Kentsel atıksu arıtma tesisi biyolojik oksijen ihtiyacının (boi5) makina öğrenmesi yöntemleri ile tahmin edilmesi

Abstract

Temiz su kaynaklarının azalmasının bir sonucu olarak atıksuların arıtılması önem arz etmektedir. Atıksu arıtma tesislerinin verimli bir şekilde işletilmesi için laboratuvardan ve sahadan alınan verilere göre arıtma proseslerine müdahele edilmesi gerekmektedir. Müdahelenin geç veya eksik olması durumu söz konusu olduğunda hem işletme verimi azalmakta hem de maliyet açısından maddi kayıplar ortaya çıkabilmektedir. Atıksu arıtma tesislerinin işletilmesinde laboratuvar analizleri arasında bulunan Biyolojik Oksijen İhtiyacı (BOİ5) parametresinin analiz sonucu en erken 5 gün içerisinde sonuçlanmaktadır. Arıtma tesislerinin işletilmesi sırasında sürekli olarak analiz edilmesi gereken parametlerin Dolayısı ile atıksu arıtma tesisinin daha güvenli, hızlı, verimli ve düşük maliyetle işletilmesi ve kontrol altına alınabilmesi için tesise ait geçmiş verileriden faydalanılarak bazı parametrelerin tahmin edilmesi önem arz etmektedir. Bu amaçla çeşitli istatistiksel yöntemler ve modelleme teknikleri kullanılmaktadır. Bu çalışmada makine öğrenmesi algoritmalarından 3 farklı denetimli öğrenme algoritması kullanılarak BOİ5 parametresi tahmin edilmiştir. Oluşturulan modellerde girdi parametreleri olarak Debi(Q), Sıcaklık(T), pH, iletkenlik, Kimyasal Oksijen İhtiyacı (KOİ), Askıda Katı Madde (AKM) ve çıktı parametresi olarakta Biyolojik Oksijen İhtiyacı (BOİ5) kullanılmıştır. Modellemede kullanılan ham verilerin büyüklükleri birbirinden farklı olduğundan dolayı verileri aynı ölçeğe getirmek için normalizasyon işlemi yapılmıştır. Veriler normalize edildikten sonra veri setinin %90'ı eğitimde %10'u ise test setinde kullanılacak şekilde ikiye ayrılmıştır. Geliştirlen her bir model için iterasyon sayısı 100000 iterasyon olacak şekilde ayarlanmıştır. BOİ5 tahmininde eğitim ve test verileri için elde edilen regresyon katsayıları (R2) sırasıyla SVM öğrenme algoritması için, 0,9681 0,9666, SGD Regresor öğrenme algoritması için, 0,55980,7061 ve Pasif Agresif Regresör öğrenme algoritması için ise 0,98400,9808 olarak belirlenmiştir. Buradan anlaşılacağı üzere geliştirelen modellerden hem SVM öğrenme algoritması hemde Pasif Agresif Regresör öğrenme algoritması BOİ5 tahmini için çok iyi sonuçlar vermiştir ve tahmin amaçlı olarak arıtma tesislerinde kullanılabileceği anlaşılmıştır.

Treatment of wastewater is important as the clean water resources are getting decreased. In order to operate wastewater treatment plants efficiently, treatment processes should be intervened according to the data obtained from the laboratory and the field. In case of late or incomplete intervention, both operational efficiency and cost losses can occur. Biological Oxygen Demand (BOD5) parameter, which is among the laboratory analyzes in the operation of wastewater treatment plants, results in 5 days. Therefore, it is important to estimate some parameters by utilizing the historical data of the wastewater treatment plant for safer, faster, efficient and low-cost operation and control. For this purpose, various statistical methods and modeling techniques are used. In this study, BOD5 parameter was estimated by using 3 different controlled learning algorithms from machine learning algorithms. Flow (Q), Temperature (T), pH, conductivity, Chemical Oxygen Demand (COD), Suspended Solids (SS) were used as input parameters, Biological Oxygen Demand (BOD5) was used as an output parameter. Since the size of the raw data used in the modeling was different from each other, normalization was performed to bring the data to the same scale. After normalizing, the data was divided into two, using 90% of the data set in education and 10% in the test set. The number of iterations for each model developed is set to 100000 iterations. The regression coefficients (R2) obtained for training and test data in the estimation of BOD5 were found to be for SVM learning algorithm 0.9681 0.9666, for the SGD Regressor learning algorithm 0.5598 0.7061, and for the Passive Aggressive Regressor learning algorithm was determined as 0.9840 0.9808. As can be seen from the developed models, both the SVM learning algorithm and the Passive Aggressive Regressor learning algorithm have given very good results for BOD5 estimation and it was understood that it could be used in treatment plants for estimation purposes.