YUVACIK BARAJI HAM SUYUNUN DEZENFEKSİYON YAN ÜRÜNÜ (THM) OLUŞTURMA POTANSİYELİNİN YAPAY SİNİR AĞLARI KULLANARAK BELİRLENMESİ ÖZET Klorlama dezenfeksiyon amacıyla çokça tercih edilmektedir. Klorlamanın en büyük dezavantajı klorun, ham suda bulunan doğal organik maddeler ile reaksiyona girerek yan ürünlerin oluşumuna sebep olmasıdır. Bu yan ürünlerden en çok bilinen ve araştırılan tür trihalometanlardır (THM). Yapılan epidemiyolojik araştırmalar sonucunda, THM ler olası karsinojenler olarak belirlenmiştir. Bu çalışmada, İzmit Yuvacık Barajı ham suyunda THM oluşumunu etkileyen işletme parametrelerine bağlı olarak, THM oluşturma potansiyelinin belirlenmesi amacıyla yapay sinir ağı (YSA) yöntemi kullanılmıştır. Laboratuar ortamında elde edilen analiz sonuçları, YSA ya veri beslemesinde kullanılmıştır. Öğrenme işleminden sonra test verisi için en uygun YSA seçilmiş ve en düşük ortalama hata %5 ve en büyük belirtme oranı (r 2 ) %94 ile 4-10-1 yapısında olan YSA ile elde edilmiştir. Sonuçlara göre, hazırlanan YSA belirtilen girdi değişkenlerine karşılık oluşabilecek THM in yaklaşık olarak tahmin edilmeside kullanılabileceği görülmüştür. Anahtar Sözcükler: Klorlama, Dezenfeksiyon, Trihalometanlar, THM, Yapay Sinir Ağları. Melike İŞGÖREN 1 (melikeisgoren@hotmail.com), Fatih TAŞPINAR 1* (fatihtsp@kocaeli.edu.tr), Vedat UYAK 2, İsmail TORÖZ 3 1 Kocaeli Üniversitesi Ali Rıza Veziroğlu MYO Çevre Koruma P. 2 Pamukkale Üniversitesi Çevre Müh. Böl. 3 İstanbul Teknik Üniversitesi Çevre Müh. Böl. * Sunum yapacak yazar.
DETERMINATION OF THM FORMATION POTENTIAL OF YUVACIK DAM RAW WATERS BY PRODUCTS USING ARTIFICIAL NEURAL NETWORKS ABSTRACT Chlorination is greatly preferred for the purpose of disinfection. The main drawback of chlorination is to be producing some chlorinated disinfection by-products due to the reaction of chlorine with natural organic matter contained in raw water. These byproducts are called as trihalomethanes (THMs). Epidemiological research s show that THMs has been identified as potential carcinogens. In this study, an artificial neural network model (ANN) is used to predict THM formation potential depending on some operational parameters in Yuvacık Dam raw water in Izmit. The analysis results obtained in the laboratory is used to feed data to ANN. After learning and testing stages, the most appropriate ANN is chosen. The layer structure of the best ANN is 4-10-1 while the average mean squared error (mse) is 5% and the biggest coefficient of determination (r 2 ) is 94%. The results show that prepared ANN model can be used to estimate THM formation potential approximately according to input variables. Keywords: Chlorination, Disinfection, Trihalomethanes, THM, Artificial Neural Networks.
