HURMA (ANTALYA) ATIKSU ARITMA TESİSİNİN PERFORMANSININ MODELLENMESİ * Modelling Performance Of Hurma Waste Water Treatment Plant

Transkript

1 HURMA (ANTALYA) ATIKSU ARITMA TESİSİNİN PERFORMANSININ MODELLENMESİ * Modelling Performance Of Hurma Waste Water Treatment Plant Oya ÖZEL Çevre Mühendisliği Anabilim Dalı Çağatayhan B.ERSÜ Çevre Mühendisliği Anabilim Dalı ÖZET Bu çalışmada; Hurma (Antalya) Atıksu Arıtma(HAA) Tesisi Performansını belirlenmesi için ileri matematiksel model olan yapay sinir ağlarının uygulanabilirliği araştırılmıştır. Hurma Atıksu Arıtma tesisi, uzun havalandırmalı aktif çamur ve çamur susuzlaştırma 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. Çalışmada farklı giriş parametreleri kullanılarak parametresinin arıtma verimleri belirlenmeye çalışılmıştır. Bu giriş parametreleri sırası ile KOİ giriş, BOİ giriş, Toplam Katı Madde giriş, Fosfor giriş, Azot giriş, ph giriş, kütlesel debi kullanılmıştır. SPSS programı kullanılmış olup, farklı modelleme çalışmaları yapılarak tesis verilerinin arasındaki istatistiksel korelasyonun çok düşük olması nedeniyle kullanılabilir bir modelleme yaklaşımı tespit edilememiştir. Anahtar Kelimeler: Yapay Sinir Ağları, Modelleme, Hurma Atıksu Arıtma Tesisi. ABSTRACT In this study, the main goal was to determine the treatment performance of Hurma Wastewater Treatment Plant (Antalya). Hurma Wastewater Treatment Plant conssited of an activated sludge bioreactor and sludge drying plants. ph, temperature, BOD, COD, total nitrogen and total phosphorus analysis were carried out for influent and effluent of the plant. In this study, the variable influent parameters were used to determine the treatment effeciency of the COD eff. These influent parameters were COD inf, BOD inf, Total Solid Particles inf, Phosphorus inf, Nitrogen inf, ph inf as well as mass flow. The statistical correlation factor obtained fort he data-sets were very low. Although different mathematical models were used, any modelling application was found to be inadequate. Key Words: Artificial Neural Networks, Modelling, Hurma Waste Water Treatment Plant, Performance. * Yüksek Lisans Tezi-MSc. Thesis

2 GİRİŞ Çevre kirliliği etkilerinin artması ve bu etkilerin doğrudan insan sağlığı üzerinde yarattığı olumsuz sonuçlar nedeni ile çevre kirliliğinin önlenmesi ve bu yönde yapılması gereken çalışmalara verilen önem artmıştır. Çevre, özellikle çevre kirliliğinin artmasına neden olan sanayileşmiş ülkelerin gündemlerinde ilk sıralarda yer almakta, alternatif enerjiler ve enerji verimliliği konularında yapılan çalışmalar artmaktadır. Çevresel modelleme (hava kalitesi, gürültü, erozyon, risk, sızıntı, hidrolojik model vb. ), coğrafi bilgi sistemleri ve uzaktan algılama ile beraber ana mühendislik alanlarından birini oluşturur. Çevresel