دانلود رایگان مقاله روش سیستماتیک برای بررسی جامع پتانسیل حذف آلودگی آب طوفان

چکیده

          این مقاله به بررسی روشی برای ارزیابی تئوریک بهترین اقدامت مدیریتی (BMP) برای از بین بردن آلودگی آب حاصل از بارندگی شدید، می‌پردازد. این روش دسته بندی اهمیت نسبی فرایند پاکسازی اولیه بین ۱۵ BMP متفاوت را به همراه ارزیابی توانایی هر کدام در از بین بردن یک ماده‌ی آلوده کننده را ترکیب می‌کند تا مقدار مشخصی برای توان حذف آلودگی هر BMP ایجاد کند برای انجام این روش، تعدادی فاکتور مشخص کننده‌ی کیفیت کلی آب (مقدار کل مواد معلق، نیاز شیمیایی و بیوشیمیایی به اکسیژن، نیترات‌ها، فسفات‌ها و باکتری کلی‌فرم مدفوعی) برای تولید یک لیست از ترتیب اثربخشی در حذف آلودگیِ هر BMP تهیه می‌شود. با توجه به این که اطلاعات کمی در رابطه با توان حذف آلودگی BMPها در دست است، نتیجه‌ی این اولویت بندی به ذینفعان برای تصمیم گیری در مورد زهکشی آب در مناطق شهری (از نظر میزان کاهش آلودگی) کمک می‌کند. این روش همچنین می‌تواند  داده‌هایی به مدل‌های آب شناسی شهریِ کنونی اضافه کند که به وسیله‌ی آن بتوان میزان اثر BMPها را پیشبینی کرد.میزان انعطاف پذیری این مدل پیشنهادی به وسیله‌ی تست حساسیت مورد آزمایش قرار گرفته و در مورد محدودیت‌های طراحی و استفاده‌ی BMPها هم بحث می‌شود.

1. معرفی

           دستورالعمل چارچوب آب اتحادیه اروپا (WFD) (اروپا، 2000) کنترل انتشار آلودگی را یک عامل کلیدی در تامین شرایط اکولوژیک مناسب در سیستم‌های آبی در نظر می‌گیرد؛ در نتیجه تجدید نظر روش‌های کنونی مدیریت آب طوفان را لازم می‌شمارد. روش‌های سنتی زهکشی آب حاصل از بارندگی، تخلیه مستقیم آب سطحی توسط لوله‌هایی به نزدیکترن مسیر آبی برای جلوگیری از سیل در مناطق اطاف استبدون توجه چندانی به کیفیت این آب و تاثیر این عمل در جذب آب. با این وجود، اهمیت مسئله کیفیت آب شهری به صورت روز افزون در حال افزایش است و به دنبال آن، توجه به بهترین روش‌های مدیریت آب حاصل از بارندگی (BMP) بیشتر می‌شود. روش‌های مدیریریت آب بارندگی شامل گستره‌ی وسیعی از اقدامات است که هم کنترل کیفیت و کمیت این آب‌ها و هم جنبه‌ی آرامش اجتماعی جامعه را در بر می‌گیرد. عبارت BMP گستره‌ی وسیعی از سیستم‌های ساختاری را در بر می‌گیرد که همه‌ی آنها توان افزایش کیفیت آب حاصل از بارندگی به همراه کم کردن شدت این آب‌ها به وسیله‌ی ترکیبی از اقدامات بیولوژیک، فیزیکی و شیمیایی را دارد. 

