Similarity measurements for rapakivi granite using soft independent modelling of class analogy and metric learning

Abstract

Rapakivi granite from south-eastern Finland has been used in many buildings in the historic centre of Saint Petersburg, Russia. Due to weathering and breakdown, the building stones will need to be replaced from time to time and restoration should be carried out with the original or similar stone. This thesis evaluates the similarity of rapakivi granite with the use of portable measurement devices, including X-Ray Fluorescence (XRF) and Fourier Transform InfraRed (FTIR) with multivariate methods and metric learning. The experimental part was divided into two sections. In the first case, XRF measurements were used to find the most similar quarry to two pyterlite building stone samples from Saint Petersburg. Three Finnish pyterlite quarries were compared with a multivariate classification method. Heponiemi quarry was concluded to be the most similar for both samples. The second case covered classification of four different rapakivi granite samples. The measurements were obtained with FTIR, and the resulting spectra were classified using two variates of the multivariate classification method and an instance of Convolutional Neural Network (CNN) with metric learning. CNN with metric learning displayed the best accuracy for the classification, but the results from metric learning still require interpretation.

Kaakkois-Suomen rapakivigraniittia on käytetty monissa rakennuksissa Pietarin historiallisessa keskustassa Venäjällä. Rapautumisen ja rikkoutumisen takia rakennuskiviä pitää uusia ajoittain, ja entisöinti tulisi tehdä alkuperäisellä tai samankaltaisella kivellä. Tässä työssä rapakivigraniitin samankaltaisuutta arvioidaan mittaamalla näytteitä kannettavilla röntgenfluoresenssi (XRF) ja Fourier-muunnosinfrapunatekniikka (FTIR) laitteiden avulla. Mittauksia arvioitiin monimuuttujamenetelmien ja metriikan oppimisen avulla. Työn kokeellinen osa on jaettu kahteen osuuteen. Ensimmäinen osa käsittelee XRF-mittauksia, joiden avulla löydettiin samankaltaisin kivilouhimo kahdelle Pietarin pyterliittirakennuskivinäytteelle. Kolmea ennalta valittua pyterliittilouhimoa vertailtiin monimuuttujaluokittelun avulla, joista Heponiemen louhimon kivi oli samankaltaisin luokituksen perusteella. Toisessa osassa neljän eri rapakivigraniitin FTIR-spektriä luokiteltiin kahdella monimuuttujaluokittelulla sekä konvoluutioneuroverkon (CNN), jossa hyödynnettiin metriikan oppimista. CNN onnistui saavuttamaan parhaan luokittelutarkkuuden, mutta metriikan oppimisen tulokset vaativat tulkintaa.