Нейромережа передбачила тривале забруднення води ртуттю біля полігону Нааме

10 листопада 2026 р. 14:52

10 листопада 2026 р. 14:52

Дослідники довкілля показали, що штучні нейронні мережі здатні точно відстежувати й прогнозувати слідові концентрації ртуті в підземних водах поблизу закритого полігону твердих побутових відходів Нааме на південь від Бейрута. Як повідомляє Scienmag , моделі передбачають, що розчинена ртуть у водоносному горизонті під полігоном зберігатиметься щонайменше ще два роки, попри припинення захоронення відходів у 2015 році та завершення «накриття» полігону у 2020-му.

Полігон Нааме та його гідрогеологічні умови

Полігон Нааме було спроєктовано як санітарний об’єкт на місці старого кар’єру. Він почав роботу у 1997 році, а з 1998-го став основним полігоном для муніципальних відходів Великого Бейрута та навколишніх громад. За час експлуатації сюди завезли близько 14,8 млн тонн пресованого й загорнутого сміття від приблизно 2,2 млн мешканців, а площа полігону сягнула 300 тис. м².

Нааме — єдиний у регіоні інженерно оснащений санітарний полігон із багатошаровими композитними ізоляційними екранами, системами збору та очищення фільтрату, каналами для поверхневого стоку, мережею збору полігонного газу та синтетичним верхнім екраном для ізоляції відходів.

Полігон розташований на середній висоті близько 250 м над рівнем моря в руслі сезонного водотоку за 16 км на південь від Бейрута і близько 4 км від узбережжя Середземного моря. Регіональний клімат середземноморський напівпосушливий із чотирма порами року: взимку (грудень–лютий) середні температури коливаються від 8 до 23 °C, улітку (червень–серпень) — від 19 до 33 °C.

Глибоко під деформованим кар’єрним рельєфом головний водоносний горизонт залягає на глибині 250–350 м і дренує в бік Середземного моря. Потенційний прорив фільтрату за межі захисних геомембран становить серйозний ризик для цих глибоких запасів підземних вод, тому зона потребує постійного фізико-хімічного моніторингу як вище, так і нижче за течією підземного потоку.

Моніторинг підземних вод і рівні ртуті

Щоб простежити просторово-часову динаміку якості підземних вод, команда відібрала та проаналізувала проби з п’яти спостережних свердловин, розташованих у зонах вище та нижче полігону, за період 2011–2019 років. У результаті сформували безперервний екологічний ряд спостережень протягом 11 років — із лютого 2011-го до лютого 2019-го — загалом 89 лабораторних вимірювань.

Аналізи виконували за стандартами «Standard Methods for the Examination of Water and Wastewater» і затвердженими методиками Агентства з охорони довкілля США. Виявлені концентрації розчиненої ртуті були дуже низькими, але сталими: у вибірці для навчання моделі — 0,06–0,10 мкг/л (середнє 0,08 мкг/л), у тестовій вибірці — 0,05–0,09 мкг/л (середнє 0,07 мкг/л).

Класичний двофакторний статистичний аналіз показав лінійні зв’язки між ртуттю та фоновими геохімічними показниками. Середні позитивні кореляції виявили між електропровідністю води, загальною мінералізацією (total dissolved solids) та сумарним вмістом окиснених сполук азоту: коефіцієнти були в діапазоні 0,43–0,56 . З розчиненим кальцієм і магнієм зв’язки були слабкішими (0,23–0,39), але теж позитивними.

Як налаштували нейромережі для прогнозу ртуті

Для прогнозування концентрацій ртуті в підземних водах полігону Нааме автори застосували навчання з учителем на штучних нейронних мережах прямого поширення сигналу. Розглядали дві архітектури: багатошаровий перцептрон (multilayer perceptron, MLP) і мережу з радіальними базисними функціями (radial basis function, RBF). В обох випадках не використовувалися зворотні зв’язки між шарами чи горизонтальні зв’язки між нейронами одного шару.

