رده بندی داده های ژئوشیمیایی زیست محیطی با روش آنالیز تمایز و شبکه عصبی در باطله های سرب و روی تیپ سولفیدی کربناتی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشگاه تهران

2 دانشگاه صنعتی شاهرود

چکیده

آلودگی فلزات سنگین یکی از اصلی‌ترین مشکلات زیست‌محیطی در ارتباط با فعالیت‌های معدنی، صنعتی و کشاورزی در جهان به‌شمار می‌آید که به‌دلیل ماندگاری بالای این فلزات سمی و درجه انحلال پذیری مختلف در شرایط اسیدی و حتی غیر اسیدی، می‌تواند اثرات مخرب بر روی آب، خاک و انسان را در بلند مدت داشته باشد. معدن سرب- روی انگوران یکی از بزرگترین ذخایر سولفیدی- کربناتی در حد کلاس جهانی می‌باشد که در اثر معدن‌کاری، حجم قابل توجهی از باطله معدنی را به وجود آورده که می‌تواند منبع انتقال فلزات سنگین به آب و خاک مناطق پایین دست گردد. از اینرو استفاده از روش‌های سریع و مقرون به صرفه جهت کلاسه‌بندی ریسک آلودگی این نوع باطله‌ها می‌تواند ابزار مفیدی برای پایش و برنامه‌های احیاء و بازسازی در آینده باشد. هدف از این تحقیق به‌کارگیری تکنیک‌های آماری چند متغیره از جمله روش آنالیز تمایز و بهره‌گیری از تکنیک هوش مصنوعی به‌منظور کلاسه‌بندی و پیش‌بینی پتانسیل آلودگی در باطله‌های معدنی می‌باشد. به همین منظور پس از نمونه‌برداری از بخش‌های مختلف سطح دمپ باطله، غلظت فلزات سنگین همچون Al، As، Cd، Co، Cr، Cu، Fe، Mn، Mo، Ni، Pb، Sb و Zn با استفاده از روش (ICP-MS) مورد آنالیز قرار گرفت. سپس محدوده آلودگی توسط شاخص‌های ارزیابی ریسک زیست‌محیطی و بار آلودگی شناسایی و مدل-سازی گردید. سرانجام با بکارگیری از دو تکنیک آنالیز تمایز و شبکه عصبی، ریسک و پتانسیل آلودگی بر روی محدوده دمپ باطله به سه سطح آلودگی پایین، متوسط و بالا با صحت قابل قبول 49/91 و 6/93 کلاسه‌بندی شد. نتایج همچنین نشان داد که این تکنیک‌ها می‌تواند ابزار کارآمدی جهت کلاسه‌بندی باطله‌های جدید و طراحی و احداث دمپ‌ها بر اساس سطح آلودگی آنها باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Classification of environmental geochemical data using discriminant analysis and neural network in carbonate-sulfide waste dumps of lead and zinc mines

نویسندگان [English]

  • Ali Moradzadeh 1
  • mehdi zare 2
  • Abolghasem Kamkar Rouhani 2
  • Faramarz Doulati Aredehjani 1
1 University of Tehran
2 shahrood university
چکیده [English]

Heavy metal pollution is one of the main environmental problems associated with mineral, industrial and agricultural activities in the world. Due to the long life of these toxic metals and the degree of solubility in acidic and even non acidic conditions, they can have destructive effects on water, soil and humans life in the long time. The lead-zinc mine of Anguran is one of the largest world-class sulfide-carbonate reserves, which, due to mining, has produced a significant amount of mineral wastes, which can be the source of heavy metals to the water and soil of the downstream areas. Therefore, the use of quick and cost-effective methods to classify the risk of contamination of this type of waste can be a useful tool for monitoring, recovery and reconstruction programs in the future. The purpose of this research is to use multivariate statistical techniques, such as discriminant analysis (DA) method and utilize of artificial intelligence technique in order to classify and predict the potential of pollution in mining wastes. To achieve the goals, the samples taken from different surficial parts of the waste dump were analyzed by using the ICP-MS method to determine the concentration of heavy metals. These metals includes: Al, As, Cd, Co, Cr, Cu, Fe, Mn, Mo, Ni, Pb, Sb and Zn. The environmental risk assessment indices (ERAI) and potential load index (PLI) were then modelled. At the end, by using the DA and neural network (NN) methods, potential risk of contamination on the damp surface was classified in three low, medium and high levels with the accuracy of 91.49 and 93.6 percent respectively. The results also showed that these techniques can be used as effective tools for classifying new waste dumps and designing of new constructing dumps based on their contamination level.

