Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
تُظهر هذه الدراسة أن نماذج التعلم العميق، وتحديداً الشبكات العصبية الالتفافية، يمكنها تصنيف نطاقات محتوى السميكتيت بدقة في بيانات الطيف المرئي والأشعة تحت الحمراء القريبة (VNIR) من خلال الاستفضاء بالسمات الطيفية في النطاق 760-950 نانومتر، حيث تشير النتائج إلى أن الأصل الجيولوجي يمارس تأثيراً أكبر على البصمات الطيفية من الليثولوجيا، مما يوفر إمكانات كبيرة للتطبيقات في الهندسة الجيوتقنية، واستكشاف الموارد، واختيار مواقع تخزين النفايات.
في أعماق الأرض، حيث تُنحت الأنفاق عبر الجبال، تُعد استقرارية الصخور نفسها مسألة حياة أو موت للمنشآت المبنية داخلها. تحتوي بعض الصخور على نوع محدد من المعادن الطينية يسمى "السمكتيت" (smectite). وعندما يتواجد هذا المعدن بكميات كبيرة، فإنه يعمل مثل الإسفنجة التي تنتفخ عندما تبتل، مما يولد ضغطاً هائلاً يمكن أن يؤدي إلى تشقق جدران الأنفاق، أو تشويه الطرق، أو حتى التسبب في انهيارات أرضية. لعقود من الزمن، اعتمد المهندسون على الاختبارات المعملية لقياس كمية هذا الطين المنتفخ الموجود في عينة صخرية. هذه الطرق التقليدية دقيقة ولكنها بطيئة، إذ غالباً ما تستغرق أياماً لإظهار النتائج. وفي عالم البناء المتسارع، قد يعني انتظار تقرير المختبر تأخير قرارات السلامة الحرجة أو تفويت الفرصة لتدعيم نفق قبل أن ينهار. لقد ظل السؤال المطروح طويلاً هو ما إذا كانت هناك طريقة أسرع — طريقة يمكنها إخبار المهندس بمستوى خطورة الصخر فوراً، عند حافة موقع الحفر مباشرة، دون الحاجة إلى شهادة في الجيولوجيا أو رحلة إلى مختبر.
لقد اتخذ فريق من الباحثين من شركة "شيميزو" (Shimizu Corporation) وجامعة "هوكايدو" خطوة كبيرة نحو الإجابة على هذا السؤال من خلال الجمع بين التصوير المتقدم والذكاء الاصطناعي. لقد ركزوا على نطاق من الضوء لا تراه العين البشرية، والمعروف باسم الطيف المرئي والأشعة تحت الحمراء القريبة. وبينما ترى أعيننا نطاقاً ضيقاً فقط من الألوان، يمكن للكاميرات فائقة الطيف التقاط مئات الدرجات الخفية عبر نطاق أوسع بكثير، مما يكشف عن البصمات الكيميائية الفريدة للمعادن. جمع الباحثون عينات صخرية من بيئتين جيولوجيتين مختلفتين تماماً في اليابان: مجموعة من الصخور البركانية من نفق جبلي في "كيوشو" تعرضت للتغير بفعل الحرارة والبخار، ومجموعة أخرى من الصخور الرسوبية من نفق في "هوكايدو" تغيرت ببطء على مدى ملايين السنين من خلال الدفن الطبيعي والضغط. قاموا بطحن هذه الصخور إلى مسحوق وقاسوا محتوى "السمكتيت" الدقيق باستخدام تقنية حيود الأشعة السينية القياسية، وهي تقنية دقيقة ولكنها تستغرق وقتاً طويلاً. ثم التقطوا صوراً لنفس المساحيق باستخدام كاميرا فائقة الطيف، حيث سجلوا الطريقة التي ارتد بها الضوء عن المعادن عبر الطيف.
