基于机器学习的方法提高了测量岩石方面倾角和方向的准确性
作者：by Seoul National University of Science & Technology
机器学习（ML）算法一直在所有科学领域中找到新的应用，地质工程也不例外。在过去的十年中，研究人员开发了各种基于ML的技术，以在岩石中更轻松地确定地质特征，例如倾角（平面特征倾斜到水平飞机的角度）和隧道中岩石方面的方向。了解这些特征对于大型建筑项目至关重要，因为它们有助于确保结构性稳定性和安全性，从而防止潜在的故障或崩溃。
尽管强大，但大多数ML模型仍在努力区分关节带和联合嵌入点岩石。为了澄清，岩石内的关节带是可能包括多个平行裂缝的岩石中更宽，较小的区域，而关节嵌入点是代表岩石层实际相交的更本地化特征。
作为表面取向的直接指标，关节嵌入点可以更准确地测量DIP角度和方向比关节带。因此，可以从输入数据中消除关节带的方法可以提高基于ML的技术的准确性，从而导致更精确的地质评估。
为了应对这一挑战，由首尔国立科学技术大学（Seoultech）的Hyungjoon SEO教授领导的研究团队开发了COUDNESS-CANUPO-DIP-FACET（R-C-D-F）方法。这种由ML驱动的多步态方法结合了许多过滤技术，以去除关节带，同时保留数据中的大多数关节嵌入点，从而在测量倾角角度和方向时可获得出色的精度。他们的论文是出版在日记中隧道和地下太空技术2024年12月1日。
过滤过程的第一步包括直接从岩石表面采取的输入3D点云上的粗糙度分析。此步骤从数据中消除了较小的表面不规则和噪声，从而保留了表面上的连续线，但要删除关节线。
第二个过滤步骤使用Canupo算法，该算法根据其几何特征对点进行分类，并隔离关键特征，从而消除了更多的关节线。第三个过滤步骤消除了基于倾角的岩石片段的连接，从而隔离了不同的岩层。最后，测量阶段由方面分割组成，以获得岩石样品每个部分的倾角和方向。
研究人员在各种真实隧道面部图像上测试了R-C-D-F方法，达到了从97％到99.4％的出色精确率。值得注意的是，100％的关节带成功删除，同时仍保留了关节嵌入点的81％。但是，该技术最有吸引力的方面是它完全自治性质，不需要人类干预。
“通过自动化过滤和分割岩石功能的过程，它减少了人为错误和计算效率低下，使其非常适合需要高准确性和可靠性的现代基础设施项目，” SEO教授强调。
总体而言，拟议的方法可以在结构和地质工程的许多学科中找到有希望的应用。
SEO指出：“ R-C-D-F方法的ML和深度学习的集成确保了可靠，准确的地质数据处理，这可以直接提高隧道和地下结构等大型工程项目的安全性。”“它还可以使更智能，更快的地质分析工具的开发，降低成本并提高依赖地下勘探和基础设施发展的行业的效率。”
因此，创新的方法为更安全，更高效的方式铺平道路有很大的希望地质工程解决方案。
更多信息：Bara Alseid等人，R-C-D-F机器学习方法，用于测量3D点云隧道面云中的地质结构，隧道和地下太空技术（2024）。doi：10.1016/j.tust.2024.106071
提供首尔国民科学技术大学
引用：基于机器学习的方法提高了测量岩石面倾角和方向的准确性（2025年，1月29日）检索2025年1月30日摘自https://techxplore.com/news/2025-01-machine基于method-accuracy-dip.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《基于机器学习的方法提高了测量岩石方面倾角和方向的准确性》的评论
暂无评论