modeller, karmaşık çevre sistemlerini simüle etmek ve gelecekteki olası değişimleri tahmin etmek için kullanılmaktadırlar. Değişimlerin ve etkilerin arkasındaki neden-sonuç ilişkisini ölçebilmek için çevresel modelleme güçlü bir araçtır. Öneminin farkına varılamayan kirlilik; günümüzde çok önemli bir hal almaya başlamış olup, bu durumun üstesinden gelmenin en iyi yolu kirliliğin oluştuğu yerde yani kaynağında azaltmaktır. Fakat zaman geçtikçe bu durum daha karmaşık bir hal almaya başlamıştır. Bu kirlenmenin daha ileriki zamanlarda çok büyük sorunlar ortaya çıkaracaktır. İşte buradan yola çıkarak araştırmacılar çeşitli modeller oluşturmaya başlamışlardır. Bu modellerin amacı gelecekte oluşabilecek sorunları tahmin etmek, kirlenmenin gelecekte daha aza indirilmesi veya tamamen önlenmesi, ekosistem iyileştirmeleri, arıtma tesislerinin laboratuar ölçekli reaktörlere gerek kalmadan verimlerinin belirlenmesi vb.dir. Bilindiği üzere kirlenme; hava, su, toprak kirlenmesi olarak sınıflandırılabilir. Model oluşumlarına örnek olarak; su ekosistemi modellemeleri örnek verilebilir. Yapay zeka teknolojilerinin en temel özellikleri olaylara ve problemlere çözümler üretirken veya çalışırken bilgiye dayalı olarak karar verebilme özelliklerinin olması ve eldeki bilgiler ile olayları öğrenerek, sonraki olaylar hakkında kararlar verebilmeleridir. Donanım teknolojisi gelişmekte ve daha hızlı çalışabilen, daha çok bilgiyi saklayabilen, daha karmaşık sistemleri ve fonksiyonları yerine getiren bilgisayarlar ve bilgisayar teknolojileri oluşturulmaktadır(çağlar, 2002). Su kalitesi modellerinde, kirliliği belirleyen parametrelerin konsantrasyonlarının zamanda ve uzaydaki değişimlerini matematiksel olarak ifade eden bir yapıdır. Akarsular, göller, körfezler ve açık denizlerde insanların neden olduğu etkilerle su kalitesinde oluşan bozulmaları ortaya çıkarmak ve söz konusu etkilerin olumsuz sonuçlarını önlemek için alınan tedbirlerin somut ve objektif bir şekilde saptanmasında bu tip bilgisayar modelleri çok değerli hizmetler vermektedir. Pek çok arıtma tesisi sistem ve işletme olarak benzerlik göstermektedir. Bu tesisler mevsimsel hava hareketlerinden, debi salınımlarından, hidrolik bekletme sürelerindeki değişikliklerden etkilenmektedir. Su kirliliği kontrolünde kullanılan matematiksel modeller iki gruba ayrılır (Uslu, 1987). Bunlar; yüzeysel sulardaki fiziksel, biyolojik ve kimyasal oluşumları matematiksel olarak ifade eden temel modelleri ve dış etkilerle doğal dengesi bozulan ve değişimleri birinci tipteki modellerle saptanan ortamlarda yapılan mühendislik çalışmalarına ve

