Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi PDF

STANBUL TEKNK NVERSTES FEN BLMLER ENSTTS
MEMBRAN BYOREAKTRN
YAPAY SNR AI LE MODELLENMES
YKSEK LSANS TEZ

Bar EN
Makina Mhendislii Anabilim Dal

Sistem Dinamii Ve Kontrol Program
OCAK 2012
STANBUL TEKNK NVERSTES FEN BLMLER ENSTTS
MEMBRAN BYOREAKTRN
YAPAY SNR AI LE MODELLENMES
YKSEK LSANS TEZ

Bar EN
503071620
Makina Mhendislii Anabilim Dal

Sistem Dinamii Ve Kontrol Program
Tez Danman: Prof. Dr. eniz ERTURUL
OCAK 2012
T, Fen Bilimleri Enstitsnn 503071620 numaral Yksek Lisans rencisi,

Bar EN, ilgili ynetmeliklerin belirledii gerekli tm artlar yerine getirdikten
sonra hazrlad Membran Biyoreaktrn Yapay Sinir A le Modellenmesi
balkl tezini aada imzalar olan jri nnde baar ile sunmutur.
Tez Danman :
Prof. Dr. eniz ERTURUL

stanbul Teknik niversitesi
..............................
Jri yeleri :
Yrd. Do. Dr. Ayhan KURAL

stanbul Teknik niversitesi
..............................
Prof. Dr. Nee TFEK

stanbul niversitesi
..............................
Teslim Tarihi :
Savunma Tarihi :
19 Aralk 2011
23 Ocak 2012
iii
iv
Sevgili Eime,
vi
NSZ
Tez almam boyunca desteini hibir zaman esirgemeyen tez danmanm Sayn
Prof. Dr. eniz ERTURUL a teekkr ederim.
Konu hakknda deerli grlerini her zaman ak gnlllkle paylaan Sayn
Burcu Didem ZDEMR e teekkr ederim.
Son olarak, srekli beni destekleyen, sevgi ve sabrla her an yardm eden sevgili eim
Aye Miray EN e ve her zaman manevi desteklerini hissettiim ailelerimize sonsuz
teekkrlerimi sunarm.
Bar EN
Ocak 2012
vii
viii
NDEKLER
Sayfa
NSZ ..................................................................................................................... vii
NDEKLER ........................................................................................................ ix
KISALTMALAR ..................................................................................................... xi
ZELGE LSTES ...............................................................................................xiii
EKL LSTES ...................................................................................................... xv
SEMBOL LSTES ................................................................................................ xix
ZET ....................................................................................................................... xxi
SUMMARY ..........................................................................................................xxiii
1. GR ..................................................................................................................... 1
1.1 Tezin Amac ...................................................................................................... 5
1.2 Literatr Aratrmas ......................................................................................... 6
2. MEMBRAN BYOREAKTR .......................................................................... 11
2.1 Membran Biyoreaktr Tanm ......................................................................... 11
2.2 Pilot Membran Biyoreaktr nitesi ................................................................ 16
3. DNAMK SSTEMLERN MODELLENMES ............................................. 21
3.1 Sistem Tanlama .............................................................................................. 21
3.2 Dorusal Dinamik Sistemlerin Modellenmesi ................................................ 25
3.2.1 ARX ile modellenmesi ............................................................................. 26
3.2.2 ARMAX ile modellenmesi ...................................................................... 26
3.3 Dorusal Olmayan Dinamik Sistemlerin Modellenmesi ................................ 27
3.3.1 Yapay sinir alar ile modellenmesi ......................................................... 27
3.3.1.1 Nron ................................................................................................ 28
3.3.1.2 ok katmanl yapay sinir alar ........................................................ 29
3.3.1.3 NARX a ......................................................................................... 30
4. MEMBRANIN DNAMK BR SSTEM OLARAK MODELLENMES .... 33
4.1 Membran Biyoreaktr Konfigrasyonu .......................................................... 34
4.2 Verinin Hazrlanmas ...................................................................................... 35
4.3 Giri Deikenlerinin Seim Metotlar ........................................................... 37
4.3.1 Temel bileen analizi (PCA) .................................................................... 37
4.3.2 Karlkl bilgi (MI) .................................................................................. 39
4.4 Sistemin Dorusallnn ncelenmesi ............................................................ 41
4.5 Sistemin Derecesinin Ve Gecikmesinin Bulunmas ........................................ 43
4.6 ARX ve ARMAX Yaplar le Modelleme ...................................................... 52
4.6.1 ARX ile modellenmesi ............................................................................. 53
4.6.2 ARMAX ile modellenmesi ...................................................................... 54
4.7 Yapay Sinir A le Modellenmesi .................................................................. 55
4.7.1 Model 1 .................................................................................................... 57
4.7.2 Model 2 .................................................................................................... 62
4.7.3 Model 3 .................................................................................................... 67
4.7.4 Model 4 .................................................................................................... 72
5. SONULAR VE NERLER ........................................................................... 77
KAYNAKLAR ........................................................................................................ 81
ix
ZGEM ............................................................................................................. 85
KISALTMALAR
AIC
ANN
ARX
ARMAX
ASM 1-3
BOI
BP
CAS
DO
EPS
HRT
KOI
MAE
MBR
MDL
MI
MIMO
MISO
MLSS
MSP
NaN
NARX
PCA
PLC
SAE
SIMO
SISO
SRT
SS
TMP
ZOH
: Akaike Information Criteria

: Artificial Neural Network
: Auto Regressive With Exogenous Terms
: Auto Regressive Moving Average With Exogenous Terms
: Activated Sludge Model No :1-3
: Biochemical Oxygen Demand
: Backpropagation
: Conventional Activated Sludge
: Dissolved Oxygen (O)
: Extracellular Polymeric Substances
: Hydraulic Retention Time
: Chemical Oxygen Demand
: Maximum Absolute Error
: Membrane Bioreactor
: Minimum Description Length
: Mutual Information
: Multi Input Multi Output
: Multi Input Single Output
: Mixed Liquor Suspended Solids (AKM)
: Multi Step Prediction
: Not A Number
: Nonlinear autoregressive exogenous model
: Principal Component Analysis
: Programmable Logic Controller
: Sum Absolute Error
: Single Input Multi Output
: Single Input Single Output
: Sludge Retention Time
: Single Step
: Transmembrane Pressure
: Zero Order Hold
xi
xii
ZELGE LSTES
Sayfa
izelge 3.1
izelge 4.1
izelge 4.2
izelge 5.1
izelge 5.2
: Aktivasyon Fonksiyonlar .................................................................. 28

: MBR ekipmanlar .............................................................................. 34
: YSA modeller .................................................................................... 55
: Model 1 ve Model 2 Hata Tablosu ..................................................... 79
: Model 3 ve Model 4 Hata Tablosu ..................................................... 80
xiii
xiv
EKL LSTES
Sayfa
ekil 1.1
ekil 1.2
ekil 1.3
ekil 1.4
ekil 1.5
ekil 2.1
ekil 2.2
ekil 2.3
ekil 2.4
ekil 2.5
ekil 2.6
ekil 2.7
ekil 2.8
ekil 2.9
ekil 2.10
ekil 2.11
ekil 2.12
ekil 3.1
ekil 3.2
ekil 3.3
ekil 3.4
ekil 3.5
ekil 3.6
ekil 3.7
ekil 3.8
ekil 3.9
ekil 3.10
ekil 3.11
ekil 3.12
ekil 3.13
ekil 3.14
ekil 4.1
ekil 4.2
ekil 4.3
ekil 4.4
ekil 4.5
ekil 4.6
ekil 4.7
ekil 4.8
ekil 4.9
ekil 4.10
: Yeryzndeki su dalm ....................................................................... 1

: Atk su karakterizasyonu ......................................................................... 2
: leri biyolojik atk su artma tesisi akm emas ..................................... 3
: TMP deki art ....................................................................................... 8
: Membrann ykama basamaklar ............................................................. 8
: Batk tip membran ve kartu rnei ...................................................... 11
: (a)Batk tip membran ve (b)Harici tip membran .................................. 12
: Membran teknolojileri temel yaplandrma .......................................... 12
: Membrann tutabildii paracklar ve sre isimleri ............................ 13
: Membran blok diyagram ..................................................................... 13
: MBR ve aktif amur sisteminin karlatrlmas ................................. 14
: Membran parametrelerinin tkanmaya olan etkisi ................................ 15
: Membrann ykama basamaklar ........................................................... 16
: Pilot Membran nitesi .......................................................................... 17
: Temiz kaset ve tkanan kaset ................................................................ 17
: MBR zet .............................................................................................. 18
: Membran biyoreaktr blok diyagram .................................................. 19
: Model Kurma ........................................................................................ 21
: Statik ve dinamik sistem cevab ........................................................... 22
: Sistem tanlama basamaklar ................................................................ 23
: Ak evrim kontrol .............................................................................. 24
: Kapal evrim kontrol ........................................................................... 24
: Dorusal ok terimli modelin blok diyagram ...................................... 26
: ARX blok diyagram gsterimi .............................................................. 26
: ARMAX blok diyagram gsterimi ....................................................... 27
: YSA renme ekilleri ve yaplar ........................................................ 27
: Nron .................................................................................................... 28
: ok girili yapay sinir a ..................................................................... 29
: ok katmanl yapay sinir a ................................................................ 29
: NARX a ............................................................................................. 31
: NARX paralel yap ve seri yap ............................................................ 31
: MBR sreci ........................................................................................... 34
: Simulink parametre tahmin arayz(NaN ekli) .................................. 36
: Simulink parametre tahmin arayz(ZOH ekli) .................................. 36
: 1. ve 2. eksen verileri ............................................................................. 38
: Komponentlere ait varyanslar ............................................................... 38
: 1. ve 2. komponentlerin bileenleri ....................................................... 39
: Giri deikenleri seim stratejileri ve algoritmalar ............................ 40
: Dorusal sistem tepkisi ......................................................................... 41
: Koherans analizi sonular-1 .................................................................. 42
xv
ekil 4.11
ekil 4.12
ekil 4.13
ekil 4.14
ekil 4.15
ekil 4.16
ekil 4.17
ekil 4.18
ekil 4.19
ekil 4.20
ekil 4.21
ekil 4.22
ekil 4.23
ekil 4.24
ekil 4.25
ekil 4.26
ekil 4.27
ekil 4.28
ekil 4.29
ekil 4.30
ekil 4.31
ekil 4.32
ekil 4.33
ekil 4.34
ekil 4.35
ekil 4.36
ekil 4.37
ekil 4.38
ekil 4.39
ekil 4.40
ekil 4.41
ekil 4.42
ekil 4.43
ekil 4.44
ekil 4.45
ekil 4.46
ekil 4.47
ekil 4.48
ekil 4.49
ekil 4.50
ekil 4.51
ekil 4.52
ekil 4.53
ekil 4.54
ekil 4.55
ekil 4.56
ekil 4.57
ekil 4.58
ekil 4.59
ekil 4.60

: 1. derece sisteme ait basamak tepkisi ................................................... 44
: AKM ak sistemine ait darbe yant ................................................... 46
: AKM basn sistemine ait darbe yant .............................................. 46
: O2 ak sistemine ait darbe yant ........................................................ 47
: O2 basn sistemine ait darbe yant .................................................. 47
: Redox ak sistemine ait darbe yant .................................................. 48
: Redox basn sistemine ait darbe yant ............................................. 48
: Seviye ak sistemine ait darbe yant .................................................. 49
: Seviye basn sistemine ait darbe yant ............................................. 49
: Scaklk ak sistemine ait darbe yant ................................................ 50
: Scaklk basn sistemine ait darbe yant ........................................... 50
: Vana ak sistemine ait darbe yant ..................................................... 51
: Vana basn sistemine ait darbe yant................................................ 51
: Sistem tanlama ara kutusu (ofset kaldrma) ....................................... 52
: Sistem tanlama ara kutusu (model derecesi seim) ........................... 52
: ARX modeller ....................................................................................... 53
: Kutup sfr sadelemesi yaplmadan nce .......................................... 53
: Kutup sfr sadeletirmesi uygulanm ekli ...................................... 54
: ARMAX modeller ................................................................................ 54
: Model 1 ak iin YSA eitim sonucu .................................................... 57
: Model 1 basn iin YSA eitim sonucu .............................................. 58
: Model 1 ak iin YSA eitim hatas ...................................................... 59
: Model 1 basn iin YSA eitim hatas ................................................ 59
: Model 1 ak iin YSA validasyon sonucu ............................................. 60
: Model 1 basn iin YSA validasyon sonucu ....................................... 60
: Model 1 ak iin MS YSA tahmini ....................................................... 61
: Model 1 basn iin MS YSA tahmini .................................................. 61
xvi
ekil 4.61
ekil 4.62
ekil 4.63
ekil 4.64
: Model 4 ak iin YSA validasyon sonucu ............................................ 75

xvii
xviii
SEMBOL LSTES
IW
LW
TDL
t
na
nb
nk
w
b
u(t)
y(t)
e(t)
F
: ARX ve ARMAX model parametreleri

: Girilere ait arlklar
: klara ait arlklar
: Zaman gecikmesi
: Katsay
: Zaman
: Kutuplarn says
: Sfrlarn says + 1
: Gecikme
: Darbe yant
: Yapay sinir ann arlklar
: Yapay sinir a yanllk
: Sistem girii
: Sistem k
: Grlt
: Yapay sinir a aktivasyon fonksiyonu
: Toplama operatr
xix
xx
MEMBRAN BYOREAKTRN YAPAY SNR AI LE

