Physics-Informed Neural Network Modeling of Biodegradable Contaminant Transport through GCL/SL Composite Liners

Unter dem weitläufigen Beton und Stahl moderner Deponien liegt ein stilles, kritisches Verteidigungssystem, das darauf ausgelegt ist, das Grundwasser zu schützen, auf das Gemeinschaften angewiesen sind. Diese Barriere ist keine einzelne Wand, sondern ein geschichtetes Sandwich aus Materialien, das typischerweise mit einer dicken Kunststofffolge beginnt, gefolgt von einer verdichteten Tonschicht und schließlich einem tiefen Bett aus Erde. Ihre Aufgabe ist konzeptionell einfach, aber in der Realität komplex: Sie soll toxische Flüssigkeiten, bekannt als Sickerwasser (Leachat), auffangen, die aus zersetzendem Abfall sickern, und verhindern, dass sie die Erde darunter vergiften. Während sich diese Flüssigkeit nach unten bewegt, transportiert sie gelöste Chemikalien, die schädlich sein können. Im Laufe der Zeit wirken die Boden- und Tonschichten als Filter, die die Bewegung dieser Chemikalien durch einen Prozess namens Diffusion verlangsamen, bei dem sich Partikel von Gebieten hoher Konzentration zu Gebieten niedriger Konzentration ausbreiten. In vielen Fällen bauen auch natürliche Bakterien im Boden organische Schadstoffe ab, indem sie die Kontaminanten effektiv „auffressen“ und deren Gefährlichkeit reduzieren. Die genaue Vorhersage, wie schnell diese Chemikalien reisen werden und ob die Barriere über Jahrzehnte hinweg standhalten wird, ist jedoch eine schwierige mathematische Herausforderung. Die Schichten haben unterschiedliche Dicken und Eigenschaften, und die Geschwindigkeit, mit der sich die Flüssigkeit bewegt, hängt davon ab, wie viel Druck von oben darauf drückt. Wenn der Druck zu hoch ist, könnten die Chemikalien hindurchstürmen, bevor der Boden die Chance hat, sie zu reinigen.

Um dieses Rätsel zu lösen, hat ein Forschungsteam einen neuen Weg entwickelt, um diese unterirdischen Reisen mithilfe einer Art künstlicher Intelligenz zu modellieren, die als physikinformiertes neuronales Netzwerk bezeichnet wird. Anstatt sich ausschließlich auf traditionelle Computersimulationen zu verlassen, die den Boden in ein Gitter aus winzigen Kästchen unterteilen, lehrt dieser neue Ansatz einem Computerprogramm die grundlegenden Gesetze der Physik – wie Flüssigkeiten fließen, wie sie sich ausbreiten und wie sie zerfallen – und lässt das Programm dann das spezifische Verhalten der Deponieauskleidung erlernen. Die Forscher konzentrierten sich auf eine spezifische Art von Barriere, die aus einer dünnen geosynthetischen Tonschicht besteht, die auf einer viel dickeren Bodenschicht liegt. Sie testeten zwei verschiedene Versionen ihres KI-Modells. Die erste Version, ein Standardansatz, bat den Computer, die Lösung zu erraten, und korrigierte ihn sanft, wann immer er gegen die Gesetze der Physik verstieß. Die zweite Version, ein „hart beschränktes“ Modell, baute die Regeln direkt in den Denkprozess des Computers ein und zwang ihn dazu, die Anfangsbedingungen und die Grenzen des Systems von Beginn an einzuhalten.

Die Ergebnisse dieser Studie zeigen, dass das hart beschränkte Modell deutlich besser darin ist, die Zukunft dieser Kontaminanten vorherzusagen. Als die Forscher die Bewegung eines gängigen organischen Chemikals, Benzol, durch das Linersystem unter verschiedenen Bedingungen simulierten, hatte das Standardmodell Schwierigkeiten, insbesondere wenn der Druck der Flüssigkeit über der Barriere hoch war. In diesen Hochdruckszenarien waren die Fehler des Standardmodells fast zehnmal größer als die des hart beschränkten Modells. Das verbesserte Modell erfasste erfolgreich die scharfen, schnellen Konzentrationsänderungen, die auftreten, wenn Kontaminanten schnell durch den Boden gedrückt werden – eine Situation, mit der die ältere Methode oft zu kämpfen hatte. Die Forscher fanden heraus, dass die beste Leistung erzielt wurde, wenn der Computer eine spezifische mathematische Funktion, bekannt als hyperbolischer Tangens, verwendete, um seine Berechnungen zu glätten, und wenn das Netzwerk mit einer spezifischen Anzahl von Schichten und Verbindungen aufgebaut war. Zu wenige Schichten ließen das Modell nicht in der Lage sein, die Komplexität des Flusses zu erfassen, während zu viele Schichten keinen zusätzlichen Nutzen brachten und die Berechnungen erschwerten.

Über die bloße Vorhersage, wohin die Chemikalien wandern würden, hinaus, testeten die Forscher auch, ob ihr Modell rückwärts arbeiten könnte. In der realen Welt verfügen Wissenschaftler oft über sehr begrenzte Daten; sie wissen vielleicht nur die Konzentration eines Chemikals an einigen wenigen spezifischen Punkten im Boden zu einigen spezifischen Zeiten. Das Ziel war es zu sehen, ob die KI aus diesen spärlichen Hinweisen ableiten kann, wie schnell der Boden den Schadstoff natürlich abbaut. Das hart beschränkte Modell erwies sich als fähig zu dieser Aufgabe. Wenn es mit Daten aus einer Simulation gefüttert wurde, in der das Chemikalical zehn Jahre brauchte, um die Hälfte seiner Stärke zu verlieren, identifizierte das Modell diesen Zeitraum korrekt. Es funktionierte ebenso gut, wenn der Abbau dreißig oder sogar einhundert Jahre dauerte. Die Studie testete auch die Resilienz des Modells gegenüber verrauschten Daten, wobei sie die Arten von Messfehlern simulierte, die bei realen Überwachungen auftreten. Das Modell blieb zuverlässig, wenn die Daten kleine Mengen an Rauschen enthielten, aber seine Genauigkeit sank, wenn die Fehler sehr groß wurden, was darauf hindeutet, dass das Werkzeug zwar leistungsstark ist, aber dennoch einigermaßen saubere Daten benötigt, um seine beste Arbeit zu leisten.

Diese Forschung bietet ein präziseres und effizienteres Werkzeug für Ingenieure, die Deponieauskleidungen entwerfen. Durch die genaue Vorhersage, wie lange eine Barriere halten wird und wie sich Kontaminanten unter verschiedenen Drücken verhalten, können Gemeinschaften sicherere Deponien bauen, die das Grundwasser über Generationen hinweg schützen. Die Studie bestätigt, dass die Einbettung physikalischer Gesetze direkt in den Lernprozess künstlicher Intelligenz einen robusteren und genaueren Prädiktor schafft als Methoden, die diese Gesetze als optionale Vorschläge behandeln. Obwohl die aktuelle Arbeit auf idealisierten, eindimensionalen Schichten basierte, deutet der Erfolg dieses Ansatzes auf einen Weg hin, um selbst komplexere, reale Szenarien anzugehen, in denen Bodeneigenschaften variieren und Chemikalien auf komplizierte Weise interagieren. Die Ergebnisse bieten eine starke Grundlage für den Einsatz fortschrittlicher Computertechnik, um sicherzustellen, dass die unsichtbaren Barrieren unter unseren Füßen noch lange nach der Schließung der darüber liegenden Deponien wirksam bleiben.