Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination

要約

Monitored Natural Attenuation (MNA) は、コスト効率が高く、環境破壊が最小限に抑えられるため、土壌および地下水汚染を管理する効果的な方法として注目を集めています。
MNA にはその利点にもかかわらず、汚染物質レベルが安全基準を満たしているかどうかを確認するために大規模な地下水監視が必要です。
この研究では、長期環境モニタリング用に設計された Python パッケージである PyLEnM の機能を拡張するため、新しいアルゴリズムを組み込んで予測機能と分析機能を強化します。
Sr-90 や I-129 などの汚染物質が規制上の安全基準に達するまでに必要な時間枠を線形回帰を使用して推定し、双方向長短期記憶 (Bi-LSTM) ネットワークを使用して将来の汚染物質レベルを予測する方法を紹介します。
さらに、ランダム フォレスト回帰を使用して、安全基準に達するまでの時間に影響を与える要因を特定します。
私たちの方法は、サバンナ川サイト (SRS) F エリアのデータを使用して説明されています。予備調査結果では、初期濃度と地下水の流動力学に関連した変動を伴う、汚染物質レベルの顕著な下降傾向が明らかになりました。
Bi-LSTM モデルは、今後 4 年間の汚染物質濃度を効果的に予測し、MNA 戦略を改善し、手動による地下水サンプリングへの依存を減らすための高度な時系列分析の可能性を示しています。
コードとその使用手順、検証、要件は、https://github.com/csplevuanh/pylenm_extension から入手できます。

要約(オリジナル)

Monitored Natural Attenuation (MNA) is gaining prominence as an effective method for managing soil and groundwater contamination due to its cost-efficiency and minimal environmental disruption. Despite its benefits, MNA necessitates extensive groundwater monitoring to ensure that contaminant levels decrease to meet safety standards. This study expands the capabilities of PyLEnM, a Python package designed for long-term environmental monitoring, by incorporating new algorithms to enhance its predictive and analytical functionalities. We introduce methods to estimate the timeframe required for contaminants like Sr-90 and I-129 to reach regulatory safety standards using linear regression and to forecast future contaminant levels with the Bidirectional Long Short-Term Memory (Bi-LSTM) networks. Additionally, Random Forest regression is employed to identify factors influencing the time to reach safety standards. Our methods are illustrated using data from the Savannah River Site (SRS) F-Area, where preliminary findings reveal a notable downward trend in contaminant levels, with variability linked to initial concentrations and groundwater flow dynamics. The Bi-LSTM model effectively predicts contaminant concentrations for the next four years, demonstrating the potential of advanced time series analysis to improve MNA strategies and reduce reliance on manual groundwater sampling. The code, along with its usage instructions, validation, and requirements, is available at: https://github.com/csplevuanh/pylenm_extension.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google