Membran Biyoreaktörün Yapay Sinir Ağı İle Modellenmesi

Abstract

Temiz su ve temiz su kaynakları tüm canlılar için hayati önem taşımaktadır. Atık suyun arıtılması ve tekrar sisteme kazandırılması ile ekosistem korunmaktadır. Atık su arıtma tesislerinin kurulması ve atık su arıtma teknolojilerinin gelişmesi ile birlikte daha sık karşılaştığımız membran biyoreaktörler, konvensiyonel atık su arıtma tesislerine göre bazı avantajlar taşımaktadırlar. Özellikle yüksek AKM ile çalışması ve sınırlı yer ihtiyacı ile kurulabilmesi pozitif yönleridir. Fakat işletmenin zor olması ve tıkanarak akının düşmesi sebebiyle zor bir sistemdir. Tez çalışmasının birinci bölümünde, konuya genel bir giriş yapılmakta, tezin amacına değinilmekte ve literatürde yapılan çalışmalar anlatılmaktadır. Membran biyoreaktör aktif çamur sisteminin ve filtrasyon sürecinin birleşiminden oluşmaktadır. Konfigürasyona göre veya yapıldığı malzemeye göre farklı isimler almaktadır. İkinci bölümde, membran biyoreaktör ünitesi tanıtılmaktadır. Genel tanımlar yapılmaktadır. Membran dinamiklerinin anlaşılabilmesi için temel denklemler verilmektedir. Tıkanmadan ve tıkanmanın etkilerinden bahsedilmektedir. Ayrıca tıkanma durumunda uygulanacak yıkama basamakları anlatılmıştır. Tez çalışması boyunca kullanılan batık tip membran gözenek çapından dolayı mikrofiltrasyon filtre olarak anılmaktadır. İşletme esnasında üzerinde oluşacak çamurdan dolayı etkin gözenek çapı daha da küçülmekte ve ultrafiltrasyon eş değeri bir yapı oluşmaktadır. Kullanılan pilot membran biyoreaktör karbon ve azot (nitrifikasyon-denitrifikasyon) giderimi yapmaktadır. Süreç için gerekli geri devir çamuru membran tankdan pompa yardımı ile anoksik bölgeye basılmaktadır. Üçüncü bölümde, dinamik sistemlerin tanımı yer almaktadır. İlk olarak, doğrusal dinamik sistemlerin modellenmesinde kullanılan parametrik modelleme yöntemlerinden ARX ve ARMAX modelleme anlatılmaktadır. Devamında ise, doğrusal olmayan dinamik sistemlerin modellenmesinde kullanılan yapay sinir ağları anlatılmıştır. Zaman serilerinin modellenmesinde de kullanılan yapay sinir ağlarının özel bir çeşidi olan NARX ağından bahsedilmiştir. Çok katmanlı ağlar anlatılmaktadır. Dördüncü bölümde, membran biyoreaktör sistemi dinamik bir sistem olarak ele alınmıştır. Koherans analizi kullanılarak sistemin doğrusallığı incelenmiştir. Sistemin tamamen doğrusal olmayan bir yapıda olduğu görülmüştür. Sistemin modellenmesindeki başarımını arttırabilmek için elimizdeki veriler düzenlenmiştir. Bu aynı zamanda çok basamaklı tahmin performansını da arttırmaktadır. Yapay sinir ağlarına uygulanacak girişlerin seçiminde iki farklı yöntem kullanılmaktadır. Çalışma boyunca dört farklı model kullanılmaktadır. Birinci modelin seçiminde deneyimlere yer verilmektedir. Temel bileşen analizi ile ikinci model elde edilmiştir. Karşılıklı bilgi yöntemi ile ise üçüncü model elde edilmiştir. Son modelde işletme esnasında kullanılan tüm parametreler kullanılmaktadır. Öncelikle, membran biyoreaktör sistemi, doğrusal dinamik sistemlerin modellenmesinde kullanılan ARX ve ARMAX ile modellenmiştir, fakat yeterli başarım elde edilememiştir. Bu nedenle sistem, yapay sinir ağı ile farklı modeller altında incelenmiştir. Elde edilen sonuçlar tatmin edicidir. Özellikle üçüncü ve dördüncü modelde sistem yüksek başarım ile modellenmiştir. 14 gün için çok basamaklı tahmin sonuçları gerçek veriye çok yakındır ve sistemin dinamiğini yansıtmaktadır. Bu tezde yalnızca bir pilot membran biyoreaktör sistemi modellenmiştir. Gelecek çalışmalarda, farklı membran biyoreaktör sistemleri de mevcut yapay sinir ağıyla modellenip, yapay sinir ağının başarımının artırılması sağlanabilir. Yeni devreye alınacak membran biyoreaktör sistemine ait veriler yapay sinir ağına başlangıç değerleri olarak öğretilmelidir. Oluşturulacak farklı tıkanma senaryolarını içeren durumlar yapay sinir ağının eğitiminde ve validasyonunda kullanılmalıdır. Sahadan gelebilecek hatalı ve eksik bilgileri de işleyebilecek bir algoritma ile tasarlanacak kontrolcü sayesinde membran biyoreaktör daha verimli kullanılabilecektir. Sonuç olarak, mevcut yapay sinir ağının geliştirilmesi ve en uygun kontrol şeklinin seçilmesi önerilmektedir.

Clean water and clean water resources have a vital importance for all living beings. The ecosystem is protected by threatment of wastewater and recovering it back to the system. 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. 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, MBR’ s are troublesome systems due to the difficulties during the operation and decrease in flux because of fouling. 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 configuration or material. 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. Fouling and effects of fouling are mentioned. Cleaning steps are also explained under the fouling circumstances. 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. 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. 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. 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. 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.