Yapay Sinir Ağlarının Atıksu Arıtma Tesisi İşletimine Uygulanması: Bir Örnek Çalışma

Transkript

1 KSÜ. Fen ve Mühendislik Dergisi, 8(2) KSU. Journal of Science and Engineering 8(2)-2005 Yapay Sinir Ağlarının Atıksu Arıtma Tesisi İşletimine Uygulanması: Bir Örnek Çalışma Özer ÇINAR 1, Ahmet Serdar YILMAZ 2 1 Kahramanmaraş Sütçü İmam Üniversitesi, Çevre Mühendisliği Bölümü, Kahramanmaraş 2 Kahramanmaraş Sütçü İmam Üniversitesi, Elektrik ve Elektronik Mühendisliği Bölümü, Kahramanmaraş ÖZET: Bu çalışmada, Pelham Atıksu Arıtma tesisi işletme verileri kullanılarak yapay zeka tekniklerinden Kohonen Özörgütlemeli Harita Ağı metoduyla çıkış parametrelerinden 5 günlük biyolojik oksijen ihtiyacı (BOİ 5 ), toplam askıda katı madde (TAKM) ve fekal koliformdaki yüksek konsantrasyonlara yol açan sebepler araştırılmıştır. Pelham Atıksu Arıtma tesisi biyolojik reaktöründeki ph ın düşüklüğü ve yüksek çamur yaşının, bu problemlere yol açabileceği tespit edilmiştir. Anahtar Kelimeler : Yapay Sinir Ağları Uygulaması, Kohonen Özörgütlemeli Harita Ağı, Atıksu Arıtma Tesisi İşletimi Application of Artificial Neural Network Method on Operation of Wastewater Treatment Plant: An Example Study ABSTRACT: Kohonen Self-Organizing Feature Maps, one of artificial intelligence method, was used to classify operational data of Pelham wastewater treatment plant and to determine the reasons for high effluent concentrations of 5 days biological oxygen demand (BOD 5 ), total suspended solids (TSS), and fecal coliform in this study. The reasons which may cause high effluent concentrations of these parameters in Pelham wastewater treatment plant were low ph in biological reactor and high solid retention time (SRT). Key Words : Application of Artificial Neural network, Kohonen Self-Organizing Feature Maps, Operation of Wastewater Treatment Plant GİRİŞ Biyolojik atıksu arıtma prosesleri ve özellikle bu proseslerden aktif çamur sistemleri en yaygın olarak kullanılanlar arasındadır. Evsel ve endüstriyel atıksu arıtma tesisleri giriş debileri ve atıksu karekterizasyonu açısından büyük değişimler gösterirler. Bu değişimlerden dolayı, bir evsel atıksu arıtma tesisinden sağlanan bilgi ve tecrübenin başka bir evsel atıksu arıtma tesisinde kullanılması çok zor olmaktadır. Ayrıca, evsel atıksu arıtma tesislerinin işletilmesinde birçok değişkenin (lineer olmayan ve zamanla değişken) göz önünde bulundurulması gerekmektedir. Bu değişkenlerden bazıları yerinde ölçülebilmesine rağmen bazı değişkenlerin laboratuarlarda ölçülmesi gerekmektedir. Bu sebeplerden dolayı, bu tesislerin işletilmesinde bir sorunla karşılaşıldığında bu sorunların aşılması çok kolay olmamakta ve sorunun aşılmasına yardımcı olacak araçlara gereksinim duyulmaktadır. Atıksu arıtma tesisleri giriş parametrelerinin yukarıda bahsedildiği üzere büyük değişimler göstermesi, bu tesislerin optimum performansta işletilmesini zorlaştırmaktadır. Bu atıksu arıtma tesislerinin optimum işletilmesi amacıyla özellikle son yılda çeşitli araçlar geliştirilmeye çalışılmaktadır. Bu araçlardan şu anda en yaygın olarak kullanılanı, matematiksel olarak geliştirilmiş ve matris şeklinde düzenlenmiş diferansiyel denklemlerden oluşan aktif çamur modelleridir yılından itibaren IAWQ (International Association of Water Quality) organizasyonu aracılığıyla Aktif Çamur Model 1 (Henze ve diğ., 1987), Aktif Çamur Model 2 (Henze ve diğ., 1995) ve Aktif Çamur Model 3 (Gujer ve diğ., 1999) modelleri