Makine öğrenimi kullanılarak atıksudan TiO2 fotokatalizörü ile boyar madde giderimini etkileyen faktörlerin belirlenmesi
Determination of factors affecting dye removal from wastewater by TiO2 photocatalyst using machine learning
- Tez No: 1010794
- Danışmanlar: DOÇ. DR. HALİT LEVENT HOŞGÜN
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kimya Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel faaliyetlerin artmasıyla birlikte atıksulara karışan boyar maddeler, sucul ekosistemler ve insan sağlığı açısından önemli çevresel sorunlara yol açmaktadır. Boyar maddelerin karmaşık kimyasal yapıları ve biyolojik olarak zor parçalanabilir olmaları, geleneksel arıtma yöntemlerinin bu kirleticilerin gideriminde çoğu zaman yetersiz kalmasına neden olmaktadır. Bu nedenle, son yıllarda ileri oksidasyon prosesleri arasında yer alan fotokatalitik arıtma yöntemleri, özellikle titanyum dioksit (TiO₂) bazlı sistemler, etkili ve çevre dostu bir alternatif olarak öne çıkmaktadır. Bununla birlikte fotokatalitik proseslerin performansı, çok sayıda parametreden etkilenmekte ve bu parametreler arasındaki karmaşık ilişkilerin deneysel yöntemlerle tek başına açıklanması güçleşmektedir. Bu tez çalışmasında, TiO₂ fotokatalizörü kullanılarak atıksulardan boyar madde giderimini etkileyen faktörlerin belirlenmesi ve bu faktörlerin giderim verimi üzerindeki etkilerinin makine öğrenimi yöntemleri yardımıyla değerlendirilmesi amaçlanmıştır. Çalışma kapsamında kullanılan veri seti, literatürde yer alan ve çevrim içi olarak erişilebilen farklı araştırma çalışmalarından elde edilen deneysel veriler ile laboratuvar ortamında gerçekleştirilen ek deney sonuçlarının birleştirilmesiyle oluşturulmuştur. Bu yaklaşım sayesinde geniş bir parametre aralığını kapsayan ve farklı çalışma koşullarını temsil eden kapsamlı bir veri tabanı elde edilmiştir. Modelleme sürecinde pH, reaksiyon süresi, katalizör konsantrasyonu, ışık kaynağı türü, ışık yoğunluğu ve boya türü gibi değişkenler giriş parametreleri olarak ele alınmış; boyar madde giderim verimi ise çıktı değişkeni olarak tanımlanmıştır. Elde edilen veriler, uygun ön işleme adımlarından geçirildikten sonra farklı makine öğrenimi algoritmaları kullanılarak analiz edilmiştir. Modellerin performansları; tahmin doğruluğu, hata oranları ve istatistiksel uyum kriterleri gibi ölçütler dikkate alınarak değerlendirilmiş ve karşılaştırılmıştır. Elde edilen bulgular, makine öğrenimi tabanlı modellerin fotokatalitik arıtma süreçlerinde giderim veriminin başarılı bir şekilde tahmin edilebildiğini göstermiştir. Ayrıca analiz sonuçları, bazı parametrelerin giderim performansı üzerinde diğerlerine kıyasla daha belirleyici bir role sahip olduğunu ortaya koymuştur. Özellikle pH, katalizör konsantrasyonu ve ışık yoğunluğu gibi değişkenlerin fotokatalitik reaksiyon mekanizması üzerinde doğrudan etkili olduğu gözlemlenmiştir. Bu durum, fotokatalitik arıtma sistemlerinin tasarımında ve işletme koşullarının belirlenmesinde bu parametrelerin dikkatle optimize edilmesi gerektiğini göstermektedir. Bununla birlikte, makine öğrenimi yöntemlerinin kullanılması, deneysel çalışmalarda karşılaşılan zaman, maliyet ve sınırlı veri üretimi gibi dezavantajların azaltılmasına da katkı sağlamaktadır. Geliştirilen modeller sayesinde, farklı çalışma koşullarının giderim verimi üzerindeki olası etkileri önceden tahmin edilebilmekte ve deneysel tasarımlar daha verimli bir şekilde planlanabilmektedir. Bu yaklaşım, özellikle çok sayıda parametrenin aynı anda değerlendirilmesi gereken fotokatalitik sistemlerde, geleneksel deneme-yanılma yöntemlerine kıyasla önemli avantajlar sunmaktadır. Sonuç olarak, bu tez çalışması makine öğrenimi yöntemlerinin fotokatalitik atıksu arıtma proseslerinin modellenmesinde ve yorumlanmasında güçlü bir araç olarak kullanılabileceğini ortaya koymaktadır. Geliştirilen modellerin, deneysel çalışmalara tamamlayıcı bir yaklaşım sunduğu ve optimum çalışma koşullarının belirlenmesinde önemli avantajlar sağladığı değerlendirilmiştir. Elde edilen sonuçların, fotokatalitik arıtma sistemlerinin daha etkin, ekonomik ve sürdürülebilir hale getirilmesine katkı sağlaması beklenmektedir.