3 alınan ekonomik, sosyal, hukuki kararlara ışık tutacak simülasyon (benzetim) ve optimizasyon modelleridir. MATERYAL ve METOD Materyal Hurma Biyolojik arıtma tesisi, Antalya-Kemer karayolunun 16. km' sinde, Tünektepe yolu üzerinde kıyıdan 2600 m uzaklıkta kurulmuştur. Antalya Su ve Atıksu İdaresi (ASAT) Genel Müdürlüğü 30 Eylül 1996 tarihinde ön arıtma tesisinin temelini atmış ve 17 Şubat 1999 yılında yapımını tamamlamıştır ( Şekil 1.Hurma Atıksu Arıtma Tesisi ( Atıksu arıtma tesisi; ön arıtma, biyolojik arıtma ve çamur susuzlaştırma ünitelerinden oluşmakta olup, mevcut kirlilik değerlerine ve atıksu debilerine göre dizayn edilmiştir. Atıksu arıtma tesisinde azot ve fosfor arıtımını içeren uzun havalandırmalı aktif çamur sistemi uygulanmaktadır. Atıksu arıtma tesisinin tesisinin optimum çalışmasını sağlamak, donanımı değerlendirmek ve tesise gelen ham atıksuyun güç ve kompozisyon değişikliği hakkında bir fikir sahibi olabilmek için analizlerin sık aralıklarla incelenmesinde yarar vardır. Bu incelemeler için laboratuvar tahlilleri gereklidir. Bunun için tesiste analizleri yapılan parametreler; Imhoff AKM BOI KOI TN TP ph dır. Metod Çalışmada verilerin alındığı tesis, Hurma atıksu arıtma tesisi olarak tanımlanmaktadır. Yapılan çalışmada tesisin on iki ay içindeki değerleri alınmıştır. Bilimsel çalışmalarda herhangi bir modelleme çalışmasında genellikle çok

4 değişkenli çalışılır. SPSS, regresyon analizinin sadece tek değişkenli olduğu ve analizlerin burada bitmeyip modelin uygunluğuna ilişkin çok ileri yöntemlerdir (Akgül 2003). Burada da parametreler arasındaki ilişkiyi ileri regresyon analizi (SPSS) ile bulunmuştur. Tesiste çıkış kimyasal oksijen ihtiyacı değerinin tahmini için değişkenlerle (giriş parametreleriyle) birlikte birden fazla istatiksel model oluşturulmasına rağmen, bu değerin giriş parametreleriyle arasındaki orantı tespit edilmiştir. Buna bağlı olarak bir matematiksel modelleme çalışmasının uygulanabilirliği araştırılmıştır. Uygulamada; Kütlesel debi, AKM(askıda katı madde) giriş, BOİ giriş, TKN giriş, P giriş, KOİ(kimyasal oksijen ihtiyacı) giriş,, ph giriş kullanılmıştır. İstatiksel hesaplamalar ile sabit parametrenin, değişken parametreleriyle arasında doğru bir orantı bulunup; Matlab programı yardımıyla yapay sinir ağı modellenmesi araştırılmıştır. Yapılan istatiksel çalışmalar şu şekildedir; KOİ giriş konsantrasyonunu mg/l, mg/l, mg/L, mg/L, >1000 mg/l şeklinde sınıflandırarak farklı değişken parametreler arasında istatiksel bir çalışma yapılmıştır. Oniki ay içerisinde farklı aylarda bir çıktı ve farklı girdi sayılarıyla deneyerek bir çalışma yapılmıştır. Bir başka çalışmada; Oniki ay içinde elde edilen kütlesel debi ile konsantrasyonu değerleri arasındaki orantı araştırılmıştır.bu orantı sonuçlarına bakılarak bir yapay sinir ağ çalışması amaçlanmıştır. ARAŞTIRMA BULGULARI Atıksu Karakteri Kimyasal oksijen ihtiyacı(koi), çıkış değerinin yapay sinir ağı modelinde hedef olarak belirlenmesindeki sebeplerden biri, KOİ atıksularda