MODELLENMES
ZET
Temiz su ve temiz su kaynaklar tm canllar iin hayati nem tamaktadr. Atk
suyun artlmas ve tekrar sisteme kazandrlmas ile ekosistem korunmaktadr. Atk
su artma tesislerinin kurulmas ve atk su artma teknolojilerinin gelimesi ile
birlikte daha sk karlatmz membran biyoreaktrler, konvensiyonel atk su
artma tesislerine gre baz avantajlar tamaktadrlar. zellikle yksek AKM ile
almas ve snrl yer ihtiyac ile kurulabilmesi pozitif ynleridir. Fakat iletmenin
zor olmas ve tkanarak aknn dmesi sebebiyle zor bir sistemdir.
Tez almasnn birinci blmnde, konuya genel bir giri yaplmakta, tezin
amacna deinilmekte ve literatrde yaplan almalar anlatlmaktadr. Membran
biyoreaktr aktif amur sisteminin ve filtrasyon srecinin birleiminden
olumaktadr. Konfigrasyona gre veya yapld malzemeye gre farkl isimler
almaktadr.
kinci blmde, membran biyoreaktr nitesi tantlmaktadr. Genel tanmlar
yaplmaktadr. Membran dinamiklerinin anlalabilmesi iin temel denklemler
verilmektedir. Tkanmadan ve tkanmann etkilerinden bahsedilmektedir. Ayrca
tkanma durumunda uygulanacak ykama basamaklar anlatlmtr.
Tez almas boyunca kullanlan batk tip membran gzenek apndan dolay
mikrofiltrasyon filtre olarak anlmaktadr. letme esnasnda zerinde oluacak
amurdan dolay etkin gzenek ap daha da klmekte ve ultrafiltrasyon e deeri
bir yap olumaktadr. Kullanlan pilot membran biyoreaktr karbon ve azot
(nitrifikasyon-denitrifikasyon) giderimi yapmaktadr. Sre iin gerekli geri devir
amuru membran tankdan pompa yardm ile anoksik blgeye baslmaktadr.
nc blmde, dinamik sistemlerin tanm yer almaktadr. lk olarak, dorusal
dinamik sistemlerin modellenmesinde kullanlan parametrik modelleme
yntemlerinden ARX ve ARMAX modelleme anlatlmaktadr. Devamnda ise,
dorusal olmayan dinamik sistemlerin modellenmesinde kullanlan yapay sinir alar
anlatlmtr. Zaman serilerinin modellenmesinde de kullanlan yapay sinir alarnn
zel bir eidi olan NARX andan bahsedilmitir. ok katmanl alar
anlatlmaktadr.
Drdnc blmde, membran biyoreaktr sistemi dinamik bir sistem olarak ele
alnmtr. Koherans analizi kullanlarak sistemin dorusall incelenmitir. Sistemin
tamamen dorusal olmayan bir yapda olduu grlmtr.
Sistemin modellenmesindeki baarmn arttrabilmek iin elimizdeki veriler
dzenlenmitir. Bu ayn zamanda ok basamakl tahmin performansn da
arttrmaktadr. Yapay sinir alarna uygulanacak girilerin seiminde iki farkl
yntem kullanlmaktadr.
xxi
alma boyunca drt farkl model kullanlmaktadr. Birinci modelin seiminde

deneyimlere yer verilmektedir. Temel bileen analizi ile ikinci model elde edilmitir.
Karlkl bilgi yntemi ile ise nc model elde edilmitir. Son modelde iletme
esnasnda kullanlan tm parametreler kullanlmaktadr.
ncelikle, membran biyoreaktr sistemi, dorusal dinamik sistemlerin
modellenmesinde kullanlan ARX ve ARMAX ile modellenmitir, fakat yeterli
baarm elde edilememitir. Bu nedenle sistem, yapay sinir a ile farkl modeller
altnda incelenmitir. Elde edilen sonular tatmin edicidir. zellikle nc ve
drdnc modelde sistem yksek baarm ile modellenmitir. 14 gn iin ok
basamakl tahmin sonular gerek veriye ok yakndr ve sistemin dinamiini
yanstmaktadr.
Bu tezde yalnzca bir pilot membran biyoreaktr sistemi modellenmitir. Gelecek
almalarda, farkl membran biyoreaktr sistemleri de mevcut yapay sinir ayla
modellenip, yapay sinir ann baarmnn artrlmas salanabilir. Yeni devreye
alnacak membran biyoreaktr sistemine ait veriler yapay sinir ana balang
deerleri olarak retilmelidir. Oluturulacak farkl tkanma senaryolarn ieren
durumlar yapay sinir ann eitiminde ve validasyonunda kullanlmaldr.
Sahadan gelebilecek hatal ve eksik bilgileri de ileyebilecek bir algoritma ile
tasarlanacak kontrolc sayesinde membran biyoreaktr daha verimli
kullanlabilecektir.
Sonu olarak, mevcut yapay sinir ann gelitirilmesi ve en uygun kontrol eklinin
seilmesi nerilmektedir.
xxii
MODELLING OF MEMBRANE BIOREACTOR USING ARTIFICIAL

NEURAL NETWORK
SUMMARY
Clean water and clean water resources have a vital importance for all living beings.
Water covers approximately % 70 of the Earths surface. Approximately % 97 of
water is salt water and rest of the water is fresh water. And smaller amount of fresh
water is suitable for all living beings. Therefore keeping available water supply is so
important.
The ecosystem is protected by threatment of wastewater and recovering it back to the
system. Sewage threatment is the process of removing organics and inorganics
compounds from wastewater.
In conjunction with the establishment of new wastewater threatment plants and new
developments at wastewater technologies, we have been commonly encountering
with membrane biorector systems.
Conventional wastewater threatment plants are called preliminary threatment,
biological threatment and advanced biological threatment according to process type.
Membrane bioreactor systems have some advantages comparing with the
conventional wastewater threatment plants. Especially, working with higher MLSS
and the need of limited costruction area are positive sides of membrane bioreactors.
However, MBRs are troublesome systems due to the difficulties during the
operation and decrease in flux because of fouling. For several reasons, membrane
bioreactor system must kept under strict control.
The first section highlight the purpose of the thesis and mentions of some studies in
the literature. Membrane bioreactor system is consisted of activated sludge system
and filtration process.
There are different types of membrane bioreactors according to the configuration or
the type of material. There are two membrane configurations. Submerged
membranes are immersed in biological reactor and sidestream membranes are
located outside of biological reactor.
In the second chapter, membrane bioreactor unit is introduced and general definitions
are given. In order to understand dynamics of membrane, basic equations are
defined. Such as flux, transmembrane pressure and specific flux rate.
The flux is the quantity of material passing through a unit area of membrane surface
per unit time. Transmembrane pressure is the difference between outlet of membrane
and reference point, where no flow occurs. Specific flow rate is the ratio of flux to
transmembrane pressure.
Fouling and effects of fouling are mentioned. Cleaning steps are also explained under
the fouling circumstances.
xxiii
Fouling could be defined as the deposition of solid materials (organics and

inorganics) onto the membrane surface or blocking of the membrane pores by bigger
particles. Operating at higher flux is important. Early cleaning procedure has a great
effect on achivement better operating. It also decreases operation costs.
In the thesis study a micro filtration submerged MBR has been used. Because of
activated sludge during operation, the membrane becomes like ultra filtration.
Carbon and nitrogen (nitrification-denitrification) are removed by the membrane
bioreactor unit. Return activated sludge required for the process is pumped from
membrane tank into anoxic tank.
In the section three, dynamic systems are defined. Dynamic systems are defined
using differential equations. Dynamic systems are modelled using physical laws or
system identification methods.
Determining inputs and outputs are so important in order to select correct system
type. Dynamic system output depends on inputs at the moment and past system
states. Static system output depends on inputs at the moment.
First of all, parametric modelling methods ARX and ARMAX, which are used in the
modelling of linear dynamic systems, are explained.
Afterwards, artificial neural network, which is generally used for the modelling of
nonlinear dynamic systems, is introduced. Artificial neural network is a
computational model that is inspired by biological neural networks. Artificial neural
network is used in many scientific fields such as environmental engineering,
meteorology etc. NARX is one of special type artificial neural networks, that is also
used for the time series modelling as well.
In the section four, the membrane bioreactor system is considered as a dynamic
system. The system linearity has been tested using coherence analysis and
determined that the system is highly nonlinear.
In order to improve results of modelling, available data have been processed. For this
step, Matlab system identification toolbox graphical user interface is used. Also step
response and impulse response results are used. Akaike information criteria and
minimum description length can be used for determining model order via system
identification toolbox graphical user interface in matlab.
Step response gives information about system order and impulse response gives
information about system delay.
This step also enhanced the multi step prediction results. Two different approaches
have been used for selecting inputs to artificial neural network.
In the thesis, four different models have been studied. The first model has been
selected based on experiences.
The second model has been selected using the principal component analysis. The
mutual information method has been utilizied for the third model.
Finally, all parameters have been selected for the last model.
Principal component analysis is a mathematical method that uses an orthogonal
transformation to find correlated variables into a principal components. The first
principal component has a high variance.
xxiv
Mutual information is another mathematical method that uses probability distribution

functions to find mutual dependence.
First of all, MBR was modelled by ARX and ARMAX in the linear dynamic
modelling step. But the resulting performance was not satisfactory. Therefore, the
system was examined using ANN with four different models.
Especially, when the system was modelled with the third and the fourth models,
desired performance has been achived. MS predictions for 14 days are very close to
the real system and it reflects the dynamics of the system very well.
In this thesis study, only one MBR system has been modelled. For the future studies,
ANN performance could be increased by modelling different MBR systems.
Different fouling scenarios could be created for train and validation of artificial
neural network.
MBR can be used more efficiently by means of a controller that can processes wrong
or missing values coming from the field.
As a conclusion ANN models obtained in this study could be improved and proper
control algorithm could be designed for more efficient operation.
xxv
xxvi
1. GR
Temiz su ve temiz su kaynaklar, ekosistem ve tm canllar iin hayati nem
tamaktadr. Fakat ar nfus art, dzensiz kentleme ve sanayinin artmas ile
tketimi artan ve kirlenen su kaynaklar, dnyamz iin nemli bir tehdit
oluturmaktadr.
Dnya yzeyinin yaklak % 70 i su ile kapldr. Fakat bunun yaklak % 97 si
tuzlu sudur. Geriye kalan % 3 lk ksm tatl sudur. ekil 1.1 de grld gibi, bu
miktarn ok kk bir ksm kullanlabilir niteliktedir[1]. Bu noktada ok kstl olan
temiz suyun nemi daha da anlalmaktadr.
ekil 1.1 : Yeryzndeki su dalm

Tm canllar iin nem tayan temiz suyun korunmas nceliklerimizden biri
olmaldr. Atk sular, insan ve hayvan atklar, evsel atklar, endstriyel atklardan
olumakla birlikte, yamur suyu ebekelerinden gelen sular ve yer alt sular da buna
karabilmektedir. Genel olarak, evsel atk su, tbbi atk su ve endstriyel atk su
olarak snflandrlabilir[2]. Atk suyun karakterizasyonuna etki eden parametreler
ekil 1.2 de zetlendii gibidir[3].
Kat Madde
Koku
Tat
Scaklk
Renk
Bulanklk
Atk Su
Fiziksel
Karakterizasyonu
ATIK SU
Atk Su
Kimyasal
Karakterizasyonu
Toplam znm
Kat Madde
Alkalinite
Organik ve Ntrient
Ph
Metaller
Klor
Sertlik
Flor
Atk Su
Biyolojik
Karakterizasyonu
Bakteriler
Virsler
Algler
Tek Hcreliler
Parazitler
ekil 1.2 : Atk su karakterizasyonu

Atk sularn toplanarak artlmas, habitatn ve temiz su kaynaklarnn korunmasna
ve canl yaamnn devamnn salanmasna yardmc olmaktadr. Atk sularn
artlmas, borular yardm ile toplanarak atk su artma tesislerinde yaplmaktadr.
Atk su artma tesisleri fiziksel, kimyasal ve biyolojik metotlarn seimine gre
birincil, ikincil ya da ileri artma olarak isimlendirilirler[3]. n artma olarak da
isimlendirilen birincil artma tesislerinde fiziksel metotlar seilmitir. Yaklak % 60
askda kat madde giderimi salanmaktadr. kincil artma tesislerinde n artmaya ek
olarak biyolojik veya kimyasal metotlarda kullanlmtr. ken ve yzebilen kat
maddeler de giderilmektedir. leri artma tesislerinde fiziksel, kimyasal ve biyolojik
artma metotlar kullanlmaktadr. leri biyolojik atk su artma tesislerinde aktif
amur sistemi ile artma yaplabilmektedir[2,3].
Genel olarak atk su artma tesisleri srelerine gre n artma, biyolojik artma ve
ileri biyolojik artma olarak isimlendirilmektedirler.
leri biyolojik atk su artma tesislerinde ana kirleticiler olarak da ifade edilebilen
karbon, fosfor ve azot giderimi yaplmaktadr. Bu giderim, heterotrof ve ototrof
bakteriler
ile
salanmaktadr.
Bu
esnada
nitrifikasyon
ve
denitrifikasyon
reaksiyonlar olumaktadr.
Genel olarak ileri biyolojik atk su artma tesislerinin akm emas ekil 1.3 de
gsterildii gibidir. Proses havuzlarnda bulunan bakterilerin ve gelen atk suyun
karmas ve havalandrclar (blowerlar) ile havalandrlmas sonucu yaplan
oksijenli artma srecine aktif amur sistemi denilmektedir. Son ktrme
havuzlarndan sonra geri devir hatt ile aktif amur biyofosfor havuzlarna
devrettirilmektedir. Amaca gre n ktrme havuzlar, rtc gibi nitelerin
bulunabilecei ileri biyolojik atk su artma tesisleri tasarm aamasnda
ekillendirilmektedir.
Evsel Atk Su
Kaba Izgara
nce Izgara
Kum Tutucu Havuz ve

Parschall Sava
Biyofosfor Havuzlar
Blower Binas
Susuzlatrma nitesi
Fazla amur
Proses Havuzlar
Geri Devir
Kurutma nitesi
Son ktrme Havuzlar
Kurutulmu amur
Kum Filtresi ve UV
k Suyu
ekil 1.3 : leri biyolojik atk su artma tesisi akm emas

