كنترل آلودگي نيترات در آب زيرزميني با استفاده از مدل بهينه‌سازي

Development of Operation Management Model of Groundwater According to Nitrate Contamination

نیترات یكی از مهم‌ترین آلاینده‌هایی است كه از منابع مختلف مانند كودهای شیمیایی، آفت‌كش‌ها و یا فاضلاب‌های خانگی و صنعتی وارد آب‌های زیرزمینی می‌شود. در این پژوهش به‌منظور مدیریت بهینه آبخوان‌های آلوده به نیترات، از مدل شبكه عصبی مصنوعی برای شبیه‌سازی تغییرات غلظت نیترات استفاده شد و به‌منظور استخراج مقادیر بهینه برداشت از آبخوان آب زیرزمینی، با حفظ محدودیت غلظت نیترات در حد استاندارد، از یك مدل بهینه‌ساز استفاده شد. برای دستیابی به این هدف از مدل‌ بهینه‌سازی مجموعه ذرات بهره گرفته شد. با توجه به این كه در سال‌های اخیر، آلودگی غلظت نیترات در آبخوان كرج افزایش یافته است، بخشی از این آبخوان به‌عنوان مطالعه موردی در نظر گرفته شد. پارامترهای ورودی مدل شبكه عصبی مصنوعی، شامل میزان برداشت در طول فصل بررسی و فصل قبل، مقادیر غلظت نیترات در فصل قبل، ضخامت لایه اشباع و طول و عرض جغرافیایی هر ناحیه بود؛ این پارامترها پس از آنالیز حساسیت، انتخاب شدند. نتایج این پژوهش نشان می‌دهد كه بر اساس الگوریتم بهینه‌سازی مجموعه ذرات، مدیریت بهینه غلظت نیترات، مستلزم كاهش و یا افزایش برداشت از نواحی مختلف نسبت به شرایط فعلی برداشت در منطقه است. لذا با ثابت نگه داشتن كل برداشت از محدوده و با اندكی تغییرات منطقه‌ای در میزان برداشت در آبخوان آلوده كرج، می‌توان از افزایش غلظت نیترات در نواحی بحرانی جلوگیری نمود.

Nitrate is one of the most important groundwater pollutants with such different sources as chemical fertilizers, pesticides, or domestic and industrial wastewater. In this research, the optimal operation of groundwater wells in aquifers with nitrate pollution is investigated using simulation and optimization techniques. For the simulation part, an artificial neural network (ANN) model is developed, and for the optimization model, the particle swarm optimization (PSO) is used. Considering the high nitrate concentration in Karaj area and its increase in recent years, the northern part of this aquifer is selected as a case study to apply the proposed methodology. A seasonal ANN model is developed with input layers including well discharge in the current and previous seasons, nitrate concentration in the previous season, aquifer thickness, and well coordinates, all selected based on sensitivity analysis. The results of PSO algorithm shows that nitrate concentration can be controlled by increasing or decreasing well discharge in different zones. Therefore, it is possible to reduce nitrate concentration in critical areas by changing the spatial distribution of groundwater extractions in different zones keeping the total discharge constant.