Abstract
Biyolojik azot giderimi gerçekleştirilen atıksu arıtma proseslerinin (AO prosesi) modellenmesi amacıyla Aktif Çamur Modeli No. 1 (ASM1) kullanılagelmişse de bu modelde ihtiyaç duyulan girdi parametrelerinin tahmin edilmesi çok zaman almaktadır. Bu çalışma kapsamında, ASM1 kadar detaylı girdi verisi gerektirmeyen geri beslemeli yapay sinir ağlarının (BPANN) AO proseslerindeki kimyasal oksijen ihtiyacı (KOİ), toplam Kjeldahl azotu (TKN) ve toplam azot (TN) giderim verimlerinin tahminindeki performansı test edilmiştir. Bu amaçla BPANN’de dört farklı aktivasyon fonksiyonu kullanılmıştır. Elde edilen sonuçlar, AO proseslerindeki KOİ, TKN ve TN giderim verimlerinin BPANN ile yüksek doğrulukta tahmin edilebildiğini göstermiş; en iyi öğrenme ve tahmin yeteneği ise Sinc fonksiyonu ile elde edilmiştir. Sinc-BPANN ile elde edilen ortalama kare hatalar KOİ giderim verimi için 2,50 × 10 -4 , TKN giderim verimi için 4,15 × 10 -4 , TN giderim verimi için ise 2,65 × 10 -4 olarak hesaplanmıştır. Buna göre Sinc-BPANN AO proseslerindeki KOİ, TKN ve TN giderim verimlerinin doğrusal olmayan doğasını ASM1’e nazaran çok daha az girdi parametresiyle açıklayabilmektedir.