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

Onder de uitgestrekte beton- en staalconstructies van moderne vuilnisbelten ligt een stil, cruciaal verdedigingssysteem dat ontworpen is om het grondwater te beschermen waar gemeenschappen op vertrouwen. Deze barrière is niet één enkele muur, maar een gelaagde sandwich van materialen, die doorgaans begint met een dikke laag plastic, gevolgd door een samengeperste laag klei, en tot slot een diepe laag grond. De taak is simpel in concept, maar complex in de praktica: het opvangen van giftige vloeistoffen, bekend als percolaat, die uit rottend afval sijpelen en voorkomen dat deze het land eronder vergiftigen. Terwijl deze vloeistof naar beneden beweegt, voert het opgeloste chemicaliën mee die schadelijk kunnen zijn. In de loop van de tijd fungeren de grond- en kleilagen als een filter, waarbij de beweging van deze chemicaliën wordt vertraagd door een proces genaamd diffusie, waarbij deeltjes zich verspreiden van gebieden met een hoge concentratie naar gebieden met een lage concentratie. In veel gevallen breken natuurlijke bacteriën in de bodem ook organische verontreinigingen af, waarbij ze de contaminanten effectief "opeten" en het gevaar ervan verminderen. Het voorspellen van de exacte snelheid waarmee deze chemicaliën zullen reizen, en of de barrière decennia lang stand zal houden, is echter een moeilijke wiskundige uitdaging. De lagen hebben verschillende diktes en eigenschappen, en de snelheid waarmee de vloeistof beweegt, hangt af van hoeveel druk er van bovenaf op drukt. Als de druk te hoog is, kunnen de chemicaliën erdoorheen razen voordat de grond de kans krijgt om ze te reinigen.

Om dit puzzelstuk op te lossen, heeft een team onderzoekers een nieuwe manier ontwikkeld om deze ondergrondse reizen te modelleren met behulp van een type kunstmatige intelligentie dat een physics-informed neural network wordt genoemd. In plaats van uitsluitend te vertrouwen op traditionele computersimulaties die de bodem opdelen in een raster van kleine blokjes, leert deze nieuwe aanpak een computerprogramma de fundamentele wetten van de fysica — hoe vloeistoffen bewegen, hoe ze zich verspreiden en hoe ze vervallen — en laat het het programma vervolgens het specifieke gedrag van de stortplaatsbekleding leren. De onderzoekers richtten zich op een specifiek type barrière bestaande uit een dunne geosynthetische kleilaag die bovenop een veel dikkere bodemlaag ligt. Ze testten twee verschillende versies van hun AI-model. De eerste versie, een standaardbenadering, vroeg de computer om de oplossing te raden en corrigeerde deze vervolgens voorzichtig wanneer deze de wetten van de fysica overtrad. De tweede versie, een "hard-constrained" model, bouwde de regels direct in het denkproces van de computer, waardoor het gedwongen werd de beginvoorwaarden en de grenzen van het systeem te respecteren vanaf de allereerste stap.

De resultaten van dit onderzoek tonen aan dat het hard-constrained model aanzienlijk beter is in het voorspellen van de toekomst van deze contaminanten. Wanneer de onderzoekers de beweging van een veelvoorkomende organische chemische stof, benzeen, door het bekledingssysteem simuleerden onder verschillende omstandigheden, had het standaardmodel moeite, vooral wanneer de druk van de vloeistof boven de barrière hoog was. In die scenario's met een hoge druk maakte het standaardmodel fouten die bijna tien keer groter waren dan de fouten van de hard-constrained versie. Het verbeterde model slaagde erin de scherpe, snelle veranderingen in concentratie te vangen die optreden wanneer contaminanten snel door de grond worden gedrukt, een situatie waarin de oudere methode vaak struikelde. De onderzoekers ontdekten dat de beste prestaties werden geleverd wanneer de computer een specifieke wiskundige functie gebruikte, bekend als een hyperbolische tangens, om de berekeningen te verzachten, en wanneer het netwerk werd gebouwd met een specifiek aantal lagen en verbindingen. Te weinig lagen lieten het model niet in staat de complexiteit van de stroming te vatten, terwijl te veel lagen geen extra voordeel boden en de berekeningen moeilijker maakten om te voltooien.

Naast het simpelweg voorspellen waar de chemicaliën naartoe zouden gaan, testten de onderzoekers ook of hun model achteruit kon werken. In de echte wereld hebben wetenschappers vaak zeer beperkte gegevens; ze weten misschien alleen de concentratie van een chemische stof op een paar specifieke punten in de grond op een paar specifieke momenten. Het doel was om te zien of de AI uit deze schaarse aanwijzingen de snelheid kon afleiden waarmee de grond de contaminant van nature afbreekt. Het hard-constrained model bleek in staat tot deze taak. Wanneer het gegevens kreeg uit een simulatie waarbij de chemische stof tien jaar nodig had om de helft van zijn kracht te verliezen, identificeerde het model correct die tijdspanne. Het presteerde even goed wanneer de afbraak dertig of zelfs honderd jaar duurde. De studie testte ook de veerkracht van het model tegen ruis in de gegevens, waarbij de soort meetfouten werd gesimuleerd die voorkomen bij echte monitoring. Het model bleef betrouwbaar wanneer de gegevens kleine hoeveelheden ruis bevatten, maar de nauwkeurigheid begon te dalen wanneer de fouten zeer groot werden, wat suggereert dat hoewel het instrument krachtig is, het nog steeds redelijk schone gegevens nodig heeft om optimaal te functioneren.

Dit onderzoek biedt een preciezere en efficiëntere tool voor ingenieurs die stortplaatsbekledingen ontwerpen. Door nauwkeurig te voorspellen hoe lang een barrière zal standhouden en hoe contaminanten zich zullen gedragen onder verschillende druk, kunnen gemeenschappen veiligere stortplaatsen bouwen die het grondwater voor generaties lang beschermen. De studie bevestigt dat het inbedden van natuurkundige wetten direct in het leerproces van kunstmatige intelligentie zorgt voor een robuustere en nauwkeurigere voorspeller dan methoden die die wetten als optionele suggesties behandelen. Hoewel het huidige werk zich richtte op geïdealiseerde, eendimensionale lagen, suggereert het succes van deze aanpak een pad voorwaarts voor het aanpakken van zelfs complexere, real-world scenario's waarbij bodem eigenschappen variëren en chemicaliën op ingewikkelde manieren met elkaar interageren. De bevindingen bieden een sterke basis voor het gebruik van geavanceerde computing om ervoor te zorgen dat de onzichtbare barrières onder onze voeten effectief blijven lang nadat de stortplaatsen boven hen gesloten zijn.