ARITMA ÇAMURLARINDA POLİSİKLİK AROMATİK HİDROKARBONLARIN (PAH’LARIN) GİDERİMLERİNİN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİNİ


Creative Commons License

Çağlar Gençosman B. , Eker Şanlı G.

Uludağ University Journal of The Faculty of Engineering, vol.26, no.1, pp.233-252, 2021 (National Refreed University Journal)

  • Publication Type: Article / Article
  • Volume: 26 Issue: 1
  • Publication Date: 2021
  • Doi Number: 10.17482/uumfd.813911
  • Title of Journal : Uludağ University Journal of The Faculty of Engineering
  • Page Numbers: pp.233-252

Abstract

Çevreye ve insan sağlığına olumsuz etkileri olan polisiklik aromatik hidrokarbonların (PAH'ların) atıksu arıtma çamurlarından gideriminde kullanılan yöntemlerden biri UV-C (ultraviyole-C) ışığı ve fotokatalizörler varlığında gerçekleştirilen fotoparçalanma uygulamalarıdır. PAH gideriminin sağlanıp sağlanmadığı, gerçekleştirilen deneylerden sonra ortaya çıkar ve bu durum zaman ve maliyeti arttırır. Alternatif olarak veri madenciliği sınıflandırma yöntemleri ile deney girdi koşullarına göre PAH'ların giderimi tahmin edilebilir, böylece zaman ve maliyet tasarrufu sağlanabilir. Bu sayede, arıtma çamurlarındaki başlangıç PAH konsantrasyonları esas alınarak UV teknolojilerinin kullanımı kararı daha az maliyet ve çabayla verilebilir. Çalışmanın ilk aşamasında 12 PAH türünü içeren 4 farklı özellikteki arıtma çamurunda UV uygulamaları gerçekleştirilerek PAH giderimleri belirlenmiş, sonrasında ilk aşamadaki sonuçlar veri kümelerinde kullanılarak başlangıç PAH seviyelerine göre PAH'ların giderimleri tahmin edilmiştir. Çok katmanlı algılayıcı (ÇKA) ağı, k-en yakın komşu (k-NN), C4.5 karar ağacı (C4.5), rastgele orman (RO) ve torbalama yöntemleri gibi çeşitli sınıflandırma yöntemleri giderim tahmini için kullanılmıştır. Performans karşılaştırmaları için kesinlik+ , duyarlılık, belirleyicilik, %doğruluk, AUC (Alıcı işlem karakteristikleri eğrisi) ve F-ölçütü esas alınmıştır. Ortalama doğruluk parametresine göre en başarılı üç yöntem sırasıyla RO (%95,730), k-NN (%95,588) ve ÇKA (%91.275) yöntemleridir. Azınlık sınıfı tahmininde ise ortalama AUC göz önüne alındığında RO (0,974), k-NN (0,944) ve Torbalama (0.939) yöntemleri diğer yöntemlerden daha iyi performans göstermiştir.