Введение
Долгосрочный мониторинг приобретает все большее значение для загрязненных почв и грунтовых вод.1 Прошло более 40 лет с тех пор, как в 1980 году был принят Закон о комплексном реагировании на загрязнение окружающей среды, компенсации и ответственности (CERCLA), в соответствии с которым в США были созданы объекты Суперфонда. Из 1344 объектов, включенных в Национальный список приоритетов, по состоянию на январь 2022 года очистка была завершена только на 447 из них. Растет понимание того, что существующие технологии рекультивации имеют ограниченную эффективность, а остаточные загрязняющие вещества на низких уровнях, но все еще превышающие нормативные пределы, трудно полностью очистить. В ответ на эту проблему в последнее десятилетие в качестве ключевой концепции для решения проблем таких объектов стала устойчивая ремедиация [1,2]. Устойчивая ремедиация учитывает полное воздействие на окружающую среду, включая такие сопутствующие эффекты, как производство отходов, шум/трафик/загрязнение воздуха, связанное с работой тяжелой техники и самосвалов, нарушение экологии, потребление энергии и выброс парниковых газов. Она способствует переходу от интенсивного удаления и обработки почвы к более устойчивым, пассивным методам восстановления, а также к контролируемому естественному затуханию (МНА). Часто требуется длительный ведомственный контроль и мониторинг, возможно, в течение десятилетий. Цели долгосрочного мониторинга, отличающегося от этапов первоначального определения характеристик и восстановительных работ, состоят в том, чтобы:
Методология
a) подтвердить стабильность системы и непрерывное снижение уровней загрязнителей и опасности, b) обеспечить уверенность общественности и предотвратить распространение ложной или вводящей в заблуждение информации, и c) обнаружить изменения или аномалии в подвижности загрязнителей (если они происходят) или выявить любые непредвиденные процессы или события [3]. Для выявления скрытых закономерностей и ключевых факторов в обширных массивах данных и улучшения мониторинга подземных вод или загрязнения окружающей среды были разработаны различные статистические методы и методы машинного обучения (ML – machine learning). Чаще всего для оценки пространственно-временных распределений концентраций загрязняющих веществ или уровней грунтовых вод используется контролируемое обучение. Кроме того, для выявления корреляций между различными концентрациями загрязняющих веществ и/или измеряемыми in situ параметрами, а также для поиска групп скважин, имеющих схожую динамику подземных вод, используются подходы, основанные на неконтролируемом обучении [4]. Цель данного исследования: разработать структуру в виде блок-схемы для упрощенного мониторинга качества подземных вод, с выявлением участков, наиболее подверженных загрязнению. Метод решения проблемы учета гидрогеологических параметров при выборе размещения мониторинговой сети заключается в применении среды программирования Python, определяющий конвейер машинного обучения, рабочие процессы от входных данных до машинного обучения через набор функций для анализа мониторинга данных. В процессе применения метода Монте-Карло [5, 6] для анализа неопределенности модель численного моделирования подземных вод может быть использована тысячи раз, что приводит к огромной вычислительной нагрузке. Для преодоления этого недостатка предлагается суррогатная модель на основе машинного обучения с использованием метода Кригинга, чтобы заменить вычислительную имитационную модель в условиях неопределенности источников и параметров загрязнения.
Результаты
Разработанный метод состоит из трех основных этапов. На первом этапе строится модель потока подземных вод и переноса растворенных веществ при неопределенности характеристик источников загрязнения (местоположение и интенсивность), а также параметров водоносного горизонта. На втором этапе с помощью метода отбора проб и модели переноса растворенных подземных вод получают входные-выходные данные; затем проводится обучение, валидация и тестирование модели на основе алгоритма машинного обучения. На третьем этапе, используя модель в качестве условия ограничения, строится оптимизационная модель 0-1 целочисленного программирования для получения оптимальной схемы размещения сети мониторинга загрязнения подземных вод при различном количестве скважин. Основной процесс предлагаемого метода показан на рисунке 1. При решении задач оптимизации проектирования схем мониторинговой сети подземных вод выявлено, что 1.существует множество неопределенных факторов, влияющих на оптимальное проектирование схем размещения сети мониторинга, но исследований, учитывающих неопределенность параметров источника загрязнения и водоносного горизонта одновременно недостаточно. Таким образом, разработанная блок-схема оптимальной планировки учитывает параметры водоносного горизонта, расположение источника загрязнения и неопределенности интенсивности. Для снижения вычислительной нагрузки необходимо построить суррогатную модель на основе алгоритма машинного обучения.
Результаты
С учетом неопределенности параметров, местоположения и интенсивности источника загрязнения, суррогатная модель, основанная на методе Кригинга в алгоритме машинного обучения, должна иметь большое соответствие с имитационной моделью переноса веществ подземных вод. Она может надежно отражать взаимосвязь между входом и выходом имитационной модели подземных вод. Для оптимального проектирования сети мониторинга целесообразно построить суррогатную модель Кригинга, чтобы снизить вычислительную нагрузку. На конкретном объекте, таком как скважина питьевого водоснабжения или нефтяная скважина, утечка загрязняющих веществ на реальном объекте обычно неопределенна и динамична, компонент загрязняющих веществ более сложен, они могут значительно увеличить нелинейность зависимости вход-выход имитационной модели. Для того чтобы улучшить применимость модели, построенной на основе алгоритма машинного обучения на сложном объекте, в будущем необходимо использовать метод глубокого обучения и модель многоцелевой оптимизации.
Обсуждение
Рисунок 1 – Блок-схема алгоритма проектирования схем размещения сети мониторинга загрязнения подземных вод с применением машинного обучения
Обсуждение
схем размещения сети
Выводы
мониторинга загрязнения подземных вод с применением машинного обучения