بهینه سازی روش SEAR در پاک سازی آبخوان های آلوده به DNAPL با مدل های جایگزین

سابقه و هدف: مایعات با فاز غیرآبی چگال (DNAPL) در بین رایج ترین گونه های آلودگی در آب زیرزمینی هستند. روش پمپاژ و تصفیه ارتقاء یافته (SEAR) یکی از روش های مرسوم پاک سازی آبخوان های آلوده به DNAPL است. باتوجه به هزینه بالای مواد شیمیایی مورداستفاده در این روش (سورفکتانت ها و کوسالونت ها)، انتخاب الگوی مناسب جانمایی چاه ها و نرخ های پمپاژ بهینه ضروری است. نرم افزار شبیه سازی UTCHEM توانایی مدل سازی نحوه انتقال و انتشار DNAPLها و قابلیت اجرای روش SEAR را دارد. مشکل اصلی استفاده از این نرم افزار، مدت زمان زیاد موردنیاز برای اجرای متعدد مدل در استفاده از آن برای بهینه سازی سیستم است. هدف از این پژوهش استفاده از دو روش یادگیری ماشین (شبکه عصبی مصنوعی و K همسایه نزدیک تر) به عنوان مدل های شبیه سازی جایگزین و وارد نمودن بهترین مدل در نرم افزار LINGO برای بهینه سازی روش SEAR است.مواد و روش ها: در اجرای روش SEAR، داده های کمی و کیفی آبخوان برای مدل سازی نحوه انتشار، انتقال و حذف DNAPLs در نرم افزار UTCHEM موردنیاز است. برای این منظور از اطلاعات سایت Camp Lejeune در کارولینای شمالی، ایالات متحده آمریکا استفاده شد. در این پژوهش با بررسی انواع مدل های جایگزین بر مبنای روش های یادگیری ماشین و اجرای ۲۵۰ سناریو مختلف در نرم افزار UTCHEM ، از دو مدل روش شبکه عصبی مصنوعی (ANN)، و نزدیک ترین همسایگی های K (KNN) به منظور شبیه سازی روش SEAR و توسعه مدل جایگزین استفاده گردید. به منظور صحت سنجی دو مدل جایگزین، ۵۰ سناریو جدید در نرم افزار UTCHEM اجرا شد و درصد پاک سازی آن ها به دست آمد. همچنین با استفاده از دو مدل جایگزین نیز درصدهای پاک سازی ۵۰ سناریو مشخص گردید. برای ارزیابی عملکرد مدل های جایگزین، از آماره جذر میانگین مربعات خطا (RMSE) استفاده شد و با نتایج سایر پژوهش ها مقایسه گردید. در انتها از مدل جایگزینی که دقت بیش تری داشت در نرم افزار LINGO به منظور بهینه سازی روش پمپاژ و تصفیه ارتقاء یافته (SEAR) استفاده شد.نتایج و بحث: مقادیر RMSE در نتایج به دست آمده از مدل های جایگزین ANN و KNN در مرحله صحت سنجی به ترتیب برابر ۰.۶۷ و ۱.۶۶ بوده که این بیانگر دقت بالای هر دو مدل جایگزین، به خصوص ANN است. میانگین مدت زمان هر اجرای نرم افزار UTCHEM در این پژوهش ۴۵ دقیقه بوده است در حالی که در مدل جایگزین به چند ثانیه کاهش یافت؛ همچنین نرم افزار LINGO برای مشخص کردن سناریو بهینه حدود ۲۱۵۰۰ سناریو مختلف را در مدت زمان ۳۰ دقیقه بررسی نمود در حالی که در صورت عدم استفاده از مدل جایگزین مدت زمان موردنیاز برای این کار بیش از ۱۶۰۰۰ ساعت است. بر اساس موقعیت و دبی چاه های فعال در سناریو بهینه، مشخص شد که اولا چاه های موجود در بالادست و پایین دست آلودگی بیشترین تاثیر را در پاک سازی دارند و ثانیا عامل زمان بیشتر از دبی پمپاژ چاه ها در پاک سازی تاثیر دارد. سناریو بهینه به دست آمده در این پژوهش با هزینه کم تر نسبت به هزینه های گزارش شده در پروژه Camp Lejeune و در مدت زمان ۳۰ روز، منطقه آلوده به DNAPL را تا ۹۵% پاک سازی می کند.نتیجه گیری: بر اساس نتایج به دست آمده در این پژوهش مشخص گردید که استفاده از الگوریتم های یادگیری ماشین نظیر ANN و KNN، به همراه نرم افزار بهینه سازی LINGO که از قوی ترین نرم افزارهای حل مسائل بهینه سازی خطی و غیرخطی است، باعث می شود علاوه بر داشتن دقت مناسب، مدت زمان موردنیاز برای یافتن سناریو بهینه تا حد چشم گیری کاهش یابد.

Keywords:

پمپاژ و تصفیه ارتقاء یافته , DNAPL , شبکه عصبی مصنوعی MLP , K همسایگی نزدیک تر , نرم افزار LINGO