Arıtma proseslerinin yapay zeka ve çoklu istatistiksel yöntemler ile modellenmesi

Abstract

ÖZETArıtma Proseslerinin Yapay Zeka ve Çoklu statistiksel Yöntemler ileModellenmesiGökhan C VELEKOĞLUster eş zamanlı isterse gecikmeli (off line) olarak ölçülsün, elde edilen verilerin arıtmatesislerinin izleme ve kontrolü amacıyla kullanılabilmesi için güvenilir ve sistematikdeğerlendirilme metotlarına ihtiyaç bulunmaktadır. Bu amaçla tez kapsamında, arıtmaproseslerine ait geçmişte elde edilen veriler yapay zeka metotları (yapay sinir ağları,ANN ve adaptif ağ temelli bulanık çıkarım sistemi, ANFIS) ve çoklu istatistikselyöntemler (temel bileşenler analizi, PCA ve çoklu lineer regresyon, MLR) iledeğerlendirilerek modellenmiştir. Ayrıca, Uluslararası Su Birliği (IWA) tarafındangeliştirilen aktif çamur prosesi modelleri (ASM1 ve ASM3) uygulanarak mekanistikASM model yaklaşımları ile bir yapay zeka yöntemi (ANFIS) karşılaştırılmış vetartışılmıştır. Bu kapsamlarda, verileri kullanılan ve modellenen arıtma tesisleri sukalitelerine ve arıtma amaçlarına göre geniş bir spektrumda seçilmiştir. Çalışılan arıtmatesisleri ve bu tesislerde modellenen kirletici parametreleri; evsel ve kentsel atıksu arıtmatesislerinde (toplam 3 farklı tesis) kimyasal oksijen ihtiyacı (KO ), amonyum azotu(NH4-N) ve nitrat azotu (NO3-N), bir endüstriyel atıksu arıtma tesisinde KO , amonyumazotu ve toplam azot (TN), ve ozonlama uygulayan bir içme suyu arıtma tesisindebromat iyonunu (BrO3-) içermektedir.Çoklu istatistiksel yaklaşımlar içerisinde yer alan PCA, özellikle değişkenler arasındakiilişkilerin tam olarak tespit edilemediği kompleks arıtma sistemlerinin analiz edilerekdaha küçük boyutta temsil edilebilmesine imkan tanımıştır. Benzer şekilde çokluistatistiksel yaklaşımlardan bir olan MLR metodunun, değişkenlerin lineer ilişkiye sahipolduğu bilinen arıtma sistemlerini etkili bir şekilde tanımladığı tespit edilmiştir. Aynıarıtma prosesi içerisinde kullanılan yapay zeka yöntemlerinin ise çoklu istatistikselyöntemlere nazaran, daha güvenilir ve hassas sonuçlar verdiği gözlenmiştir.Atıksu arıtma tesislerinde aerobik biyolojik oksidasyonun ve tesis performansınındeğerlendirilmesi aşamasında da ANFIS, ANN ve ASM modelleri ayrı ayrı oluşturulmuşve karşılaştırılmıştır. ASM modelleri içerisinde ASM3 yaklaşımı, ASM1 yaklaşımınanazaran daha iyi sonuçlar vermiştir. Fakat ASM model yaklaşımları atıksu arıtmatesisine ait değişkenleri mekanistik olarak oldukça iyi tanımlayabilmekle birlikte, seçilenhedef değişkenlerin tahmininde oldukça zayıf kalmıştır. ANFIS ve ANN modelmimarilerinin ise atıksu arıtma tesisi performansının ve aerobik biyolojikoksidasyonunun, girdi ve çıktı değişken bazlı değerlendirmesinde oldukça güçlü olduğusonucuna varılmıştır. Ayrıca çalışma kapsamında değerlendirilen yapay zeka yöntemleriiçerisinde yer alan ANFIS yaklaşımının eğitim algoritması yanında nümerikgruplandırma ve kural koyma gibi gelişmiş veri analiz metotlarını barındırmasındanötürü tahmin kapasitesinin ANN yaklaşımından daha iyi olduğu tespit edilmiştir.Sonuç olarak tez kapsamında ele alınan yapay zeka metotlarının, arıtma proseslerine aitsebep-sonuç ilişkilerini çok iyi bir şekilde tanımladığı, bu nedenle kompleks proseslerinizlenmesi, kontrolü ve otomasyonunda kullanılabilirlik potansiyelinin bulunduğu tespitedilmiştir.Anahtar Kelimeler: ANFIS, ASM, atıksu arıtma, bromat, MLR, modelleme, PCA,yapay zeka

ABSTRACTThe Modeling of Treatment Processes with Artificial Intelligence andMultistatistical MethodsGökhan C VELEKOĞLUWhether the data is obtained on-line or off-line, reliable and systematic methods arenecessary to evaluate and use the data for treatment plant monitoring and control. In thiscontext, artificial intelligence (AI) methods (including artificial neural networks, ANNand adaptive network based fuzzy inference system, ANFIS) and multi-variate statisticaltechniques (including principal component analysis, PCA and multi-linear regression,MLR) were employed in this dissertation to model treatment plant performance.Historical treatment plant data was used for such modeling efforts. Furthermore, themechanistic activated sludge models (ASM1 and ASM3) developed by the InternationalWater Association (IWA) were used and the performances of such models werecompared side-by-side with those obtained from ANFIS modeling. In an effort toinvestigate the applicability of AI and multivariate statistical techniques on estimatingthe performances of treatment processes with a wide spectrum, a total of five differentfull-scale water and wastewater treatment plants were selected. These plants and theireffluent parameters selected for estimation by models include an industrial (sugarproduction factory) wastewater treatment plant (COD, NH4-N and TN), two municipalwastewater treatment plants (COD), a domestic wastewater treatment plant (COD, NH4-N and NO3-N), and a water treatment plant employing ozonation (BrO3-). Separatemodels were developed for each plant using its historical data.PCA results indicated that it is a useful technique for complex treatment systems inwhich, the interactions among variables are not fully understood, and that it is effectivein representing the system with reduced model dimensions. On the other hand, MLRmethod was found to be very successful in defining treatment systems containing linearinteractions among variables. Artificial intelligence methods, however, provided morereliable and sensitive predictions than those obtained by multi-variate statistical methods(PCA and MLR) for each treatment plant studied.ANFIS, ANN and ASM models were developed separately for the prediction oftreatment performance of aerobic biological stages in wastewater treatment plants. It wasfound that ASM3 models provided more realistic results than ASM1. Although both ofthe mechanistic ASM models well-defined the variables in the treatment plants, theycould not sufficiently predict the target effluent parameters. On the other hand, ANFISand ANN model architectures well-defined both the variables and the relations amonginput and output variables. Furthermore, it was found that prediction capability ofANFIS approach was better than ANN mainly due to the fact that it contains trainingalgorithm, data clustering and rule based modeling structure.Results overall indicated that artificial intelligence approaches employed in thisdissertation are very successful in evaluating treatment performances and predictingeffluent parameters for all water and wastewater treatment plants studied. Therefore,such model algorithms appear to have full-scale application potentials for monitoring,on-line control and automation of complex processes in treatment plants.Keywords: ANFIS, artificial intelligence, ASM, bromate, MLR, modeling, PCA,wastewater treatment