Szacowanie chemicznego zapotrzebowania na tlen w odciekach składowisk komunalnych za pomocą wielowarstwowych perceptronów sieci neuronowych opartych na sezonowych danych monitoringowych

Dlaczego kałuże na składowiskach mają znaczenie

Każde współczesne miasto polega na składowiskach, aby ukryć śmieci przed wzrokiem, ale deszcz przesączający się przez zakopane odpady może przekształcić się w silną chemiczną mieszankę zwaną odciekiem. Ta ciecz może zanieczyszczać glebę i wody, jeśli nie jest starannie kontrolowana. Opisane badanie pokazuje, jak rodzaj modelu komputerowego, inspirowanego pracą mózgu, potrafi przewidzieć, jak zanieczyszczony jest odciek — bez konieczności wykonywania drogich testów laboratoryjnych za każdym razem. Taka wiedza może pomóc społecznościom w bezpieczniejszym zarządzaniu miejscami składowania i obniżyć koszty monitoringu.

Ukryta woda pod naszymi odpadami

Kiedy deszcz pada na składowisko, przesącza się przez warstwy resztek jedzenia, papieru, tworzyw sztucznych i innych odpadów. Po drodze pobiera rozpuszczone substancje organiczne, oleje, sole i śladowe ilości metali ciężkich, takich jak arsen, kobalt czy kadm. Efektem jest odciek — ciemna, często nieprzyjemnie pachnąca ciecz, którą trzeba zbierać i oczyszczać. Jednym z kluczowych wskaźników mówiących o stopniu zanieczyszczenia tej cieczy jest chemiczne zapotrzebowanie na tlen (COD). W prostych słowach, COD informuje, ile tlenu byłoby potrzebne do rozkładu wszystkich związków chemicznych i materiału organicznego w wodzie; wysoki COD oznacza silne, potencjalnie szkodliwe zanieczyszczenie.

Obserwacja składowiska przez sezony

Badacze skupili się na składowisku komunalnym w Niğde, w pół‑suchym regionie centralnej Turcji. Przez cały rok, od końca 2022 do końca 2023, pobierali tygodniowe próbki z oczka odciekowego, gdzie gromadzi się ciecz ze składowiska. Mierzyli dziewięć podstawowych parametrów odcieku i jego otoczenia: temperaturę, pH (kwasowość lub zasadowość), substancje stałe ogółem, oleje i tłuszcze, przewodność elektryczną (wskaźnik zasolenia), oraz poziomy arsenu, kobaltu i kadmu, a także COD. Wartości COD były niezwykle wysokie — średnio około 35 razy wyższe niż krajowy limit odprowadzania — co potwierdza, że nieoczyszczone odcieki składowisk mogą stanowić bardzo silne źródło zanieczyszczeń.

Przekształcanie wielu pomiarów w kilka inteligentnych sygnałów

Ponieważ wykonywanie pełnych badań laboratoryjnych może być kosztowne i czasochłonne, zespół sprawdził, czy COD można przewidzieć na podstawie innych, łatwiejszych do zmierzenia parametrów. Najpierw zastosowali narzędzie statystyczne zwane analizą głównych składowych (PCA). Zamiast badać każdą zmienną osobno, metoda ta znajduje wzorce — kombinacje pomiarów, które zwykle rosną i maleją razem. Pomogła ona wydobyć, które czynniki niosą najwięcej informacji o zachowaniu odcieku: na wyróżnienie zasłużyły temperatura, pH, oleje i tłuszcze oraz niektóre metale. Poprzez redukcję liczby wejść do najbardziej informatywnych, badacze mieli nadzieję zbudować prostsze, szybsze modele, które wciąż uchwycą to, co istotne.

Uczenie cyfrowego „mózgu” interpretacji odcieku

Rdzeniem badania był wielowarstwowy perceptron — rodzaj sztucznej sieci neuronowej. Ten cyfrowy „mózg” uczy się na przykładach: mierzone wejścia, takie jak pH czy temperatura, skojarzone z rzeczywistymi wartościami COD. Zbiór danych obejmujący 52 tygodniowe próbki został podzielony sezonowo na część treningową i testową, tak by model był sprawdzany na nieznanych mu warunkach. Zespół wypróbował cztery konstrukcje modelu, każdą z różnymi zestawami wejść, i stosował wielokrotną walidację krzyżową — metodę, która trenuje i testuje model na wielu różnych podziałach danych — aby nie dać się zmylić przypadkowym trafom. Najlepiej sprawdził się model wykorzystujący zaledwie pięć zmiennych wybranych na podstawie wcześniejszej analizy wzorców, o strukturze z jedną warstwą wejściową, jedną warstwą ukrytą z 21 węzłami i jedną warstwą wyjściową.

Co model może nam powiedzieć

Gdy ten najlepszy model został przetestowany na danych, których wcześniej nie widział, przewidywane wartości COD odpowiadały blisko rzeczywistym pomiarom, z korelacją 0,864. Oznacza to, że model uchwycił większość wzlotów i upadków poziomów zanieczyszczeń składowiska w ciągu sezonów, mimo że łączna liczba próbek była umiarkowana. Pozostały pewne błędy, zwłaszcza przy niższych poziomach COD, ale ogólna skuteczność sugeruje, że garść rutynowych pomiarów może wiarygodnie zastąpić pełne badania chemiczne. Dla operatorów składowisk i organów nadzorczych podejście to oferuje praktyczny sposób monitorowania niebezpiecznej cieczy przy jednoczesnym oszczędzaniu czasu i pieniędzy.

Czystszy nadzór nad brudnym problemem

W istocie praca ta pokazuje, że inteligentna analiza danych i uczenie maszynowe mogą przekształcić skomplikowany, kosztowny problem testowania w zadanie wykonalne. Trenując sieć neuronową na rok sezonowego monitoringu, badacze stworzyli narzędzie potrafiące oszacować stopień zanieczyszczenia odcieków ze składowiska na podstawie niewielkiego zestawu prostszych testów. To nie zastępuje oczyszczania ani szczegółowych kontroli, ale daje decydentom szybszy system wczesnego ostrzegania i bardziej efektywny sposób planowania. W miarę jak podobne modele będą udoskonalane i zasilane większą ilością danych, mogą stać się standardowym narzędziem do zapewnienia, że wody pod naszymi odpadami pozostają pod kontrolą i nie trafiają do cieków wodnych.

Cytowanie: 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

Słowa kluczowe: odcieki składowisk, zanieczyszczenie wód, sztuczne sieci neuronowe, gospodarka odpadami, chemiczne zapotrzebowanie na tlen