מבוא

חיזוי ההצלחה ארוכת הטווח של תיווך סביבתי הוא אחד המשימות המאתגרות ביותר העומדות בפני מדענים, מהנדסים וקובעי מדיניות.עשרות שנים של ניהול אתרים מזוהמים הראו כי הצלחות לטווח קצר לא תמיד מתרגמות לתוצאות בר-קיימא. צנרת מים קרקעיים יכולה ליישב מחדש, לצייד את מרכזי אבטחת המידע, ולשלב מודלים טבעיים של מעקב, ולשלב מודלים של טכנולוגיות של מעקב, ואפילו לשילוב של טכנולוגיות אבטחה, על בסיס פיזיות, על ידי בדיקות של טכנולוגיות של תהליכים של נתונים, ושינויים.

מימון של מודלים נתונים עבור תיווך סביבתי

מודלים נתונים בהקשר זה מתייחס ליצירת ייצוגים מתמטיים המדמים את ההתנהגות של contaminants בסביבה.מודלים אלה מסתמכים על פתרונות מספריים למשוואות שונות המתארות תחבורה, טרנספורמציה ותהליכי גורל.דיוק של תחזיות לטווח ארוך תלוי באיכות של נתונים קלט, ההתאמה של המבנה, ואת החריצות נגד תצפיות היסטוריות.

מה זה Data Modeling in Remediation?

בבסיסו, מודלים נתונים הופכים את נתוני האתר לייצוג דינמי של האופן שבו contaminants נעים ו degrade. Common Models כוללים:

  • (ב) עיין בפרשת [[המאה ה-20]], [[1924]] ו[[1924]]]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]]
  • (ב) ,0) מודלים של אזור Vadose: FLT:1, תנועת חיזוי של contaminants באמצעות שכבות קרקע בלתי רוויות.
  • (ב) פיזור אוויר:0) מודלים של פיזור אוויר: FLT:1 חיזוי התחבורה של contaminants או חלקיקים חלקיקים מן הקרקע או הקרקע.
  • (ב) ,0) מודל מים: 1 ,5 ,7 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) מודלים של Multi-media: FLT:1 זוגות מספר תאים (אוויר, אדמה, מים, ביוטה) לתחזיות הוליסטיות.

כל מודל דורש קלטות נתונים ספציפיות והוא מתאים לתנאי האתר מסוימים ומזהמים.לדוגמה, אתר אינטרנט קצר-שלבי צפוף נוזלי (DNAPL) דורש לעתים קרובות מודל זרימה רב-phase ולא מודל תחבורה פשוט מתמוסס-phase.

מידע חיוני עבור מודלים אמין

הכוח הנבאי של כל מודל מחוספס על ידי הנתונים המזינים אותו.

  • פרמטרים הידרוגולוגיים: מוליכות הידראולית, פורוזיות, פיזור coefficients
  • תכונות בולטות: solubility, צפיפות, שיעורי השפלה, משככי כאבים.
  • תנאים גיאוכימיים: pH, פוטנציאל החמצן האדום, תוכן פחמן אורגני
  • נתוני זיהום היסטורי: כוח מקור, גאומטריה נפוחה, מגמות ריכוז
  • נתונים מטאורולוגיים הידרולוגיים: משקעים, evapotranspiration, שלב הנהר
  • פרמטרים של מערכת Remediation: שיעורי החילוץ, נפח ההזרקה, ריכוזי תיקון

פערי נתונים נפוצים, במיוחד באתרים מורכבים.במקרה זה, ניתוח רגישות מסייע לזהות אילו פרמטרים המשפיעים ביותר על תחזיות, המנחה מאמצי איסוף נתונים ממוקדים.

בחירת מודל קריטריה

בחירת המודל הנכון היא צעד קריטי.גורמים לשקול:

  • מורכבות האתר: הומוגני לעומת הטרוגני גיאולוגיה
  • סוג בולט: עוקבים שמרני לעומת מזהמים תגובתיים
  • סולם זמן: תחזיות קצרות טווח (חודשים) לעומת תחזיות ארוכות טווח (האקדמיה)
  • דרישות רגולטוריות: כמה סוכנויות מחייבות מודלים ספציפיים (למשל, MODFLOW של EPA עבור מי קרקע)
  • מקורות חישוביים זמינים: פתרונות אנליטיים פשוטים לעומת קודים מספריים מורכבים

מודלים מורכבים מדי יכול להיות בעייתי כמו אלה פשוטים מדי.עקרון של חנינה - תוך כדי לכידת המודל הפשוט ביותר שלוכד את הדינמיקה החיונית - צריך להנחות את הבחירה.