کلیدواژه‌ها [English]

  • Classification
  • Environmental
  • Discriminant analysis
  • carbonate sulfide waste
  • Contamination
منابع
1. Chopin, E. I. B.; Alloway, B. J.; 2007; “Distribution and mobility of trace elements in soils and vegetation around the mining and smelting areas of Tharsis, Ríotinto and Huelva, Iberian Pyrite Belt, SW Spain” Water, Air, and Soil Pollution, 182, p.245–261.
2. Huang S.; Yuan C.; Li Q.; Yang Y.; Tang C.; Ouyang K.; Wang B.; 2017; “Distribution and Risk Assessment of Heavy Metals in Soils from a Typical Pb-Zn Mining Area”; Pol. J. Environ. Stud; Vol. 26; No. 3; 1105-1112; DOI: 10.15244/pjoes/68424
3. Cabala J.; Zogala B.; Dubiel R.; 2008; “Geochemical and Geophysical Study of Historical Zn-Pb Ore Processing Waste Dump Areas (Southern Poland)”, Polish J. of Environ. Stud. Vol. 17, No. 5, 693-700
.4 مطالعات « ؛ آریافر ا؛ محمد قاسمی ط؛ قربانی ا؛ 1333
ژئوفیزیک و ژئوشیمی زیست محیطی جهت بررسی
اثرات آلایندگی پساب کارخانه فرآوری مس قلعه
نشریه علمی پژوهشی - ،» زری، خراسان جنوبی
41 62 ص - ، مهندسی معدن، دوره نهم، شماره 21
.5 تفکیک چندمتغیره و « ؛ محلوجی ر؛ اصغری ا؛ 1336
مدلسازی ژئومتالورژیکی بخش های اکسید و
،» سولفید در کانسار سرب و روی مهدی آباد یزد
نشریه علمی پژوهشی مهندسی معدن، دوره دوازدهم، -
111 122 ص - ، شماره 36
6. Harris, D. P.; 1965; "Multivariate statistical analysis—a decision tool for mineral exploration"; In J. C. Dotson & W. C. Peters (Eds.), Symposium on computers and computer applications in mining and exploration (pp. C1–C35). Ariz: College of Mines, University of Arizona, Tucson.
7. Ghannadpour, S. S.; Hezarkhani, A.; 2016; “Exploration geochemistry data-application for anomaly separation based on discriminant
function analysis in the Parkam porphyry system (Iran)”; Geosciences Journal; 1-14; DOI 10.1007/s12303-015-0064-8
8. Roshani, P.; Mokhtari, A.R.; and Tabatabaei, S.H.; 2013; “Objective based geochemical anomaly detection — Application of discriminant function analysis in anomaly delineation in the Kuh Panj porphyry Cu mineralization (Iran); Journal of Geochemical Exploration; 130; 65–73.
.3 ؛ گرانیان ح؛ طباطبائی س. ح؛ اسدی ه؛ محمدی آ؛ 1334
کاربرد روش آنالیز تمایز و ماشین بردار پشتیبان «
مرحله ای در مدلسازی کانی زایی کانسارهای طلای
نشریه علمی پژوهشی مهندسی معدن، - ،» داشکسن
53 65 ص - ، دوره دهم، شماره 28
.11 کاربرد روش آنالیز « ؛ هندی ر؛ حسنی پاک ع. ا؛ 1332
تمایز در تهیه کلید اکتشافی در ذخایر مس با
نشریه علمی - - ،» میزبان رسوبی در بلوک طبی راور
-62 ، پژوهشی مهندسی معدن، دوره هشتم، شماره 21
41 ص
.11 ابوییان م؛ خدادادی ا. د؛ جمشیدی ا؛ شفیع زاده ح؛
پهنه بندی کیفی خاک های سطحی اطراف « ؛1336
کارخانه سرب و روی ایرانکوه از دیدگاه
نشریه علمی پژوهشی مهندسی - ،» زیست محیطی
65 13 ص - ، معدن، دوره دوازدهم، شماره 31
