Bedöma påverkan av grundvattenuttag och sprickor i betongdammar på inträngning av saltvatten med numerisk modellering och tolkbar maskininlärning

Varför havsvatten kan hota vårt dolda vatten

För många kustsamhällen kommer det mest pålitliga dricksvattnet inte från floder eller reservoarer, utan från underjordiska lager av sand och grus som lagrar färskt grundvatten. När för mycket vatten pumpas från dessa akviferer, eller när skyddande konstruktioner slutar fungera, kan havsvatten krypa in under marken och göra färska vattenreserver salta. Denna artikel undersöker hur den dolda fronten av saltvatten beter sig när grundvattnet pumpas och när en betongunderjordisk damm får sprickor, och visar hur moderna dator­modeller och maskininlärningsverktyg kan hjälpa förvaltare att skydda kustakviferer.

Saltvattnets tysta framryckning under marken

Vid en kustlinje skjuter färskt grundvatten som rör sig mot havet naturligt tillbaka en kil av tyngre saltvatten. Om uttaget från brunnar ökar eller den naturliga återladdningen minskar störs den balansen och saltvattenkilen kan flytta sig inåt landet, till slut nå brunnar och bevattningsintag. Ingenjörer bygger ibland underjordiska dammar eller avskärmande väggar under ytan för att bromsa denna framryckning och minska de vägar genom vilka havsvatten kan röra sig. Men i verkligheten kan dessa betongbarriärer spricka eller byggas med avsiktliga öppningar, vilket släpper igenom viss mängd havsvatten. Att förstå hur kilens längd svarar på pumpning och sådana sprickor är avgörande, men svårt att testa direkt i fält.

Från detaljerad fysik till smarta genvägar

Författarna började med en befintlig uppsättning om 438 noggrant utformade dator­simuleringar av en sluttande kustakvifer, skapade med en grundvattenmodell som spårar både vattenflöde och salthalts­transport. I dessa simuleringar varierade de åtta nyckelfaktorer, alla uttryckta som enkla kvoter: densitetsskillnaden mellan färskt och salt vatten, sprickans höjd och bredd i den underjordiska dammen, dammens höjd och avstånd från kusten, brunnens djup och avstånd från dammen, samt pumpningshastigheten. För varje scenario gav modellen den relativa längden på saltvattenkilen i förhållande till akviferens djup, ett kompakt mått på hur långt in i landet havsvattnet nådde. Denna stora syntetiska datamängd tjänade som träningsmaterial för en samling maskininlärningsmodeller.

Att lära maskiner förutsäga saltkilen

Sex olika inlärningsmetoder testades, från enkel linjär regression till mer flexibla tekniker som besluts­träd, slumpmässiga skogar och en avancerad metod kallad extreme gradient boosting. Innan de tränade dessa modeller kontrollerade teamet data för redundans och statistiska avvikelser, med standardtester för att se vilka indata som hade verklig påverkan och om vissa rörde sig alltför nära varandra. De använde sedan en automatiserad sökstrategi för att finjustera varje modells interna inställningar och bedömde prestanda med rigorös korsvalidering. Den tydliga vinnaren var ensemble‑familjen av modeller, och särskilt gradient‑boosting‑metoden, som reproducerade de simulerade kil­längderna med fel så små att de var praktiskt försumbara.

Öppna svarta lådan för förutsägelser

Exakta förutsägelser räcker inte för vattenförvaltare; de behöver också förstå vilka reglage som betyder mest. För att göra den bäst presterande modellen mer transparent använde författarna verktyg som förklarar hur varje indata skjuter en given förutsägelse upp eller ner. Dessa förklaringar visade att den dominerande faktorn för kil­längden är hur snabbt vatten pumpas från brunnen: högre pumpning drar saltvattnet längre in i landet. Sprickans höjd i dammen kom på andra plats, följt av dess bredd och avståndet mellan brunnen och dammen. Andra faktorer, som dammens totala höjd eller exakt placering från stranden, spelade fortfarande roll men var mindre inflytelserika inom de testade intervallen. Teamet bekräftade också att deras modell kunde matcha en separat uppsättning detaljerade simuleringar för en verklig kustakvifer på Cypern, vilket ger förtroende för att den fungerar bortom de ursprungliga träningsfallen.

Göra komplex vetenskap användbar

För att göra dessa insikter tillgängliga paketerade författarna den tränade modellen i enkla skrivbords‑ och webbgränssnitt. Istället för att köra tunga fysikbaserade simuleringar kan en förvaltare nu ange ett fåtal dimensionslösa kvoter—som representerar brunnspumpning, dammgeometri och sprickstorlek—och omedelbart få en uppskattning av hur långt in i landet saltvattenkilen sannolikt når. I praktiken visar studien att en omsorgsfullt tränad datadriven modell kan ersätta betydligt mer krävande numeriska beräkningar, samtidigt som den speglar den underliggande fysiken.

Vad detta innebär för kustvattensanvändare

Arbetet visar att den långsamma inryckningen av havsvatten kan förutses snabbt och pålitligt med hjälp av maskininlärning tränad på högkvalitativa simuleringar. För en lekmannapublik är huvudbudskapet enkelt: hur kraftigt vi pumpar kustgrundvatten och hur väl vi utformar och underhåller underjordiska barriärer påverkar direkt om brunnar förblir friska eller blir salta. Genom att belysa vilka konstruktionsval och driftförhållanden som betyder mest, och genom att paketera den kunskapen i lättanvänd programvara, erbjuder denna studie ett praktiskt beslutsstöd för att skydda knappa färskvattenresurser i kustområden under växande påfrestningar.

Citering: 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

Nyckelord: saltvatteninträngning, kustakvifer, grundvattenpumpning, underjordisk damm, maskininlärning