1.1. انتخاب BMP‌ها 

          روش‌ها و دستورالعمل‌های متفاوتی برای انتخاب مناسبترین BMP در مناطق مختلف وجود دارد. برای مثال بسیاری از کشور‌ها و ایالات آمریکا قوانین خاصی برای کنترل آب طوفان را دارند (مثلا اداره‌ی محیط زیست مریلند، 2000). معمولا این‌ها به وسیله‌ی عوامل اختصاصی خود مانند نوع خاک، فضای در دسترس، توانایی در ذخیره آب، ملزومات انجام و نگهداری و قیمت؛ تصمیم گیری می‌کنند ( CIRIA ، 2000-2001). در مقابل توانایی بعضی از BMPها برای حذف یک آلودگی خاص و یا حتی راندمان کلی اثربخشی BMP، به ندرت به عنوان معیاری مهم در نظر گرفته می شود. با این وجود به دلیل پیاده سازی دستورالعمل WFD اروپا، اهمیتِ دانستنِ توانایی BMPهای مختلف در حذف یک آلودگی خاص؛ در حال تبدیل شدن به یک نیاز اساسی است.

          گستره‌ای از مدل‌های آب شناسی شهری وجود دارند که عملکرد BMPها را به عنوان بخشی از سیستم زهکشی آب، بیشتر از نظر خواص هیدرولیک ارزیابی می‌کنند. مثالی مناسب مدل اینفو ورکس   است که رفتار هیدرولیک BMPها (محل جذب آب، مناطق نفوذ آب، مناطق گود و مناطق صاف نفوذپذیر) را مدل سازی می‌کند. این مدل کیفیت آب که می‌تواند به شبیه ساز آب شناسی بازخورد دهد؛ بیشتر به مدل سازی روند‌های فیزیکی مانند تشکیل رسوب می‌پردازد، تا به کنترل آلودگی از طریق تعریف CSO کمک کند و توجه چندانی به اثر بخشی حذف آلودگی در BMPهای مختلف ندارد (برنامه‌ی والینگفورد،2006). مدل مدیریت آب طوفان (SWMM) مدلاسیون هیدرولوژیک BMPها را با توان حذف آلودگی آنها ترکیب می‌کند ( EPA، 2006). این امر نیازمند وارد کردن اثر بخشی هر BMP در حذف آلودگی است که به دلیل نبود اطلاعات میدانی، باید محاسبه شود.

          مدلی دیگر که به صورت اختصاصی‌تر نقش BMPها را با ارتباط دادن سیستم‌های بیورتینیشن، نوار‌های فیلتراسیون بافری، حوزه‌های رسوب گذاری، جذب کننده‌های آلودگی، تالاب‌ها و سرزمین‌های گود با استراتژی‌های مدیریت آب طوفان بررسی می‌کند؛ مدل برای بهبود آب طوفان شهری یا به اختصار MUSIC نام دارد. مدل MUSIC کارایی BMP را به وسیله‌ی الگریتمی که در اصل برای راکتور‌های مخزن‌دار پیوسته (CSTRs) ساخته شده است، می‌سنجد. به گونه‌ای که تعداد مختلف CSTRها با انواع مختلف BMPها معادل سازی می‌شوند. حذف آلاینده به وسیله‌ی متغیر K_C*  از مرتبه‌ی اول مدل جذب حرکتی (ایجاد شده توسط کدلِک و نایت، 1996) برای پیشبینی حذف BOD در تالاب‌ها؛ استفاده می‌شود. به همین خاطر انتخاب مقدار مناسب برای متغیر مرتبه اول (K) و تراکم آلودگی زمینه‌ای  (C*)اهمیت بسیاری در پیشبینی حذف آلودگی دارد. اما به دلیل این که حذف آلودگی در فرایند BMPها در محیطی بسیار ناهمگون از نظر زمان و مکان انجام می‌شود (مثلا مهمتر بودن فرایند‌های فیزیکی در شرایط بارندگی شدید و در مقابل اهمیت بیشتر فرایند‌های بیولوژیک و شیمیایی در طولانی مدت)؛ انتخاب مقدار مشخصی از K که بتواند همه‌ی این متغیر‌ها را پوشش دهد، به شدت سخت است. انتخاب مقدار C* نیز به دلیل تفاوت در زمان بین اتفاقات بارنگی و شدت بارندگی، مشکل‌ساز است. گستره‌ای از مقادیر پیش‌فرض K و C* (با در نظر گرفتن فرایند‌های فیزیکی مربوطه) برای مقدار کل مواد جامد محلول (TSS)، مقدار کل فسفات و نیتروژن مربوط به هفت BMP مختلف در نظر گرفته شده. کاربران از بین گستره‌ای از مقادیر (مثلا مقادیر K بین 500 تا 5000 برای حذف مواد جامد محلول در تالاب) بر اساس فاکتورهای مربوط به خصوصیات مشخص BMP انتخاب می‌کنند. تجزیه و تحلیل میزان حساسیت نیز برای تعیین میزان تاثیر متغیر K و C* بر اثر بخشی کلی انجام می‌شود. کمبود اطلاعات قابل مقایسه درباره‌ی حذف آلودگی در انواع مختلف BMPها، چنین روش عملگرایی را ضروری می‌سازد و نیاز ما به تحقیقات گسترده‌تر برای فهم تاثیر فرایند‌های بیولوژیک، شیمیایی و فیزیکی مربوطه را نشان می‌دهد. 

