Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
Este estudio demuestra que los modelos de aprendizaje profundo, específicamente las redes neuronales convolucionales, pueden clasificar con precisión los rangos de contenido de esmectita en datos hiperespectrales VNIR aprovechando las características espectrales en el rango de 760–950 nm, indicando que los hallazgos señalan que el origen geológico ejerce una mayor influencia en las firmas espectrales que la litología, ofreciendo así un potencial significativo para aplicaciones en ingeniería geotécnica, exploración de recursos y selección de sitios de almacenamiento de desechos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En lo profundo del subsuelo, donde los túneles son excavados a través de las montañas, la estabilidad de la propia roca es una cuestión de vida o muerte para las estructuras construidas en su interior. Algunas rocas contienen un tipo específico de mineral de arcilla llamado esmectita. Cuando este mineral está presente en cantidades significativas, actúa como una esponja que se hincha cuando se moja, ejerciendo una presión inmensa que puede agrietar las paredes de los túneles, deformar las vías de comunicación o incluso desencadenar deslizamientos de tierra. Durante décadas, los ingenieros han dependido de pruebas de laboratorio para medir cuánto de esta arcilla expansiva existe en una muestra de roca. Estos métodos tradicionales son precisos pero lentos, y a menudo tardan días en devolver los resultados. En el acelerado mundo de la construcción, esperar un informe de laboratorio puede significar retrasar decisiones críticas de seguridad o perder la oportunidad de reforzar un túnel antes de que colapse. La pregunta ha sido durante mucho tiempo si existe una forma más rápida, una que pudiera decirle a un ingeniero el nivel de peligro de la roca de inmediato, justo al borde del sitio de excavación, sin necesidad de un título en geología o un viaje a un laboratorio.
Un equipo de investigadores de Shimizu Corporation y la Universidad de Hokkaido ha dado un paso significativo hacia la respuesta a esta pregunta combinando la imagen avanzada con la inteligencia artificial. Se centraron en un rango de luz que el ojo humano no puede ver, conocido como el espectro del visible al infrarrojo cercano. Mientras que nuestros ojos ven solo una estrecha banda de colores, las cámaras hiperespectrales pueden capturar cientos de matices sutiles a través de un rango mucho más amplio, revelando las huellas químicas únicas de los minerales. Los investigadores recolectaron muestras de roca de dos entornos geológicos muy diferentes en Japón: un conjunto de rocas volcánicas de un túnel de montaña en Kyushu que habían sido alteradas por calor y vapor, y otro conjunto de rocas sedimentarias de un túnel en Hokkaido que habían cambiado lentamente a lo largo de millones de años mediante el entierro natural y la presión. Trituraron estas rocas hasta convertirlas en polvo y midieron su contenido exacto de esmectita utilizando una técnica estándar de difracción de rayos X, una técnica precisa pero lenta. Luego, tomaron fotografías de los mismos polvos utilizando una cámara hiperespectral, capturando la forma en que la luz rebotaba en los minerales a través del espectro.
El equipo entrenó entonces un programa informático, específicamente un tipo de inteligencia artificial llamada red neuronal convolucional, para aprender la relación entre los patrones de luz y la cantidad de esmectita presente. El objetivo era ver si la computadora podía mirar una nueva muestra de roca, analizar su firma de luz y predecir con precisión cuánto contenido de arcilla expansiva contenía. Los resultados fueron prometedores pero revelaron un matiz crucial. Cuando la computadora fue probada con rocas que provenían de la misma familia geológica que aquellas con las que aprendió, funcionó con alta precisión, identificando correctamente el contenido de esmectita en casi todos los casos. Sin embargo, cuando los investigadores pidieron a la misma computadora que analizara rocas de un origen geológico completamente diferente, su rendimiento disminuyó significativamente. Los patrones de luz que señalaban una alta cantidad de esmectita en las rocas volcánicas eran diferentes de los de las rocas sedimentarias. El estudio sugiere que la historia de cómo se formó una roca —su origen— tiene una influencia más fuerte en su firma de luz que el tipo de roca que es. La inteligencia artificial aprendió a detectar la esmectita enfocándose en un aumento específico de la reflexión de la luz entre 760 y 950 nanómetros, un rango donde la presencia de esta arcilla hace que la roca parezca más brillante.
Para demostrar que este método podría funcionar en el mundo real, los investigadores construyeron un cuarto oscuro portátil que podía instalarse directamente en un sitio de construcción. Demostraron que podían tomar muestras de roca, triturarlas y capturar los datos de luz necesarios allí mismo, sin necesidad de enviar nada a un laboratorio distante. El estudio concluye que, si bien esta tecnología aún no puede ser una herramienta universal para cada tipo de roca en la Tierra, ofrece una nueva y poderosa capacidad para contextos geológicos específicos. Si los ingenieros conocen el origen de las rocas con las que están trabajando, pueden usar este sistema de aprendizaje profundo para mapear instantáneamente dónde existen niveles peligrosos de esmectita. Esto podría permitir decisiones inmediatas sobre si reforzar un túnel o cambiar su diseño, previniendo la deformación y garantizando la seguridad mucho antes de que un problema se vuelva visible. La investigación indica que, al comprender la huella de luz única del origen de una roca, podemos convertir un análisis lento y complejo en una evaluación rápida y en el lugar, transformando la manera en que gestionamos los riesgos ocultos bajo nuestros pies.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.