שלב-בי-שלב מסגרת לחיזוי ארוך-טווח

זרימת עבודה שיטתית מבטיחה כי מודלים נתונים מייצרים תחזיות ניתנות לפענוח ולפעולה.הצעדים הבאים מותאמים משיטות הטובות ביותר במודל סביבתי.

איסוף נתונים וביטוח איכות

(מידע איכותי הוא הבסיס.שלב זה כרוך באיסוף רשומות ניטור היסטוריות, ביצוע חקירות שדה (דור, דגימה, גיאופיזיקה), וביצוע ניתוחים מעבדה.אבטחת איכות / בקרת איכות (QA/QC) יש ליישם כדי לזהות פורטלים, להבטיח ייצוגיות, וזיהוי אי הוודאות מדידה.

מודל ו-Celbration

לאחר שנבחר מודל, זה חייב להיות פרמטר באמצעות נתונים באתר.קליברציה - תהליך של התאמת פרמטרים מודל עד סימולציה מיפוי תצפיות נמדד - הוא חיוני.זה נעשה בדרך כלל על ידי צמצום ההבדל בין ריכוזים נצפים וסימולציה, ראשים, או פלוקסים באמצעות קריטריונים סטטיסטיים (למשל, שורש פירושו טעות מרובעת).

במהלך ה calibration, חשוב להימנע מהתאמה יתר. מודל שמתאים לכל נקודת נתונים באופן מושלם לא יכול להיות כללי היטב לתנאים עתידיים. Cross-validation, שבו המודל נבדק על תת-קבוצה של נתונים שלא נעשה שימוש ב cabration, עוזר להעריך כוח חיזוי.

Scenario Simulation

לאחר ה calibration, המודל משמש כדי לדמות אסטרטגיות הפעלה חלופית.תרחישים נפוצים כוללים:

  • העצמה טבעית (ללא דחיפות פעילה)
  • טיפול ב-Pelve-and-טיפול עם שיעורי החילוץ השונים
  • ביו-remediation (למשל, הזרקת תורמי אלקטרונים)
  • החלפת חמצון כימי או צמצום
  • המונחים:

כל תרחיש צריך להיות לרוץ לתקופה הצפויה - לעתים קרובות 30 50, או 100 שנים.המודל תפוקה סדרה של ריכוזים contaminant, הסרת המונים, היקף צנרת, ומדדי סיכון. התוצאות הללו בהשוואה מטרות ניקוי רגולטורי (למשל, רמות מקסימליות של contaminant) כדי להעריך אם אסטרטגיה משיגה עמידה לטווח ארוך.

ניתוח רגישות ורגישות

כל התחזיות המודל נושאות אי ודאות בשל פרמטר הטרוגניות, שגיאות מדידה והבנה לא שלמה של תהליכים.ניתוח בלתי-וודאי מגדיר את טווח התוצאות האפשריות.הדמיית מונטה קרלו, שבו פרמטרים קלט מדגימים מהתפלגות הסתברות, היא שיטה סטנדרטית.ניתוח רגישות S.S. מזהה כי פרמטרים תורמים ביותר לחיזוי שחלות.

פרשנות וסיוע החלטות

הצעד האחרון הוא לתרגם פלטי מודל לתובנות ניתנות לפעולה.זה כולל השוואת הביצועים הצפויים של כל תרחיש נגד קריטריונים מרובים: עלות, זמן להשגת מטרות, סיכון חיתי, וקבלה רגולטורית.כלים תמיכה בהחלטות החלטות, כגון ניתוח החלטות רב-קריטריה, יכול לעזור לשקול את ההסכמים המסחריים.יש להציג תוצאות המודל בפורמטים חזותיים ברורים - מפות, לוחות זמנים, והסתברות - כדי לתקשר עם ממצאים, כולל בעלי עניין ציבוריים, כולל בעלי עניין, רגולטורים, כולל בעלי עניין ציבוריים.

