Estimando a demanda bioquímica de oxigênio química em lixiviado de aterro municipal usando redes neurais artificiais perceptron multicamada com base em dados de monitoramento sazonal

Por que as poças do aterro importam

Toda cidade moderna depende de aterros para esconder seu lixo fora de vista, mas a água da chuva que percola pelo material enterrado pode se transformar em um coquetel químico potente chamado lixiviado. Esse líquido pode poluir o solo e a água se não for controlado com cuidado. O estudo descrito aqui mostra como um tipo de modelo computacional, inspirado no funcionamento do cérebro, pode prever o grau de contaminação desse lixiviado — sem precisar realizar testes laboratoriais caros a cada vez. Esse conhecimento pode ajudar comunidades a tornar locais de descarte mais seguros e reduzir os custos de monitoramento.

A água escondida sob nosso lixo

Quando a chuva cai sobre um aterro, ela percola através de camadas de restos alimentares, papel, plásticos e outros detritos. No trajeto ela coleta matéria orgânica dissolvida, óleos, sais e traços de metais pesados como arsênio, cobalto e cádmio. O resultado é o lixiviado, um líquido escuro, frequentemente malcheiroso, que precisa ser coletado e tratado. Uma medida-chave do potencial poluidor desse líquido é a demanda química de oxigênio, ou DQO. Em termos simples, a DQO indica quanto oxigênio seria necessário para degradar todas as substâncias químicas e material orgânico presentes na água; DQO elevada significa poluição forte e potencialmente nociva.

Observando um aterro ao longo das estações

Os pesquisadores se concentraram em um aterro municipal em Niğde, uma região semiárida do centro da Turquia. Durante um ano inteiro, do final de 2022 ao final de 2023, coletaram amostras semanais do tanque de lixiviado onde o líquido do aterro é acumulado. Mediram nove características básicas do lixiviado e de seu ambiente: temperatura, pH (o quão ácido ou alcalino estava), sólidos totais, óleo e graxa, condutividade elétrica (indicador de salinidade), e os níveis de arsênio, cobalto e cádmio, além da DQO. Os valores de DQO foram extremamente altos — em média cerca de 35 vezes superiores ao limite de descarga do país — confirmando que o lixiviado de aterro não tratado pode ser um poluente muito intenso.

Transformando muitas medições em alguns sinais inteligentes

Porque realizar testes laboratoriais completos pode ser caro e demorado, a equipe investigou se a DQO poderia ser prevista a partir das outras variáveis mais fáceis de medir. Primeiro usaram uma ferramenta estatística chamada análise de componentes principais. Em vez de examinar cada variável separadamente, esse método encontra padrões — combinações de medições que tendem a subir e descer juntos. Isso ajudou a destacar quais fatores carregavam mais informação sobre o comportamento do lixiviado: temperatura, pH, óleo e graxa e certos metais se destacaram. Ao reduzir o número de entradas para apenas as mais informativas, os pesquisadores esperavam construir modelos mais simples e rápidos que ainda capturassem o essencial.

Ensinando um “cérebro” digital a ler o lixiviado

O núcleo do estudo foi um perceptron multicamada, um tipo de rede neural artificial. Esse "cérebro" digital aprende sendo mostrado exemplos: entradas medidas como pH ou temperatura, emparelhadas com os valores reais de DQO. O conjunto de dados de 52 amostras semanais foi dividido por estação em uma parte de treinamento e outra de teste, para que o modelo fosse desafiado com condições não vistas. A equipe testou quatro estruturas de modelo, cada uma usando diferentes conjuntos de entradas, e recorreu à validação cruzada repetida — um método que treina e testa o modelo em muitas divisões diferentes dos dados — para evitar se enganar com coincidências. O melhor desempenho foi obtido com apenas cinco variáveis escolhidas a partir da análise de padrões anterior e uma arquitetura com uma camada de entrada, uma camada oculta de 21 nós e um nó de saída.

O que o modelo pode nos dizer

Quando esse melhor modelo foi testado com dados que nunca havia visto, os valores de DQO previstos alinharam-se de perto com as medições reais, com uma correlação de 0,864. Isso significa que o modelo capturou a maior parte das oscilações dos níveis de poluição do aterro ao longo das estações, mesmo com um número total de amostras modesto. Permaneceram alguns erros, especialmente em níveis mais baixos de DQO, mas o desempenho geral sugere que um punhado de medições de rotina pode substituir de forma confiável um conjunto completo de análises químicas. Para operadores de aterros e reguladores, essa abordagem oferece uma forma prática de monitorar um líquido perigoso economizando tempo e dinheiro.

Supervisão mais eficiente para um problema sujo

Essencialmente, este trabalho mostra que análise de dados inteligente e aprendizado de máquina podem transformar um problema de testes complexos e caros em algo administrável. Ao treinar uma rede neural com um ano de monitoramento sazonal, os pesquisadores construíram uma ferramenta capaz de estimar quão poluído está o lixiviado de aterro a partir de um pequeno conjunto de testes mais simples. Isso não substitui o tratamento ou verificações detalhadas, mas oferece aos tomadores de decisão um sistema de alerta mais rápido e uma maneira mais eficiente de planejar. À medida que modelos semelhantes forem refinados e alimentados com mais dados, eles poderão se tornar ferramentas padrão para garantir que os líquidos sob nosso lixo permaneçam sob controle e fora de corpos d'água.

Citação: 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

Palavras-chave: lixiviado de aterro, poluição da água, redes neurais artificiais, gestão de resíduos, demanda química de oxigênio