Gêmeo digital inovador prevê derretimento de permafrost sob estradas no Ártico

Nova abordagem usa física e IA para prever instabilidade do solo congelado

O permafrost sob estradas no Ártico está esquentando e se tornando menos estável, aumentando os riscos para infraestruturas no norte. No entanto, prever como o solo congelado evoluirá é um desafio, pois as condições subterrâneas variam drasticamente em curtas distâncias, as observações são escassas e os modelos tradicionais são difíceis de atualizar com novos dados de campo.

Em um novo estudo publicado no Journal of Geophysical Research: Earth Surface, pesquisadores liderados por Gou et al. [2026] apresentam uma solução inovadora para esse problema. Eles desenvolveram um gêmeo digital baseado em física para monitorar o permafrost sob um trecho de estrada de 100 metros em Utqiaġvik, no Alasca, usando medições de temperatura por fibra óptica.

Como funciona o modelo

Diferentemente de abordagens convencionais, que tratam monitoramento e modelagem como processos separados, os autores integraram essas etapas em um framework dinâmico capaz de evoluir junto com o sistema físico real. O modelo combina:

• Uma rede neural que processa dados de temperatura do solo;
• Um solucionador de transferência de calor que incorpora leis físicas fundamentais;
• Um sistema de atualização contínua com novos dados observacionais.

O resultado é um modelo interpretável e adaptável, capaz de:

• Reconstruir campos de temperatura subterrâneos;
• Inferir propriedades termodinâmicas, como teor de água não congelada e condutividade térmica;
• Validar essas inferências com dados independentes, como medições de DAS, temperaturas de poços e testes laboratoriais.

Benefícios para o Ártico em aquecimento

Esse avanço vai além de uma simples modelagem local. A tecnologia oferece um caminho credível para previsões em tempo quase real do comportamento do permafrost e monitoramento de infraestruturas em regiões árticas, onde o degelo acelerado ameaça pontes, estradas e outras construções.

"Este estudo representa um salto significativo ao integrar física e aprendizado de máquina de forma interpretável e atualizável, permitindo previsões mais precisas e adaptáveis às mudanças climáticas no Ártico."

Detalhes técnicos do modelo

A arquitetura do gêmeo digital proposta pelos pesquisadores funciona da seguinte forma:

• A rede neural recebe como entrada a temperatura do solo em cada posição lateral e gera seis parâmetros desconhecidos que variam com a distância;
• Esses parâmetros são incorporados à equação de transferência de calor por meio de relações constitutivas;
• O sistema resultante é resolvido usando o método de diferenças finitas;
• A diferença entre temperaturas previstas e observadas é calculada como "perda";
• Os gradientes de perda são retropropagados para atualizar os parâmetros da rede neural.

Crédito: Gou et al. [2026], Figura 2

Referência do estudo

Citação: 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

Texto © 2026. Os autores. CC BY-NC-ND 3.0

Exceto onde indicado, imagens estão sujeitas a direitos autorais. Qualquer uso sem permissão expressa do detentor dos direitos é proibido.