12. Gasmi T.; Khouni I.; Ghrabi A.; 2016; “Assessment of heavy metals pollution using multivariate statistical analysis methods in Wadi El Bey (Tunisia)”; Desalination and Water Treatment; 1-14 pp.; doi: 10.1080/19443994.2016.1147377
13. Gholami R.; Ziaii M.; Doulati F.; Maleki S.; 2011; "Specification and prediction of nickel mobilization using artificial intelligence methods"; Cent. Eur. J. Geosci. 3(4), pp 375-384, DOI: 10.2478/s13533-011-0039-x
14. Aryafar A.; Gholami R.; Rooki R.; Doulati Ardejani F.; 2012; "Heavy metal pollution assessment using support vector machine in the Shur River, Sarcheshmeh copper mine, Iran"; Environ Earth Sci; 67:1191–1199, DOI 10.1007/s12665-012-1565-7
15. Doulati Ardejanii F.; Rooki R.; Jodieri Shokri B.; Eslam Kis T.; Aryafar A.; Tourani P.; 2013; " Prediction of Rare Earth Elements in Neutral Alkaline Mine Drainage from Razi
» مهندسی معدن « مهدی زارع، علی مرادزاده، ابوالقاسم کامکار روحانی، فرامرز دولتی ارده جانی نشریه علمی پژوهشی
24
Coal Mine, Golestan Province, Northeast Iran, Using General Regression Neural Network", Journal of Environmental Engineering, Vol. 139, No. 6, June 2013, pp. 896-907, (doi: http://dx.doi.org/10.1061/(ASCE)EE.1943-7870.0000689)
16. Jodeiri Shokri. B.; Ramazi. H.; Doulati Ardejani, F.; Sadeghiamirshahidi. M.; 2013; "Prediction of Pyrite Oxidation in a Coal Washing Waste Pile Applying Artificial Neural Networks (ANNs) and Adaptive Neuro-fuzzy Inference Systems (ANFIS)"; Mine Water Environ; 33:146–156, DOI: 10.1007/s10230-013-0247-3
17. Bayatzadehfarad Z.; Ghadimi F.; Fattahi H.; 2017; "Use of artificial intelligence techniques to predict distribution of heavy metals in groundwater of Lakan lead-zinc mine in Iran"; Journal of Mining & Environment, Vol.8, No.1, 2017, 35-48. DOI: 10.22044/jme.2016.592
18. Maghfouri S., Hossenzadeh M. R., Rajabi A., Choulet F., 2017, A review of major non sulfide zinc deposits in Iran, Geoscience Frontiers (2017), pp.1-25. http://dx.doi.org/10.1016/j.gsf.2017.04.00 3
19. Gilg A. H.; Boni M.; Balassone G.; Allen C. R.; Banks D.; Moore F.; 2006; “Marble hosted sulfide ores in the Angouran Zn-(Pb–Ag) deposit ,NW Iran: interaction of sedimentary brines with a metamorphic core complex”; Miner Deposita 41; 1-16; DOI: 10.1007/s00126-005-0035-5
20. Daliran, F.; Pride, K.; Walther, J.; Berner, Z.A.; Bakker, R.J.; 2013; “The Angouran Zn (Pb) deposit, NW Iran: evidence for a two stage, hypogene zinc sulfideezinc carbonates mineralization”; Ore Geology Reviews 53; pp.373-402.
21. Gilg H.A.; Allen C; Balassone G; Boni M; Moore F; 2003; “The 3-stage evolution of the Angouran Zn “oxide”-sulfide deposit, Iran”; In: Eliopoulos D et al (eds) Mineral exploration and sustainable development; Millpress; Rotterdam; pp 77–80
22. Boni M.; Gilg A. H.; Balassone G.; Schneider J.; Allen C. R.,; Moore F.; 2007; “Hypogene Zn carbonate ores in the Angouran deposit, NW Iran”; Miner Deposita; DOI: 10.1007/s00126-007-0144-4
23. Abrahim, G.M.S.; 2005; "Holocene sediments of Tamaki Estuary: Characterisation and
impact of recent human activity on an urban estuary in Auckland, New Zealand"; Ph.D. thesis; University of Auckland; Auckland; New Zealand; 361p
24. Hakanson, L.; 1980; “An ecological risk index for aquatic pollution control. a sedimentological approach” Water Res; 14(8); 975–1001
25. Mugosa B.; Durovic D.; Nedovic-Vukovic M.; Barjaktarovic S.; Vrvic M.; 2016; “Assessment of Ecological Risk of Heavy Metal Contamination in Coastal Municipalities of Montenegro” Int. J. Environ. Res; Public Health; 13; 393; doi: 10.3390/ijerph13040393;www.mdpi.com/journal/ijerph
26. Chen Y.; Jiang X.; Wang Y.; Zhuang D.; 2017; “Spatial characteristics of heavy metal pollution and the potential ecological risk of a typical mining area: A case study in China”; Process Safety and Environment Protection; 1-35pp. https://doi.org/10.1016/j.psep.2017.10.008
.21 ، ضوابط و استانداردهای زیست محیطی در ایران، 1331
سازمان حفاظت محیط زیست، دفتر آب و خاک
28. Li P.; Zhang J.; Wang J.; Li Z.; 2015; “Heavy metal(loid) pollution in mine wastes of a Carlin-type gold mine in southwestern Guizhou, China and its environmental impacts”; Chin. J. Geochem; 34(3); 311–319.; DOI 10.1007/s11631-015-0055-5
29. Zoran P.; Josip H.; 2010; “Discriminant function model as a tool for classification of stratigraphically undefinedradiolarian cherts in ophiolite zones”, Journal of Geochemical Exploration 107; pp. 30–38
30. Tarasov D.A.; BuevichA.G.; Sergeev A.P.; Shichkin A.V.; and Baglaeva E.M.; 2017; “Topsoil Pollution Forecasting Using Artificial Neural Networks on the Example of the Abnormally Distributed Heavy Metal at Russian Subarctic” Applied Mathematics and Computer Science AIP Conf; Proc. 1836; 020024-1–020024-6; doi: 10.1063/1.4981964
31. Kavzoglu, T; 2009; “Increasing the accuracy of neural network classification using refined
training data”; Environmental Modelling & Software; 24(7): 850–858
32. McKinley, J. M.; Grunsky, E.; & Mueller, U.; 2016; “Multivariate analysis of regional-scale geochemical data for environmental
» مهندسی معدن « رده بندی داده های ژئوشیمیایی زیست محیطی با روش آنالیز تمایز و شبکه عصبی در ... نشریه علمی پژوهشی
25
monitoring”; In Proceedings of the 11th International Conference on Geostatistics for Environmental Application Conference; pp. 1-7
33. Beucher, A.; Osterholm, P.; Martinkauppi, A.; Eden, P. & Frojdo, S.; 2013; “Artificial neural network for acid sulfate soil mapping: Application to the Sirppujoki River catchment
area, southwestern Finland”; Journal of Geochemical Exploration 125; pp. 46-55.
34. Sarparandeh M.; Hezarkhani A.; 2017; " Studying distribution of rare earth elements by classifiers, Se-Chahun iron ore, Central Iran"; Acta Geochim; 36(2):232–239; DOI 10.1007/s11631-016-0135-1