יישומים אמיתיים ומקריות

מודלים נתונים כבר מוחלים על אלפי אתרים מזוהמים ברחבי העולם.הדוגמאות הבאות ממחישות את הערך שלה לחיזוי לטווח ארוך.

אתר Superfund: Love Canal, ניו יורק

תעלת אהבה היא אחד מאתרי הפסולת הידועים לשמצה ביותר בארצות הברית לאחר הניקוי הראשוני בשנות ה-80, מפלס המים שימש לחיזוי התחבורה ארוכת הטווח של הצנרת הכימית מהפסולת הקבורה.מודלים סימולציה את יעילותה של מערכת החימר והאוסף הנוטה של ה- 0cadeate, אישרו כי אמצעי מניעה הפחיתו את ההגירה המקוטבת, אך התחזיות המדגישות את הצורך של אתר הבקרה הבין-מישומי של ה-מסלולארי על-ה: 0cademe-ה.

פיתוח: אתר תעשייתי לשעבר, ניו ג'רזי

מפעל ייצור כימי לשעבר בניו ג'רזי התפתח מחדש לשימוש למגורים.מודל נתונים נעשה שימוש כדי לחזות סיכונים לטווח ארוך של חדירה של אדמה חיה וזיהום מים קרקע קרקע קרקע קרקעיים.מודל משולב נתונים גז קרקע, מאפייני בנייה, ותנאים מטאורולוגיים. Simulations הראו כי קצבה טבעית בשילוב עם מערכת גילוח פסיבית ישמור ריכוזים מתחת לרמות מזון המבוססות על בריאות מעל 30 שנים.

שמן שמן: Deepwater Horizon, מפרץ מקסיקו

בעקבות שפך הנפט Deepwater Horizon 2010, נעשה שימוש במודלים של נתונים כדי לחזות את גורלו ארוך הטווח של שמן תת-קרקעי.המודלים שילבו זרמי האוקיינוס, שיעורי ההשפלה, והובלת המשקעים כדי לחזות היכן שוורי הנפט יצטברו על קרקעית הים.התחזיות הללו הובילו את מאמצי ניטור מודרכים ועזרו להעריך את ההשפעה האקולוגית ארוכת הטווח.

יתרונות תכנון תיווך של Data-Driven Remediation

הגדלת נתונים מודלים לתכנון תיווך מניבה מספר יתרונות קונקרטיים מעבר לחיזוי פשוט.

חיסכון בעלויות באמצעות אסטרטגיות אופטימיזציה

מודלים יכולים לזהות את הגישה הקלה ביותר עלות-תועלת על ידי השוואת תרחישים מרובים ללא ניסויים שדה יקר.לדוגמה, מודל עשוי להראות כי הגדלת קצבה טבעית עם זריקה קטנה של חומרים מזינים להשיג מטרות ניקוי מהיר יותר מאשר מערכת משאבה בקנה מידה מלא, חיסכון של מיליוני דולרים בבירה ועלויות תפעול.היכולת לחזות ביצועים גם מפחיתה את הסיכון של בחירת אסטרטגיה יקרה הדורשת תיקונים בינוניים.

ניכוי אחריות וגמישות

סוכנויות רגילה מצפה יותר ויותר מודלים חיזוי כחלק מתכניות תיווך.מודל בעל איכות טובה מספק בסיס מדעי להצגת כי תרופה שנבחרה תשיג הגנה ארוכת טווח על בריאות האדם והסביבה.בתחומים רבים, מודלים גם תומך בתהליך הסגר על ידי כך שלא נקבע פעולה נוספת.זה מקטין את האחריות הקשורה לזיהום חי וניתן להקל על העברת רכוש או פיתוח מחדש.

שיפור תקשורת בעלי העניין

פלטים חזותיים ממודלים - כגון מפות המציגות צטמקות צנרת לאורך זמן - עוזרים להעביר מידע מורכב לחברים שאינם ⁇ .קהילתיים, הרגולטורים, משקיעים יכולים לראות את התוצאות הצפויות ולהבין את הרציונלי מאחורי החלטות תיווך.שקיפות במודל הנחות וחוסר ודאות בונה אמון.כאשר בעלי עניין מעורבים בתהליך המודל (למשל, באמצעות פגישות ציבוריות כדי לדון בתחזיות), מוביל לתוצאות ברות קיימא יותר.