organik madde miktarı belirleyicisidir. Arıtma tesislerinde günlük olarak takip edilen bir parametredir. Arıtma işleminin her aşaması için önemli bir bilgi kaynağı olup atıksu arıtma tesislerinde çıkış suyu kalitesi açısından yasa gereği takip edilmesi gerekmektedir. Ölçümü, laboratuvarda konvansiyonel yöntemle ya da özel kitlerle yapılmaktadır. Diğer organik madde belirteçleri gibi çok zaman almamakta (yaklaşık 2 saat) ancak belirlenmesi emek, zaman ve maliyet gerektirmektedir. Evsel kaynaklı bir atıksu arıtma tesisidir yılının Şubat ayında ölçülen birinci gün KOİ giriş konsantrasyonu 927 mg/l dan arıtım sonucu 25 mg/l a düşmektedir. Mart ayında birinci gün giriş KOİ konsantrasyonu 464 mg/l dan 6 mg/l a, mayıs ayında 1225 mg/l dan 14 mg/l a, temmuz ayında 994 mg/l dan 8 mg/l a, eylül ayında ise 1116 mg/l dan 4 mg/l ye azaldığı görülmektedir. Modelleme Performansı Tesiste çıkış kimyasal oksijen ihtiyacı değerinin tahmini için değişkenlerle(giriş parametreleriyle) birlikte birden fazla model oluşturulmasına rağmen, bu değerin giriş parametreleriyle arasında olumsuz yönde bir orantı olduğu tespit edilmiştir. Aşağıdaki çizelgelerde her bir model oluşumunun girdi ve çıktı parametreleri ile bu model oluşumları sonucunda modellerin sırası ile ortalama

5 karesel hataları ve R 2 değerleri verilmektedir. Çizelge 1. de bu modellerin R 2 değerlerine bakıldığı zaman en iyi model oluşumunum 5 girdi-1 çıktı parametresi ile oluştuğu gözlemlenmiştir. Fakat burada veri sayısının yeterli olmadığından modelin uygulanmamaktadır. Buna göre yapılan uygulamalar şöyledir; KOİ giriş konsantrasyonunu sınıflandırarak yapılan çalışma Burada 12 ay süresince (kimyasal oksijen ihtiyacı) konsantrasyonu tahmini için AKM giriş (askıda katı madde), BOİ giriş (biyolojik oksijen ihtiyacı), TKN giriş, ph giriş ve sınıflandırılmış konsantrasyonda KOİ giriş parametreleri kullanılmıştır. KOİ giriş konsantrasyonları mg/l, mg/l, mg/l, mg/l ve 1000 mg/l üzeri olmak üzere toplam beş sınıflandırma yapılmıştır. KOİ giriş konsantrasyonu 1000 mg/l üzerinde toplam 84 veri alınarak 3 girdi (TKN giriş, ph giriş, BOİ giriş ) - 1 çıktı parametre arasında R 2 değeri 0,046, 4 girdi (AKM giriş, BOİ giriş, TKN giriş, ph giriş ) - 1çıktı parametre arasında R 2 değeri 0.047, 5 girdi (AKM giriş, BOİ giriş, TKN giriş, ph giriş KOİ giriş ) - 1 çıktı parametre arasında R 2 değeri 0,055 bulunmuştur. KOİ giriş konsantrasyonu mg/l arasındaki değerlerle toplam 90 veri alınarak 3 girdi (TKN giriş, ph giriş, BOİ giriş ) -1 çıktı parametre arasında R 2 değeri 0,008, 4 girdi (AKM giriş, BOİ giriş, TKN giriş, ph giriş )- 1çıktı parametre arasında R 2 değeri 0,02, 5 girdi (AKM giriş, BOİ giriş, TKN giriş, ph giriş, KOİ giriş )-1 çıktı parametre arasında R 2 değeri 0,03 bulunmuştur. Bu uygulamayı, aşağıda çizelge 1. de özetlersek şu şekildedir

