Değişken şartlar altında atıksu arıtımında karbon ve besi maddesi gideriminin makine öğrenmesi yöntemleri ile modellenmesi
| dc.authorid | 0000-0003-2891-8318 | |
| dc.contributor.advisor | Şahinaslan, Önder | |
| dc.contributor.author | Cantekin, Cem | |
| dc.date.accessioned | 2024-10-24T07:47:24Z | |
| dc.date.available | 2024-10-24T07:47:24Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2024 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | |
| dc.description | Tam Metin / Full Text | |
| dc.description.abstract | Artan kentleşme, sanayileşme ve nüfus artışı eğilimleri, birbirinden çok farklı ölçeklerin varlığı ve eksik veri toplanması gibi faktörlerle birleşerek çevre konularında belirsizlik oluşturmaktadır. Su kıtlığının artışı, emisyonlarda sıkı sınırlamalar, mevcut ortaya çıkan kirleticiler ve hızla gelişen kentleşme, mevcut atıksu arıtımı ve çevre sağlığı üzerinde büyük sorunlara yol açmaktadır. Atıksu sistemlerindeki kirleticilerin ve besi maddelerinin giderilmesiyle ilgili karmaşıklık, yüksek dinamik yapısı ve modellerin kontrol sistemlerinin olasılıklara, varsayımlara ve tahminlere dayanmasıyla daha da zorlaşmaktadır. Atıksu arıtımının işletme maliyeti ve performansı, hidrolik/katı bekletme süresi, geri dönüşüm oranı, havalandırma oranları gibi işletme parametrelerinden oldukça etkilenmektedir. Makine öğrenmesi, açıkça programlama uygulanmadan verilere dayalı kalıplar öğrenmeyi ve kararlar vermeyi içeren yapay zeka alanıdır. Makine öğrenmesi algoritmalarının eğitimi, girdi verileri ve çıktı verilerinden oluşan bir veri kümesi üzerinde gerçekleştirilir. Algoritma, eğitim verilerindeki kalıplara dayalı olarak girdi verilerini çıktı verileri ile eşleştiren bir işlev öğrenir. Bu öğrenme süreci sonrasında algoritmaya verilen yeni verilere ait çıktı verilerinin öngörüsünde bulunur. Makine öğrenmesinin birçok farklı türü bulunmakta olup; bunlar arasında yönlendirilmiş öğrenme (supervised), yönlendirilmemiş öğrenme (unsupervised) ve pekiştirme öğrenimi (reinforced) bulunur. Bu çalışmada, karmaşık atıksu arıtımı problemlerini ele almak bağlamında üç önemli model olan karar ağacı regresyonu (DTR), destek vektör makineleri (SVM) ve ileri beslemeli sinir ağı (FNN) modellerinin uygulanmasına odaklanılmıştır. Gerçek bir atıksu arıtma tesisinden alınan 6 yıllık veriler kullanılarak atıksu arıtma sürecine ait çıkış atıksuyundaki kimyasal oksijen ihtiyacı (KOİ) ile besi maddesi parametrelerinden toplam azot ve toplam fosfor parametrelerinin seçilen modeller tarafından öngörü performansları incelenmiştir. | |
| dc.description.abstract | The increasing trends of urbanization, industrialization, and population growth, combined with factors such as the existence of vastly different scales and incomplete data collection, Contribute to uncertainty in environmental issues. The rise in water scarcity, strict emissions limitations, emerging pollutants, and rapid urbanization pose significant threats on existing wastewater treatment and environmental health. The complexity of removing pollutants and nutrients in wastewater systems is further complicated by their high dynamic nature and the reliance of models and control systems on probabilities, assumptions, and predictions. The operational cost and performance of wastewater treatment are highly influenced by operational parameters such as hydraulic/solid retention time, recycling rate, aeration rates, etc. Machine learning is an artificial intelligence field that involves learning patterns from data and making decisions without explicit programming. Machine learning algorithms are trained on a dataset consisting of input data matching corresponding labels and output data. The algorithm learns a function that maps input data to output data based on patterns in the training data. There are various types of machine learning, including supervised learning, unsupervised learning, and reinforcement learning. In this study, focusing on addressing complex wastewater treatment problems, three important models; Decision Tree Regression (DTR), Support Vector Machines (SVM), and Feedforward Neural Network (FNN) have been applied. The performance of these models in predicting parameters such as chemical oxygen demand (COD), total nitrogen, and total phosphorus in the effluent of an actual wastewater treatment plant has been examined using 6 years of data. | |
| dc.identifier.citation | Cantekin, Cem. (2024) Değişken şartlar altında atıksu arıtımında karbon ve besi maddesi gideriminin makine öğrenmesi yöntemleri ile modellenmesi / Modeling carbon and nutrient removal in wastewater treatment under variable conditions using machine learning methods. (Yayımlanmamış Yüksek Lisans Tezi). Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12415/12938 | |
| dc.language.iso | tr | |
| dc.publisher | Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Makine öğrenmesi | |
| dc.subject | Yapay zeka | |
| dc.subject | Yapay sinir ağları | |
| dc.subject | Atıksu arıtımı | |
| dc.subject | Machine learning | |
| dc.subject | Artificial neural networks | |
| dc.subject | Artificial intelligence | |
| dc.subject | Wastewater treatment | |
| dc.title | Değişken şartlar altında atıksu arıtımında karbon ve besi maddesi gideriminin makine öğrenmesi yöntemleri ile modellenmesi | |
| dc.title.alternative | Modeling carbon and nutrient removal in wastewater treatment under variable conditions using machine learning methods | |
| dc.type | Doctoral Thesis | |
| dspace.entity.type | Publication |