بعد ذلك، قام الفريق بتدريب برنامج كمبيوتر، وتحديداً نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية الالتفافية" (convolutional neural network)، لتعلم العلاقة بين أنماط الضوء وكمية "السمكتيت" الموجودة. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر النظر إلى عينة صخرية جديدة، وتحليل بصمتها الضوئية، والتنبؤ بدقة بمقدار الطين المنتفخ الذي تحتوي عليه. كانت النتائج واعدة ولكنها كشفت عن فارق دقيق وحاسم. فعندما تم اختبار الكمبيوتر على صخور تنتمي إلى نفس العائلة الجيولوجية للتي تعلم منها، كان أداؤه عالياً، حيث حدد محتوى "السمكتيت" بدقة في جميع الحالات تقريباً. ومع ذلك، عندما طلب الباحثون من نفس الكمبيوتر تحليل صخور من أصل جيولوجي مختلف تماماً، انخفض أداؤه بشكل كبير. فأنماط الضوء التي أشارت إلى وجود كمية عالية من "السمكت
ملخص تقني: التقييم الكمي لمحتوى السميكتيت باستخدام التعلم العميق وبيانات الطيف المرئي وفوق البنفسجي والأشعة تحت الحمراء القريبة (VNIR)
بيان المشكلة يشكل وجود السميكتيت في الصخور اللينة مخاطر كبيرة على المنشآت الهندسية المدنية، لا سيما في أنفاق الجبال، حيث يمكن أن يتسبب في ظواهر التدهور مثل التفتت، والانتفاخ، والانهيارات الأرضية. إن الطرق الحالية لتقدير محتوى السميكتيت، وتحديداً حيود الأشعة السينية (XRD) واختبارات امتزاز صبغة الميثيلين الأزرق، تستغرق وقتاً طويلاً وغالباً ما تؤدي إلى تأخير التدابير العلاجية الحرجة أثناء عملية الإنشاء. وبينما استخدمت الدراسات السابقة أطياف الامتصاص بالأشعة تحت الحمراء (تحديداً في نطاق 1.8–2.0 ميكرومتر) للتقدير السريع، إلا أن هذه الطرق تواجه قيوداً في حالات المحتوى المائي العالي أو تركيزات الطين المنتفخ العالية. علاوة على ذلك، لم تعالج الأبحاث الحالية بشكل كامل تباين البيانات الطيفية عبر مختلف الليثولوجيات (الأصول الصخرية) والأصول الجيولوجية، كما لم تستكشف بشكل كامل مدى فائدة نطاق الطيف المرئي والأشعة تحت الحمراء القريبة (VNIR) (400–1000 نانومتر) لهذه المهمة الكمية المحددة.
المنهجية طورت هذه الدراسة نهجاً يعتمد على التعلم العميق لتقدير محتوى السميكتيت باستخدام بيانات VNIR الطيفية. وقد تضمن البحث الخطوات التالية:
جمع العينات: تم جمع عينات طبيعية تحتوي على السميكتيت من بيئتين جيولوجيتين متميزتين في اليابان:
الأنديزيت المتحول حرارياً مائياً (حوض كاکوتو): 33 عينة تتراوح من الأنديزيت الطازج إلى الطين المتحول بشدة.
الغرين والحجر البركاني (Tuff) المتكون ديوجينياً (بلدة ياكومو، هوكايدو): 30 عينة من تكوين كوروماتسوناي في العصر الميوسيني.
تحديد الحقيقة الأرضية (Ground Truth): تم تقدير محتوى السميكتيت كمياً باستخدام تحليل XRD باتباع طريقة ياشيما (2006)، باستخدام تبادل أيونات الكالسيوم والفلوريت كمعيار داخلي. تم تصنيف العينات إلى ثلاث فئات: 0–7% بالوزن، 7–15% بالوزن، و >15% بالوزن.
الحصول على البيانات الطيفية: تم تصوير العينات المسحوقة باستخدام كاميرا طيفية من نوع (Specim IQ) (400–1000 نانومتر، 204 حزمة طيفية) في بيئة غرفة مظلمة محكومة. تمت معالجة البيانات ضمن نطاق 45–950 نانومتر لتقليل الضوضاء.
بناء نموذج الذكاء الاصطناعي: تم تدريب شبكة عصبية تلافيفية (CNN) لتصنيف محتوى السميكتيت بناءً على البيانات الطيفية. ولمعالجة التحيز المحتمل، تم موازنة مجموعات البيانات بـ 10,000 نقطة بيانات طيفية لكل فئة. تم تقييم نموذجين متميزين:
نموذج الأنديزيت: تم تدريبه حصرياً على عينات الأنديزيت.
نموذج الأصل الواحد: تم تدريبه حصرياً على عينات الغرين والحجر البركاني من نفس التكوين الجيولوجي.
