Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
Diese Studie zeigt, dass Deep-Learning-Modelle, insbesondere faltende neuronale Netzwerke, den Smektitgehalt in hyperspektralen VNIR-Daten durch die Nutzung spektraler Merkmale im Bereich von 760–950 nm genau klassifizieren können, wobei die Ergebnisse darauf hindeuten, dass der geologische Ursprung einen größeren Einfluss auf die Spektralsignaturen ausübt als die Lithologie, was somit ein erhebliches Potenzial für Anwendungen in der Geotechnik, der Ressourcenexploration und der Auswahl von Ablagerungsstätten bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Tief unter der Erde, wo Tunnel durch Berge getrieben werden, ist die Stabilität des Gesteins selbst eine Frage von Leben und Tod für die darin errichteten Strukturen. Einige Gesteine enthalten eine spezifische Art von Tonmineral namens Smektit. Wenn dieses Mineral in signifikanten Mengen vorhanden ist, wirkt es wie ein Schwamm, der sich bei Nässe aufquillt und einen immensen Druck ausübt, der Tunnelwände aufreißen, Fahrbahnen verformen oder sogar Erdrutsche auslösen kann. Jahrzehntelang haben sich Ingenieure auf Labortests verlassen, um zu messen, wie viel dieses quellfähigen Tons in einer Gesteinsprobe vorhanden ist. Diese traditionellen Methoden sind genau, aber langsam und benötigen oft Tage, um Ergebnisse zu liefern. In der schnelllebigen Welt des Bauwesens kann das Warten auf einen Laborbericht bedeuten, dass kritische Sicherheitsentscheidungen verzögert werden oder das Zeitfenster zur Verstärkung eines Tunnels vor einem Einsturz verpasst wird. Die Frage war lange Zeit, ob es einen schnelleren Weg gibt – einen, der einem Ingenieur das Gefahrenniveau des Gesteins sofort direkt am Rand der Ausgrabungsstätte mitteilen könnte, ohne dass dafür ein Geologiestudium oder eine Reise in ein Labor erforderlich ist.
Ein Forschungsteam der Shimizu Corporation und der Hokkaido University hat mit der Kombination von fortschrittlicher Bildgebung und künstlicher Intelligenz einen bedeutenden Schritt zur Beantwortung dieser Frage unternommen. Sie konzentrierten sich auf einen Bereich des Lichts, den das menschliche Auge nicht sehen kann, bekannt als das sichtbare bis nahen Infrarot-Spektrum. Während unsere Augen nur einen schmalen Farbbereich wahrnehmen, können Hyperspektralkameras hunderte subtiler Nuancen über einen viel breiteren Bereich erfassen und so die einzigartigen chemischen Fingerabdrücke von Mineralien offenlegen. Die Forscher sammelten Gesteinsproben aus zwei sehr unterschiedlichen geologischen Umgebungen in Japan: ein Set aus vulkanischen Gesteinen aus einem Gebirgstunnel in Kyushu, die durch Hitze und Dampf verändert worden waren, und ein anderes Set aus Sedimentgesteinen aus einem Tunnel in Hokkaido, die sich über Millionen von Jahren durch natürliche Versenkung und Druck langsam verändert hatten. Sie mahlten diese Gesteine zu Pulver und maßen ihren exakten Smektitgehalt mittels der Standard-Röntgenbeugung, einer präzisen, aber zeitaufwendigen Technik. Anschließend machten sie Aufnahmen derselben Pulver mit einer Hyperspektralkamera und erfassten die Art und Weise, wie das Licht über das Spektrum von den Mineralien reflektiert wurde.
Das Team trainierte daraufhin ein Computerprogramm, speziell eine Art von künstlicher Intelligenz namens Convolutional Neural Network, um die Beziehung zwischen den Lichtmustern und der Menge des vorhandenen Smektits zu erlernen. Das Ziel war es zu sehen, ob der Computer eine neue Gesteinsprobe analysieren, ihre Lichtsignatur auswerten und präzise vorhersagen kann, wie viel quellfähigen Ton sie enthält. Die Ergebnisse waren vielversprechend, offenbarten jedoch eine entscheidende Nuance. Wenn der Computer mit Gesteinen getestet wurde, die aus derselben geologischen Familie stammten wie die, von denen er gelernt hatte, arbeitete er mit hoher Genauigkeit und identifizierte den Smektitgehalt in fast allen Fällen korrekt. Wenn die Forscher jedoch denselben Computer baten, Gesteine aus einem völlig anderen geologischen Ursprung zu analysen, sank seine Leistung erheblich. Die Lichtmuster, die in den vulkanischen Gesteinen auf einen hohen Anteil an Smektit hindeuteten, unterschieden sich von denen in den Sedimentgesteinen. Die Studie legt nahe, dass die Geschichte der Entstehung eines Gesteins – sein Ursprung – einen stärkeren Einfluss auf seine Lichtsignatur hat als die Art des Gesteins selbst. Die künstliche Intelligenz lernte, den Smektit durch die Konzentration auf eine spezifische Zunahme der Lichtreflexion zwischen 760 und 950 Nanometern zu erkennen, einem Bereich, in dem die Anwesenheit dieses Tons das Gestein heller erscheinen lässt.
Um zu beweisen, dass diese Methode in der realen Welt funktionieren kann, bauten die Forscher eine tragbare Dunkelkammer, die direkt auf einer Baustelle aufgebaut werden konnte. Sie demonstrierten, dass sie Gesteinsproben nehmen, mahlen und die notwendigen Lichtdaten direkt vor Ort erfassen können, ohne etwas in ein entferntes Labor schicken zu müssen. Die Studie kommt zu dem Schluss, dass diese Technologie zwar noch kein universelles Werkzeug für jede Gesteinsart auf der Erde sein kann, sie aber eine leistungsstarke neue Fähigkeit für spezifische geologische Kontexte bietet. Wenn Ingenieure die Herkunft der Gesteine kennen, mit denen sie arbeiten, können sie dieses Deep-Learning-System nutzen, um sofort die Stellen mit gefährlichen Smektitwerten zu kartieren. Dies könnte unmittelbare Entscheidungen darüber ermöglichen, ob ein Tunnel verstärkt oder dessen Design geändert werden muss, wodurch Verformungen verhindert und die Sicherheit gewährleistet wird, lange bevor ein Problem sichtbar wird. Die Forschung deutet darauf an, dass wir durch das Verständnis des einzigartigen Lichtfingerabdrucks eines Gesteinsursprungs eine langsame, komplexe Analyse in eine schnelle Vor-Ort-Bewertung verwandeln können, was das Management der verborgenen Risiken unter unseren Füßen transformiert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.