تخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه‌های عصبی مصنوعی

آلودگی منابع آب و خاک یکی از چالش‌های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده‌ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل‌های پارامتریک، معمول‌ترین روش کمّی برای تخمین kd هستند. لیکن معمولاً ضریب همبستگی این مدل‌ها اندک است. درحالیکه مقدار تخمینی این پارامتر می‌تواند باعث اشتباه قابل توجه در پیش‌بینی مهاجرت آلاینده‌ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (mlp)، توابع پایه شعاعی (rbf) و شبکه‌های سلسله مراتبی (hn) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده‌های جمع‌آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه‌ها بکار رفت و با دسته دیگر دقت شبکه‌های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه mlp و rbf، بسیار توانمند عمل کرده‌اند و برتری نسبی در تخمین kd با شبکه mlp بوده است. هرچند تعداد داده‌های کاربردی برای آموزش شبکه‌ها زیاد نبود (حداقل 9 و حداکثر 16 داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می‌کند. این یافته گامی موثر در تخمین kd است چراکه افزون‌بر زمان‌بر و هزینه‌بر بودن اندازه‌گیری مستقیم آن، در هر پروژه نیز معمولاً تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین kd(cd) با شبکه‌های عصبی مصنوعی نیز نشان‌دهنده برتری شبکه mlp در مدلسازی بود. این شبکه‌ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش‌بینی شده را به طور قابل توجهی افزایش دهند و از 37/0 در مدل پارامتریک برازش داده شده به داده ها، به 63/0 برسانند.