التحقق من الصحة: تم اختبار النماذج على عينات غير معروفة، بما في ذلك تلك التي لها نفس الليثولوجيا/الأصل، وتلك التي لها ليثولوجيا/أصل مختلف، لتقييم القدرة على التعميم.
النتائج الرئيسية
دقة التصنيف:
حقق نموذج الأنديزيت دقة تقارب 90% في بيانات التدريب، ودقة تتراوح بين 76.5% و91.9% في العينات المجهولة من نفس الليثولوجيا والأصل. ومع ذلك، انخفضت الدقة بشكل كبير (25.5%–51.2%) عند تطبيقه على عينات من أصول مختلفة (الغرين/الحجر البركاني).
حقق نموذج الأصل الواحد دقة تزيد عن 80% في بيانات التدريب، ودقة تتراوح بين 90.4% و92.5% في العينات المجهولة من نفس الأصل (ليثولوجيات مختلفة ضمن نفس التكوين). كانت الدقة ضعيفة (0.0%–94.2%، مع أداء منخفض في مجموعات المحتوى العالي) للعينات من أصول مختلفة (الأنديزيت).
الخصائص الطيفية:
وُجد أن البيانات الطيفية تتأثر بكل من الليثولوجيا والأصل، مع تأثير أكبر للأصل.
لوحظ اتجاه ثابت عبر جميع العينات يتمثل في زيادة الانعكاس في نطاق 760–950 نانومتر بالتزامن مع ارتفاع محتوى السميكتيت.
تباينت سلوكيات القمم المحددة عند 470، 630، 650، و760 نانومتر بشكل كبير بين مجموعات الأنديزيت والغرين/الحجر البركاني، مما منع إمكانية نقل النموذج بين الأصول المختلفة.
القابلية للتفسير: يشير تحليل الشبكة العصبية التلافيفية (CNN) إلى أن النماذج تقدر محتوى السميكتيت بشكل أساسي من خلال التركيز على زيادة الانعكاس في نطاق 760–950 نانومتر. ويُعزى ذلك إلى العلاقة العكسية بين حجم الجسيمات والانعكاس (الجسيمات الأدق للسميكتيت تزيد من الانعكاس) والتغيرات المعدنية المحددة المرتبطة بعملية التحلل (مثل امتصاص أكسيد الحديد في الأنديزيت مقابل تجوية الرماد البركاني في الغرين والحجر البركاني).
الأهمية والادعاءات يزعم البحث أن الجمع بين بيانات VNIR الطيفية وشبكات CNN يتيح التقدير السريع لمحتوى السميكتيت، بشرط تدريب النموذج على عينات من نفس الليثولوجيا والأصل الجيولوجي. وتوضح الدراسة ما يلي:
التقييم الموقعي السريع: من خلال استخدام غرفة مظلمة محمولة، يمكن الحصول على البيانات الطيفية في مواقع إنشاء الأنفاق، مما يسمح بالتقييم الفوري لمحتوى السميكتيت دون التأخير الناتج عن مختبرات XRD.
التمييز بين الأصول: تظهر الطريقة إمكانية تصنيف الصخور حسب أصلها الجيولوجي، حيث يؤثر الأصل على البيانات الطيفية بشكل أقوى من الليثولوجيا وحدها.
التطبيق الهندسي: يدعم التحديد الفوري لمحتوى السميكتيت اتخاذ القرار بشأن التعديلات الإنشائية في تصميم الأنفاق، مما قد يحسن سلامة وجودة المنشآت المدنية ويتجنب تأخير المشاريع.
المنفعة الأوسع: يشير المؤلفون إلى أن هذه القدرة تمتد إلى ما وراء تقييم المخاطر الجيوتقنية لتشمل تطبيقات في استكشاف المكامن، واختيار مواقع المطامر، وتوصيف طبقات المياه الجوفية، رغم تأكيدهم على ضرية التحقق من قابلية تطبيق النموذج للظروف الأرضية الجديدة قبل التنفيذ.
تخلص الدراسة إلى أنه بينما يفتقر نطاق VNIR إلى سمات امتصاص مباشرة لبنية السميكتيت، فإنه يلتقط السمات الطيفية للمعادن المكونة للصخور المرتبطة بها وعمليات التحلل، والتي يمكن لنماذج التعلم العميق استخدامها بفعالية للتقييم الكمي ضمن سياقات جيولوجية محددة.