Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
यह अध्ययन प्रदर्शित करता है कि डीप लर्निंग मॉडल, विशेष रूप से कनवल्शनल न्यूरल नेटवर्क, 760–950 nm रेंज में स्पेक्ट्रल फीचर्स का लाभ उठाकर हाइपरस्पेक्ट्रल VNIR डेटा में स्मेक्टाइट सामग्री की श्रेणियों को सटीक रूप से वर्गीकृत कर सकते हैं, जिसके निष्कर्ष संकेत देते हैं कि भूवैज्ञानिक उत्पत्ति, लिथोलॉजी की तुलना में स्पेक्ट्रल हस्ताक्षरों पर अधिक प्रभाव डालती है, जिससे भू-तकनीकी इंजीनियरिंग, संसाधन अन्वेषण और अपशिष्ट भंडारण स्थल चयन के अनुप्रयोगों में महत्वपूर्ण क्षमता प्राप्त होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
पहाड़ों के बीच से खोदी गई सुरंगों वाले गहरे भूमिगत क्षेत्रों में, चट्टान की स्थिरता स्वयं उन संरचनाओं के लिए जीवन और मृत्यु का प्रश्न है जिनके भीतर निर्माण किया गया है। कुछ चट्टानों में स्मेक्टाइट (smectite) नामक एक विशिष्ट प्रकार का क्ले खनिज होता है। जब यह खनिज महत्वपूर्ण मात्रा में मौजूद होता है, तो यह एक स्पंज की तरह काम करता है जो गीला होने पर फूल जाता है, जिससे अत्यधिक दबाव उत्पन्न होता है जो सुरंग की दीवारों को तोड़ सकता है, रास्तों को विकृत कर सकता है, या यहाँ तक कि भूस्खलन को भी ट्रिगर कर सकता है। दशकों से, इंजीनियर प्रयोगशाला परीक्षणों पर भरोसा करते आए हैं कि चट्टान के नमूने में इस फूलने वाले क्ले की कितनी मात्रा मौजूद है। ये पारंपरिक विधियाँ सटीक तो हैं लेकिन धीमी हैं, क्योंकि परिणाम आने में अक्सर कई दिन लग जाते हैं। निर्माण की तेज़ दुनिया में, लैब रिपोर्ट का इंतज़ार करने का अर्थ हो सकता है महत्वपूर्ण सुरक्षा संबंधी निर्णयों में देरी करना या सुरंग के ढहने से पहले उसे सुदृढ़ करने का अवसर खो देना। सवाल लंबे समय से यह रहा है कि क्या कोई तेज़ तरीका मौजूद है—एक ऐसा तरीका जो एक इंजीनियर को खुदाई स्थल के ठीक किनारे पर, बिना भूविज्ञान में डिग्री या प्रयोगशाला की यात्रा के, चट्टान के खतरे के स्तर के बारे में तुरंत बता सके।
शिमिज़ु कॉर्पोरेशन (Shimizu Corporation) और होक्काइडो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने उन्नत इमेजिंग को आर्टिफिशियल इंटेलिजेंस (AI) के साथ जोड़कर इस प्रश्न का उत्तर देने की दिशा में एक महत्वपूर्ण कदम उठाया है। उन्होंने प्रकाश की उस श्रेणी पर ध्यान केंद्रित किया जिसे मानव आँख नहीं देख सकती, जिसे दृश्य से निकट-अवरक्त (visible to near-infrared) स्पेक्ट्रम के रूप में जाना जाता है। जबकि हमारी आँखें रंगों की एक संकीर्ण पट्टी देखती हैं, हाइपरस्पेक्ट्रल कैमरे सैकड़ों सूक्ष्म रंगों को एक बहुत व्यापक रेंज में कैप्चर कर सकते हैं, जो खनिजों के अद्वितीय रासायनिक फिंगरप्रिंट को प्रकट करते हैं। शोधकर्ताओं ने जापान के दो बहुत अलग भूगर्भीय परिवेशों से चट्टानों के नमूने एकत्र किए: एक क्यूशू में एक पहाड़ी सुरंग से प्राप्त ज्वालामुखीय चट्टानें जिन्हें गर्मी और भाप द्वारा परिवर्तित किया गया था, और दूसरी होक्काइडो में एक सुरंग से प्राप्त तलछटी (sedimentary) चट्टानें जो प्राकृतिक दफन और दबाव के माध्यम से लाखों वर्षों में धीरे-धीरे बदली थीं। उन्होंने इन चट्टानों को पाउडर में पीसा और मानक एक्स-रे विवर्तन (X-ray diffraction) का उपयोग करके उनके सटीक स्मेक्टाइट अंश को मापा, जो एक सटीक लेकिन समय लेने वाली तकनीक है। फिर, उन्होंने हाइपरस्पेक्ट्रल कैमरे का उपयोग करके उन्हीं पाउडरों की तस्वीरें लीं, जिससे यह कैप्चर हुआ कि स्पेक्ट्रम के आर-पार प्रकाश खनिजों से कैसे टकराकर वापस लौटा।
