حسین اژدری بجستانی؛ سعید علیمحمدی
چکیده
سابقه و هدف: ﻣﺎﻳﻌﺎت ﺑﺎ ﻓﺎز غیرآﺑﻰ چگال (DNAPL) در بین رایجترین گونههای آﻟﻮدﮔﻰ در آب زیرزمینی هستند. روش ﭘﻤﭙﺎژ و تصفیه ارتقاء یافته (SEAR) یکی از روشهای مرسوم پاکسازی آبخوانهای آلوده به DNAPL است. باتوجهبه هزینه بالای مواد شیمیایی مورداستفاده در این روش (سورفکتانتها و کوسالونتها)، انتخاب الگوی مناسب جانمایی چاهها و ...
بیشتر
سابقه و هدف: ﻣﺎﻳﻌﺎت ﺑﺎ ﻓﺎز غیرآﺑﻰ چگال (DNAPL) در بین رایجترین گونههای آﻟﻮدﮔﻰ در آب زیرزمینی هستند. روش ﭘﻤﭙﺎژ و تصفیه ارتقاء یافته (SEAR) یکی از روشهای مرسوم پاکسازی آبخوانهای آلوده به DNAPL است. باتوجهبه هزینه بالای مواد شیمیایی مورداستفاده در این روش (سورفکتانتها و کوسالونتها)، انتخاب الگوی مناسب جانمایی چاهها و نرخهای پمپاژ بهینه ضروری است. ﻧﺮمافزار شبیهسازی UTCHEM ﺗﻮاﻧﺎﻳﻰ مدلسازی نحوة انتقال و اﻧﺘﺸﺎر DNAPLها و قابلیت اﺟﺮای روش SEAR را دارد. مشکل اصلی استفاده از این نرمافزار، مدتزمان زیاد موردنیاز برای اجرای متعدد مدل در استفاده از آن برای بهینهسازی سیستم است. هدف از این پژوهش استفاده از دو روش یادگیری ماشین (شبکه عصبی مصنوعی و K همسایه نزدیکتر) بهعنوان مدلهای شبیهسازی جایگزین و وارد نمودن بهترین مدل در نرمافزار LINGO برای بهینهسازی روش SEAR است.مواد و روشها: در اجرای روش SEAR، دادههای کمی و کیفی آبخوان برای مدلسازی نحوه انتشار، انتقال و حذف DNAPLs در نرمافزار 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 مدلهای جایگزین بر مبنای روشهای یادگیری ماشین و اجرای 250 سناریو مختلف در نرمافزار UTCHEM ، از دو مدل روش شبکه عصبی مصنوعی (ANN)، و نزدیکترین همسایگیهای K (KNN) بهمنظور شبیهسازی روش SEAR و توسعه مدل جایگزین استفاده گردید. بهمنظور صحتسنجی دو مدل جایگزین، 50 سناریو جدید در نرمافزار UTCHEM اجرا شد و درصد پاکسازی آنها به دست آمد. همچنین با استفاده از دو مدل جایگزین نیز درصدهای پاکسازی 50 سناریو مشخص گردید. برای ارزیابی عملکرد مدلهای جایگزین، از آماره جذر میانگین مربعات خطا (RMSE) استفاده شد و با نتایج سایر پژوهشها مقایسه گردید. در انتها از مدل جایگزینی که دقت بیشتری داشت در نرمافزار LINGO بهمنظور بهینهسازی روش ﭘﻤﭙﺎژ و تصفیه ارتقاء یافته (SEAR) استفاده شد.نتایج و بحث: مقادیر RMSE در نتایج بهدستآمده از مدلهای جایگزین ANN و KNN در مرحله صحت سنجی به ترتیب برابر 0.67 و 1.66 بوده که این بیانگر دقت بالای هر دو مدل جایگزین، بهخصوص ANN است. میانگین مدتزمان هر اجرای نرمافزار UTCHEM در این پژوهش 45 دقیقه بوده است درحالیکه در مدل جایگزین به چند ثانیه کاهش یافت؛ همچنین نرمافزار LINGO برای مشخصکردن سناریو بهینه حدود 21500 سناریو مختلف را در مدتزمان 30 دقیقه بررسی نمود درحالیکه در صورت عدم استفاده از مدل جایگزین مدتزمان موردنیاز برای این کار بیش از 16000 ساعت است. بر اساس موقعیت و دبی چاههای فعال در سناریو بهینه، مشخص شد که اولاً چاههای موجود در بالادست و پاییندست آلودگی بیشترین تأثیر را در پاکسازی دارند و ثانیاً عامل زمان بیشتر از دبی پمپاژ چاهها در پاکسازی تأثیر دارد. سناریو بهینه بهدستآمده در این پژوهش با هزینة کمتر نسبت به هزینههای گزارش شده در پروژه Camp Lejeune و در مدتزمان 30 روز، منطقه آلوده به DNAPL را تا 95% پاکسازی میکند.نتیجهگیری: بر اساس نتایج بهدستآمده در این پژوهش مشخص گردید که استفاده از الگوریتمهای یادگیری ماشین نظیر ANN و KNN، به همراه نرمافزار بهینهسازی LINGO که از قویترین نرمافزارهای حل مسائل بهینهسازی خطی و غیرخطی است، باعث میشود علاوه بر داشتن دقت مناسب، مدتزمان موردنیاز برای یافتن سناریو بهینه تا حد چشمگیری کاهش یابد.