حسین زاده, حجت, افشار, عباس, سعیدی, محسن. (1392). طراحی بهینه چندهدفه سیستم احیای بیولوژیکی آلودگی آبهای زیرزمینی با استفاده از الگوریتم چندجامعه مورچه‌ها. مجله آب و فاضلاب, 24(4), 15-27.
حجت حسین زاده; عباس افشار; محسن سعیدی. "طراحی بهینه چندهدفه سیستم احیای بیولوژیکی آلودگی آبهای زیرزمینی با استفاده از الگوریتم چندجامعه مورچه‌ها". مجله آب و فاضلاب, 24, 4, 1392, 15-27.
حسین زاده, حجت, افشار, عباس, سعیدی, محسن. (1392). 'طراحی بهینه چندهدفه سیستم احیای بیولوژیکی آلودگی آبهای زیرزمینی با استفاده از الگوریتم چندجامعه مورچه‌ها', مجله آب و فاضلاب, 24(4), pp. 15-27.
حسین زاده, حجت, افشار, عباس, سعیدی, محسن. طراحی بهینه چندهدفه سیستم احیای بیولوژیکی آلودگی آبهای زیرزمینی با استفاده از الگوریتم چندجامعه مورچه‌ها. مجله آب و فاضلاب, 1392; 24(4): 15-27.
طراحی بهینه چندهدفه سیستم احیای بیولوژیکی آلودگی آبهای زیرزمینی با استفاده از الگوریتم چندجامعه مورچه‌ها
1دانشجوی دکترای مهندسی عمران و محیط زیست، دانشگاه علم و صنعت ایران، تهران
2استاد، دانشکده مهندسی عمران و محیط زیست، دانشگاه علم و صنعت ایران، تهران
3دانشیار، دانشکده مهندسی عمران و محیط زیست، دانشگاه علم و صنعت ایران، تهران
چکیده
احیای درجای بیولوژیکی، فناوری رایج برای پاک‌سازی آبخوان‌های آلوده به ترکیبات نفتی محلول است. فرایند کنترل چنین سیستمی بسیار پیچیده است و بررسی جامع آن نیاز به در نظر گرفتن بیش از یک هدف دارد. این تحقیق به توسعه یک مدل شبیه‌سازی-بهینه‌یابی می‌پردازد که به‌صورت چندهدفه رویکردهای مدیریتی را با در نظر گرفتن هزینه، زمان عملیات احیا و استانداردهای کیفیت آب، مورد بررسی قرار داده است. برای این منظور از الگوریتم بهینه‌یابی چندهدفه چندجامعه‌ای مورچه‌ها در قالب دو مدل مدیریتی پیشنهادی هزینه-زمان احیا و همچنین هزینه-تخطی از غلظت مجاز در پایان زمان احیا در تمامی نقاط آبخوان، استفاده شد. مدل بیوفلوم نسخه 2 برای شبیه‌سازی کمّی و کیفی آب زیرزمینی، در نظر گرفته شد. متغیرهای تصمیم در مسئله دبی پمپاژ در چاههای تزریق اکسیژن و مواد مغذی، دبی تخلیه و همچنین مکان این چاهها است. آبخوان شبیه‌سازی شده، فرضی و همگن بود. خروجی مدل منجر به ایجاد منحنی‌های مصالحه‌ای شد که بر اساس آنها تصمیم گیرنده قابلیت انتخاب جوابهای بهینه مختلف را خواهد داشت. منحنی مصالحه هزینه–زمان به‌دست آمده حداقل زمان ممکن را برای انجام عملیات احیا در اختیار تصمیم گیرنده قرار می‌دهد. حداکثر زمانی که فرصت انجام عملیات احیا تا قبل از رسیدن توده آلودگی به چاههای کنترلی وجود دارد، از جمله نتایج به‌دست آمده است. همچنین منحنی مصالحة هزینه-تخطی، چگونگی تغییرات هزینه با آزادسازی قید غلظت مجاز را ارائه می‌دهد. نتایج نشان از مفید بودن مدل‌های پیشنهادی و قابلیت الگوریتم چند جامعه‌ای مورچه‌ها در حل مسائل چند هدفه طراحی سیستم احیای آلودگی آبهای زیرزمینی دارد.
