ATIKSU ARITMA TESİSLERİNDE BİYOKİMYASAL OKSİJEN İHTİYACININ FARKLI REGRESYON MODELLERİYLE TAHMİN EDİLMESİ

Öz

Biyokimyasal Oksijen İhtiyacının tahmini ve kontrolü atıksu arıtma tesisinin yönetimi ve organizasyonunda önemli bir rol oynamaktadır. BOİ’nin laboratuvar deneyleriyle belirlenmesi uzun zaman almakta ve deneylerin yapılması da zahmetli olmaktadır. Bu çalışmada BOİ değerinin, atıksu arıtma tesislerinde su kalitesini belirlemek amacıyla kolayca ölçülebilen diğer kirletici parametreler aracılığıyla, tahmin edilmesi amaçlanmıştır. Analizde kullanılan ölçüm sonuçları 2015-2016 yılları arasında Antalya Hurma Atıksu Arıtma Tesisi’nince ölçülen günlük işletim parametreleridir. Analizde kullanılan tahmin girdi parametreleri; Q, pH, t, KOİ, AKM, TN, TP ve Eİ olarak seçilmiştir. Günlük ölçüm sonuçları kullanılarak analizler gerçekleştirilmiştir. Çalışmada çoklu regresyon analizi ve çoklu değişkenli uyarlanabilir regresyon eğrileri yöntemlerinden yararlanılmıştır. Çoklu değişkenli uyarlanabilir regresyon eğrileri modeli en iyi tahmin sonucu elde etmiştir.

Anahtar Kelimeler

• Biyokimyasal Oksijen İhtiyacı,Atıksu Arıtma Tesisi,Çoklu Regresyon Analizi,Çoklu Değişkenli Uyarlanabilir Regresyon Eğrileri,Atıksu Arıtma Tesisi

Kaynakça

1. [1] Keleş, R., Açıkalın, S. ve İleri, R., (1999). Adapazarı Kentsel Atıksu Arıtma Tesisi Çıkış Suyu Parametreleri ve Verim Değerlerinin Yapay Sinir Ağları İle Tahmin Edilmesi. Sakarya Üniversitesi, Müh. Fak., Çevre Müh. Bolumu, Esentepe Kampusu, Sakarya.
2. [2] Açıkalın, S., (2005). Atıksu Arıtma Tesisi Veriminin Yapay Sinir Ağları ile Tahmin Edilmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
3. [3] Lee, J.W., Suh, C., Hong, Y.S.T., and Shin, H.S., (2011). Sequential Modelling of a Full-Scale Wastewater Treatment Plant Using an Artificial Neural Network. Bioprocess Biosyst. Eng., 34, 963–973.
4. [4] Doğan, E., Ateş, A., Yılmaz, E.C., and Eren, B., (2008). Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environmental Progress, 27, 4, 439-446.
5. [5] Sinan, R.K., (2010). Evsel Atıksu Arıtma Tesislerinde Ön Arıtım ve Biyolojik Arıtım Çıkış Parametrelerinin YSA ile Tahmini. Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
6. [6] Özel, O., (2011). Hurma (Antalya) Atıksu Arıtma Tesisi Performansının Modellenmesi. Yüksek Lisans Tezi, Adana; Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
7. [7] Heddam, S., Lamda, H., and Filali, S., (2016). Predicting Effluent Biochemical Oxygen Demand in a Wastewater Treatment Plant Using Generalized Regression Neural Network Based Approach: a Comparative Study. Environmental Processes, Cilt:3, Sayı:1, ss:153-165.
8. [8] Pai, T.Y., Tsai, Y.P., Loa, H.M., Tsai, C.H., and Lin, C.Y., (2007). Grey and Neural Network Prediction of Suspended Solids and Chemical Oxygen Demand in Hospital Wastewater Treatment Plant Effluent. Comput. Chem. Eng., 31, 1272–1281.

