Geri Dön

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

  1. Tez No: 742784
  2. Yazar: SIRRI BALLİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin Öğrenme, RNN, LSTM, GRU, BOİ ve KOİ tahmini, Deep Learning, RNN, LSTM, GRU, BOD and COD prediction
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 105

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.

Özet (Çeviri)

Purpose: The amounts of COD and BOD in the treated water in wastewater treatment plants are important indicators that can be used to control the quality of the water produced and the operating performance of the plant. The measurement of COD and BOD with experimental procedures is a laborious and time-consuming process. In this study, it is aimed to predict the amounts of BOD and COD in the treated water in WWTP with the help of machine learning methods by using daily laboratory measurement results of Erzurum Biological Wastewater Treatment Plant (ERBASAT). Predicting the BOD and COD parameters in the treated water in the plant will provide significant benefits to the decision makers in terms of the management of the treatment plant and the planning of the processes, and will provide effective treatment of wastewater and will offer gains in public health, effective environmental management and reducing the operating cost of the plant. Method: In the study, RNN LSTM and GRU models, which are time series models of the deep learning method, were used to estimate the amounts of BOD and COD. The models used in the study were designed as two layers and the 943-day measurement results obtained in the accredited plant laboratory during the treatment of WWTP's wastewater were used as the input parameter to the models. MAE MSE, RMSE, MAPE and R2 metrics were used to check the compatibility of the estimated values of the models with the actual values. Findings: Among the studied models, the GRU model was able to predict the BOD parameter with the highest accuracy of 79,16%, and the LSTM model was able to predict the COD parameter with the highest accuracy of 79,04% according to the MAPE metric. Results: At the end of the study, it has been observed that the estimation results of the studied RNN, LSTM and GRU models have higher learning speed, and accurate to help the plant management and those deep learning models are an alternative method that can be used to predict the BOD and COD performance parameters of wastewater treatment plants.

Benzer Tezler

  1. Derin öğrenmede tekrarlayan sinir ağları yaklaşımı ile hisse senedi fiyat tahmini

    Stock price prediction with recurrent neural networks approach in deep learning

    GÜLDENİZ CANATAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜZİN YÜKSEL

  2. Derin öğrenme yöntemleri ile elektrik fiyat tahmini: Türkiye gün öncesi elektrik piyasası uygulaması

    Electricity price forecast by deep learning methods: An application in the day-ahead electricity market of Turkey

    MUSTAFA KAYA

    Doktora

    Türkçe

    Türkçe

    2022

    İşletmeİstanbul Okan Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. MUSTAFA ERDİNÇ TELATAR

  3. Derin öğrenme ve ses işleme yöntemleri ile türkçe videolardaki küfürlü seslerin tespit edilmesi ve sansürlenmesi

    Detection and censorship of abusive sounds in turkish videos using deep learning and audio processing methods

    MUHAMMED MUSTAFA TAYİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl Üniversitesi

    Yapay Zeka ve Robotik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT CANAYAZ

  4. Derin öğrenme yöntemleri ile lisans öğrencilerinin akademik performanslarına dayalı mezuniyet tahmini

    Prediction of graduate students for bachelor's degree based on their academic performance using deep learning techniques

    RUMEYSA ÇINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UĞUR GÜREL

  5. Aircraft detection using deep learning

    Derin öğrenme kullanarak hava aracı tespiti

    UTKU MUTLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. SEDEF KENT PINAR