Özet (Çeviri)
With the increasing intensity of industrial activities, the discharge of dye-containing wastewater has become a significant environmental concern due to its adverse effects on aquatic ecosystems and human health. The complex chemical structures and low biodegradability of many dyes limit the effectiveness of conventional wastewater treatment methods. In this context, photocatalytic treatment processes, which are classified among advanced oxidation processes, have attracted considerable attention as environmentally friendly and efficient alternatives. Titanium dioxide (TiO₂)–based photocatalytic systems, in particular, have been widely studied for dye removal applications. However, the performance of photocatalytic processes is influenced by multiple operational parameters, and the complex interactions among these parameters make it difficult to evaluate system behavior solely through experimental approaches. The main objective of this thesis is to identify the factors affecting dye removal from wastewater using a TiO₂ photocatalyst and to evaluate the influence of these factors on removal efficiency through machine learning techniques. The dataset employed in this study was constructed by combining experimental data obtained from various studies available in the literature with additional experimental results generated under controlled laboratory conditions. This approach enabled the development of a comprehensive dataset representing a wide range of operational conditions and process variables. In the modeling stage, parameters such as pH, reaction time, catalyst concentration, type of light source, light intensity, and dye type were selected as input variables, while dye removal efficiency was defined as the output variable. After applying appropriate data preprocessing procedures, the dataset was analyzed using different machine learning algorithms. The predictive performances of the developed models were evaluated and compared based on statistical indicators, including prediction accuracy, error metrics, and goodness-of-fit criteria. The results demonstrated that machine learning–based models are capable of accurately predicting dye removal efficiency in photocatalytic treatment processes. Furthermore, the analysis revealed that certain operational parameters exert a more pronounced influence on process performance than others. In particular, pH, catalyst concentration, and light intensity were identified as key factors directly affecting the photocatalytic reaction mechanism. These findings indicate that careful optimization of these parameters is essential for improving the efficiency of photocatalytic wastewater treatment systems. In addition, the application of machine learning methods contributes to reducing the limitations associated with experimental studies, such as time consumption, cost, and restricted data generation. By enabling the prediction of system behavior under different operating conditions, the developed models support more efficient experimental design and process optimization. This advantage is especially important for photocatalytic systems, where multiple parameters must be evaluated simultaneously and traditional trial-and-error approaches may be inefficient. In conclusion, this thesis demonstrates that machine learning techniques provide a powerful and complementary tool for modeling and interpreting photocatalytic wastewater treatment processes. The proposed approach offers valuable insights into the identification of influential parameters and the determination of optimal operating conditions. The findings of this study are expected to contribute to the development of more efficient, cost-effective, and sustainable photocatalytic treatment systems for dye-contaminated wastewater.
Benzer Tezler
- Makine öğrenmesi algoritmaları kullanarak atık sudan elektrik enerjisi tahmini
Prediction of electrical energy from wastewater using machine learning algorithms
EKREM YÜCE
Yüksek Lisans
Türkçe
2023
EnerjiKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER KEREM
- Pekiştirmeli öğrenme ve karar ağacı ile bitki tabanlı mikrobiyal yakıt hücresinin optimum performansına götüren yolların tespiti
Routes to optimal conditions in plant-based microbial fuel cells using reinforcement learning and decision trees
TUĞBA GÜRBÜZ
Yüksek Lisans
Türkçe
2025
Kimya MühendisliğiGazi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. NİYAZİ ALPER TAPAN
- Derin tekrarlayan sinir ağı yöntemleri ile Erzurum Biyolojik Atıksu Arıtma Tesisinin performans tahmini
Performance forecasting of biological wastewater treatment plant using deep recurrent neural network methods
SIRRI BALLİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY
- Makine öğrenimi teknikleri kullanılarak parmak vuruş hareketi verileri ile parkinson hastalığı tespiti
Detection of parkinson's disease with finger tapping data using machine learning techniques
BAHAR DEMİR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
DOÇ. DR. OĞUZHAN ERDEM
DR. ÖĞR. ÜYESİ Sezer ULUKAYA
- Makine öğrenimi algoritmaları kullanılarak Erzurum ili için kirletici madde tahmini
Pollutant prediction for Erzurum province using machine learning algorithms
CEVAHİR DURAK
Yüksek Lisans
Türkçe
2024
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS