5th Joint Nordic Meetingon Remediationof Contaminated Sites15-18 September 2014

Preliminary program

Registration Early bird

until 23 May 2014

Registration at www.nordrocs.org

NORDROCS 2014

crossing borders

VENUE: Clarion Hotel Sign, Stockholm

PROGRAM The program is subject to possible changes

Monday, September 15, 2014

SHORT COURSES at Clarion Hotel Sign Stockholm

10.00 – 12.00

Short course A - Geochemical modelling, Swedish Geotechnical Institute

Short course B – Reuse of material, Swedish Geotechnical Institute

12.00 – 13.00 Lunch

13.00 – 17.00 Short course A - Geochemical modelling, Swedish Geotechnical Institute (ends 16.30)

Short course C – Using the GeoProbe system for high resolution investigations at contaminated sites, NIRAS

18.30 – Joint walk from the hotel to Stockholm City Hall

19.00 – Welcome reception at Stockholm City Hall

Tuesday, September 16, 2014

09.00 – 10.00 Registration and coffee

10.00 – 12.00 OPENING SESSION Banquet hall, Hotel Clarion Sign

Malin Norin, NCC, Sweden, chair of Nätverket Renare MarkPeter Harms-Ringdahl, Empirikon Konsult, Sweden, coordinator of the organizing committee of NORDROCS 2014Chair: Jan Darpö, Professor, Department of Law, Uppsala University, Sweden EU Legislation applying to Contaminated sites management and future needs - Key note speaker: Dominique Darmendrail - COMMON FORUM, General secretary, France

Nordic EPAs, strategies and visions followed by discussion with the audience

12.00 – 13.30 Lunch, poster session and exhibition

to be continued

13.30 – 15.30 SESSION A

Sustainability Chair: Ingegerd Ask, Nyköping Municipality, Sweden Key note speaker: Igor Linkow, Ph.D., US Army Engineer Research and Development Center, Adjunct Professor, Carnegie Mellon University, U.S.A

A Sustainable Approach to Remediation of Kopeopeo Canal, New Zealand - Rob Burden, Domain Environmental Ltd, New Zealand

Re-use of material in Stockholm Royal Seaport - Anna Pramsten, City of Stockholm, and Helena Hellgren, NCC Construction, Sweden –

Initiatives towards sustainable use of excavated soil in the Capital Region of Denmark, and the creation of the Soil Portal – Jens Gregersen, Capital Region of Denmark and Kristian Kirkebjerg, Grontmij, Denmark

Incorporating sustainability into assessment and remediation of contaminated sites in Finland – Jussi Reinikainen, Finnish Environment Institute, Finland

SESSION B

Investigation and risk assessment Chair: Dominique Darmendrail - COMMON FORUM, General secretary, France Risk assessment of contaminated sites and diffuse sources to water resources - Key note speaker: Poul Bjerg, Professor, Department of Environmental Engineering, Technical University of Denmark

Assessment of soil-water partitioning of polycyclic aromatic compounds using passive samplers and leaching tests. – Anja Enell, Swedish Geotechnical institute

Comparison test on soil sampling containing volatile hydrocarbons - Katarina Björklöf, Finnish Environment Institute and Milja Vepsäläinen, Vahanen Environment Oy, Finland

Risk assessment of landfills in relation to surface water - Sanne Skov Nielsen, Orbicon, Denmark

Methodology for fast and reliable investigation and characterization of contaminated sites - Jørgen Mølgaard Christensen, DGE Group A/S, Denmark

15.30 – 16.30 Coffe break, poster session and exhibition.

16.30 – 17.30 SESSION C

Protecting indoor air

Chair: Marja Tuomela, Ph.D., Research scientist, University of Helsinki, Finland

Detecting intrusion pathways of contaminated soil gas to indoor air and describing remediation methods – Børge Hvidberg, Central Denmark Region, Denmark

Probabilistic risk assessment for six vapour intrusion algorithms - Jeroen Provoost, , Independent Researcher,

Freon – a new contaminant in the field? - Majbrith Langeland, Grontmij, Denmark

SESSION D

New Technologies - Thermal

Chair: Mads Terkelsen, Research and Development Manager, M.Sc. (geology), Capital Region of Denmark, Copenhagen

