Denizli (Merkez) atıksu arıtma tesisi performansının yapay sinir ağları kullanılarak modellenmesi / Artificial neural network modeling of Denizli wastewater treatment plant performance

Abstract

Bu çalışmada, Denizli (Merkez) Atıksu Arıtma Tesisi (DMAA) performansı ayrıntılı olarak incelenerek, yapay sinir ağlarıyla (ANN) modelleme çalışmaları yapılmıştır. DMAA aktif çamur ünitesine sahip olup, tesis giriş ve çıkışında rutin olarak pH, sıcaklık, iletkenlik, biyokimyasal oksijen ihtiyacı (BOİ), kimyasal oksijen ihtiyacı (KOİ), toplam azot ve toplam fosfat analizleri yapılmaktadır. Ayrıca, aktif çamur havalandırma havuzunda rutin olarak çözünmüş oksijen, askıda katı madde (AKM) ve çamur hacim indeksi (ÇHİ) ölçümleri yapılmaktadır. Tesis çıkışında ortalama KOİ ve BOİ konsantrasyonları sırasıyla, 107±40 mg/L ve 11±6 mg/L olup, Su Kirliliği Kontrol Yönetmeliği tarafından verilen sınır değerleri çoğu zaman sağlamaktadır. Havalandırma havuzunda ortalama ÇHİ değeri 200 mL/g civarında olup, çamur kabarma problemi söz konusudur. Tesis çıkışında KOİ, BOİ, toplam azot, toplam fosfat ve havalandırma havuzu ÇHİ değerleri ANN kullanılaraküç aşamada modellenmiştir. Her bir parametre için birinci aşamada ANN giriş parametreleri belirlenmiştir. İkinci aşamada ise 12 öğrenme algoritması içinden en iyisi belirlenmiştir. Son aşamada ise, nöron sayısı optimize edilerek modellenen her bir parametre için en iyi ANN yapısı belirlenmiştir. ANN modellemesi ile oldukça iyi sonuçlar alınmış olup, çıkış KOİ, BOİ, toplam azot, toplam fosfat ve havalandırma havuzu ÇHİ parametreleri için ölçülen ve tahmin edilen parametreler arasındaki (R) korelasyon katsayıları sırasıyla; 0.90, 0.83, 0.74, 0.75 ve 0.84 olarak bulunmuştur. In this study, the performance of Denizli Wastewater Treatment Plant (DWWTP) was investigated in detail and modeled using Artificial Neural Networks (ANN). The DWWTP includes an activated sludge process. pH, conductivity, biochemical oxygen demand (BOD), chemical oxygen demand (COD), total nitrogen, total phosphate were analyzed regularly at influent and effluent of the treatment plant. Additionally, suspended solid (SS) and sludge volume index (SVI) were analyzed regularly. The average COD and BOD concentrations at the effluent of treatment plant were 107±40 mg/L and 11±6 mg/L, respectively, and most of the time, the effluent meets the discharge standards of Water Pollution and Control Regulation. The average SVI value at the aeration tank was around 200 mL/g and sludge bulking problem was noticed. The effluent COD, BOD, total nitrogen, total phosphate and SVI at aeration tank were modeled using ANN at three stages. First of all, ANN input parameters were determined. In the second stage, the best back-propagation algorithm was selected within total 12 algorithms. Lastly, the neuron number was optimized and the best ANN structure was determined. Nice fittings were observed with ANN modeling and the correlation coefficients (R) between model predictions and measurements for COD, BOD, total nitrogen, total phosphate and SVI were 0.90, 0.83, 0.74, 0.75 and 0.84, respectively.