Kentsel atıksu arıtma tesisi biyolojik oksijen ihtiyacının (BOİ5) makina öğrenmesi yöntemleri ile tahmin edilmesi

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, 0,5598;0,7061 ve Pasif Agresif Regresör öğrenme algoritması için ise 0,9840;0,9808 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.