Diese Arbeit führt Spektralsammlungen von Quarzsandstein, Marmor, Tonstein und Steinsalz durch und verwendet drei Methoden zur Gesteinsklassifizierung: Support Vector Machine, BP-Neuronales Netzwerk und Klassifikations- und Regressionsentscheidungsbaum. Durch Genauigkeit, Rückrufrate und Kappa-Koeffizienten wird eine quantitative Modellbewertung zur Ermittlung des besten spektralen Gesteinsklassifizierungsmodells durchgeführt. Die Ergebnisse zeigen, dass das Entscheidungsbaum-Modell mit nur 93,1 % die niedrigste Klassifizierungsgenauigkeit aufweist; während das Gesteinsklassifizierungsmodell unter Verwendung von sparsamer Filterung kombiniert mit BP-Neuronalen Netzwerken die besten Ergebnisse mit einer Klassifizierungsgenauigkeit von bis zu 97,1 % und einem Kappa-Koeffizienten von 0,958 erzielt. Diese Studie ermöglicht eine schnelle Identifikation von Gesteinsarten durch spektroskopische Messmethoden und liefert damit eine wichtige theoretische Grundlage und einen praktischen Anwendungswert für die Gefahrenprävention verschiedener Gesteine im praktischen Ingenieurwesen.

Gesteinsklassifizierung;mittlere Infrarotspektroskopie;maschinelles Lernen;Support Vector Maschine;BP-Neuronales Netzwerk