Перед навчанням 89 емпіричних записів випадково поділили на тренувальну вибірку (приблизно 80 % даних) і незалежну тестову (решта 20 %). Усі безперервні змінні масштабували й нормували до інтервалу від 0 до 1, аби параметри з великими значеннями не домінували під час мінімізації помилки.

У багатошаровому перцептроні стандартний алгоритм зворотного поширення помилки доповнили детермінованим методом оптимізації Левенберга–Марквардта, який забезпечує швидку збіжність другого порядку без прямого обчислення Гессіана. Приховані нейрони використовували гіперболічну тангенсу як нелінійну функцію активації, вихідний шар — лінійну функцію.

RBF-мережі навчали за алгоритмом Orthogonal Least Squares, застосовуючи гаусівські радіальні базисні функції в прихованому шарі та лінійну активацію на виході.

Дослідники протестували шість варіантів наборів вхідних параметрів (Сценарії 1–6) — від повного шестивимірного вектора (pH, електропровідність, загальна мінералізація, кальцій, магній, загальний окиснений азот) до моделі лише з електропровідністю. Мета була знайти найпростіший, але достатньо інформативний набір змінних.

Найкраща модель і ключові показники якості води

Порівняння показало, що Сценарій 4 , де на вхід нейромереж подавали лише pH, електропровідність і сумарний вміст окиснених сполук азоту, забезпечив найкращу якість прогнозу на тестових даних без «перенавчання» моделі.

Серед усіх конфігурацій найкращою стала модель багатошарового перцептрона з одним прихованим шаром , навчена за алгоритмом Левенберга–Марквардта. На незалежній тестовій вибірці вона досягла коефіцієнта кореляції 0,92 між прогнозованими та виміряними концентраціями ртуті й кореня середньоквадратичної помилки 0,44 .

Кореляції між розрахунковими та спостереженими значеннями в тренувальних вибірках також були високими: для одношарових перцептронів — 0,88–0,90, для двошарових — 0,886–0,912, для RBF-мереж — 0,791–0,810. Це свідчить про високу математичну узгодженість підходу з перцептроном порівняно з альтернативами.

Що найбільше впливає на вміст ртуті

Щоб з’ясувати відносну важливість окремих параметрів, автори виконали аналіз чутливості для оптимальної моделі MLP з одним прихованим шаром. Вони систематично змінювали кожну вхідну змінну й оцінювали, як це впливає на варіацію прогнозованих концентрацій ртуті.

У результаті побудували ієрархію впливу: найсильніший внесок мав загальний вміст окисненого азоту, далі йшли електропровідність, pH, потім розчинений кальцій, магній і, нарешті, загальна мінералізація. Такий розподіл підтвердив емпіричний вибір Сценарію 4: саме азот, електропровідність і pH є найбільш інформативними для опису підземної динаміки ртуті.

Дослідники зазначають, що слабші двофакторні кореляції з деякими показниками частково знижували абсолютну точність у окремих тестових налаштуваннях, однак модель добре відтворювала загальні тренди та історичні зміни концентрацій ртуті в підземних водах.

Тривала присутність ртуті та значення моделі

На основі моделювання команда дійшла висновку, що штучні нейронні мережі є ефективним і стійким інструментом для прогнозу небезпечного забруднення важкими металами в складних гідрогеологічних умовах, пов’язаних із колишніми полігонами відходів.

Проєкції показують, що залишкові концентрації ртуті у мережі спостережних свердловин поблизу полігону Нааме зберігатимуться щонайменше протягом найближчих двох років, навіть попри завершене інженерне накриття та відсутність нового сміття. Це підкреслює тривалий час перебування металів у підповерхневих геологічних шарах і демонструє, як нейромережеві моделі можуть допомогти оцінювати ризики після закриття полігонів у регіонах із хронічними проблемами поводження з відходами.

Наука