geliştirilmesine rağmen bu modellerin halen bazı zayıf noktaları ve dezavantajları bulunmaktadır. Örneğin, bu modeller aktif çamur proseslerindeki sebepsonuç ilişkilerini çok iyi temsil edemedikleri gibi çok spesifik, çok sayıda ve ölçülmesi genellikle çok kolay olmayan giriş parametrelerine gerek duymaktadır (Hong ve diğ., 2003). Diğer ve daha önemli bir dezavantaj da, bu aktif çamur modelleri sadece aktif çamur içeren arıtma tesisleri için kullanılabilmektedir. Bu nedenle, geliştirilen bu matematik modellere alternatif olarak, arıtma tesislerinde son yıllarda daha genel olarak kullanım alanı olan ve sinir ağlarını temel alan yapay zeka teknikleri kullanılmaya başlanmış ve başarılı sonuçlar alınmıştır (Tomida ve diğ., 1999; Zao ve diğ., 1999; Gontarski ve diğ., 2000; Tomida ve diğ., 2001; Yoshikawa ve diğ., 2001; Oliveira-Esquerre ve diğ., 2002; Hong ve Bhamidimarri, 2003; Hong ve diğ., 2003). Bu çalışmanın amacı, yapay sinir ağları tekniklerinden olan Kohonen Özörgütlemeli Harita Ağı (Kohonen Self-Organizing Feature Maps) kullanarak, aktif çamur prosesindeki değişkenlerin kendi içindeki ilişki ve tepkilerini bulmak ve bu proseslerin sistem davranışını yine bu metodu kullanarak analiz etmektir. Bunun sonucunda, bu yapay zeka teknikleri, arıtma tesislerinde deşarj standartlarının tutturulamaması durumunda problem kaynağının tespitinde önemli rol oynayabilecektir.

2 KSÜ. Fen ve Mühendislik Dergisi, 8(2) KSU. Journal of Science and Engineering 8(2)-2005 MATERYAL ve METOT Kohonen Özörgütlemeli Harita Ağları Bu çalışmada yoğunlaşılan nokta yapay sinir ağları değil, yapay sinir ağlarının mühendislik uygulamalarından birinde kullanımıdır. Bu nedenle, yapay sinir ağları hakkında sadece kısa bir bilgi verilecektir. Kohonen tarafından geliştirilen Kohonen özörgütlemeli harita ağları, girdi vektörlerini sınıflandırırlar ve bu vektörlerin dağılımını iyi bir şekilde öğrenip genel olarak sınıflandırma yapmak için kullanılırlar. Yarışmacı öğrenimle eğitilen ileri beslemeli bir ağ türüdür. Özörgütlemeli harita ağlarının girdi verilerini sınıflandırma ve girdi vektörlerinin dağılımını öğrenebilme yeteneği oldukça yüksektir. Girdi ve çıktı arasındaki olayları öğrenmeye gerek kalmadan yani bir eğitme işlemine tabi tutulmadan kullanılan bu ağ türleri, klasik sinir ağları ile iyi sonuç alınamayan karmaşık problemlerin çözümünde kullanılmıştır (Öztemel 2003; Elmas 2003). Kohonen özörgütlemeli harita ağları yapısal olarak diğer bilinen ağ türlerinden farklı olup, girdi ve çıktı katmanlarından oluşmaktadır (Öztemel 2003). Çıktı katmanı iki boyutlu bir düzlemi göstermektedir. Proses elemanları bu çıktı katmanı üzerine dağılmış vektörleri göstermektedir ve bu ağlar girdi katmanı elemanlarının yarışmayı kazanma ve kazananların 1 diğerlerinin ise 0 alması esasına dayanmaktadır. Ağa bir girdi verildiğinde çıktı uzayında yarışmayı kazanan ve kazananın etrafındaki komşuları, eğitim sırasında ağırlıklarını değiştirmektedir. Tüm girdi elemanları tüm çıktı elemanlarına bağlıdır. Haritada yer alan nöronlar bitişiğindeki nöronlara, haritanın oluşturulmasını yönlendiren komşuluk ilişkileri yardımıyla bağlanmaktadır. Özörgütlemeli harita ağında öğrenme sürecinin ilk ve en önemli adımlarından birisi normalizasyondur. Bu adımdan sonra öğrenme süreci devamı boyunca özörgütlemeli harita ağı metodu benzer giriş vektörlerini bir bölgede toplarken benzer olmayan vektörleri de haritanın değişik bölgelerine yerleştirmektedir. Böylece bu