1. GİRİŞ Dezenfeksiyon amacıyla klor kullanımı etkinliği, basitliği ve nispeten ucuz oluşu nedeniyle en fazla tercih edilen metotlardan biridir. Bu işlem sayesinde patojenik mikroorganizmalar inaktif hale getirilmekte, ancak bu işlem ile birlikte su içinde bulunan organik maddeler ile klorun arasında da birtakım reaksiyonlar gerçekleşmektedir. Bunun sonucunda da en fazla trihalometanlar (THM) ol mak üzere çeşitli yan ürünler oluşmaktadır. Potansiyel karsinojen olarak bilinen THM bileşikleri kloroform (CFM), bromodiklorometan (BDCM), dibromoklorometan (DBCM) ve bromoform (BFM) dan oluşmaktadır (Cantor ve diğ., 1987). Klor dozlamasının sudaki mikrobiyal faaliyetleri engelleyecek ölçüde seçilmesi gerekirken, aynı zamanda suda oluşabilecek bu yan ürünlerin de minimize edilmesi gerekmektedir (Rook, 1974). Suda çeşitli faktörler altında THM oluşumunu anlamak amacıyla bir çok matematiksel yaklaşımlar geliştirilmiştir (DOWR, 1991; Kavanaugh ve diğ., 1980; Gracia-Villanova, 1997). Matematiksel modeller çoğunlukla belirli girdi parametrelerine karşılık gelen ve hatayı minimize eden uygun katsayılar bulunması yoluyla elde edilmektedir. Sonuçta yapılan işlemler optimizasyon ve minimizasyon problemi olarak ele alınmakta ve en küçük kareler yöntemi, çok değişkenli regresyon analizi vs. kullanılarak en uygun katsayının bulunması ile sonuçlandırılmaktadır. Elde edilen ampirik formülde, girdi değişkenlerine ait farklı değerler ve elde edilen katsayılar kullanılarak, hassasiyet analizi yapılamakta ve matematik modelin doğruluğu test edilmektedir. Problemin bu şekilde çözülebilmesine karşılık yapay sinir ağları (YSA) kullanılarak doğrusal veya doğrusal olmayan çözümler de uygulanabilmektedir. Son yıllarda birçok gerçek yaşam problemi YSA lar kullanılarak çözülmekte ve farklı durumlar için gerçekçi yaklaşımlar elde edilebilmektedir (Hashem ve Karkory, 2007). İzmit ili içme suyu temininde kullanılan Yuvacık Barajı ham suyunda THM oluşumunu etkileyen işletme parametrelerinden klor dozu (Cl), reaksiyon süresi (t), toplam organik karbon (TOK) ve ph değerine bağlı olarak, THM oluşturma potansiyelinin üç katmanlı bir YSA kullanılarak modellenmesine çalışılmıştır. Kloroform (CFM), bromodiklorometan (BDCM), dibromoklorometan (DBCM) ve bromoform (BFM) analizleri ham suda yapılmıştır. Burada, THM belirtilen bileşenlerin toplamını temsil etmektedir. Analiz sonuçları ile elde edilen değerler uygun YSA nın seçiminde, eğitilmesinde ve gerçek verilerle testinde kullanılmıştır.
2. MATERYAL ve METOD Klor dozlaması sonucu oluşabilecek TTHM miktarının belirlenmesi amacıyla yapılan çalışma, laboratuarda analiz çalışmalarını ve bu çalışmalarda elde edilen analiz değerlerinin YSA ya girdi olarak kullanılmasıyla TTHM oluşumunun modellenmesi adımlarından oluşmaktadır. 2.1. Laboratuar Çalışmaları Ham suyun farklı deneysel koşullarda THM oluşturma kapasitesinin belirlenebilmesi amacıyla, Standard Methods 5710B uyarınca laboratuar ortamında 2 set halinde klorlama deneyleri gerçekleştirilmiştir (APHA, 1998). Bu kapsamda klor dozu, ph ve bekletme süreleri gibi işletme parametrelerinin THM oluşumunu etkileme derecesi belirlenmiştir. 