Poster De Conférence Année : 2025

Rapid Characterization of Materials from Chemical (XRF) and Mineralogical (XRD) Signals Using Deep Learning

Caractérisation rapide des matériaux à partir des signaux chimiques (XRF) et minéralogiques (DRX) par deep-learning

Résumé

Abandoned mining sites contain substantial amounts of residue enriched in metals and metalloids such as As, Cd, Pb, Cu, and Sb. The dispersion of these elements into the environment contributes to long-term contamination of soils, water bodies, and ecosystems. Given the associated risks, the rapid and in-situ characterization of mine tailings is a major challenge for refining environmental diagnostics and guiding monitoring strategies or potential valorization efforts.Traditionally, such characterization relies on X-ray fluorescence (XRF) and X-ray diffraction (XRD), two complementary techniques that enable the determination of elemental composition and mineralogy, respectively (Herbelin et al., 2023; Maestracci et al., 2023). However, the processing and interpretation of XRF and XRD data remain complex, requiring both substantial expertise and the use of specialized software—particularly for XRD. These constraints limit the speed and reliability of field analyses and hinder the direct correlation between chemical and mineralogical results.Recent advances have highlighted the potential of neural networks trained on synthetic XRD data to automate mineral phase identification and quantification (Simonnet et al., 2024). In this study, we propose to extend this approach by developing a neural-network model trained on simulated multi-signal data combining XRF spectra and XRD diffractograms, with the goal of accelerating and improving the integrated processing of these two data types.A realistic database of 100,000 samples was generated using an extended Rietveld analysis software, taking the former Abbaretz mine site (Loire-Atlantique, France) as a case study. The simulations incorporate instrumental function effects, background noise, as well as crystallographic (lattice parameters, crystallinity, texture) and chemical (substitutions) variations. The proposed model is based on a three-layer convolutional neural network for each signal, whose representations are fused in a fully connected layer. Training uses a Dirichlet-type loss function, which is better suited than MSE for predicting phase proportions. On the simulated dataset, the model achieves a mean error of 2% across five phases, compared with 11% for a model based solely on XRD. The automation of combined Rietveld analysis further refines estimates within the expected uncertainty range. Once operational, the deployment of this new approach will facilitate direct on-site analysis, thereby increasing the number of samples and improving the spatial resolution of material mapping.This work is part of the PEPR PC4 Digital Earth project, funded by the French National Research Agency under the France 2030 program (grant no. ANR-22-EXSS-0005).

Les sites miniers abandonnés renferment d’importantes quantités de résidus riches en métaux et métalloïdes tels que l’As, le Cd, le Pb, le Cu, le Sb. La dispersion de ces éléments dans l’environnement contribue à la contamination durable des sols, des eaux et des écosystèmes. Face aux risques associés, la caractérisation rapide et in situ des résidus miniers constitue un enjeu majeur pour affiner les diagnostics environnementaux et orienter les actions de surveillance ou de valorisation potentielle.Traditionnellement, cette caractérisation repose sur la fluorescence X (XRF) et la diffraction des rayons X (DRX), deux techniques complémentaires permettant respectivement de déterminer la composition élémentaire et la minéralogie des échantillons (Herbelin et al., 2023; Maestracci et al., 2023). Toutefois, le traitement et l’interprétation des données XRF et DRX demeurent complexes, nécessitant à la fois une expertise approfondie et l’usage de logiciels spécialisés — en particulier pour la DRX. Ces contraintes limitent la rapidité et la fiabilité des analyses sur le terrain, et freinent la corrélation directe entre les résultats chimiques et minéralogiques.Des avancées récentes ont mis en évidence le potentiel des réseaux de neurones entraînés sur des données DRX synthétiques pour automatiser l’identification et la quantification des phases minérales (Simonnet et al., 2024). Dans cette étude, nous proposons d’étendre cette approche en développant un modèle de réseau de neurones entraîné sur des données multi-signaux simulées combinant spectres XRF et diffractogrammes DRX, dans le but d’accélérer et d’améliorer le traitement intégré de ces deux types de données.Une base de données réaliste de 100 000 échantillons a été générée à l’aide d’un logiciel d’analyse Rietveld étendue, en prenant comme cas d’étude l’ancien site minier d’Abbaretz (Loire-Atlantique). Les simulations intègrent les effets de la fonction instrumentale, du bruit de fond, ainsi que des variations cristallographiques (paramètres de maille, cristallinité, texture) et chimiques (substitutions). Le modèle développé repose sur un réseau de neurones convolutionnel à trois couches par signal, dont les représentations sont fusionnées au sein d’une couche entièrement connectée. L’apprentissage utilise une fonction de perte de type Dirichlet, mieux adaptée que la MSE pour la prédiction de proportions de phases. Sur le jeu de données simulées, le modèle atteint une erreur moyenne de 2 % sur cinq phases, contre 11 % pour un modèle fondé uniquement sur la DRX. L’automatisation de l’analyse Rietveld combinée permet en outre de raffiner les estimations dans la plage d’incertitude attendue. Une fois opérationnel, le déploiement de cette nouvelle approche facilitera l’analyse directe sur site permettant ainsi d’augmenter le nombre de prélèvements et d’améliorer la précision spatiale de la cartographie des matériaux.Ce travail s’intègre dans le projet PEPR PC4 Digital Earth financé par l’Agence Nationale de la Recherche au titre de France 2030 portant la référence ANR-22-EXSS-0005.

Fichier principal
Vignette du fichier
RX et Matière2025_Poster_Final.pdf (646.2 Ko) Télécharger le fichier
Gaillard et al_RXMatière2025_Final.pdf (215.33 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05368494 , version 1 (17-11-2025)

Licence

Identifiants

  • HAL Id : hal-05368494 , version 1

Citer

Amaury Gaillard, Sylvain Delchini, Pilliere Henry, Mame Diarra Fall, Luca Lutterotti, et al.. Caractérisation rapide des matériaux à partir des signaux chimiques (XRF) et minéralogiques (DRX) par deep-learning. Rayons X et Matière, Nov 2025, Orléans (45), France. ⟨hal-05368494⟩
2065 Consultations
152 Téléchargements

Partager

  • More