In situ bioremediation is one of the most regular technologies to clean up petroleum contaminated aquifers. Control process of such a complicated system is difficult and needs more than one management target. This study develops multi objective simulation/optimization model that consider cost and time of remediation process, and concentration violation from standard value as model objectives. For this propose two multi objective ant colony optimization (ACO) models have been developed, cost-time and cost-violations. The BIOPLUMEII model applies to simulate aquifer hydraulics and bioremediation. Injection rate of oxygen and nutrient, extraction rate in wells and well locations are decision variables. Simulated groundwater model is hypothetic and homogenous. For the case studies, the Pareto front is derived which enhances the decision maker to choose one which more suitable for him/her according to the priorities. The results of time-cost trade off curve showed minimum possible time for remediation process. Also, It was found maximum time for remediation before contamination plume reaches to downstream monitoring wells. The results of cost-violation trade off curve showed how to decrease cost of process with relaxation of standard concentration constraint. The following research shows the proposed multi objective models are useful for decision makers and also reveals the capability of ACO in multi objective optimization of groundwater bioremediation system design.
1-Flathman, P. E., Jerger, D. E., and Exner, J. H. (1993). Bioremediation field experience, Lewis, Boca Raton, Fla.
2-Hinchee, R. E., Alleman, B. C., Hoeppel, R. E., and Miller, R. N. (1994). Hydrocarbon bioremediation, Lewis, Boca Raton, Fla.
3-Cookson, J. T. (1995). Bioremediation engineering: Design and application, McGraw-Hill, N.Y.
4-Alexander, M. (1994). Biodegradation and bioremediation, Academic Press, N.Y.
5-Safavi, H.R., Sookhak Lari, K., and Taebi, A. (2006). “Simulation of ‘Pump-and-Treat’ and ‘Air Sparging’ for in situ remediation of contaminated groundwater.” Journal of Water and Wastewater, 51, 31-38 (In Persian).
6-Sookhak Lari, K., and Safavi, H.R. (2008). “A simulation-optimization model for air sparing and pump and treat groundwater remediation technologies. ”J. of Environmental Informatics, 12(1),44-53.
7-Sookhak Lari, K., and Safavi, H.R. (2006). “Using regression model for optimal groundwater remediation and comparison with genetic algorithm.” Secound Iran Water Resource Management Conference, Isfahan (In Persian)
8-Minsker, B. S., and Shoemaker, C. A. (1996). “Differentiating a finite element biodegradation simulation model for optimal control.” Water Resour. Res., 32(1), 187-192.
9-Minsker, B. S., and Shoemaker, C. A. (1998). “Dynamic optimal control of in situ bioremediation of groundwater.” J. Water Resour. Plan. Manage., 124(3), 149-161.
10-Yoon, J-H., and Shoemaker, C. A. (1999). “Comparison of optimization methods for groundwater bioremediation.” J. Water Resour. Plan. Manage., 125(1), 54-63.
11-Smally, J. B., and Minsker, B. S., (2000). “Risk-based insitu bioremediation design using noisy genetic algorithm.” Water Resource Research, 36(10), 3043-3052.
12-Prasad, R. K., and Mathur, S. (2006). “Potential ell locations in insitu bioremediation design using neural network embedded Monte Carlo approach.” Practice Periodical Hazardous, Toxic, and Radioactive Management, 12(4), 260-269.
13-Shieh, H. J., and Peralta, R. C., (2005), “Optimal insitu bioremediation design by hybrid genetic algorithm-simulated annealing.” J. of Water Resources Planning and Management, 131(1), 67-78.
14-Kollat, J. B., and Reed, P. M. (2006). “Comparing state-of-the-art evolutionary multi-objective algorithms for long-term groundwater monitoring design.” Advances in Water Resources, 29(6), 792-807.
15-Beckfort, O., Amy, B., Hilton, C., and Liu, X. (2004) “Development of an enhanced multi objective robust genetic algorithm for groundwater remediation design under uncertainty.” Proceeding of Water Resource systems, ISBN: 0‐7844‐0685‐5.
18-Baveye, P., and Valocchi, A. (1989). “An evaluation of mathematical models of the transport of biologically reacting solutes in saturated soils and aquifers.” Water Resour. Res., 25(6), 1413-1421.
