Geri Dön

Değişken şartlar altında atıksu arıtımında karbon ve besi maddesi gideriminin makine öğrenmesi yöntemleri ile modellenmesi

Modeling carbon and nutrient removal in wastewater treatment under variable conditions using machine learning methods

  1. Tez No: 849180
  2. Yazar: CEM CANTEKİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖNDER ŞAHİNASLAN, PROF. DR. NEVİN YAĞCI
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Maltepe Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 90

Özet

Artan kentleşme, sanayileşme ve nüfus artışı eğilimleri, birbirinden çok farklı ölçeklerin varlığı ve eksik veri toplanması gibi faktörlerle birleşerek çevre konularında belirsizlik oluşturmaktadır. Su kıtlığının artışı, emisyonlarda sıkı sınırlamalar, mevcut ortaya çıkan kirleticiler ve hızla gelişen kentleşme, mevcut atıksu arıtımı ve çevre sağlığı üzerinde büyük sorunlara yol açmaktadır. Atıksu sistemlerindeki kirleticilerin ve besi maddelerinin giderilmesiyle ilgili karmaşıklık, yüksek dinamik yapısı ve modellerin kontrol sistemlerinin olasılıklara, varsayımlara ve tahminlere dayanmasıyla daha da zorlaşmaktadır. Atıksu arıtımının işletme maliyeti ve performansı, hidrolik/katı bekletme süresi, geri dönüşüm oranı, havalandırma oranları gibi işletme parametrelerinden oldukça etkilenmektedir. Makine öğrenmesi, açıkça programlama uygulanmadan verilere dayalı kalıplar öğrenmeyi ve kararlar vermeyi içeren yapay zeka alanıdır. Makine öğrenmesi algoritmalarının eğitimi, girdi verileri ve çıktı verilerinden oluşan bir veri kümesi üzerinde gerçekleştirilir. Algoritma, eğitim verilerindeki kalıplara dayalı olarak girdi verilerini çıktı verileri ile eşleştiren bir işlev öğrenir. Bu öğrenme süreci sonrasında algoritmaya verilen yeni verilere ait çıktı verilerinin öngörüsünde bulunur. Makine öğrenmesinin birçok farklı türü bulunmakta olup; bunlar arasında yönlendirilmiş öğrenme (supervised), yönlendirilmemiş öğrenme (unsupervised) ve pekiştirme öğrenimi (reinforced) bulunur. Bu çalışmada, karmaşık atıksu arıtımı problemlerini ele almak bağlamında üç önemli model olan karar ağacı regresyonu (DTR), destek vektör makineleri (SVM) ve ileri beslemeli sinir ağı (FNN) modellerinin uygulanmasına odaklanılmıştır. Gerçek bir atıksu arıtma tesisinden alınan 6 yıllık veriler kullanılarak atıksu arıtma sürecine ait çıkış atıksuyundaki kimyasal oksijen ihtiyacı (KOİ) ile besi maddesi parametrelerinden toplam azot ve toplam fosfor parametrelerinin seçilen modeller tarafından öngörü performansları incelenmiştir.

Özet (Çeviri)

The increasing trends of urbanization, industrialization, and population growth, combined with factors such as the existence of vastly different scales and incomplete data collection, contribute to uncertainty in environmental issues. The rise in water scarcity, strict emissions limitations, emerging pollutants, and rapid urbanization pose significant threats on existing wastewater treatment and environmental health. The complexity of removing pollutants and nutrients in wastewater systems is further complicated by their high dynamic nature and the reliance of models and control systems on probabilities, assumptions, and predictions. The operational cost and performance of wastewater treatment are highly influenced by operational parameters such as hydraulic/solid retention time, recycling rate, aeration rates, etc. Machine learning is an artificial intelligence field that involves learning patterns from data and making decisions without explicit programming. Machine learning algorithms are trained on a dataset consisting of input data matching corresponding labels and output data. The algorithm learns a function that maps input data to output data based on patterns in the training data. There are various types of machine learning, including supervised learning, unsupervised learning, and reinforcement learning. In this study, focusing on addressing complex wastewater treatment problems, three important models; Decision Tree Regression (DTR), Support Vector Machines (SVM), and Feedforward Neural Network (FNN) have been applied. The performance of these models in predicting parameters such as chemical oxygen demand (COD), total nitrogen, and total phosphorus in the effluent of an actual wastewater treatment plant has been examined using 6 years of data.

Benzer Tezler

  1. Effects of suspended and blended silver nanoparticles on filtration performances and bacterial products at membrane bioreactor (MBR) system

    Membran biyoreaktörlerde askıda ve membranda tutuklu gümüş nanoparçacıkların filtrasyon performansı ve bakteriyel ürünlere olan etkileri

    SALİHA BESLEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Biyoteknolojiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL KOYUNCU

  2. Nanomalzemeler kullanılarak üretilen düzplaka membranların ve membran biyoreaktörlerde (MBR) kullanılması ve biyokirlenme davranışları

    Fabrication of flat-sheet membranes with using nanomaterials and its applications at membrane bioreactor (MBR) systems and biofouling behaviors

    BAHAR TAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL KOYUNCU

  3. Sıcak su kaynaklarından izole edilen termofil siyanobakterilerin atıksu arıtımında kullanımları

    The use of thermophilic cyanobacterya isolated from hot springs in wastewater treatment systems

    SEVGIL SADETTIN

    Doktora

    Türkçe

    Türkçe

    2005

    BiyolojiAnkara Üniversitesi

    Biyoloji Ana Bilim Dalı

    PROF.DR. GÖNÜL DÖNMEZ

  4. The effects of microbial polymeric substances on membrane fouling

    Hücre dışı polimerik maddelerin membran kirliliğine etkileri

    NECATİ KAYAALP

    Doktora

    İngilizce

    İngilizce

    2012

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. CUMALİ KINACI