Aplikace strojového učení při gamaspektrometrické identifikaci hornin

Abstract

Různé horniny se liší koncentracemi a druhy radionuklidů v nich ob-sažených, což se odráží v rozdílných spektrech záření gama emitova-ných danou horninou. Těchto rozdílů ve spektrech je možné využít k rozlišení jednotlivých druhů horniny. Práce se zabývá možností vy-užití metod strojového učení pro analýzu spekter a identifikaci hor-nin. V rámci práce byla pomocí detektoru na bázi CZT naměřena spektra tří druhů hornin: fylitu, syenitu a sodalitického trachytu. Práce na těchto spektrech ukazuje, že použité modely metoda podpůrných vektorů, k-nejbližších sousedů a rozhodovací strom z knihovny scikit-learn jsou schopné horniny od sebe dobře odlišit.Different rocks vary in their concentrations and types of radionuclides contained within them, which is reflected in the different spectra of gamma radiation emitted by the given rock. These differences in spectra can be used to distinguish between individual types of rocks. The work focuses on the possibility of using machine learning methods for the analysis of spectra and the identification of rocks. In this study, spectra of three types of rocksphyllite, syenite, and sodalitic trachytewere measured using a CZT-based detector. The study shows that the models usedthe support vector machine, k-nearest neighbors, and decision tree methods from the scikit-learn libraryare capable of distinguishing the rocks from each other effectively.