Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đặc trưng hóa nguồn ô nhiễm nước ngầm bằng phương pháp Bayesian
Tóm tắt
Việc xác định nguồn ô nhiễm trong hệ thống nước ngầm là rất quan trọng cho quá trình thực hiện chiến lược phục hồi, bao gồm việc thu thập thêm mẫu và phân tích, cũng như thực hiện và đánh giá các kế hoạch phục hồi khác nhau. Vấn đề này thường được giải quyết bằng cách sử dụng mô hình nước ngầm với nhiều sự không chắc chắn, ví dụ như sự không chắc chắn hiện có trong tính dẫn thủy lực, biến đổi đo đạc và sai số cấu trúc mô hình. Mô phỏng Monte Carlo của mô hình dòng chảy cho phép đưa sự không chắc chắn vào dự đoán mô hình về các phép đo nồng độ tại các địa điểm giám sát. Phương pháp Bayesian mang lại lợi thế trong việc cập nhật ước lượng. Bài báo này trình bày một ứng dụng của một khung động kết hợp với một sơ đồ mô hình nước ngầm ba chiều trong việc xác định nguồn ô nhiễm nước ngầm. Chuỗi Markov Monte Carlo (MCMC) đang được áp dụng để suy diễn vị trí và độ lớn có thể xảy ra của nguồn ô nhiễm. Sự không chắc chắn tồn tại trong trường dẫn thủy lực dị thường được xem xét rõ ràng khi đánh giá xác suất. Khác với những phương pháp giải bài toán ngược khác cung cấp một giải pháp đơn lẻ nhưng có thể không đúng, thuật toán MCMC cung cấp các phân phối xác suất theo các tham số ước lượng. Kết quả từ thuật toán này cung cấp một suy diễn xác suất về vị trí và nồng độ của ô nhiễm được phát thải. Phân tích hội tụ của MCMC cho thấy tính hiệu quả của thuật toán được đề xuất. Việc điều tra sâu hơn để mở rộng nghiên cứu này cũng được thảo luận.
Từ khóa
#ô nhiễm nước ngầm #xác định nguồn ô nhiễm #phương pháp Bayesian #mô phỏng Monte Carlo #Chuỗi Markov Monte Carlo (MCMC)Tài liệu tham khảo
Atmadja J, Bagtzoglou AC (2001) Pollution source identification in heterogeneous porous media. Water Resour Res. doi:10.1029/2001WR000223
Bauer S, Bayer-Raich M, Holder T, Kolesar C, Muller C, Ptak T (2004) Quantification of groundwater contamination in an urban area using integral pumping tests. J Contam Hydrol 75:183–213. doi:10.1016/j.jconhyd.2004.06.002
Bear J (1979) Hydraulics of groundwater. McGraw-Hill, New York
Carlin BP, Louis TA (2009) Bayesian methods for data analysis. CRC Press, Boca Raton
Cowles MK, Carlin PB (1996) Markov Chain Monte Carlo convergence diagnostics: a comparative review. J Am Stat Assoc 91:883–904
Duffy C, Brandes D (2001) Dimension reduction and source identification for multispecies groundwater contamination. J Contam Hydrol 48:151–165. doi:10.1016/S0169-7722(00)00169-8
Gelfand AE, Smith AFM (1990) Sampling-based approaches to calculating marginal densities. J Am Stat Assoc 85:398–409
Gelman A, Carlin JB, Stern HS, Rubin DS (1995) Bayesian data analysis. Chapman & Hall, London
Gilks WR, Richardson S, Spiegelhalter DJ (1996) Introducing Markov Chain Monte Carlo. In: Gilks WR, Richardson S, Spiegelhalter DJ (eds) Markov Chain Monte Carlo in practice. Chapman & Hall, London
Guo S, Yang R, Zhang H, Weng W, Fan W (2009) Source identification for unsteady atmospheric dispersion of hazardous materials using MCMC method. Int J Heat Mass Transf 52:3955–3962
Hassan AE, Bekhit MH, Chapman JB (2009) Using Markov Chain Monte Carlo to quantify parameter uncertainty and its effect on predictions of a groundwater flow model. Environ Model Softw 24:749–763
Hastings WK (1970) Monte Carlo sampling methods using Markov chains and their applications. Biometrika 57:97–109
Hazart A, Giovannelli JF, Dubost S, Chatellier L (2007) Contaminant source estimation in a two-layers porous environment using a Bayesian approach. In: IEEE international geoscience and remote sensing symposium
Huang CL, Hu B, Li X, Ye M (2011) Using data assimilation method to calibrate a heterogeneous conductivity field and improve solute transport prediction with an unknown contamination source. Stoch Env Res Risk Assess 23(8):1155–1167
Jin X, Mahinthakumar G, Zechman E, Ranjithan RS (2009) A genetic algorithm-based procedure for 3D source identification at the Borden emplacement site. J Hydroinfo 11(1):51–64
Joseph AS, Adams JB, McCabe B (2010) Methodology for Bayesian belief network development to facilitate compliance with water quality regulations. J Infrastruct Syst 16(1):58–65
Li Z, Mao X (2011) Global multiquadric collocation method for groundwater contaminant source identification. Environ Model Softw. doi:10.1016/j.envsoft.2011.07.010
Liu X, Cardiff MA, Kitanidis PK (2010) Parameter estimation in nonlinear environmental problems. Stoch Environ Res Risk Assess 24:1003–1022
Mahinthakumar G (1999) PGREM3D: massively parallel codes for groundwater flow and transport online manual. Available at http://www4.ncsu.edu/~gmkumar/pgrem3d.pdf. Accessed 10 Dec 2011
Mirghani BY, Mahinthakumar KG, Tryby ME, Ranjithan RS, Zechman EM (2009) A parallel evolutionary strategy based simulation–optimization approach for solving groundwater source identification problems. Adv Water Resour 32(9):1373–1385
Olmez I, Beal JW, Villaume JF (1994) A new approach to understanding multiple-source groundwater contamination: factor analysis and chemical mass balance. Water Res. doi:10.1016/0043-1354(94)90195-3
Rivette MO, Feenstra S, Cherry JA (2001) A controlled field experiment on groundwater contaminant by a multicomponent DNAPL: creation of the emplaced—source and overview of dissolved plume development. J Contam Hydrol 49:111–149
Sun NZ (1994) Inverse problems in groundwater modelling. Kluwer Academics, Norwell
Tompson AFB, Aboudu R, Gelhar LW (1989) Implementation of the three-dimensional turning bands random field generator. Water Resour Res 25(10):2227–2243
Wang H, Harrison KW (in press) Bayesian update method for contaminant source characterization in water distribution systems. J Water Resour Plan Manag. doi:10.1061/(ASCE)WR.1943-5452.0000221
Zheng C, Wang PP (1999) MT3DMS: a modular three-dimensional multispecies transport model for simulation of advection, dispersion, and chemical reactions of contaminants in groundwater systems; documentation and user’s guide