Beräkning av kemiskt syrebehov i kommunalt deponiläckvatten med multilager-perceptron artificiella neurala nätverk baserat på säsongsövervakningsdata

Varför deponipölar spelar roll

Varje modern stad är beroende av deponier för att hålla skräpet utom synhåll, men regnvatten som sipprar genom nedgrävt avfall kan bli en kraftfull kemisk blandning kallad läckvatten. Denna vätska kan förorena mark och vatten om den inte kontrolleras noggrant. Studien som beskrivs här visar hur en typ av datormodell, inspirerad av hur hjärnor fungerar, kan förutsäga hur förorenat detta läckvatten är—utan att varje gång behöva utföra dyra laboratorietester. Den kunskapen kan hjälpa samhällen att göra avfallsanläggningar säkrare och minska kostnaderna för övervakning.

Det dolda vattnet under vårt skräp

När regn faller på en deponi rinner det genom lager av gamla matrester, papper, plast och annat avfall. På vägen tar det upp löst organiskt material, oljor, salter och spår av tungmetaller som arsenik, kobolt och kadmium. Resultatet är läckvatten, en mörk, ofta illaluktande vätska som måste samlas upp och renas. Ett viktigt mått på hur förorenande denna vätska är kallas kemiskt syrebehov, eller COD. I enkla termer talar COD om hur mycket syre som skulle krävas för att bryta ner alla kemikalier och organiskt material i vattnet; höga COD-värden innebär stark, potentiellt skadlig förorening.

Att övervaka en deponi över årstiderna

Forskarna inriktade sig på en kommunal deponi i Niğde, en halvtorr region i centrala Türkiye. Under ett helt år, från slutet av 2022 till slutet av 2023, tog de veckovisa prover från läckvattendammen där vätskan från deponin samlas. De mätte nio grundläggande egenskaper hos läckvattnet och dess omgivning: temperatur, pH (hur surt eller basiskt det var), totala fasta ämnen, olja och fett, elektrisk konduktivitet (en indikation på hur salt det är) samt halterna av arsenik, kobolt och kadmium, tillsammans med COD. COD-värdena var extremt höga—i genomsnitt omkring 35 gånger högre än landets utsläppsgräns—vilket bekräftar att obehandlat deponiläckvatten kan vara en mycket stark förorening.

Att göra många mätningar till några få smarta signaler

Där fullständiga laboratorietester kan vara kostsamma och långsamma undersökte teamet om COD kunde förutsägas från de andra, lättare att mäta, egenskaperna. Först använde de ett statistiskt verktyg kallat principal component analysis. Istället för att titta på varje variabel separat hittar den här metoden mönster—kombinationer av mätningar som tenderar att öka och minska tillsammans. Det hjälpte till att lyfta fram vilka faktorer som gav mest information om läckvattnets beteende: temperatur, pH, olja och fett samt vissa metaller framstod som viktiga. Genom att minska antalet indata till bara de mest informativa hoppades forskarna kunna bygga enklare, snabbare modeller som ändå fångade det väsentliga.

Att lära ett digitalt ”hjärna” att läsa läckvattnet

Hjärtat i studien var en multilager-perceptron, en typ av artificiellt neuralt nätverk. Denna digitala ”hjärna” lär sig genom att få se exempel: uppmätta indatavärden som pH eller temperatur, parade med faktiska COD-värden. Datamängden på 52 veckovisa prover delades upp efter säsong i en träningsdel och en testdel, så att modellen skulle utmanas med obesedda förhållanden. Teamet prövade fyra modelluppsättningar, var och en med olika indataset, och förlitade sig på upprepad korsvalidering—en metod som tränar och testar modellen på många olika uppdelningar av data—för att undvika att luras av lyckträffar. Den bästa modellen använde bara fem variabler valda från den tidigare mönsteranalysen och hade en struktur med ett inmatningslager, ett dolt lager med 21 noder och en utgångsnod.

Vad modellen kan säga oss

När denna bästa modell testades på data den aldrig tidigare sett överensstämde de förutspådda COD-värdena nära de verkliga mätningarna, med en korrelation på 0,864. Det betyder att modellen fångade större delen av upp- och nedgångarna i deponins föroreningsnivåer över årstiderna, även om det totala antalet prover var begränsat. Vissa fel kvarstod, särskilt vid lägre COD-nivåer, men den övergripande prestationen tyder på att ett fåtal rutinmätningar pålitligt kan ersätta en fullständig kemisk analys. För deponioperatörer och tillsynsmyndigheter erbjuder detta tillvägagångssätt ett praktiskt sätt att hålla koll på en farlig vätska samtidigt som tid och pengar sparas.

Renare tillsyn för ett smutsigt problem

I grunden visar detta arbete att smart dataanalys och maskininlärning kan förvandla ett komplext, kostsamt testproblem till ett hanterbart sådant. Genom att träna ett neuralt nätverk på ett års säsongsövervakning byggde forskarna ett verktyg som kan uppskatta hur förorenat deponiläckvatten är från ett litet antal enklare tester. Det ersätter inte rening eller detaljerade kontroller, men det ger beslutsfattare ett snabbare varningssystem och ett mer effektivt sätt att planera. När liknande modeller förfinas och matas med mer data kan de bli standardverktyg för att se till att vätskorna under vårt skräp hålls under kontroll och utanför våra vattendrag.

Citering: 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

Nyckelord: deponiläckvatten, vattenförorening, artificiella neurala nätverk, avfallshantering, kemiskt syrebehov