Karar Ağaçları ve Yapay Sinir Ağlarının Karşılaştırılması: Kimyasal Verilerin Tahmini Üzerine Bir Örnek Çalışma

Authors : Oğuz Akpolat, Gonca Ertürk

Pages : 1-13

Doi:10.31590/ejosat.1073201

View : 512 | Download : 444

Publication Date : 2023-08-31

Article Type : Research Paper

Abstract :Atık suların özelliklerinin belirlenmesinde biyokimyasal oksijen ihtiyacı (BOD5), kimyasal oksijen ihtiyacı (COD), toplam organik karbon (TOC) ve çözünmüş oksijen (DO) miktarlarının tayini atık suyun karakterizasyonu açısından en temel ölçüm kriterleridir. Biyolojik oksijen ihtiyacı (BOD5), atık su arıtma tesislerine gelen ham atık su veya arıtılmış atık sudan alınan örneklerle yapılacak olan asitlik (pH), sıcaklık (T), iletkenlik (C), çözünmüş oksijen (DO), oksijen doygunluğu (SO), tuzluluk (SA), elektriksel iletkenlik (EC), kimyasal oksijen ihtiyacı (COD), askıda katı madde (LSS), toplam azot (TN), toplam fosfor (TP) ile birlikte analiz edilir. BOD5 en az 5 gün sürerken diğer test sonuçları en çok bir günde tamamlanmaktadır. Daha önce yapılan yukarıdaki parametrelerin ölçüldüğü bir çalışmada 334 adet örneğe ilişkin veri setinde veri setinde bulunan bu parametrelerinin karar ağacı yöntemiyle KNIME veri madenciliği paketinden yararlanarak BOD5 parametresine etkileri irdelenmiştir. Böylece BOD5 parametresine etkileri bilinen parametrelerin ağırlıklı etkileri dikkate alınarak sonucu bilinmeyen bir örneğin muhtemel BOD5 değerinin tahminine çalışılmıştır. Bu çerçevede yapılmış olan bu çalışmada da bu veri seti esas alınarak, veri madenciliği yöntemlerinden Karar Ağaçları ve Yapay Sinir Ağları hem yapısal hem de sonuçlar açısından ayrıntılı olarak incelenmiştir. Her iki yöntemin sonuçları karşılaştırıldığında, kutulanmış (Binned) değerlerin bulunduğu sınıflar arasında dağılımların yakın ancak kaymalar içerdiği görülmektedir. Sınıf sayıları arttırıldığında bu kaymaların kısmen de olsa giderilebileceği unutulmamalıdır. Ayrıca bu sonuçlar gelecek çalışmalarda hem (Karar Ağaçları) için gruplama sayısı, kazanç gibi hem de (Yapay Sinir Ağları) için ağ katman sayısı ve kazanç oranı gibi parametreler değiştirilerek optimize edilebilir
Keywords : Atık Su, Aktif Çamur, Optimizasyon, Karar Ağacı, Yapay Sinir Ağları