Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
Deze studie toont aan dat deep learning-modellen, specifiek convolutionele neurale netwerken, nauwkeurig smectietgehaltebereiken in hyperspectrale VNIR-data kunnen classificeren door gebruik te maken van spectrale kenmerken in het bereik van 760–950 nm, waarbij de bevindingen aangeven dat de geologische oorsprong een grotere invloed uitoefent op spectrale signaturen dan de lithologie, wat daarmee een aanzienlijk potentieel biedt voor toepassingen in de geotechnische techniek, grondstofexploratie en de selectie van afvalopslagplaatsen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Diep onder de grond, waar tunnels door bergen worden uitgehouwen, is de stabiliteit van het gesteente zelf een kwestie van leven of dood voor de constructies die erin zijn gebouwd. Sommige gesteenten bevatten een specifiek type kleimineraal genaamd smectiet. Wanneer dit mineraal in aanzienlijke hoeveelheden aanwezig is, werkt het als een spons die opzwelt wanneer het nat wordt, waardoor een enorme druk wordt uitgeoefend die tunnelwanden kan doen barsten, wegen kan vervormen of zelfs aardverschuivingen kan veroorzaken. Decennialang hebben ingenieurs vertrouwd op laboratoriumtests om te meten hoeveel van deze zwelklei aanwezig is in een gesteenteprofiel. Deze traditionele methoden zijn nauwkeurig, maar traag en nemen vaak dagen in beslag voordat de resultaten bekend zijn. In de snelle wereld van de bouw kan wachten op een laboratoriumrapport betekenen dat kritieke veiligheidsbeslissingen worden vertraagd of dat het venster om een tunnel te verstevigen voordat deze instort, wordt gemist. De vraag is al lang of er een snellere manier bestaat—één die een ingenieur direct bij de rand van de excavatieplaats het gevaarsniveau van het gesteente kan vertellen, zonder dat daar een graad in de geologie of een reis naar een laboratorium voor nodig is.
Een team onderzoekers van Shimizu Corporation en de Hokkaido Universiteit heeft een belangrijke stap gezet naar het beantwoorden van deze vraag door geavanceerde beeldvorming te combineren met kunstmatige intelligentie. Ze richtten zich op een reeks licht die het menselijk oog niet kan zien, bekend als het zichtbare tot nabij-infrarode spectrum. Terwijl onze ogen slechts een smalle band van kleuren zien, kunnen hyperspectrale camera's honderden subtiele tinten vastleggen over een veel breder bereik, waardoor de unieke chemische vingerafdrukken van mineralen zichtbaar worden. De onderzoekers verzamelden gesteenteprofielen uit twee zeer verschillende geologische omgevingen in Japan: één set vulkanische gesteenten uit een bergtunnel in Kyushu die door hitte en stoom was veranderd, en een andere set sedimentaire gesteenten uit een tunnel in Hokkaido die door miljoenen jaren van natuurlijke begraving en druk langzaam was veranderd. Ze maalden deze gesteenten tot poeder en maten hun exacte smectietgehalte met behulp van standaard röntgendiffractie, een nauwkeurige maar tijdrovende techniek. Vervolgens maakten ze foto's van dezelfde poeders met een hyperspectrale camera, waarbij ze vastlegden hoe het licht over het spectrum van de mineralen weerkaatste.
Vervolgens trainden het team een computerprogramma, specif kind van kunstmatige intelligentie genaamd een convolutioneel neuraal netwerk, om de relatie tussen de lichtpatronen en de hoeveelheid aanwezige smectiet te leren. Het doel was om te zien of de computer een nieuw gesteenteprofiel kon analyseren, de lichtsignatuur kon bestuderen en vervolgens nauwkeurig kon voorspellen hoeveel zwelklei het bevatte. De resultaten waren veelbelovend, maar onthulden een cruciale nuance. Wanneer de computer werd getest op gesteenten die uit dezelfde geologische familie kwamen als de monsters waar hij van had geleerd, presteerde hij met hoge nauwkeurigheid en identificeerde hij in bijna alle gevallen correct het smectietgehalte. Echter, wanneer de onderzoekers dezelfde computer vroegen om gesteenten van een volledig andere geologische oorsprong te analyseren, daalde de prestatie aanzienlijk. De lichtpatronen die een hoog gehalte aan smectiet in de vulkanische gesteenten signaleerden, verschilden van die in de sedimentaire gesteenten. De studie suggereert dat de geschiedenis van hoe een gesteente is gevormd—de oorsprong—een sterkere invloed heeft op de lichtsignatuur dan het type gesteente zelf. De kunstmatige intelligentie leerde de smectiet te herkennen door te focussen op een specifieke toename in lichtreflectie tussen 760 en 950 nanometer, een bereik waar de aanwezigheid van deze klei ervoor zorgt dat het gesteente helderder lijkt.
Om te bewijzen dat deze methode in de echte wereld zou kunnen werken, bouwden de onderzoekers een draagbare donkere kamer die direct op een bouwplaats kan worden opgezet. Ze demonstreerden dat ze gesteenteprofielen konden nemen, deze konden malen en de noodzakelijke lichtgegevens direct ter plaatse konden vastleggen, zonder dat er iets naar een ver gelegen laboratorium gestuurd hoefde te worden. De studie concludeert dat hoewel deze technologie nog geen universeel hulpmiddel kan zijn voor elk type gesteente op aarde, het een krachtige nieuwe mogelijkheid biedt voor specifieke geologische contexten. Als ingenieurs weten wat de oorsprong van de gesteenten is waarmee zij werken, kunnen zij dit deep learning-systeem gebruiken om direct in kaart te brengen waar gevaarlijke niveaus van smectiet voorkomen. Dit zou directe beslissingen kunnen mogelijk maken over het wel of niet verstevigen van een tunnel of het aanpassen van het ontwerp, waardoor vervorming wordt voorkomen en de veiligheid wordt gewaarborgd lang voordat een probleem zichtbaar wordt. Het onderzoek geeft aan dat door het unieke lichtvingerafdruk van de oorsprong van een gesteente te begrijpen, we een trage, complexe analyse kunnen transformeren in een snelle beoordeling ter plaatse, wat het beheer van de verborgen risico's onder onze voeten fundamenteel verandert.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.