Using complex permittivity and artificial neural networks to identify and classify copper, zinc, and lead contamination in soil

摘要

Complex permittivity measurements combined with artificial neural networks (ANNs) are investigated as a method for assessing and identifying heavy metal contamination in soil. The measurements are carried out with a custom-built device on 164 compacted samples of a natural clayey soil, artificially contaminated with various simple salts including heavy metals (Cu, Zn, and Pb). The soil samples are prepared by mixing solutions of the various salts with the soil at various concentrations and water contents. A database has been set up consisting of complex per mittivity measurements made between the frequencies of 200 and 500 MHz and measured physical and chemical properties of the soil samples. Using this database as input, two ANN models are designed, the first to detect the presence or absence of heavy metals in the soil samples and the second to determine whether the heavy metal, if present in a given sample, is Cu, Zn, or Pb. Both ANN models perform reasonably well. Overall, the first model is able to detect the presence of heavy metals in 92.7% of cases, and the second is successful in distinguishing the particular type of heavy metal in 76.4% of all the samples containing heavy metals. These encouraging results underscore the potential of complex permittivity and ANNs as promising tools for nondestructive subsurface contamination assessment.Key words: heavy metals, subsurface contamination, complex permittivity, artificial neural networks, contaminant detection.On étudie les mesures de permittivité complexe combinées aux réseaux de neurones artificiels (ANNs) comme méthode d'évaluation et d'identification de la contamination par les métaux lourds dans les sols. Les mesures sont réalisées avec un appareil fait sur mesure sur 164 échantillons compactés d'un sol argileux naturel, contaminé artificiellement avec divers sels simples incluant les métaux lourds (Cu, Zn et Pb). Les échantillons de sol sont préparés en mélangeant des solutions de divers sels avec le sol à diverses concentrations en teneur en eau. Un base de données a été établie comprenant les mesures de permittivité complexe faites entre les fréquences de 200 MHz et 500 MHz, et des mesures des propriétés physiques et mécaniques des échantillons de sols. En utilisant la base de données comme entrées, deux modèles ANN sont conçus. Le premier pour détecter la présence ou l'absence de métaux lourds dans les échantillons de sol, et le second pour déterminer si le métal lourd, si présent dans un échantillon donné, est du Cu, du Zn, ou du Pb. Les deux modèles se sont comportés raisonnablement bien. Globalement, le premier modèle peut détecter la présence de métaux lourds dans 92,7 % des cas, alors que le second modèle réussit à distinguer le type particulier de métal lourd dans 76,4 % de tous les échantillons contenant des métaux lourds. Ces résultats encourageants soulignent le potentiel de la permittivité complexe et des ANN comme outils prometteurs pour l'évaluation non-destructive de la contamination souterraine.Mots clés : métaux lourds, contamination souterraine, permittivité complexe, réseau de neurones artificiels, détection de contaminants.[Traduit par la Rédaction]