Çevresel Veri Problemleri için Veri Madenciliği ile Veri Ön İşleme
Open Access
- 22 November 2019
- journal article
- Published by Academic Perspective in Academic Perspective Procedia
- Vol. 2 (3), 1349-1356
- https://doi.org/10.33793/acperpro.02.03.150
Abstract
Atık yönetiminin yapıldığı çevresel tesislerin kontrolünde gerçekçi modellere ve doğru tahminlere ihtiyaç vardır. Doğru tahmin modelinin geliştirilmesinin en önemli adımı sağlıklı verin olmasıdır. Çevresel tesislerden temin edilen verilerin ön işlem aşamasında kalitesiz verilerinin temizlenmesi ve eksik verilerin tamamlanması gerekmektedir. Bu çalışmada bir çevresel tesisten Ocak 2016 - Eylül 2018 tarihleri arasında toplanan verilerden veri madenciliği programı ile modelleme öncesi temiz verilerin elde edilmesi hedeflenmiştir. Verilerin temizlenmesi aşamasında; pH, Eİ, AKM, KOİ, BOİ5, Yağ-Gres ve TÇK parametrelerine ait sırasıyla 25, 141, 26, 22, 241, 645 ve 688 adet eksik veri tespit edilmiştir. Eksik veriler ortalama değerler göz önüne alınarak tamamlanmıştır. Sonrasında 10 adet gürültülü veri belirlenmiş ve satır bazlı temizleme yapılmıştır. Sezonluk ortalama değerlerin belirlenmesi için BOİ5 parametresi kullanılmış ve sezonluk ortalama değerler program aracılığı ile hesaplanmıştır. Böylece bir çevresel tesisin ham verilerinin veri madenciliği programları yardımı ile temizlenmesi ve eksik verilerin tamamlanarak modelleme uygulanması için hazır hale getirilmesi sağlanmıştır.Keywords
This publication has 5 references indexed in Scilit:
- A Feasible Data-Driven Mining System to Optimize Wastewater Treatment Process Design and OperationWater, 2018
- An evaluation of solutions to moment method of biochemical oxygen demand kineticsNigerian Journal of Technology, 2018
- Waste container weighing data processing to create reliable information of household waste generationWaste Management, 2015
- Automated construction progress measurement using a 4D building information model and 3D dataAutomation in Construction, 2013
- Wastewater Treatment Plant Performance Prediction with Support Vector MachinesPublished by Springer Science and Business Media LLC ,2013