Hardness classification of rocks using spectroscopy

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu | Master's thesis
Date
2017-09-25
Department
Major/Subject
Teknillinen geologia ja sovellettu geofysiikka
Mcode
IA3029
Degree programme
Yhdyskunta- ja ympäristötekniikan koulutusohjelma
Language
en
Pages
70 + 4
Series
Abstract
Traditionally, aggregate sources have been classified using laboratory testing. These tests require multiple steps and can often be time consuming. This can lead to negligence in material selection process, which in turn can have a negative impact on the quality of construction. This thesis presents an idea of using spectroscopic methods in place of the time consuming laboratory tests to classify aggregates based on their hardness. Spectroscopic methods have been shown in the past to be effective in identifying chemical compounds, especially minerals. This thesis intends to take the identification a step further, and concentrate on objects that comprise minerals, i.e. rocks. Samples used in this thesis consisted of rocks of two different hardness grades. These rock samples were examined using spectroscopic techniques. Complementary spectroscopic techniques; reflectance spectroscopy and Raman spectroscopy, were used to gather data on the samples. Reflectance spectroscopy was used to classify individual rock samples based on their hardness. Raman spectroscopy, on the other hand, was used to classify and map different mineralogical areas on the sample surfaces. The gathered data was classified using different classification algorithms. These algorithms were divided into physically-based and statistical approaches. The statistical approach consisted of mainly machine learning based algorithms. The results of this thesis clearly indicate the superiority of machine learning algorithms over the traditional physically-based algorithms. Machine learning algorithms performed significantly better in both sample classification and mapping, with the most accurate algorithm reaching a classification accuracy of 85 percent, while the best physically based algorithm could only reach an accuracy of 63 percent. A similar trend was identified with the mapping classification. The research was able to demonstrate that rock samples of different hardness can be classified using spectroscopy. The success of the classification is largely dependent on the algorithms used to perform the classification. A general conclusion was reached that the more complex the algorithm, the more accurate it is when performing the classification.

Perinteisesti kiviaineksia on luokiteltu laboratoriotestein. Nämä testit vaativat useita vaiheita ja voivat usein olla aikaa vieviä. Tämä saattaa johtaa huolimattomuuteen materiaalien valintaprosessissa, millä saattaa olla negatiiviset vaikutukset rakentamisen laatuun. Tässä työssä tuotiin esiin idea spektroskooppisten menetelmien hyödyntämisestä kiviaineksen kovuus luokittelussa, aikaa vievien laboratoriotestien sijaan. Spektroskooppisten menetelmien on todettu olevan tehokkaita kemiallisten yhdisteiden, eritoten mineraalien, tunnistamisessa. Tämän työn tarkoituksena on viedä tunnistus prosessi astetta pidemmälle, keskittyen mineraaleista kostuvien kappaleiden, kivien, tunnistamiseen. Työssä käytetyt näytteen koostuivat kahden eri kovuusluokan omaavista kivinäytteistä. Näitä tutkittiin spektroskooppisilla menetelmillä. Spektroskooppiset menetelmät, joilla näytteitä tutkittiin, koostuivat toisiaan tukevista heijastus sekä Raman spektroskopioista. Heijastus spektroskopiaa hyödynnettiin erillisten näytteiden luokitteluun niiden kovuuden perusteella. Raman spektroskopiaa taas käytettiin erilaisten mineralogisten alueiden luokitteluun ja kartoittamiseen näytepinnoista. Näillä menetelmillä kerätty data luokiteltiin erilaisilla luokittelualgoritmeilla. Luokittelualgoritmit jaoteltiin fyysisiin ominaisuuksiin keskittyvään ja statistiseen lähestymistapaan. Statistinen lähestymistapa koostui lähinnä koneoppimiseen nojaavista algoritmeista. Työn tulokset osoittavat selvästi koneoppimisen ylivertaisuuden perinteisiin fyysisiin ominaisuuksiin keskittyviin algoritmeihin verrattuna. Koneoppimiseen nojaavat algoritmit pärjäsivät huomattavasti paremmin sekä näytteiden luokittelussa että näytepintojen kartoituksessa. Koneoppiminen suoriutui luokittelusta jopa 85 prosentin tarkkuudella, kun taas parhaiten suoriutunut fyysisiin ominaisuuksiin keskittyvä algoritmi saavutti ainoastaan 63 prosentin tarkkuuden. Samankaltainen ilmiö havaittiin myös kartoitusluokittelussa. Tutkimuksen tuloksena voitiin osoittaa että eri kovuuden omaavia kivinäytteitä voidaan luokitella spektroskooppisia menetelmiä hyödyntäen. Luokittelun onnistuminen riippuu pitkälti käytetyistä luokittelualgoritmeista. Työn päätelmänä todettiin että mitä monimutkaisempi luokittelualgoritmi, sitä tarkempi luokittelun lopputulos.
Description
Supervisor
Leveinen, Jussi
Thesis advisor
Kangas, Lasse
Keywords
Raman, reflectance, spectroscopy, aggregate, classification, machine learning
Other note
Citation