Quantitative evaluation of the smectite content of samples with different origins using deep learning with hyperspectral data in the visible to near-infrared range
本研究表明，深度学习模型（特别是卷积神经网络）能够通过利用 760–950 nm 范围内的光谱特征，准确分类高光谱 VNIR 数据中的蒙脱石含量范围，研究结果表明地质起源对光谱特征的影响大于岩性，从而在岩土工程、资源勘探和废物储存场选址方面具有显著的应用潜力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在深邃的地底，当隧道在山脉中开凿时，岩石本身的稳定性对于其中建造的结构而言，是关乎生死存亡的大事。某些岩石含有一种被称为蒙脱石（smectite）的特定类型粘土矿物。当这种矿物大量存在时，它就像一块海绵，遇水就会膨胀，产生巨大的压力，从而导致隧道壁开裂、路面变形，甚至引发山体滑坡。几十年来，工程师们一直依赖实验室测试来测量岩石样本中这种膨胀粘土的含量。这些传统方法虽然准确，但速度缓慢，通常需要数天才能返回结果。在快节奏的建筑世界中，等待实验室报告可能意味着延迟关键的安全决策，或者错过了在隧道坍塌前进行加固的最佳窗口期。长期以来的问题在于，是否存在一种更快速的方法——一种能让工程师在无需地质学学位或前往实验室的情况下，就在挖掘现场边缘立即得知岩石危险程度的方法。
来自清水建设（Shimizu Corporation）和北海道大学的研究小组通过将先进成像技术与人工智能相结合，在回答这一问题方面迈出了重要一步。他们专注于人类肉眼看不见的可见光到近红外光谱范围。虽然我们的眼睛只能看到极窄的一段颜色，但高光谱相机可以捕捉数百种细微的色调，跨越更宽的范围，从而揭示矿物的独特化学指纹。研究人员从日本两种截然不同的地质环境中收集了岩石样本：一组是来自九州一座山体隧道、经受过热量和蒸汽改变的火山岩；另一组是来自北海道隧道、通过数百万年的自然埋藏和压力缓慢变化的沉积岩。他们将这些岩石研磨成粉末，并使用标准 X 射线衍射法测量其精确的蒙脱石含量，这是一种精确但耗时的技术。随后，他们使用高光谱相机对相同的粉末进行拍照，捕捉光线在不同光谱下从矿物表面反射的方式。
随后，团队训练了一个计算机程序，具体是一种被称为卷积神经网络（convolutional neural network）的人工智能，以学习光模式与蒙脱石含量之间的关系。目标是观察计算机是否可以通过分析一个新的岩石样本及其光特征，来准确预测其所含膨로粘土的量。结果令人振奋，但也揭示了一个关键的细微差别。当计算机在与其学习样本属于同一地质家族的岩石上进行测试时，表现出了极高的准确性，在几乎所有案例中都能正确识别蒙脱石含量。然而，当研究人员要求同一台计算机分析来自完全不同地质起源的岩石时，其性能显著下降。在火山岩中预示高含量蒙脱石的光模式，与在沉积岩中的光模式是不同的。研究表明，岩石形成的历程——即其起源——对光特征的影响比岩石本身的类型更为强烈。人工智能通过关注 760 到 950 纳米之间光反射的特定增加来识别蒙脱石，在这个范围内，该粘土的存在会导致岩石看起来更亮。
为了证明这种方法在现实世界中可行，研究人员建造了一个可以直接在施工现场搭建的便携式暗室。他们演示了如何直接在现场采集岩石样本、将其研磨并获取必要的光学数据，而无需将任何东西送往遥远的实验室。研究结论指出，虽然这项技术目前还不能成为适用于地球上每种岩石类型的通用工具，但它为特定的地质环境提供了强大的新能力。如果工程师了解他们正在处理的岩石起源，他们就可以利用这种深度学习系统，立即绘制出危险水平蒙脱石存在的区域。这可以使工程师立即做出是否加固隧道或更改设计的决策，从而在问题变得显现之前防止变形并确保安全。研究表明，通过了解岩石起源的独特光指纹，我们可以将缓慢且复杂的分析转变为快速的现场评估，从而改变我们管理脚下隐藏风险的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。