Biyolojik oksijen ihtiyacı (BOİ), su kalitesinin yönetimi ve planlamasında en önemli parametrelerden biri olarak gösterilmektedir. Fakat son derece önemli olan bu parametrenin ölçümü zordur ve ölçüm sonuçlarının elde edilmesi beş gün gibi uzun bir süre almaktadır. Ölçümlerin zorluğu ve zaman alması ölçümlerin maliyetini de arttırmaktadır. Bu tür zorlukların üstesinden gelmek için bilim adamları bazı metotlar geliştirme yoluna gitmişlerdir. Bu metotlardan birisi de son zamanlarda literatürde sıkça kullanılan yapay zeka modelleridir. Bu çalışmada bir atıksu arıtma tesisinin girişindeki BOİ yapay zeka metotlarından olan yapay sinir ağları (YSA) ile tahmin edilmeye çalışılmıştır. YSA modelinin kurulmasında atıksu arıtma tesisinin girişindeki günlük kimyasal oksijen ihtiyacı (KOİ), günlük su debisi (Qw), günlük askıda katı madde (AKM), günlük toplam azot (N) ve günlük toplam fosfor (P) parametreleri girdi olarak kullanılırken günlük BOİ parametresi ise çıktı olarak kullanılmıştır. Ayrıca, en iyi sonucu veren modelin araştırılmasında çeşitli girdi kombinasyonları kullanılarak BOİ tahminleri yapılmıştır. YSA modellerinin çıktılarının performansları, determinasyon katsayısı (R2), ortalama mutlak hata (OMH) ve ortalama karesel hata (OKH) gibi hata performans fonksiyonları kullanılarak değerlendirilmiştir. Ayrıca YSA sonuçları çoklu regresyon analizi (ÇRA) sonuçları ile de karşılaştırılmıştır. Performans sonuçlarına bakıldığında YSA modelinin BOİ tahmininde ÇRA' dan çok daha etkili bir model olduğu ve gerçeğe çok yakın sonuçlar verdiği görülmüştür.
Biological oxygen demand (BOD) has been shown to be an important variable in water quality management and planning. However, BOD is difficult to measure and needs longer time periods (5 day) to get results. Artificial Neural Networks (ANNs) are being used increasingly to predict and forecast water resources variables. The objective of this research was to develop artificial neural networks (ANNs) model to estimate daily biological oxygen demand (BOD) in the inlet of wastewater biological treatment plant. The plantscale data set (364 daily records of the year 2005) were obtained from a local wastewater treatment plant. Various combinations of daily water quality data, namely chemical oxygen demand (COD), water discharge (Qw), suspended solid (SS), total nitrogen (N) and total phosphorus (P) are used as inputs into the ANN so as to evaluate the degree of effect of each of these variables on daily inlet BOD. The results of the ANN model is compared with multiple linear regression model (MLR). Mean square error, average absolute relative error and coefficient of determination statistics are used as comparison criteria for the evaluation of the model performances. The ANN technique whose inputs are COD, Qw, SS, N and P gave mean square errors of 708.01, average absolute relative errors of 10.03 %, and determination coefficient of 0.919, respectively. Based on the comparisons, it was found that the ANN model could be employed successfully in estimating the daily BOD in the inlet of wastewater biological treatment plant.
