Konya atıksu arıtma tesisinde anaerobik çürütme ünitesinin yapay zeka kullanılarak optimizasyonu

Metan üretiminin artırılması, atık su arıtma tesislerinin kendi kendine yeterliliğinin artırılmasında çok önemlidir ve anaerobik çürütme, enerji geri kazanım ünitesi olarak hizmet verdiği için sürdürülebilirlik faktörü olarak kabul edilmektedir. Barındırdığı çok sayıda faktör nedeniyle anaerobik çürütmenin doğasını anlamak ve kontrol etmek zordur. Yapay zekâ teknikleri, anaerobik çürütme sürecini doğası hakkında bilgi gerektirmeden kontrol etmeye olanak sağlar. Bu çalışmanın temel amacı, Türkiye'de bulunan Konya Atıksu Arıtma Tesisi'ndeki anaerobik çürütme ünitelerini modellemek için yapay sinir ağı metodolojisinin kullanımını incelemektir. Amaç, tesisin operasyonel parametrelerini ayarlayarak metan verimini ve hidrojen sülfit konsantrasyonunu optimize etmektir. Model, ardışık iki yıla ait gerçek veriler kullanılarak oluşturulmuştur. Metan verimi ve hidrojen sülfit çıkış olarak kullanılırken 11 parametre ölçülür ve giriş özellikleri olarak kullanılır. Çalışmada doğru bir model elde etmek için normalizasyon, Pearson korelasyon analizi ve farklı eğitim algoritmaları gibi teknikler kullanılmıştır. Ayrıca çalışma YSA modelini kullanarak girdi parametrelerinin çıktı parametreleri üzerindeki duyarlılığını analiz etmektedir. Metan üretimini maksimize ve hidrojen sülfiti minimize eden girdi parametrelerinin optimum değerlerini belirlemek için aynı zamanda genetik algoritmayı kullanmaktadır. Önerilen model hem eğitim hem de test setleri için ortalama kare hata (MSE) ve korelasyon katsayısı (R) kullanılarak değerlendirilmiştir. Sonuçlar MSE ve R değerlerinin sırasıyla 0.0048, 0.0077, 0.96 ve 0.94 olduğunu göstermektedir. Duyarlılık analizi, yoğunlaştırılmış çamurun pH seviyesinin her iki çıktı üzerinde de en büyük etkiye sahip olduğunu göstermektedir. Öte yandan, çamur akış hızı metan üzerinde en düşük etkiye sahipken, çürütücünün uçucu yağ asidi ise hidrojen sülfit üzerinde en düşük etkiye sahiptir. Dahası, çok sayıda optimum çözüm metan gazını en üst düzeye çıkarabilir ve hidrojen sülfiti en aza indirebilir. Metan verimi %27'ye kadar arttırılabilir ve buna karşılık gelen hidrojen sülfit 350 ppm'dir.

The enhancement of methane production is crucial in increasing the self-sufficiency of wastewater treatment plants, and anaerobic digestion is considered the sustainability driver as it serves as the energy recovery unit. Understanding and controlling the nature of anaerobic digestion is challenging due to multiple factors involved. Artificial intelligence techniques provide a way to control the process of anaerobic digestion without requiring knowledge of its nature. The purpose of this study is to examine the use of artificial neural network methodology to model the units of anaerobic digestion in the Konya wastewater treatment plant located in Turkey. The goal is to optimize the methane yield and hydrogen sulfide concentration by adjusting the plant's operational parameters. The model is constructed using actual experimental data from two consecutive years, where 11 parameters are measured and used as input features and methane yield and hydrogen sulfide serve as output. The study uses normalization, Pearson correlation analysis, and different training algorithms to obtain an accurate model. Additionally, the study analyzes the sensitivity of input parameters on output parameters using the ANN model. It also utilizes the genetic algorithm to determine the optimal values of input parameters that maximize methane production and minimize hydrogen sulfide. The proposed model has been evaluated using the mean square error (MSE) and correlation coefficient (R) for both training and test sets. The results indicate that the MSE and R are 0.0048,0.0077, 0.96, and 0.94 respectively. The sensitivity analysis shows that the pH level of thickened sludge has the greatest impact on both outputs. On the other hand, the sludge flow rate has the lowest impact on methane, while the volatile fatty acid of the digester has the lowest impact on hydrogen sulfide. Moreover, multiple optimal solutions can maximize methane gas and minimize hydrogen sulfide. Methane yield can be increased up to 27%, with corresponding hydrogen sulfide of 350 ppm.