Geleneksel atk su artma yntemlerinin yannda membran biyoreaktr ile artm da
yaplmaktadr. zellikle snrl yerleim alanna sahip blgelerde de kullanlan
membran biyoreaktrler, aktif amur sistemi ve filtre artma srecinin birleimi
olarak kullanlabilmektedir[4]. Son yllarda teknolojinin de gelimesiyle birlikte
membran biyoreaktrler ile daha sk karlalmaktadr.
3
Membran biyoreaktrn klasik atk su artma tesislerine gre daha az alana ihtiya
duymas ve yksek askda kat madde (AKM) ile almas artlarndandr[4].
Membran biyoreaktrlerin iletilmesi esnasnda incelenen parametrelerin dinamik
olarak modellenmesi sayesinde sistem hakknda fikir sahibi olunmaktadr.
Fiziksel sistemler, biyolojik sistemler, kimyasal sistemler ve daha birok sistemde
girilerin ve klarn arasndaki balanty kurmaya modelleme denilmektedir.
Aradaki iliki kurulurken matematiksel bant ya da giri k bilgisi
kullanlmaktadr. Modellenen sistem dinamik ya da statik olabilir.
Dinamik sistemlerde sistemin k, o anki girilere ve sistemin gemiine baldr.
Dinamik modeller srekli zaman veya kesikli zaman olarak ifade edilebilirler[5].
Dinamik sistemler, giri ve k arasndaki ilikinin dorusal bantlara bal olmas
durumunda dorusal dinamik sistemler, giri ve k arasnda dorusal bir bant
bulunmamas
halinde
ise
dorusal
olmayan
dinamik
sistemler
olarak
snflandrlrlar. Dorusal olmayan dinamik sistemler sper pozisyon ve homojenlik

bantsna uymaz (1.1). u1, u2 sistemin girileri, y1, y2 sistemin klardr.
y1 = f (u1 )
y2 = f (u2 )
f (u1 + u2 ) = f (u1 ) + f (u2 ) = y1 + y2
(1.1)
f (a1u1 ) = a1 f (u1 ) = a1 y1
En uygun modelleme ekli belirlendikten sonra, sistemin giri ve klarnn
hazrlanmas sistem tanlamada nemli bir basamaktr. Veri toplama esnasnda,
alglayc hatalar, eksik veri ve bozucularn etkisinden dolay sistem dinamiini
yanstmayan ya da olumsuz ynde etkileyen veriler bulunabilir. Bu tr verilerin
dzenlenmesi modelin baarm asndan ok nemlidir.
Sistemin giri ve klarnn belirlenmesi, sistemin dinamik ya da statik olarak
temsil edilmesinde nemlidir. En uygun girilerin seilmesinde, dorusal veya
dorusal olmayan sistemlere uygulanan farkl algoritmalar bulunmaktadr[6].
Sistemin dorusall en uygun modelleme ynteminin seiminde nemlidir.
Dorusal sistemlerin modellenmesinde, sonlu sayda parametreler kullanlarak
tanmlanan parametrik modeller kullanlabilecei gibi dorusal olmayan sistemlerin
modellenmesinde farkl modelleme yntemleri kullanlmaktadr.
4
Sistem hakknda yeterli bilginin olmad, matematiksel model kullanlmayan

durumlarda, giri ve k verileri ile modellemeye imkn veren yapay sinir alar
kullanlabilmektedir.
Yapay sinir alar, biyolojik sinir sistemlerinden esinlenerek oluturulmu, giri ve
k arasnda dorusal ya da dorusal olmayan haritalamaya olanak salayan
algoritmalardr[7].
Yapay sinir alar fonksiyon uydurma, ekil tanma, veri kmeleme ve zaman
serilerinin analizinde kullanlmaktadr[7].
Membran biyoreaktr sistemi, zaman serisi olarak modellenebilmektedir. Dinamik
bir sistem olarak membran biyoreaktr, dorusal olmayan, ok girili ve ok kl
bir yapya sahiptir. letme annda kullanlan parametreler sistemin girilerini ve
klarn oluturmaktadr.
Membran biyoreaktrn zel bir durumu olan tkanmaya etki eden parametreler
sistemin klarn oluturmaktadr. Membrann aks ve membran zerindeki basn
deeri sistemin klar olarak seilmitir. Yapay sinir ann girii olarak
uygulanacak parametrelerin seiminde kullanlan yntemlerden biride temel
komponent analizidir[8].
1.1 Tezin Amac
Membran biyoreaktrn iletilmesi sresince srekli kontrol altnda olmas
gerekmektedir. En uygun kontrol eklinin belirlenmesindeki ilk basamak sistem
tanlama ve modelleme ilemidir.
Tez almas boyunca farkl modelleme ekilleri zerinde durularak aradaki baarm
farklar incelenmektedir. Membran biyoreaktrn dinamik ve dorusal olmayan bir
sistem olmas, modellemeyi zorlatrmaktadr.
En uygun model belirlenerek, iletme giderlerini arttran ve zorlatran bir sonu olan
tkanmann takibinde de kullanlabilen ak ve basn deerleri k olarak
seilmektedir.
Tkanma olmadan alnacak nlemler ile dinlendirme ya da ters ykama ilemi
yaplarak, yksek aklar ile iletme salanabilmektedir. Eitilecek olan yapay sinir
a ile tkanmann sonucu olarak den ak ve artan membran basn farknn
5
modellenmesi hedeflenmektedir. En uygun girilerin belirlenmesi iin farkl

yntemlere bavurulmutur.
Birinci blmde tez hakknda genel bilgi verilmektedir. Tezin amac ve yaplan
literatr almalarna deinilmektedir.
kinci blmde membran biyoreaktrn tanm yaplarak, sistemin dinamikleri
hakknda genel bilgiler verilmektedir. Blm sonunda tez sresi boyunca allan
pilot membran biyoreaktr nitesi tantlmaktadr.
nc blmde, dinamik sistemlerin tanm yaplmakta, dorusal ve dorusal
olmayan dinamik sistemlerden bahsedilmektedir. Yapay sinir alarnn genel tanm
ve zellikleri anlatlmaktadr.
Drdnc blmde membran biyoreaktr, farkl modelleme ekillerine gre
incelenmektedir. Sistem ile ilgili sonular elde edilmitir.
Son blm olan beinci blmde, ksaca alma boyunca bahsedilen konular
zetlenmekte ve elde edilen sonular karlatrlmaktadr.
1.2 Literatr Aratrmas
Membran biyoreaktr aktif amur sistemi ile filtre ayrma sisteminin kombine
edilmesidir. Organik kirleticileri gidermedeki baars, yksek askda kat madde ile
almas, klasik atk su artma tesislerine gre daha az alana ihtiya duymas ve
dk amur k membrann dikkat ekici taraflardr[9,10].
Membran
biyoreaktrn
performansnn
gstergesi
olarak
ak
(flux)
kullanlmaktadr. letme artlarnda aknn belirlenen deerlerin stnde olmas

istenmektedir. Zamanla tkanma oluarak aky drmekte ve performans olumsuz
etkilemektedir.
Membrann performans ak ile doru orantldr. Ak, diren modeli ile ifade edilirse
denklem (1.2) de grld gibi tanmlanabilir[11].
Hidrolik direnteki art ile ak dmektedir. Bunun en nemli sebeplerinden birisi,
bakterilerin evresinde bulunan ve hcre d polimer madde (EPS) olarak
adlandrlan maddelerdir[12].
J=
P
P
=
( Rm + Rc + Ri ) Rt
P : Fark Basnc
: Viskozite
(1.2)
Rm : Membran Direnci
Rc : Polarizasyon Konsantrasyonu
Ri : Ter sin e evrilemeyen Hidrolik Diren
Rt : Toplam Hidrolik Diren
Kritik ak olarak isimlendirilen durum membran biyoreaktrn optimum iletme

koullarn ieren bir tanmdr. Sistemin dinamii hidrodinamik durumlarn dnda
biyolojik durumlara da baldr[13].
Kritik ak hipotezine gre, sistem almaya ilk kez baladnda belirlenen snrdaki
aknn altnda allmas durumunda tkanma olumamaktadr. Bu aknn stne
kldnda tkanma balamaktadr. Kritik ak seviyesinde iletmede her zaman
zm
olmamaktadr.
Membran
biyoreaktr
dk
ak
deerlerinde
de
tkanabilmektedir. Bu nedenlerle membran biyoreaktrn iletilmesi zordur.

Sonularn birden fazla parametreye bal olmas ve her zaman ayn ekilde tepki
vermemesi nedeniyle tahmini zor bir sistemdir[9].
Kritik ak optimal hidrodinamik koullar belirleyen bir tanmdr. Membran
yzeyinde biriken tabakay engellemeyi de ngrmektedir.
Fakat membrann
geirgenlii bu artlar altnda, hidrodinamik koullara bal olmayan zlebilen

maddeler, membran malzemesi gibi nedenlerden dolay da dmektedir. Aknn
hidrodinamik artlarn dnda biyolojik, fiziksel ve kimyasal artlara da bal olduu
unutulmamaldr[13].
Membran basncndaki ani artn (TMP Jump) sebebi sadece tkanma nedeniyle
kritik aknn almas deildir. Biyo film veya kek tabakas, oksijen transferindeki
snrlamalar ve kek tabakas iindeki bakterilerin lmesi sonucu daha fazla salnan
hcre d polimerik maddeye de (EPS) baldr[10].
Tkanmann derecesine bal olarak membrana uygulanacak zmler ekil 1.5 de
zetlenmektedir[14]. Tkanmann nceden tahmini bu admda nem kazanmaktadr.
Erken mdahale sayesinde tkanma ileriki fazlara gemeden ak arttrlabilmektedir.
ekil 1.4 de gsterilen TMP deki art iletme koullarna da baldr.
TMP
Filtrasyon Sresi
ekil 1.4 : TMP deki art

MEMBRAN
LETLMES
TIKANMA /
BLOKE OLMA
AMUR KARAKTERiZASYONU
(AKM,KO,BO)
TIKANMA
SEBEPLER
MEMBRAN KARAKTERST
(MATERYAL,YAPI)
LETME KOULLARI
( SRT , HRT , O , HAVALANDIRMA , SICAKLIK )
OK
DNLENDRME
TIKANMA DEVAM EDYOR
OK
GER YIKAMA
TIKANMA DEVAM EDYOR
OK
KMYASAL
TEMZLEME
TIKANMA DEVAM EDYOR
OK
FZKSEL
TEMZLEME
TIKANMA DEVAM EDYOR
OK
KARTU
DEM
ekil 1.5 : Membrann ykama basamaklar

Yaplan almalarda da bahsedildii gibi, membran biyoreaktrn performans
gstergesi olarak ak kullanlmaktadr. Ak ve buna bal olarak membran basn
fark (TMP) sistemin klar olarak seilebilmektedir.
Membran biyoreaktr sisteminin yapsndan dolay, yapay sinir alar modellerine

ok sk rastlanmaktadr. Birok almada yapay sinir ann k olarak flux
seilmektedir.
Zhifeng
ve
dierleri
tarafndan
yaplan
almada
sistemin
girilerinin
belirlenmesinde temel bileen analizi kullanlarak 12 adet parametre 5 adet

parametreye indirgenmi ve oksijen, AKM, pH, scaklk ve pompa gc sistemin
girileri olarak belirlenmitir[8].
Dinamik bir modelleme yaplmam olup, aknn gelecek deerlerinin tahmininin
sonular verilmemektedir[15].
Aidan ve dierlerinin yapt almadan da grlecei gibi, geri ykama zamannn
optimizasyonu iin de yapay sinir alar kullanlabilmektedir[16].
zetle dorusal olmayan dinamik bir sistem olan membran biyoreaktr
modellenmesi iin yapay sinir alar ok sk kullanlmaktadr. Tm sistem iin
matematiksel modelin olmay ve yapay sinir alarnn dorusal olmayan sistemleri
modellemedeki baarm da bunun en nemli sebepleridir.
Membran biyoreaktrn aktif amur sistemi ile birlikte filtrasyon prosesini de
tamasndan dolay karmak bir yapya sahiptir. Sistemin dinamikleri henz tam
olarak anlalmamtr. Tkanmann birden fazla parametreye bal oluu, bu konuda
ok sayda aratrma yaplmasna neden olmaktadr.
Gelitirilmi farkl kontrol algoritmalar bulunmaktadr. Sistemin modellenmesi ve
aknn tahmini iletme performansn daha da arttrmaktadr.
10
2. MEMBRAN BYOREAKTR
2.1 Membran Biyoreaktr Tanm
Membran biyoreaktr; mikro ya da ultra filtrasyon gibi membran proseslerinin,
biyokimyasal reaksiyonlarn gerekletii biyoreaktr ksm ile birleimi olarak
tanmlanabilir. Ksaca, aktif amur sistemlerinin membran ayrma prosesine kombine
edilmesidir[4].
Membran niteleri, membran kartularndan olumaktadr. Her bir kartu nozullar ile
ana sznt hattna balanmaktadr. Membran kartular difzrler araclyla
blowerlar ile havalandrlmaktadrlar. ekil 2.1 de Kubota firmasna ait batk tip
membran nitesi ve kartu grlmektedir[17].
ekil 2.1 : Batk tip membran ve kartu rnei

Membran biyoreaktrler ekil 2.2 de gsterildii gibi; konfigrasyona gre batk tip
membranlar ve harici tip membranlar olarak ikiye ayrlmaktadr[18]. Batk tip
membran biyoreaktrlerde membranlar biyoreaktr olarak isimlendirilen ksmda
bulunmaktadr. Harici tip membran biyoreaktrlerde membranlar biyoreaktr dnda
bulunmaktadr.
11
ekil 2.2 : (a)Batk tip membran ve (b)Harici tip membran

Membranlar yaplandrmasna gre ekil 2.3 deki gibi snflandrlmaktadr[19].
ekil 2.3 : Membran teknolojileri temel yaplandrma

Filtrasyon ilemi kat veya znmeyen maddelerin ayrlmas ilemi olarak
tanmlanabilir. Membran sreleri gzenek boyutlar, molekler arlklar ve iletme
basnlarna gre ayrlabilir[4].
Membran biyoreaktrler gzenek aplarna gre farkl isimlendirilmektedir.
Membrann geirgenlii gzenek ap ile doru orantldr. ekil 2.4 de grld
gibi, tez boyunca allan ultrafiltrasyon, virusleri, kolloidleri vb. boyuttaki
kirleticileri tutabilmektedirler[19].
12
ekil 2.4 : Membrann tutabildii paracklar ve sre isimleri

Genel olarak membran filtrasyon sreci membran karakterizasyonu ve filtrasyon
sreci olarak ikiye ayrlmaktadr. Sklkla membran materyalleri polimer kkenlidir.
Seramik ve metal bazl membranlar da bulunmaktadr[4].
Membran biyoreaktrde filtrenin temiz tarafna doru bir ak ve biyoreaktr
tarafnda kasetler zerinde birikme olmaktadr (ekil 2.5)[19].
Biriken
amur
Besleme
Membran
Szlen
ekil 2.5 : Membran blok diyagram

Membrann yzey alanndan szlen sv miktarna ak denilmektedir (2.1)[4].
Ak [l / (m 2 .h)] =
Szlen ak [l / h]
Kullanlan membran yzeyi [m2 ]
(2.1)
Akn olmad nokta ile szlen nokta arasndaki basn farkna kar membran
basnc (TMP) denilmektedir (2.2)[4].
Membran Basn Fark (TMP) [bar ] = Statik Basn [bar ] Dinamik Basn [bar ]
13
(2.2)
Membran biyoreaktrn (MBR) performansnn bir dier ifadesi olan geirgenlik

(spesifik ak oran), iletme scakl ile bantldr (2.3)[4].
flux [l / (m 2 .h)]
TMP [bar ]
Geirgenlik [l / (m 2 .h.bar )] =
(2.3)
Ak, diren modeli ile ifade edilebilir (2.4)[11].