          این مقاله برای رفع نیاز ذکر شده، توسعه‌ی روشی سیستماتیک بر پایه‌ی اصول علمی را شرح می‌دهد تا به کمک آن بتوان میزان نسبی حذف آلودگی در گستره‌ای از BMPها را پیشبینی کرد. نتایج می‌تواند برای انتخاب مقادیر K که عوامل بیولوژیک، فیزیکی و شیمیایی را در مدل‌های معمول همچون MUSIC ادغام میکند؛ به کار برده شود و یا به چارچوب تصمیم گیری وسیعتری که شامل در نظر گرفتن گستره‌ای از فاکتورها (از اندازه‌ی حوزه‌ی جذب آب گرفته تا ضریب رواناب و قیمت‌ها) می‌شود، بیانجامد. بنابراین روشی که در این مقاله شرح داده شده را نباید روشی مستقل در نظر گرفت بلکه روشی است برای کمک به تصمیم گیری در مدیریت آب حاصل از بارندگی شدید با در نظر گرفتن کنترل تخلیه‌ی مواد مشخص به حوزه‌های آبی دریافت کننده‌ی آنها تا زمانی که اطلاعات میدانی بیشتری یه دست آید. جزییات کامل این روش جدید به همراه استفاده‌ی آن بر روی TSS، BOD، COD، نیترات‌ها، فسفات‌ها و باکتری کلی‌فرم مدفوعی؛ در ادامه آورده شده. نتایج این اقدامات به صورت نقادانه بررسی و در صورت امکان با اطلاعات میدانی مقایسه شده و نیز درستی آن توسط تجزیه و تحلیل سنجش حساسیت مورد ارزیابی قرار گرفته است.

2. اقدامات حذفی واحد در BMPها

2.1. عوامل شناسایی و کنترل

          عملکرد هر BMP ممکن است در محل‌های مختلف، به دلیل عواملی مانند مشخصات فنی طراحی، شرایط آب و هوایی و هیدرلوژیک و سن سیستم متفاوت باشد. شرح انواع BMPها برای پیشبرد روش مذکور در جدول 1 آورده شده است. به علاوه، هر دستگاه BMP در سطح بازده خود و به صورت مستقل فعالیت می‌کند (به طور مثال بخشی از یک تصفیه‌ی هیبریدی نیست). آسیب پذیری توان تصفیه در مقابل شرایط آبی متفاوت با ترکیب کردن شدید ترین وقایع و بازده‌های حذف آلودگی BMPها در نظر گرفته شده است. تاثیر متغیرهای محتمل دیگر، مانند سن سیستم، نیز با در نظر گرفتن چگونگی پایداری فرایندهای مختلف حذفی در طول عمر یک BMP، محاسبه می‌شود.

