Nuove frontiere dell’analisi dei dati mineralogici e strutturali nell'era del machine learning: strumenti per la petrografia moderna

Nell'era della digitalizzazione e dell'analisi dei big data, la petrografia può trarre vantaggio dall'implementazione di tecniche di data science su dati geologici (geodati), come gli algoritmi di machine learning (ML). Lo scopo di questo lavoro è fornire tecniche statistiche basate sui geodati per estrarre, elaborare e quantificare diversi tipi di parametri statistici da rocce naturali e materiali artificiali. A questo proposito, sono stati sviluppati due nuovi software, ovvero ArcStereoNet e X-Min Learn. ArcStereoNet è una Python-toolbox per ArcGIS® che consente la proiezione (stereoplots e rose diagrams) e l'analisi statistica di dati strutturali a diverse scale, preservando anche le loro relative coordinate geografiche. Sono disponibili diverse tipologie di analisi statistiche, come il contour, l'analisi dei cluster e dei girdle e l'estrazione dei vettori medi. Nella toolbox è incluso anche un nuovo algoritmo per un'elaborazione dei dati più controllata dall'utente (cioè il Mean Extractor from Azimuthal Data). ArcStereoNet si è dimostrato utile nel confrontare i dati strutturali raccolti dalla scala dell'affioramento quella della sezione sottile, come dimostrato nel caso studio dedicato. X-Min Learn è un software stand-alone che fornisce strumenti personalizzabili per l’analisi di immagine e per il machine learning, utili per identificare e analizzare i dati multicanale estratti da sezioni sottili di rocce naturali e materiali artificiali mediante analisi a raggi X. I dati vengono classificati pixel per pixel con algoritmi di ML, all'interno di un'interfaccia utente grafica interattiva. Possono essere calcolate anche mappe di probabilità, per monitorare e valutare la qualità della classificazione. X-Min Learn supporta inoltre lo sviluppo di classificatori di machine learning personalizzati, fornendo un "kit di strumenti per sviluppatori" per creare e testare nuovi modelli di ML senza scrivere una singola riga di codice. Ciò consente di personalizzare il software per l'analisi di diversi tipi di campioni naturali artificiali, come dimostrato nei casi studio dedicati.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2023

Author dc:creator

• D'AGOSTINO, ALBERTO

Contributors dc:contributor

• ORTOLANO, GAETANO

• Digital petrography, X-ray maps, Structural geology, Fabric analysis, Python, Machine learning
• Petrografia digitale, Mappe a raggi X, Geologia strutturale, Analisi del fabric, Python, Machine learning

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/582178

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/582178