基于光谱数据与人工神经网络(ANN)的砂岩自动分类可行性研究

为解决地质学中岩性和矿物分类依赖专家监督的问题，研究人员开展了一项创新研究，通过整合反射光谱技术与人工神经网络(ANN)，对砂岩钻芯和薄片进行自动分类。实验采用2层20神经元隐藏层的ANN架构，学习率0.01，经50,000次训练后，分类准确率达85.4%（岩性）和80.0%（矿物），优于支持向量机与随机森林。该技术可快速构建钻孔地层柱状图，推动岩芯编录自动化发展。

　　

岩性与矿物分类是地质学研究的核心挑战。这项开创性研究探索了反射光谱技术(reflectance spectroscopy)与人工神经网络(Artificial Neural Network, ANN)的协同应用，为砂岩的自动化分类提供了新范式。科研团队采集了三组砂岩钻芯的反射光谱数据，以及三组砂岩薄片的高光谱图像(hyperspectral images)，从中提取样本光谱训练ANN模型。

当采用包含2个隐藏层（每层20个神经元）的ANN架构，设定学习率(learning rate)为0.01并进行50,000次训练循环时，模型展现出卓越性能：钻芯岩性识别准确率达85.4%，薄片矿物识别准确率达80.0%，显著超越支持向量机(Support Vector Machine)和随机森林(Random Forest)等传统算法。

经实际验证，ANN分类结果与钻芯照片、薄片显微图像高度吻合。研究还揭示了光谱数据对岩石颜色和粒度差异的敏感特性，证实其可用于快速构建钻孔地层柱状图(borehole stratigraphic columns)，大幅提升钻芯编录效率。值得注意的是，高光谱图像的空间分辨率对矿物识别精度存在显著影响，这为后续研究指明了优化方向。