        این روش UOP راهی جایگزین و متفاوت برای انتخاب BMPها نشان می‌دهد، راهی که در مهندسی آب طوفان بیشتر استفاده می‌شود (کوییگلی، 2005؛ اسکولز، 2005). جدول1 خصوصیات پایه‌ای UOPها را با ویژگی‌های خاص آلاینده ترکیب می‌کند تا مقداری ترکیبی به دست آید که می‌تواند پتانسیل حذف آلاینده‌ی خاصی توسط سیستم BMP مشخصی را نشان دهد. تکرار این فرایند برای هر BMP  می‌تواند مقداری ترکیبی به وجود آورد که پتانسیل نسبی هر BMP را برای حذف آلاینده‌ی مشخصی نشان می‌دهد. ایم مقادیر ترکیبی می‌تئانند از زیاد به کم رتبه‌بندی شوند تا سلسله‌مراتبی از اثربخشی BMPها در حذف آلاینده‌ای خاص را ایجاد کنند. این امر به انتخاب مقدار K برای استفاده در مدل‌های مدیریت آب طوفان نیز کمک می‌کند. فرایند‌های اصلی حذف آلاینده در BMPها به دو دسته تقسیم می‌شوند: الف) حذف مستقیم آلاینده از آب (مانند ته‌نشینی: جذب زیرلایه شدن؛ فیلتراسیون، جذب گیاهی، تبخیرو فوتولیز) ب) کمک غیرمستقیم به حذف آلودگی (ته‌نشینی یا جذب مواد جامد معلق شدن)

Abstract

         This paper describes the development of a methodology to theoretically assess the stormwater pollutant removal performances of structural best management practices (BMPs). The method combines the categorisation of the relative importance of the primary removal processes within 15 different BMPs with an evaluation of the ability of each process to remove a pollutant in order to generate a value representing the pollutant removal potential for each BMP. The methodology is demonstrated by applying it separately to a set of general water quality indicators (total suspended solids, biochemical and chemical oxygen demand, nitrates, phosphates and faecal coliforms) to produce a ranked list of BMP pollutant removal efficiencies. Given the limited amount of available monitoring data relating to the differential pollutant removal capabilities of BMPs, the resulting prioritisation will support stakeholders in making urban drainage decisions from the perspective of pollutant removal. It can also provide inputs to existing urban hydrology models, which aim to predict the treatment performances of BMPs. The level of resilience of the proposed approach is tested using a sensitivity analysis and the limitations in terms of BMP design and application are discussed.

1. Introduction

        The EU Water Framework Directive (WFD) (EU, 2000) identifies the control of diffuse pollution as a key factor in enabling good ecological status to be achieved in aquatic systems and therefore represents a clear driver for the review of current stormwater management practices. The conventional drainage approach to managing stormwater flows involves the direct removal of surface water through a series of pipes to the nearest watercourse to prevent local flooding, with little attention being paid to stormwater quality or its impact on receiving waters. However, the issue of urban water quality is increasingly taking centre stage and associated with this is a greater interest in the use of stormwater best management practices (BMPs). These represent a diverse range of source control procedures, which integrate stormwater quality and quantity control as well as enabling social and amenity perspectives to be incorporated into stormwater management approaches. The term ‘BMPs’ covers a wide range of structural systems, all of which have the ability to improve stormwater quality and attenuate flow volumes through a combination of biological, physical and chemical processes.

1.1. Selection of BMPs

        There are a variety of approaches and guidelines available for selecting the most appropriate type of BMP for a particular site with, for example, many states/counties in the USA having their own stormwater design manuals (e.g. Maryland Department of the Environment, 2000). Typically, these make recommendations in relation to catchment-specific factors such as soil type, available space, capacity to store a design storm event, operation and maintenance requirements and cost (CIRIA, 2000, 2001). In contrast, the potential for specific types of BMPs to remove a particular pollutant of concern, or even the treatment efficiency of BMPs in general, is rarely, if ever, used as a discriminatory criterion. However, as a result of the implementation of the EU WFD, and the increasing importance of pollution reduction accountability in the context of River Basin Management Plans, knowledge relating to the ability of different BMP systems to remove a particular pollutant is becoming a prime requirement.

