Çok Amaçlı Modelleme Araçları ile Atık Su Arıtma Tesislerinin Performans Değerlendirmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Çevre Mühendisliği, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: FARUK DİKMEN
Danışman: Ahmet Demir
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünyamızdaki su kaynakları sınırlıdır ve su çevrimi kapalı bir sistemdir. Tüm yaşamın sürdürülebilirliği açasından bu kaynağın korunması, artan nüfus, sanayileşmenin ve iklim değişikliğinin ağır baskısı altında gittikçe zorlaşmaktadır. Bu sebeplerle atık su arıtma tesislerinin (AAT) etkin bir şekilde işletilmesi büyük önem arz etmektedir. Bu tesisler, fiziksel, kimyasal ve biyolojik proseslerin bir arada yürütüldüğü; doğrusal ve doğrusal olmayan ilişkilerin bulunduğu yüksek karmaşıklık içeren sistemlerdir. Geleneksel deterministik tasarım ve modelleme yaklaşımları, kararlı hal işletme stratejileri, ani pik yüklenmeleri, endüstriyel deşarjlar ve değişen iklim baskıları sebebi ile yetersiz kalmaktadır. Bu durum özellikle küçük-orta boyutlu tesislerde yeterli uzman personel bulunmamasından kaynaklı sorunlara yol açmaktadır. Bu tez kapsamında, IWA'nın Dijital Su Vizyonu ve Endüstri 4.0 prensipleri çerçevesinde atık su arıtma tesislerinin performansının değerlendirilmesi ve çıkış suyu kalitesinin tahmin edilmesi kapsamında veriye dayalı Makine Öğrenmesi yöntemlerinin uygulanabilirliği denenmiştir. Çalışmada büyük ölçekli bir kentsel atık su arıtma tesisinin (Tesis-A) 1073 günlük verileri öncelikle veri madenciliği xix araçları ile işlenmiş, özellik seçimi uygulamaları ile indirgenmiş ve makine öğrenme algoritmalarıyla modellenmiştir. Hedef değişkenler olarak seçilen tesis çıkış parametreleri (KOİ, BOİ, AKM, TN ve TP) model ile tahmin edilmiş ve değerlendirme metrikleri ile kıyaslanmışlardır. Bu kullanılan yöntemlerle 6 adımlık bir uygulamanın bütünsel bir yaklaşımı olarak, metodolojik bütünlük sağlanmaya çalışılmıştır. Model yalnızca algoritmaların başarısına değil, Özellik Seçimi yöntemlerini merkeze alarak ilerlemiştir. Elde edilen bulgular, özellik seçimi açısından literatürdeki yaygın kanının aksini göstermiş, hesaplama maliyeti yüksek olan Özyinelemeli Özellik Seçim (RFE) yönteminin atık su arıtma tesisi verilerinde yüksek korelasyon ilişkisi ve veri gürültüsü sayesinde başarısız olduğunu göstermiştir. Buna karşılık, Filtreleme yöntemlerinden olan SelectKBest'in doğrusal ilişkileri yakalamada, Karşılıklı Bilgi Yönetiminin de doğrusal olmayan ilişkileri kavramada daha iyi performans gösterdiği ortaya konmuştur. Algoritmalar açısından ise; gürültülü ve pik yüklemelere sahip olan AAT verilerinde Karar Ağaçları algoritması gibi tekil modellerin başarısız olduğu, Topluluk Öğrenmesi algoritmalarının daha başarılı olduğu sonucuna ulaşılmıştır. Bunların arasından özellikle XGBoost ve GBM yüksek doğruluk oranları sergileyerek (AKM için, R2: %97), sanal sensör potansiyeli olabileceğini otaya koymuştur. TN ve TP parametreleri içinde uygulanan model sonuçlarının tahmin hata değerleri (MAE), deşarj limitlerinin %10'un altında kalmış, bu yönü ile de erken uyarı sistemi olarak kullanılabileceğini göstermiştir. Sonuç olarak bu tez çalışması; AAT'lerin işletilmesinde deterministik modelleri dışlamadan, onları tamamlayıcı nitelikte, kolay ve erişilebilir, veri odaklı ve düşük maliyetli uzmanlık gerektirmeyen bir dijital karar destek mekanizmasının uygulanabilirliğini sunmaktadır.