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

आधुनिक लैंडफिल के विशाल कंक्रीट और स्टील के नीचे एक शांत, महत्वपूर्ण रक्षा प्रणाली मौजूद है, जिसे उस भूजल की रक्षा के लिए डिज़ाइन किया गया है जिस पर समुदाय निर्भर करते हैं। यह अवरोध कोई एक अकेली दीवार नहीं है, बल्कि सामग्रियों की एक परतदार सैंडविच है, जो आमतौर पर प्लास्टिक की एक मोटी शीट से शुरू होती है और उसके बाद मिट्टी (क्ले) की एक संकुचित परत, और अंत में, मिट्टी की एक गहरी परत से बनी होती है। इसका काम अवधारणा में सरल लेकिन वास्तविकता में जटिल है: यह जहरीले तरल पदार्थों को पकड़ना है, जिन्हें 'लीचेट' (leachate) कहा जाता है, जो सड़ते हुए कचरे से रिसते हैं और उन्हें नीचे की धरती को प्रदूषित करने से रोकना है। जैसे-जैसे यह तरल नीचे की ओर बढ़ता है, यह घुले हुए रसायनों को अपने साथ ले जाता है जो हानिकारक हो सकते हैं। समय के साथ, मिट्टी और क्ले की परतें एक फिल्टर के रूप में कार्य करती हैं, जो 'डिफ्यूजन' (diffusion) नामक प्रक्रिया के माध्यम से रसायनों की गति को धीमा कर देती हैं, जहाँ कण उच्च सांद्रता वाले क्षेत्रों से निम्न सांद्रता वाले क्षेत्रों की ओर फैलते हैं। कई मामलों में, मिट्टी के भीतर प्राकृतिक बैक्टीरिया भी कार्बनिक प्रदूषकों को तोड़ देते हैं, प्रभावी रूप से प्रदूषकों को 'खाकर' उनके खतरे को कम कर देते हैं। हालाँकि, यह सटीक भविष्यवाणी करना कि ये रसायन कितनी तेजी से यात्रा करेंगे, और क्या यह अवरोध दशकों तक बना रहेगा, एक कठिन गणितीय चुनौती है। इन परतों की मोटाई और गुण अलग-अलग होते हैं, और तरल के बहने की गति इस बात पर निर्भर करती है कि ऊपर से कितना दबाव उसे धकेल रहा है। यदि दबाव बहुत अधिक है, तो रसायन मिट्टी के उन्हें साफ करने के अवसर से पहले ही तेजी से निकल सकते हैं।

इस पहेली को सुलझाने के लिए, शोधकर्ताओं की एक टीम ने 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' (physics-informed neural network) नामक आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग करके इन भूमिगत यात्राओं को मॉडल करने का एक नया तरीका विकसित किया है। केवल पारंपरिक कंप्यूटर सिमुलेशन पर निर्भर रहने के बजाय, जो मिट्टी को छोटे बक्सों के ग्रिड में विभाजित करते हैं, यह नया दृष्टिकोण कंप्यूटर प्रोग्राम को भौतिकी के मौलिक नियमों—तरल पदार्थ कैसे चलते हैं, वे कैसे फैलते हैं, और वे कैसे क्षय होते हैं—को सिखाता है, और फिर प्रोग्राम को लैंडफिल लाइनर के विशिष्ट व्यवहार को सीखने देता है। शोधकर्ताओं ने एक विशिष्ट प्रकार के अवरोध पर ध्यान केंद्रित किया जो एक बहुत मोटी मृदा परत (soil liner) के ऊपर स्थित एक पतली जियोसिंथेटिक क्ले लाइनर है। उन्होंने अपने एआई मॉडल के दो अलग-अलग संस्करणों का परीक्षण किया। पहले संस्करण में, जो एक मानक दृष्टिकोण है, कंप्यूटर से समाधान का अनुमान लगाने के लिए कहा गया और फिर जब भी इसने भौतिकी के नियमों का उल्लंघन किया, तो इसे धीरे से सुधारा गया। दूसरे संस्करण में, जो एक "हार्ड-कंस्ट्रेंड" (hard-constrained) मॉडल है, नियमों को कंप्यूटर की सोचने की प्रक्रिया में सीधे शामिल किया गया, जिससे वह शुरुआती स्थितियों और सिस्टम की सीमाओं का पालन करने के लिए बाध्य हुआ।

