Professional Documents
Culture Documents
Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi PDF
Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi PDF
MEMBRAN BYOREAKTRN
YAPAY SNR AI LE MODELLENMES
OCAK 2012
MEMBRAN BYOREAKTRN
YAPAY SNR AI LE MODELLENMES
OCAK 2012
Tez Danman :
..............................
Jri yeleri :
..............................
..............................
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
xi
xii
ZELGE LSTES
Sayfa
izelge 3.1
izelge 4.1
izelge 4.2
izelge 5.1
izelge 5.2
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
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
ekil 4.61
ekil 4.62
ekil 4.63
ekil 4.64
xvii
xviii
SEMBOL LSTES
IW
LW
TDL
t
na
nb
nk
w
b
u(t)
y(t)
e(t)
F
xix
xx
xxi
xxii
xxiv
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.
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
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
Biyofosfor Havuzlar
Blower Binas
Susuzlatrma nitesi
Fazla amur
Proses Havuzlar
Geri Devir
Kurutma nitesi
Kurutulmu amur
Kum Filtresi ve UV
k Suyu
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
(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
biyoreaktrn
performansnn
gstergesi
olarak
ak
(flux)
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
olmamaktadr.
Membran
biyoreaktr
dk
ak
deerlerinde
de
Fakat membrann
TMP
Filtrasyon Sresi
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
ve
dierleri
tarafndan
yaplan
almada
sistemin
girilerinin
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].
11
12
Membran
Szlen
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)
Geirgenlik [l / (m 2 .h.bar )] =
(2.3)
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.
yzeyinin
kek
tabakas
ile
kaplanmas
ya
da
membrann
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
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.
bal
olarak
uygulanabilecek
zmlerdir.
Tkanmann
ileriki
Membran Tanm
Biyoreaktr Tipi
Membran Karakteristii
(Materyal,Yap)
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
18
19
20
Dinamik Sistem
Fiziksel Modelleme
Sistem Tanlama
Model
k
k
Giri
Giri
Statik Sistem
Dinamik Sistem
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
Kontrol Girii
Sistem
Toplama
Noktas
stenilen Deer
Hata Sinyali
Kontrol Sinyali
Kontrolr
Toplama
Noktas
llen Deer
k Deeri
Sistem
Alglayc
Geri Yol
halinde
ise
dorusal
olmayan
dinamik
sistemler
olarak
sayda
parametre
ile
tanmlanabilen
modellere
parametrik
model
(3.1)
G ( z 1 , ) =
(3.2)
25
k f
(3.3)
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)
u(k)
B(z)
F(z)
A(z)
y(k)
(3.5)
e(k)
u(k)
B(z)
y(k)
A(z)
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)
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
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
(3.7)
Forml
f (u ) = au + b
Dorusal
f (u ) =
Logaritmik Sigmoid
f (u ) =
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)
Giri 1
w1
Giri 2
w2
Giri 3
w3
Giri n
Transfer
Fonksiyonu
wn
b
arpm
Toplam
Transfer Fonksiyonu
Katman 1
Katman 2
Katman 3
klar
y1
u1
b21
b11
u2
b12
un
b31
F
b22
b1n
y2
b32
b2n
yn
b3n
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)
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 3.14 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
31
y(t)
32
eklini seecektir.
Membran biyoreaktrn ak ve basn bilgilerinin doru yorumlanmas sayesinde,
optimum iletme salanmakta ve tkanma olumadan gerekli nlemler alnmaktadr.
33
Gelecekte
yaplabilecek
olan
almalarda
gelitirilecek
uyarlamal denetleyici (adaptive controller) ile farkl tkanma tipleri iin farkl
algoritmalar oluturulabilecektir.
Ham Su
Pompas
Tambur
Izgara
Anoksik
Tank
Oksik
Tank
Sznt
Hatt
35
36
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
Varyans (%)
nnde bulundurulmaldr.
