Het schatten van chemisch zuurstofverbruik in gemeentelijk stortplaatsleachaat met multilayer perceptron-kunstmatige neurale netwerken op basis van seizoensgebonden monitoringsgegevens

Waarom stortplaatsplassen ertoe doen

Elke moderne stad is afhankelijk van stortplaatsen om afval uit het zicht te houden, maar regenwater dat door begraven afval sijpelt kan veranderen in een krachtige chemische mix, leachaat genaamd. Deze vloeistof kan bodem en water vervuilen als ze niet zorgvuldig wordt beheerd. De hier beschreven studie laat zien hoe een type computermodel, geïnspireerd op de werking van het brein, kan voorspellen hoe vervuild dit leachaat is — zonder steeds dure laboratoriumtests te hoeven doen. Die kennis kan gemeenschappen helpen stortplaatsen veiliger te houden en de kosten voor monitoring te verlagen.

Het verborgen water onder ons afval

Wanneer regen op een stortplaats valt, sijpelt het door lagen van restanten van voedsel, papier, plastic en ander afval. Onderweg neemt het opgeloste organische stof, oliën, zouten en sporen van zware metalen zoals arseen, kobalt en cadmium op. Het resultaat is leachaat, een donkere, vaak onaangenaam ruikende vloeistof die moet worden opgevangen en behandeld. Een belangrijke maat voor hoe vervuild deze vloeistof is, heet chemisch zuurstofverbruik, of COD. In eenvoudige termen zegt COD hoeveel zuurstof er nodig zou zijn om alle chemicaliën en organisch materiaal in het water af te breken; een hoge COD betekent sterke, potentieel schadelijke vervuiling.

Een stortplaats observeren door de seizoenen heen

De onderzoekers richtten zich op een gemeentelijke stortplaats in Niğde, een semi‑aride regio in centraal Türkiye. Gedurende een heel jaar, van eind 2022 tot eind 2023, namen ze wekelijkse monsters van de leachaatvijver waar het water uit de stortplaats wordt verzameld. Ze maten negen basiseigenschappen van het leachaat en de omgeving: temperatuur, pH (hoe zuur of basisch het was), totale vaste stoffen, olie en vet, elektrische geleidbaarheid (een aanwijzing voor zoutgehalte), en de niveaus van arseen, kobalt en cadmium, naast COD. De COD‑waarden waren extreem hoog — gemiddeld ongeveer 35 keer hoger dan de nationale lozingsnorm — wat bevestigt dat onbehandeld stortplaatsleachaat een zeer sterke verontreiniging kan zijn.

Van veel metingen naar enkele slimme signalen

Aangezien volledige laboratoriumanalyses kostbaar en traag kunnen zijn, onderzochten de onderzoekers of COD kon worden voorspeld uit de andere, gemakkelijker te meten eigenschappen. Eerst gebruikten ze een statistisch hulpmiddel genaamd hoofdcomponentenanalyse. In plaats van elke variabele afzonderlijk te bekijken, zoekt deze methode naar patronen — combinaties van metingen die samen stijgen en dalen. Dat hielp de factoren te benadrukken die de meeste informatie over het leachaatgedrag bevatten: temperatuur, pH, olie en vet, en bepaalde metalen vielen op. Door het aantal invoervariabelen terug te brengen tot alleen de meest informatieve, hoopten de onderzoekers eenvoudigere, snellere modellen te bouwen die toch de kern vastlegden.

Een digitale ‘hersenen’ leren het leachaat lezen

Het hart van de studie was een multilayer perceptron, een type kunstmatig neuraal netwerk. Dit digitale "brein" leert door voorbeelden te zien: gemeten invoerwaarden zoals pH of temperatuur, gekoppeld aan de werkelijke COD‑waarden. De dataset van 52 wekelijkse monsters werd per seizoen gesplitst in een trainingsdeel en een testdeel, zodat het model werd getest op onbekende omstandigheden. Het team probeerde vier modelontwerpen, elk met verschillende invoercombinaties, en gebruikte herhaalde cross‑validatie — een methode die het model op veel verschillende dataverdelingen traint en test — om te voorkomen dat ze op toeval gebaseerde resultaten vertrouwden. De best presterende variant gebruikte slechts vijf variabelen die uit de eerdere patroonanalyse waren gekozen en had een structuur met één invoerlaag, één verborgen laag van 21 knooppunten en één uitvoerknooppunt.

Wat het model ons kan vertellen

Toen dit beste model werd getest op nog niet eerder geziene gegevens, sloten de voorspelde COD‑waarden goed aan bij de werkelijke metingen, met een correlatie van 0,864. Dat betekent dat het model het grootste deel van de schommelingen in de vervuilingsniveaus van de stortplaats over de seizoenen vastlegde, ondanks het beperkte aantal monsters. Enkele fouten bleven bestaan, vooral bij lagere COD‑waarden, maar de algehele prestatie suggereert dat een handvol routinemetingen betrouwbaar kan dienen in plaats van een volledige chemische analyse. Voor stortplaatsbeheerders en toezichthouders biedt deze benadering een praktische manier om een gevaarlijke vloeistof te monitoren en tegelijkertijd tijd en geld te besparen.

Schoner toezicht op een vies probleem

In wezen laat dit werk zien dat slimme data‑analyse en machine learning een complex en kostbaar testprobleem hanteerbaar kunnen maken. Door een neuraal netwerk te trainen op een jaar aan seizoensmonitoring bouwden de onderzoekers een instrument dat kan inschatten hoe vervuild stortplaatsleachaat is op basis van een klein aantal eenvoudige tests. Dat vervangt niet de behandeling of gedetailleerde controles, maar het geeft beslissers een sneller waarschuwingssysteem en een efficiëntere manier om te plannen. Naarmate soortgelijke modellen worden verfijnd en met meer data gevoed, kunnen ze standaardtools worden om te waarborgen dat het water onder ons afval onder controle blijft en niet in onze waterwegen terechtkomt.

Bronvermelding: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Trefwoorden: stortplaatsleachaat, watervervuiling, kunstmatige neurale netwerken, afvalbeheer, chemisch zuurstofverbruik