2.2. Hamsu Özellikleri ve Parametre Değişim Aralıkları Yuvacık Barajı Kocaeli ili ve çevresine hizmet vermek üzere dizayn edilen dünyanın en büyük özel finansmanlı ve Türkiye nin ilk Yap-İşlet-Devret içme suyu projesi olup, yapımına 1991 yılında başlanmış ve 1999 Ocak ayında işletmeye alınmıştır. İnşa edilen barajın göl hacmi 60 milyon m 3 olup, yaklaşık yıllık su tutma kapasitesi 142 milyon m 3 civarındadır. Barajı besleyen ana kaynak Kirazdere dir. Ham su numuneleri 10 litrelik plastik bidonlar ile alınmış ısı ve ışıktan korunarak laboratuara ulaştırılmıştır. Numunelerde izlenen parametreler aşağıdaki Tablo 1 de verilmiştir. Tablo1. Numunelerde izlenen parametreler ve değişim aralıkları. Kaynak TOK (mg/l) UV 254 (nm) Sıcaklık ( o C) ph Bakiye klor (mg/l) THM ( g/l) Ham Su 2.1-2.5 0.025-0.040 10-25 7.3-8.1 - - Laboratuar ortamında yapılan deneyler sırasında uygulanan değişkenler ve bu değişkenlerin değişim aralıkları Tablo 2 de verilmiştir. Tablo 2. Ham su deneysel çalışma kriterleri ve değişim aralıkları. DEĞİŞKENLER I. SET II. SET Klor Dozu (mg/l) 5-10 - 20-40 - 100 5 100 ph - 5 5.5-6 6.5-7 Reaksiyon süresi (saat) 6-36 - 48 96-168 6-24 - 48 96-168
I. Set: Klor dozunun ve reaksiyon süresinin THM oluşumuna etkisini izlemek amacıyla ham suya 5, 10, 20, 40, 100 mg/l lik dozajlarda klor eklenmiştir. Daha sonra bu numuneler 6, 36, 48, 96, 168 saat inkübasyona tabi tutularak THM ölçümleri gerçekleştirilmiştir. II. Set: ph ve reaksiyon süresinin THM oluşumuna etkisini izlemek üzere 5 ve 100 mg/l lik klor dozajlarında ph; 5, 5.5, 6, 6.5 ve 7 ye ayarlanarak, numuneler 6, 24, 48, 96, 168 saatlik inkübasyona bırakılmış ve THM analizleri yapılmıştır. 2.3. Analiz Yöntemleri 2.3.1. THM Analizi İçme suyundaki THM lerin analizi uluslararası literatür tarafından en çok önerilen EPA 551 Metodu kullanılarak gerçekleştirilmiştir (EPA, 1990). Bu metot sıvı-sıvı ekstraksiyon yöntemini baz almıştır. Su fazındaki klorlu uçucu organikler pentan solventi kullanılarak kolayca ekstrakte edilebilmektedir. Bu çalışmada HP marka 6890 model gaz kromatograf cihazı kullanılmıştır. Bu cihaz, HP Chemstation adlı yazılım tarafından desteklenmekte ve cihazın kumandası bir PC ile sağlanmaktadır. Sistemde taşıyıcı gaz olarak helyum kullanılmaktadır. Sistemde kullanılan kolon DB-1 model, 30 m uzunluğunda, 0.25 mm çapında ve 1 µm film kalınlığında kapiler bir kolondur. Sistemde enjeksiyon tekniği split/splitless teknikle gerçekleştirilmekte ve taşıyıcı gaz debisi 1.6 ml/dakika olarak işletilmektedir. Bu sistemin minimum tayin limiti 0.1 µg/l dir. 2.3.2.TOK Analizi (Yanma Infrared Metodu) Bu yöntem numunedeki organik karbonun bir katalizör eşliğinde reaksiyona sokularak karbondioksit oluşturulmasını içerir. CO 2 nin infrared absorbsiyonu yoluyla sudaki organik karbon miktarı ölçülür. Sudaki inorganik karbon ph değeri 2 ye çekilerek CO 2 ye dönüştürülmüş ve analizden önce sudan uzaklaştırılmıştır. Bu yöntem, karbon kaybına neden olan uçucu organik karbonların da giderilmesini sağlar. Organik ve inorganik karbonun oksidasyonu sonucu oluşan CO 2 nondispersif infrared analiz yöntemi kullanılarak ölçülmüştür. 2.4. Yapay Sinir Ağları Yapay sinir ağları (YSA), birçok alanda kullanılan modelleme metotlarından bir tanesidir. YSA, insan beyninin sinir hücrelerinden oluşan katmanlı ve paralel olan yapısının, tüm fonksiyonlarıyla beraber sayısal dünyada gerçeklenmeye çalışılan modelleridir. Yazılımlar
