Forschung zu einer Erkennungsmethode für Schuttstücke nach Sprengung basierend auf konkavitätsbasierter Vorsegmentierung

Warum Tunnelgeröll wichtig ist

Jedes Mal, wenn Ingenieure einen Tunnel durch einen Berg sprengen, bleibt ein wirrer Haufen gebrochener Steine zurück. Die Größe dieser Fragmente beeinflusst erheblich, wie schnell Lkw sie abtransportieren können, wie oft Teams übergroße Brocken nachsprengen müssen, und ob das Schuttmaterial wieder als Baustoff verwendbar ist. In der rauen, staubigen Umgebung eines aktiven Tunnels ist es jedoch alles andere als einfach, zuverlässig die Größe von tausenden unregelmäßigen Steinen zu messen. Diese Studie stellt eine neue Methode vor, einzelne Steine dreidimensional zu „sehen“ und zu trennen, sodass Teams besser beurteilen können, wie erfolgreich eine Sprengung war und wie sich die nächste verbessern lässt.

Von chaotischen Haufen zu messbaren Stücken

Beim Tunnelbau ist Bohren und Sprengen nach wie vor das gängige Ausbruchverfahren. Nach jeder Sprengung steht man vor einem Schutthaufen, der geräumt werden muss, bevor die nächste Arbeitsrunde beginnt. Bleiben zu viele große Brocken zurück, benötigen sie Nachzerkleinerung oder sogar eine weitere Sprengung, was den Fortschritt verlangsamt und die Kosten erhöht. Gleichzeitig zielen moderne Nachhaltigkeitsvorgaben auf feinere Fragmentierung, damit mehr des gebrochenen Gesteins wiederverwendet statt entsorgt werden kann. Die Verteilung der Korngrößen ist daher ein direkter Indikator dafür, ob die Sprengung gut geplant war. Traditionelle Messverfahren wie Handmessungen oder Siebmaschinen sind für stark frequentierte Tunnelbaustellen jedoch zu langsam und unpraktisch.

Warum Fotos nicht ausreichen

In den letzten zehn Jahren wurden bildbasierte Softwarelösungen populär, um Fragmentgrößen aus Fotografien abzuschätzen. Werkzeuge wie Split Desktop und WipFrag verfolgen automatisch scheinbare Blockgrenzen anhand von Farb- und Helligkeitsunterschieden in 2D-Bildern. Tunnelbedingungen sind jedoch selten kamerafreundlich. Staub, ungleichmäßige Beleuchtung und überlappende Fragmente verwirren diese Algorithmen häufig, sodass ein Block in viele Teile zerteilt oder mehrere Blöcke zusammengefasst werden. Deep-Learning-Ansätze, die Fragmente Pixel für Pixel klassifizieren, können genauer sein, benötigen aber große, sorgfältig annotierte Bilddatensätze und sehen zudem immer nur eine Seite jedes Steins. Ihre Ergebnisse liefern nicht die echte dreidimensionale Form und das Volumen des Schutts.

Mit Laserscans und verborgenen Hohlräumen

Um diese Beschränkungen zu überwinden, gingen die Autoren zum 3D-Laserscanning über. Ein auf einem Stativ montierter Scanner fährt den Schutthaufen mit Laserstrahlen ab und erzeugt eine dichte „Punktwolke“, die die Oberfläche der Fragmente vollständig erfasst. Der Kernansatz der neuen Methode nutzt die konkaven Spalten, die dort entstehen, wo Steine aneinanderdrücken. In der Punktwolke treten diese Hohlräume als Bereiche auf, in denen die Oberflächenrichtung nach innen gekrümmt ist. Die Forschenden entwickelten einen konkavitätsbasierten Vorsegmentierungsalgorithmus, der in der Nachbarschaft jedes Punkts nachsieht, vergleicht, wie sich seine Oberflächenrichtung zu der seiner Nachbarn verhält, und Punkte markiert, die in solche nach innen gebogenen Regionen fallen. Diese konkaven Punkte und deren engste Nachbarn werden danach entfernt, wodurch der Haufen virtuell entlang natürlicher Spalten zwischen den Blöcken „geschnitten“ wird.

