基于机器学习的现场检测在地下水中有毒的石油碳化合物

科学领域:

• 环境科学 环境科学
• 机器学习 机器学习
• 水文地质学 水文地质学

背景情况:

• 监控自然减弱是一种常见但昂贵的方法,用于管理被石油碳化合物污染的地下水.
• 目前的方法依赖于定期,昂贵的抽取样本进行监测.
• 碳化合物度与现场水质参数 (iWQP) 之间存在已确定的相关性.

研究的目的:

• 利用机器学习 (ML) 和现场传感器开发一个具有成本效益的实时地下水监测框架.
• 检测,乙和 (BEX) 的污染.
• 为了提供关于羽毛迁移的早期警告.

主要方法:

• 开发了一个ML框架,利用pH,溶解氧,电导率和氧化还原电位传感器.
• 在一个模拟的含水层中使用虚拟井与反应式运输模型验证了框架.
• 我们比较了五个ML分类器 (物流回归,随机森林,XGBoost,多层感知子,支向量分类器) 用于二进制污染分类.

主要成果:

• 在模拟的场景中,ML框架成功地检测到了污染在已确定的羽毛下游的传播.
• 在BEX达到下游虚拟井的监管值 (5μg/L) 之前,模型预测了污染.
• ML模型的准确性对含水层特性和传感器噪声敏感;中等噪声 (10-20%) 显著影响了性能.

结论:

• 拟议的ML框架显示了实时,具有成本效益的地下水监测和对BEX污染的早期预警的希望.
• 建议将硬件稳定与自适应光滑技术相结合,以减轻传感器噪声的影响.
• 该框架可以帮助管理被石油碳化合物污染的地下水,并保护敏感受体免受流迁移的影响.