In-Situ Thermal Treatment of Fractured Rock - Gorm Heron, TerraTherm, Denmark

Indoor thermal remediation in an old industrial area in the Capital Region of Denmark - Katerina Hantzi, Capital Region of Denmark and Pernille Kjaersgaard, Orbicon, Denmark

Thermal desorption - pilot testing in Machelen – Beel Pieter, JV Jan De Nul-Envisan, Belgium

19.00 – 24.00 Dinner, Wasa museum 19:00 (bus leaves 18:30)

Program Tuesday, continued

 

 

 

VAPOUR INTRUSION ALGORITHMS 

Probabilistic assessment and sensitivity analysis for six vapour intrusion algorithms used in contaminated land management 

Jeroen Provoost1, Jan Bronders2, Ilse Van Keer2 

1 Independent Researcher, Finland, ResearchGate: http://www.researchgate.net/profile/Jeroen Provoost2/ 

2 Flemish Institute for Technological Research (VITO), Boeretang 200, 2400 Mol, Belgium  

 

The e‐mail address of the presenting author(s): JProvoost‐01(at)yahoo.co.uk 

1 IntroductionMany  countries have developed contaminated  land management  (CLM) policies  to  reduce  risks  to humans and ecosystems originating from soil pollution (Provoost et al. 2008a). These policies often make use of model algorithms  to  calculate a  soil  screening values  (SSV)  to  trigger  further actions, such as higher tiers site specific human health risk assessment, or remediation actions to reduce the risks  (Provoost  et  al.  2013). One  of  the major  pathways  of  exposure  for  humans  is  inhalation  of indoor  air  as  a  result  of  sub‐surface  contamination with  volatile  organic  chemicals  (VOC),  called vapour intrusion (VI) (DOH 2006). VI is a process not yet well understood. Swartjes (2007) looked into the  variation  of  exposure  by  applying  seven  EU models  for  human  health  risk  assessment,  and concluded that the variation for exposure due to indoor air inhalation is large. Provoost et al. (2008a) investigated the reasons for the variation  in SSV between different (EU) countries and the effect of harmonising algorithms and parameters on the SSV. The conclusion was that SSV for VOC vary 1 to 4 orders‐of‐magnitude  (OoM)  between  (EU)  countries.  This  is  due  to  the  application  of  different algorithm and  its parameter values  (scientific elements), while political elements,  like  toxicological criteria, have a moderate to high influence on the variation in SSV. Although geographical elements differ  throughout  Europe,  they  seemed  to  have  a  limited  impact  on  the  variation.  The  Common Forum  recently  released a note, named “Towards an European  research agenda  for contaminated land management”, which identifies gaps and needs for the different steps of CLM. The note states, for  the  site  investigation  step,  that phase partitioning  in  the  soil  and  the  resulting VI  in buildings needs further investigation. Furthermore it recognizes, for the step risk assessment, that a ‘one size fit all’ model algorithm is not realistic. A deeper understanding is required related to the content and the limits of the models and predicted values (Common Forum 2013).    

If  algorithms  are  applied  predicting  the  soil  air  and  indoor  air  concentration  as  a  result  of  soil pollution, and the related human exposure,  is complex and  is affected by numerous  factors. These factors are translated into screening algorithm’s parameters. Parameters can be divided generally in three categories: environmental, building and physico‐chemical (McAlary et al. 2011, Provoost et al. 2010), with  each  category  characterised by  a degree of uncertainty or  variability.  The  algorithm’s output  is  therefore  subject  to  two  sources  of  parameter  variation:  uncertainty  and  variability. Variability  regards variation  that can be naturally expected, while uncertainty  regards precision by which  a  quantity  is measured  (Van  Belle  2008). Most  of  the  present  algorithms  for  VI  calculate (deterministic) point  estimates based on  a  set of default parameter  values  and  therefore  give no indication of the variation and conservatism of the predicted air concentrations. 