6 Çizelge 1. KOİ giriş konsantrasyonu sınıflandırarak yapılan çalışma Aralık KOİ giriş Denklem Sabit parametre Değişken parametreler Veri Sayısı R 2 Sonuç (1) TKN, BOİ, ph 0,803 (+)%80,3>% > 1000 (2) TKN, BOİ, AKM, ph 10 0,824 (+)%82,4>%50 (3) TKN, BOİ, AKM, ph, (4) KOİg TKN, BOİ, ph 0,877 (+),%87,7>%50 0,204 (-),%20,4<%50 (5) TKN, BOİ, AKM, ph 33 0,205 (-),%20,5<%50 (6) TKN, BOİ, AKM, ph, (7) KOİg TKN, BOİ, ph 0,232 (-),%23,2<%50 0,029 (-), %2,9< %50 (8) TKN, BOİ, AKM, ph 93 0,048 (-), %4,8< %50 (9) TKN, BOİ, AKM, ph, (10) KOİg TKN, BOİ, ph 0,057 (-), %5,7< %50 0,008 (-), %0,8< %50 (11) TKN, BOİ, AKM, ph 90 0,02 (-), %2 < %50 (12) TKN, BOİ, AKM, ph, (13) KOİg TKN, BOİ, ph 0,03 (-), %3 < %50 0,046 (-), %4,6< %50 (14) TKN, BOİ, AKM, ph 84 0,047 (-), %4,7< %50 (15) TKN, BOİ, AKM, ph, KOİg 0,055 (-), %5,5< %50 Çizelge 2. de ise KOİ giriş konsantrasyonu sınıflandırarak yapılan çalışmada elde edilen denklemler verilmiştir

7 Çizelge 2.KOİ giriş konsantrasyonu sınıflandırarak yapılan çalışmada elde edilen denklemler Denklem Oluşturulan Denklem (1) (-3,399)-(0,425*TKN)+(0,061*BOI)+(3,548*pH) (2) (-5,893)-(0,435*TKN)+(0,057*BOI)+(3,655*pH)+(0,011*AKM) (3) 24,329-(0,544*TKN)+(0,103*BOI)+(1,784*pH)+(0,015*AKM)-(0,055*KOİg) (4) 60,475+(0,004*BOI)-(5,548*pH)-(0,113*TKN) (5) 63,329+(0,004*BOI)-(5,854*pH)-(0,112*TKN)-(0,002*AKM) (6) 63,422+(0,006*BOI)-(4,870*pH)-(0,112*TKN)+(0,002*AKM)-(0,019*KOIg) (7) 33,371+(0,005*BOI)-(2,963*pH)-(0,003*TKN) (8) 23,534+(0,004*BOI)-(2,301*pH)-(0,004*TKN)+(0,012*AKM) (9) 32,855+(0,005*BOI)-(2,577*pH)-(0,003*TKN)+(0,013*AKM)-(0,012*KOIg) (10) 20,154-(0,002*BOI)-(1,084*pH)+(0,001*TKN) (11) 14,371-(0,004*BOI)-(0,678*pH)-(0,004*TKN)+(0,007*AKM) (12) 21,389-(0,003*BOI)-(0,627*pH)-(0,003*TKN)+(0,006*AKM)-(0,009*KOIg) (13) 33,305-(0,002*BOI)-(2,943*pH)+(0,016*TKN) (14) 31,985-(0,003*BOI)-(2,860*pH)+(0,014*TKN)+(0,001*AKM) (15) 33,196-(0,002*BOI)-(2,754*pH)+(0,023*TKN)+(0,002*AKM)-(0,003*KOIg) Farklı aylarda yapılan çalışma On iki ay içerisinde (Ekim(08) - Eylül(09)) farklı aylarda çalışma yapılmıştır. KOİ(kimyasal oksijen ihtiyacı) çıkış konsantrasyonun diğer giriş parametreleriyle arasındaki optimum verimi hesaplanmıştır. Ekim(08) - Kasım(08) ayları arasında toplam 54 veri alınarak, 4 girdi (AKM giriş (askıda katı madde), BOİ giriş (biyolojik oksijen ihtiyacı), TKN giriş, ph giriş) 1 çıktı parametre arasında R 2 değeri 0,048, 5 girdi (AKM giriş, TKN giriş, ph giriş, P giriş ) - 1 çıktı parametre arasında R 2 değeri 0,268 bulunmuştur. Şubat(09) ayında 20 veri alınarak 3 girdi ( ph giriş, BOİ giriş AKM giriş) -1 çıktı parametre arasında R 2 değeri 0,15, 4 girdi (KOİ giriş, BOİ giriş, TKN giriş, ph giriş)-1 çıktı parametre arasında R 2 değeri 0,14 hesaplanmıştır

