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

Sob a vasta estrutura de concreto e aço dos aterros sanitários modernos, reside um sistema de defesa silencioso e crítico, projetado para proteger o lençol freático do qual as comunidades dependem. Esta barreira não é uma parede única, mas um sanduíche de camadas de materiais, tipicamente começando com uma folha espessa de plástico, seguida por uma camada compactada de argila e, finalmente, um leito profundo de solo. Seu trabalho é simples em conceito, mas complexo na realidade: capturar líquidos tóxicos, conhecidos como lixiviado, que escorrem da decomposição do lixo e impedir que eles poluam a terra abaixo. À medida que este líquido se desloca para baixo, ele carrega produtos químicos dissolvidos que podem ser prejudiciais. Com o tempo, as camadas de solo e argila atuam como um filtro, retardando o movimento desses produtos químicos através de um processo chamado difusão, onde as partículas se espalham de áreas de alta concentração para áreas de baixa concentração. Em muitos casos, bactérias naturais no solo também decompõem poluentes orgânicos, efetivamente "comendo" os contaminantes e reduzindo seu perigo. No entanto, prever exatamente a velocidade com que esses produtos químicos viajarão, e se a barreira resistirá ao longo de décadas, é um desafio matemático difícil. As camadas possuem diferentes espessuras e propriedades, e a velocidade com que o líquido se move depende de quanta pressão o empurra de cima. Se a pressão for muito alta, os produtos químicos podem passar rapidamente antes que o solo tenha a chance de limpá-los.

Para resolver esse enigma, uma equipe de pesquisadores desenvolveu uma nova maneira de modelar essas jornadas subterrâneas usando um tipo de inteligência artificial chamada rede neural informada pela física. Em vez de depender apenas de simulações computacionais tradicionais que dividem o solo em uma grade de pequenas caixas, essa nova abordagem ensina a um programa de computador as leis fundamentais da física — como os fluidos se movem, como eles se espalham e como eles decaem — e então permite que o programa aprenda o comportamento específico do revestimento do aterro sanitário. Os pesquisadores focaram em um tipo específico de barreira composta por um revestimento de argila geosintético fino assentado sobre um revestimento de solo muito mais espesso. Eles testaram duas versões diferentes de seu modelo de IA. A primeira versão, uma abordagem padrão, pedia ao computador para adivinhar a solução e então o corrigia suavemente sempre que ele violava as leis da física. A segunda versão, um modelo de "restrição rígida", construiu as regras diretamente no processo de pensamento do computador, forçando-o a obedecer às condições iniciais e aos limites do sistema desde o primeiro passo.

Os resultados deste estudo mostram que o modelo de restrição rígida é significamente melhor em prever o futuro desses contaminantes. Quando os pesquisadores simularam o movimento de um produto químico orgânico comum, o benzeno, através do sistema de revestimento sob várias condições, o modelo padrão teve dificuldades, particularmente quando a pressão do líquido acima da barreira era alta. Nesses cenários de alta pressão, o modelo padrão cometeu erros quase dez vezes maiores do que os cometidos pela versão de restrição rígida. O modelo aprimorado capturou com sucesso as mudanças rápidas e nítidas de concentração que ocorrem quando os contaminantes são empurrados rapidamente através do solo, uma situação na qual o método antigo frequentemente falhava. Os pesquisadores descobriram que o melhor desempenho ocorreu quando o computador utilizou uma função matemática específica, conhecida como tangente hiperbólica, para suavizar seus cálculos, e quando a rede foi construída com um número específico de camadas e conexões. Poucas camadas deixavam o modelo incapaz de compreender a complexidade do fluxo, enquanto muitas camadas não ofereciam benefício adicional e tornavam os cálculos mais difíceis de concluir.

Além de simplesmente prever para onde os produtos químicos iriam, os pesquisadores também testaram se o seu modelo poderia trabalhar de trás para frente. No mundo real, os cientistas muitas vezes possuem dados muito limitados; eles podem conhecer apenas a concentração de um produto químico em alguns pontos específicos no solo em alguns momentos específicos. O objetivo era ver se a IA poderia olhar para essas pistas esparsas e descobrir a rapidez com que o solo está naturalmente decompondo o contaminante. O modelo de restrição rígida provou ser capaz desta tarefa. Quando fornecido com dados de uma simulação onde o produto químico levou dez anos para perder metade de sua força, o modelo identificou corretamente esse intervalo de tempo. Ele teve um desempenho tão bom quando a decomposição levou trinta ou até cem anos. O estudo também testou a resiliência do modelo contra dados ruidosos, simulando o tipo de erro de medição que ocorre nos monitoramentos do mundo real. O modelo permaneceu confiável quando os dados continham pequenas quantidades de ruído, mas sua precisão começou a cair quando os erros se tornavam muito grandes, sugerindo que, embora a ferramenta seja poderosa, ela ainda precisa de dados razoavelmente limpos para funcionar da melhor forma possível.

Esta pesquisa oferece uma ferramenta mais precisa e eficiente para engenheiros que projetam revestimentos de aterros sanitários. Ao prever com precisão quanto tempo uma barreira durará e como os contaminantes se comportarão sob diferentes pressões, as comunidades podem construir aterros mais seguros que protejam o lençol freático por gerações. O estudo confirma que incorporar leis físicas diretamente no processo de aprendizado da inteligência artificial cria um preditor mais robusto e preciso do que métodos que tratam essas leis como sugestões opcionais. Embora o trabalho atual tenha focado em camadas unidimensionais idealizadas, o sucesso desta abordagem sugere um caminho a seguir para enfrentar cenários do mundo real ainda mais complexos, onde as propriedades do solo variam e os produtos químicos interagem de maneiras complicadas. As descobertas fornecem uma base sólida para o uso de computação avançada para garantir que as barreiras invisíveis sob nossos pés permaneçam eficazes muito depois de os aterros acima delas serem fechados.