Digital tvilling varsler permafrostens tilstand under arktiske veje

Permafrost under veje i Arktis bliver varmere og mindre stabil, hvilket udgør en stigende trussel mod den nordlige infrastruktur. Men at forudsige, hvordan den frosne jord vil udvikle sig, er en stor udfordring. Årsagerne er varierende undergrundsforhold over korte afstande, manglende observationer og traditionelle modeller, der ikke nemt kan opdateres med nye data.

I en ny undersøgelse præsenterer forskerne Gou et al. [2026] en løsning på dette problem. De har udviklet en digital tvilling til at overvåge og modellere permafrostens tilstand under en vej i Utqiaġvik, Alaska. Ved hjælp af fiberoptiske temperaturmålinger langs en 100-meter strækning har de sporet, hvordan de øverste jordlag ændrer sig over tid.

Det innovative ved denne tilgang er ikke blot brugen af maskinlæring, men hvordan forskerne integrerer det i en fysikbaseret model. Deres rammeværk kombinerer et neuralt netværk med en varmeoverførselsmodel, så de grundlæggende fysiske love bevares samtidig med, at modellen kan opdateres med nye observationer. Dette gør systemet fortolkeligt og dynamisk, hvilket gør det muligt at rekonstruere underjordiske temperaturer og estimere termodynamiske egenskaber som ufrosset vandindhold og termisk ledningsevne.

Forskerne har testet deres model mod uafhængige data, herunder DAS-data, borehulstemperaturer og laboratoriemålinger. Dette gør undersøgelsen mere end blot en lokal modellering; den tilbyder en troværdig vej mod real-tids overvågning af permafrost og infrastruktur i takt med, at Arktis bliver varmere.

Sådan fungerer den digitale tvilling

Den foreslåede model tager jordtemperaturer som input og udleder seks ukendte parametre, der varierer langs vejen. Disse parametre integreres i varmeoverførselsligningen via konstitutive relationer og løses ved hjælp af en endelig differensmetode. Forskellen mellem forudsagte og observerede temperaturer beregnes som et "tab", og tabets gradienter bruges til at opdatere de neurale netværksparametre.

Figur: Modellens opbygning. Det neurale netværk (NN) tager jordtemperaturen på hver lateral position som input og udleder seks ukendte parametre, der varierer med afstanden. Disse parametre integreres i varmeoverførselsligningen via konstitutive relationer og løses ved hjælp af en endelig differensmetode (FDM). Forskellen mellem forudsagte og observerede temperaturer beregnes som et "tab", og tabets gradienter bruges til at opdatere NN-parametrene. Kilde: Gou et al. [2026], Figur 2

Fremtidens overvågning af permafrost

Undersøgelsen viser, hvordan digital tvilling-teknologi kan revolutionere overvågningen af permafrost under veje. Ved at kombinere avanceret databehandling med fysiske modeller kan systemet tilpasses løbende og levere præcise forudsigelser. Dette er afgørende for at sikre stabiliteten af veje og anden infrastruktur i takt med, at klimaforandringerne påvirker Arktis.

"Denne tilgang flytter sig væk fra sorte-boks-forudsigelser og skaber i stedet et fortolkeligt og opdatereligt system, der kan rekonstruere underjordiske temperaturfelter og teste disse mod uafhængige data."
— Xiang Huang, redaktør, JGR: Earth Surface

Citation: Gou, L., Xiao, M., Zhu, T., Martin, E. R., Wang, Z., Rocha dos Santos, G., et al. (2026). Physics-informed digital twin for predicting permafrost thermodynamic characteristics under an embankment road in Utqiaġvik, Alaska. Journal of Geophysical Research: Earth Surface, 131, e2025JF008787. https://doi.org/10.1029/2025JF008787