Kanten schärfen und Steine zählen

Nachdem diese Spaltregionen bereinigt sind, bilden die verbleibenden Punkte getrennte Klumpen, die größtenteils einzelnen Gesteinsfragmenten entsprechen. Eine abstandsbasierte Clustering-Methode gruppiert dann nahe beieinander liegende Punkte zu Kandidatenblöcken. Weil die Vorsegmentierung einige Randpunkte entfernt hat, fügen die Autoren einen zweiten Verfeinerungsschritt hinzu: Sie schätzen, welche Punkte an den Rändern jedes Clusters liegen, und holen dann selektiv kompatible Punkte aus den entfernten konkaven Regionen zurück, mittels eines einfachen Flachheitschecks. So werden fehlende Kanten aufgefüllt, während benachbarte Blöcke getrennt bleiben. Abschließend wird um jedes Fragment ein orientiertes Begrenzungsquader (oriented bounding box) gelegt, um die drei Hauptrichtungen abzuschätzen und eine Korngrößenverteilung für den gesamten Schutthaufen zu erstellen.

Tests im realen Tunnel und Vergleiche

Das Team testete seinen Ansatz an Sprengschutt aus dem Xianyue-Bergtunnel in China und verwendete dafür einen kommerziellen 3D-Laserscanner unter üblichen Baustellenbedingungen. Bei diesen Realdaten segmentierte die Methode mehr als 80 Prozent der großen Fragmente korrekt, die dicker als etwa 30 Zentimeter waren, bei einer Falscherkennungsrate unter 20 Prozent. Unter- und Übersplitting ließen sich hauptsächlich auf Scanner-Limitierungen zurückführen, wie grobe Abtastung unter bestimmten Winkeln oder kleine Steine, die konkave Lücken zwischen größeren Blöcken verdecken. Die Forschenden verglichen ihre Methode außerdem mit vier häufig verwendeten 3D-Punktwolken-Algorithmen – darunter einfaches Distanzclustering, Clustering mit Oberflächenrichtungsprüfungen, Region Growing und eine verbreitete Supervoxel-basierte Technik. Alle vier Alternativen hatten Probleme, entweder große Steine in viele Teile zu spalten oder separate Steine zusammenzuführen, insbesondere bei stark variierenden Fragmentgrößen.

Was das für Tunnelarbeiten bedeutet

Kurz gesagt zeigt die Studie, dass Ingenieure durch das gezielte Herausarbeiten der natürlichen Hohlräume zwischen aneinanderliegenden Steinen in einem 3D-Scan zuverlässiger einen Stein vom nächsten unterscheiden können. Diese konkavitätsbasierte Vorsegmentierung, gefolgt von verbesserter Clusterbildung, liefert vertrauenswürdigere Zählungen und Größenabschätzungen für Sprengfragmente direkt im Tunnel. Zwar sind weitere Arbeiten nötig, um die Berechnungen zu beschleunigen und sehr komplexe Haufen zu handhaben, doch bietet die Methode bereits jetzt einen praktischen Weg, die Leistung einer Sprengung zu überprüfen und künftige Sprengungen zu optimieren. Besseres Wissen über Korngrößen kann Räumzeiten verkürzen, Nacharbeiten reduzieren und die Wiederverwendung von Aushubmaterial unterstützen – alles Faktoren, die für sichereren, schnelleren und nachhaltigeren Untertagebau wichtig sind.

Zitation: Xiao, Y., Lei, M., Jia, C. et al. Research on a detection method for blast rock fragments based on concavity-based pre-segmentation. Sci Rep 16, 14935 (2026). https://doi.org/10.1038/s41598-026-38799-8

Schlüsselwörter: Tunnel-Sprengung, Gesteinsfragmente, 3D-Laserscanning, Punktwolken-Segmentierung, Korngrößenverteilung