 

 

2 MethodologyMeasured  data  from  two  well  documented  sites  were  used  to  compared  predictions  and observations,  and  are  described  in more  detail  in  Provoost  et  al.  (2014).  The  first  site,  Astral  in Vilvoorde  (Belgium),  is  contaminated  with  the  aromatic  hydrocarbons  benzene  (BE)  and ethylbenzene  (EB),  while  the  second  site,  CDOT  site  in  Denver  (USA),  contains  among  other chlorinated  contaminants  mainly  trichloroethene  (TCE).  For  both  sites  the  majority  of  the contaminant source for VI was located in the vadose zone.  

The algorithms selected were the Swedish dilution factor algorithm from 1996 (S‐EPA 1996), dilution factor algorithm from Norway (SFT 1999), Johnson and Ettinger model (United States) (Johnson et al. 1999), CSoil  (Netherlands)  (Brand et al. 2007), VolaSoil  (Netherlands)  (Waitz et al. 1996) and Vlier‐Humaan (region Flanders in Belgium) (OVAM, 2004).  

For each  algorithm  a probabilistic  assessment with  sensitivity  analysis was applied,  as well  as  the calculation  of  the  deterministic  predicted  concentrations.  Probability  distribution  functions  (PDF) were  derived  from  the  data  gathered  for  three  groups  of  parameters  (soil,  building  and  physico‐chemical properties for the 3 contaminants) and fed  into the algorithms. Data were obtained from site measurements  and  literature.  The  PDF  in  algorithm’s  input were  propagated  into  an  output distribution of the predicted (soil and indoor) air concentration (probabilistic analysis), and allows an analysis of the contribution of each parameter to the variation (sensitivity analysis). The results are displayed as box‐and‐whisker plots displaying  the distribution of air concentrations, and sensitivity stacked  bar  charts  (ranking  of  parameters  according  to  the  correlation  between  parameter  and algorithm output). Algorithm parameters were adapted to site specific conditions where needed.  

The predicted concentrations were evaluated against observed air concentrations to determine the accuracy  of  each  algorithm, while  the  level  of  conservatism was  obtained  by  comparing  the  95 percentile  predicted  concentration  from  the  probabilistic  range  with  the  deterministic  predicted concentration.  The  analysis  results  in  a  ranking  of  algorithms  for  accuracy  and  conservatism  in predicting soil air and  indoor air concentrations, and thus determines their suitability for regulatory purposes.  

The  accuracy  and  conservatism  of  screening‐level  algorithms  is  objectified  by  calculating  the Maximum  relative Error  (ME), Root Mean  Squared Error  (RMSE)  and Coefficient of Residual Mass (CRM),  as  described  by  Loague  &  Green  (1991),  for  the  paired  predicted  and  observed  air concentrations. These criteria were applied  in Provoost et al.  (2008b, 2009, 2014), and also  in  this study, for inter‐algorithm comparison, and provided a ranking of the algorithms as to their accuracy. 

The box‐and‐whiskers plots  include  the  tolerable  concentration  in  air  as  a  reference  to  inhalation risks  of  indoor  air.  Tolerable  concentrations were  obtained  the World Health Organization  (WHO 1996, 2010). 

To be useful for a regulatory purpose screening‐level algorithms should be sufficiently conservative and may  result  in  few  false‐negative  predictions.  However,  they  should  not  be  too  conservative because then they might have insufficient discriminatory power (Provoost et al. 2009).  

3 ResultsThe box‐and‐whiskers plot  (Figure 1ab) display  the minimum, 25 percentile, median, 75 percentile and maximum  predicted  soil  or  indoor  air  concentration,  as  well  as  the  predicted  deterministic concentration () and, in the case of indoor air concentrations, the tolerable concentration in air () for the pertaining contaminant. Also for each of the contaminants the observed (measured) soil air and  indoor air concentrations are displayed to contrast with the predictions. The box‐and‐whiskers plots provide an insight in the spread (range of the values from the highest to the lowest value), and the midspread (range of middle 50% of the values) or also called inter‐quartile range. The location of 

 

 

the median line relative to the 25 and 75 quartiles indicates the amount of skewness or asymmetry in the data. 

