Atıksu arıtma tesislerinde biyolojik oksijen ihtiyacının (BOİ5) kaba kümeleme ve makine öğrenmesi hibrit yaklaşımı ile tahmini

Atıksu arıtma tesisi işletmesi sırasında suyun kalitesini gösteren parametreleri hızlı bir şekilde takip edebilmek ve müdahale edebilmek önem arz etmektedir. Atıksu arıtma tesislerine gelen atıksuyun arıtılmasında bakteri bazlı biyolojik yöntemler kullanılmaktadır. Gelen suyun kirlilik yükleri ve oksijen dengesi tesisin içerisindeki yaşamsal döngüyü etkilemektedir. Tesise aniden çok yüksek kirlilik oranına sahip su girdiği zaman operatör hiçbir müdahalede bulunmaz veya yanlış müdahalede bulunur ise bakteriler ölmeye başlar. Dolayısıyla biyolojik denge bozulacağı için arıtma işlemi gerçekleştirilemez. Su kalitesi yönetimi ve planlamasında önemli bir değişken olan Biyolojik Oksijen İhtiyacının (BOİ5) laboratuvar ortamında ölçülmesi diğer parametrelere göre daha uzun sürelerde (5 gün) gerçekleşmektedir. Sakarya da bulunan bir atıksu arıtma tesisinde yapılan bu çalışmada, online ölçüm cihazları ile ölçülebilen parametrelerden alınan verilerin otomasyon ve kontrol sistemlerine aktarılması ve elde edilen bu verilere yapay zeka yöntemleri uygulanarak Biyolojik Oksijen İhtiyacının (BOİ5) tahmin edilmesi amaçlanmıştır. BOİ5'nın tahmin edilmesi amacıyla Bulanık Kaba Kümeleme, SmoteR ve Makine Öğrenmesi Regresyon Algoritmalarını (Güçlendirilmiş Karar Ağacı Regresyonu, Karar Ormanı Regresyonu Yapay Sinir Ağları, Bayesyen Doğrusal Regresyon ve Doğrusal Regresyon) içeren hibrit bir model geliştirilmiştir. Tahmin için kullanılan makine öğrenmesi algoritmalarının performansının arttırılması amacıyla Bulanık Kaba Kümeleme tabanlı Nitelik Seçimi ve SmoteR yöntemleri uygulanırken, gereksiz veya gürültülü örneklerin elenmesi için bulanık kaba kümeleme tabanlı Örnek Seçimi Algoritması uygulanmıştır. Elde edilen veri setleri üzerinde makine öğrenmesi regresyon algoritmaları eğitilerek performansları karşılaştırılmıştır. Karşılaştırmalı sonuçlar, Bulanık Kaba Kümeleme tabanlı Nitelik Seçimi, Örnek Seçimi ve özellikle SmoteR yöntemlerinin Makine Öğrenmesi Algoritmalarının performanslarını arttırdığını göstermektedir. Çalışmanın ilk aşamasında (Bulanık Kaba Kümeleme tabanlı Nitelik Seçimi, bulanık kaba kümeleme tabanlı Örnek Seçimi ve SmoteR yöntemlerinin uygulanmadan) en iyi performansı %91,56 R2 değeri ile Bayesyen Doğrusal Regresyon ve %10,35 MAPE değeri ile Doğrusal Regresyon algoritması göstermektedir. Bulanık Kaba Kümeleme tabanlı Nitelik Seçimi, bulanık kaba kümeleme tabanlı Örnek Seçimi ve SmoteR yöntemlerinin uygulanmasıyla yapılan çalışmanın sonucunda makine öğrenmesi algoritmaları arasında en iyi performansı, %97,18 R2 değeri ve %6,07 MAPE değeri ile Güçlendirilmiş Karar Ağacı Regresyon Algoritması göstermiştir.