تخمين ضريب توزيع خاك-آب فلزات سنگين با كاربرد شبكه‌هاي عصبي مصنوعي

Predicting soil–water distribution coefficients of heavy metals using artificial neural networks

آلودگي منابع آب و خاك يكي از چالش‌هاي مهم استفاده بهينه از اين منابع در سرتاسر جهان است. ضريب توزيع (Kd) نه تنها يك پارامتر كاربردي در مدلسازي انتقال آلاينده‌ها در خاك است، بلكه در ارزيابي ريسك آلودگي منابع آب و خاك نيز كاربرد دارد. مدل‌هاي پارامتريك، معمول‌ترين روش كمّي براي تخمين Kd هستند. ليكن معمولاً ضريب همبستگي اين مدل‌ها اندك است. درحاليكه مقدار تخميني اين پارامتر مي‌تواند باعث اشتباه قابل توجه در پيش‌بيني مهاجرت آلاينده‌ها در آبخوان و يا انتخاب روش پايش محيط آلوده شود. هدف از اين پژوهش، بررسي توانايي شبكه هاي عصبي مصنوعي در مدلسازي ضريب توزيع فلزات سنگين و بهبود دقت تخمين آن بود. بدين منظور، سه نوع شبكه عصبي پرسپترون چند لايه (MLP)، توابع پايه شعاعي (RBF) و شبكه‌هاي سلسله مراتبي (HN) و دو فلز سنگين كروم و كادميوم، براي مدلسازي انتخاب شدند. ابتدا داده‌هاي جمع‌آوري شده به دو دسته آموزش و آزمون تفكيك شدند كه يك دسته براي آموزش شبكه‌ها بكار رفت و با دسته ديگر دقت شبكه‌هاي تعميم يافته ارزيابي شد. بهترين هندسه شبكه نيز با روش آزمون و خطا بدست آمد. نتايج مدلسازي براي فلز كروم نشان داد كه هر دو شبكه MLP و RBF، بسيار توانمند عمل كرده‌اند و برتري نسبي در تخمين Kd با شبكه MLP بوده است. هرچند تعداد داده‌هاي كاربردي براي آموزش شبكه‌ها زياد نبود (حداقل 9 و حداكثر 16 داده)، ليكن نتايج نشان داد كه اين تعداد كم براي مدلسازي كفايت مي‌كند. اين يافته گامي موثر در تخمين Kd است چراكه افزون‌بر زمان‌بر و هزينه‌بر بودن اندازه‌گيري مستقيم آن، در هر پروژه نيز معمولاً تعداد اندكي نمونه در اختيار است. نتايج مدلسازي تخمين Kd(Cd) با شبكه‌هاي عصبي مصنوعي نيز نشان‌دهنده برتري شبكه MLP در مدلسازي بود. اين شبكه‌ها توانستند مقدار ضريب همبستگي بين مقادير واقعي و پيش‌بيني شده را به طور قابل توجهي افزايش دهند و از 37/0 در مدل پارامتريك 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 site-remediation 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.