DF SE: Dilution Factor algorithm from Sweden, DF NO: Dilution Factor algorithm from Norway, JEM: Johnson and Ettinger model, Vl-H: Vlier-Humaan, Obs: observed concentrations, Box plot: ▬ minimum, median or maximum concentration, box is 25 or 75 percentile concentration, deterministic concentration

Figure 1a. Box-and-whiskers plot for predicted and observed soil air concentrations by algorithm and contaminant

DF SE: Dilution Factor algorithm from Sweden, DF NO: Dilution Factor algorithm from Norway, JEM: Johnson and Ettinger model, Vl-H: Vlier-Humaan, Obs: observed concentrations, Box plot: ▬ minimum, median or maximum concentration, box is 25 or 75 percentile concentration, deterministic concentration, tolerable concentration in air

Figure 1b. Box-and-whiskers plot for predicted and observed indoor air concentrations by algorithm and contaminant

The sensitivity analysis allows for the ranking of dominant parameters to the variation  in predicted air concentrations. Parameters were grouped by physico‐chemical, soil or building parameters (Table 1ab) resulting in an overall contribution of the group to the total variation (Figure 2ab). 

 

 

 

DF  SE:  Dilution  Factor  algorithm  from  Sweden,  DF  NO:  Dilution  Factor  algorithm  from  Norway,  JEM: Johnson and Ettinger model, Vl‐H: Vlier‐Humaan 

Figure 2a: Stack bars of the percentage that physico-chemical and soil parameter values contribute to the variation in soil air concentrations by algorithm and contaminant

 

 

 

 

DF SE: Dilution Factor algorithm from Sweden, DF NO: Dilution Factor algorithm from Norway, JEM: Johnson and Ettinger model, Vl-H: Vlier-Humaan 

Figure 2b: Stack bars of the percentage that physico-chemical, soil and building parameter values contribute to the variation in indoor air concentrations by algorithm and contaminant

4 Discussion

4.1 SoilairSome of  the box‐and‐whiskers plots show a negative skewness  towards  the higher concentrations. With some exception the deterministically predicted concentrations are in the midspread of the box‐plot (figure 1a). 

The  deterministic  predicted  soil  air  concentrations  are  overall  higher  than  the median  observed concentrations  with  the  exception  of  VolaSoil  and  CSoil  for  benzene.  The  algorithms  that most frequently over‐predict  (less accurate) the observed soil air concentrations are the DF NO, VolaSoil and the DF SE algorithms, while the JEM, CSoil and Vl‐H have a higher accuracy. 

 

 

4.2 IndoorairIn general the box‐and‐whisker plots for predicted indoor air concentrations do not show a particular positive or negative skewness (figure 1b). For predicting the  indoor air concentrations JEM, DF NO, VolaSoil and Vl‐H seem to have a higher accuracy than DF SE and CSoil.   

The  comparison  shows  that  the  JEM  and  Vl‐H  are  the  more  conservative  algorithms  while maintaining  some  level accuracy  (slightly over‐predict). The DF NO and SE,  the VolaSoil, and CSoil algorithm  have  a  lower  accuracy  (mostly  over‐predict  when  compared  to  observations)  and conservatism. 

4.3 SensitivityanalysisThe sensitivity analysis allows for the ranking of dominant parameters to the variation  in predicted air concentrations. Parameters were grouped by physico‐chemical, soil or building parameters (Table 1ab) resulting in an overall contribution of the groups to the variation (Figure 2ab).  

Figure 2a shows that the soil air concentration for BE and EB are driven by the soil parameters and for  TCE  increasingly  by  the  physico‐chemical  parameters,  with  the  exception  of  JEM.  Table  1a provides details on what individual parameters contribute most to the soil air concentrations and for the  physical‐chemical  properties,  depending  on  the  algorithms  and  contaminant,  are:  the  organic carbon‐water  partitioning  coefficient,  octanol‐water  partition  coefficient,  Henry’s  coefficient, solubility  and  vapour  pressure.  For  soil  properties  the  dominant  parameters  were:  initial concentration and organic carbon fraction.  

Figure  2b  shows  that  the most  dominant  parameters  contributing  to  the  variation  in  indoor  air concentration are for BE and EB soil and building parameters and for TCE soil and physico‐chemical parameters.  Table  1b  reveals  that  for  the  physical‐chemical  properties  the  most  dominant parameters are, depends on the algorithms and contaminant considered: the organic carbon‐water partitioning coefficient, octanol‐water partition coefficient, Henry’s coefficient and solubility. For the soil properties the water and air filled porosity (correlated), air permeability, initial concentration and fraction organic carbon are dominant parameters. For  the building properties  the  intrusion  rate of pore air, soil‐building pressure differential and fraction air in concrete drive the variation.  