yardımıyla kolayca kurulabilen yapay sinir ağlarının yine yazılımsal olarak çalıştırılabilmesi de kolay olan modellerdir. YSA modelinde veri girişi, verinin taşınması (ağırlık kazandırılması) ve sonuç alınması, biyolojik bir sinir hücresinin (nöron) elemanlarını ve işleyişini taklit etmektedir (Rumelhart ve diğ. 1994). En temel elemanlarıyla bir YSA Şekil 1 deki gibi ifade edilmektedir. Girdi değerleri (x i ) gerçek ölçüm sonuçları olup bilinen değerlerden oluşan veri setidir. Ağırlıklar (w i ) her bir girdi biriminin çekirdek birimindeki değeridir. Çekirdek biriminde YSA yapısına özel toplama fonksiyonu çalışmaktadır. Çıktı biriminde ise istenilen sonuç alınır veya öğrenme aşamasında ise ölçüm sonucu verilir. Şekil 1. Yapay sinir ağı hücre yapısı. Çekirdek biriminde elde edilen y değerleri Eşitlik 1 e göre hesaplanmaktadır: (1) Eşitlik 1 de verilen x i sinyali kendine ait olan ağırlık katsayısı ile çarpılarak toplam sinyale eklenmektedir. y in şeklinde toplanan değer çekirdek tarafından bağlantılar kullanılarak çıktıya gönderilir. Çıktı biriminde sonuç değerleri seçilen uygun bir fonksiyon ile y değerlerine çevrilir (Eşitlik 2) (Fausett, 1994). (2) YSA lar birçok farklı formda geliştirilmiş olup en çok kullanılan türlerinden bir tanesi çok katmanlı ileri beslemeli ve geriye hata yayımlı türdür (Multi Layer Perceptron Back
Propagation NN- MLPBP). Hidroloji ve su kaynakları ile yapılan çalışmalarda en çok bu yapı kullanılmaktadır (Govindaraju ve diğ., 2000). Bu çok katmanlı yapı Şekil 2 de gösterilmiştir. Şekil 2. Çok katmanlı YSA ların genel yapısı. Girdi katmanında bulunan birimler veya nöronlar diğer katmanlara, bağlantı ağırlıkları (w i ) ile ilişkilendirilmiştir. Bu sayede bir katmanda bulunan nörona bir önceki katmandan gelen sinyal, bağlantı ağırlıkları ile ilişkilendirilip, tüm nöronların ağırlıkları toplanır ve çıktı katmanındaki nöronlara yollanır. Döngüsel bir işlemde hata minimizasyonu ile YSA nın eğitilmesi sağlanmaktadır. Bu işlemde, bilinen girdi ve çıktı değerleri ağırlıklara dönüştürülür ve YSA nın öğrenme işlemi, kontrol edilen toplam hatanın belli bir değerinin altına düştüğü noktada tamamlanmış olur. Bu durumda, tüm girdi ve çıktı değerleri YSA nın ağırlıklarına dönüştürülmüş olmaktadır. İşte bu ağırlıklar kullanılarak farklı girdi değerleri için sonuç üretilmesi mümkün olmaktadır. Öğrenme aşamasında girdi ve çıktı katmanlarına ait farklı aktivasyon veya eşikleme fonksiyonları kullanılmaktadır. En çok bilinenleri doğrusal, eşik fonksiyonu ve sigmoid fonksiyonudur. Bu fonksiyonların türevlenebilir olması gerekmektedir. Birçok çalışmada girdi ve çıktı katmanlarına ait hesaplamalarda aktivasyon fonksiyonu olarak Eşitlik 3 te verilen lojistik sigmoid fonksiyonu kullanılmıştır. YSA nın öğrenme aşamasında temin edilen veri setinin doğruluğu, verilerin birbirleri ile olan mantıksal ilişkisi, seçilen öğrenme oranı ve seçilen minimum hata oranı veya maksimum döngü sayısı etkin olmaktadır. f x 1 (3) 1 x e