J=
P
P
=
( Rm + Rc + Ri ) Rt
P : Fark Basnc
: Viskozite
(2.4)
Rm : Membran Direnci
Rc : Polarizasyon Konsantrasyonu
Ri : Ter sin e evrilemeyen Hidrolik Diren
Rt : Toplam Hidrolik Diren
Batk tip membranlar aktif amur ierisinde almaktadr. ekil 2.6 da klasik bir
artma tesisi ile MBRn ihtiya duyduu yerleim alan gsterilmektedir[20].
Membran sisteminden ekilen amurun klasik sisteme oranla daha az olmas
depolama alanna duyulan ihtiyac da azaltmaktadr.
ekil 2.6 : MBR ve aktif amur sisteminin karlatrlmas

Zaman ierisinde kasetler zerindeki organik ve inorganik yaplarn artmas ile
tkanma meydana gelmekte ve kasetten szlen atk su miktar azalmakta ve aky
drmektedir.
Membran
yzeyinin
kek
tabakas
ile
kaplanmas
ya
da
membrann
geirebileceinden daha byk bir partikln gzenekleri tkamas, tkanma olarak

14
adlandrlmaktadr. Geri dnlebilir ve geri dnlemez tkanma olarak ikiye

ayrlmaktadr. Membrann tkanmas; gelen giri suyunun karakterizasyonuna,
evresel faktrlere, membrann zelliklerine ve iletme koullarna baldr.
Tkanmaya etki eden parametreler ekil 2.7 de gsterilmektedir[19].
ekil 2.7 : Membran parametrelerinin tkanmaya olan etkisi

Lee at al, 2001 ylnda yapt almada membran biyoreaktrn direncinin,
membran direnci (% 12), kek tabakas direnci (% 80) ve tkanma direnlerinden
(% 8) meydana geldiini bulmutur. almadan da grld gibi kasetler zerinde
bulunan kek tabakas en byk direnci oluturmaktadr[10].
Kek tabakasnn oluumunda havalandrma oran ve younluu da etkilidir[21].
Kasetlerin yzeyini spren kuvvete bal olarak tkanma sresi deiir. Verilen
oksijenin iletilmesinin snrl olmas ve bakterilerin lmesi daha fazla EPS salnmna
neden olmaktadr ve tkanma olumaktadr[10].
Kaset zerinde oluan kek tabakas her yerde eit dalml olarak bulunmaz ve
havann kayma kuvveti ile her zaman temizlenemez[10].
Geri dnlebilir tkanmalarda, alnacak temizleme nlemleri ile aknn ykseltilmesi
salanabilmektedir. Membran biyoreaktrn iletilmesi esnasnda akya gre
uygulanacak temizleme basamaklar ekil 2.8 de zetlenmektedir[14].
15
Burada grld gibi tkanma veya bloke olma durumunda srasyla dinlendirme,
geri ykama, kimyasal temizleme, fiziksel temizleme veya kartu deiimi
gerekmektedir. Tkanmann veya bloke olmann nceden tespit edilmesi bu noktada
ok nemlidir. Basit bir dinlendirme ya da geri ykama ilemi ile membran tekrar
eski geirgenliine kavuabilmektedir.
MEMBRAN
LETLMES
TIKANMA /
BLOKE OLMA
AMUR KARAKTERiZASYONU
(AKM,KO,BO)
TIKANMA
SEBEPLER
MEMBRAN KARAKTERST
(MATERYAL,YAPI)
LETME KOULLARI
( SRT , HRT , O , HAVALANDIRMA , SICAKLIK )
OK
DNLENDRME
TIKANMA DEVAM EDYOR
OK
GER YIKAMA
TIKANMA DEVAM EDYOR
OK
KMYASAL
TEMZLEME
TIKANMA DEVAM EDYOR
OK
FZKSEL
TEMZLEME
TIKANMA DEVAM EDYOR
OK
KARTU
DEM
ekil 2.8 : Membrann ykama basamaklar

2.2 Pilot Membran Biyoreaktr nitesi
Tez almas boyunca ekil 2.12 de blok diyagram gsterilen batk tip membran
nitesi kullanlmtr. Giri suyu olarak evsel atk su alnmtr. Dalg pompa ile
baslan atk su tambur zgaradan geerek anoksik tanka gelmekte ve buradan
membran nitesinin olduu tanka dolmaktadr. ki adet blower ile srece gre
havalandrlmaktadr. Kimyasal ykama tank ile ihtiya duyulduunda kimyasal
temizleme ilemi yaplmaktadr. Fazla amur pompas ile istenirse sistemden amur
ekilebilmekte veya anoksik tanka geri devir yaplabilmektedir. Anoksik tank iinde
16
bulunan bir adet kartrc ile amurun kmemesi ve geri devir amuru ile homojen
bir karm olmas salanmaktadr. Artlan su sznt hattndan dar kmaktadr.
Hat zerinde bulunan oransal vana ile istenildiinde debi miktar ayarlanmaktadr.
Sistemde bulunan alglayclar sayesinde iletme hakknda bilgi sahibi olunmaktadr.
ekil 2.9 da pilot membran nitesi grlmektedir.
ekil 2.9 : Pilot Membran nitesi

MBRn iletilmesindeki temel problemlerden biri tkanmadr. ekil 2.10 da temiz
kaset ve yzeyi tamamen aktif amur ile kapanan ve bloke olan kaset grlmektedir.
ekil 2.10 : Temiz kaset ve tkanan kaset

17
Zamannda alnacak tedbirler ile optimum iletme artlar salanabilir. Dinlendirme,

kimyasal temizleme, fiziksel temizleme ya da kartularn deiimi, tkanmann
durumuna
bal
olarak
uygulanabilecek
zmlerdir.
Tkanmann
ileriki
aamalarnda, fiziksel temizleme zorunlu hale gelmektedir. Bu ok zahmetli ve uzun

sre alan bir almadr. letme artlarnda uygulanmas zor bir zmdr. Bu
nedenle MBR srekli kontrol altnda iletilmelidir. ekil 2.11 de blm boyunca
anlatlanlar zetlenmektedir.
Membran Tanm
Biyoreaktr Tipi
MBR zerindeki Etkiler

amur Karakteristii
(AKM,KOI,BOI)
Aktif amur Sreci

+
Membran Ayrma Sreci
Batk Tip Membran
Membran Karakteristii
(Materyal,Yap)
Yanal Akl Membran
letme Koullar
(SRT,HRT,O,Havalandrma,Scaklk)
Tkanma Veya
Bloke Olma
Geri Dnlebilir Tkanma
* Ters Ykama
* Kimyasal Ykama
Geri Dnlemez Tkanma
* Fiziksel Ykama
* Kartu Deiimi
ekil 2.11 : MBR zet
18
ekil 2.12 : Membran biyoreaktr blok diyagram
19
20
3. DNAMK SSTEMLERN MODELLEMES

3.1 Sistem Tanlama
evremizde grdmz her ey sistem olarak isimlendirilebilir. Sistemler genellikle
statik veya dinamik olarak ikiye ayrlrlar. Statik sistemler cebirsel denklemler ile
ifade edilirler.(ekil 3.1) [22].
Dinamik Sistem
Fiziksel Modelleme
Sistem Tanlama
Model
ekil 3.1 : Model Kurma

Dinamik sistemler diferansiyel denklemler ile ifade edilirler. Dinamik bir sistemin
davrann ifade eden diferansiyel denklemler, fizik kanunlar kullanlarak veya
sistem tanlama methodlar ile modellenebilirler. Buna sistemin matematiksel modeli
denir. Sistemin girilerini ve klarn kullanarak dinamik sistemin parametrik
modelini elde etmeye sistem tanlama denilir[23,24].
Matematiksel modeller farkl sistemler iin farkl zellikler gstermektedir.
Deterministik sistemler, balang durumlar ayn olmas durumunda her zaman ayn
k vermektedir. zetle klar tahmin etmek kolaydr. Deterministik olmayan
sistemler stokastiktir ve sistemin klar stokastik deikenlere baldr. Dinamik ve
21
statik sistemlerin parametreleri zamana bal deien deikenler ise zamana

baml, zaman ile deimeyen deikenler ise zamandan bamsz olarak ifade
edilirler. Statik sistemlerde k, giriin o anki deerine baldr. Dinamik
sistemlerde sistemin k, o anki girilere ve sistemin gemi deerlerine baldr.
Dinamik modeller srekli zaman veya kesikli zaman olarak ifade edilebilirler[22,5].
Giri veya giriler, k veya klar, bozucu etki ve durumlar sistemi oluturan
bileenlerdir. Durumlar gemiteki girilerin ve bozucunun sistem zerindeki etkisini
ifade etmektedirler. Durumlar diferansiyel veya fark denklemleri ile ifade
edilirler[25].
Statik ve dinamik sistemlerin uygulanan girie kar verdikleri k farkll ekil
3.2 de gsterilmektedir[22].
k
k
Giri
Giri
Statik Sistem
Dinamik Sistem
ekil 3.2 : Statik ve dinamik sistem cevab

Giri ve k saysna gre sistemler tek giri ve tek k (SISO), tek giri ve ok
k (SIMO), ok giri ve tek k (MISO), ok giri ve ok k (MIMO) olarak
adlandrlrlar.
Dinamik sistemlerin modelleri diferansiyel denklemler, fark denklemleri, transfer
fonksiyonu ve durum uzay bantlar ile ifade edilebilir[24].
Sisteme ait matematiksel bantlar kullanlarak yaplan modellemeye, beyaz kutu
(white-box) modelleme, sistem hakknda n bilgiye sahip isek yaplan modellemeye
22
gri kutu (gray-box) modelleme, sistem hakknda hibir bilgimiz yok ise yaplan
modellemeye kara kutu (black-box) modelleme denilmektedir[24,26].
Model yaps ve parametreleri belirlenerek modelleme iine balanabilir. Sistemin
giri ve klar incelenerek sistem hakknda bilgi sahibi olunabilir. En uygun model
ve parametreler seildikten sonra parametrelerin tahmin edilmesi gerekmektedir[25].
ekil 3.3 de tanmlanan basamaklar modellemede ve sistem tanlamada temel
basamaklar olarak kullanlabilir[26].
Ama
Fiziksel
Modelleme
Deneyimler
Veri
nceleme
Model Yapsnn
Seimi
Model Parametre
Hesaplamas
Model
Kontrol
Kontrolr
Tasarm
ekil 3.3 : Sistem tanlama basamaklar

23
Bahsedilen tm basamaklar tamamlandktan sonra ekil 3.4 deki ak evrim ya da

ekil 3.5 deki kapal evrim kontrol uygulanabilir[23]. Genellikle kapal evrim
kontrol tercih edilmektedir[25].
Bozucu
Kontrol Girii
Sistem
Toplama
Noktas
ekil 3.4 : Ak evrim kontrol

leri Yol
stenilen Deer
Hata Sinyali
Kontrol Sinyali
Kontrolr
Toplama
Noktas
llen Deer
k Deeri
Sistem
Alglayc
Geri Yol
ekil 3.5 : Kapal evrim kontrol

Sistemin tm zellikleri belirlenmeli ve daha sonra modelleme ilemine
balanlmaldr. Dorusal sistem ya da dorusal olmayan sistemler iin izlenecek
admlar farkldr. ncelikle sistem srekli ya da kesikli zaman, zamanla deien ya
da zamanla deimeyen, dinamik ya da statik sistem olarak snflandrlmaldr.
Genel olarak sistem ile ilgili problemler; modelleme, analiz, parametre tahmini ve
kontrolden oluur. nemli admlardan biri olan modelleme adm sistemin matematik
modeli kullanlarak yaplabilecei gibi, matematik modeli olmayan sistemler iin de
yapay sinir alar (YSA) gibi yntemler kullanlarak oluturulabilir[25].
Dinamik sistemler, giri ve k arasndaki ilikinin dorusal bantlara bal olmas
durumunda dorusal dinamik sistemler, giri ve k arasnda dorusal bir bant
bulunmamas
halinde
ise
dorusal
olmayan
dinamik
sistemler
olarak
snflandrlrlar. Dorusal dinamik sistemleri tanmlamada kullanlan balca

yntemler 3.2 blmnde anlatlmaktadr.
24
3.2 Dorusal Dinamik Sistemlerin Modellenmesi

