Stima della domanda chimica di ossigeno nel percolato di discarica municipale usando reti neurali artificiali multilayer perceptron basate su dati di monitoraggio stagionale

Perché i ristagni di discarica contano

Ogni città moderna si affida alle discariche per nascondere i rifiuti alla vista, ma l’acqua piovana che filtra attraverso i rifiuti sepolti può trasformarsi in un potente cocktail chimico chiamato percolato. Questo liquido può inquinare il suolo e le acque se non viene controllato accuratamente. Lo studio descritto qui mostra come un tipo di modello informatico, ispirato al funzionamento del cervello, possa prevedere quanto sia inquinante questo percolato—senza dover effettuare costosi test di laboratorio ogni volta. Questa conoscenza può aiutare le comunità a mantenere più sicuri i siti di smaltimento e a ridurre i costi di monitoraggio.

L’acqua nascosta sotto i nostri rifiuti

Quando la pioggia cade su una discarica, scorre attraverso strati di avanzi di cibo, carta, plastica e altri detriti. Lungo il percorso raccoglie materia organica disciolta, oli, sali e tracce di metalli pesanti come arsenico, cobalto e cadmio. Il risultato è il percolato, un liquido scuro, spesso maleodorante, che deve essere raccolto e trattato. Una misura chiave del suo potenziale inquinante è la domanda chimica di ossigeno, o DCO (COD in inglese). In termini semplici, la DCO indica quanta ossigeno sarebbe necessario per degradare tutte le sostanze chimiche e la materia organica presenti nell’acqua; una DCO elevata significa un inquinamento intenso e potenzialmente dannoso.

Osservare una discarica attraverso le stagioni

I ricercatori si sono concentrati su una discarica municipale a Niğde, una regione semi-arida della Turchia centrale. Per un intero anno, da fine 2022 a fine 2023, hanno prelevato campioni settimanali dallo stagno di percolato dove viene raccolto il liquido della discarica. Hanno misurato nove caratteristiche di base del percolato e del suo ambiente: temperatura, pH (quanto è acido o alcalino), solidi totali, oli e grassi, conducibilità elettrica (indicativa della salinità) e i livelli di arsenico, cobalto e cadmio, insieme alla DCO. I valori di DCO risultarono estremamente elevati—in media circa 35 volte superiori al limite di scarico del paese—confermando che il percolato non trattato di discarica può essere un inquinante molto potente.

Trasformare molte misure in pochi segnali intelligenti

Poiché eseguire analisi di laboratorio complete può essere costoso e lento, il team ha esplorato se la DCO potesse essere prevista a partire dalle altre caratteristiche più facili da misurare. Prima hanno utilizzato uno strumento statistico chiamato analisi delle componenti principali. Piuttosto che esaminare ogni variabile separatamente, questo metodo individua schemi—combinazioni di misure che tendono a crescere e diminuire insieme. Ha aiutato a mettere in evidenza quali fattori contenessero la maggior parte delle informazioni sul comportamento del percolato: temperatura, pH, oli e grassi e alcuni metalli sono emersi come rilevanti. Riducendo il numero di input alle sole variabili più informative, i ricercatori speravano di costruire modelli più semplici e veloci che catturassero comunque l’essenziale.

Insegnare a un «cervello» digitale a leggere il percolato

Il cuore dello studio è stato un multilayer perceptron, un tipo di rete neurale artificiale. Questo “cervello” digitale impara mostrandogli esempi: input misurati come pH o temperatura, accoppiati con i valori reali di DCO. Il set di dati di 52 campioni settimanali è stato suddiviso per stagione in una parte per l’addestramento e una per il test, in modo che il modello fosse messo alla prova con condizioni non viste. Il team ha provato quattro configurazioni del modello, ognuna usando diversi insiemi di input, e ha fatto ricorso a una cross‑validation ripetuta—un metodo che allena e testa il modello su molteplici suddivisioni dei dati—per evitare di essere ingannati da coincidenze fortunate. Il migliore tra questi usava soltanto cinque variabili scelte dall’analisi precedente e aveva una struttura con un livello di input, un livello nascosto di 21 nodi e un nodo di output.

Cosa può dirci il modello

Quando questo modello migliore è stato testato su dati che non aveva mai visto, i valori di DCO predetti si sono allineati da vicino con le misure reali, con una correlazione di 0,864. Ciò significa che il modello ha catturato la maggior parte degli alti e bassi dei livelli di inquinamento della discarica attraverso le stagioni, nonostante il numero totale di campioni fosse modesto. Restavano alcuni errori, soprattutto a livelli di DCO più bassi, ma la performance complessiva suggerisce che un piccolo gruppo di misurazioni di routine può sostituire in modo affidabile un’analisi chimica completa. Per gli operatori di discariche e i regolatori, questo approccio offre un modo pratico per tenere sotto controllo un liquido pericoloso risparmiando tempo e denaro.

Supervisione più efficace per un problema sporco

In sostanza, questo lavoro mostra che analisi dei dati intelligenti e apprendimento automatico possono trasformare un problema di analisi complesso e costoso in uno gestibile. Addestrando una rete neurale su un anno di monitoraggio stagionale, i ricercatori hanno costruito uno strumento in grado di stimare quanto sia inquinante il percolato di discarica a partire da un piccolo insieme di test più semplici. Ciò non sostituisce il trattamento o controlli dettagliati, ma fornisce ai decisori un sistema di allerta più rapido e un modo più efficiente di pianificare. Con il perfezionarsi di modelli simili e l’alimentarli con più dati, potrebbero diventare strumenti standard per garantire che i liquidi sotto i nostri rifiuti restino sotto controllo e lontani dalle nostre vie d’acqua.

Citazione: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Parole chiave: percolato di discarica, inquinamento idrico, reti neurali artificiali, gestione dei rifiuti, domanda chimica di ossigeno