بهينه‌سازي روش SEAR در پاك‌سازي آبخوان‌هاي آلوده به DNAPL با مدل‌هاي جايگزين

سابقه و هدف: ﻣﺎﻳﻌﺎت ﺑﺎ ﻓﺎز غيرآﺑﻰ چگال (DNAPL) در بين رايج‌ترين گونه‌هاي آﻟﻮدﮔﻰ در آب زيرزميني هستند. روش ﭘﻤﭙﺎژ و تصفيه ارتقاء يافته (SEAR) يكي از روش‌هاي مرسوم پاك‌سازي آبخوان‌هاي آلوده به DNAPL است. باتوجه‌به هزينه بالاي مواد شيميايي مورداستفاده در اين روش (سورفكتانت‌ها و كوسالونت‌ها)، انتخاب الگوي مناسب جانمايي چاه‌ها و نرخ‌هاي پمپاژ بهينه ضروري است. ﻧﺮم‌افزار شبيه‌سازي UTCHEM توانايي مدل‌سازي نحوة انتقال و اﻧﺘﺸﺎر DNAPLها و قابليت اﺟﺮاي روش SEAR را دارد. مشكل اصلي استفاده از اين نرم‌افزار، مدت‌زمان زياد موردنياز براي اجراي متعدد مدل در استفاده از آن براي بهينه‌سازي سيستم است. هدف از اين پژوهش استفاده از دو روش يادگيري ماشين (شبكه عصبي مصنوعي و K همسايه نزديك‌تر) به‌عنوان مدل‌هاي شبيه‌سازي جايگزين و وارد نمودن بهترين مدل در نرم‌افزار LINGO براي بهينه‌سازي روش SEAR است.مواد و روش‌ها: در اجراي روش SEAR، داده‌هاي كمي و كيفي آبخوان براي مدل‌سازي نحوه انتشار، انتقال و حذف DNAPLs در نرم‌افزار UTCHEM موردنياز است. براي اين منظور از اطلاعات سايت Camp Lejeune در كاروليناي شمالي، ايالات متحده آمريكا استفاده شد. در اين پژوهش با بررسي انواع مدل‌هاي جايگزين بر مبناي روش‌هاي يادگيري ماشين و اجراي 250 سناريو مختلف در نرم‌افزار UTCHEM ، از دو مدل روش شبكه عصبي مصنوعي (ANN)، و نزديك‌ترين همسايگي‌هاي K (KNN) به‌منظور شبيه‌سازي روش SEAR و توسعه مدل جايگزين استفاده گرديد. به‌منظور صحت‌سنجي دو مدل جايگزين، 50 سناريو جديد در نرم‌افزار UTCHEM اجرا شد و درصد پاك‌سازي آن‌ها به دست آمد. همچنين با استفاده از دو مدل جايگزين نيز درصدهاي پاك‌سازي 50 سناريو مشخص گرديد. براي ارزيابي عملكرد مدل‌هاي جايگزين، از آماره جذر ميانگين مربعات خطا (RMSE) استفاده شد و با نتايج ساير پژوهش‌ها مقايسه گرديد. در انتها از مدل جايگزيني كه دقت بيش‌تري داشت در نرم‌افزار LINGO به‌منظور بهينه‌سازي روش ﭘﻤﭙﺎژ و تصفيه ارتقاء يافته (SEAR) استفاده شد.نتايج و بحث: مقادير RMSE در نتايج به‌دست‌آمده از مدل‌هاي جايگزين ANN و KNN در مرحله صحت سنجي به ترتيب برابر 0.67 و 66.1 بوده كه اين بيانگر دقت بالاي هر دو مدل جايگزين، به‌خصوص ANN است. ميانگين مدت‌زمان هر اجراي نرم‌افزار UTCHEM در اين پژوهش 45 دقيقه بوده است در‌حالي‌كه در مدل جايگزين به چند ثانيه كاهش يافت؛ همچنين نرم‌افزار LINGO براي مشخص‌كردن سناريو بهينه حدود 21500 سناريو مختلف را در مدت‌زمان 30 دقيقه بررسي نمود در‌حالي‌كه در صورت عدم استفاده از مدل جايگزين مدت‌زمان موردنياز براي اين كار بيش از 16000 ساعت است. بر اساس موقعيت و دبي چاه‌هاي فعال در سناريو بهينه، مشخص شد كه اولاً چاه‌هاي موجود در بالادست و پايين‌دست آلودگي بيشترين تأثير را در پاك‌سازي دارند و ثانياً عامل زمان بيشتر از دبي پمپاژ چاه‌ها در پاك‌سازي تأثير دارد. سناريو بهينه به‌دست‌آمده در اين پژوهش با هزينة كم‌تر نسبت به هزينه‌هاي گزارش شده در پروژه Camp Lejeune و در مدت‌زمان 30 روز، منطقه آلوده به DNAPL را تا 95% پاك‌سازي مي‌كند.نتيجه‌گيري: بر اساس نتايج به‌دست‌آمده در اين پژوهش مشخص گرديد كه استفاده از الگوريتم‌هاي يادگيري ماشين نظير ANN و KNN، به همراه نرم‌افزار بهينه‌سازي LINGO كه از قوي‌ترين نرم‌افزارهاي حل مسائل بهينه‌سازي خطي و غيرخطي است، باعث مي‌شود علاوه بر داشتن دقت مناسب، مدت‌زمان موردنياز براي يافتن سناريو بهينه تا حد چشم‌گيري كاهش يابد.