90
90%
80
80%
70
70%
60
60%
50
50%
40
40%
30
30%
20
20%
10
10%
2
Ana Komponentler
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
I ( X , Y ) = dxdyf x , y ( x, y ) log
f x , y ( x, y )
fx ( x) f y ( y)
(4.1)
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 )
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
41
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
0.8
0.8
0.6
0.6
0.4
0.2
0
SICAKLIK ve AKI
Genlik
Genlik
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
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
0.7
0.6
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
0.8
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
sistemlerin
zaman
tepkilerini
hesaplayabilmek
iin
diferansiyel
0, t < 0
u (t ) =
, t 0
43
(4.2)
0, t 0
1, t = 0
(t ) =
(4.3)
(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
46
47
48
49
50
51
52
54
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
gstermektedir. ekil 4.36, ekil 4.34 e ait yzde hatay gstermektedir. ekil 4.37,
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.
ekil 4.41, 2. model iin eitilen yapay sinir ann ak kn ve gerek aky
gstermektedir. ekil 4.43, ekil 4.41 e ait yzde hatay gstermektedir. ekil 4.42,
2. model iin eitilen yapay sinir ann basn fark kn ve gerek basn farkn
gstermektedir. ekil 4.44, ekil 4.42 ye ait yzde hatay gstermektedir. ekil 4.45,
2. model iin kullanlan validasyon seti ile elde edilen ak kn ve gerek aky
gstermektedir. ekil 4.46, 2. model iin kullanlan validasyon seti ile elde edilen
basn farkn ve gerek basn farkn gstermektedir. ekil 4.47, 2. model iin
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.
ekil 4.49, 3. model iin eitilen yapay sinir ann ak kn ve gerek aky
gstermektedir. ekil 4.51, ekil 4.49 a ait yzde hatay gstermektedir. ekil 4.50,
3. model iin eitilen yapay sinir ann basn fark kn ve gerek basn farkn
gstermektedir. ekil 4.52, ekil 4.50 ye ait yzde hatay gstermektedir. ekil 4.53,
3. model iin kullanlan validasyon seti ile elde edilen ak kn ve gerek aky
gstermektedir. ekil 4.54, 3. model iin kullanlan validasyon seti ile elde edilen
basn farkn ve gerek basn farkn gstermektedir. ekil 4.55, 3. model iin
akya ait ok adml tahmini ve gerek deerleri gstermektedir. ekil 4.56, 3. model
iin basn farkna ait ok adml tahmini ve gerek deerleri gstermektedir.
ekil 4.57, 4. model iin eitilen yapay sinir ann ak kn ve gerek aky
gstermektedir. ekil 4.59, ekil 4.57 ye ait yzde hatay gstermektedir. ekil 4.58,
4. model iin eitilen yapay sinir ann basn fark kn ve gerek basn farkn
gstermektedir. ekil 4.60, ekil 4.59 a ait yzde hatay gstermektedir. ekil 4.61,
4. model iin kullanlan validasyon seti ile elde edilen ak kn ve gerek aky
gstermektedir. ekil 4.62, 4. model iin kullanlan validasyon seti ile elde edilen
basn farkn ve gerek basn farkn gstermektedir. ekil 4.63, 4. model iin
akya ait ok adml tahmini ve gerek deerleri gstermektedir. ekil 4.64, 4. model
iin basn farkna ait ok adml tahmini ve gerek deerleri gstermektedir.
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
160
170
180
190
200
210
220
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
160
170
180
190
200
210
220
58
230
240
250
260
270
10
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
160
170
180
190
200
210
220
230
240
250
260
270
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
160
170
180
190
200
210
220
230
240
250
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
0.6
0.4
Genlik
0.2
-0.2
-0.4
-0.6
-0.8
-1
7
Zaman ( Gn )
10
11
12
13
60
14
-3
12
x 10
YSA Tahmin
Gerek Veri
11
10
FLUX
7
8
Zaman ( Gn )
10
11
12
13
14
15
210
200
TMP
190
180
170
160
150
140
7
8
Zaman ( Gn )
10
11
12
13
14
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
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
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
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
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
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
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
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
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
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
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
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
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
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
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
160
170
180
190
200
210
220
230
240
250
260
270
250
260
270
% Hata
10
20
30
40
50
60
70
80
90
100
110
120
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
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
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
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
dinamiini
yanstmayan
durumlar
oluturabilmektedir.
Verinin
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
Model 2
Tr
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
Model 4
Tr
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
80
KAYNAKLAR
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
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
: Almanya, 1981
E-Posta
: barissen@hotmail.com
Lisans
Yksek Lisans
85