Detecting heavy metal contamination in soil using complex permittivity and artificial neural networks

摘要

The use of the complex permittivity, an intrinsic electrical property of materials, to detect the presence and type of heavy metals in soil is investigated. The soil specimens are prepared by mixing the soil with distilled and deionized water, NaCl solutions, and copper and zinc salt solutions and compacting at known water contents. The complex permittivities of the soil specimens are measured in the laboratory using a custom-developed apparatus. A database, which includes both contaminated and uncontaminated soil specimens, is developed, with the soil water content, density, and pore-fluid salinity varying over a relatively wide range. Two artificial neural network (ANN) models are developed to (i) identify whether the heavy metals are present in the soil; and, if so, (ii) distinguish the metal type, based on the complex permittivities measured on the soil specimens. The first ANN model (identification) can correctly identify the presence of heavy metals in 90% of cases. The second ANN model (classification) can correctly classify the type of the heavy metal in 95% of cases. Better performance can be achieved if more complex permittivity data are available for the training of the networks.Key words: heavy metals, soil contamination, contamination detection, complex permittivity, artificial neural networks.On étudie l'utilisation de la permittivité complexe, propriété électrique intrinsèque des matériaux, pour détecter la présence et le type de métaux lourds dans le sol. Les spécimens de sol sont préparés en mélangeant le sol avec de l'eau distillée et déionizée, des solutions de NaCl, et des solutions de sels de cuivre et de zinc, et en le compactant à des teneurs en eau connues. Les permittivités complexes des spécimens de sols sont mesurées en laboratoire au moyen d'un appareil développé sur commande. Une base de données qui inclut des spécimens de sols tant contaminés que non contaminés a été développée avec une teneur en eau, une densité et une salinité du liquide interstitiel variant dans une plage relativement large. On a développé deux modèles de réseaux de neurones artificiels (ANN) pour (i) identifier la présence de métaux lourds dans le sol, et si tel est le cas, (ii) distinguer le type des métaux sur la base des permittivités complexes mesurées dans les spécimens de sols. Le premier modèle ANN (identification) peut identifier correctement la présence de métaux lourds dans 90 % des cas. Le second modèle ANN (classification) peut classifier correctement le type des métaux lourds dans 95 % des cas. On peut obtenir une meilleure performance si plus de données de permittivité complexes sont disponibles pour le calibrage des réseaux.Mots clés : métaux lourds, contamination des sols, détection de la contamination, permittivité complexe, réseaux de neurones artificiels.[Traduit par la Rédaction]