مجموعة بيانات ومعيار لصور الشرائح الرقيقة للكربونات لتعلّم الآلة العميق

لماذا يهم النظر إلى الصخور الصغيرة

تهتم شركات النفط والغاز، وعلماء المناخ، والجيولوجيون بقصص محفوظة داخل الصخور. من خلال تقطيع الصخور إلى شرائح رقيقة جداً ومشاهدتها تحت المجهر، يمكن للخبراء قراءة دلائل عن البحار القديمة، والشعاب المدفونة، والمسارات التي تسمح للنفط والغاز والماء بالتحرك تحت الأرض. تُقدّم هذه الورقة DeepCarbonate، وهي مجموعة كبيرة ومراجعة بدقة من صور مثل هذه الشرائح الصخرية. صُمّمت بحيث تتمكن أنظمة الذكاء الاصطناعي الحديثة من تعرّف أنواع الصخور تلقائياً، مما يجعل هذه الحرفة التقليدية أسرع وأكثر اتساقاً وأسهل في المشاركة عالمياً.

من العيّنة اليدوية إلى معرض الصخور الرقمي

يبدأ المشروع من صخور حقيقية حُفرت وأُخذت عينات منها في تكوينات رئيسية حاملة للنفط في حوض سيتشوان بالصين والإمارات العربية المتحدة. يفحص الجيولوجيون أولاً كل شريحة صخرية بمقياس العين المجردة للتأكد من أن الجزء الذي يدرسونَه يمثل الكل. لتجنّب الخداع بسبب شواذ محلية، يعاينون ثماني وجهات نظر على الأقل عند تكبيرين، متفحّصين الخواص والنِسَب حتى يمكن تسمية نوع الصخر بثقة. عندها فقط يثبتون إعدادات المجهر ويلتقطون صوراً عالية الدقة تركز على التفاصيل الدقيقة المهمة لفهم كيفية تشكل هذه الصخور وكيفية حركة السوائل خلالها.

التصوير بطرق إضاءة مختلفة

لا يكتفي DeepCarbonate بلقطة واحدة لكل موضع. تُصوّر الشريحة نفسها بعدة طرق: تحت الضوء المرسل العادي، وتحت فلاتر إستقطاب متقاطعة، وتحت الضوء المنعكس، وأحياناً بعد التلوين الذي يجعل بعض المعادن تتوهج بالألوان بينما تبقى أخرى باهتة. كل وضع إضاءة يبرز سمات مختلفة—أشكال البلورات، الفراغات المَساميّة، أو بقايا عضوية قد تشير إلى الهيدروكربونات. مجتمعةً، توفّر هذه الصور رؤية أغنى من أي صورة منفردة. تُلتقط كل الصور بتكبير ثابت تم اختياره لموازنة التفاصيل مع مجال الرؤية، ثم تمر عبر فحص جودة صارم لإزالة الصور المشوّشة أو المظلمة جداً أو التالفة.

استدعاء لجنة من الخبراء البشريين

نظراً لأن السمات الصخرية الطفيفة قد تكون صعبة التفسير، لا يعتمد الفريق على رأي واحد. يراجع عشرة متخصصين في صخور الكربونات الصور والتسميات المقترحة بشكل مستقل. إذا اختلف عدد كبير منهم مع الحكم الأولي، تُستبعد تلك الصور بدلاً من المخاطرة بتعليم الحواسيب من أمثلة مشكوك فيها. تُصنّف الصور المتبقية إلى 22 فئة صخرية مميزة، تتراوح من الطينيات الدقيقة والحجر الجيري الغني بالأحفوريات إلى الصخور المملوءة بالشقوق، وشبكات المسام الرغوية، والهياكل الميكروبية مثل الستروما톨يتات والثومبوليتات. هذا التغطية الواسعة تعكس عقوداً من أنظمة تصنيف الصخور التقليدية، لكنها تُعبأ لتناسب عصر الجيولوجيا المعتمدة على البيانات.

بناء ساحة اختبار عادلة للذكاء الاصطناعي

بمجرد وضع العلامات، تُعاد تنظيم الصور إلى هيكل يعرفه باحثو التعلم الآلي من مجموعات بيانات الرؤية الرائدة. تُقسّم المجموعة—أكثر من 55,000 صورة إجمالاً—إلى مجموعات تدريب وتحقق واختبار تحت كل وضع إضاءة. ثم يضع المؤلفون مجموعة من الشبكات الشهيرة للتعرّف على الصور، من ResNet وVGG إلى MobileNet وEfficientNet، على هذا الملعب الجديد. يقيسون ليس فقط عدد المرات التي يصنّف فيها كل نموذج نوع الصخر بشكل صحيح، بل أيضاً مدى جودة ترتيبه للإجابة الصحيحة ضمن أفضل تخميناته وكيف يتعامل بعدل مع الفئات الصخرية الشائعة والنادرة على حد سواء.

ما تعلّمتْه الآلات عن الصخور

تُظهر النتائج أن DeepCarbonate تحدٍّ لكنه قابِل للتعلّم: تستطيع الشبكات الحديثة تصنيف معظم الصور بشكل صحيح، وغالباً ما تؤدي النماذج الأخف والأكثر كفاءة أداءً جيداً بشكل خاص. تكشف الدراسة أيضاً كيف يمكن لحجم الفئات غير المتكافئ—حقيقة أن بعض أنواع الصخور أكثر شيوعاً في مجموعة البيانات من غيرها—أن يحيز الخوارزميات نحو الصخور "الشائعة". من خلال إنشاء مجموعة فرعية أكثر توازناً باستخدام أفضل تسع فئات ممثلة، يٌظهر المؤلفون أن الأداء يتحسّن وتركّز النماذج بوضوح أكبر على السمات التشخيصية الحقيقية في الصور. كما أن دمج أوضاع الإضاءة المختلفة معاً يعزّز الأداء، مؤكداً أن الدلائل البصرية الإضافية تحمل قيمة حقيقية للآلات، تماماً كما هي للبترولوجيين البشر.

ما يعنيه هذا للطاقة وعلوم الأرض

بالنسبة لغير المتخصص، يمثل DeepCarbonate في الأساس كتاب صور مشترك وعالي الجودة للصخور المجهرية، مقروناً بمجموعة قواعد واضحة لاختبار قدرة الحواسيب على "قراءته". من خلال إتاحة كل من الصور والشيفرة علناً، يقدّم المؤلفون مقياساً مشتركاً بحيث يمكن مقارنة أدوات الذكاء الاصطناعي المستقبلية لتحليل الصخور بصورة عادلة. على المدى الطويل، يمكن أن يساعد هذا النوع من مجموعات البيانات المعيارية والمراجعة من قبل الخبراء على تحويل حرفة بطيئة وتتبعية إلى علم رقمي أسرع وأكثر موضوعية—مما يدعم قرارات أفضل في التنقيب عن الطاقة، وتخزين الكربون، وفهمنا الأوسع لكيفية تسجيل سجلات الأرض الصخرية لتاريخ الكوكب.

الاستشهاد: Li, K., Song, J., Zhang, Z. et al. A dataset and benchmark of carbonate thin-section images for deep learning. Sci Data 13, 340 (2026). https://doi.org/10.1038/s41597-026-06633-5

الكلمات المفتاحية: صخور الكربونات, صور الشرائح الرقيقة, التعلّم العميق, البترولوجيا, مجموعات بيانات جيولوجية