oksijen Ihtiyacının Yapay Sinir Ağları Kullanılarak Modellenmesi (Yüksek lisans tezi) Yükseköğretim Kurulu Ulusal Tez Merkezi'nden edinilmiştir. (Tez No. 245247).
22. Yüzük, F. (2019). Bir Atık Su Arıtma Tesisinin Girişindeki Biyolojik Oksijen Ihtiyacının Yapay Sinir Ağları Kullanılarak Modellenmesi (Yüksek lisans tezi) Yükseköğretim Kurulu Ulusal Tez Merkezi'nden edinilmiştir. (Tez No. 596477).
23. Zhang, G., Patuwo, B., & Hu, Y. (1998). Forecasting with Artificial Neural Networks: The State of The Art. International Journal of Forecasting, 14(1), 35-62.