9. [9] Mjalli, F.S., Al-Asheh, S., and Alfadala, H.E., (2007). Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance. J. Environ. Manage., 83, 329–338.
10. [10] Karakaya, K., (2012). Üretimlerinin Yapay Sinir Ağları ile Modellenmesi Yapay Zekâ Modelleriyle Tam Ölçekli Çamur Çürütme Reaktörlerinden Elde Edilen Biyogaz Üretiminin Tahmini: Yapay Sinir Ağları ve Fuzzy Logic Uygulamaları. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
11. [11] Civelekoğlu, G., (2006). Arıtma Proseslerinin Yapay Zeka ve Çoklu İstatistiksel Yöntemler İle Modellenmesi. Doktora Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Isparta.
12. [12] Häck, M. and Köhne, M., (1996). Estimation of Wastewater Process Parameters Using Neural Networks. Water Science and Technology, 33, 1, 101-115.
13. [13] Huang, Y.C. and Wang, X.Z., (1999). Application of Fuzzy Causal Networks to Waste Water Treatment Plants. Chem. Eng. Sci., 54, 2731-2738
14. [14] Moatar, F., Fessant, F., and Poirel, A., (1999). pH Modelling by Neural Networks. Application of Control and Validation Data Series in The Middle Loire River. Ecological Modelling, 120, 141-156.
15. [15] Pulcu Yıldız, S., (2009). Denizli (Merkez) Atıksu Arıtma Tesisi Performansının Yapay Sinir Ağları Kullanılarak Modellenmesi. Yüksek Lisans Tezi, Harran Üniversitesi, Fen Bilimleri Üniversitesi, Şanlıurfa.
16. [16] Hamed, M.M., Khalafallah, M.G., and Hassanien, E.A., (2004). Prediction of Wastewater Treatment Plant Performance Using Artificial Neural Networks. Environmental Modelling & Software, 19, 919–928.
17. [17] Kişi, Ö. And Parmar, K.S., (2015). Application of Least Square Support Vector Machine and Multivariate Adaptive Regression Spline Models in Long Term Prediction of River Water Pollution. Journal of Hydrology, Cilt:534, Sayı:1, ss:104-112.
18. [18] Baki, O.T., (2017). Antalya Hurma Atıksu Arıtma Tesisi’nde Biyokimyasal Oksijen İhtiyacının Farklı Yapay Zeka Teknikleri İle Modellenmesi. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Trabzon.
19. [19] Civelekoğlu, G., Yiğit, N.O., Diamadopoulos, E., and Kitiş, M., (2009). Modelling of COD Removal in a Biological Wastewater Treatment Plant Using Adaptive Neuro-Fuzzy Inference System and Artificial Neural Network. Water Science & Technology, Cilt:60, Sayı:6, ss:1475-1487.
20. [20] Denizci, Ö.E., (2009). Aktif Çamur Sistemlerinin Dinamik Simülasyonu: İstanbul’da Tuzla ve Paşaköy Evsel Atıksu Arıtma Tesislerinin İncelenmesi. Yüksek Lisans Tezi, İstanbul; Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
21. [21] Düğenci, M., (2007). Arı Algoritması’nın Yapay Sinir Ağı Öğrenmesi İçin Kullanımı ve Atıksu Arıtma Tesis Kontrolü Uygulaması. Doktora Tezi, Sakarya; Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
22. [22] Gernaey, K.V., Capodaglio, A.G., Mikkelsen, P.S., Henze, M., and Ra´Duly, B., (2006). Artificial Neural Networks for Rapid WWTP Performance Evaluation: Methodology and Case Study. Environmental Modelling & Software 22 (2007), 1208-1216.
23. [23] Güçlü, D., (2007). Tam Ölçekli Kentsel Atıksu Arıtma Tesislerinin Bilgisayar Programı Kullanılarak Modellenmesi ve Arıtma Performanslarının İncelenmesi. Doktora Tezi, Konya; Selçuk Üniversitesi, Fen Bilimleri Enstitüsü.
24. [24] Nacar, S., Kankal, M. ve Hınıs, M.A., (2018). Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (ÇDURE) ile Günlük Akarsu Akımlarının Tahmini-Haldizen Deresi Örneği. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 8, 1, 38-47.
25. [25] Pai, T.Y., Wang, S.C., Chiang, C.F., Su, H.C., Yu, L.F., Sung, P.J., Lin, C.Y., and Hu, H.C., (2009). Improving Neural Network Prediction of Effluent from Biological Wastewater Treatment Plant of Industrial Park Using Fuzzy Learning Approach. Bioprocess and Biosystems Engineering. Cilt:32, Sayı:1, ss:781-790.
26. [26] Ra’duly, B., Gernaey, K.V., Capodaglio, A.G., Mikkelsen, P.S., and Henze, M., (2007). Artificial Neural Networks for Rapid WWTP Performance Evaluation: Methodology and Case Study. Environ. Modell. Softw., Cilt:22, Sayı:1, ss:1208-1216.