Abstract

Groundwater pollution source identification problem plays an important role in designing the groundwater remediation measures. This study aims at identifying the groundwater pollutant source location and its strength given a set of concentration breakthrough curves at different locations. Feed forward three layered artificial neural network (ANN) has been used to identify these two source parameters: location, i.e., the distance of source from the observation point and strength, i.e., the release concentration. A simplified ANN architecture is achieved by presenting the available concentration breakthrough curves in a specific manner as input to the model. The database of 1750 patterns for training and testing of the model is generated employing analytical solution of one dimensional steady flow and transient contaminant transport in a homogeneous aquifer. The performance of the ANN model was evaluated using standard statistical methods. A network with architecture 22-16-2 was found to be optimum and resulted in a normalized root mean square error (NRMSE) of 0.014 for identifying the source location and NRMSE of 0.044 for identifying the source release concentration. The results show that ANN can be a very efficient tool for locating pollution sources and estimating the release concentration at source. A good ANN model performance was obtained even with a simple architecture and with a small number of input variables.

摘要

地下水污染源识别问题在地下水修复措施的设计中起着重要作用。本研究旨在根据不同位置的一组浓度突破曲线确定地下水污染物源位置及其强度。前馈三层人工神经网络（ANN）已被用于识别这两个源参数：位置，即源到观察点的距离和强度，即释放浓度。通过以特定方式将可用的浓度突破曲线作为模型的输入来实现简化的 ANN 架构。用于模型训练和测试的 1750 个模式的数据库是使用均质含水层中的一维稳定流和瞬时污染物迁移的解析解生成的。使用标准统计方法评估 ANN 模型的性能。发现具有架构 22-16-2 的网络是最佳的，并导致归一化均方根误差 (NRMSE) 为 0.014，用于识别源位置，NRMSE 为 0.044，用于识别源释放浓度。结果表明，人工神经网络可以成为定位污染源和估算源头释放浓度的非常有效的工具。即使使用简单的架构和少量的输入变量，也可以获得良好的 ANN 模型性能。使用标准统计方法评估 ANN 模型的性能。发现具有架构 22-16-2 的网络是最佳的，并导致归一化均方根误差 (NRMSE) 为 0.014，用于识别源位置，NRMSE 为 0.044，用于识别源释放浓度。结果表明，人工神经网络可以成为定位污染源和估算源头释放浓度的非常有效的工具。即使使用简单的架构和少量的输入变量，也可以获得良好的 ANN 模型性能。使用标准统计方法评估 ANN 模型的性能。发现具有架构 22-16-2 的网络是最佳的，并导致归一化均方根误差 (NRMSE) 为 0.014，用于识别源位置，NRMSE 为 0.044，用于识别源释放浓度。结果表明，人工神经网络可以成为定位污染源和估算源头释放浓度的非常有效的工具。即使使用简单的架构和少量的输入变量，也可以获得良好的 ANN 模型性能。结果表明，人工神经网络可以成为定位污染源和估算源头释放浓度的非常有效的工具。即使使用简单的架构和少量的输入变量，也可以获得良好的 ANN 模型性能。结果表明，人工神经网络可以成为定位污染源和估算源头释放浓度的非常有效的工具。即使使用简单的架构和少量的输入变量，也可以获得良好的 ANN 模型性能。