इसके बाद टीम ने एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया, विशेष रूप से 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural network) नामक एक प्रकार का आर्टिफिशियल इंटेलिजेंस, ताकि वह प्रकाश के पैटर्न और मौजूद स्मेक्टाइट की मात्रा के बीच के संबंध को सीख सके। लक्ष्य यह देखना था कि क्या कंप्यूटर एक नए चट्टान के नमूने को देख सकता है, उसके प्रकाश सिग्नेचर का विश्लेषण कर सकता है, और सटीक रूप से भविष्यवाणी कर सकता है कि उसमें कितनी फूलने वाली मिट्टी मौजूद है। परिणाम उत्साहजनक थे लेकिन एक महत्वपूर्ण बारीकी को भी उजागर करते हैं। जब कंप्यूटर का परीक्षण उन चट्टानों पर किया गया जो उन्हीं भूगर्भीय परिवारों से आती थीं जिनसे उसने सीखा था, तो इसने उच्च सटीकता के साथ प्रदर्शन किया, और लगभग सभी मामलों में स्मेक्टाइट की मात्रा की सही पहचान की। हालाँकि, जब शोधकर्ताओं ने उसी कंप्यूटर को पूरी तरह से अलग भूगर्भीय मूल की चट्टानों का विश्लेषण करने के लिए कहा, तो इसके प्रदर्शन में काफी गिरावट आई। ज्वालामुखीय चट्टानों में स्मेक्टाइट की उच्च मात्रा का संकेत देने वाले प्रकाश पैटर्न, तलछटी चट्टानों से भिन्न थे। अध्ययन बताता है कि एक चट्टान कैसे बनी—उसका मूल—इसका प्रभाव उसके प्रकाश सिग्नेचर पर उसके प्रकार की तुलना में अधिक गहरा होता है। आर्टिफिशियल इंटेलिजेंस ने स्मेक्टाइट को पहचानने के लिए प्रकाश के परावर्तन में 760 और 950 नैनोमीटर के बीच एक विशिष्ट वृद्धि पर ध्यान केंद्रित करना सीखा, एक ऐसी रेंज जहाँ इस क्ले की उपस्थिति चट्टान को अधिक चमकदार बनाती है।
यह सिद्ध करने के लिए कि यह विधि वास्तविक दुनिया में काम कर सकती है, शोधकर्ताओं ने एक पोर्टेबल डार्करूम बनाया जिसे सीधे निर्माण स्थल पर स्थापित किया जा सकता है। उन्होंने प्रदर्शित किया कि वे चट्टान के नमूने ले सकते हैं, उन्हें पीस सकते हैं, और वहीं आवश्यक प्रकाश डेटा कैप्चर कर सकते हैं, बिना किसी चीज़ को दूर स्थित लैब में भेजे। अध्ययन निष्कर्ष निकालता है कि हालांकि यह तकनीक अभी भी पृथ्वी पर हर प्रकार की चट्टान के लिए एक सार्वभौमिक उपकरण नहीं हो सकती है, फिर भी यह विशिष्ट भूगर्भीय संदर्भों के लिए एक शक्तिशाली नई क्षमता प्रदान करती है। यदि इंजीनियरों को पता हो कि वे किस मूल की चट्टानों के साथ काम कर रहे हैं, तो वे इस डीप लर्निंग सिस्टम का उपयोग करके तुरंत मानचित्रित कर सकते हैं कि खतरनाक स्तर का स्मेक्टाइट कहाँ मौजूद है। इससे तत्काल निर्णय लेना संभव हो सकेगा कि सुरंग को सुदृढ़ करना है या उसका डिज़ाइन बदलना है, जिससे विकृति को रोका जा सके और समस्या के दृश्यमान होने से बहुत पहले सुरक्षा सुनिश्चित की जा सके। शोध इंगित करता है कि चट्टान के मूल के अद्वितीय प्रकाश फिंगरप्रिंट को समझकर, हम एक धीमी, जटिल विश्लेषण को एक तीव्र, ऑन-साइट मूल्यांकन में बदल सकते हैं, जिससे हमारे पैरों के नीचे छिपे जोखिमों के प्रबंधन का तरीका बदल जाएगा।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।