Çok amaçlı modelleme araçları ile atık su arıtma tesislerinin performans değerlendirmesi
Performance evaluation of wastewater treatmentplants using multi-objective modelling tools
- Tez No: 1001926
- Danışmanlar: PROF. DR. AHMET DEMİR
- Tez Türü: Doktora
- Konular: Çevre Mühendisliği, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Çevre Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünyamızdaki su kaynakları sınırlıdır ve su çevrimi kapalı bir sistemdir. Tüm yaşamın sürdürülebilirliği açasından bu kaynağın korunması, artan nüfus, sanayileşmenin ve iklim değişikliğinin ağır baskısı altında gittikçe zorlaşmaktadır. Bu sebeplerle atık su arıtma tesislerinin (AAT) etkin bir şekilde işletilmesi büyük önem arz etmektedir. Bu tesisler, fiziksel, kimyasal ve biyolojik proseslerin bir arada yürütüldüğü; doğrusal ve doğrusal olmayan ilişkilerin bulunduğu yüksek karmaşıklık içeren sistemlerdir. Geleneksel deterministik tasarım ve modelleme yaklaşımları, kararlı hal işletme stratejileri, ani pik yüklenmeleri, endüstriyel deşarjlar ve değişen iklim baskıları sebebi ile yetersiz kalmaktadır. Bu durum özellikle küçük-orta boyutlu tesislerde yeterli uzman personel bulunmamasından kaynaklı sorunlara yol açmaktadır. Bu tez kapsamında, IWA'nın Dijital Su Vizyonu ve Endüstri 4.0 prensipleri çerçevesinde atık su arıtma tesislerinin performansının değerlendirilmesi ve çıkış suyu kalitesinin tahmin edilmesi kapsamında veriye dayalı Makine Öğrenmesi yöntemlerinin uygulanabilirliği denenmiştir. Çalışmada büyük ölçekli bir kentsel atık su arıtma tesisinin (Tesis-A) 1073 günlük verileri öncelikle veri madenciliği xix araçları ile işlenmiş, özellik seçimi uygulamaları ile indirgenmiş ve makine öğrenme algoritmalarıyla modellenmiştir. Hedef değişkenler olarak seçilen tesis çıkış parametreleri (KOİ, BOİ, AKM, TN ve TP) model ile tahmin edilmiş ve değerlendirme metrikleri ile kıyaslanmışlardır. Bu kullanılan yöntemlerle 6 adımlık bir uygulamanın bütünsel bir yaklaşımı olarak, metodolojik bütünlük sağlanmaya çalışılmıştır. Model yalnızca algoritmaların başarısına değil, Özellik Seçimi yöntemlerini merkeze alarak ilerlemiştir. Elde edilen bulgular, özellik seçimi açısından literatürdeki yaygın kanının aksini göstermiş, hesaplama maliyeti yüksek olan Özyinelemeli Özellik Seçim (RFE) yönteminin atık su arıtma tesisi verilerinde yüksek korelasyon ilişkisi ve veri gürültüsü sayesinde başarısız olduğunu göstermiştir. Buna karşılık, Filtreleme yöntemlerinden olan SelectKBest'in doğrusal ilişkileri yakalamada, Karşılıklı Bilgi Yönetiminin de doğrusal olmayan ilişkileri kavramada daha iyi performans gösterdiği ortaya konmuştur. Algoritmalar açısından ise; gürültülü ve pik yüklemelere sahip olan AAT verilerinde Karar Ağaçları algoritması gibi tekil modellerin başarısız olduğu, Topluluk Öğrenmesi algoritmalarının daha başarılı olduğu sonucuna ulaşılmıştır. Bunların arasından özellikle XGBoost ve GBM yüksek doğruluk oranları sergileyerek (AKM için, R2: %97), sanal sensör potansiyeli olabileceğini otaya koymuştur. TN ve TP parametreleri içinde uygulanan model sonuçlarının tahmin hata değerleri (MAE), deşarj limitlerinin %10'un altında kalmış, bu yönü ile de erken uyarı sistemi olarak kullanılabileceğini göstermiştir. Sonuç olarak bu tez çalışması; AAT'lerin işletilmesinde deterministik modelleri dışlamadan, onları tamamlayıcı nitelikte, kolay ve erişilebilir, veri odaklı ve düşük maliyetli uzmanlık gerektirmeyen bir dijital karar destek mekanizmasının uygulanabilirliğini sunmaktadır.
