Derin tekrarlayan sinir ağı yöntemleri ile Erzurum Biyolojik Atıksu Arıtma Tesisinin performans tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: SIRRI BALLİ

Danışman: Ahmet Coşkunçay

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Atıksu arıtma tesislerinde arıtılmış suda bulunan KOİ ve BOİ miktarları, üretilen suyun kalitesinin ve tesisin işletim performansının kontrolü için kullanılabilecek önemli göstergelerdendir. Deneysel yollarla KOİ ve BOİ'nin ölçümü hem zahmetli hem de zaman alan bir işlemdir. Bu çalışmada Erzurum Biyolojik Atıksu Arıtma Tesisinin (ERBASAT) günlük laboratuvar ölçüm sonuçlarını kullanılarak, tesiste arıtılmış sudaki BOİ ve KOİ miktarlarının makine öğrenme yöntemleri ile tahminlemesi amaçlanmıştır. Arıtılmış sudaki BOİ ve KOİ parametrelerinin önceden tahmin edilmesi arıtma tesisinin yönetimi ve süreçlerin planlaması bakımından karar vericilere önemli faydalar kazandırıp, atık suyun etkin şekilde arıtılmasını sağlayacak ve halk sağlığı, etkin çevre yönetimi ve tesisin işletim maliyetinin düşürülmesi konularında kazanımlar sunacaktır. Yöntem: Çalışmada, BOİ ve KOİ miktarlarının tahmini için derin öğrenme yönteminin zaman serilerinin tahminlemesi için kullanılan modellerinden RNN LSTM ve GRU modelleri kullanılmıştır. Çalışmada kullanılan modeller 2 katmanlı olarak tasarlanmış ve modellere giriş parametresi olarak atıksu arıtma tesisinin atıksuyun arıtılması sırasında tesis akredite laboratuvarında yapılan 943 günlük ölçüm sonuçları kullanılmıştır. Oluşturulan modellerin tahmin değerleri ile gerçek değerlerin uyumluluğunun olduğunun kontrol edilmesi için MAE MSE, RMSE, MAPE ve R2 metrikleri kullanılmıştır. Bulgular: Çalışılan modeller içerisinde BOİ parametresini MAPE metriğine göre en yüksek doğrulukta GRU modeli %79,16 başarı ile; KOİ parametresini ise MAPE metriğine göre en yüksek doğrulukta LSTM modeli %79,04 başarı ile tahmin edebilmiştir. Sonuç: Çalışma sonunda, çalışılan RNN, LSTM ve GRU modellerin tahmin sonuçlarının tesis yönetimine yardımcı olacak doğrulukta olduğu, modellerin yüksek öğrenim hızına sahip olduğunu ve derin öğrenme modellerinin atıksu arıtma tesislerinin BOİ ve KOİ performans parametrelerinin tahmin edilmesinde kullanılabilecek alternatif bir yöntem olduğu gözlenmiştir. Anahtar Kelimeler: Derin Öğrenme, RNN, LSTM, GRU, BOİ ve KOİ tahmini