Artificial Intelligence-Based Prediction of Bioremediation of Crude Oil-Contaminated Soil
Deze studie toont aan dat een Multilayer Perceptron Artificieel Neuraal Netwerk, getraind op kinetische spline-geaugmenteerde data van veldmonsters, andere machine learning-modellen overtreft in het nauwkeurig voorspellen en classificeren van de efficiëntie van biologische afbraak van ruwe olie, waarbij SHAP-analyse de concentratie olie en vet als de primaire determinant van de resultaten van de biologische afbraak identificeert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Bodemverontreiniging door ruwe olie is een hardnekkig probleem voor het milieu. Wanneer olie in de grond sijpelt, verstoort dit de natuurlijke structuur van de aarde, blokkeert het de toegang van lucht en water tot plantenwortels en vergiftigt het de minuscule levende organismen die de bodem gezond houden. Decennialang hebben wetenschappers vertrouwd op een methode genaamd bioremediatie om deze locaties schoon te maken. Deze aanpak maakt geen gebruik van agressieve chemicaliën of zware machines; in plaats daarvan stimuleert het natuurlijk voorkomende bacteriën en schimmels om de olie op te eten, waardoor deze wordt afgebroken tot onschadelijke stoffen zoals water en koolstofdioxide. Hoewel deze methode effectief en milieuvriendelijk is, is het volgen van de voortgang ervan moeilijk gebleken. Traditioneel moeten onderzoekers wekenlang wachten om bodemmonsters te verzamelen, deze naar een laboratorium te brengen en complexe tests uit te voeren om te zien hoeveel olie er is verdwenen. Dit proces is traag, duur en laat beheerders vaak gissen of de schoonmaak snel genoeg verloopt of dat er moet worden bijgestuurd.
Een team onderzoekers van de Abubakar Tafawa Balewa Universiteit in Nigeria heeft een nieuwe manier ontwikkeld om te voorspellen hoe goed deze biologische schoonmaak werkt zonder te wachten op de laboratoriumresultaten. Ze hebben een computerprogramma ontwikkeld dat fungeert als een kristallen bol voor de bodemgezondheid, waarbij een kleine hoeveelheid gegevens uit de echte wereld wordt gebruikt om de toekomst van een verontreikte locatie te voorspellen. De onderzoekers begonnen met metingen van veertien verschillende bodemmonsters die gedurende acht weken werden gemonitord. Ze volgden hoe de hoeveelheid olie veranderde, hoeveel nuttige bacteriën aanwezig waren, hoe vochtig de bodem was en hoeveel tijd er was verstreken. Omdat deze oorspronkelijke set gegevens te klein was om een krachtig computermodel te trainen, gebruikten ze een wiskundige techniek om het uit te breiden, waardoor duizenden nieuwe, realistische gegevenspunten werden gecreëerd die de hiaten tussen hun wekelijkse metingen opvulden. Dit stelde hen in staat om een geavanceerd computersysteem, bekend als een kunstmatig neuraal netwerk, te leren de patronen te herkennen van hoe olie in de loop van de tijd uit de bodem verdwijnt.
Het computermodel leerde de efficiëntie van de schoonmaak met opmerkelijke precisie te voorspellen. Bij het testen tegen de gegevens die het nog nooit eerder had gezien, identificeerde het model de uitkomst van het remediatieproces bijna 98 procent van de tijd correct. In praktische termen betekent dit dat de computer het percentage verwijderde olie kan schatten met een gemiddelde fout van minder dan drie procentpunten. De onderzoekers testten het model ook als een simpel ja-of-nee-instrument om te zien of een locatie een specifieke veiligheidsdoelstelling had bereikt, wat in dit geval het verwijderen van ten minste 70 procent van de olie was. Het systeem maakte in 96 procent van de gevallen de juiste inschatting, waarbij het succesvol onderscheid maakte tussen locaties die klaar waren om als schoon te worden verklaard en locaties die nog werk nodig hadden. Dit niveau van nauwkeurigheid suggereert dat een dergelijk hulpmiddel beheerders kan helpen om sneller en betere beslissingen te nemen, wat potentieel tijd en geld kan besparen terwijl het ervoor wordt gezorgd dat verontreinigd land werkelijk veilig is.
Om te begrijpen waarom het model zo goed werkte, gebruikten de onderzoekers een methode om in het "brein" van de computer te kijken en te zien welke factoren het belangrijkst waren. Ze ontdekten dat de belangrijkste aanwijzing voor het voorspellen van succes simpelweg de hoeveelheid olie en vet die in de bodem achterbleef, was. De hoeveelheid olie aanwezige was veel invloedrijker dan de andere factoren, zoals hoe vochtig de bodem was of hoeveel bacteriën er aanwezig waren. Hoewel het aantal bacteriën en het vochtgehalte ook een rol speelden, was hun impact secundair aan de pure concentratie van het verontreinigende middel. De tijd die verstreken was sinds het begin van de schoonmaak was ook een factor, maar het belang ervan lag voornamelijk in het feit dat tijd de olieconcentratie natuurlijk laat dalen. Deze bevinding is significant omdat het suggereert dat als beheerders het huidige oliegehalte in de bodem kunnen meten, zij betrouwbaar het succes van de schoonmaak kunnen voorspellen zonder constant elke andere variabele te hoeven meten.
De studie bevestigt dat de voorspellingen van de computer niet slechts gelukkige gokken waren, maar gebaseerd waren op een solide begrip van het fysieke proces. De fouten die het model maakte waren klein en willekeurig, in plaats van een verwarrend patroon te volgen, wat aangeeft dat het model stabiel en betrouwbaar is. De onderzoekers merkten ook op dat het model beter presteerde dan verschillende andere standaard computermethoden die ze probeerden, inclusief eenvoudigere lineaire vergelijkingen en andere soorten machine learning. Hoewel de studie gebaseerd was op gegevens van een specifieke set veldmonsters, opent het succes van deze aanpak de deur naar een nieuw soort monitoring. In plaats van uitsluitend te vertrouwen op trage, handmatige laboratoriumtests, zouden milieuteams potentieel deze voorspellende instrumenten kunnen gebruiken om een bijna-real-time beeld te krijgen van hoe een schoonmaakproces vordert, waardoor ze snel kunnen ingrijpen als het proces stagneert. Dit werk vertegenwoordigt een stap naar het efficiënter en datagestuurder maken van de schoonmaak van olierampen, waarbij een traag, onzeker proces wordt omgezet in een proces dat met helderheid en vertrouwen kan worden gestuurd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.