تخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری
امین فلامکی
1
(استادیار؛ گروه مهندسی عمران؛ دانشگاه پیام نور؛ ایران)
مهناز اسکندری
2
(دانش آموخته دکتری خاکشناسی؛ دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ گروه خاکشناسی؛ تهران؛ ایران)
کلید واژه: شبکه های عصبی مصنوعی, ضریب توزیع آب-خاک, کادمیوم, کروم,
چکیده مقاله :
آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین Kd هستند. لیکن معمولاً ضریب همبستگی این مدل ها اندک است. درحالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل توجه در پیش بینی مهاجرت آلاینده ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و شبکه های سلسله مراتبی (HN) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده های جمع آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه ها بکار رفت و با دسته دیگر دقت شبکه های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه MLP و RBF، بسیار توانمند عمل کرده اند و برتری نسبی در تخمین Kd با شبکه MLP بوده است. هرچند تعداد داده های کاربردی برای آموزش شبکه ها زیاد نبود (حداقل 9 و حداکثر 16 داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می کند. این یافته گامی موثر در تخمین Kd است چراکه افزون بر زمان بر و هزینه بر بودن اندازه گیری مستقیم آن، در هر پروژه نیز معمولاً تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین Kd(Cd) با شبکه های عصبی مصنوعی نیز نشان دهنده برتری شبکه MLP در مدلسازی بود. این شبکه ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش بینی شده را به طور قابل-توجهی افزایش دهند و از 37/0 در مدل پارامتریک برازش داده شده به داده ها، به 63/0 برسانند.
Contamination of soil and water resources is a major concern for optimal use of these resources worldwide. The so-called distribution coefficient (Kd) is an applied parameter not only for modeling contaminant transport in soil but also for risk analysis of soil and water resources contamination. The most common quantitative model for estimating Kd is parametric method. The correlation coefficient of this model is usually low, however, the predicted Kd values may cause significant inaccuracy in predicting the impacts of contaminant migration or siteremediation options. The objective of this study was to investigate application of artificial neural networks (ANN) for improving Kd prediction of heavy metals. Consequently, three ANN types including multi layer perceptron (MLP), redial basis function (RBF) and hierarchical networks (HN) and two heavy metals of Chromium (VI) and cadmium were used for modeling purposes. The collected data were first divided into two training and test groups. The first group was used to train ANN and the second to evaluate generalized ANN models. The most suitable geometry of networks were obtained with trial and error procedure. The results of modeling Kd(Cr) revealed that both MLP and RBF networks are reasonable tools, but MLP was more accurate than RBF. Although the applied input data for training networks were not so much (at least 9 and the maximum of 16), but they were sufficient for modeling Kd(Cr). This finding is a promising result because direct measurement of Kd is expensive and time consuming. Further, usually limited numbers of available data are existing in each case. The results of predicting Kd(Cd) approved the preferences of MLP for modeling purposes. The ANN model can significantly enhance the correlation coefficient between predicted and measured data form 0.37 of parametric method to 0.63.