基于U形卷积神经网络的花岗岩矿物相特征识别与吸附系数不确定性量化

《Journal of Environmental Chemical Engineering》:U-shape convolutional neural network-based granite mineral facies characterization and sorption coefficient uncertainty quantification

【字体: 大 中 小 】 时间:2026年08月07日 来源:Journal of Environmental Chemical Engineering 7.5

编辑推荐:

  摘要了解破碎岩石的异质结构与溶质传输之间的定量关系,对于构建有效分析地下质量传输过程的综合框架至关重要。本研究提出了一种基于人工智能的方法,利用U型卷积神经网络进行矿物相识别,该方法具有较高的准确率,有助于进一步研究矿物相的空间分布特征。为模拟质量传输过程,基于拉格朗日的传输模型

  

摘要

了解破碎岩石的异质结构与溶质传输之间的定量关系,对于构建有效分析地下质量传输过程的综合框架至关重要。本研究提出了一种基于人工智能的方法,利用U型卷积神经网络进行矿物相识别,该方法具有较高的准确率,有助于进一步研究矿物相的空间分布特征。为模拟质量传输过程,基于拉格朗日的传输模型将矿物相的地质统计参数(如体积比例、积分尺度及指标相关尺度)与吸附和传输过程联系起来。由于数据稀少,关键输入参数存在固有不确定性,本研究通过全局敏感性分析来量化这些不确定性,评估单个参数及参数组合对花岗岩中吸附行为的影响。此外,还运用响应面分析进一步研究输入参数对有效吸附系数的影响。研究结果表明,不同矿物相的小尺度吸附系数会对整体有效吸附系数产生显著影响,其次是体积比例和方差。而代表介质异质性的积分尺度及指标相关尺度则凸显了复杂岩石中溶质传输的尺度效应。本研究为理解异质介质中的溶质吸附行为提供了重要见解,也为改进地下水流动和污染物传输的建模奠定了基础。

引言

模拟异质岩石中的质量传输与反应过程,对于构建分析传输动态及反应传输行为的综合框架极为重要。多项研究[1]、[2]、[3]、[4]、[5]、[6]、[7]表明,许多溶质传输参数存在尺度效应,即现场尺度下的参数值远大于实验室测量值。这种差异源于岩石的物理和化学异质性,主要是由复杂的矿物组成及其空间分布所导致的。在传输过程中,不同的矿物相会以不同方式与溶质相互作用,从而影响其传输行为,其中吸附作用在减缓溶质传输方面起着关键作用[8]、[9]、[10]。吸附能力取决于两个关键因素:一是溶液性质(如pH值、离子强度、浓度等),二是岩石矿物的特性(如矿物组成、表面积以及吸附位点的密度),其中与矿物接触的地下水表面积是影响溶质吸附活性的主要因素[11]。在破碎介质中,表面积包括破碎面和矿物的内表面,后者比前者大几个数量级,因此能增强吸附作用。所以,破碎岩石中的有效吸附系数在很大程度上取决于吸附性矿物相的属性及其空间分布[12]。准确识别矿物组成并描述其空间分布,仍是将微观尺度异质性与宏观尺度溶质传输联系起来的重要挑战。
层次结构常被用于描述自然系统中地质单元的组织方式。Ritzi等人[13]以及Dai等人[14]基于层次结构开发了多模态空间多元相关结构,用以表征异质介质(也可参考[15]、[16]、[17])。该模型利用体积比例、积分尺度及指标相关尺度等地质统计参数,将地质单元的异质性分布与其物理化学特性联系起来。这种方法并不局限于特定的岩相框架。为捕捉不同尺度下花岗岩的空间变异特征,本研究将层次结构与离散断裂矩阵模型相结合,构建了多尺度破碎花岗岩的概念模型(见图1)。在该框架中,单个矿物相(如黑云母、长石和石英)代表微观尺度(微米到厘米级别),这是吸附作用主要发生的区域。在中观尺度(分米到米级别),通过各种矿物相的结晶分化形成矿物组合。在宏观尺度(米到千米级别)或现场尺度上,则会对破碎岩体进行分析,并开展地下模拟。为简化问题,本研究重点关注矿物相的空间相关结构,以及从微观矿物相到中观矿物组合的尺度提升过程。
地质空间中矿物相分布的空间相关结构,为更大规模的研究提供了基础和技术支撑。自动化识别和分类矿物相有助于进一步探索这些空间相关结构。随着人工智能技术的突破,深度学习在图像识别和分类领域取得了显著成效,非常适合用于地质样品中的矿物识别[18]、[19]。通过训练深度学习模型,可以自动识别岩石样品中的矿物,从而提高识别的准确性和效率。近几十年来,已有大量研究探索基于人工智能的各类岩石矿物识别方法[20]、[21]、[22]、[23]。例如,Marmo等人[24]开发了一种数值算法,可将灰度切片图像转换为23个数值特征,再通过多层感知器神经网络训练,基于532张训练图像获得了93.5%的测试准确率。Singh等人[25]则针对玄武岩薄片图像提出了纹理识别方法,从RGB图像和灰度图像中提取27个特征参数,实现了92.22%的识别准确率。深度学习兼具特征提取和分类功能,克服了传统方法的局限性,提升了矿物识别的准确率,同时缩短了训练时间。
介质的异质性会给地下质量传输带来诸多不确定性,包括模型效应、参数效应和尺度效应。提高参数的准确性是提升溶质传输模拟与预测可靠性的关键,因此参数不确定性成为该领域研究的重点[26]、[27]、[28]、[29]。这类不确定性往往源于水文地质野外数据不足、参数的时空变化以及尺度效应。全局敏感性分析能够全面评估参数对质量传输模型输出的影响。例如,Ayoub等人[30]在针对深部地质核废料处置库中具有多个阳离子交换位点的铯吸附反应-传输模型进行了全面的不确定性分析,采用了Morris法和Sobol法。Samper等人[31]也针对高放射性废料处置库,使用非等温反应传输模型对模型参数和概念模型进行了详细的敏感性分析。Dai等人[32]则开发了一种基于蒙特卡洛模拟算法的多尺度框架,用于分析深部储层异质性特征参数的不确定性。该方法在评估德克萨斯州Morrow储层的二氧化碳地质封存风险方面已取得成功,非常适合用于地下质量传输模拟。
尽管基于深度学习的矿物分割方法和拉格朗日尺度提升方法都已被广泛研究,但很少有研究能够建立一种定量工作流程,将图像衍生的矿物相、空间地质统计特征描述、有效吸附系数的随机尺度提升以及全局不确定性分析结合起来。总之,本研究提出了一种基于人工智能的新的微观尺度矿物相识别方法,即利用U型卷积神经网络,相比传统识别方法更具准确性和高效性。与以往研究不同,本文将基于深度学习的矿物图像分析与拉格朗日传输模型相结合,用于捕捉矿物的空间分布,并量化花岗岩中特定参数的敏感性。因此,本研究的创新之处不在于单一方法本身,而在于将这些方法整合为一个统一框架,用于量化矿物学异质性对破碎花岗岩中有效吸附行为的影响。这样的框架在矿物尺度观测与连续尺度反应传输建模之间建立了基于物理的桥梁,可应用于放射性核素迁移评估及其他地下环境系统研究。本文的其余部分结构如下:第2节介绍材料与方法,第3节阐述研究结果,第4节给出结论。

