Digitale tweeling voorspelt permafrost onder wegen in het Noordpoolgebied

Onder wegen in het Noordpoolgebied warmt de permafrost op en wordt deze minder stabiel. Dit vormt een groeiende bedreiging voor de infrastructuur in het noorden. Toch blijft het voorspellen van hoe de bevroren grond zich ontwikkelt een uitdaging. De ondergrondse omstandigheden variëren sterk over korte afstanden, waarnemingen zijn schaars en traditionele modellen zijn moeilijk bij te werken met nieuwe veldgegevens.

Nieuwe aanpak met digitale tweeling

In een recente studie hebben onderzoekers onder leiding van Gou et al. (2026) een innovatieve oplossing gepresenteerd. Zij gebruikten vezeloptische temperatuurmetingen langs een 100 meter lang tracé bij Utqiaġvik, Alaska, om de ondiepe ondergrondse omstandigheden in de loop van de tijd te volgen. In plaats van monitoring en modellering als aparte taken te behandelen, koppelden ze deze aan elkaar in een raamwerk dat zich aanpast aan het fysieke systeem zelf.

Machine learning gecombineerd met natuurkundige principes

Wat deze studie bijzonder maakt, is niet alleen het gebruik van machine learning, maar vooral de manier waarop de auteurs een fysica-geïnformeerde digitale tweeling voor permafrost onder infrastructuur ontwikkelden. Hun raamwerk integreert een neuraal netwerk binnen een warmteoverdrachtssolver. Hierdoor blijven de natuurkundige principes centraal staan, terwijl het model onzekere bodemeigenschappen kan bijwerken zodra nieuwe waarnemingen beschikbaar zijn.

Deze aanpak gaat verder dan zwarte-doosvoorspellingen. Het resultaat is een interpreteerbaar en bij te werken systeem dat:

• Ondiepe temperatuurvelden kan reconstrueren;
• Thermodynamische eigenschappen zoals het gehalte aan onbevroren water en thermische geleidbaarheid kan afleiden;
• Deze afleidingen kan testen tegen onafhankelijke DAS-gegevens, boorgatmetingen en laboratoriummetingen.

Dit maakt de studie meer dan een locatiespecifieke modellering. Het biedt een betrouwbare weg naar real-time voorspellingen van permafrost en monitoring van infrastructuur in een snel opwarmend Noordpoolgebied.

Hoe werkt het raamwerk?

Het digitale tweelingmodel van de onderzoekers werkt als volgt:

• Het neuraal netwerk (NN) gebruikt de bodemtemperatuur op elke laterale positie als invoer;
• Het NN geeft zes onbekende parameters uit die lateraal variëren;
• Deze parameters worden in de warmteoverdrachtsvergelijking geïntegreerd via constitutieve relaties;
• Het resulterende systeem wordt opgelost met een eindige differentiemethode (FDM);
• Het verschil tussen voorspelde en waargenomen temperaturen wordt berekend en gedefinieerd als 'verlies';
• De verliesgradiënten worden teruggevoerd om de NN-parameters bij te werken.

"Deze studie toont aan dat we met een fysica-geïnformeerde digitale tweeling niet alleen betere voorspellingen kunnen doen, maar ook een systeem kunnen creëren dat zich continu aanpast aan nieuwe gegevens. Dit is cruciaal voor het veilig houden van infrastructuur in een veranderend Noordpoolklimaat."

Toepassing en toekomst

Deze methode biedt een oplossing voor de uitdagingen van veranderende ondergrondse omstandigheden. Door monitoring en modellering te integreren, kunnen overheden en ingenieurs:

• De stabiliteit van wegen en andere infrastructuur beter voorspellen;
• Tijdig maatregelen nemen om schade te voorkomen;
• Kosten besparen door gerichte onderhoudsplanning.

De digitale tweeling benadert permafrost niet als een statisch probleem, maar als een dynamisch systeem dat continu in de gaten moet worden gehouden. Dit is vooral relevant in het Noordpoolgebied, waar de opwarming twee tot drie keer sneller gaat dan wereldwijd.

Citatie en bron

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