23.03.2022 - University of British Columbia (UBC)

Identifizierung giftiger Stoffe im Wasser mit maschinellem Lernen

Neue Forschung kann Giftstoffe aus Ölsanden und Absetzbecken schnell identifizieren

Abfälle aus dem Ölsandabbau, die in Absetzbecken gelagert werden, können eine Gefahr für den natürlichen Lebensraum und die umliegenden Gemeinden darstellen, wenn sie in das Grundwasser und die Oberflächenökosysteme sickern.

Bisher bestand die Herausforderung für die Ölsandindustrie darin, dass eine ordnungsgemäße Analyse der giftigen Abfallstoffe ohne komplexe und langwierige Tests nur schwer möglich war. Und es gibt einen Nachholbedarf. So gibt es allein in Alberta schätzungsweise 1,4 Milliarden Kubikmeter flüssige Abraumhalden, erklärt Nicolás Peleato, Assistenzprofessor für Bauingenieurwesen an der University of British Columbia's Okanagan campus (UBCO).

Sein Forscherteam an der School of Engineering der UBCO hat eine neue, schnellere und zuverlässigere Methode zur Analyse dieser Proben entdeckt. Es ist der erste Schritt, sagt Dr. Peleato, aber die Ergebnisse sind vielversprechend.

"Die derzeitigen Methoden erfordern den Einsatz teurer Geräte, und es kann Tage oder Wochen dauern, bis man Ergebnisse erhält", fügt er hinzu. "Es besteht ein Bedarf an einer kostengünstigen Methode, um diese Gewässer häufiger zu überwachen und so die Öffentlichkeit und die aquatischen Ökosysteme zu schützen.

Zusammen mit der Masterstudentin María Claudia Rincón Remolina setzten die Forscher die Fluoreszenzspektroskopie ein, um die wichtigsten Toxine im Wasser schnell zu erkennen. Sie ließen die Ergebnisse auch durch ein Modellierungsprogramm laufen, das die Zusammensetzung des Wassers genau vorhersagt.

Die Zusammensetzung kann als Maßstab für weitere Tests an anderen Proben verwendet werden, erklärt Rincón. Die Forscher verwenden ein neuronales Faltungsnetzwerk, das Daten in einer gitterartigen Topologie verarbeitet, wie etwa ein Bild. Es ähnelt der Art von Modellierung, die bei der Klassifizierung von schwer zu identifizierenden Fingerabdrücken, der Gesichtserkennung und sogar bei selbstfahrenden Autos verwendet wird, sagt sie.

"Die Modellierung berücksichtigt die Variabilität des Hintergrunds der Wasserqualität und kann schwer zu erkennende Signale trennen, wodurch sehr genaue Ergebnisse erzielt werden können", sagt Rincón.

Untersucht wurde ein Gemisch organischer Verbindungen, die giftig sind, darunter Naphthensäuren, die in vielen Erdölquellen vorkommen. Mit Hilfe der hochdimensionalen Fluoreszenz können die Forscher die meisten Arten von organischen Stoffen identifizieren.

"Die Modellierungsmethode sucht nach Schlüsselmaterialien und stellt die Zusammensetzung der Probe dar", erklärt Peleato. "Die Ergebnisse der ersten Probenanalyse werden dann durch leistungsstarke Bildverarbeitungsmodelle verarbeitet, um umfassende Ergebnisse genau zu bestimmen."

Die bisherigen Ergebnisse sind zwar ermutigend, aber sowohl Rincón als auch Dr. Peleato weisen darauf hin, dass die Technik in größerem Maßstab weiter evaluiert werden muss - dann könnte sie auch für das Screening weiterer Toxine eingesetzt werden.

Peleato erklärt, dass dieses potenzielle Screening-Tool ein erster Schritt ist, der jedoch einige Einschränkungen mit sich bringt, da nicht alle Toxine oder Naphthensäuren nachgewiesen werden können - nur diejenigen, die fluoreszierend sind. Außerdem muss die Technologie für künftige, eingehendere Tests noch erweitert werden.

Auch wenn sie die derzeitigen, genaueren Analysemethoden nicht ersetzen kann, wird dieser Ansatz es der Ölsandindustrie ermöglichen, ihre Abfallstoffe genau zu untersuchen und zu behandeln, sagt Dr. Peleato. Dies ist ein notwendiger Schritt, um die Normen und Richtlinien des kanadischen Umweltministerrats weiterhin zu erfüllen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Fakten, Hintergründe, Dossiers
  • maschinelles Lernen
  • Gewässeranalytik
Mehr über University of British Columbia