çalışmada, arıtma tesisinin performansını etkileyen proses değişkenleri arasındaki ilişki özörgütlemeli harita ağı metodu kullanılarak harita üzerinde gösterilmiştir. Pelham Atıksu Arıtma Tesisi Batı Carolina Kanalizasyon İdaresine (WCRSA) (Greenville, SC, A.B.D) ait olan Pelham atıksu arıtma tesisinden alınan işletme verileri bu çalışmada kullanılmıştır. Pelham atıksu arıtma tesisi organik karbon giderimi için tasarımı yapılmış olmasına rağmen kısmi biyolojik azot giderimi de gerçekleşmektedir. Bu arıtma tesisinde ön çökeltim havuzu bulunmadığından ızgaralardan gelen atıksu, doğrudan paralel olarak bağlanmış karosel tipi 3 havalandırma havuzuna gelmektedir. Burada gerçekleşen ikincil arıtmadan sonra atıksu yine paralel olarak bağlanmış 4 son çöktürme havuzuna iletilmektedir. En son adım olarak arıtılmış atıksu klorlandıktan sonra alıcı ortama verilmektedir (Şekil 1). Kohonen özörgütlemeli harita ağı metodunda kullanılan işletme verileri tatil günleri dışında 400 gün boyunca alınmıştır ve bu işletme verileri Tablo 1 de özet olarak sunulmuştur. BULGULAR ve TARTIŞMA Pelham arıtma tesisi işletme verilerinden elde edilen 9 işletme değişkenine ait ortalama ve standart sapma değerleri Tablo 1 de sunulmaktadır. Bu işletme verilerindeki değişkenlerin değerleri birbirinden çok farklı olabileceğinden dolayı (bu çalışma için ph değerleri 7 seviyelerinde değişirken, debi değerleri ler seviyelerinde değişmektedir), bu çalışmada kullanılan yapay sinir ağı metodunun daha verimli çalışabilmesi için bu ham veriler ilk önce normalize edilmiştir. Bu çalışmada kullanılan değişkenler, lineer olarak her birinin varyansları 1 olacak şekilde normalize edilmiştir. Normalize edilmiş arıtma tesisi işletme verilerine, Kohonen özörgütlemeli harita ağı MATLAB TM yazılımı SOM Toolbox ile birlikte kullanılarak uygulanmıştır. Normalize edilmiş değerlerle çalıştırılan Kohonen özörgütlemeli harita ağının çıktıları denormalize edilerek sunulmuştur. Pelham arıtma tesisine ait ham işletme verileri doğrudan grafik olarak sunulduğunda, tesisteki işletme parametreleri hakkında açık bilgi elde edilememektedir. Örnek olarak, bu çalışmada kullanılan 9 işletme değişkeninden 3 üne ait ham veriler (biyolojik reaktördeki ph, çıkış BOİ 5 konsantrasyonu, çıkış TAKM konsantrasyonu) Şekil 2 de sunulmuştur. Şekil 2 den görüldüğü üzere, çıkış BOİ 5 ve TAKM konsantrasyonlarının yüksek oluşunun, biyolojik reaktördeki ph ın düşüklüğü ile daha sonra sunulacak özörgütlemeli harita ağı gösterimindeki gibi (Şekil 3) bağımlı olduğu açık olarak anlaşılamamaktadır. Fakat, bu arıtma tesisine ait ham işletme verileri Kohonen özörgütlemeli harita ağı metodu kullanılarak sınıflandırıldığında bu bağımlılık açıkça görülmektedir (Şekil 3). Çıkış BOİ 5 ve toplam askıda katı madde (TAKM) konsantrasyonlarının arıtma tesisinin problemsiz işletildiği durumlarda 10 mg/l nin altında olduğu Şekil 3 te görülmektedir. Fakat, çıkış BOİ 5 ve TAKM konsantrasyonlarının yüksek olduğu durumlarda havalandırma reaktöründeki ph ın da düşük olduğu görülmektedir. ph ın 6 seviyesinin altında oluşu mikroorganizmaların biyolojik aktivelerini olumsuz yönde etkilediği için BOİ 5 çıkış konsantrasyonun yüksek olması olağandır. Ayrıca düşük ph ın biyolojik aktivitelerindeki bu olumsuz etkisi, mikroorganizmaların floklaşmaları üzerine de olumsuz etki yapabilmektedir. Bunun sonucunda, çıkış TAKM konsantrasyonu, mikroorganizma floklarının istenilen düzeyde çökelememesinden dolayı yüksektir.

