Оценка ХПК в фильтратах муниципальной свалки с помощью многослойного перцептрона на основе сезонных наблюдательных данных

Почему важны лужи на свалках

Каждый современный город зависит от свалок, чтобы скрыть мусор из поля зрения, но дождь, просачивающийся через захороненные отбросы, может превратиться в мощный химический коктейль — фильтрат. Эта жидкость при недостаточном контроле способна загрязнять почву и воду. Описанное исследование показывает, как тип компьютерной модели, вдохновлённой работой мозга, может предсказывать степень загрязнённости фильтрата — без необходимости постоянно проводить дорогостоящие лабораторные анализы. Такие знания помогают сообществам сделать площадки для отходов безопаснее и сократить расходы на мониторинг.

Скрытая вода под нашими отходами

Когда дождь попадает на свалку, он просачивается через слои старых пищевых отходов, бумаги, пластика и прочего мусора. По пути вода забирает растворённые органические вещества, масла, соли и следы тяжёлых металлов, таких как мышьяк, кобальт и кадмий. В результате образуется фильтрат — тёмная, часто с неприятным запахом жидкость, которую необходимо собирать и очищать. Один из ключевых показателей её загрязнённости — химическое потребление кислорода (ХПК). Проще говоря, ХПК показывает, сколько кислорода потребуется для разложения всех химических и органических веществ в воде; высокий ХПК означает сильное, потенциально опасное загрязнение.

Наблюдение за свалкой в разные сезоны

Исследователи сосредоточились на муниципальной свалке в Нигде, полузасушливом регионе центральной Турции. В течение года, с конца 2022 по конец 2023 года, они еженедельно брали пробы в пруду для фильтрата, где собирается жидкость со свалки. Измеряли девять базовых параметров фильтрата и окружающей среды: температуру, pH (уровень кислотности или щёлочности), общее количество взвешенных веществ, масла и жиры, электрическую проводимость (показатель солёности), содержания мышьяка, кобальта и кадмия, а также ХПК. Значения ХПК оказались чрезвычайно высокими — в среднем примерно в 35 раз выше допустимого предела для сбросов в стране — что подтверждает, что необработанный фильтрат свалки может быть очень сильным загрязнителем.

Превращение множества измерений в несколько информативных сигналов

Поскольку полные лабораторные исследования могут быть дорогими и медленными, команда проверила, можно ли предсказать ХПК по другим, более простым для измерения параметрам. Сначала они использовали статистический инструмент — метод главных компонент. Вместо того чтобы рассматривать каждую переменную по отдельности, этот метод находит закономерности — комбинации измерений, которые склонны изменяться вместе. Он помог выделить факторы, несущие наибольшую информацию о поведении фильтрата: температуру, pH, масла и жиры, а также некоторые металлы. Сократив количество входных переменных до наиболее информативных, исследователи рассчитывали создать более простые и быстрые модели, которые при этом сохранят суть.

Обучение цифрового «мозга» читать фильтрат

Сердцем исследования стал многослойный перцептрон — тип искусственной нейронной сети. Этот цифровой «мозг» учится на примерах: показанных входных значениях, таких как pH или температура, в паре с реальными значениями ХПК. Набор данных из 52 недельных проб был разделён по сезонам на обучающую и тестовую части, чтобы модель проверялась на невидимых условиях. Команда протестировала четыре варианта модели, каждый с разными наборами входных данных, и использовала многократную перекрёстную проверку — метод, при котором модель обучается и тестируется на многих различных разбиениях данных — чтобы избежать ложного оптимизма из‑за случайных совпадений. Лучший результат показала модель с пятью переменными, выбранными по результатам анализа закономерностей, со структурой: один входной слой, один скрытый слой из 21 узла и один выходной узел.

Что модель может нам сказать

Когда эту лучшую модель проверили на данных, которые она ранее не видела, предсказанные значения ХПК хорошо совпали с реальными измерениями: корреляция составила 0,864. Это означает, что модель уловила большую часть подъёмов и спадов уровня загрязнения свалки в разные сезоны, несмотря на относительно небольшой объём выборки. Ошибки всё ещё имелись, особенно при низких значениях ХПК, но общая эффективность показывает, что небольшого набора рутинных измерений часто хватает, чтобы заменить полный химический анализ. Для операторов свалок и регуляторов такой подход предлагает практичный способ следить за опасной жидкостью, экономя время и деньги.

Более чистый надзор над грязной проблемой

По сути, работа демонстрирует, что умная обработка данных и машинное обучение способны превратить сложную и дорогую задачу анализа в управляемую. Обучив нейронную сеть на годичных сезонных наблюдениях, исследователи создали инструмент, который может оценивать степень загрязнённости фильтрата свалки по небольшому набору более простых тестов. Это не заменяет очистку или детальные проверки, но даёт органам принятия решений более быстрый сигнал тревоги и более эффективный способ планирования. По мере того как подобные модели будут совершенствоваться и получать больше данных, они могут стать стандартным инструментом для контроля за тем, чтобы жидкости под нашими отходами оставались под контролем и не попадали в водоёмы.

Цитирование: 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

Ключевые слова: фильтрат свалки, загрязнение воды, искусственные нейронные сети, управление отходами, химическое потребление кислорода