Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
Cette étude démontre que les modèles d'apprentissage profond, spécifiquement les réseaux de neurones convolutifs, peuvent classifier avec précision les plages de teneur en smectite dans les données hyperspectrales VNIR en exploitant les caractéristiques spectrales dans la plage 760–950 nm, les résultats indiquant que l'origine géologique exerce une influence plus grande sur les signatures spectrales que la lithologie, offrant ainsi un potentiel significatif pour des applications en génie géotechnique, en exploration des ressources et en sélection de sites de stockage de déchets.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Profondément sous terre, là où des tunnels sont creusés à travers les montagnes, la stabilité de la roche elle-même est une question de vie ou de mort pour les structures qui y sont construites. Certaines roches contiennent un type spécifique de minéral d'argile appelé smectite. Lorsque ce minéral est présent en quantités significatives, il agit comme une éponge qui gonfle lorsqu'elle est mouillée, exerçant une pression immense capable de fissurer les parois des tunnels, de déformer les voies de circulation ou même de déclencher des glissements de terrain. Pendant des décennies, les ingénieurs se sont appuyés sur des tests de laboratoire pour mesurer la quantité d'argile gonflante présente dans un échantillon de roche. Ces méthodes traditionnelles sont précises mais lentes, prenant souvent des jours pour donner des résultats. Dans le monde de la construction, où tout va très vite, attendre un rapport de laboratoire peut signifier retarder des décisions de sécurité critiques ou manquer la fenêtre d'opportunité pour renforcer un tunnel avant qu'il ne s'effondre. La question est de savoir depuis longtemps si une méthode plus rapide existe — une méthode qui pourrait indiquer à un ingénieur le niveau de danger de la roche immédiatement, directement au bord du site d'excavation, sans avoir besoin d'un diplôme en géologie ou d'un déplacement en laboratoire.
Une équipe de chercheurs de la Shimizu Corporation et de l'Université de Hokkaido a franchi une étape importante vers la réponse à cette question en combinant l'imagerie avancée avec l'intelligence artificielle. Ils se sont concentrés sur une gamme de lumière que l'œil humain ne peut pas voir, connue sous le nom de spectre du visible au proche infrarouge. Alors que nos yeux ne perçoivent qu'une bande étroite de couleurs, les caméras hyperspectrales peuvent capturer des centaines de nuances subtiles à travers une plage beaucoup plus large, révélant l'empreinte chimique unique des minéraux. Les chercheurs ont rassemblé des échantillons de roche provenant de deux contextes géologiques très différents au Japon : un ensemble de roches volcaniques provenant d'un tunnel de montagne à Kyushu qui avaient été altérées par la chaleur et la vapeur, et un autre ensemble de roches sédimentaires provenant d'un tunnel à Hokkaido qui avaient changé lentement au cours de millions d'années par enfouissement naturel et pression. Ils ont broyé ces roches en poudre et ont mesuré leur teneur exacte en smectite à l'aide de la diffraction des rayons X standard, une technique précise mais chronophage. Ensuite, ils ont pris des photos de ces mêmes poudres à l'aide d'une caméra hyperspectrale, capturant la façon dont la lumière rebondissait sur les minéraux à travers le spectre.
L'équipe a ensuite entraîné un programme informatique, plus précisément un type d'intelligence artificielle appelé réseau de neurones convolutifs, pour apprendre la relation entre les motifs lumineux et la quantité de smectite présente. L'objectif était de voir si l'ordinateur pouvait examiner un nouvel échantillon de roche, analyser sa signature lumineuse et prédire avec précision la quantité d'argile gonflante qu'il contenait. Les résultats étaient prometteurs mais ont révélé une nuance cruciale. Lorsque l'ordinateur a été testé sur des roches provenant de la même famille géologique que celles sur lesquelles il avait appris, il a performé avec une grande précision, identifiant correctement la teneur en smectite dans presque tous les cas. Cependant, lorsque les chercheurs ont demandé au même ordinateur d'analyser des roches provenant d'une origine géologique complètement différente, ses performances ont chuté de manière significative. Les motifs lumineux qui signalaient une quantité élevée de smectite dans les roches volcaniques étaient différents de ceux des roches sédimentaires. L'étude suggère que l'histoire de la formation d'une roche — son origine — a une influence plus forte sur sa signature lumineuse que le type de roche lui-même. L'intelligence artificielle a appris à repérer la smectite en se concentrant sur une augmentation spécifique de la réflexion de la lumière entre 760 et 950 nanomètres, une plage où la présence de cette argile fait que la roche paraît plus brillante.
Pour prouver que cette méthode pouvait fonctionner dans le monde réel, les chercheurs ont construit une chambre noire portable qui pouvait être installée directement sur un site de construction. Ils ont démontré qu'ils pouvaient prendre des échantillons de roche, les broyer et capturer les données lumineuses nécessaires directement sur place, sans avoir besoin de les envoyer dans un laboratoire lointain. L'étude conclut que, bien que cette technologie ne puisse pas encore être un outil universel pour tous les types de roches sur Terre, elle offre une nouvelle capacité puissante pour des contextes géologiques spécifiques. Si les ingénieurs connaissent l'origine des roches sur lesquelles ils travaillent, ils peuvent utiliser ce système d'apprentissage profond pour cartographier instantanément les zones où existent des niveaux dangereux de smectite. Cela pourrait permettre de prendre des décisions immédiates sur la nécessité de renforcer un tunnel ou de modifier sa conception, prévenant ainsi la déformation et assurant la sécurité bien avant qu'un problème ne devienne visible. La recherche indique qu'en comprenant l'empreinte lumineuse unique de l'origine d'une roche, nous pouvons transformer une analyse lente et complexe en une évaluation rapide sur site, transformant ainsi notre gestion des risques cachés sous nos pieds.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.