3 KSÜ. Fen ve Mühendislik Dergisi, 8(2) KSU. Journal of Science and Engineering 8(2)-2005 Tablo 1. Pelham Atıksu Arıtma Tesisine ait işletme verileri Değişken Mean Std. Deviation Yağmur (mm) Giriş Atıksu Debisi (m 3 /gün) ndaki Su Sıcaklığı ( o C) ndaki ph Çıkış 5 günlük Biyolojik Oksijen İhtiyacı Konsantrasyonu (mg/l) Çıkış Askıda Katı Madde Konsantrasyonu (mg/l) ndaki Çözünmüş Oksijen Konsantrasyonu (mg/l) Çamur Yaşı (gün) Çıkış Fekal Koliform Sayısı Dağıtma Odası #4 #1 #2 #3 Geri Devir Çamuru #3 #2 Klorlama Alıcı Ortama #1 Giriş Izgara Geri Devir Çamuru Şekil 1. Pelham atıksu arıtma tesisi akım şeması Reaktördeki ph 100 Çikis BOI 5 Kons.(mg/L) 100 Çikis TAKM Kons.(mg/L) Şekil 2. Pelham atıksu arıtma tesisi biyolojik reaktördeki ph, çıkış BOİ 5 ve TAKM konsantrasyonlarına ait işletme verilerinin doğrudan grafik olarak gösterimi. Şekil 3. Pelham atıksu arıtma tesisi biyolojik reaktördeki ph, çıkış BOİ 5 ve TAKM konsantrasyonlarına ait işletme verilerinin Kohonen özörgütlemeli harita ağı metodu kullanılarak gösterimi.

4 KSÜ. Fen ve Mühendislik Dergisi, 8(2) KSU. Journal of Science and Engineering 8(2)-2005 Bunun yanı sıra, Pelham Atıksu Arıtma Tesisi yağış miktarı, giriş debisi ve biyolojik reaktördeki atıksu sıcaklığına ait ham işletme verileri de Kohonen özörgütlemeli harita ağı metodu kullanılarak sınıflandırılmıştır (Şekil 4). Görüldüğü üzere, yağmur miktarı arttıkça arıtma tesisine gelen atıksu debisi de birleşik kanalizasyon sistemi (yağmur suyu ve atıksu) kullanıldığı için orantılı olarak artmaktadır. Biyolojik reaktördeki atıksuyun sıcaklığı arttıkça; yani yaz aylarında, yağmur miktarının azaldığı ve arıtma tesisine gelen atıksu debisinin de azaldığı Şekil 4 te açıkça görülmektedir. Biyolojik reaktördeki atıksu sıcaklığının normal olduğu dönemlerde (bahar aylarında) şiddetli yağışlardan dolayı yağmur miktarının arttığı ve dolayısıyla atıksu debisinin arttığı da görülmektedir. Son olarak, bu arıtma tesisine ait biyolojik reaktördeki çözünmüş oksijen konsantrasyonu, çamur yaşı ve çıkış fekal koliform konsantrasyonlarına ait ham veriler de Kohonen özörgütlemeli harita ağı metodu kullanılarak sınıflandırılmıştır (Şekil 5). Buradan görüldüğü üzere, biyolojik reaktörde sıcaklığın ortalamanın altında olduğu durumlarda çözünmüş oksijenin yüksek olması, gazların çözünürlüğünün düşen sıcaklıkla artmasıyla ilişkilendirilebilir. Çamur yaşının yüksek olduğu durumlarda çıkış fekal koliform sayının yüksek olması da, artan çamur yaşı ile biyolojik reaktördeki mikroorganizma konsantrasyonun artmasıyla ve bu da daha fazla mikroorganizmanın son çökeltim havuzunda tutulamadan çıkış suyuna karışmasına yol açmaktadır. Her ne kadar son çökeltim havuzundan sonra klorlama ünitesi kullanılsa da kullanılan klor dozu her zaman eşit olduğundan çıkış fekal koliform sayısı çamur yaşının yüksek olduğu durumlarda yüksek gözlenmiştir. Şekil 4. Pelham atıksu arıtma tesisi yağış miktarı, giriş debisi ve biyolojik reaktördeki atıksu sıcaklığına ait işletme verilerinin Kohonen özörgütlemeli harita ağı metodu kullanılarak gösterimi Şekil 5. Pelham atıksu arıtma tesisi biyolojik reaktördeki çözünmüş oksijen, çamur yaşı ve çıkış fekal koliform konsantrasyonlarına ait işletme