🔥 تحلیل هوشمند داده‌های متنی برای تفکیک انواع سنگ‌ها در زمین‌شناسی – رویکرد یادگیری ماشین در تفسیر گزارش‌های زمین‌شناسی

هدف از این تحقیق بررسی امکان تفکیک انواع سنگ‌ها و ارتباطات آن‌ها از طریق الگوهای زبانی در گزارش‌های زمین‌شناسی بوده است.
با استفاده از یک مدل یادگیری ماشین بدون نظارت (Unsupervised Machine Learning) و تکنیک تعبیه متنی (Text Embeddings)، حدود ۲,۰۰۰ نوع سنگ از هزاران گزارش زمین‌شناسی استخراج و در یک نمودار کاهش ابعادی t-SNE نمایش داده شد.

🔹 یافته‌های کلیدی تحلیل داده‌ها

برخی از گروه‌های سنگی بر اساس کلمات مرتبط به‌وضوح تفکیک‌پذیر هستند، از جمله:
- نمک‌ها، سنگ‌های آتشفشانی، رسوبات یخچالی و سنگ‌های آلی
- نفوذی‌های آذرین و سنگ‌های دگرگونی، با مقداری هم‌پوشانی میان این دو گروه
- کربنات‌ها، که برخی از آن‌ها به سنگ‌های آلی نزدیک‌تر هستند
- سنگ‌های فرازمینی (Extra-terrestrial)، با تفکیک اولیه برخی از میکرومتئوریت‌ها

برخی گروه‌های سنگی دانه‌ای (Clastic Rocks) به دو دسته تفکیک شده‌اند:
- دسته اول: رسوبات سطحی، نهشته‌های غیرمتراکم و گراول‌ها
- دسته دوم: سایر گروه‌های سنگ‌های آواری (Clastic)

سنگ‌های رسی (Mudrocks) به چهار گروه تقسیم شده‌اند:
+ یک گروه مرتبط با مواد آلی
+ یک گروه مرتبط با کربنات‌ها
+ دو گروه دیگر که به ترتیب با دسته‌های آواری قبلی مرتبط هستند

✅ ناحیه‌ای از داده‌ها دارای هم‌پوشانی و عدم تفکیک مشخص است، که نیازمند بررسی بیشتر است. همچنین، برخی نمونه‌های "غیرعادی" (Outliers) مشاهده شده‌اند که می‌توانند حاوی اطلاعات مهمی باشند.

🔹 کاربردهای احتمالی این روش در زمین‌شناسی و اکتشافات معدنی

۱️⃣ پایگاه داده تعبیه‌ای (Geological Embedding Baseline) برای تحلیل مجدد گزارش‌های زمین‌شناسی:
این مدل می‌تواند به عنوان یک مرجع برای بررسی مجدد گزارش‌های قدیمی و مقایسه توصیف‌های جدید از سنگ‌ها مورد استفاده قرار گیرد.
- اگر داده‌های جدید در محدوده شباهت‌های تعیین‌شده قرار نگیرند، ممکن است نشان‌دهنده موارد زیر باشد:
+ اشتباه در طبقه‌بندی سنگ‌ها
+ ارتباطات جدید بین انواع سنگ‌ها
+ کشف ویژگی‌های زمین‌شناسی ناشناخته

۲️⃣ بهبود روش‌های طبقه‌بندی سنگ‌ها در اکتشافات معدنی:
این مدل می‌تواند به تحلیل خودکار گزارش‌های اکتشافی کمک کند و تشخیص دهد که آیا نمونه‌ای از سنگ‌ها با طبقه‌بندی‌های موجود هم‌خوانی دارد یا نیاز به بررسی بیشتر دارد.

۳️⃣ بررسی قابلیت تعمیم مدل در سطح جهانی یا نیاز به مدل‌های منطقه‌ای:
یکی از چالش‌های این روش این است که آیا یک مدل تعبیه‌ای عمومی می‌تواند برای تمامی مناطق زمین‌شناسی جهان قابل استفاده باشد یا نیاز به مدل‌های منطقه‌ای خواهد بود.
- احتمالاً عوامل زیر بر دقت مدل تأثیر خواهند گذاشت:
+ تفاوت‌های زبانی در گزارش‌های زمین‌شناسی
+ تحولات علمی و تغییر در اصطلاحات زمین‌شناسی در طول زمان
+ تفاوت در سبک نوشتاری زمین‌شناسان از ملیت‌های مختلف

🔹 نتیجه‌گیری و مسیرهای آینده تحقیق
- تحلیل متنی داده‌های زمین‌شناسی با استفاده از مدل‌های یادگیری ماشین، یک ابزار نوآورانه برای شناسایی الگوهای جدید در طبقه‌بندی سنگ‌ها و بررسی ارتباطات بین آن‌ها است.
- این روش می‌تواند در اکتشافات معدنی، تحلیل مجدد گزارش‌های زمین‌شناسی و بهبود دقت طبقه‌بندی سنگ‌ها کاربرد داشته باشد.
- برای توسعه بیشتر این تحقیق، باید بررسی شود که آیا مدل‌های تعبیه‌ای عمومی می‌توانند برای همه مناطق کارآمد باشند یا نیاز به مدل‌های منطقه‌ای مجزا است.

✅ ادغام این روش با سیستم‌های هوش مصنوعی و پایگاه‌های داده زمین‌شناسی می‌تواند در آینده به بهینه‌سازی فرآیندهای اکتشاف و طبقه‌بندی سنگ‌ها کمک کند.

✅ @Mining_eng ™