Assessment of artificial neural network models based on the simulation of groundwater contaminant transport

Abstract

The characterization of contaminant transport in subsurface environments is a pre-requisite for sustainable groundwater use and management. Various analytical and numerical models are generally utilized for such characterization. Analytical models are used for solving simple and idealized pollution transport problems, while numerical models deal with real-world pollution transport simulations. However, in situations where any of the aquifer parameters (such as geological properties, boundary conditions, initial conditions, etc.) are not explicitly defined, use of these models becomes redundant. Simulation of pollution transport under such scenarios becomes challenging. To tackle such problems, researchers generally make use of artificial neural network (ANN) models. Existing literature review reveals that feed-forward backpropagation (FFBNN) models are the most commonly used training method while the applicability of other ANN models has not been appropriately explored. In this study, various ANN models, encompassing supervised and unsupervised neural networks, like, cascade-forward backpropagation (CFBNN), FFBNN, radial basis function (RBFNN), exact radial basis function (ERBFNN) and generalized regression (GRNN), have been developed, and their performances are compared for transport simulation of a conservative pollutant in a two-dimensional hypothetical aquifer. The models reported have pollution injection rates and locations of the sources as input data and the pollution concentrations measured in some water supply wells (or monitoring wells) are considered as target data. Stability of the developed models has been validated by sensitivity analyses. This study reveals that alternative ANN models (other than the ones already reported in literature) can be reliable for simulation of pollutant transport in groundwater systems.

Résumé

La caractérisation du transport des contaminants dans les environnements souterrains est une condition préalable à l'utilisation et à la gestion durables des eaux souterraines, et divers modèles analytiques et numériques sont prescrits à cette fin. Les modèles analytiques sont utilisés pour résoudre des problèmes de transport de pollution simples et idéalisés, tandis que les modèles numériques traitent de simulations de transport de pollution dans le monde réel. Cependant, dans les situations où aucun des paramètres de l'aquifère (tels que les propriétés géologiques, les conditions aux limites, les conditions initiales, etc.) n'est explicitement défini, l'utilisation de ces modèles devient redondante. La simulation du transport de la pollution dans de tels scénarios constitue un défi.Pour résoudre ces problèmes, les chercheurs utilisent généralement des modèles de réseaux de neurones artificiels (RNA).La revue de la littérature existante révèle que les modèles de propagation avant et rétropropagation (feed-forward backpropagation neural network - FFBNN) sont la méthode de formation la plus couramment utilisée, et l'applicabilité d'autres modèles RNA n'a pas été explorée de manière appropriée. Dans cette étude, divers modèles RNA, englobant des réseaux de neurones supervisés et non supervisés, comme la rétropropagation en cascade (CFBNN), la FFBNN, la fonction de base radiale (RBFNN), la fonction de base radiale exacte (ERBFNN) et la régression généralisée (GRNN) ont été développés, et leurs performances sont comparées pour la simulation du transport d'un polluant conservateur dans un aquifère hypothétique bidimensionnel. Les modèles rapportés ont des taux d'injection de pollution et des emplacements des sources comme données d'entrée; les concentrations de pollution mesurées dans certains puits d'alimentation en eau (ou puits de surveillance) sont considérées comme des données cibles.La stabilité des modèles développés a été validée par des analyses de sensibilité. Cette étude révèle que d'autres modèles RNA (autres que ceux souvent rapportés dans la littérature) peuvent être fiables lorsqu'ils sont développés, pour simuler le transport de polluants dans les systèmes d'eaux souterraines.

