Evaluation of Sediment Pollution in an Abandoned Alkaline Slurry Pond and Its Stratification Using the Machine Learning Techniques
DOI:
https://doi.org/10.17072/psu.geol.24.4.376Keywords:
industrial waste, slurry pond, bottom sediments, sludge storage, integrated pollution assessment, machine learning, clusteringAbstract
The aim of this study is to characterize the contamination of sediments accumulated in an abandoned sludge storage facility, to develop, and test an automated method for precipitation stratification. The assessment of pollution is based on the sludge chemical composition using integral heavy metal indices: the total pollution index (Zc), and the potential environmental risk index (RI). According to the calculations, high level of pond sediments pollution was revealed. An automated approach to sediments stratification has been implemented using machine learning algorithms. This paper describes the Python-based algorithm and presents the results of its testing on sediment samples from a man-made reservoir. During the clustering process, five distinct layers were identified, which differ significantly in their chemical composition. The constructed cross-sections display the heterogeneous structure of the sediment column, and are in good agreement with the sections based on values of integral indices obtained manually. The best results were achieved using the cubic interpolation method.
References
Целюк Д.И., Целюк И.Н. Лежалые хвосты обогащения железных руд – резерв сырьевой базы черной металлургии // Минеральные ресурсы России. Экономика и управление. 2019. № 1 (164). С. 36–41. EDN: YWWRCP
Крупская Л.Т., Орлов А.М., Голубев Д.А., Колобанов К.А., Филатова М.А. Оценка экологической опасности накопленных отходов переработки минерального сырья закрытых горных предприятий в Приамурье и Приморье // Горные науки и технологии. 2020. № 5 (3). С. 208–223. doi: 10.17073/2500-0632-2020-3-208-223 EDN:LCQDEC
Белкин П.А. Химический состав родникового стока в районе складирования отходов разработки и обогащения калийных солей // Вестник Пермского университета. Геология. 2020. Т. 19, № 3. С. 232–240. doi: 10.17072/psu.geol.19.3.232 EDN: DMUFJO
Ушакова Е.С., Белкин П.А., Бакланов М.А., Дробинина Е.В., Пузик А.Ю. Экогеохимическая и биоиндикационная оценка загрязнения малых рек города Березники // Вестник Пермского университета. Геология. 2022. Т. 21, № 4. С. 384–393. doi: 10.17072/psu.geol.21.4.375 EDN: FKNXMD
Belkin P., Blinov S., Drobinina E., Menshikova E., Vaganov S., Perevoshchikov R., Tomilina E. Factors of Bottom Sediment Variability in an Abandoned Alkaline Waste Settling Pond: Mineralogical and Geochemical Evidence // Minerals. 2025. No. 15. 662 p. doi: 10.3390/min15060662
Коломийцев Н.В., Корженевский Б.И., Ильина Т.А., Гетьман Е.Н. Оценка техногенной нагрузки на водные объекты по загрязненности донных отложений // Мелиорация и водное хозяйство. 2015. № 6. С. 15–19 EDN: VZYFJF
Куракина Н.И., Шлыгина Н.С. Оценка состояния донных отложений по результатам контрольных измерений концентраций загрязняющих веществ в восточной части Финского залива // Известия СПбГЭТУ «ЛЭТИ». 2017. № 4. С. 72–78. EDN: YRENFV
Янин Е.П. Техногенные геохимические ассоциации в донных отложениях малых рек (состав, особенности, методы оценки). М.: ИМГРЭ, 2002. 52 с.
Yang Guan, Chaofeng Shao, Meiting Ju. Heavy Metal Contamination Assessment and Partition for Industrial and Mining Gathering Areas // Int. J. Environ. Res. Public Health. 2014. No. 11. P. 7286–7303. doi: 10.3390/ijerph110707286
Tishin N., Proletarsky A., Ozmidov O. Autoencoders and Multidimensional Clustering Algorithms in the Identification of Engineering-Geological Elements // 2025 International Russian Smart Industry Conference (SmartIndustryCon), Sochi, Russian Federation. 2025. Р. 431–438.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