Sonlu
sayda
parametre
ile
tanmlanabilen
modellere
parametrik
model
denilmektedir. Dorusal dinamik sistemlerin modellenmesinde en sk kullanlan

parametrik modelleme yntemleri, dardaki terimlere bal z balanml
modelleme(ARX) ve dardaki terimlere bal z balanml yryen ortalama
modellemedir(ARMAX).
Parametrik modeller sistemin srekli zaman ya da kesikli zaman olmasna gre
diferansiyel denklemler veya fark denklemleri ile ifade edilirler. Kesikli zaman iin
dorusal ok terimli (polinom) gsterimi denklem (3.1) deki gibidir[2].
y (k ) = z nG ( z 1 , )u (k ) + H ( z 1 , )e(k )
(3.1)
u(k) ve y(k) sistemin giri ve kdr. e(k) sistemdeki bozucu etkidir. G ( z 1 , )

sistemin deterministik ksmnn transfer fonksiyonudur. H ( z 1 , ) sistemin stokastik
ksmnn transfer fonksiyonudur. Deterministik transfer fonksiyonu giri ve k
arasndaki iliki hakknda bilgi verir. Stokastik transfer fonksiyonu bozucu etkinin
k sinyali zerindeki etkisi hakknda bilgi verir (3.2)[2].
B( z, )
A( z , ) F ( z , )
C ( z, )
H ( z 1 , ) =
A( z , ) D( z , )
G ( z 1 , ) =
(3.2)
z 1 zamanda teleme operatrdr ve kesikli zamanda z 1 x(k ) = x(k 1) olarak

ifade edilir. vektr model parametrelerini iermektedir. A(z), B(z), C(z), D(z) ve
F(z) denklem (3.3) deki gibi ifade edilir[2].
A( z ) = 1 + a1 z 1 + a 2 z 2 + ..... + a k a z k a
B ( z ) = b0 + b1 z 1 + b2 z 2 + ..... + bkb1 z ( kb 1)
C ( z ) = 1 + c1 z 1 + c2 z 2 + ..... + ck c z kc
D ( z ) = 1 + d1 z 1 + d 2 z 2 + ..... + d k d z k d
F ( z ) = 1 + f1 z 1 + f 2 z 2 + ..... + f k f z
ka , kb , kc , kd , k f Sistemin model dereceleridir.
25
k f
(3.3)
Dorusal ok terimli modelin genel gsterimi (3.4)[2].
z n B( z )
C ( z)
B( z )
C ( z)
A( z ) y (k ) =
u (k ) +
e( k ) =
u ( k n) +
e( k )
F ( z)
D( z )
F ( z)
D( z )
(3.4)
Blok diyagram olarak gsterimi (ekil 3.6)[2].

e(k)
C(z)
D(z)
u(k)
B(z)
F(z)
A(z)
y(k)
ekil 3.6 : Dorusal ok terimli modelin blok diyagram

3.2.1 ARX ile modellenmesi
C(z), D(z) ve F(z) nin 1 olmas durumunda dorusal ok terimli model en basit giri
k ok terimli modellerden olan ARX ekline dnr (3.5). Blok diyagram
gsterimi ekil 3.7 deki gibidir [2].
A( z ) y (k ) = z n B ( z )u (k ) + e(k ) = B ( z )u (k n) + e(k )
(3.5)
e(k)
u(k)
B(z)
y(k)
A(z)
ekil 3.7 : ARX blok diyagram gsterimi

3.2.2 ARMAX ile modellenmesi
D(z) ve F(z) nin 1 olmas durumunda genel gsterim ARMAX modellemeye
dnr(ekil 3.8)[2].
Y(t) t anndaki k, u(t) t anndaki girii, na kk saysn, nb sistemin sfr
saysndan bir fazlasn, nc bozucu iin kutup saysn gstermektedir. ARMAX
modeller ARX modellere gre daha fazla parametre ierdiinden dolay sistemi
tanmlamak iin daha kullanldr (3.6).
26
A( z ) y (k ) = z n B ( z )u (k ) + C ( z )e(k ) = B ( z )u (k n) + C ( z )e(k )
(3.6)
e(k)
C(z)
u(k)
B(z)
y(k)
A(z)
ekil 3.8 : ARMAX blok diyagram gsterimi

3.3 Dorusal Olmayan Dinamik Sistemlerin Modellenmesi
Kara kutu modelleme yntemlerinden biri olan yapay sinir alar, dorusal olmayan
dinamik sistemlerin modellenmesinde kullanlmaktadrlar.
3.3.1 Yapay sinir alar ile modellenmesi

Yapay sinir alar, biyolojik sinir sistemlerinden esinlenerek oluturulmu, giri ve
k arasnda dorusal ya da dorusal olmayan haritalamaya olanak salayan
algoritmalardr. Yapay sinir alar fonksiyon uydurma, ekil tanma, veri kmeleme
ve zaman serilerinin analizinde kullanlmaktadr[7].
Yapay sinir alar renme ekilleri ve yaplar ekil 3.9 da zetlenmektedir[27].
r e n m e Y n te m le r i
K e si k li G ir i
G z e t im li
S r e k li G ir i
G z e ti m si z
G z e ti m li
G z e tim s iz
Y a p a y S in ir A Y a p la r
G z e ti m li
T e kr a r la y a n
G z e tim s iz
le r i B e s le m e li
K e s tir i m c i
ekil 3.9 : YSA renme ekilleri ve yaplar
27
A y r c
3.3.1.1 Nron
En basit yapay sinir a olan alglayc (perceptron) ekil 3.10 daki gibidir.
b
Nron
ekil 3.10 : Nron

Genel olarak u giri, w arlk (weight), b yanllk (bias), F aktivasyon fonksiyonu ve
y ktan olumaktadr (3.7).
y = F (u.w + b)
(3.7)
Nron, giriler ve nron arasndaki banty oluturan a fonksiyonu ve aktivasyon

fonksiyonundan olumaktadr. En ok kullanlan aktivasyon fonksiyonlar izelge
3.1 de gsterilmektedir[28].
izelge 3.1 : Aktivasyon Fonksiyonlar

Aktivasyon Fonksiyonu
Forml
f (u ) = au + b
Dorusal
f (u ) =
Logaritmik Sigmoid
f (u ) =
Hiperbolik Tanjant Sigmoid

Radyal Bazl
1
(1 + e u )
2
(1 + e
2 u
f (u ) = e u
) 1
Genel olarak yapay sinir alar girilerin uyguland giri katman, gizli katman ve
k katmanndan olumaktadr.
Yapay sinir alar, gizli katman iinde yeterli sayda nron ile dorusal ya da
dorusal olmayan sistemlere belirli bir baarmn zerinde yaknsayabilmektedir.
ekil 3.11 deki ok girili yapay sinir ana ait bant formlde verilmektedir (3.8).
28
y = F ( wi ui + b)
i =1
(3.8)
y k, w arlk, b yanllk, F transfer fonksiyonudur.
Giri 1
w1
Giri 2
w2
Giri 3
w3
Giri n
Transfer
Fonksiyonu
wn
b
arpm
Toplam
Transfer Fonksiyonu
ekil 3.11 : ok girili yapay sinir a

3.3.1.2 ok katmanl yapay sinir alar
Yapay sinir alar giri katman, gizli katman ve k katmanndan oluur. Sisteme
gre gizli katman says ve gizli katmanda bulunan nron says deimektedir.
ekil 3.12 de ok katmanl yapay sinir a grlmektedir[7].

Giriler
Katman 1
Katman 2
Katman 3
klar
y1
u1
b21
b11
u2
b12
un
b31
F
b22
b1n
y2
b32
b2n
yn
b3n
ekil 3.12 : ok katmanl yapay sinir a

Yapay sinir a en uygun ekilde seildikten sonra eitime balanmaldr. Eitim
aamas, her giri uygulandktan sonra arlklar ve yanllklar ayarlayan artml
29
eitim ya da tm giriler uygulandktan sonra arlklar ve yanllklar ayarlayan

eitim olarak ikiye ayrlr.
Yapay sinir alarna ait tasarm basamaklar[7].
Veri biriktirme
Verinin hazrlanmas
YSA nn oluturulmas
YSAnn eitilmesi
YSA nn dorulanmas
YSA nn kullanlmas
Yapay sinir alar statik ve dinamik olarak ikiye ayrlabilir. Statik yapay sinir
alarnda geri besleme yoktur ve bu yzden gecikme yoktur. leri beslemeli olarak
uygulanan girilere bal olarak klar bulunur. Dinamik yapay sinir alarnda
k; kn nceki deerlerine, nceki girilere veya durumlara baldr[7].
Yapay sinir alarnn eitimi aamasnda farkl renme tipleri bulunmaktadr.
retici ile renme; giri ve klarn ayn anda yapay sinir ana verildii
renme biimidir. reticisiz renme; sadece giri verilerinin bulunduu renme
eklidir[6].
3.3.1.3 NARX A
NARX a, ileri beslemeli yapay sinir alarnn farkl bir eididir. NARX yapay
sinir alar daha ok zaman serilerini modellemede kullanlan dorusal ARX
modelinin zel bir eklidir[7].
Kapal evrim gsterimi olduu gibi ak evrim eklinde de gsterilebilir.
NARX network gsterimi formlde verilmektedir (3.9).
y (t ) = f ( y (t 1), y (t 2),......., y (t n y ), u (t 1), u (t 2),......., y (t nu ))
(3.9)
ekil 3.13 de grld gibi ka zaman gecikmesi uygulanarak girie

uygulanmaktadr[7].
Bu
sayede
sistemin
gstermektedir.
30
dinamik
yaps
girite
etkisini
Katman 1
Giriler
T
D
L
Katman 2
IW
LW
F
T
D
L
LW
ekil 3.13 : NARX a

NARX network bir ok uygulama alanna sahiptir. leriki k deerlerini tahmin
etmek iin kullanlabilir. Dorusal olmayan dinamik sistemlerin modellenmesinde
kullanlabilir[7].
ekil 3.14 de grld gibi NARX network iki farkl yaplandrmaya sahiptir. Her
iki gsterimin avantajlar ve dezavantajlar vardr[7].
u(t)
u(t)
T
D
L
leri
Beslemeli
Yapay
Sinir A
T
D
L
leri
Beslemeli
Yapay
Sinir A
y(t)
T
D
L
T
D
L
Paralel Yap
Paralel Yap
ekil 3.14 : NARX paralel yap ve seri yap
31
y(t)
32
4. MEMBRANIN DNAMK BR SSTEM OLARAK MODELLEMES

Membran biyorektr sistemi dorusal olmayan, ok girili ve ok kl, dinamik bir
sistemdir.
Literatr almalarnda membran biyoreaktrn performans gstergesi olan ak
incelenmektedir. Tkanmann incelenmesinde yapay sinir alar kullanlmtr.
Tez almasnda sistemin klar basn fark ve ak olarak seilmitir. Girilerin
seiminde temel bileen analizi, karlkl iliki yntemleri ve deneyimler ile seilmi
modeller kullanlmaktadr.
Membran biyoreaktr sistemi aktif amur sistemi ile birlikte filtrasyon sistemini de
iermektedir. Biyokimyasal reaksiyonlarn gereklemesi ve karmak bir yaps
olmas sebebiyle modellemesi zor bir sistemdir. Tm bu durumlar yanstacak tek bir
matematik modelin olmayndan dolay modellemede genellikle yapay sinir alar
kullanlmaktadr.
ncelikle dorusal sistemler iin kullanlan parametrik modelleme ekillerinden
ARX ve ARMAX ile modelleme yaplmtr. stenilen baarmn elde edilmemesi
sonucu yapay sinir alar ile modelleme yaplmtr.
Tm alma boyunca karlalan en byk problemlerden biri toplanan veride
alglayc hatalar veya eksik verilerin olmasdr. Gelen evsel atk suyun
karakteristiinin zamanla deimesi ve alma boyunca membran biyoreaktrn
iletme tipinin deitirilmesi de modelleme asndan istenilmeyen bir durumdur.
Ak ve basn farknn k olarak modellenmesi ile sistem hakknda bilgi sahibi
olunabilecektir. Yaplacak tahminler ile membran biyoreaktrn iletilmesinde
deiiklik yaplabilecektir. Tm bu varyasyonlarn sahada olumadan nce
benzetimlerinin yaplabilmesi sonucu operatr veya kontrolc en uygun iletme
eklini seecektir.
Membran biyoreaktrn ak ve basn bilgilerinin doru yorumlanmas sayesinde,
optimum iletme salanmakta ve tkanma olumadan gerekli nlemler alnmaktadr.
33
Bu sayede iletme giderleri dmekte ve yksek ak ile almaya devam

edilebilmektedir.
Tkanmann durumuna gre alnacak tedbirler ile daha uzun sreli optimum iletme
salanabilmektedir.
Gelecekte
yaplabilecek
olan
almalarda
gelitirilecek
uyarlamal denetleyici (adaptive controller) ile farkl tkanma tipleri iin farkl
algoritmalar oluturulabilecektir.
4.1 Membran Biyoreaktr Konfigrasyonu

Pilot membran biyoreaktr tesisinde bulunan ekipmanlar 4.1 numaral izelgede
verilmektedir.
Sahadaki veriler veri kaydedici (datalogger) yardm ile kaydedilmitir. Gnlk
olarak laboratuarda askda kat madde miktar llmtr. Membran biyoreaktr,
operatr paneli ve programlanabilir mantksal denetleyici (PLC) yardm ile operatr
tarafndan iletilmektedir.
izelge 4.1 : MBR ekipmanlar

1 adet oksijen alglaycs
1 adet debi ler
1 adet seviye alglaycs
2 adet basn alglaycs
1 adet redox alglaycs
1 adet oransal vana
Tek akl artma prosesinde birleik membran / havalandrma vardr. Ana giriten
ham su ift ynl 3 mm tambur zgaradan geerek pilot tesise beslenir.
Membran biyoreaktrn sreleri ekil 4.1 de belirtildii gibidir.
Ham Su
Pompas
Tambur
Izgara
Anoksik
Tank
Oksik
Tank
Sznt
Hatt
ekil 4.1 : MBR sreci