章节节选

基于UCNN的矿物识别模型

本研究以中国用于高放射性废物地质处置库的地下实验室选址——北山的花岗岩为研究对象。该岩石的主要矿物成分分别为长石68.7%、石英21.1%、黑云母10.2%。花岗岩的孔隙率在1.273%到1.543%之间,密度则在2.592到2.616克/立方厘米之间。
最初,将样品切割成较小块,然后用数码相机进行拍照。模型的准确率会受到

矿物的空间异质性

根据第2节中提到的结构和参数,建立了基于UCNN的矿物图像识别模型,并对其进行了训练和评估。图4展示了模型在训练过程中的准确率与损失函数的变化情况。随着迭代次数的增加,模型的准确率上升,损失函数下降,二者最终都会趋于稳定。可以看出,测试集上的准确率和损失函数变化趋势与训练集一致。最终训练

结论

本研究构建了一个结合UCNN与LBTM的集成框架,用于量化矿物学异质性对破碎花岗岩系统中有效吸附行为的影响。通过建立U型卷积神经网络,可从数字花岗岩图像中自动识别主要矿物相,为后续的地质统计反演和传输模拟提供高分辨率的空间信息。基于生成的异质矿物场,可

CRediT作者贡献声明

张晓颖:正式分析。 Mohamad Reza Soltanian:写作——审阅与编辑。 Kenneth C. Carroll:写作——审阅与编辑。 戴振学:写作——审阅与编辑、指导监督、项目管理、资金申请、概念构思。 陈伟:写作——初稿撰写、可视化处理、软件应用、方法设计、数据整理。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究得到了中国国家自然科学基金(NSFC:U2267217)和山东省重点水利科技计划(2024370203001957)的共同资助。

利益冲突

作者声明,在本文的发表过程中不存在任何利益冲突。
陈伟|戴振学|张晓颖|Kenneth C. Carroll|Mohamad Reza Soltanian
吉林大学建筑工程学院,中国长春130012
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号