Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range

기술 요약: 딥러닝 및 VNIR 초분광 데이터를 이용한 스멕타이트 함량의 정량적 평가

문제 제기
연암 내 스멕타이트의 존재는 토목 구조물, 특히 산악 터널에서 슬레이킹(slaking), 팽창, 산사태와 같은 열화 현상을 유발하여 심각한 위험을 초래할 수 있다. 스멕타이트 함량을 정량화하는 기존 방법인 X선 회절법(XRD) 및 메틸렌 블루 흡착 시험은 시간이 많이 소요되며, 건설 중 중요한 보강 조치를 지연시키는 경우가 많다. 이전 연구들이 적외선 흡수 스펙트럼(특히 1.8–2.0 μm 범위)을 활용하여 신속한 추정을 시도했으나, 이러한 방법들은 높은 함수량이나 팽창성 점토의 높은 농도 문제에 직면해 있다. 또한, 기존 연구들은 서로 다른 암종 및 지질학적 기원에 따른 분광 데이터의 가변성을 충분히 다루지 못했으며, 이 특정 정량적 과업을 위해 가시광선 및 근적외선(VNIR, 400–1000 nm) 영역을 활용하는 방안을 충분히 탐구하지 않았다.

연구 방법
본 연구는 VNIR 초분광 데이터를 사용하여 스멕타이트 함량을 추정하는 딥러닝 접근 방식을 개발하였다. 연구 과정은 다음과 같다:

• 시료 채집: 일본의 두 가지 서로 다른 지질 환경에서 자연 상태의 스멕타이트 함유 시료를 채집하였다:
  1. 열수 변질 안데사이트 (카쿠토 분지): 신선한 상태부터 강하게 변질된 점토까지 포함된 33개의 시료.
  2. 속성 작용으로 형성된 실트암 및 응회암 (홋카이도 야쿠모 정): 미오세 쿠로마츠나이 층에서 채취한 30개의 시료.
• 참값(Ground Truth) 결정: Ca 이온 교환과 내부 표준 물질로 형석을 사용하는 Yashima(2006)의 방법을 따라 XRD 분석을 통해 스멕타이트 함량을 정량적으로 추정하였다. 시료는 0–7 wt.%, 7–15 wt.%, >15 wt.%의 세 가지 범주로 분류되었다.
• 초분광 데이터 획득: 분말 시료를 제어된 암실 환경에서 Specim IQ 초분광 카메라(400–1000 nm, 204개 밴드)를 사용하여 촬영하였다. 노이즈를 최소 최소화하기 위해 데이터는 450–950 nm 범위 내에서 처리되었다.
• AI 모델 구축: 분광 데이터를 기반으로 스멕타이트 함량을 분류하기 위한 합성곱 신경망(CNN)을 학습시켰다. 편향 문제를 해결하기 위해 각 범주당 10,000개의 분광 데이터 포인트를 사용하여 데이터셋의 균형을 맞추었다. 두 가지 별도의 모델을 평가하였다:
  1. 안데사이트 모델: 안데사이트 시료로만 학습됨.
  2. 동일 기원 모델: 동일한 지질 층에서 유래한 실트암 및 응회암 시료로만 학습됨.
• 검증: 모델의 일반화 가능성을 평가하기 위해, 동일한 암종/기원을 가진 미지의 시료와 서로 다른 암종/기원을 가진 시료를 대상으로 테스트를 수행하였다.

주요 결과

• 분류 정확도:
  • 안데사이트 모델은 학습 데이터에서 약 90%의 정확도를 달err었으며, 동일한 암종 및 기원의 미지 시료에 대해 76.5%–91.9%의 정확도를 기록하였다. 그러나 서로 다른 기원(실트암/응회암)의 시료에 적용했을 때는 정확도가 25.5%–51.2%로 크게 떨어졌다.
  • 동일 기원 모델은 학습 데이터에서 80% 이상의 정확도를 달성하였고, 동일한 기원 내의 미지 시료(다른 암종 포함)에 대해 90.4%–92.5%의 정확도를 보였다. 서로 다른 기원(안데사이트)의 시료에 대해서는 정확도가 낮았으며(0.0%–94.2%, 높은 함량 그룹에서 낮은 성능), 성능이 저조했다.
• 분광 특성:
  • 분광 데이터는 암종과 기원 모두의 영향을 받지만, 기원이 더 큰 영향을 미치는 것으로 나타났다.
  • 모든 시료에서 공통적으로 관찰된 일관된 경향은 스멕타이트 함량이 높아질수록 760–950 nm 범위의 반사율이 증가한다는 것이다.
  • 470, 630, 650, 760 nm에서의 특정 피크 거동은 안데사이트 그룹과 실트암/응회암 그룹 간에 현저한 차이를 보였으며, 이는 모델의 기원 간 전이 가능성을 차단하는 원인이 되었다.
• 해석 가능성: CNN 분석 결과, 모델은 주로 760–950 nm 범위의 반사율 증가에 집중하여 스멕타이트 함량을 추정하는 것으로 나타났다. 이는 입자 크기와 반사율 사이의 역관계(더 미세한 스멕타이트 입자가 반사율을 높임) 및 변질 과정과 관련된 특정 광물학적 변화(예: 안데사이트의 철 산화물 흡수 vs 실트암의 화산재 풍화)에 기인한다.

의의 및 주장
본 논문은 VN_IR 초분광 데이터와 CNN을 결래하면, 모델이 동일한 암종 및 지질학적 기원의 시료로 학습된다는 전제하에 스멕타이트 함량을 신속하게 추정할 수 있다고 주장한다. 본 연구는 다음을 입증한다:

1. 신속한 현장 평가: 휴대용 암실을 활용함으로써 터널 건설 현장에서 분광 데이터를 획득할 수 있으며, 이를 통해 실험실 XRD의 지연 없이 즉각적인 스멕타이트 함량 평가가 가능하다.
2. 기원 식별: 본 방법은 암종 자체보다 생성 과정이 분광 데이터에 더 강력한 영향을 미치기 때문에, 암석을 지질학적 기원에 따라 분류할 수 있는 잠재력을 보여준다.
3. 공학적 응용: 스멕타이트 함량의 즉각적인 결정은 터널 설계 시 구조적 변경에 대한 의사결정을 지원하며, 잠재적으로 토목 구조물의 안전성과 품질을 향상시키고 프로젝트 지연을 방지할 수 있다.
4. 광범위한 활용성: 저자들은 이 기능이 지반 공학적 위험 평가를 넘어 저류층 탐사, 매립지 선정, 대수층 특성 파악 등의 분야로 확장될 수 있다고 제안하나, 구현 전 새로운 지질 조건에 대한 모델 적용성 검증이 필수적임을 강조한다.

본 연구는 VNIR 영역이 스멕타이트 구조의 직접적인 흡수 특징을 결여하고 있음에도 불구하고, 연관된 암석 형성 광물 및 변질 과정의 분광 징후를 포착하며, 딥러닝 모델이 특정 지질학적 맥락 내에서 이를 효과적으로 활용하여 정량적 평가를 수행할 수 있다는 결론을 내린다.