אתגרים ומגבלות

למרות כוחו, הנתונים המתוונים לחיזוי תיווך ארוך טווח אינם ללא אתגרים משמעותיים.

פיזור נתונים והטרוגניות

אתרים מזוהמים רבים יש נתונים דליקים, במיוחד במימד האנכי או לאורך תקופות זמן ארוכות.הטרוגניות בתקשורת הגיאולוגית - כגון שכבות של חול, סילט וחימר - יוצרים נתיבי זרימה מועדפים שקשה לאפיין.מודלים יכולים לייצר תוצאות מטעות אם תכונות אלה אינן מיוצגות כראוי.

דרישות פיצויים

בקנה מידה גדול, מודלים של תחבורה תגובתית תלת-ממדית יכולים לדרוש משאבים חישוביים משמעותיים.ריצה מונטה קרלו סימולציות לניתוח אי ודאות עשויה לקחת ימים או שבועות.עבור ארגונים ללא גישה למחשוב ביצועים גבוהים, מודלים אנליטיים פשוטים יותר עשויים להיות מעשיים יותר, אבל הם להקריב ריאליזם. פלטפורמות מודלים המבוססים על ענן מודלים מודלים מתחילים להקל על מעצורים אלה, אבל הם מעלים חששות אבטחת מידע ונגישות.

מודל מעל עשרות שנים

אימות אמיתי של תחזיות לטווח ארוך דורש עשרות שנים של ניטור.זה נדיר שיש מספיק נתונים כדי לאשר כי תחזית של 50 שנה של מודל הייתה מדויקת. במקום זאת, מודלים מסתמכים על עקביות עם מגמות היסטוריות והבנה תהליכים. גישות ניהול הסתגלות - שם המודל מעודכן כמו מעקב חדש הופך זמין - יכול להפחית את ההגבלה הזאת.

מגמות עתידיות ב-Data Modeling for Remediation

התקדמות במדעי הנתונים, כוח חישובי וטכנולוגיה חיישן מרחיבים במהירות את היכולות של מודלים סביבתיים.

אינטגרציה למידת מכונות

אלגוריתמי למידת מכונות יכולים לנתח נתונים עצומים כדי לזהות דפוסים כי מודלים המבוססים על פיזיקה עשויים להחמיץ.מודלים של הפרדה (emulators) מאומן על פלטים של מודלים מספרי מורכבים יכול להפעיל תחזיות בתוך שניות במקום שעות, המאפשרים תמיכה בזמן אמת בזמן אמת, רשתות נילי יכול לשמש גם כדי להעריך פרמטרים חסרים או לפתח מתאםים ספציפיים לאתר.

מעקב בזמן אמת ומודל הסתגלות

חיישניים אלחוטיים ורגישים מרחוק מספקים זרמים רציפה של נתונים על רמות זיהום, ראשי מים קרקעיים ותנאי מזג אוויר.כאשר בשילוב עם תזרימות עבודה מודלים אוטומטיים, זה מאפשר ניהול הסתגלות: המודל מעודכנת באופן קבוע כדי לשקף נתונים חדשים, ופעולות החלמה מתואמים בהתאם.לדוגמה, אם מודל צופה כי תיקון ביו-ריבית הוא נצרך מהר יותר מאשר צפוי, מפעילי יכול להגדיל את קצבי זמן זה כבר נבדק.

Open Data and Collaborative Platforms

התנועה לעבר נתונים פתוחים במדעי הסביבה מקלה על שיתוף נתונים ומודלים.פלטפורמות כמו ההרחבה:0 EPA של קהילת המודל הסביבתי של PracticeveFLT:1 לספק כלים ומאגרי מידע המאפשרים מודלים משותפים. Crowdsourced נתונים מפרויקטים מדעיים אזרחיים יכולים גם להשלים מעקב מסורתי.

מסקנה

מודלים נתונים הוא כלי חיוני לחיזוי תוצאות תיווך לטווח ארוך. על ידי מתן מסגרת מובנית, כמותית כדי לדמות התנהגות מגובשת תחת תרחישים ניהול שונים, הוא מעצימה את מקבלי ההחלטות לבחור ביעילות, עלות יעילות, תרופות בר קיימא.התהליך דורש איסוף נתונים זהירים, מודלים של מודלים של מודלים, ניתוח מודלים של זמן מודלים, אי ודאות ותקשורת שקוף.