5 ConclusionsAccording to this study, the screening‐level algorithms that have a higher degree of conservatism for their default parameter set are the Johnson and Ettinger model (JEM), Dilution Factor algorithm from Sweden (DF SE 1996), Vlier‐Humaan and VolaSoil. From these 4 algorithms the JEM and VolaSoil have a relative high accuracy  (discriminative power). For the  latter  two algorithms different parameters, that are variable and uncertain, contribute to the variation  in  indoor air concentration. Differences between parameters that drive the variation were observed between the aromatic and chlorinated hydrocarbons.  

For  TCE,  the default  parameter  set of Vlier‐Humaan, CSoil  and DF  SE  1996  should be  adapted  to arrive  at  a  higher  deterministically  predicted  indoor  air  concentration when  a more  conservative approach  is  required. The deterministically predicted air concentrations  for BE and EB  seem  to be sufficiently conservative.  

It  is  shown  that  the  probabilistic  approach  allows  for  an  improved  insight  into  the  relative 

importance of parameters in the risk estimates. A probabilistic approach should be applied to more 

sites to confirm the findings of this study.  

Some  algorithms  are more  accurate,  but might produce  (frequently)  false negative predictions. A balance  between  accuracy  and  conservatism  need  to  be  sought  and  this  balance  determines  the suitability for site specific assessment and/or deriving of SSV. 

 

 

Given  the  above  two  algorithms  for  site  specific  risk  assessment  could  be  applied.  Some  of  the algorithms  are  more  accurate,  depending  on  contaminant  and  source  (groundwater/soil)  and  a “toolbox” with algorithms could be developed. For  the algorithms  in  the  toolbox  fixed parameters could  be  defined  that  can  be  standardized  (e.g.  physico‐chemical  parameters)  and  flexible parameters  for which  a  range  can  be  provided  (geographical  parameters  related  to  the  soil  and building).  

This paper contains content from Provoost et al. 2014. The full paper and data set (parameter values and PDF) can be downloaded from ResearchGate.net.  

6 ReferenceBrand E, Otte PF, Lijzen JPA (2007). CSOIL 2000: an exposure model for human risk assessment of soil contamination, RIVM report 711701054, http://www.rivm.nl/bibliotheek/rapporten/711701054.html  

Common Forum (2013). Towards an European research agenda for contaminated land management, Common Forum, note 2013.046, http://www.commonforum.eu 

DOH (2006). Guidance for evaluating soil vapor intrusion in the state of New York, New York State Department of Health ‐ DOH,  Center  for  Environmental  Health,  Bureau  of  Environmental  Exposure  Investigation,  New  York. http://www.health.ny.gov/environmental/investigations/soil gas/svi guidance/docs/svi main.pdf  

Johnson PC, Kemblowski MW, Johnson RL (1999). Assessing the significance of subsurface contaminant vapor migration to enclosed spaces: site‐specific alternatives to generic estimates, Journal of Soil Contamination, vol. 8, issue 3, pages 389‐421, http://openagricola.nal.usda.gov/Record/IND22015155 

Loague  KM,  Green  RE  (1991).  Statistical  and  graphical methods  for  evaluating  solute  transport models:  overview  and application, Journal of Contaminated Hydrology, vol. 7, pages 51–73, http://dx.doi.org/10.1016/0169‐7722(91)90038‐3 

McAlary  T,  Provoost  J, Dawson H,  Swartjes  F  (editor)  (2011).  Book  on Dealing with  Contaminated  Sites  ‐  From  Theory towards  Practical  Application,  chapter  10  –  Vapour  intrusion,  January  2011,  pages  409‐453,  Springer  Publishers, Netherlands, ISBN 978‐90‐481‐9756‐9, http://dx.doi.org/10.1007/978‐90‐481‐9757‐6 10 

OVAM (2004). Basisinformatie voor risico‐evaluatie, Deel 3‐H, Formularium Vlier‐Humaan, report, http://www.ovam.be 

