CLASSIFICATION FOR RESULT OF HOUSEHOLD WASTEWATER SAMPLE ANALYSIS BETWEEN LIMIT VALUES BY EXTREME LEARNING MACHINES

Year 2019, Volume: 7 Issue: 1, 18 - 25, 25.03.2019

Burhan Baran

https://doi.org/10.21923/jesd.457085

Cited By: 2

Abstract

In this study, it is aimed
to estimate degree of cleanliness of wastewater given to receiving discharge
environment after purification from wastewater treatment plants by Extreme
Learning Machines (ELM) algorithm. Parameters that specified in Table 21.1 of
Water Pollution Control Regulation were taken into account. For this purpose,
clean water remaining within 2 hours composite sample limit values was
classified. First, all values between lower and upper limit values of these
parameters were normalized between 0 and 1. Subsequently, it was assumed that
minimum and maximum result values ​​of parameters were between 0% and 100%.
After that, these percentage ratios were classified mathematically between 1
and 4 in equal proportions. According to this, the 1st class refers to very
clean water, while the 4th class refers to less clean water. In this respect,
normalized and mathematical classification values corresponding to 50 normal
measurement results were obtained for classification study with ELM. Normalized
values were used as input data for training of ELM and mathematical
classification values were used as output data. On the other hand, normalized
values corresponding to 10 measurement results within limit values selected
randomly for these parameters were used as input data in test procedure of ELM.
Finally, success of ELM was measured by comparing estimated and mathematical
classification results.

Keywords

Waste water, Sample, Analysis, Extreme learning machine

SINIR DEĞERLER ARASINDA KALAN EVSEL ATIKSU NUMUNE ANALİZİ SONUCUNUN AŞIRI ÖĞRENME MAKİNELERİ İLE SINIFLANDIRILMASI

Abstract

Bu
çalışmada atıksu arıtma tesislerinden arıtıldıktan sonra alıcı deşarj ortamlarına
verilen atıksuyun temizlik derecesinin Aşırı Öğrenme Makineleri (AÖM)
algoritması ile tahmin edilmesi amaçlanmıştır. Bu amaçla, Su Kirliliği Kontrolü
Yönetmeliği (SKKY) Tablo 21.1’de belirtilen parametreler için 2 saatlik
kompozit numune sınır değerleri içerisinde kalan temiz suyun sınıflandırılması
yapılmıştır. Öncelikle bu parametrelere ait alt ve üst sınır değerleri
arasındaki tüm değerler 0 ile 1 arasında normalize edilmiştir. Ardından,
parametrelerin en düşük ve en yüksek sonuç değerlerinin % 0 ile % 100 arasındaki
yüzdelik oranlara sahip olduğu kabul edilmiştir. Daha sonra, bu yüzdelik oranlar
eşit şekilde 1 ile 4 arasında matematiksel olarak sınıflandırılmıştır. Buna
göre 1. sınıf çok temiz suyu ifade ederken, 4. sınıf az temiz suyu ifade
etmektedir. Bu doğrultuda, AÖM ile sınıflandırma çalışması için birbirinden
farklı 50 adet normal ölçüm sonucuna karşılık gelen normalize ve matematiksel
sınıflandırma değerleri elde edilmiştir. Normalize değerler AÖM’nin eğitimi
için giriş verisi olarak, matematiksel sınıflandırma değerleri ise çıkış verisi
olarak kullanılmıştır. Buna karşılık bu parametreler için rastgele seçilen ve
sınır değerler içerisindeki 10 adet ölçüm sonucuna karşılık gelen normalize
değerler ise AÖM’nin test işleminde giriş verisi olarak kullanılmıştır. Son
olarak, elde edilen tahmini ve matematiksel sınıflandırma sonuçları karşılaştırılarak
AÖM’nin başarısı ölçülmüştür.

Keywords

Atıksu, Numune, Analiz, Aşırı Öğrenme Makineleri

References

• Baran, B., 2017. Yenilenebilir Enerji Kaynaklarını İçeren Mikro-şebeke Sistemlerin Akıllı Yönetimi, Doktora Tezi, İnönü Üniversitesi, Türkiye.
• Bingül, Z., Altıkat, A., 2017. Evsel Nitelikli Atıksu Arıtma Tesisi Çıkış Sularının Tarımsal Sulamada Kullanılabilirliği. Iğdır Univ. J. Inst. Sci. &Tech. 7(4): 69-75.
• Çatak, F.Ö.,2015. Rassal Bölümlenmiş Veri Üzerinde Aşırı Öğrenme Makinesi ve Topluluk Algoritmaları ile Sınıflandırma, 2015 IEEE 23. Sinyal İşleme ve İletişim Uygulamaları Kurultayı(SIU), 16-19.
• Erdoğan, O.A., Zengin, G.E., 2005. Türkiye’de evsel atıksu oluşum miktarları ve karakterizasyonu. itüdergisi/e-Su Kirlenmesi Kontrolü Cilt:15, Sayı:1-3, 57-69.
• Granata, F., Papirio, S., Esposito, G., Gargano, R., Marinis, G.d. 2017, Machine Learning Algorithms for the Forecasting of Wastewater Quality Indicators. Water 9(2), 105.
• Hamed, M.M., Khalafallah, M.G., Hassanien, E.A., 2004. Prediction of wastewater treatment plant performance using artificial neural networks. Environmental Modelling& Software. 19 (10): 919-928.
• Huang, G.B., Zhu, Q.Y., Siew, C.K., 2006. Extreme Learning Machine: Theoryand Applications. Neurocomputing. 70: 489-501.
• Rene, E R., Saidutta, M. B., 2008. Prediction of Water Quality Indices by Regression Analysis and Artificial Neural Networks. Int. J. Environ. 2(2): 183-188.
• Sinan, R.K., 2010. Evsel Atıksu Arıtma Tesislerinde Ön Arıtım ve Biyolojik Arıtım Çıkış Parametrelerinin YSA İle Tahmini. Yüksek Lisans Tezi. Selçuk Üniversitesi, Türkiye.
• SKKY, 2004. Su Kirliliği Kontrolü Yönetmeliği.
• Tanyol, M., Uslu, G., 2013. Tunceli Evsel Atıksu Arıtma Tesisinin Arıtma Etkinliğinin Değerlendirilmesi. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi 4 (2): 24-29.