Dnem dnem membran biyoreaktr farkl senaryolar ile iletilmitir. Bu senaryo
deiiklikleri ile membrann alma artlar belirlenmitir.
34
Modelleme iin kullanlacak girilerinin ve klarnn sahadan toplanabilmesi iin

izelge 4.1 de bulunan ekipmanlar datalogger ile haberlemektedir. Bu sayede
periyodik olarak tm veriler bilgisayar ortamna aktarlmtr.
Bilgisayar ortamna aktarlan verilerin ve laboratuar sonularnn dzenlenmesi
gerekmektedir. Eksik veya hatal bilgilerin ilenmesi modellemeye balanmadan
nce yaplmas gereken nemli bir basamaktr.
4.2 Verinin Hazrlanmas

Genel olarak sinyaller dijital sinyal ve analog sinyal olarak snflandrlmaktadr.
Analog sinyallerin yn ve iddeti zamanla deimektedir. Dijital sinyaller, verilerin
kesikli zamanda gsterimi eklindedir[29,30].
Elimizdeki verilerin yapay sinir alar ile ilenmeden nce hazrlanmas
gerekmektedir. Alglayc arzalar ya da enerji kesintilerinden dolay alnamayan
veriler matlab tarafndan numara deil (NaN) olarak isimlendirilmektedir. Sre
asndan anlamsz deerlerin yapay sinir alarna giri olarak uygulanmadan nce
incelenmesi gereklidir. Bu veriler de NaN olarak alnmtr.
alma boyunca kullanlan veri setinde bulunan eksik ya da anlam tamayan
deerlerin dzenlenmesinde sfrnc derece tutma (ZOH) yntemi kullanlmtr.
NaN deerler yerine bir nceki deer atanmaktadr. Simulink parametre tahmini
aracnda bulunan sinyal ileme arac ile elimizdeki veriler dzenlenmitir(ekil 4.2
ve 4.3).
Verilerin dzenlenmesinden sonra yapay sinir ann girilerinin ve klarnn
belirlenmesi gerekmektedir.
Drt farkl model zerinde allmtr. Deneyimlere dayanlarak seilen giriler
birinci modeli oluturmaktadr. Asal bileen analizi (PCA) ile elde edilen giriler
ikinci modeli oluturmaktadr. Karlkl bilgi (MI) ile seilen giriler nc modeli
oluturmaktadr. Drdnc modelde tm giriler seilmektedir.
Tm modellerde yapay sinir ann k olarak basn fark ve anlk ak
kullanlmtr.
35
ekil 4.2 : Simulink parametre tahmin arayz(NaN ekli)
ekil 4.3 : Simulink parametre tahmin arayz(ZOH ekli)
36
Uygun giriler ve klar belirlenerek modeller oluturulduktan sonra yapay sinir

ana uygulanmadan nce veri setinin ortalamas sfr ve standart sapmas 1 olacak
ekilde ayarlanmaktadr. Bu sayede ofset giderilmekedir. Verinin hazrlanmasndaki

son adm -1 ve + 1 aralnda leklendirmedir. Tm bu ilemler matlab araclyla
yaplmaktadr.
4.3 Giri Deikenlerinin Seim Metotlar

Yapay sinir alarnn tasarmnda giri deikenlerinin seimi nemli bir yer
tutmaktadr. Zaman serilerinin modellenmesinde, tahminin baarmnda seilen
giriler byk nem tamaktadr. Gereksiz girilerin yapay sinir alarna
uygulanmas ile birlikte kimi zaman ar uyma (overfitting) grlmektedir[31].
Elimizdeki potansiyel giriler ok boyutlu olduunda daha efektif bir seim iin ekil
4.7 de bulunan algoritmalardan uygun olan kullanlmaktadr. Bu sayede
genelletirilmi bir giri takm elde edilebilir[6,32].
ki ve nc modelin girilerinin seiminde kullanlan PCA ve MI 4.3.1 ve 4.3.2

blmnde anlatlmaktadr.
4.3.1 Temel bileen analizi (PCA)

kinci modelin girilerinin seiminde, elimizdeki veri setini birbirine dik ve bamsz
dorusal vektr setleri eklinde ifade edebilen ve birinci bileende en fazla varyans
ieren, matris boyutunu azaltmak iin kullanlabilen bir yntem olan PCA
kullanlmtr[33].
1. ve 2. bileenlerde pozitif etkiye sahip bileenler seilmitir. kinci modelde, asl
bileen analizi (PCA) kullanlarak birinci bileenin iinde en ok etkiye sahip olan
tank seviyesi ve ikinci bileenin iinde en ok etkiye sahip olan redox seilmitir.
1. ve 2. bileenler tm varyansn yaklak % 94 n kapsamaktadr. ekil 4.4 de 1.
ve 2. eksende gsterilen verilerimiz bulunmaktadr.
ekil 4.5 de 1. bileenin varyansn % 86.4 n temsil ettiini gryoruz. 2. bileen

varyansn % 7.2 sini temsil etmektedir. lk iki bileenin toplam yaklak tm verinin
% 94 dr.
37
2
1.5
1
2. Ana Komponent
0.5
0
-0.5
-1
-1.5
-2
-2.5
-3
-4
-3
-2
-1
0
1
1. Ana Komponent
ekil 4.4 : 1. ve 2. eksen verileri

ekil 4.6 da 1. ve 2. bileenlere ait veriler grlmektedir. 1. bileen iin seviye
pozitif bir etkiye sahiptir. redox, akm, O2, vana ve scaklk negatif bir etki
gstermektedir. 2. bileen iin redox ve seviye pozitif, akm, O2, vana ve scaklk
negatif etkiyi oluturmaktadr.
PCA uygulanmadan nce elimizdeki veriler ortalamas 0 ve toplam varyans 1 olacak
ekilde ayarlanmaldr. Bu ilem sadece muhtemel girilerin olduu veri setine

uygulanmaldr. Sonular yorumlanrken girilerin klar zerindeki etkisi de gz
Varyans (%)
nnde bulundurulmaldr.
90
90%
80
80%
70
70%
60
60%
50
50%
40
40%
30
30%
20
20%
10
10%
2
Ana Komponentler
ekil 4.5 : Komponentlere ait varyanslar

38
0%
REDOX
0.8
0.6
Komponent 2
0.4
0.2
SEVIYE
0
VANA
-0.2
O2
SICAKLIK
AKM
-0.4
-0.6
-0.8
-1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
Komponent 1
0.4
0.6
0.8
ekil 4.6 : 1. ve 2. komponentlerin bileenleri

4.3.2 Karlkl bilgi (MI)
Elimizdeki girilerin klar ile olan karlkl bilgilerine (MI) baklarak giri seimi
yaplmtr. MI analizinde elimizde olan X (Giri) ve Y (k) olarak isimlendirilen
deikenler arasndaki ilikiye baklr[34].
Karlkl bilgi olaslk younluu fonksiyonlar yardm ile hesaplanr (4.1)[32].
I ( X , Y ) = dxdyf x , y ( x, y ) log
f x , y ( x, y )
fx ( x) f y ( y)
f x ( x ) ve f y ( y ) : Marjinal olaslk younluu fonksiyonu
(4.1)
f x , y ( x, y ) : Mterek olaslk younluu fonksiyonu

I ( X , Y ) : Karlkl Bi lg i ( MI )
Aradaki en iyi korelasyona bal olarak giri ve k arasndaki MI ykselmektedir.
Sonu olarak MI deeri en yksek kan 3 giri yapay sinir ann girii olarak
seilmitir. Askda kat madde, redox ve seviye 3. modelde kullanlmtr.
39
BOYUT KLTME
DEVR
DORUSAL
ASAL KOMPONENT ANALZ ( PCA )
PARALI EN KK KARE ( PLS )
DORUSAL OLMAYAN
BAIMSIZ KOMPONENT ANALZ ( ICA )
DORUSAL OLMAYAN ASAL KOMPONENT ANALZ ( NLPCA
KME
RENEN VEKTR DORULAMA ( LVQ )
KENDN RGTLEYEN HARTALAMA ( SOM )
DEKEN SEM
MODEL BAZLI
SARGI TP
E
LER YNL SEM
GERYE DORU ELEME
E ALT KME
GENEL ARAMA
DETAYLI ARAMA
BULGUSAL ARAMA
EN YKSEK MERTEBE
TEKL DEKEN MERTEBES ( SVR )
GRNN GR BELRLEME ALGORTMASI ( GRIDA )
GML
OPTMZASYON
DREKT OPTMZASYON
EVRMC YAPAY SNR ALARI
AIRLIK BAZLI
ADIMSAL REGRESYON
BUDAMA
TEKRARLANAN ZELLK ELEMES
FLTRE ( MODELSZ )
KORELASYON ( DORUSAL )
MERTEBE ( MAKSMUM ) PEARSON KORELASYONU
MERTEBE ( MAKSMUM ) SPEARMAN KORELASYONU
LER PARALI KORELASYON SEM
ZAMAN SERS ANALZ
BLG TEORS ( DORUSAL OLMAYAN )
ENTROP
ENTROP ( MNMUM ) SIRALAMA
MNMUM ENTROP
KARILIKLI BLG ( MI )
SIRALAMA ( MAKSMUM ) MI
MI ZELLK SEM ( MIFS )
MI w ICA ( ICAIWS )
PARALI KARILIKLI BLG ( PMI )
KATILIMCI MI ( JMI )
ekil 4.7 : Giri deikenleri seim stratejileri ve algoritmalar

40
4.4 Sistemin Dorusallnn ncelenmesi

Seilen parametrelerin kendi aralarnda dorusalln test etmek amac ile koherans
analizine bavurulmutur.
Koherans analizi verileri frekans alannda inceleyen ve genlie gre incelenen
parametreler
arasndaki
dorusallk
hakknda
bilgi
veren
sinyal
ileme
yntemlerinden biridir.
ekil 4.8 de dorusal sisteme ait tepki grlmektedir. Dorusal olmas sebebiyle
genlik srekli 1 dir.
Dogrusal Sistem Tepkisi
Genlik
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Normalize Frekans ( rad/rnek)
ekil 4.8 : Dorusal sistem tepkisi

Giriler ve klar arasnda olan ilikiler gsterilmektedir(ekil 4.9, 4.10, 4.11).
Sonularda da grld gibi membran biyoreaktre ait giriler ve klar
arasndaki iliki dorusal olmayan tiptedir.
41
Welch ile Hesaplanan Koherans
O2 ve AKI
0.6
0.6
Genlik
Genlik
0.8
0.4
0.4
0.2
0.2
0
0.8
AKM ve AKI
0.2
0.4
0.6
0.8

0.7
0.2
0.4
0.6
0.8

REDOX ve AKI
0.6
SEVIYE ve AKI
0.8
0.4
Genlik
Genlik
0.5
0.3
0.6
0.4
0.2
0.2
0.1
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
ekil 4.9 : Koherans analizi sonular-1

0.8
0.8
0.6
0.6
0.4
0.2
0
SICAKLIK ve AKI
Genlik
Genlik
VANA POZISYON ve AKI
0.4
0.2
0.2
0.4
0.6
0.8

0.6
0.8
O2 ve FARK BASINCI
0.6
0.6
Genlik
Genlik
0.4
0.8
AKM ve FARK BASINCI
0.8
0.4
0.4
0.2
0.2
0
0.2
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8

42
0.7
REDOX ve FARK BASINCI
0.6
SEVIYE ve FARK BASINCI
0.8
0.4
Genlik
Genlik
0.5
0.3
0.6
0.4
0.2
0.2
0.1
0
0.2
0.4
0.6
0.8

SICAKLIK ve FARK BASINCI
0.8
0.8
0.6
0.6
0.4
0.2
0
0.4
0.6
0.8
Genlik
Genlik
0.2
VANA POZISYON ve
FARK BASINCI
0.4
0.2
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8

4.5 Sistemin Derecesinin Ve Gecikmesinin Bulunmas
Sistemler hakknda bilgi sahibi olmak ve dinamiklerini anlamak iin zaman
blgesinde uygulanan yntemler bulunmaktadr. Basamak tepkisi (step response) ve
darbe yant (impulse response) kullanlan yntemlerdendir[5].
Dinamik
sistemlerin
zaman
tepkilerini
hesaplayabilmek
iin
diferansiyel
denklemlerin zlmesi gerekmektedir. Bunun iin eitli yntemler bulunmaktadr

fakat en sk kullanlan yntemlerden biri Laplace dnmdr[23].
Sistemin zaman tepkisi geici rejim tepkisi (transient response) ve srekli rejim
tepkisinden (steady state response) olumaktadr[23].
Basamak tepkisi formldeki gibi ifade edilmektedir (4.2)[25].
0, t < 0
u (t ) =
, t 0
43
(4.2)
Sistemin dinamii hakknda bilgi veren basamak tepkisi, sistemin derecesi(kutuplar

yani kkleri) hakknda bilgi vermektedir. Sistemin cevabna gre modelin derecesi
hakknda bilgi sahibi olunabilir.
Model derecesi sistemin kutuplar, sistemin sfrlar ve sistemin gecikmesine baldr.
Genel olarak model yaps ile ilgilidir[5]. Birinci derece, ikinci derece ve nc
derece sistemlere ait basamak tepkisi cevaplar ekil 4.12, 4.13 ve 4.14 de
gsterilmektedir.
ekil 4.12 : 1. derece sisteme ait basamak tepkisi