19-Rittmann, B. E., McCarty, P. L., and Roberts, P. V. (1980). “Traceorganics biodegradation in aquifer recharge.” Groundwater, 18(3), 236-243.
20-Molz, F. J., Widdowson, M. A., and Benefield, L. D. (1986). “Simulation of microbial growth dynamics coupled to nutrient and oxygen transport in porous media.” Water Resour Res., 22(8), 1207-1216.
21-Borden, R. C., and Bedient, P. B. (1986). “Transport of dissolved hydrocarbons influenced by oxygen-limited biodegradation: 1. Theoretical development.” Water Resour. Res., 2(13), 1973-1982.
22-Rifai, H. S., and Bedient, P. B. (1990). “Comparison of biodegradation kinetics with an instantaneous reaction model for groundwater.” Water Resour. Res., 26(4), 637-645.
23-Burges, K. S., Rifai, H. S., and Bedient, P. B. (1993).“Flow and transport modeling of a heterogeneous field site contaminated with dense chlorinated solvent waste.” Proceedings of the Petroleum Hydrocarbons and Organic Chemicals in Groundwater: Prevention, Detection, and Restoration, American Petroleum Institute and NGWA, Houston, Texas, 693-707.
24-Wiedemeier, T. H., Wilson, J. T., Miller, R. N., and Campbell, D. H. (1994). “United air force guidelines for successfully supporting intrinsic remediation with an example from hill air force base.” Proceeding of the Petroleum Hydrocarbons and Organic Chemicals in Groundwater: Prevention, Detection, and Restoration,NGWA and American Petroleum Institute, Houston, Texas, 317-334.
25-USEPA. (1998). BIOPLUME III natural attenuation decision support system—User’s manual version 1.0, EPA/600/R-98/010, Washington,D. C.
26-Konikow, L. F., and Bredehoeft, J. D. (1978). Computer model of two dimensional solute transport and dispersion in groundwater, Techniques of Water Resources Investigation of the USGS, U. S. Geological Survey, Washington, D. C.
27-Mariano, C. E., and Morales, E. (2002). A multiple objective ant-Q algorithm for the design of water distribution irrigation networks, Instituto Mexicano de Tecnologia del Agua, Mexico.
28-Iredi, S., D., and Middendrof, M. (2001). “Bi-criterion optimization with multi colony ant algorithms.” Proceeding of the First International Conference on Evolutionary Multi-Criterion Optimization. Lecture Notes in Computer Science, Springer, Berlin.
29-Doerner, K., Gutjahr, W.J., Hartl, R.F., Strauss, C. and Stummer, C. (2004). ‘‘Pareto ant colony optimization: A metaheuristic approach to multiobjective portfolio selection, Annals of Operations Research, to appear.
30-Baran, B., and Schaerer, M. (2003). ‘‘A multiobjective ant colony system for vehicle routing problem with time windows.” Twenty first IASTED International Conference on Applied Informatics, Insbruck, Austria, 97-102.
31-Afshar, A., Sharifi, F., and Jalali, M. R. (2008). ‘‘Nondomidated ARCHRIVING multicoloni and ant algorithm for multi objective optimization; Application to Multi purpose reservoir operation.” J. of Engineering Optimization, 41 (4), 313-325.
32-Hosseinzadeh, H., Afshar, A., and Sharifi, F. (2010). “Multi objective ant colony algorithm for waste load allocation.” Iran Water Resources Research, 17, (2), 1-13. (In persian).
33-Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. (2002) “A fast and elitist multiobjective genetic algorithm: NSGA-II” IEEE Transactions on Evolutionary Computation, 6, 182-197.
34-Wang, X. L., and Mahfouf, M. (2004). ‘‘ACSAMO: An adaptive multiobjective optimization algorithm using the clonal selection principle.” The Lanzhou University of Technology, Lanzhou, 730050, China
35-Shieh, H. J. (1997). ‘‘Optimal system design of insitu bioremediation using simulated annealing and parallel recombinative simulated annealing.” Ph. D. Thesis, Utah State University.
36-Jalali M. R., Afshar A., and Marino, M. A. (2006). “Reservoir operation by ant colony optimization algorithms.” Iranian Journal of Science and Technology, Transaction B, Engineering, 30. (B1), 107-117.
ابتدای صفحه