IoT-based Low-Cost Time-Domain Reflectometry for Granular Soils: Sand-Specific Moisture Calibration and Machine-Learning Sand Identification

O solo não é apenas sujeira; é uma mistura complexa de partículas sólidas, água e ar, e o equilíbrio entre esses ingredientes dita como as plantas crescem, como as fundações se sustentam e como a água se move pelo solo. Para engenheiros e agricultores, saber exatamente quanta água há no solo é crítico, mas medi-la sem escavar a terra tem sido um desafio há muito tempo. Um método estabelecido envolve o envio de um pulso elétrico de alta velocidade através do solo e ouvir como ele rebate. Como a água retarda esse pulso mais do que a areia seca ou a rocha, o tempo que o sinal leva para retornar revela o teor de umidade do solo. No entanto, essa técnica possui uma falha significativa: as fórmulas padrão usadas para interpretar esses sinais foram desenvolvidas para solos finos, do tipo argilosos. Quando aplicadas à areia, que se comporta de forma muito diferente, essas fórmulas universais frequentemente falham, levando a leituras imprecisas que podem fazer com que sistemas de irrigação reguem demais ou projetos de construção subestimem a estabilidade do terreno.

Uma equipe de pesquisadores da Universidade de Engenharia e Tecnologia de Rajshahi, em Bangladesh, partiu para resolver esse problema especificamente para solos arenosos. Eles construíram um sistema de sensores de baixo custo e conectado à internet, capaz de medir não apenas a umidade, mas também a temperatura e outras propriedades do solo. Em vez de depender de uma única fórmula de tamanho único, eles testaram cinco tipos diferentes de areia natural, cada um com tamanhos de grãos e texturas ligeiramente diferentes. Ao coletar milhares de medições em um ambiente controlado de laboratório, criaram uma relação matemática única para cada tipo específico de areia, ligando o sinal elétrico bruto diretamente ao peso real da água no solo. O trabalho deles demonstrou que, ao adaptar a ferramenta de medição ao material específico que está sendo testado, eles poderiam prever os níveis de umidade com uma precisão de 96,5%, uma melhoria significativa em relação aos métodos genéricos.

Além de simplesmente medir a água, os pesquisadores descobriram que os dados do sensor continham informações ocultas suficientes para identificar o próprio tipo de areia. Eles treinaram programas de computador, conhecidos como modelos de aprendizado de máquina, para reconhecer a "impressão digital" única de cada amostra de areia com base em suas leituras de umidade e temperatura. Quando o sistema foi testado em uma amostra desconhecida, identificou o tipo correto de areia quase 90% das vezes. Este é um passo crucial à frente porque significa que um sensor poderia potencialmente dizer a um agricultor ou engenheiro não apenas o quão úmido está o solo, mas também que tipo de solo eles estão lidando, sem a necessidade de levar uma amostra física a um laboratório.

O estudo começou com a coleta de cinco amostras distintas de areia do campo. Os pesquisadores analisaram cuidadosamente as propriedades físicas de cada uma, medindo o tamanho dos grãos e como eles estavam distribuídos. Eles descobriram que, embora todas as cinco amostras fossem classificadas como areias mal graduadas — o que significa que eram majoritariamente uniformes em tamanho — elas ainda possuíam diferenças sutis em sua estrutura de grãos. Para testar os sensores, prepararam centenas de espécimes de solo, variando o conteúdo de água de muito seco a bastante úmido. Para cada espécime individual, registraram o sinal elétrico bruto do sensor e o compararam com o teor real de umidade, que foi determinado secando o solo em um forno e pesando-o. Esse processo gerou um conjunto de dados massivo de quase 1.900 leituras pareadas, fornecendo uma base sólida para sua análise.

Quando os pesquisadores plotaram as leitções do sensor contra os valores reais de umidade, um padrão claro emergiu. Para cada tipo de areia, a relação entre o sinal e o conteúdo de água seguia uma linha reta, mas a inclinação dessa linha era diferente para cada amostra de areia. Um tipo de areia exigia uma mudança muito maior no sinal para indicar um aumento na umidade, enquanto outro respondia de forma mais acentuada. Essa descoberta provou que uma única fórmula não pode funcionar para todas as areias. Quando tentaram usar uma equação universal para todos os cinco tipos, o erro em suas previsões foi visivelmente maior. No entanto, quando utilizaram uma equação específica para cada tipo de areia, as previsões tornaram-se extraordinariamente precisas, com erros caindo para menos de três pontos percentuais na maioria dos casos.

A equipe então levou essa abordagem um passo além, questionando se o sensor poderia identificar o tipo de areia sem qualquer conhecimento prévio. Eles inseriram os dados de umidade e temperatura dos sensores em três algoritmos diferentes de aprendizado de máquina. Esses programas aprenderam a distinguir entre os cinco tipos de areia ao reconhecer padrões em como a umidade e a temperatura mudavam juntas. Os resultados foram impressionantes: o sistema identificou corretamente o tipo de areia em quase 90% dos casos. O computador foi particularmente bom em distinguir as areias que possuíam faixas de temperatura distintas, mas ocasionalmente confundiu as três areias que compartilhavam temperaturas quentes semelhantes. Isso sugere que, embora o método atual seja altamente eficaz, adicionar mais pontos de dados, como a condutividade elétrica, poderia tornar a identificação ainda mais confiável.

Para garantir que suas descobertas se sustentassem no mundo real, os pesquisadores testaram o dispositivo calibrado em amostras de solo frescas retiradas do campo. Eles compararam as leituras de umidade do sensor com os resultados dos testes padrão de secagem em forno de laboratório. O dispositivo coincidiu com os valores de laboratório com uma precisão média de 96,5%, confirmando que as equações de calibração específicas desenvolvidas no laboratório funcionaram perfeitamente em condições práticas ao ar livre. Além disso, demonstraram todo o poder de seu sistema ao pegar uma amostra de solo desconhecida, passá-la pelo processo de identificação e determinar com sucesso o seu tipo. Uma vez que o sistema identificou a areia, ele podia fornecer instantaneamente um perfil detalhado de suas propriedades de engenharia, como tamanho de grão e densidade, que são essenciais para o planejamento de construção e agrícola.

Este trabalho preenche a lacuna entre os dados simples de sensores e a complexa ciência do solo. Ao se afastar de suposições genéricas e abraçar as características específicas de diferentes materiais, os pesquisadores criaram uma maneira mais confiável de monitorar o solo. Sua estrutura integrada, que combina um sensor de baixo custo com análise de dados inteligente, oferece uma solução escalável para qualquer pessoa que precise entender as condições do solo de forma rápida e precisa. Seja para gerenciar a irrigação na agricultura ou garantir a estabilidade da fundação de um edifício, a capacidade de conhecer tanto o nível de umidade quanto o tipo de solo em tempo real representa um salto significativo na forma como interagimos com o chão sob nossos pés.