Journals / Engineering Sciences / 2018 / Cilt: 13 Sayı: 2

ATIKSU ARITMA TESİSLERİNDE BİYOKİMYASAL OKSİJEN İHTİYACININ FARKLI REGRESYON MODELLERİYLE TAHMİN EDİLMESİ

Pages
96–105
Publication Date
2018-04-21
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çoklu değişkenli uyarlanabilir regresyon eğrileri modeli en iyi tahmin sonucu elde etmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Biyokimyasal Oksijen İhtiyacının tahmini ve kontrolü atıksu arıtma tesisinin yönetimi ve organizasyonunda önemli bir rol oynamaktadır.
📊
Key Findings & Data:Bu çalışmada BOİ değerinin, atıksu arıtma tesislerinde su kalitesini belirlemek amacıyla kolayca ölçülebilen diğer kirletici parametreler aracılığıyla, tahmin edilmesi amaçlanmıştır.
💡
Conclusion & Impact:Çoklu değişkenli uyarlanabilir regresyon eğrileri modeli en iyi tahmin sonucu elde etmiştir.
🔬Design:Lab & Field Experiment
📍Scope:2015-2016 Verileri
⚙️Variables:Biyokimyasal Oksijen İhtiyacı · Atıksu Arıtma Tesisi · Çoklu Regresyon Analizi

Özet

Biyokimyasal Oksijen İhtiyacının tahmini ve kontrolü atıksu arıtma tesisinin yönetimi ve organizasyonunda önemli bir rol oynamaktadır. BOİ’nin laboratuvar deneyleriyle belirlenmesi uzun zaman almakta ve deneylerin yapılması da zahmetli olmaktadır. Bu çalışmada BOİ değerinin, atıksu arıtma tesislerinde su kalitesini belirlemek amacıyla kolayca ölçülebilen diğer kirletici parametreler aracılığıyla, tahmin edilmesi amaçlanmıştır. Analizde kullanılan ölçüm sonuçları 2015-2016 yılları arasında Antalya Hurma Atıksu Arıtma Tesisi’nince ölçülen günlük işletim parametreleridir. Analizde kullanılan tahmin girdi parametreleri; Q, pH, t, KOİ, AKM, TN, TP ve Eİ olarak seçilmiştir. Günlük ölçüm sonuçları kullanılarak analizler gerçekleştirilmiştir. Çalışmada çoklu regresyon analizi ve çoklu değişkenli uyarlanabilir regresyon eğrileri yöntemlerinden yararlanılmıştır. Çoklu değişkenli uyarlanabilir regresyon eğrileri modeli en iyi tahmin sonucu elde etmiştir.

🔖

Cite This Article

BAKİ, O. T., ARAS, E. (2018). ATIKSU ARITMA TESİSLERİNDE BİYOKİMYASAL OKSİJEN İHTİYACININ FARKLI REGRESYON MODELLERİYLE TAHMİN EDİLMESİ. Engineering Sciences, Cilt: 13 Sayı: 2, 96–105. https://ajindex.com/articles/986272

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Keleş, R., Açıkalın, S. ve İleri, R., (1999). Adapazarı Kentsel Atıksu Arıtma Tesisi Çıkış Suyu Parametreleri ve Verim Değerlerinin Yapay Sinir Ağları İle Tahmin Edilmesi. Sakarya Üniversitesi, Müh. Fak., Çevre Müh. Bolumu, Esentepe Kampusu, Sakarya
  2. Açıkalın, S., (2005). Atıksu Arıtma Tesisi Veriminin Yapay Sinir Ağları ile Tahmin Edilmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya
  3. Lee, J.W., Suh, C., Hong, Y.S.T., and Shin, H.S., (2011). Sequential Modelling of a Full-Scale Wastewater Treatment Plant Using an Artificial Neural Network. Bioprocess Biosyst. Eng., 34, 963–973
  4. Doğan, E., Ateş, A., Yılmaz, E.C., and Eren, B., (2008). Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environmental Progress, 27, 4, 439-446
  5. Sinan, R.K., (2010). Evsel Atıksu Arıtma Tesislerinde Ön Arıtım ve Biyolojik Arıtım Çıkış Parametrelerinin YSA ile Tahmini. Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya
  6. Özel, O., (2011). Hurma (Antalya) Atıksu Arıtma Tesisi Performansının Modellenmesi. Yüksek Lisans Tezi, Adana; Çukurova Üniversitesi, Fen Bilimleri Enstitüsü
  7. Heddam, S., Lamda, H., and Filali, S., (2016). Predicting Effluent Biochemical Oxygen Demand in a Wastewater Treatment Plant Using Generalized Regression Neural Network Based Approach: a Comparative Study. Environmental Processes, Cilt:3, Sayı:1, ss:153-165
  8. Pai, T.Y., Tsai, Y.P., Loa, H.M., Tsai, C.H., and Lin, C.Y., (2007). Grey and Neural Network Prediction of Suspended Solids and Chemical Oxygen Demand in Hospital Wastewater Treatment Plant Effluent. Comput. Chem. Eng., 31, 1272–1281
  9. Mjalli, F.S., Al-Asheh, S., and Alfadala, H.E., (2007). Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance. J. Environ. Manage., 83, 329–338
  10. Karakaya, K., (2012). Üretimlerinin Yapay Sinir Ağları ile Modellenmesi Yapay Zekâ Modelleriyle Tam Ölçekli Çamur Çürütme Reaktörlerinden Elde Edilen Biyogaz Üretiminin Tahmini: Yapay Sinir Ağları ve Fuzzy Logic Uygulamaları. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul
  11. Civelekoğlu, G., (2006). Arıtma Proseslerinin Yapay Zeka ve Çoklu İstatistiksel Yöntemler İle Modellenmesi. Doktora Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Isparta
  12. Häck, M. and Köhne, M., (1996). Estimation of Wastewater Process Param