       A range of urban hydrology models are available which incorporate assessment of the performance of BMPs as part of the drainage network, although these simulations are primarily based on an evaluation of their hydraulic behaviour. An appropriate example is InfoWorks CS, which models the hydraulic behaviour of BMPs such as soakaways, infiltration trenches, swales and permeable pavements. Additionally, it contains a water quality module which can feedback into the hydraulic simulation, but this relates primarily to the modelling of physical processes, such as sediment build-up, to support pollution control through the identification of CSO problems rather than contributing to the prediction of pollutant removal treatment efficiencies in different BMPs (Wallingford Software, 2006). The Storm Water Management Model (SWMM) integrates BMP hydrological modelling with a consideration of the associated treatment performance (EPA, 2006). However, this requires operators to input their own BMP removal efficiencies, which in the absence of field data would need to be estimated.

        A model which more specifically addresses the role of BMPs by incorporating ponds, bioretention systems, infiltration buffer strips, sedimentation basins, pollutant traps, wetlands and swales into stormwater management strategies is the decision-support model MUSIC, Model for Urban Stormwater Improvement Conceptualisation (CRC, 2006). MUSIC models BMP performances using algorithms originally developed for Continuously Stirred Tank Reactors (CSTRs) with different numbers of CSTRs being used to mimic different types of BMPs. Pollutant removal is evaluated using the kC* model modification of the first-order kinetic uptake model developed by Kadlec and Knight (1996) to predict the removal of BOD in wetlands. The selection of appropriate values for the first-order rate constant (k) and the background pollutant concentration (C*) are therefore of critical importance in robustly predicting pollutant removal. However, because the removal processes which occur in BMPs are highly heterogeneous in terms of both space and time (for example, physical processes may dominate during storm events with biological and chemical processes being of greater importance in the longer term), choosing a single ‘k’ value which covers all these variables is extremely complex. The selection of C* is also problematic as it may vary greatly in relation to factors such as variations in the timeperiod between storm events and rainfall intensity. A range of default ‘k’ and C* values, based on considerations of the relevant physical processes, are provided within the model for total suspended solids (TSS), total phosphorous and total nitrogen for seven different BMPs. Users are recommended to select from a range of values (e.g. ‘k’ values from 500 to 5000 m year1 for TSS removal within a wetland) based on factors relating to the specific BMP characteristics and a sensitivity analysis to determine the impact of varying ‘k’ and ‘C*’ values on overall treatment performance. Such a pragmatic approach is necessitated by the current lack of comparable data on pollutant removals across the many different types of BMPs and indicates the need for a fuller investigation into the relative contributions of the pertinent biological, chemical and physical processes.

          As a contribution to meeting these identified needs, this paper describes the development of a systematic approach, based on fundamental scientific principles, for the prediction of the comparative pollutant removal potentials operating within a range of BMPs. The results can be utilised to inform the selection of k values which integrate biological, chemical and physical processes within modelling routines, such as MUSIC, as well as contributing to the wider decision-making framework which typically involves the consideration of a diversity of factors ranging from catchment size to rainfall-runoff coefficients and costings. Hence, the approach described in this paper is not meant to be used as a stand-alone procedure, but one which can contribute to stormwater management decisionmaking processes with respect to the control of the discharge of specific substances to receiving water bodies until further field data becomes available. Full details on the development of this novel approach are presented, together with its application to TSS, BOD, COD, nitrates, phosphates and faecal coliforms. Results of this procedure are critically discussed and compared, where possible, to observed field data and the validity tested through a sensitivity analysis.

2. Unit removal processes in BMPs

2.1. Identification and controlling factors

          The performances of individual stormwater BMPs may vary from site to site in relation to variables such as design specifications, local hydrologic and climatic conditions, and system age (e.g. Ellis et al., 2003). In developing the described methodology, the BMP-type descriptions are as outlined in Table 1. In addition, the individual BMP devices are assumed to be operating at their design efficiency and to be functioning on a ‘stand-alone’ basis, i.e. not part of a hybrid treatment train. The vulnerability of the treatment potential to variable hydraulic conditions has been taken into account by incorporating the impact of extreme events into the predicted efficiencies of the identified removal processes within different BMPs. The possible impacts of variables, such as system ageing, are partially incorporated through the inclusion of how the different removal processes are likely to be maintained throughout the lifetime of a BMP.