44

Darbe yant formldeki gibi ifade edilmektedir (4.3)[25].
0, t 0
1, t = 0
(t ) =
(4.3)
Parametrik kara kutu modellemede model derecesinin yannda giri ve k

gecikmelerinin de belirlenmesi gerekmektedir. Giriin etkisinin kta grlme
sresine gecikme denilmektedir[5].
Formlde SISO sisteme ait ARX gsterimi bulunmaktadr (4.4). kn ve giriin
model derecesi ARX gsterimde ka adet terim olacan belirlemektedir. Gecikme
ile bulunan terimlerin zamanda ne kadar kayma ile balayacan ifade etmektedir.
Bantda na kk saysn, nb sfr says + 1, nk gecikmeyi ifade etmektedir[5].
y (t ) + a1 y (t 1) + ........ + ana y (t na ) = b1u (t nk ) + ........ + bnb u (t nk nb + 1) + e(t )
(4.4)
Model gecikmesi ve derecesi Matlab sistem tanlama ara kutusu arayz veya
komut satr yardmyla hesaplanabilmektedir. Model derecesi belirlenirken Akaike
bilgi kriteri (AIC) veya Rissanen minimum tanm uzunluu (MDL) yntemleri
kullanlabilmektedir[5].
MBR sistemine ait girilerin darbe yant SISO olarak incelendiinde elde edilen
grafikler ekil 4.15 4.26 arasndaki ekillerde verilmektedir.
45
ekil 4.15 : AKM ak sistemine ait darbe yant
ekil 4.16 : AKM basn sistemine ait darbe yant
46
ekil 4.17 : O2 ak sistemine ait darbe yant
ekil 4.18 : O2 basn sistemine ait darbe yant
47
ekil 4.19 : Redox ak sistemine ait darbe yant
ekil 4.20 : Redox basn sistemine ait darbe yant
48
ekil 4.21 : Seviye ak sistemine ait darbe yant
ekil 4.22 : Seviye basn sistemine ait darbe yant
49
ekil 4.23 : Scaklk ak sistemine ait darbe yant
ekil 4.24 : Scaklk basn sistemine ait darbe yant
50
ekil 4.25 : Vana ak sistemine ait darbe yant
ekil 4.26 : Vana basn sistemine ait darbe yant

Sistem derecesi mertebesinde klar geri besleme olarak gecikmeli girie
uygulanmaktadr. Bu sayede modelin dinamik yaps salanmaktadr.
Sistem derecesi bulunurken Matlab aralarndan sistem tanlama ara kutusu
grafiksel kullanc arayz kullanlmtr(ekil 4.27 ve 4.28).
51
ekil 4.27 : Sistem tanlama ara kutusu (ofset kaldrma)
ekil 4.28 : Sistem tanlama ara kutusu (model derecesi seim)

4.6 ARX ve ARMAX Yaplar le Modelleme
Bu blmde dorusal parametrik modelleme yntemlerinden olan ARX ve ARMAX
ile membran biyoreaktr sistemi modellemesi yaplmtr. En uygun ARX ve
ARMAX modeli seilirken sistemin kutup ve sfr iptali (pole-zero cancellation)
ieren durumlar incelenerek daha dk mertebeli modeller seilmitir. ekil 4.29
da grld gibi ARX ile modelleme sonucunda en iyi deer 39.57 olarak
bulunmutur. ARMAX ile elde edilen en iyi deer 38.14 dr(ekil 4.32).
52
4.6.1 ARX ile modellenmesi

ekil 4.30 da grld gibi model iin sfr ve kutup sadelemesi mevcuttur.
Tm sadelemeler yaplarak model mertebesi drldnde elde edilen modele ait
sfr ve kutuplar ekil 4.31 de grlmektedir. Model iki kutuba sahiptir. Modelin
baars 30.04 dr.
ekil 4.29 : ARX modeller
ekil 4.30 : Kutup sfr sadelemesi yaplmadan nce

53
ekil 4.31 : Kutup sfr sadeletirmesi uygulanm ekli

4.6.2 ARMAX ile modellenmesi
ARMAX ile elde edilen modelin baarm 38.14 de kalmtr. 2 kutup ve 1 sfra
sahip olan model yeterli baarm salayamamtr.
ekil 4.32 : ARMAX modeller

ARX ve ARMAX ile modellemede istenilen baarm salanamad iin yapay sinir
alar ile modellemeye karar verilmitir.
54
4.7 Yapay Sinir A le Modellenmesi

ARX ve ARMAX yntemi ile elde edilen sonular tatmin edici deildir. Bu yzden
parametrik olmayan kara kutu modelleme yntemi olan yapay sinir a kullanlarak
modellemeye karar verilmitir.
MBR dorusal olmayan bir sistemdir. Yapay sinir a ile zaman serisi eklinde
tanmlanabilir. Sistemin dinamiini temsil edebilmek iin klar geri besleme ile
girilere gecikme ile uygulanmtr. Sistem derecesi orannda geri besleme
yaplmtr. Giriler de gecikmeli olarak uygulanmaktadr.
alma boyunca kullanlan modeller izelge 4.2 de zetlenmektedir.
izelge 4.2 : YSA modeller

Model No
Giri Says
k Says
Giriler
klar
AKM
Ak
Scaklk
Basn Fark
Redox
Ak
Seviye
Basn Fark
AKM - Redox
Ak
Seviye
Basn Fark
AKM O2
4
Redox-Seviye
Scaklk-Vana
Ak
Basn Fark
YSA baarmnda lt % hata, toplam mutlak hata (SAE) ve maksimum mutlak hata
(MAE) seilmitir.
ekil 4.33, 1. model iin eitilen yapay sinir ann ak kn ve gerek aky
gstermektedir. ekil 4.35, ekil 4.33 e ait yzde hatay gstermektedir. ekil 4.34,
1. model iin eitilen yapay sinir ann basn fark kn ve gerek basn farkn
1. model iin kullanlan validasyon seti ile elde edilen ak kn ve gerek aky
gstermektedir. ekil 4.38, 1. model iin kullanlan validasyon seti ile elde edilen
basn farkn ve gerek basn farkn gstermektedir. ekil 4.39, 1. model iin
akya ait ok adml tahmini(MSP) ve gerek deerleri gstermektedir.
55
ekil 4.40, 1. model iin basn farkna ait ok adml tahmini ve gerek deerleri
gstermektedir.
gstermektedir. ekil 4.44, ekil 4.42 ye ait yzde hatay gstermektedir. ekil 4.45,
akya ait ok adml tahmini ve gerek deerleri gstermektedir. ekil 4.48, 2. model
iin basn farkna ait ok adml tahmini ve gerek deerleri gstermektedir.
gstermektedir. ekil 4.51, ekil 4.49 a ait yzde hatay gstermektedir. ekil 4.50,
gstermektedir. ekil 4.60, ekil 4.59 a ait yzde hatay gstermektedir. ekil 4.61,
Yapay sinir ann eitiminde kullanlan veri setinin % 70 i eitim, % 15 i
dorulama ve % 15 i test iin kullanlmaktadr. YSA eitim sonular % 15 lik
dorulama sonularn da iermektedir.
56
4.7.1 Model 1
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
ekil 4.33 : Model 1 ak iin YSA eitim sonucu
57
230
240
250
260
270
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
ekil 4.34 : Model 1 basn iin YSA eitim sonucu
58
230
240
250
260
270
10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
250
260
270
ekil 4.35 : Model 1 ak iin YSA eitim hatas

10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
250
ekil 4.36 : Model 1 basn iin YSA eitim hatas
59
260
270
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
14
ekil 4.37 : Model 1 ak iin YSA validasyon sonucu

1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
ekil 4.38 : Model 1 basn iin YSA validasyon sonucu
60
14
-3
12
x 10
YSA Tahmin
Gerek Veri
11
10
FLUX
7
8
Zaman ( Gn )
10
11
12
13
14
15
ekil 4.39 : Model 1 ak iin MS YSA tahmini

220
YSA Tahmin
Gerek Veri
210
200
TMP
190
180
170
160
150
140
7
8
Zaman ( Gn )
10
11
12
13
14
ekil 4.40 : Model 1 basn iin MS YSA tahmini
61
15
4.7.2 Model 2
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
62
230
240
250
260
270
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
63
240
250
260
270
10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270

10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
64
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
14

1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
65
14
-3
12
x 10
YSA Tahmin
Gerek Veri
11
10
FLUX
7
8
Zaman ( Gn )
10
11
12
13
14
15

220
YSA Tahmin
Gerek Veri
210
200
TMP
190
180
170
160
150
140
7
8
Zaman ( Gn )
10
11
12
13
14
66
15
4.7.3 Model 3
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
67
220
230
240
250
260
270
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
68
230
240
250
260
270
10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270

10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
69
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
14

1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
70
14
-3
12
x 10
YSA Tahmin
Gerek Veri
11
10
FLUX
7
8
Zaman ( Gn )
10
11
12
13
14
15

220
YSA Tahmin
Gerek Veri
210
200
TMP
190
180
170
160
150
140
7
8
Zaman ( Gn )
10
11
12
13
14
71
15
4.7.4 Model 4
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
72
220
230
240
250
260
270
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
73
230
240
250
260
270
10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270

10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
130 140 150

Zaman ( Gn )
160
170
180
190
200
210
220
230
240
74
1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
14

1
YSA Sonucu
Gerek Veri
0.8
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
75
14
-3
12
x 10
YSA Tahmin
Gerek Veri
11
10
FLUX
7
8
Zaman ( Gn )
10
11
12
13
14
15

220
YSA Tahmin
Gerek Veri
210
200
TMP
190
180
170
160
150
140
7
8
Zaman ( Gn )
10
11
12
13
14
76
15
5. SONULAR VE NERLER
amzn sorunlarndan biri olan temiz suyun korunmas iin atk su artma
teknolojileri ile ilgili yaplan almalar her geen gn daha da artmaktadr.
MBR sistemi, CAS sisteminde olan baz snrlamalar ile daha kolay baa
kabilmesinden dolay ilgi ekmektedir. k suyunun kalitesi, yksek AKM ile
alabilmesi, sistemden uzaklatrlacak olan amurun az olmas, zel durumlar iin
kullanlabilmesi,
daha
az
yerleim
alanna
ihtiya
duymas
ve
iletme
parametrelerinin esneklii MBR n avantajlardr. Yksek iletme maliyeti,

kontrolnn karmak olmas, oksijen transfer veriminin dk olmas ve tkanmas
dezavantajlarndandr[35].
Membran biyoreaktr iletilmesinde karlalan en byk problem tkanmann
olumasdr. Tkanma geirgenliin azalmasna ve aknn dmesine sebep
olmaktadr. Bu durum iletme giderlerini arttrmakta, MBR performansn
drmekte ve i ykn arttrmaktadr. MBR n tkanmasn nlemek iin
uygulanabilecek farkl kontrol yntemleri bulunmaktadr.
Atk su artma tesislerinde kullanlan aktif amur sistemleri MBR iin model olarak
kullanlabilmektedir. Aktif amur modeli 1 (ASM1) veya aktif amur modeli 3
(ASM3) MBR modellenmesinde kullanlabilmektedir. MBR n yapsnn ve alma
dinamiklerinin atk su artma tesislerinden farkl olduu gz nne alnmaldr[36].
Tkanmann fazlarna gre alnacak nlemler de farkldr. MBR n sabit ak ile
iletilmesi
esnasnda
karlalabilecek
tkanma
durumlar,
zamanla
deimektedir[19].
MBR birden ok dinamii iermesi sebebiyle anlamas ve iletmesi zor bir sistemdir.
Zamanla aknn dmesi sonucu dinlendirme, kimyasal temizleme gibi zmler
uygulanabilmektedir. Fakat bunun sonucu olarak uzun vadeli iletmede kimyasallarn
kasetleri etkilemesi gibi farkl sonular ile karlalmaktadr. MBR n modellenmesi
ve tkanma hakknda fikir sahibi olabileceimiz parametreler olan TMP ve Flux n
tahmini iletmede kolaylk salayacaktr.
77
MBR sistemini bir btn olarak modellemek amacyla dorusal sistemlerin

modellenmesinde kullanlan ARX ve ARMAX yntemleri seilmitir. ARX iin en
yksek baarm 39.57 ve ARMAX iin en yksek baarm 38.14 olarak elde
edilmitir. stenilen baarmn elde edilememesi sonucunda YSA ile modellemeye
karar verilmitir.
YSA, sistemin matematik modeli olmadan sadece giri ve k bilgisi ile modelleme
yapmaya olanak salamaktadr. Sahadan topladmz bilgilerin YSA tasarmnda
kullanlabilmesi iin dzenlenmesi gerekmektedir. Eksik bilgi veya yanl bilgi MBR
sisteminin
dinamiini
yanstmayan
durumlar
oluturabilmektedir.
Verinin
hazrlanmas kadar yapay sinir ann seimi de nemlidir.

Dinamik sistemlerin modellenmesinde model girilerinin seimi, model yaps,
modelin derecesi ve model parametreleri belirlenmesi gereken basamaklardr[37].
leri yaylml yapay sinir a (feed-forward) klarnn model derecesi kadar girie
geri beslenmesi ve girilerin gecikme ile uygulanmas sonucu NARX yapsna benzer
bir YSA yaps oluturulmutur.
MBR n dinamik olarak modellenmesinde drt farkl model oluturulmutur. Model
1 oluturulurken MBR dinamikleri ve evre artlar gz nne alnarak AKM ve
scaklk seilmitir. Model 2 nin girilerinin seiminde PCA yntemi kullanlmtr,
redox ve seviye elde edilmitir. Model 3 iin MI yntemi kullanlm ve giri olarak
AKM, redox ve seviye seilmitir. Model 4 iletme esnasnda kullanlan tm
parametreleri iermektedir. Eitim, validasyon ve kn gelecekteki deerlerinin
n
tahminine ait toplam mutlak hata ( SAE = ei ) ve maksimum mutlak hata

i =1
( MAE = max ei ) deerleri izelge 5.1 ve izelge 5.2 de verilmektedir.

