Nütrient giderim tesislerinde makine öğrenimi yöntemlerinin kullanımı
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ÇEVRE MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: HÜSEYİN BARAN GELGÖR
Danışman: Eyüp Debik
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yapay zekâ, gün geçtikçe atıksu arıtımında birçok farklı alanda kullanılmaktadır. Bu tez çalışmasında 3 farklı atıksu karakteristiğine sahip nütrient giderim tesislerinde tahminlemede çalışılmıştır. Bu tesisler evsel, endüstriyel ve hem evsel hem endüstriyel kaynaklardan beslenenmektedir. Tahminden önce veriler, ön işleme prosesiyle aykırı veriler çıkarılmıştır. Çalışmada toplamda 1110 veri olup Ocak 2020 ile Mart 2023 tarihlerini kapsamaktadır. Makine öğreniminde girdi olarak KOİ, BOİ, TN, TP, AKM, pH, sıcaklık, MLSS, HRT ve SRT gibi parametreler tanıtılarak çıkışta KOİ, BOİ, TN, TP ve AKM tahminleri analiz edilmiştir. Makine öğrenmesi yöntemlerinde Random Forest, XGBooost, Light GBM, SVM (Linear ve RBF) ve yapay sinir ağları kullanılmıştır. Python'ta Jupyterlab uygulaması seçilerek yazılan kodlar, %80 eğitim ve %20 test seti olacak şekilde çalışılmıştır. Elde edilen sonuçların yorumlanmasında MAE ile MAPE performans metrikleri kullanılmıştır. Makine öğrenimi yöntemlerinin atıksu parametreleri üzerindeki etkisine bakıldığında KOİ, BOİ ve AKM için SVM algoritmaları iyi tahmin sonucunu verirken TN ve TP tahmininde SVM'nin xiii performansı daha düşük gözlemlenmiştir. Çalışılan tüm tesislerin veri seti tek bir tesis gibi çalışıldığındaysa tüm yöntemlerin tahmin performansının düştüğü gözlemlenmiştir. Bu halde en iyi tahmin sonucunu veren algoritmalar KOİ, BOİ ve AKM'de SVM, TN ve TP'de Random Forest ile Light GBM olarak tespit edilmiştir. Öznitelik önemine bakıldığındaysa tüm parametre tahminlerinde MLSS'in yüksek önem düzeyine sahip olduğu sonucuna ulaşılmıştır. Ayrıca en iyi sonucu makine öğrenimi yöntemlerinden SVM, tahmin edilebilirlik bakımından en yüksek başarıyı ise BOİ sağlamıştır. Bir sonraki kriter olarak tüm tesislerde makinenin öğrenimi tamamlandıktan sonra makinenin bilmediği bir tesis üzerinde tahminleme yapılmıştır. Makinenin yabancı olduğu tesisin AAT-2'ye daha çok benzediği sonucuna ulaşılmış ve model başarılı sonuç vermiştir. Bulgular; her bir tesisin arıtma türüne, atıksu kaynağına ve kapasitesine bağlı olarak ayrı modellenmesi gerektiğini göstermiştir. Bunun yanında, her bir tesisin hem veri seti hem de girdi değişkenlerinin sayısı bakımından daha fazla veri içermesi, kirletici parametrelerin tahmininde makine öğrenimi uygulamalarını daha kararlı hale getirmektedir.