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

Sous l'étendue de béton et d'acier des décharges modernes se cache un système de défense discret mais crucial, conçu pour protéger les eaux souterraines dont dépendent les communautés. Cette barrière n'est pas un mur unique, mais un « sandwich » de couches de matériaux, commençant généralement par une épaisse feuille de plastique, suivie d'une couche d'argile compactée, et enfin d'un lit profond de terre. Sa mission est simple en concept, mais complexe en réalité : capturer les liquides toxiques, appelés lixiviats, qui s'infiltrent de la décomposition des déchets et les empêcher d'empoisonner la terre en dessous. À mesure que ce liquide descend, il transporte des produits chimiques dissous qui peuvent être nocifs. Avec le temps, les couches de sol et d'argile agissent comme un filtre, ralentissant le mouvement de ces substances chimiques par un processus appelé diffusion, où les particules se propagent des zones de haute concentration vers les zones de basse concentration. Dans de nombreux cas, les bactéries naturelles présentes dans le sol décomposent également les polluants organiques, « mangeant » ainsi les contaminants et réduisant leur dangerosité. Cependant, prédire exactement la vitesse à laquelle ces produits chimiques voyageront, et si la barrière tiendra sur des décennies, constitue un défi mathématique difficile. Les couches possèdent des épaisseurs et des propriétés différentes, et la vitesse à laquelle le liquide se déplace dépend de la pression qui le pousse depuis le haut. Si la pression est trop élevée, les produits chimiques pourraient passer rapidement à travers avant que le sol n'ait la chance de les nettoyer.

Pour résoudre cette énigme, une équipe de chercheurs a développé une nouvelle façon de modéliser ces voyages souterrains en utilisant un type d'intelligence artificielle appelé réseau de neurones informés par la physique. Au lieu de s'appuyer uniquement sur les simulations informatiques traditionnelles qui découpent le sol en une grille de petites boîtes, cette nouvelle approche enseigne à un programme informatique les lois fondamentales de la physique — comment les fluides se déplacent, comment ils se propagent et comment ils se décomposent — puis laisse le programme apprendre le comportement spécifique du revêtement de la décharge. Les chercheurs se sont concentrés sur un type spécifique de barrière composé d'une fine couche d'argile géosynthétique posée sur une couche de sol beaucoup plus épaisse. Ils ont testé deux versions de leur modèle d'IA. La première version, une approche standard, demandait à l'ordinateur de deviner la solution, puis le corrigeait doucement chaque fois qu'il violait les lois de la physique. La seconde version, un modèle à « contraintes fortes », intégrait les règles directement dans le processus de pensée de l'ordinateur, le forçant à respecter les conditions initiales et les limites du système dès la première étape.

Les résultats de cette étude montrent que le modèle à contraintes fortes est nettement meilleur pour prédire l'avenir de ces contaminants. Lorsque les chercheurs ont simulé le mouvement d'un produit chimique organique courant, le benzène, à travers le système de revêtement sous diverses conditions, le modèle standard a éprouvé des difficultés, particulièrement lorsque la pression du liquide au-dessus de la barrière était élevée. Dans ces scénarios de haute pression, le modèle standard a commis des erreurs près de dix fois plus grandes que celles de la version à contraintes fortes. Le modèle amélioré a réussi à capturer les changements brusques et rapides de concentration qui se produisent lorsque les contaminants sont poussés rapidement à travers le sol, une situation où l'ancienne méthode trébuchait souvent. Les chercheurs ont constaté que la meilleure performance était obtenue lorsque l'ordinateur utilisait une fonction mathématique spécifique, connue sous le nom de tangente hyperbolique, pour lisser ses calculs, et lorsque le réseau était construit avec un nombre spécifique de couches et de connexions. Un nombre de couches trop faible laissait le modèle incapable de saisir la complexité du flux, tandis qu'un nombre trop élevé n'apportait aucun avantage supplémentaire et rendait les calculs plus difficiles à terminer.

Au-delà de la simple prédiction de la trajectoire des produits chimiques, les chercheurs ont également testé si leur modèle pouvait fonctionner à l'envers. Dans le monde réel, les scientifiques disposent souvent de données très limitées ; ils peuvent ne connaître la concentration d'un produit chimique qu'en quelques points spécifiques du sol à quelques moments précis. L'objectif était de voir si l'IA pouvait, à partir de ces indices épars, déterminer la vitesse à laquelle le sol décompose naturellement le contaminant. Le modèle à contraintes fortes s'est avéré capable de cette tâche. Lorsqu'on lui a fourni des données issues d'une simulation où le produit chimique mettait dix ans à perdre la moitié de sa force, le modèle a correctement identifié ce délai. Il a été tout aussi performant lorsque la décomposition prenait trente ou même cent ans. L'étude a également testé la résilience du modèle face à des données bruitées, simulant le type d'erreurs de mesure qui surviennent lors des contrôles en conditions réelles. Le modèle est resté fiable lorsque les données contenaient de faibles quantités de bruit, mais sa précision a commencé à chuter lorsque les erreurs devenaient très importantes, suggérant que bien que l'outil soit puissant, il a toujours besoin de données relativement propres pour fonctionner de manière optimale.

Cette recherche offre un outil plus précis et plus efficace pour les ingénieurs concevant les revêtements de décharge. En prédisant avec précision combien de temps une barrière durera et comment les contaminants se comporteront sous différentes pressions, les communautés peuvent construire des décharges plus sûres afin de protéger les eaux souterraines pour les générations à venir. L'étude confirme que l'intégration des lois physiques directement dans le processus d'apprentissage de l'intelligence artificielle crée un prédicteur plus robuste et plus précis que les méthodes qui traitent ces lois comme des suggestions optionnelles. Bien que le travail actuel se soit concentré sur des couches unidimensionnelles idéalisées, le succès de cette approche suggère une voie à suivre pour s'attaquer à des scénarios réels encore plus complexes, où les propriétés du sol varient et où les produits chimiques interagissent de manière compliquée. Ces conclusions constituent une base solide pour l'utilisation de l'informatique avancée afin de garantir que les barrières invisibles sous nos pieds restent efficaces longtemps après la fermeture des décharges.