Geriye yayımlı öğrenmede sürekli girdi tipi kullanılmaktadır. Aktivasyon için ise türevi alınabilecek bir fonksiyon işleme sokulmaktadır. Genellikle sigmoid fonksiyonunu kullanan geri yayımlı ağlarda öğrenme fonksiyonu olarak Eşitlik 4 te belirtilen Delta kuralı kullanılmaktadır (Fausett, 1994). (4) Burada; w i,j : Eski veya yeni bağlantı ağırlıkları, µ : Öğrenme hızı veya öğrenme oranı, f(y in ) : Bir önceki çıktı değeri, t : Güncel çıktı değeri, f (y in ) :Aktivasyon fonksiyonunun birinci türevidir. 2.4.1. Çalışmada kullanılan YSA yapısı Bu çalışmada, 3 katmanlı ileri beslemeli geriye hata yayımlı YSA kullanılmıştır. 1. katman girdi katmanı olup girdi nöronlarını klor dozajı (mg/l), ph, toplam organik karbon (TOK) (mg/l) ve reaksiyon süresi (saat) oluşturmaktadır. İkinci katman gizli veya saklı katmandır. Bu katmanda ise 6, 8, 10 ve 12 nöron denenerek en uygunu bulunmaya çalışılmıştır. Son katman olan üçüncü katman çıktı katmanıdır. Çıktı katmanında ise sadece THM değerini belirten bir nöron seçilmiştir. YSA yapısı Şekil 3 te verilmiştir. Uygun YSA yapısının seçilmesinde Tablo 3 te verilen deneme setleri kullanılmıştır. YSA nın eğitilmesinde ve testlerinde, geliştirilen ve Şekil 4 ile Şekil 5 te gösterilen modelleme yazılımı kullanılmıştır. Bu yazılım ile seçilen YSA türleri öğrenme aşamasında test edilmiş ve en iyi YSA belirlenmiştir. Veri seti ve test seti dosyası bir text dosyası içinde, ilk satırı başlık bilgisi içeren ve virgülle ayrılmış basit bir dosyadır. Bu dosyada geçen tüm veriler ilk satır hariç sayılardan oluşmalıdır. Öğrenme aşamasında 100 adet veri ve test aşamasında ise 40 adet veri kullanılmıştır. Orijinal veriler ve test verileri aynı formatta olup, hepsi girdi ve çıktı değişkeninin maksimum ve minimum değerlerine göre normalleştirilmiştir. Normalleştirme sonucu orijinal ve test setindeki her bir değer 0.05 ile 0.95 değerleri arasına getirilmiştir. Elde edilen son haliyle, orijinal veri setinde öğrenme işlemi gerçekleştirilmiştir. Daha sonra test veri seti YSA da çalıştırılarak farklı durumlarda elde edilen sonuçlar bulunmuştur. Öğrenme
süresince her bir YSA seçimi için 100000 döngü seçilmiştir. Yazılımla bu süreç sonunda elde edilen hata değerleri yani ortalama hatanın karesi (mse), minimum hata oranı (%), maksimum hata oranı (%) ile korelasyon katsayısı (r 2 ) bulunarak kaydedilmiştir. Girdi Katmanı Gizli Katman Çıktı Katmanı w i h 1 y i Cl ph t...... THM TOK w n h n-1 h n y n Şekil 3. Çalışmada seçilen çok katmanlı YSA yapısı (4-8..12-1). Tablo 3. En uygun YSA nın seçiminde kullanılan YSA yapıları. Öğrenme Oranı Öğrenme Momentumu 0.05 0.25 0.1 0.0 0.1 0.5 0.2 0.5 0.5 0.0 0.5 0.5 Katmanlardaki Nöron Sayıları (Girdi-Gizli-Çıktı) 4-6-1 4-8-1 4-10-1 4-12-1 4-6-1 4-8-1 4-10-1 4-12-1 4-6-1 4-8-1 4-10-1 4-12-1 4-6-1 4-8-1 4-10-1 4-12-1 4-6-1 4-8-1 4-10-1 4-12-1 4-8-1 4-10-1 4-12-1
Şekil 4. YSA için geliştirilen bilgisayar programı (değerler normalleştirilmiştir). Şekil 5. Çok katmanlı YSA öğrenme ve test modülü.