Provoost J, Reijnders L, Swartjes F, Bronders J, Carlon C, D’Alessandro M, Cornelis C (2008a). Parameters causing variation between soil screening values and the effect of harmonization, Journal of Soils and Sediments, vol. 8,  issue 5, pages 298–311, http://dx.doi.org/10.1007/s11368‐008‐0026‐0 

Provoost J, Reijnders L, Swartjes F, Bronders J, Seuntjens P, Lijzen J (2008b). Accuracy of seven vapour intrusion algorithms for VOC in groundwater, Journal of Soils and Sediments – Protection, Risk Assessment, and Remediation, vol. 9, number 1, pages 62‐73, DOI: http://dx.doi.org/10.1007/s11368‐008‐0036‐y 

Provoost J, Bosman A, Reijnders L, Bronders J, Touchant K, Swartjes F (2009). Vapour intrusion from the vadose zone – seven algorithms  compared,  Journal  of  Soils  and  Sediments  –  Protection,  Risk  Assessment,  and  Remediation, http://dx.doi.org/10.1007/s11368‐009‐0127‐4 

Provoost J, Reijnders L, Bronders J (2013). Accuracy and conservatism of vapour intrusion algorithms for contaminated land management,  Journal  of  Environment  and  Pollution,  vol.  2,  no.  2,  Canadian  Center  of  Science  and  Education,  Toronto, Canada, ISSN 1927‐0909, E‐ISSN 1927‐0917, http://dx.doi.org/10.5539/ep.v2n2p71 

Provoost  J, Reijnders  L, Bronders  J, Van Keer  I, Govaerts S  (2014). Probabilistic Risk Assessment  for Six Vapour  Intrusion Algorithms, Journal of Environment and Pollution, vol. 3, No. 2, ISSN 1927‐0909 (print), ISSN 1927‐0917 (online), Canadian Center of Science and Education, Toronto, Canada, http://dx.doi.org/10.5539/ep.v3n2p1 

Provoost  J,  Tillman  FD,  Weaver  JW,  Reijnders  L,  Bronders  J,  Van  Keer  I,  Swartjes  F  (2010).  Book  on  Advances  in Environmental Research, volume 5, chapter 2 – Vapour Intrusion into Buildings ‐ A Literature Review, Daniels J.A. (Ed.), Nova Science  Publishers  Inc.,  New  York,  ISBN  978‐1‐61668‐744‐1, https://www.novapublishers.com/catalog/product info.php?products id=14005 

S‐EPA (1996). Development of Generic guidelines values, Model and data used for generic guideline values for contaminated soils in Sweden, Swedish Environmental Protection Agency, Report 4639  

SFT  (1999).  Guidelines  for  the  risk  assessment  of  contaminated  sites,  Norway,  report  99:06, http://www.miljodirektoratet.no/old/klif/publikasjoner/andre/1691/ta1691.pdf 

Swartjes  FA  (2007).  Insight  into  the  variation  in  calculated  human  exposure  to  soil  contaminants  using  seven  different European  models,  Integrated  Environmental  Assessment  and  Management,  vol.  3,  issue  3,  pages  322‐332, http://dx.doi.org/10.1002/ieam.5630030303 

 

 

Van  Belle  G  (2008).  Statistical  rules  of  thumb,  Wiley  Series  in  Probability  and  Statistics  Wiley,  pp.  99‐100,  ISBN‐13: 9780470144480, http://dx.doi.org/10.1002/9780470377963 

Waitz  MFW,  Freijer  JI,  Kreule  P,  Swartjes  FA  (1996).  The  VOLASOIL  risk  assessment  model  based  on  CSOIL  for  soils contaminated  with  volatile  compounds,  RIVM  report  715810014, http://www.rivm.nl/bibliotheek/rapporten/715810014.pdf 

WHO  (1996).  Environmental  Health  Criteria  186,  Ethylbenzene,  ISBN  9241571861,  retrieved  from http://apps.who.int/bookorders/anglais/detart1.jsp?codlan=1&codcol=16&codcch=186 

WHO  (2010).  WHO  Guidelines  for  indoor  air  quality,  ISBN  9789289002134,  retrieved  from http://www.who.int/indoorair/publications/9789289002134/en/