Valutare l’impatto dell’estrazione delle acque sotterranee e delle fessure nei dighe in calcestruzzo sull’intrusione di acqua salata mediante modellazione numerica e apprendimento automatico interpretabile

Perché l’acqua di mare può minacciare le nostre riserve nascoste

Per molte comunità costiere, l’acqua potabile più affidabile non proviene da fiumi o invasi, ma da strati sotterranei di sabbia e ghiaia che immagazzinano acqua dolce. Quando si pompa troppa acqua da questi acquiferi, o quando le strutture protettive vengono compromesse, l’acqua di mare può infiltrarsi sotterraneamente verso l’interno e rendere salate le risorse dolci. Questo articolo esplora come si comporta quel fronte salino nascosto quando si pompa la falda e quando una diga sotterranea in calcestruzzo sviluppa crepe, e mostra come i moderni modelli al computer e gli strumenti di machine learning interpretabili possano aiutare i gestori a proteggere gli acquiferi costieri.

Il lento avanzare dell’acqua salata sottoterra

Lungo una costa, l’acqua sotterranea dolce che scorre verso il mare spinge naturalmente indietro una cuneo di acqua salata, più densa. Se il pompaggio dai pozzi aumenta o la ricarica naturale diminuisce, quell’equilibrio viene perturbato e il cuneo salino può spostarsi verso l’interno, raggiungendo infine pozzi e prelievi per l’irrigazione. Gli ingegneri talvolta costruiscono dighe sotterranee o muri di taglio sotto la superficie per rallentare questo avanzamento, riducendo il percorso attraverso il quale l’acqua di mare può muoversi. Ma nella realtà, queste barriere in calcestruzzo possono incrinarsi o essere costruite con aperture intenzionali, permettendo a parte dell’acqua marina di filtrare. Capire come la lunghezza del cuneo salino risponde al pompaggio e a tali fessure è fondamentale, ma difficile da verificare direttamente sul campo.

Dalla fisica dettagliata a scorciatoie intelligenti

Gli autori hanno iniziato con un set esistente di 438 simulazioni al computer progettate con cura di un acquifero costiero inclinato, create con un modello che tiene traccia sia del flusso d’acqua sia del trasporto di sale. In quelle simulazioni hanno variato otto fattori chiave, tutti espressi come rapporti adimensionali: il contrasto di densità tra acqua dolce e salata, l’altezza e la larghezza della frattura nella diga sotterranea, l’altezza della diga e la sua distanza dalla costa, la profondità del pozzo e la sua distanza dalla diga, e la portata di pompaggio. Per ogni scenario, il modello ha prodotto la lunghezza relativa del cuneo salino rispetto alla profondità dell’acquifero, una misura compatta di quanto l’acqua di mare abbia raggiunto l’interno. Questo ampio set di dati sintetici ha fatto da terreno di addestramento per una serie di modelli di apprendimento automatico.

Insegnare alle macchine a prevedere il cuneo salino

Sono stati testati sei approcci di apprendimento differenti, che vanno dalla semplice regressione lineare a tecniche più flessibili come gli alberi decisionali, le foreste casuali e un metodo avanzato chiamato extreme gradient boosting. Prima di addestrare questi modelli, il team ha controllato i dati alla ricerca di ridondanze e anomalie statistiche, utilizzando test standard per vedere quali input avessero reale influenza e se alcuni fossero troppo correlati tra loro. Hanno poi impiegato una strategia di ricerca automatizzata per ottimizzare i parametri interni di ciascun modello e hanno valutato le prestazioni con una validazione incrociata rigorosa. Il chiaro vincitore è stata la famiglia degli ensemble, e in particolare l’approccio di gradient boosting, che ha riprodotto le lunghezze del cuneo simulate con errori talmente piccoli da risultare praticamente trascurabili.

Aprire la scatola nera delle previsioni

Previsioni accurate da sole non bastano ai gestori delle risorse idriche, che hanno anche bisogno di capire quali leve sono più importanti. Per rendere il modello con le migliori prestazioni più trasparente, gli autori hanno usato strumenti che spiegano come ciascun input sposti una previsione verso l’alto o verso il basso. Queste spiegazioni hanno mostrato che la variabile dominante sulla lunghezza del cuneo è la velocità di pompaggio dal pozzo: un pompaggio maggiore attira l’acqua salata più verso l’interno. Al secondo posto è risultata l’altezza della frattura nella diga, seguita dalla sua larghezza e dalla distanza tra pozzo e diga. Altri fattori, come l’altezza complessiva della diga o la collocazione esatta rispetto alla costa, hanno comunque un ruolo ma sono risultati meno influenti nei range testati. Il team ha inoltre confermato che il loro modello poteva riprodurre un set separato di simulazioni dettagliate per un acquifero costiero a Cipro, dando fiducia che possa funzionare anche oltre i casi usati per l’addestramento iniziale.

Trasformare la scienza complessa in strumenti utilizzabili

Per rendere questi risultati accessibili, gli autori hanno confezionato il modello addestrato in semplici interfacce desktop e web. Invece di eseguire pesanti simulazioni basate sulla fisica, un gestore può ora inserire una manciata di rapporti adimensionali—che rappresentano il pompaggio del pozzo, la geometria della diga e la dimensione della frattura—e ottenere istantaneamente una stima di quanto il cuneo salino è probabile che si spinga verso l’interno. In pratica, lo studio dimostra che un modello data‑driven ben addestrato può sostituire calcoli numerici molto più impegnativi, pur riflettendo la fisica sottostante.

Cosa significa per gli utilizzatori d’acqua costieri

Il lavoro dimostra che la marcia verso l’interno dell’acqua di mare può essere prevista rapidamente e in modo affidabile usando il machine learning addestrato su simulazioni di alta qualità. Per un lettore non specialistico, il messaggio principale è semplice: quanto intensamente pompiamo l’acqua costiera e quanto bene progettiamo e manteniamo le barriere sotterranee influisce direttamente sul fatto che i pozzi rimangano dolci o diventino salati. Evidenziando le scelte progettuali e le condizioni operative più rilevanti, e impacchettando quella conoscenza in software di facile uso, questo studio offre uno strumento decisionale pratico per proteggere l’acqua dolce scarsa nelle regioni costiere sotto crescente stress.

Citazione: Armanuos, A.M., Zeleňáková, M. & Elshaarawy, M.K. Assessing the impact of groundwater abstraction and concrete dam fractures on saltwater intrusion using numerical modeling and interpretable machine learning. Sci Rep 16, 8940 (2026). https://doi.org/10.1038/s41598-025-27998-4

Parole chiave: intrusione di acqua salata, acquifero costiero, pompaggio delle acque sotterranee, diga sotterranea, apprendimento automatico