Avaliação do impacto da captação de água subterrânea e de fissuras em barragens de concreto na intrusão salina usando modelagem numérica e aprendizado de máquina interpretável

Por que a água do mar pode ameaçar nossa água oculta

Para muitas comunidades costeiras, a água potável mais confiável não vem de rios ou reservatórios, mas de camadas subterrâneas de areia e cascalho que armazenam água doce. Quando se bombeia água demais desses aquíferos, ou quando estruturas de proteção falham, a água do mar pode infiltrar‑se para o interior por baixo do solo e tornar os suprimentos doces salgados. Este artigo explora como essa frente salina oculta se comporta quando se bombeia água subterrânea e quando uma barragem subterrânea de concreto desenvolve rachaduras, e mostra como modelos computacionais modernos e ferramentas de aprendizado de máquina podem ajudar gestores a proteger os aquíferos costeiros.

O avanço silencioso da água salgada no subsolo

Ao longo de uma linha costeira, a água subterrânea doce que flui em direção ao mar naturalmente empurra uma cunha de água salgada mais densa. Se o bombeamento em poços aumenta ou a recarga natural diminui, esse equilíbrio é perturbado e a cunha salina pode avançar terra adentro, eventualmente alcançando poços e captações de irrigação. Engenheiros às vezes constroem barragens subterrâneas ou paredes de corte abaixo da superfície para frear esse avanço, estreitando o caminho por onde a água do mar pode passar. Mas na prática, essas barreiras de concreto podem rachar ou ser construídas com aberturas deliberadas, permitindo que parte da água salgada vaze. Entender como o comprimento da cunha salina responde ao bombeamento e a tais fissuras é vital, porém difícil de testar diretamente em campo.

Da física detalhada a atalhos inteligentes

Os autores partiram de um conjunto existente de 438 simulações computacionais cuidadosamente projetadas de um aquífero costeiro em declive, criadas com um modelo de água subterrânea que acompanha tanto o fluxo de água quanto o transporte de sal. Nessas simulações, eles variaram oito fatores-chave, todos expressos como razões adimensionais: o contraste de densidade entre água doce e salgada, a altura e a largura da fissura na barragem subterrânea, a altura da barragem e a distância até a costa, a profundidade do poço e a distância entre poço e barragem, e a taxa de bombeamento. Para cada cenário, o modelo produziu o comprimento relativo da cunha salina em comparação com a profundidade do aquífero, uma medida compacta de até que ponto a água do mar alcançou o interior. Esse grande conjunto de dados sintéticos serviu como base de treinamento para um conjunto de modelos de aprendizado de máquina.

Ensinando máquinas a prever a cunha salina

Seis abordagens de aprendizado diferentes foram testadas, variando de regressão linear simples a técnicas mais flexíveis, como árvores de decisão, florestas aleatórias e um método avançado chamado extreme gradient boosting. Antes de treinar esses modelos, a equipe verificou os dados em busca de redundâncias e peculiaridades estatísticas, usando testes padrão para ver quais entradas tinham influência real e se algumas variáveis se moviam muito em conjunto. Em seguida, utilizaram uma estratégia de busca automatizada para ajustar finamente os parâmetros internos de cada modelo e avaliaram o desempenho com validação cruzada rigorosa. O vencedor claro foi a família de modelos em ensemble, especialmente a abordagem de gradient boosting, que reproduziu os comprimentos de cunha simulados com erros pequenos o suficiente para serem praticamente negligenciáveis.

Abrindo a caixa‑preta das previsões

Previsões precisas por si só não bastam para gestores de recursos hídricos, que também precisam entender quais alavancas importam mais. Para tornar o modelo de melhor desempenho mais transparente, os autores usaram ferramentas que explicam como cada entrada empurra uma dada previsão para cima ou para baixo. Essas explicações mostraram que a taxa de bombeamento do poço é o controle dominante sobre o comprimento da cunha: bombeamentos maiores puxam a água salgada para mais dentro do continente. A altura da fissura na barragem foi o próximo fator em importância, seguida pela largura da fissura e pela distância entre o poço e a barragem. Outros fatores, como a altura total da barragem ou a posição exata em relação à costa, ainda influenciaram, mas foram menos relevantes dentro das faixas testadas. A equipe também confirmou que seu modelo conseguiu reproduzir um conjunto separado de simulações detalhadas para um aquífero costeiro real em Chipre, dando confiança de que ele pode funcionar além dos casos originais de treinamento.

Transformando ciência complexa em ferramentas úteis

Para tornar esses insights acessíveis, os autores embalaram o modelo treinado em interfaces simples para desktop e web. Em vez de executar simulações físicas pesadas, um gestor agora pode inserir um punhado de razões adimensionais — representando o bombeamento do poço, a geometria da barragem e o tamanho da fissura — e obter instantaneamente uma estimativa de quão terra adentro a cunha salina provavelmente alcançará. Na prática, o estudo mostra que um modelo orientado por dados e cuidadosamente treinado pode substituir cálculos numéricos muito mais exigentes, ao mesmo tempo em que reflete a física subjacente.

O que isso significa para os usuários de água costeira

O trabalho demonstra que o avanço terra adentro da água do mar pode ser previsto de forma rápida e confiável usando aprendizado de máquina treinado com simulações de alta qualidade. Para o público em geral, a mensagem principal é simples: o quanto bombeamos a água subterrânea costeira e quão bem projetamos e mantemos barreiras subterrâneas têm impacto direto sobre se os poços permanecem com água doce ou se tornam salinos. Ao destacar quais escolhas de projeto e condições operacionais mais importam, e ao embalar esse conhecimento em software fácil de usar, este estudo oferece uma ajuda prática à decisão para proteger a escassa água doce em regiões costeiras sob crescente pressão.

Citação: 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

Palavras-chave: intrusão salina, aquífero costeiro, bombeamento de água subterrânea, barragem subterrânea, aprendizado de máquina