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

Bajo la extensa estructura de hormigón y acero de los vertederos modernos se encuentra un sistema de defensa silencioso y crítico, diseñado para proteger las aguas subterráneas de las que dependen las comunidades. Esta barrera no es un muro único, sino un sándwich de capas de materiales, que típicamente comienza con una gruesa lámina de plástico, seguida de una capa compactada de arcilla y, finalmente, un lecho profundo de suelo. Su función es sencilla en concepto pero compleja en la realidad: capturar líquidos tóxicos, conocidos como lixiviados, que se filtran de la basura en descomposición y evitar que envenenen la tierra debajo. A medida que este líquido se desplaza hacia abajo, transporta productos químicos disueltos que pueden ser perjudiciales. Con el tiempo, las capas de suelo y arcilla actúan como un filtro, ralentizando el movimiento de estos químicos mediante un proceso llamado difusión, donde las partículas se propagan desde áreas de alta concentración hacia áreas de baja concentración. En muchos casos, las bacterias naturales dentro del suelo también descomponen los contaminantes orgánicos, "comiéndose" eficazmente los contaminantes y reduciendo su peligro. Sin embargo, predecir exactamente qué tan rápido viajarán estos químicos, y si la barrera se mantendrá firme durante décadas, es un desafío matemático difícil. Las capas tienen diferentes espesores y propiedades, y la velocidad a la que se mueve el líquido depende de cuánta presión lo empuja desde arriba. Si la presión es demasiado alta, los químicos podrían pasar rápidamente antes de que el suelo tenga la oportunidad de limpiarlos.

Para resolver este rompecabezas, un equipo de investigadores ha desarrollado una nueva forma de modelar estos viajes subterráneos utilizando un tipo de inteligencia artificial llamada red neuronal informada por la física. En lugar de depender únicamente de las simulaciones computacionales tradicionales que dividen el suelo en una cuadrícula de pequeñas cajas, este nuevo enfoque enseña a un programa de computadora las leyes fundamentales de la física —cómo se mueven los fluidos, cómo se propagan y cómo se descomponen— y luego permite que el programa aprenda el comportamiento específico del revestimiento del vertedero. Los investigadores se centraron en un tipo específico de barrera compuesta por un revestimiento de arcilla geosintético delgado situado sobre un revestimiento de suelo mucho más grueso. Probaron dos versiones diferentes de su modelo de IA. La primera versión, un enfoque estándar, pedía a la computadora que adivinara la solución y luego la corregía suavemente cada vez que violaba las leyes de la física. La segunda versión, un modelo de "restricción estricta" (hard-constrained), integró las reglas directamente en el proceso de pensamiento de la computadora, obligándola a obedecer las condiciones iniciales y los límites del sistema desde el primer paso.

Los resultados de este estudio muestran que el modelo de restricción estricta es significativamente mejor para predecir el futuro de estos contaminantes. Cuando los investigadores simularon el movimiento de un químico orgánico común, el benceno, a través del sistema de revestimiento bajo diversas condiciones, el modelo estándar tuvo dificultades, particularmente cuando la presión del líquido sobre la barrera era alta. En esos escenarios de alta presión, el modelo estándar cometió errores casi diez veces mayores que los cometidos por la versión de restricción estricta. El modelo mejorado capturó con éxito los cambios rápidos y bruscos en la concentración que ocurren cuando los contaminantes son empujados rápidamente a través del suelo, una situación en la que el método anterior solía fallar. Los investigadores encontraron que el mejor rendimiento se produjo cuando la computadora utilizó una función matemática específica, conocida como tangente hiperbólica, para suavizar sus cálculos, y cuando la red se construyó con un número específico de capas y conexiones. Demasiadas pocas capas dejaban al modelo incapaz de comprender la complejidad del flujo, mientras que demasiadas capas no ofrecían ningún beneficio adicional y hacían que los cálculos fueran más difíciles de finalizar.

Más allá de simplemente predecir hacia dónde irían los químicos, los investigadores también probaron si su modelo podía trabajar hacia atrás. En el mundo real, los científicos a menudo cuentan con datos muy limitados; es posible que solo conozcan la concentración de un químico en unos pocos puntos específicos en el suelo en algunos momentos específicos. El objetivo era ver si la IA podía observar estas pistas dispersas y determinar qué tan rápido el suelo estaba descomponiendo naturalmente el contaminante. El modelo de restricción estricta demostró ser capaz de realizar esta tarea. Cuando se le proporcionaron datos de una simulación donde el químico tardaba diez años en perder la mitad de su fuerza, el modelo identificó correctamente ese periodo de tiempo. Funcionó igual de bien cuando la descomposición tardaba treinta o incluso cien años. El estudio también probó la resiliencia del modelo frente a datos con ruido, simulando el tipo de errores de medición que ocurren en el monitoreo del mundo real. El modelo se mantuvo confiable cuando los datos contenían pequeñas cantidades de ruido, pero su precisión comenzó a disminuir cuando los errores se volvieron muy grandes, lo que sugiere que, aunque la herramienta es poderosa, todavía necesita datos razonablemente limpios para funcionar de la mejor manera.

Esta investigación ofrece una herramienta más precisa y eficiente para los ingenieros que diseñan revestimientos de vertederos. Al predecir con precisión cuánto durará una barrera y cómo se comportarán los contaminantes bajo diferentes presiones, las comunidades pueden construir vertederos más seguros que protejan las aguas subterráneas durante generaciones. El estudio confirma que integrar las leyes físicas directamente en el proceso de aprendizaje de la inteligencia artificial crea un predictor más robusto y preciso que los métodos que tratan esas leyes como sugerencias opcionales. Aunque el trabajo actual se centró en capas unidimensionales idealizadas, el éxito de este enfoque sugiere un camino a seguir para abordar escenarios del mundo real aún más complejos, donde las propiedades del suelo varían y los químicos interactúan de maneras complicadas. Los hallazgos proporcionan una base sólida para el uso de la computación avanzada para asegurar que las barreras invisibles bajo nuestros pies sigan siendo efectivas mucho después de que los vertederos arriba de ellas hayan sido cerrados.