Resumen

La caracterización del transporte de contaminantes en ambientes subsuperficiales es un requisito previo para el uso y la gestión sostenibles de las aguas subterráneas, y se prescriben diversos modelos analíticos y numéricos para este fin. Los modelos analíticos se utilizan para resolver problemas sencillos e idealizados de transporte de contaminantes, mientras que los modelos numéricos se ocupan de simulaciones de transporte de contaminantes en el plano real. Sin embargo, en las situaciones en que cualquiera de los parámetros del acuífero (como las propiedades geológicas, las condiciones límite, las condiciones iniciales, etc.) no están definidos explícitamente, el uso de estos modelos se hace redundante. La simulación del transporte de la contaminación en tales escenarios se convierte en un desafío. Para hacer frente a esos problemas, los investigadores suelen utilizar modelos de redes neuronales artificiales ( ANN ). El examen de la literatura existente revela que los modelos de retropropagación de retroalimentación (FFBNN) son el método de capacitación más utilizado, y no se ha explorado adecuadamente la aplicabilidad de otros modelos de ANN. En el presente estudio se han desarrollado varios modelos de redes neuronales supervisadas y no supervisadas, como la retropropagación en cascada (CFBNN), la FFBNN, la función de base radial (RBFNN), la función de base radial exacta (ERBFNN) y la regresión generalizada (GRNN), y se comparan sus resultados para la simulación del transporte de un contaminante conservador en un acuífero hipotético bidimensional. Los modelos presentados tienen como datos de entrada las tasas de inyección de contaminación y la ubicación de las fuentes; las concentraciones de contaminación medidas en algunos pozos de abastecimiento de agua (o pozos de monitoreo) se consideran datos objetivo. La estabilidad de los modelos elaborados se ha validado mediante análisis de sensibilidad. En este estudio se ha comprobado que los modelos alternativos de ANN (distintos de los que suelen figurar en la bibliografía) pueden ser fiables cuando se elaboran, para simular el transporte de contaminantes en los sistemas de aguas subterráneas.

摘要

地下环境中污染物的运移特性是地下水可持续利用和管理的前提条件,为此目的提出了各种分析和数值模型。分析模型用于解决简单且理想化的污染运移问题,而数值模型用于处理现实世界的污染运移模拟。但是,如果任何含水层参数(如地质性质、边界条件、初始条件等)都没有明确定义,那么使用这些模型就变得多余了。在这种情况下,模拟污染物运移是一个挑战。为了解决这些问题,研究人员通常使用人工神经网络(ANN)模型。现有文献综述表明,前馈反向传播(FFBNN)模型是最常用的训练方法,而其他ANN模型的适用性还没有得到适当的探索。本研究建立了多种神经网络模型,包括有监督和无监督的神经网络,如级联正反向传播(CFBNN)、FFBNN、径向基函数(RBFNN)、精确径向基函数(ERBFNN)和广义回归(GRNN),并比较了它们在二维假设含水层中保守污染物运移模拟中的性能。所报告的模型以污染物注入速率和污染源位置作为输入数据;在一些供水井(或监测井)中测得的污染物浓度作为目标数据。通过灵敏度分析验证了所开发模型的稳定性。本研究发现,替代的人工神经网络模型(除文献中经常报道的模型外)在开发时可以可靠地模拟地下水系统中的污染物运移。

Resumo

A caracterização do transporte de contaminante em ambientes subterrâneos é um pré requisito para o uso e gerenciamento sustentáveis das águas subterrâneas, e vários modelo analíticos e numéricos são prescritos para este fim. Modelos analíticos são usados para resolver problemas simples e idealizados de transporte de poluição, enquanto modelos numéricos lidam com simulações de transporte de poluição no mundo real. No entanto, situações em que alguns dos parâmetros do aquífero (como propriedades geológicas, condições de contorno, e condições iniciais, etc.) não são definidos explicitamente, o uso desses modelos se torna redundante. A simulação do transporte de poluição em tais cenários se torna desafiadora. Para resolver esses problemas, pesquisadores geralmente fazem uso de modelos de rede neural artificial (RNA). A revisão da literatura existente revela que os modelos de retropropagação de alimentação para frente (RNRAF) são o método de treinamento mais comumente usados, e a aplicabilidade de outros modelos RNA não foi explorada adequadamente. Neste estudo, vários modelos RNA, abrangendo redes neurais supervisionadas e não supervisionadas, como retropropagação em cascata para frente (RNRCF), RNRAF, função de base radial (RNFBR), função de base radial exata (RNFBRE) e regressão generalizada (RNRG), foram desenvolvidos e seus desempenhos são comparados para simulação de transporte de um poluente conservativo em um aquífero bidimensional hipotético. Os modelos relatados têm taxas de injeção de poluição e localização das fontes como dados de entrada; as concentrações de poluição medidas em alguns poços de abastecimento (ou poços de monitoramento) são considerados como dados alvo. A estabilidade dos modelos desenvolvidos foi validada por análise de sensibilidade. Este estudo constata que modelos alternativos de RNA (além dos frequentemente relatados na literatura) podem ser confiáveis quando desenvolvidos para simular o transporte de poluentes em sistemas de águas subterrâneas.

Appendix

The supporting information (Table 7) consists of ANN architecture, regression results and outputs of four statistical parameters for each of the 87 ANN models tested for the study.

Table 7 Performance of the 87 ANN modeling methods