इस अध्ययन के परिणाम दर्शाते हैं कि 'हार्ड-कंस्ट्रेंड' मॉडल इन प्रदूषकों के भविष्य की भविष्यवाणी करने में काफी बेहतर है। जब शोधकर्ताओं ने विभिन्न स्थितियों के तहत एक सामान्य लाइनर सिस्टम के माध्यम से एक सामान्य कार्बनिक रसायन, बेंजीन (benzene) की गति का अनुकरण किया, तो मानक मॉडल संघर्ष करता दिखा, विशेष रूप से तब जब अवरोध के ऊपर तरल का दबाव अधिक था। उन उच्च-दबाव वाली स्थितियों में, मानक मॉडल ने 'हार्ड-कंस्ट्रेंड' संस्करण की तुलना में लगभग दस गुना अधिक त्रुटियां कीं। बेहतर मॉडल ने सांद्रता के उन तीव्र और तीव्र परिवर्तनों को सफलतापूर्वक पकड़ा जो मिट्टी के माध्यम से तेजी से धक्का दिए जाने पर होते हैं, ऐसी स्थिति जहाँ पुराना तरीका अक्सर लड़खड़ा जाता था। शोधकर्ताओं ने पाया कि सर्वश्रेष्ठ प्रदर्शन तब आया जब कंप्यूटर ने अपनी गणनाओं को सुचारू बनाने के लिए एक विशिष्ट गणितीय फलन (function) का उपयोग किया, जिसे 'हाइपरबोलिक टेंगेंट' (hyperbolic tangent) कहा जाता है, और जब नेटवर्क को विशिष्ट संख्या में परतों और कनेक्शनों के साथ बनाया गया। बहुत कम परतें मॉडल को प्रवाह की जटिलता को समझने में असमर्थ छोड़ देती थीं, जबकि बहुत अधिक परतें कोई अतिरिक्त लाभ नहीं देती थीं और गणना को पूरा करना कठिन बना देती थीं।

केवल यह भविष्यवाणी करने के अलावा कि रसायन कहाँ जाएंगे, शोधकर्ताओं ने यह भी परीक्षण किया कि क्या उनका मॉडल उल्टा (backward) काम कर सकता है। वास्तविक दुनिया में, वैज्ञानिकों के पास अक्सर बहुत सीमित डेटा होता है; उनके पास केवल कुछ विशिष्ट बिंदुओं पर और कुछ विशिष्ट समय पर मिट्टी में रसायन की सांद्रता का ज्ञान हो सकता है। लक्ष्य यह देखना था कि क्या एआई इन विरल संकेतों को देखकर यह पता लगा सकता है कि मिट्टी स्वाभाविक रूप से प्रदूषक को कितनी तेजी से तोड़ रही है। 'हार्ड-कंस्ट्रेंड' मॉडल इस कार्य को करने में सक्षम सिद्ध हुआ। जब इसे एक ऐसे सिमुलेशन का डेटा दिया गया जहाँ रसायन को अपनी आधी शक्ति खोने में दस साल लगे, तो मॉडल ने सही ढंग से उस समय सीमा की पहचान की। इसने उतना ही अच्छा प्रदर्शन किया जब ब्रेकडाउन (breakdown) में तीस या यहाँ तक कि सौ साल लगे। अध्ययन ने मॉडल की 'नॉइज़ी डेटा' (noisy data) के प्रति लचीलेपन का भी परीक्षण किया, जो वास्तविक दुनिया की निगरानी में होने वाली माप त्रुटियों का अनुकरण करता है। मॉडल विश्वसनीय बना रहा जब डेटा में छोटी मात्रा में शोर (noise) था, लेकिन इसकी सटीकता तब घटने लगी जब त्रुटियां बहुत बड़ी हो गईं, जिससे पता चलता है कि हालांकि यह उपकरण शक्तिशाली है, फिर भी इसे सर्वोत्तम कार्य करने के लिए पर्याप्त रूप से स्वच्छ डेटा की आवश्यकता होती है।

यह शोध इंजीनियरों के लिए लैंडफिल लाइनर डिजाइन करने हेतु एक अधिक सटीक और कुशल उपकरण प्रदान करता है। यह सटीक भविष्यवाणी करके कि एक अवरोध कितने समय तक चलेगा और विभिन्न दबावों के तहत प्रदूषक कैसे व्यवहार करेंगे, समुदाय पीढ़ियों के लिए भूजल की सुरक्षा सुनिश्चित करने वाले सुरक्षित लैंडफिल बना सकते हैं। अध्ययन इस बात की पुष्टि करता है कि आर्टिफिशियल इंटेलिजेंस की सीखने की प्रक्रिया में भौतिक नियमों को सीधे शामिल करने से एक अधिक मजबूत और सटीक भविष्यवक्ता बनता है, बजाय उन तरीकों के जो उन नियमों को वैकल्पिक सुझावों के रूप में देखते हैं। वर्तमान कार्य आदर्श, एक-आयामी (one-dimensional) परतों पर केंद्रित था, लेकिन इस दृष्टिकोण की सफलता और भी जटिल, वास्तविक दुनिया के परिदृश्यों को हल करने के लिए एक मार्ग सुझाती है जहाँ मिट्टी के गुण भिन्न होते हैं और रसायन जटिल तरीकों से परस्पर क्रिया करते हैं। ये निष्कर्ष उन्नत कंप्यूटिंग का उपयोग करके यह सुनिश्चित करने के लिए एक मजबूत आधार प्रदान करते हैं कि हमारे पैरों के नीचे की अदृश्य बाधाएं लैंडफिल के बंद होने के लंबे समय बाद भी प्रभावी बनी रहें।