Оценка влияния отбора подземных вод и трещин в бетонных плотинах на засоление с помощью численного моделирования и интерпретируемого машинного обучения

Почему морская вода может угрожать нашим скрытым запасам

Для многих прибрежных сообществ наиболее надёжной питьевой водой являются не реки и водохранилища, а подземные пласты песка и гравия, где хранится пресная грунтовая вода. Когда из этих водоносных горизонтов откачивают слишком много воды или когда защитные сооружения повреждаются, морская вода может подземно продвигаться вглубь суши и делать пресные запасы солёными. В этой статье исследуется, как ведёт себя этот скрытый фронт солёной воды при отборе подземных вод и появлении трещин в бетонной подземной плотине, и показано, как современные компьютерные модели и инструменты машинного обучения помогают менеджерам защищать прибрежные водоносные горизонты.

Тихое наступление солёной воды под землёй

Вдоль побережья пресная грунтовая вода, устремляясь к морю, естественно отталкивает клин более тяжёлой солёной воды. Если откачка из скважин увеличивается или естественное пополнение снижается, это равновесие нарушается и клин солёной воды может продвинуться вглубь суши, в конечном счёте достигая скважин и оросительных заборов. Инженеры иногда возводят подземные плотины или заградительные стенки ниже поверхности, чтобы замедлить это продвижение, сужая путь, по которому может проникать морская вода. Но в реальности такие бетонные барьеры могут трескаться или делаться с намеренными отверстиями, позволяя некоторой части морской воды просачиваться. Понять, как длина клина реагирует на отбор воды и такие трещины, жизненно важно, хотя и трудно проверить непосредственно в полевых условиях.

От подробной физики к умным сокращениям

Авторы начали с уже имеющегося набора из 438 тщательно спроектированных компьютерных симуляций наклонного прибрежного водоносного горизонта, выполненных с использованием модели грунтовых вод, учитывающей как движение воды, так и перенос солей. В этих симуляциях они варьировали восемь ключевых факторов, все в виде простых безразмерных соотношений: контраст плотностей пресной и солёной воды, высота и ширина трещины в подземной плотине, высота плотины и её расстояние от берега, глубина скважины и расстояние от плотины до скважины, а также скорость откачки. Для каждого сценария модель выдавала относительную длину клина солёной воды по отношению к глубине водоносного горизонта — компактную меру того, как далеко вглубь суши проникла морская вода. Этот большой синтетический набор данных послужил тренировочной базой для набора моделей машинного обучения.

Обучение машин предсказывать солёный клин

Было опробовано шесть различных подходов к обучению — от простой линейной регрессии до более гибких методов, таких как деревья решений, случайный лес и продвинутый метод повышенного градиента (extreme gradient boosting). Перед обучением моделей команда проверила данные на избыточность и статистические аномалии, используя стандартные тесты, чтобы увидеть, какие входы действительно влияют на результат и не слишком ли сильно некоторые из них коррелируют между собой. Затем применили автоматизированный поиск для тонкой настройки внутренних параметров каждой модели и оценивали качество с помощью строгой кросс‑валидации. Очевидным победителем стала семейство ансамблевых моделей, особенно подход на основе градиентного бустинга, который воспроизводил длины клинов из симуляций с ошибками, малыми до практического пренебрежения.

Открывая «чёрный ящик» предсказаний

Точные предсказания сами по себе недостаточны для водных менеджеров, которым также важно понимать, какие рычаги влияют сильнее. Чтобы сделать наилучший по качеству модель более прозрачной, авторы использовали инструменты, объясняющие, как каждый вход влияет на конкретное предсказание в ту или иную сторону. Эти объяснения показали, что доминирующим фактором длины клина является скорость откачки из скважины: при большей откачке солёная вода уходит дальше вглубь суши. Следующей по значимости оказалась высота трещины в плотине, затем — её ширина и расстояние между скважиной и плотиной. Другие факторы, такие как общая высота плотины или точное расположение от берега, тоже играли роль, но были менее влиятельны в протестированных диапазонах. Команда также подтвердила, что их модель способна согласовываться с отдельным набором подробных симуляций для реального прибрежного водоносного горизонта на Кипре, что даёт уверенность в применимости модели за пределами исходных тренировочных случаев.

Преобразование сложной науки в полезные инструменты

Чтобы сделать эти выводы доступными, авторы завернули обученную модель в простые настольные и веб‑интерфейсы. Вместо запуска тяжёлых физических симуляций менеджер теперь может ввести несколько безразмерных соотношений — описывающих откачку скважины, геометрию плотины и размер трещины — и мгновенно получить оценку того, как далеко вглубь суши, вероятно, протянется клин солёной воды. По сути, исследование показывает, что тщательно обученная модель на основе данных может заменить гораздо более ресурсоёмкие численные расчёты, при этом отражая лежащую в основе физику.

Что это значит для прибрежных потребителей воды

Работа демонстрирует, что медленное продвижение морской воды вглубь суши может быть быстро и надёжно прогнозировано с помощью машинного обучения, обученного на высококачественных симуляциях. Для непрофессионала главный вывод прост: насколько интенсивно мы откачиваем прибрежные грунтовые воды и насколько хорошо мы проектируем и обслуживаем подземные барьеры, напрямую влияет на то, останутся ли скважины пресными или станут солёными. Выделяя наиболее важные проектные решения и режимы эксплуатации, и упаковывая эти знания в удобное программное обеспечение, исследование предлагает практический инструмент для защиты дефицитной пресной воды в прибрежных регионах, находящихся под растущим давлением.

Цитирование: 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

Ключевые слова: засоление, прибрежный водоносный горизонт, откачка подземных вод, подземная плотина, машинное обучение