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

Sotto la vasta distesa di cemento e acciaio delle moderne discariche si trova un sistema di difesa silenzioso e critico, progettato per proteggere le acque sotterranee di cui dipendono le comunità. Questa barriera non è un singolo muro, ma un "sandwich" stratificato di materiali, che tipicamente inizia con un thick foglio di plastica, seguito da uno strato compattato di argilla e, infine, da un profondo letto di terreno. Il suo compito è semplice nel concetto ma complesso nella realtà: catturare i liquidi tossici, noti come percolato, che filtrano dai rifiuti in decomposizione e impedire loro di avvelenare la terra sottostante. Mentre questo liquido scende verso il basso, trasporta sostanze chimiche disciolte che possono essere nocive. Con il tempo, gli strati di suolo e argilla agiscono come un filtro, rallentando il movimento di queste sostanze chimiche attraverso un processo chiamato diffusione, in cui le particelle si diffondono da aree ad alta concentrazione verso aree a bassa concentrazione. In molti casi, anche i batteri naturali presenti nel terreno degradano gli inquinanti organici, "mangiando" efficacemente i contaminanti e riducendo il loro pericolo. Tuttavia, prevedere esattamente quanto velocemente questi prodotti chimici viaggeranno, e se la barriera resisterà per decenni, è una sfida matematica difficile. Gli strati hanno spessori e proprietà differenti, e la velocità con cui il liquido si muove dipende da quanta pressione lo spinge dall'alto. Se la pressione è troppo alta, i prodotti chimici potrebbero scorrere rapidamente attraverso il terreno prima che questo abbia la possibilità di purificarli.

Per risolvere questo enigma, un team di ricercatori ha sviluppato un nuovo modo per modellare questi viaggi sotterranei utilizzando un tipo di intelligenza artificiale chiamata rete neurale informata dalla fisica (physics-informed neural network). Invece di affidarsi esclusivamente alle simulazioni informatiche tradizionali che suddividono il terreno in una griglia di minuscole caselle, questo nuovo approccio insegna a un programma per computer le leggi fondamentali della fisica — come i fluidi si muovono, come si diffondono e come decadono — e poi permette al programma di apprendere il comportamento specifico del rivestimento della discarica. I ricercatori si sono concentrati su un tipo specifico di barriera composta da un sottile rivestimento in argilla geosintetica posto sopra un rivestimento di terreno molto più spesso. Hanno testato due diverse versioni del loro modello di IA. La prima versione, un approccio standard, chiedeva al computer di indovinare la soluzione e poi lo correggeva delicatamente ogni volta che violava le leggi della fisica. La seconda versione, un modello a "vincoli rigidi" (hard-constrained), integrava le regole direttamente nel processo di pensiero del computer, costringendolo a rispettare le condizioni iniziali e i confini del sistema fin dal primo passaggio.

I risultati di questo studio dimostrano che il modello a vincoli rigidi è significativamente migliore nel prevedere il futuro di questi contaminanti. Quando i ricercatori hanno simulato il movimento di un comune composto organico, il benzene, attraverso il sistema di rivestimento sotto varie condizioni, il modello standard ha incontrato difficoltà, in particolare quando la pressione del liquido sopra la barriera era elevata. In questi scenari ad alta pressione, il modello standard ha commesso errori quasi dieci volte superiori a quelli del modello a vincoli rigidi. Il modello migliorato è riuscito a catturare i cambiamenti rapidi e netti nella concentrazione che si verificano quando i contaminanti vengono spinti velocemente attraverso il terreno, una situazione in cui il metodo precedente spesso inciampava. I ricercatori hanno scoperto che la prestazione migliore si otteneva quando il computer utilizzava una specifica funzione matematica, nota come tangente iperbolica, per rendere fluidi i propri calcoli, e quando la rete era costruita con un numero specifico di strati e connessioni. Troppi pochi strati lasciavano il modello incapace di comprendere la complessità del flusso, mentre troppi strati non offrivano alcun vantaggio aggiuntivo e rendevano i calcoli più difficili da completare.

Oltre a prevedere semplicemente dove andrebbero i prodotti chimici, i ricercatori hanno anche testato se il loro modello potesse lavorare a ritroso. Nel mondo reale, gli scienziati spesso dispongono di dati molto limitati; potrebbero conoscere la concentrazione di una sostanza chimica solo in alcuni punti specifici nel terreno in alcuni momenti specifici. L'obiettivo era vedere se l'IA fosse in grado di osservare questi indizi scarsi e capire quanto velocemente il terreno stesse naturalmente degradando il contaminante. Il modello a vincoli rigidi si è dimostrato capace di questo compito. Quando riceveva dati da una simulazione in cui la sostanza chimica impiegava dieci anni per perdere metà della sua forza, il modello identificava correttamente tale intervallo temporale. Funzionava altrettanto bene quando la degradazione richiedeva trenta o persino cento anni. Lo studio ha anche testato la resilienza del modello contro i dati rumorosi, simulando il tipo di errori di misurazione che si verificano nel monitoraggio reale. Il modello è rimasto affidabile quando i dati contenevano piccole quantità di rumore, ma la sua precisione ha iniziato a diminuire quando gli errori diventavano molto grandi, suggerendo che, sebbene lo strumento sia potente, necessita ancora di dati ragionevolmente puliti per funzionare al meglio.

Questa ricerca offre uno strumento più preciso ed efficiente per gli ingegneri che progettano i rivestimenti delle discariche. Prevedendo accuratamente quanto durerà una barriera e come si comporteranno i contaminanti sotto diverse pressioni, le comunità possono costruire discariche più sicure che proteggano le acque sotterranee per generazioni. Lo studio conferma che integrare le leggi fisiche direttamente nel processo di apprendimento dell'intelligenza artificiale crea un predittore più robusto e accurato rispetto ai metodi che trattano quelle leggi come suggerimenti opzionali. Sebbene il lavoro attuale si sia concentrato su strati idealizzati monodimensionali, il successo di questo approccio suggerisce una strada da seguire per affrontare scenari reali ancora più complessi, dove le proprietà del suolo variano e i prodotti chimici interagiscono in modi complicati. Le scoperte forniscono una solida base per l'uso dell'informatica avanzata per garantire che le barriere invisibili sotto i nostri piedi rimangano efficaci molto tempo dopo la chiusura delle discariche sovrastanti.