verilerinin Kohonen özörgütlemeli harita ağı metodu kullanılarak gösterimi SONUÇ Pelham Atıksu Arıtma Tesisine ait 400 günlük işletme verileri, Kohonen özörgütlemeli harita ağı kullanılarak Şekil 3, 4 ve 5 de görüldüğü üzere sınıflandırılmıştır ve çıkış kirlilik parametrelerinden olan BOİ 5, TAKM ve fekal koliform sayısının yüksek olduğu durumlarda diğer parametrelerle değerlendirilmesi, veri sayısının fazla olmasına rağmen Şekil 2 te sunulan konvensiyonel veri sunum yöntemine göre oldukça kolay bir şekilde yapılmıştır. Kohonen özörgütlemeli harita ağı kullanılarak yapılan değerlendirmeye göre, biyolojik reaktördeki ph ın düşüklüğü ve yüksek çamur yaşının, çıkış BOİ 5, TAKM ve fekal koliform sayısının yüksek olması gibi bazı problemlere yol açabileceği tespit edilmiştir. Kohonen özörgütlemeli harita ağı metodunun, arıtma tesisleri üzerinde kullanılması çok yenidir. Fakat bu metot, işletme veri sayısı çok fazla olan arıtma tesislerinde su kirliliği standardının sağlanamamasına yol açan sebeplerin tespitinde büyük kolaylık sağlayacaktır. KAYNAKLAR Elmas, Ç Yapay Sinir Ağları Kuram Mimari Uygulama. Seçkin Yayınevi, İstanbul, 192s Gontarski, C.A. Rodrigues, P.R., Mori, M., Prenem, L.F Simulation of an Industrial Wastewater Treatment Plant Using Artificial Neural Networks, Computers and Chemical Engineering, 24:

5 KSÜ. Fen ve Mühendislik Dergisi, 8(2) KSU. Journal of Science and Engineering 8(2)-2005 Gujer, W., Henze, M., Mino, T., van Loosdrecht, M Activated Sludge Model No. 3, Water Science and Technology, 39 (1): Henze, M. Grady Jr, C.P.L., Gujer, W., Marais, G.R., Matsuo, T Activated Sludge Model No.1. IAWQ Scientific and Technical Report No. 1, IAWQ, London, UK. Henze, M., Gujer, W., Takahashi, M., Matsuo, T., Wentzel, M.C., Marais, G.R Activated Sludge Model No. 2. IAWQ Scientific and Technical Report No. 3, IAWQ, London, UK. Hong, Y.S.T. ve Bhamidimarri, R Evolutionary Self-Organising Modelling of a Municipal Wastewater Treatment Plant, Water Research, 37: Hong, Y.S.T, Rosen, M.R., Bhamidimarri, R Analysis of a Municipal Wastewater Treatment Plant Using a Neural Network Based Pattern Analysis. Water Research, 37: Oliveira-Esquerre, K.P., Mori, M., Bruns, R.E Simulation of an Industrial Wastewater Treatment Plant Using Artificial Neural Networks and Principal Components Analysis, Brazilian Journal of Chemical Engineering, 19: Öztemel, E Yapay Sinir Ağları. Papatya Yayınevi, İstanbul, 232s. Tomida, S., Hanai, T., Honda, H., Kobayashi, T Construction of COD Simulation Model for Activated Sludge Process by Recursive Fuzzy Neural network, Journal of Chemical Engineering of Japan, 34: Tomida, S., Hanai, T., Ueda, N., Honda, H., Kobayashi, T Construction of COD Simulation Model for Activated Sludge Process by Fuzzy Neural Network, Journal of Bioscience and Bioengineering, 88: Yoshikawa, H., Hanai, T., Tomida, S., Honda, H., Kobayashi, T Determination of Operating Conditions in Activated Sludge Process Using Fuzzy Neural Network and Genetic Algorithm, Journal of Chemical Engineering of Japan, 34: Zhao, H. Hao, O.J., McAvoy, T.J Approaches to Modeling Nutrient Dynamics: ASM2, Simplified Model and Neural Nets, Water Science and Technology, 39(1):