Çalışmada kullanılan veri setlerine ait bir takım istatistiksel veriler Tablo 4 te verilmiştir. Tablo 4. Veri setlerine ait istatistiksel değerler. Maksimum Minimum Mod Ortanca Ortalama Cl Dozu (mg/l) 100 5 5 6 38.105 TOK (mg/l) 2.5 2.2 2.35 2.35 2.358 ph 7.92 5 7.92 7 6.787 t (saat) 168 6 6 48 63.789 TTHM (mg/l) 117.5 7.67-38.83 45.291 CFM (mg/l) 106.98 0.01 0.01 25.03 28.989 3. SONUÇLAR VE DEĞERLENDİRME Kullanılacak olan yapay sinir ağı yapısının belirlenmesi için Tablo 3 te verilen deneme setleri için program ayrı ayrı çalıştırılmıştır. 100000 döngü sonucunda mse değeri, ortalama hata, minimum ve maksimum hata ile belirtme katsayıları (r 2 ) elde edilmiştir. Gizli katman nöron sayısı 6 ve 8 olan YSA yapıları diğerlerine oranla yüksek oranda başarısız bulunmuştur. Bu nedenle geriye kalan 10 ve 12 nörona sahip YSA lara ait bu değerler Tablo 5 te verilmiştir. YSA, öğrenme işleminden sonra kaydedilmiş ve test sırasında kullanılmıştır. Tablo 5. Deneme seti için seçilen YSA lara ait öğrenme istatistikleri. Öğrenme Oranı Öğrenme Momentumu 0.05 0.25 0.1 0.0 0.1 0.5 0.2 0.5 0.5 0.0 0.5 0.5 YSA Yapısı MSE Maks. Min. Ortalama Belirtme Hata Hata Hata (%) Katsayısı (r 2 ) % (%) 4-10-1 0.001818 6.7 38 0.01 0.960 4-12-1 0.001770 6.7 38 0.04 0.962 4-10-1 0.001681 5.2 38 0.01 0.964 4-12-1 0.001695 5.6 38 0.00 0.963 4-10-1 0.001748 5.8 38 0.03 0.963 4-12-1 0.001713 5.8 36 0.01 0.963 4-10-1 0.001786 5.7 38 0.01 0.963 4-12-1 0.001762 5.9 39 0.02 0.963 4-10-1 0.001780 5.7 40 0.02 0.960 4-12-1 0.001810 5.5 42 0.01 0.948 4-10-1 0.001964 6.6 41 0.01 0.961 4-12-1 0.001797 5.5 40 0.00 0.964
En uygun YSA seçimi için yapılan çalışmada seçim için korelasyon katsayısı, mse değeri ve ortalama hata değeri göz önüne alınmıştır. Genel olarak bakıldığında tüm YSA türleri için elde edilen sonuçlar birbirlerine çok yakındır. Fakat bu kriterlere göre en iyi YSA yapısı, Tablo 5 te de verilen ve öğrenme oranı 0.1, öğrenme momentumu 0.0, belirtme katsayısı 0.964 ve katman yapısı 4-10-1 olan YSA olduğu görülmüştür. Ayrıca, öğrenme oranı 0.5, öğrenme momentumu 0.5, belirtme katsayısı 0.964 ve katman yapısı 4-12-1 şeklinde verilen yapı için de sonuçlar benzer bulunmuştur. Ancak, hata değerleri de göz önüne alındığında 4-10-1 yapısının daha iyi olduğu görülmüştür. Dolayısıyla test verileri için bu 4-10-1 yapısında olan YSA ve belirlenen öğrenme parametreleri seçilmiştir. Test veri seti için YSA nın eğitiminde hiç yer almayan değerler kullanılmıştır. Seçilen YSA yapısı ile yapılan test işlemine ait basit bir grafik Şekil 6 da verilmiştir. Test sonuçlarına göre seçilen YSA ile test verisi üzerinde yapılan çalışmada belirtme katsayısı 0.944 olarak bulunmuştur. Ayrıca ortalama, minimum ve maksimum yüzde hata oranları ise sırasıyla; 4.9, 0.02 ve 17.1 dir. Şekil 6. Eğitilmiş YSA (4-10-1 yapısında) ile test verisinin karşılaştırılması. Seçilen 4-10-1 katman yapısındaki YSA test verilerini başarılı bir şekilde yorumlamıştır. YSA kullanılarak daha önce belirlenmiş değerler yardımıyla, analizi güç veya pahalı olan bir takım işlemler için çıkarımlar yapılabilmektedir. Bu çalışmada da YSA kullanılarak, ham suyun klorla dezenfeksiyonu sonucunda, sudaki organik maddeler ile klorun reaksiyonu sonucu THM oluşturma potansiyeli belirlenmiş ve seçilen YSA modelinin başarılı olduğu