8 Çizelge 3,Farklı aylarda yapılan çalışma Ay Sabit parametre Değişken parametreler Veri Sayısı Denklem R 2 Ekim-Kasım (08) P,TKN,AKM,pH 54 (1) 0,074 ŞUBAT(09) Nisan(09) Mayıs (09) ph, AKM,BOİ (2) 0,15 ph,boi, KOİ,TKN 20 (3) 0,14 BOİ,AKM 20 (4) 0,142 TKN,AKM,BOİ (5) 0,19 ph,akm,boi,tkn (6) 0,20 ph,akm,tkn,boi,koig (7) 0,21 TKN,BOİ,pH (8) 0,36 TKN,P,BOİ 25 (9) 0,28 TKN,P,pH,BOİ (10) 0,09 Temmuz(09) BOİ,AKM,KOİ,pH 20 (11) 0,32 BOİ,AKM,pH (12) 0,019 Eylül(09) AKM,TKN,P,KOİg 25 (13) 0,19 BOİ,TKN,P,KOİg,AKM (14) 0,20 Ocak-Mayıs(09) TKN,P,BOİ,pH,AKM 100 (15) 0,133 Farklı aylarda yapılan çalışmada oluşturulan denklemler Çizelge 4. de verilmiştir. Çizelge 4. Farklı aylarda yapılan çalışmada elde edilen denklemler Denklem Oluşturulan Denklem (1) 0,734+(0,005*AKM)+(0,843*pH)-(0,04*P)-(0,023*TKN) (2) (-142,406)+(0,005*BOI) +(0,004*AKM) +(ph*19,295) (3) (-142,349)+(0,005*BOI)+(pH*19,459)+(0,002*KOIg) (0,017*TKN) (4) 17,523-(0,012*BOIg) + (0,016*AKMg) (5) 13,678-(0,007*BOİg) +(0,002*AKMg)+(0,117*TKNg) (6) 40,183-(0,009*BOI)+(0,002*AKM)+(0,126*TKN)-(3,485*pH) (7) 17,368-(0,009*BOI)-(0,003*AKM)+(0,106*TKN)-(5,86*pH)+(0,06*KOIg) (8) 138,109-(0,003*BOI)-(18,737*pH)+(0,321*TKN) (9) 4,155-(0,003*BOI)+(0,294*TKN)-(0,577*P) (10) 57,855-(0,107*TKN)-(0,145*P)-(5,836*pH)+(0,010*BOI) (11) 89,327-(9,123*pH)+(0,018*BOI)-(0,038*AKM)+(0,001*KOIg) (12) 19,844+(0,002*BOI)-(0,009*AKM)-(0,872*pH) (13) 17,789+(0,004*AKM)+(0,926*P)-(0,028*TKN)-(0,026*KOIg) (14) 16,934+(0,010*AKM)+(0,996*P)-(0,996*TKN)-(0,025*KOIg)-(0,004*BOIg) (15) 17,372+(0,004*BOIg)+(0,584*pH)+(1,105*P)+(0,038*TKN)+(0,016*AKM)

9 Kütlesel debi ile konsantrasyonu ile yapılan çalışma Kütlesel debi; BOİ giriş (biyolojik oksijen ihtiyacı) konsantrasyonuna bağlı atıksu arıtma tesisine gelen günlük debidir, yani bir gündeki toplam organik madde miktarıdır. Burada; 12 ay süresince 320 veri sayısı alınarak konsantrasyonunun, kütlesel debi, AKM giriş (askıda katı madde), TKN giriş, ph giriş, P giriş konsantrasyonu arasındaki orantı araştırılmıştır. Buna göre 3 girdi (AKM giriş, TKN giriş, Kütlesel debi) - 1 çıktı parametreler arasındaki orantı oldukça düşük olup R 2 değeri 0,003 olarak bulunmuştur. 4 girdi (P giriş, TKN giriş, ph giriş, AKM giriş) - 1 çıktı parametre arasındaki R 2 değerinin 0,072 olarak hesaplanmıştır. Çizelge 5. de gösterildiği gibi bu çalışmalar sonucunda ise parametreler arasında yüksek bir orantının olmadığı görülmüştür. Bu yüzden herhangi bir matematiksel model kurulamamıştır. Çizelge 5.12 aylık kütlesel debi ve diğer giriş parametrelerinin, konsantrasyonu ile arasındaki orantı Ay Sabit parametre Değişken parametreler Veri Sayısı Denklem R 2 Ekim(08)-Eylül(09) AKM giriş, TKN giriş (1) 0,003 Kütlesel debi 320 AKM giriş, TKN giriş (2) 0, aylık kütlesel debi ve diğer giriş parametrelerinin, konsantrasyonu ile arasındaki orantının denklemleri