Özet (Çeviri)
Water resources on our planet are limited, and the water cycle is a closed system. he protection of this vital resource, essential for the sustainability of all life, is becoming increasingly difficult under the severe pressures of a growing population, industrialization, and climate change. For these reasons, the efficient operation of wastewater treatment plants (WWTPs) is of critical importance. These plants are highly complex systems that integrate physical, chemical, and biological processes, characterized by a mix of linear and non-linear relationships. Traditional deterministic design and modeling approaches, based on steady-state operating strategies, are proving inadequate in the face of sudden peak loads, industrial discharges, and the pressures of a changing climate. This situation leads to significant problems, particularly in small-to-medium-sized facilities, due to a lack of specialized personnel. In this thesis, the applicability of data-driven Machine Learning methods for evaluating the performance of wastewater treatment plants and predicting effluent quality was tested within the framework of IWA's Digital Water Vision and Industry 4.0 principles. In the study, 1073 days of data from a large-scale municipal wastewater treatment plant (Plant-A) were first processed using data mining tools, xxi reduced through feature selection applications, and modeled using machine learning algorithms. The plant effluent parameters selected as target variables (COD, BOD, TSS, TN, and TP) were predicted by the models and compared using evaluation metrics. A methodological integrity was aimed for by using a holistic 6-step application approach with these methods. The modeling process did not focus solely on the success of the algorithms but progressed by centering on Feature Selection methods. The findings contradicted the common consensus in the literature regarding feature selection, demonstrating that the computationally expensive Recursive Feature Elimination (RFE) method failed on wastewater treatment plant data due to high correlation relationships and data noise. In contrast, it was revealed that Filter methods, specifically SelectKBest, performed better in capturing linear relationships, while Mutual Information (MI) performed better in grasping nonlinear relationships. Regarding the algorithms, it was concluded that single models, such as Decision Trees, failed on WWTP data characterized by noise and peak loads, whereas Ensemble Learning algorithms were more successful. Among these, XGBoost and GBM exhibited high accuracy rates (for TSS, R²: 97%), demonstrating their potential as“soft sensors.”The prediction error values (MAE) of the model results applied for TN and TP parameters remained below 10% of the discharge limits, indicating that they could serve as an early warning system. In conclusion, this thesis presents the applicability of an accessible, data-driven, low-cost digital decision support mechanism that does not require high-level expertise, serving as a complementary tool to deterministic models rather than excluding them in the operation of WWTPs.
Benzer Tezler
- Kentsel atıksu arıtma tesisi anaerobik çamur çürütücülerinin dinamik proses modelleme yaklaşımı ile analizi
Analysis with dynamic process modeling approach of anaerobic sludge digesters of the urban wastewater treatment plant
KERİM EKİCİ
Yüksek Lisans
Türkçe
2018
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. HAYRETTİN GÜÇLÜ İNSEL
- Simulation based optimization of aeration in carousel reactors for securing new EU discharge regulations
Yeni AB deşarj yönetmeliklerinin güvence altına alınması için karusel reaktörlerde havalandırmanın simülasyon tabanlı optimizasyonu
IRMAK ÖZDEMİR
Yüksek Lisans
İngilizce
2024
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. HAYRETTİN GÜÇLÜ İNSEL
- Evaluating & comparing microplastic uptake by different groups of freshwater invertebrates
Farklı tatlı su omurgasız gruplarının mikroplastik alımının değerlendirilmesi ve karşılaştırılması
GÜLŞEN NİLAY TUNCER
Yüksek Lisans
Türkçe
2023
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. MELİKE GÜREL
- Nehir su kalitesinin deterministik modelleme ve ekolojik risk analizi yöntemleri ile değerlendirilmesi ve yönetimi: Aksu çayı uygulaması
Assessment and management of river water quality by deterministic modeling and ecological risk analysis: Aksu stream application
SEÇİL TÜZÜN DUĞAN
Doktora
Türkçe
2024
Çevre MühendisliğiAkdeniz ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE MUHAMMETOĞLU
- Development of modeling approaches for landfill leachate management
Katı atık depolama sahalarında sızıntı suyu yönetimi için modelleme yaklaşımları geliştirilmesi
EBRU DEMİREKLER (YILDIZ)
Doktora
İngilizce
2001
Çevre MühendisliğiOrta Doğu Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. KAHRAMAN ÜNLÜ