Mevsimsel izleme verilerine dayalı çok katmanlı algılayıcı yapay sinir ağları kullanılarak belediye çöplüğü sızıntı suyunda kimyasal oksijen ihtiyacının (COD) tahmini

Çöplükte Biriken Sular Neden Önemli

Her modern şehir, çöplerini gözlerden uzak tutmak için çöplüklere güvenir; ancak yağmur suyu gömülü atıkların içinden sızdığında leachate (sızıntı suyu) adı verilen güçlü bir kimyasal karışıma dönüşebilir. Bu sıvı dikkatle kontrol edilmezse toprak ve suyu kirletebilir. Burada anlatılan çalışma, beyne ilham veren bir bilgisayar modeli türünün sızıntı suyunun ne kadar kirli olduğunu—her seferinde pahalı laboratuvar testleri yapmaya gerek kalmadan—tahmin edebileceğini gösteriyor. Bu bilgi, toplumların atık alanlarını daha güvenli tutmasına ve izleme maliyetlerini azaltmasına yardımcı olabilir.

Çöplerimizin Altındaki Gizli Su

Yağmur çöplüğe düştüğünde, eski yemek artıklarının, kağıtların, plastiklerin ve diğer atıkların katmanları arasından süzülür. Bu sırada çözünmüş organik madde, yağlar, tuzlar ve arsenik, kobalt, kadmiyum gibi ağır metallerin izlerini toplar. Ortaya çıkan sızıntı suyu koyu renkli, çoğu zaman kötü kokulu bir sıvıdır ve toplanıp arıtılması gerekir. Bu sıvının ne kadar kirletici olduğunu gösteren temel ölçülerden biri kimyasal oksijen ihtiyacı (COD) olarak adlandırılır. Basit bir ifadeyle COD, sudaki tüm kimyasalları ve organik maddeleri parçalamak için ne kadar oksijen gerektiğini söyler; yüksek COD güçlü ve potansiyel olarak zararlı kirlenme anlamına gelir.

Bir Çöplüğü Mevsimler Boyunca İzlemek

Araştırmacılar, Türkiye’nin yarı kurak iç bölgelerinden Niğde’deki bir belediye çöplüğüne odaklandı. 2022 sonundan 2023 sonuna kadar bir yıl boyunca, çöplükten toplanan sızıntı suyunun biriktiği havuzdan haftalık örnekler aldılar. Sızıntı suyu ve çevresi için dokuz temel özelliği ölçtüler: sıcaklık, pH (asidik ya da alkalinlik düzeyi), toplam katı madde, yağ ve gres, iletkenlik (tuzluluk işareti) ve arsenik, kobalt ile kadmiyum düzeyleri ve ayrıca COD. Elde edilen COD değerleri son derece yüksekti—ülke deşarj sınırının ortalama yaklaşık 35 katı—bu da arıtılmamış çöplük sızıntı suyunun çok güçlü bir kirletici olabileceğini doğruladı.

Birçok Ölçümü Birkaç Akıllı Sinyale Dönüştürmek

Tam laboratuvar testleri maliyetli ve yavaş olabileceğinden, ekip COD’un diğer, ölçülmesi daha kolay özelliklerden tahmin edilip edilemeyeceğini araştırdı. Önce temel bileşen analizi (principal component analysis) adlı istatistiksel aracı kullandılar. Bu yöntem her değişkene ayrı ayrı bakmak yerine birlikte yükselip alçalan ölçüm kombinasyonlarını—kalıpları—bulur. Bu, sızıntı suyu davranışı hakkında en fazla bilgiyi taşıyan faktörleri vurgulamaya yardımcı oldu: sıcaklık, pH, yağ ve gres ile bazı metaller öne çıktı. Girdi sayısını yalnızca en bilgilendirici olanlarla azaltarak, araştırmacılar özleri yakalayan daha basit ve daha hızlı modeller kurmayı amaçladılar.

Sızıntıyı Okuması İçin Dijital Bir ‘Beyin’ Eğitmek

Çalışmanın kalbi çok katmanlı algılayıcıydı; bir tür yapay sinir ağı. Bu dijital “beyin”, pH veya sıcaklık gibi ölçülen girdiler ile gerçek COD değerlerinin eşleştirildiği örnekler gösterilerek öğrenir. 52 haftalık örnekten oluşan veri seti mevsimlere göre eğitim ve test bölümlerine ayrıldı; böylece model görülmemiş koşullarla sınanmış oldu. Ekip, her biri farklı girdi setleri kullanan dört model tasarımı denedi ve şans eserlerine kapılmamak için tekrarlı çapraz doğrulama yöntemine başvurdu—bu yöntem modeli verinin birçok farklı bölünmesi üzerinde eğitir ve test eder. En iyi performans gösteren model, önceki desen analizinden seçilen sadece beş değişkeni kullandı ve bir giriş katmanı, 21 düğümlü bir gizli katman ve bir çıktı düğümünden oluşan yapıya sahipti.

Modelin Söyleyebilecekleri

Bu en iyi model hiç görmediği veriler üzerinde test edildiğinde, tahmin edilen COD değerleri gerçek ölçümlerle yakından hizalandı ve korelasyon 0.864 olarak bulundu. Bu, modelin toplam örnek sayısı sınırlı olmasına rağmen çöplüğün mevsimler arası kirlilik düzeylerindeki çoğu iniş çıkışı yakaladığını gösteriyor. Özellikle daha düşük COD düzeylerinde bazı hatalar kaldı, ancak genel performans, birkaç rutin ölçümün tam bir kimyasal analiz yerine güvenilir şekilde kullanılabileceğini öne sürüyor. Çöplük işletmecileri ve düzenleyiciler için bu yaklaşım, tehlikeli bir sıvıyı takip etmenin pratik bir yolunu, zaman ve maliyetten tasarruf ederek sunuyor.

Kirli Bir Sorun İçin Daha Temiz Denetim

Özetle, bu çalışma akıllı veri analizi ve makine öğrenmesinin karmaşık ve pahalı bir test sorununu yönetilebilir hale getirebileceğini gösteriyor. Bir yıllık mevsimsel izlemeyle bir sinir ağı eğitilerek, araştırmacılar daha basit birkaç test setinden çöplük sızıntı suyunun ne kadar kirli olduğunu tahmin edebilen bir araç geliştirdiler. Bu tedavinin veya ayrıntılı kontrollerin yerini almaz, ama karar vericilere daha hızlı bir erken uyarı sistemi ve daha verimli bir planlama yöntemi sağlar. Benzer modeller olgunlaşıp daha fazla veriyle beslendikçe, çöplerimizin altındaki sıvıların kontrol altında ve su yollarımız dışında tutulmasını sağlamak için standart araçlar haline gelebilirler.

Atıf: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Anahtar kelimeler: çöplük sızıntı suyu, su kirliliği, yapay sinir ağları, atık yönetimi, kimyasal oksijen ihtiyacı