Çizelge 6. da verilmiştir. Çizelge aylık kütlesel debi ve diğer giriş parametrelerinin, konsantrasyonu ile arasındaki orantının denklemleri Denklem Oluşturulan Denklem (1) 12,090-(0,012*TKN)-(0,001*AKM)+((1,42E-0,005)*KD) (2) 12,056-(0,012*TKN)+(0,00*AKM) Tartışma ve Sonuçlar Çıkış suyu kimyasal oksijen ihtiyacı değerinin yapay sinir ağları modelinin hedefi olarak belirlenmesinin belli başlı sebepleri vardır. KOİ(kimyasal oksijen ihtiyacı), atıksularda organik madde miktarı belirleyicilerinden biridir. Arıtma tesislerinde günlük olarak takip edilen bir parametredir. Arıtma işleminin her aşaması için önemli bir bilgi kaynağıdır. Arıtma tesislerinde çıkış suyu kalitesi açısından yasa gereği takip edilmesi gerekmektedir. Ölçümü, laboratuvarda konvansiyonel yöntemle ya da özel kitlerle yapılmaktadır. Diğer organik madde belirteçleri gibi (örneğin, BOİ(biyolojik oksijen ihtiyacı)) ölçümü uzun zaman almamakta (yaklaşık 2 saat) ancak belirlenmesi emek, zaman ve maliyet gerektirmektedir. Farklı sayılarda girdisi ve tek çıktısı olan birden fazla istatiksel modelleme çalışılmıştır. Ortaya çıkan sonuçları sıralarsak; Giriş KOİ konsantrasyonun belirli miktarlarda sınıflandırma yapılarak, en az konsantrasyon aralığı için burada birden fazla model girdisi arasındaki

10 ilişkinin verimi %80 lerin üzerine çıktığı gözlenmiştir. Fakat bu konsantrasyonda 12 boyunca yapılan veri sayısının yetersiz olması nedeniyle bir modelleme çalışması yapılamamıştır. En iyi verim konsantrasyon sınıflandırılmasıyla on adet veri sayısıyla, mg/l aralığında 5 girdi-1 çıktısı ile yapılan çalışmada konsantrasyonun giriş parametreleriyle arasındaki orantı performansı %87,7 elde edilmiştir. Çok sayıda verimin olması ve parametrelerin geniş aralıkta değişmesi nedeniyle olumsuz yönde bir modelleme sonuçları elde edilmiştir. On iki ay içerisinde (Ekim(08) - Eylül(09)) farklı aylarda yapılan çalışmada konsantrasyonun diğer giriş parametreleriyle arasındaki optimum verimin en iyi temmuz (09) ve mayıs (08) aylarında yapılan çalışmada görülmüştür(%32,%36). Bu verimler yeterli olmadığından bir model kurulamamıştır. Kütlesel debi ve diğer giriş parametreleriyle konsantrasyonun arasında da uygun bir orantının olmadığı görülmüştür. Sonuç olarak, başarılı bir matenatiksel model yapısının gerçekleştirilebilmesi amacıyla model kurulumunda bulunan tüm bu parametrelerin optimum kombinasyonunun bulunması gerekmektedir. KAYNAKLAR AKGÜL, A. Tıbbi Arastırmalarda )statistiksel Analiz Teknikleri SPSS Uygulamaları (2. Baskı). Emek Ofset Ltd. Sti., Ankara(2003). ÇAĞLAR, N., Yapay Sinir Ağları ile Binaların Dinamik Analizi, Doktora Tezi, Sakarya Üniversitesi, Ocak 2002 USLU, O., ve TÜRKMAN, A Su Kirliliği ve Kontrolü, T.C. Başbakanlık Çevre Genel Müdürlüğü Yayınları Eğitim Dizisi, Ankara, 348 s. (Erişim tarihi )