Model 1 ve model 2 deki baarm birbirine yakndr fakat tatmin edici deildir.
Model 3 ve model 4 dier modellere gre daha iyi baarm gstermektedir. Tm
modeller iin en yksek hatalar eitim srasnda olumaktadr. Yzde (%) hatadan da
grlebilecei gibi anlk hata artlar ortalama ve maksimum hatay da
arttrmaktadr. Genel olarak MS tahmin hatalar tatmin edici seviyededir.
Zaman serilerinin tahmininde kullanlan farkl yntemler bulunmaktadr. MS tahmin
olarak bilinen yntem iteratif olarak bulunan son deerin bir sonraki admda giri
olarak uygulanmas ile elde edilmektedir[38-40].
78
14 gn sonraki deerleri bulabilmek iin MSP yntemi kullanlmtr. MSP

baarmnn artmas ve daha uzun sreli tahminde bulunabilmek iin daha fazla ve
daha dzenli veriye ihtiya vardr.
Bu tezde yalnzca bir pilot membran biyoreaktr sistemi modellenmitir. Veri
toplama srecinde farkl MBR iletme tiplerinin denenmesi nedeniyle MBR dzenli
bir rejimde iletilmemitir.
lk kez kurulan MBR iin balang deerleri kaydedilerek iletilmeye balanmal ve

daha kararl bir iletme denenmelidir. Farkl tkanma senaryolarn ieren durumlar,
YSAnn eitiminde ve validasyonunda kullanlarak, baarm arttrlabilir.
Ayn zamanda sistemin modeli ve gecikmesi hakknda daha ok bilgiye sahip
olabilmek iin farkl yntemler aratrlmaldr. Ayrca farkl membran biyoreaktr
sistemleri de mevcut yapay sinir ayla modellenip, yapay sinir ann baarmnn
artrlmas salanabilir.
Model 3 ve model 4, sistemi %98 baar ile modelleyebilmektedir. MS tahmin hatas
tatmin edicidir. Bu almann, oluturulacak uygun kontrol algoritmalar ile farkl
MBR niteleri iin denenerek gelitirilmesi nerilebilir.
izelge 5.1 : Model 1 ve Model 2 Hata Tablosu

Model 1
Model 2
Tr
SAE1 SAE2 MAE1 MAE2
SAE1
SAE2
MAE1
MAE2
Eitim
19.14
17.49
0.65
0.74
19.75
17.77
0.70
0.67
Validasyon
1.62
1.19
0.36
0.26
1.12
0.61
0.27
0.17
MS Tahmin
0.96
1.09
0.32
0.16
1.53
0.76
0.30
0.23
79
izelge 5.2 : Model 3 ve Model 4 Hata Tablosu

Model 3
Model 4
Tr
SAE1 SAE2 MAE1 MAE2
SAE1
SAE2
MAE1
MAE2
Eitim
19.41
14.44
0.72
0.55
17.20
15.33
0.29
0.51
Validasyon
0.90
0.31
0.15
0.10
0.95
0.50
0.10
0.12
MS Tahmin
0.72
0.22
0.10
0.04
0.78
0.34
0.11
0.05
Akya ait hatalar 1, basn farkna ait hatalar 2 ile numaralandrlmaktadr.
80
KAYNAKLAR
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Url-1 <http://en.wikipedia.org/wiki/water>, Alnd tarih: 13.11.2011

Labview, (2006): System identification toolkit user manuel, National
instruments, 371001C-01
Drinan, J. E., (2001): Water and wastewater threatment: A guide for the
nonengineering professional, CRC press, Boca Raton, Florida
Van der Roest, H. F., Lawrence, D. P., and Van Bentem, A. G. N., (2002):
Membrane bioreactors for municipal wastewater threatment, Water
and wastewater practioner series, Stowa report, IWA publishing,
London, UK
Ljung, L., (2011): System identification toolbox: Getting started guide, The
MathWorks, Inc., Natick, MA
Suzuki, K., (2011): Artificial neural networks methodological advances and
biomedical applications, Intech, Crotia
Beale, M. H., Hagan, M. H., and Demuth, H. B., (2010): Neural network
toolbox: Users guide, The MathWorks, Inc., Natick, MA
Zhifeng, L., Dan, P., Jianhua, W., and Shuangxi, Y., (2010): Modelling of
membrane fouling by PCA-PSOBP neural network, 2010
International conference on computing, control and industrial
engineering(CCIE), Wuhan, Chine, 5-6 Haziran
Le Clech, P., Jefferson, B., Chang, I. S., and Judd, S. J., (2003): Critical
flux determination by the flux-step method in a submerged membrane
bioractor, Journal of membrane science, 227, 81-93
Meng, F., Chae, S. R., Drews, A., Kraume, M., Shin, H. S., and Yang, F.,
(2009): Recent advances in membrane bioreactors(MBRs): Membrane
fouling and membrane material, Water research, 43, I489-I512,
doi:10.1016/j.watres.2008.12.044
Shengji, X., Juanjuan, Y., and Naiyun, G., (2008): An empirical model for
membrane flux prediction in ultrafiltration of surface water,
Desalination, 221, 370-375, doi:10.1016/j.desal.2007.01.096
Ivnitsky, H., Minz, D., Kautsky, L., Preis, A., Ostfeld, A., Semiat, R., and
Dosoretz, C. G., (2010): Biofouling formation and modelling in
nanofiltration membranes applied to wastewater threatment, Journal
of membrane science, 360, 165-173, doi:10.1016/j.memsci.
2010.05.007
Ognier, S., Wisniewski, C., Grasmick, A., (2002): Characterisation and
modelling of fouling in membrane bioreactors, Desalination, 146,
141-147, doi:10.1016/S0011-9164(02)00508-8
Gao, D. W., Fu, Y., Tao, Y., Wu, W. M., An, R., and Li, X. X., (2009):
Current research and development of controlling membrane fouling of
MBR, African journal of biotechnology, Vol. 8 (13), 2993-2998
Gao, M., Tian, J., Zhao, L., and Li, K., (2007): The study of membrane
fouling modelling method based on wavelet neural network for
sewage treatment membrane bioreactor, Third international
81
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
conference on natural computation (ICNC07), Haikou, China, 24-27

Austos
Aidan, A., Abdel-Jabbar, N., Ibrahim, T. H., Nenov, V., and Mjalli, F.,
(2008): Neural network modelling and optimization of scheduling
backwash for membrane bioreactor, Clean technologies and
environmental policy, 10, 389-395
Url-2 <http://env.kubota.co.jp/ksmu/technical_papers/data/introduction_
submerged.pdf> Alnd tarih: 13.11.2011
Till, S., and Mallia, H., (2001): Membrane bioreactors: Wastewater
threatment applications to achieve high quality effluent, 64th Annual
water industry engineers and operators conference, Sf. 57, Bendigo,
5-6 Eyll
Judd, S., (2006): The MBR book: Principles and applications of membrane
bioreactors in water and wastewater treatment, Elsevier, Oxford, UK
Url-3 <http://www.kubota-mbr.com/resources/KubotaSMUBrochure
_2010.pdf>, Alnd tarih: 13.11.2011
Ueda, T., Hata, K., Kikuoka, Y., and Seino, O., (1997): Effects of aeration
on suction pressure in a submerged membrane bioreactor, Water
Research, 31, 489-494
Ljung, L., and Glad, T., (1994): Modelling of dynamic systems, Prentice hall,
New Jersey, USA
Burns, R. S., (2001): Advanced control engineering, Butterworth-Heinemann,
Oxford, UK
Lennart Ljung, (2007): System identification toolbox 7: Getting started guide,
The MathWorks, Inc., Natick, MA
Keesman, K. J., (2011): System identification: An introduction (Advanced
Textbooks in Control and Signal Processing), Springer, London, UK
Url-4 <http://automatica.dei.unipd.it/public/Schenato/PSC/2010_2011/
gruppo4-Building_termo_identification/IdentificazioneTermodinami
ca20072008/Biblio/Articolia%20manuel%20for%20system%20identif
ication.pdf>, Alnd tarih: 13.11.2011
Url-5 <http://wps.prenhall.com/wps/media/objects/4242/4344809/turban_
online_ch06 .pdf>, Alnd tarih: 13.11.2011
Hu, Y. K., and Hwang, J. N., (2002): Handbook of neural network signal
processing, CRC press, Boca Raton, Florida
Url-6 <http://en.wikipedia.org/wiki/Analog_signal_processing>,
Alnd tarih: 13.11.2011
Url-7 <http://en.wikipedia.org/wiki/Digital_signal_processing>,
Yuan, C., Zhang, X., and Xu, S., (2011): Partial mutual information for input
selection of time series prediction, Chinese Control and desicion
conference(CCDS), Sf. 2010-2014, Mianyang, China, 23-25 Mays
Fernando, T. M. K. G., Maier, H. R., Dandy, G. C., and May, R., (2005):
Efficient selection of inputs for artificial neural network models,
International congress on modelling and simulation MODSIM 2005,
p. 1806-1812, Melbourne, VIC, 12-15 Aralk
Url-8 <http://en.wikipedia.org/wiki/Principal_component_analysis>,
82
[34] Reyhani, N., Hao, J., Ji, Y., Lendasse, A., (2005): Mutual information and
gamma test for input selection, European Symposium on Artificial
Neural Networks ESANN2005, Bruges, Belgium, 27-29 Nisan
[35] Jiang, T., (2007): Characterization and modelling of soluble microbial
products in membrane bioreactors, Ph.D. Thesis, Ghent University,
Belgium
[36] Busch, J., (2008): Modelling and model-based control of membrane
bioreactors, Ph.D. Thesis, RWTH Aachen, Germany
[37] Nelles, O., (2001): Nonlinear system identification, Springer, Berlin, Germany
[38] Cheng, H., Tan, P. N., Gao, J., Scripps, J., (2006): Multistep-ahead time
series prediction, 10th Pacific Asia Conference on Knowledge
Discovery and Data Mining, Sf. 765-774, Singapore, April
[39] Ghazi, S., Khadir, M. T., (2009): Recurrent neural network for multi-step
ahead prediction of PM10 concentration, Journal of Automation &
Systems Engineering, Vol. 3, 76-84
[40] Davey, N., Hunt, S. P., Frank, R. J., (2001): Time series prediction and
neural networks, Journal of Intelligent and Robotic Systems, 31, 91103 doi:10.1023/A:1012074215150
83
84
ZGEM
Ad Soyad
: Bar EN
Doum Yeri ve Tarihi
: Almanya, 1981
E-Posta
: barissen@hotmail.com
Lisans
: Dumlupnar niversitesi, Elektrik-Elektronik Mh.
Yksek Lisans
: Makina Mh. - Sistem Dinamii ve Kontrol
85

Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi PDF

Uploaded by

Copyright:

Available Formats

STANBUL TEKNK NVERSTES FEN BLMLER ENSTTS

YKSEK LSANS TEZ

Makina Mhendislii Anabilim Dal

STANBUL TEKNK NVERSTES FEN BLMLER ENSTTS

YKSEK LSANS TEZ

Makina Mhendislii Anabilim Dal

Tez Danman: Prof. Dr. eniz ERTURUL

T, Fen Bilimleri Enstitsnn 503071620 numaral Yksek Lisans rencisi,

Prof. Dr. eniz ERTURUL

Yrd. Do. Dr. Ayhan KURAL

Prof. Dr. Nee TFEK

: Akaike Information Criteria

: Aktivasyon Fonksiyonlar .................................................................. 28

: Yeryzndeki su dalm ....................................................................... 1

: Koherans analizi sonular-3 .................................................................. 43

: Model 4 ak iin YSA validasyon sonucu ............................................ 75

: ARX ve ARMAX model parametreleri

MEMBRAN BYOREAKTRN YAPAY SNR AI LE

alma boyunca drt farkl model kullanlmaktadr. Birinci modelin seiminde

MODELLING OF MEMBRANE BIOREACTOR USING ARTIFICIAL

Fouling could be defined as the deposition of solid materials (organics and

Mutual information is another mathematical method that uses probability distribution

ekil 1.1 : Yeryzndeki su dalm

ekil 1.2 : Atk su karakterizasyonu

Kum Tutucu Havuz ve

Son ktrme Havuzlar

ekil 1.3 : leri biyolojik atk su artma tesisi akm emas

snflandrlrlar. Dorusal olmayan dinamik sistemler sper pozisyon ve homojenlik

Sistem hakknda yeterli bilginin olmad, matematiksel model kullanlmayan

modellenmesi hedeflenmektedir. En uygun girilerin belirlenmesi iin farkl

kullanlmaktadr. letme artlarnda aknn belirlenen deerlerin stnde olmas

Kritik ak olarak isimlendirilen durum membran biyoreaktrn optimum iletme

tkanabilmektedir. Bu nedenlerle membran biyoreaktrn iletilmesi zordur.

geirgenlii bu artlar altnda, hidrodinamik koullara bal olmayan zlebilen

ekil 1.4 de gsterilen TMP deki art iletme koullarna da baldr.

ekil 1.4 : TMP deki art

ekil 1.5 : Membrann ykama basamaklar

Membran biyoreaktr sisteminin yapsndan dolay, yapay sinir alar modellerine

belirlenmesinde temel bileen analizi kullanlarak 12 adet parametre 5 adet

ekil 2.1 : Batk tip membran ve kartu rnei

ekil 2.2 : (a)Batk tip membran ve (b)Harici tip membran

ekil 2.3 : Membran teknolojileri temel yaplandrma

ekil 2.4 : Membrann tutabildii paracklar ve sre isimleri

ekil 2.5 : Membran blok diyagram

Membran biyoreaktrn (MBR) performansnn bir dier ifadesi olan geirgenlik

Ak, diren modeli ile ifade edilebilir (2.4)[11].

ekil 2.6 : MBR ve aktif amur sisteminin karlatrlmas

geirebileceinden daha byk bir partikln gzenekleri tkamas, tkanma olarak

adlandrlmaktadr. Geri dnlebilir ve geri dnlemez tkanma olarak ikiye

ekil 2.7 : Membran parametrelerinin tkanmaya olan etkisi

ekil 2.8 : Membrann ykama basamaklar

ekil 2.9 : Pilot Membran nitesi

ekil 2.10 : Temiz kaset ve tkanan kaset

Zamannda alnacak tedbirler ile optimum iletme artlar salanabilir. Dinlendirme,

aamalarnda, fiziksel temizleme zorunlu hale gelmektedir. Bu ok zahmetli ve uzun

MBR zerindeki Etkiler

Aktif amur Sreci

Batk Tip Membran

Yanal Akl Membran

ekil 2.11 : MBR zet

ekil 2.12 : Membran biyoreaktr blok diyagram

3. DNAMK SSTEMLERN MODELLEMES

ekil 3.1 : Model Kurma