görülmüştür. Tercih edilen YSA yapısının yanında farklı tür örneğin; Radyal Fonksiyon Tabanlı YSA lar (RBF YSA) veya doğrusal olmayan Destek Vektör Makineleri (SVM) gibi farklı yapılarında kullanılması ve sonuçların değerlendirilmesi, benzer çalışmalar için yararlı ve yol gösterici olacaktır. KAYNAKLAR Kronberg L. ve Christman R. F. (1989) Chemistry of mutagenic by -products of water chlorination, The Science of the Total Environment, 81/82, 219-230. Nikolaou A.D., Golfinopoulos S.K. ve Lekkas T.D. (2002) Formation of organic by-products during chlorination of natural waters, Journal of Environmental Monitoring, 4(6): 910-916. Rook, J.J. (1974) Formation of haloforms during chlorination of natural waters. Wat. Treat. & Examin. 23, 234-243. Cantor, K. P., Hoover, R. Hartge, P., Mason, T.J., Silverman, D.T., Altman, R., Austin, D.F., Child, M.A., Key, C.R., Marret, L.D., Myers, M.H., Narayana, A.S., Levin, L.I., Sullivan, J.W., Swanson, G.M., Thomas, D.B. ve West, D.W. (1987) Bladder cancer, drinking water source, and tap water consumption: a case-control study. J. National Cancer Inst. 79 (6), 1269-1279. DOWR, (1991) Trihalomethan Formation Potential in the Sacramento San Joaquin Delta Mathematical Model Development, State of California The Resource Agency Department of Water Resources Division of Planning, D-041145, Sacramento, CA. Hashem M. ve Karkory H. (2007) Artificial Neural Networks as Alternative Approach for Predicting Trihalomethane Formation in Chlorinated waters, Eleventh International Water Technology Conference, IWTC11 Sharm El-Sheikh, Egypt (703-710). APHA, ( 1998) Standard methods for the examination of water and wastewater (Standard Methods 5710B, Std. Method 551.1, Std. Method 5310 B), 20th ed., Washington, DC. EPA, (1990) Determination of chlorination disinfection byproducts and chlorinated solvents in drinking water by liquid-liquid extraction and gas chromatography with electron-capture detection, U.S. Environmental Protection Agency Cincinnati, Ohio 45268. Rumelhart, D.E., Widrow, B. ve Lehr, M.A. (1994) The basic idea of neural networks. Communications of the ACM 37(3), 87-92. Govindaraju, R.S. ve Rao A.R. (2000) Artificial Neural Networks in Hydrology, Kluwer Academic Publishers, Boston, USA. Fausett L. (1994) Fundamentals of Neural Networks, Prentice-Hall, pp. 461, ISBN0-13- 334186-0, USA.
Kavanaugh, M. C., Trusell, A.R., Cromer, I., Trussell, R.R. (1980). An Empirical Kinetic Model for Trihalomethane Formation; Application to Meet the Proposed THM Standard, Journal of the American Water Works Association, 72, 578. Gracia-Villanova, R.J. (1997) Formation Evaluation and Modelling of THM s In Drinking Water of a Town, 1299-1308.