Large-scale groundwater flow and transport modeling : a machine learning-powered investigation

Groundwater is the backbone of human life and environmental development. However, estimating its availability and planning for sustainable use pose a complex challenge, primarily due to the complexity of aquifer systems and the difficulty in obtaining reliable and adequate information. This doctoral thesis introduces innovative approaches that integrate artificial intelligence for the modeling and understanding of large-scale groundwater flows and contaminant transport. The research conducted during the doctorate initially focuses on the probabilistic modeling of the distribution of geomaterials. Considering the intrinsic uncertainty of complex systems such as aquifers, the study pays particular attention to the quantification of the uncertainty associated with the reconstruction of geomaterials. Thereafter, a robust theoretical framework for stochastic inverse modeling of large-scale groundwater flow is proposed and tested. This framework aims to enhance the modeling and management of complex, heterogeneous, large-scale groundwater systems. The insights gained will also guide future data acquisition and improve model parameterization. Finally, an innovative methodology has been developed for identifying the preferential pathways and the travel time of the fastest portion of contaminant within porous media. This latter study represents a preliminary step towards the development of robust and computationally efficient methodologies, useful for large-scale contaminant transport analyses. The thesis underscores the importance of integrating machine learning techniques with traditional hydrogeology methods to improve our understanding of complex systems like large-scale groundwater systems. The presented methodologies include the use of machine learning for the reconstruction of the distribution of geomaterials, the quantification of uncertainty, and the identification of contaminant preferential pathways and travel time. The developed methodologies have been tested for a real-world scenario, focusing specifically on the application of the developed methods for geological reconstruction and inverse modeling to the case study of Italy's largest watershed, the Po River basin. The study has demonstrated how machine learning can contribute to predicting the dynamics of water flows and contaminant transport in aquifers, thus promoting effective management of groundwater resources. The results of this research can be readily employed in the development of policies for the management of agriculture, industry, and ecosystem sustainability, providing a large-scale holistic view. Furthermore, it has been highlighted how innovative approaches can lead to an improvement in the understanding of groundwater and, consequently, its management. This study contributes to the ongoing discourse on sustainable resource management by offering a machine learning-powered approach to large-scale groundwater modeling. This study opens new horizons for both research and practice, highlighting how machine learning can be a powerful tool to address some of the most relevant environmental challenges of our time.

Le acque sotterranee sono l'asse portante della vita umana e dello sviluppo ambientale. Tuttavia, la stima della loro disponibilità e la pianificazione di un utilizzo sostenibile rappresentano una sfida complessa, principalmente a causa della complessità dei sistemi di acquiferi e della difficoltà nel reperire informazioni affidabili e in quantità adeguata. Questa tesi di dottorato introduce approcci innovativi che integrano l'intelligenza artificiale per la modellazione e comprensione dei flussi delle acque sotterranee a grande scala e il trasporto di contaminanti. La ricerca condotta durante il dottorato si focalizza inizialmente sulla modellazione probabilistica della distribuzione dei geo-materiali. Considerando l'incertezza intrinseca dei sistemi complessi come quelli delle acque sotterranee, lo studio dedica particolare attenzione alla quantificazione dell'incertezza associata alla ricostruzione dei geo-materiali. In seguito, viene proposta e testata una metodologia per la modellazione inversa stocastica del flusso di acque sotterranee a grande scala. Questa metodologia mira a migliorare la modellazione e la gestione di sistemi di acque sotterranee complessi, eterogenei e a grande scala. Le informazioni fornite dalla metodologia proposta possono inoltre guidare l'acquisizione di dati e per il miglioramento la parametrizzazione del modello. Infine, è stata sviluppata una metodologia per l'identificazione dei percorsi preferenziali del tempo di percorrenza dei contaminanti attraverso gli acquiferi. Quest'ultimo lavoro rappresenta un studio preliminare per lo sviluppo di metodologie robuste ed e cienti dal punto di vista computazionale, utili per le analisi del trasporto di contaminati a grande scala. La tesi evidenzia l'importanza dell'integrazione di tecniche di machine learning con i metodi tradizionali dell'idrogeologia per migliorare la comprensione di sistemi complessi come i sistemi di acque sotterranee a grande scala. Lemetodologie presentate includono l'uso del machine learning per la ricostruzione della distribuzione dei geomateriali, la quantificazione dell'incertezza incertezza e l'identificazione dei percorsi preferenziali dei contaminati. Le metodologie sviluppate sono state testate per uno scenario reale, concentrandosi sull'applicazione dei metodi sviluppati per la ricostruzione geologica e per la modellazione inversa al caso studio del bacino idrografico più grande d'Italia, il bacino del fiume Po. Lo studio ha dimostrato come il machine learning possa contribuire a prevedere le dinamiche dei flussi d'acqua e del trasporto di contaminanti negli acquiferi, favorendo così una gestione efficace delle risorse idriche. I risultati di questa ricerca possono avere un impatto immediato sullo sviluppo di politiche per la gestione dell'agricoltura, dell'industria e della sostenibilità degli ecosistemi, fornendo una visione olistica su larga scala. Inoltre, è stato evidenziato come approcci innovativi possano portare a un miglioramento della comprensione delle acque sotterranee e, di conseguenza, della loro gestione. Questo studio apporta un contributo significativo al fervente dibattito sulla gestione sostenibile delle risorse, proponendo un approccio alla modellazione delle acque sotterranee a grande scala supportato dall'apprendimento automatico. Questo studio apre nuovi orizzonti sia per la ricerca che per le appliazioni dirette, mettendo in luce come il machine learning possa essere un potente strumento per affrontare alcune delle più importanti sfide ambientali del nostro tempo.