Atık Suyun Kimyasal Bileşimiden Kimyasal Oksijen Gereksiniminin Yapay Sinir Ağları ile Tahmini

Abstract

Çağımızda birçok teknik uygulama ve modern programın kullanılması ve yapay zekanın (AI) rolü artmaktadır. Yapay zeka araçlarından biri olan Yapay Sinir Ağları (YSA), ağın eğitimi yoluyla belirli bir veri kümesine bağlı olarak dinamik bir doğrusal olmayan davranış modelini öğrenmek ve keşfetmek için ortaya çıkmıştır. Biyoloji, atık su arıtma ve mühendislik gibi birçok disiplinde tahmin yapma konusunda yüksek doğruluk sahibidirler. Bu çalışmada, standart geri yayılım algoritması kullanılarak, North Gas Company / Kerkük'te arıtılan atık sudaki Kimyasal Oksijen Gereksinimi'nin (COD) değerini tahmin etmek için altı girdi parametresi alınmıştır. Sinir ağı, toplam klorür iyonu Cl ̵ , nitrat iyonu NO3 ̵, fosfat iyonu PO43, sülfat iyonu SO4 ̵ 2, amonyak NH3, Biyokimyasal Oksijen İhtiyacı (BOD5) gibi atıksu kalite indekslerinden toplanan 150 veri ile tek bir elementi yani COD'yi tahmin etmek üzere eğitilmiştir. Sinir ağı, uygun bir şekilde eğitilmesinden sonra test verileri kullanılarak test edilmiştir ve en iyi sonuçlar ortalama kare hatası ve regresyon katsayısı dikkate alınarak seçilmiştir. Bu çalışmada elde edilen bulgular, yapay sinir ağlarının arıtılmış atık suyun COD değerlerini tahmin etmede doğru ve etkili araçlar olduğunu göstermektedir.

In our era, many technical applications and modern programs are being used and the role of artificial intelligence (AI) increases. Artificial Neural Networks (ANNs) as one of artificial intelligence tools have emerged to learn and discover a model of dynamic nonlinear behavior depending on a particular set of data through training of the network. They have high accuracy for prediction in multiple disciplines like biology, wastewater treatment and engineering. In this study, six input parameters were taken to predict the value of the Chemical Oxygen Demand (COD) in the wastewater before and after the treatment at the North Gas Company/Kirkuk, by using the standard backpropagation algorithm. The network was trained with the 150 data collected from the quality indices of the un-treated and treated waste water, such as total chloride ions Cl ̵ , nitrate ions NO3‾ , phosphate ions PO4 ̵3, sulfate ions SO4 ̵2, ammonia NH3, Biochemical Oxygen De-mand (BOD5) to predict one element, that is the COD. After properly training of the neural network, it was tested by using the test da-ta, and the best results were selected by the consideration of the mean square error and the regression coefficient. The findings of this study suggest that artificial neural networks are accurate and ef-fective tools for predicting the COD values of treated wastewater.