          The primary biological, chemical and physical processes associated with pollutant removal in structural BMPs are identified in Fig. 1 and reflect the fundamental relative potential for each BMP to remove the pollutant under consideration. These combined values can then be ranked in a descending order to generate a hierarchy of BMPs with regard to removal of the specific pollutant of concern, which can also be used to support the relative selection of ‘k’ values for use in stormwater management modelling.unit operating processes (UOPs) familiar to traditional water and wastewater engineers. This UOP approach provides an alternative, and more radical, methodological basis for the selection of BMPs, but one which is being more widely considered within stormwater engineering (Quigley et al., 2005; Scholes et al., 2005). Fig. 1 shows how these fundamental UOP behavioural properties can be integrated with pollutant-specific characteristics to develop a combined value, which represents the potential for a specific pollutant to be removed within a particular BMP system. Repetition of this procedure for each BMP enables a combined value to be developed which represents the relative potential for each BMP to remove the pollutant under consideration. These combined values can then be ranked in a descending order to generate a hierarchy of BMPs with regard to removal of the specific pollutant of concern, which can also be used to support the relative selection of ‘k’ values for use in stormwater management modelling.

چکیده

1. معرفی

1.1. انتخاب BMP‌ها 

2. اقدامات حذفی واحد در BMPها

2.1. عوامل شناسایی و کنترل

2.2. اهمیت نسبی فرایندهای حذفی متفاوت BMP

2.3. تعاریف فرآیندهای مشخص عمل کردی دستگاه

2.3.1. رونشین شدن بر سوبسترا 

2.3.2. ته نشینی

2.3.3. تخریب میکروبی

2.3.4 . فیلتراسیون

2.3.5. جذب گیاهی

2.3.6. تبخیر شدن و نورکافت 

2.4. حساسیت TSS، BOD، COD، نیترات ها، فسفات ها و باکتری کلیفرم‌های مدفوعی به فرآیند‌های پاکسازی BMPهای مشخص

3. توسعه و آزمایش یک رویکرد برای پیشبینی پتانسیل های پاکسازی

3.1. جمع بندی داده های مربوط به اهمیت نسبی فرآیند های پاک سازی درون BMPها و پتانسیل پارامتر ها برای حذف شدن توسط همان فرآیند

3.2.  مقایسه‌ی مقادیر پیشبینی شده‌ی حذف آلایندگی با مقادیر اندازه‌گیری شده

 3.3. کمک به انتخاب مقادیر K در مدل‌های آبی

4.3. تجزیه و تحلیل حساسیت بر روی اولویت های حذفی پیشنهادی

4. نتیجه گیری

منابع

Abstract

1. Introduction

1.1. Selection of BMPs

2. Unit removal processes in BMPs

2.1. Identification and controlling factors

2.2. Relative importance of the different BMP removal processes

2.3. Descriptions of the identified unit operating processes

2.3.1. Adsorption to substrate

2.3.2. Settling

2.3.3. Microbial degradation

2.3.4. Filtration

2.3.5. Plant uptake

2.3.6. Volatilisation and photolysis

2.4. Susceptibilities of TSS, BOD, COD, nitrates, phosphates and faecal coliforms to the identified primary BMP removal processes

3. Development and testing of an approach for the prediction of removal potentials

3.1. Aggregation of data on the relative importance of removal processes within BMPs with the potential for the selected parameters to be removed by the same processes

3.2. Comparison of predicted pollutant removal efficiencies with monitored values

3.3. Support in the selection of k values within urban hydrological modelling

3.4. Sensitivity analysis on the predicted removal priorities

4. Conclusions

References