Investigación sobre un método de detección de fragmentos de roca de voladura basado en presegmentación por concavidad

Por qué importan los escombros de túnel

Cada vez que los ingenieros dinamitan un túnel a través de una montaña, queda atrás un montón desordenado de roca fracturada. El tamaño de esos fragmentos influye de forma importante en la rapidez con la que los camiones pueden retirarlos, en la frecuencia con que las cuadrillas deben volver a volar fragmentos sobredimensionados e incluso en si la roca fracturada puede reutilizarse como material de construcción. Sin embargo, en el ambiente duro y polvoriento de un túnel activo, medir con fiabilidad el tamaño de miles de piedras irregulares está lejos de ser simple. Este estudio presenta una nueva forma de “ver” y separar rocas individuales en tres dimensiones, ayudando a las cuadrillas a juzgar mejor el éxito de cada voladura y a mejorar la siguiente.

De montones desordenados a piezas medibles

En la excavación de túneles en montaña, perforar y volar sigue siendo el método principal. Tras cada voladura, los equipos afrontan un montón de escombros que debe retirarse antes de comenzar la siguiente ronda. Si quedan demasiados bloques grandes, requieren trituración secundaria o incluso otra voladura, lo que ralentiza el avance y eleva los costes. Al mismo tiempo, los objetivos modernos de sostenibilidad fomentan una fragmentación más fina para que más material pueda reutilizarse en lugar de desecharse. La distribución del tamaño de los fragmentos es, por tanto, un indicador directo de si la voladura estuvo bien diseñada, pero las formas tradicionales de medir el tamaño de los fragmentos, como mediciones manuales o cribas, son demasiado lentas e imprácticas para los sitios de túneles ocupados.

Por qué las fotos no bastan

En la última década, el software basado en imágenes se ha hecho popular para estimar tamaños de fragmentos a partir de fotografías. Herramientas como Split Desktop y WipFrag trazan automáticamente los límites aparentes de los bloques al analizar diferencias de color y brillo en imágenes 2D. Sin embargo, las condiciones en túnel rara vez son favorables para la cámara. El polvo, la iluminación desigual y los fragmentos superpuestos suelen confundir estos algoritmos, provocando que un bloque se divida en muchas piezas o que varios bloques se agrupen como uno solo. Los enfoques de aprendizaje profundo que intentan clasificar fragmentos píxel a píxel pueden ser más precisos, pero requieren conjuntos de datos de imágenes grandes y cuidadosamente etiquetados y aún así solo ven un lado de cada piedra. No pueden recuperar la verdadera forma y volumen tridimensional del montón.

Usar escaneos láser y huecos ocultos

Para superar estos límites, los autores recurrieron al escaneo láser 3D. Un escáner montado en trípode barre el montón de material con haces láser y registra una densa “nube de puntos” que captura toda la superficie de los fragmentos. La idea clave del nuevo método es explotar las brechas cóncavas que se forman allí donde las rocas se apoyan unas contra otras. En la nube de puntos, esos huecos aparecen como regiones donde las direcciones superficiales se doblan hacia dentro. Los investigadores diseñaron un algoritmo de presegmentación basado en concavidad que examina el vecindario de cada punto, verifica cómo se compara la dirección de su superficie con la de sus vecinos y marca los puntos que yacen en esas regiones curvadas hacia dentro. Esos puntos cóncavos y sus vecinos más cercanos se eliminan a continuación, lo que “corta” virtualmente el montón a lo largo de las brechas naturales entre los bloques.

Afinar límites y contar piedras

Tras limpiar esas regiones de separación, los puntos restantes forman grupos separados que en gran medida corresponden a fragmentos de roca individuales. Un método de agrupamiento basado en distancia agrupa entonces puntos cercanos en bloques candidatos. Dado que la presegmentación eliminó algunos puntos de los límites, los autores incorporan un segundo paso de refinamiento: estiman qué puntos están en los bordes de cada clúster y luego reintroducen selectivamente puntos compatibles procedentes de las regiones cóncavas eliminadas, mediante una comprobación simple de planitud. Esto rellena los bordes faltantes manteniendo distintos a los bloques vecinos. Finalmente, una herramienta geométrica estándar llamada caja delimitadora orientada se ajusta estrechamente alrededor de cada fragmento para estimar sus tres dimensiones principales y compilar una distribución de tamaños de partículas para el conjunto del montón.

Pruebas reales en túnel y comparaciones

El equipo probó su enfoque en escombros de voladura del Túnel Xianyue en China, usando un escáner láser 3D comercial bajo las limitaciones habituales de obra. En estos datos del mundo real, el método segmentó correctamente más del 80 por ciento de los fragmentos grandes de más de aproximadamente 30 centímetros de espesor, con una tasa de detección falsa inferior al 20 por ciento. La subsegmentación y la sobredescomposición se asociaron principalmente a límites del escáner, como muestreo grueso en ciertos ángulos o piedras pequeñas que ocultan las brechas cóncavas entre bloques mayores. Los investigadores también compararon su método con cuatro algoritmos comunes para nubes de puntos 3D, incluyendo agrupamiento por distancia básico, agrupamiento con comprobaciones de dirección superficial, crecimiento de regiones y una técnica popular basada en supervoxels. Las cuatro alternativas tuvieron dificultades ya sea para dividir rocas grandes en muchas piezas o para unir rocas separadas, especialmente cuando los tamaños de los fragmentos eran muy variables.

Qué significa esto para el trabajo en túneles

En términos sencillos, el estudio muestra que al tallar primero las holladuras naturales entre las piedras en contacto, los ingenieros pueden distinguir con mayor fiabilidad una roca de otra en un escaneo 3D. Esta presegmentación basada en concavidad, seguida de un agrupamiento mejorado, produce recuentos y estimaciones de tamaño de fragmentos de voladura más confiables directamente en el túnel. Aunque es necesario seguir trabajando para acelerar el cálculo y manejar montones muy complejos, el método ya ofrece una forma práctica de comprobar el rendimiento de una voladura y ajustar las voladuras futuras. Un mejor conocimiento del tamaño de los fragmentos puede reducir el tiempo de acarreo, disminuir el retrabajo y favorecer la reutilización inteligente del material excavado, todo lo cual importa para una construcción subterránea más segura, rápida y sostenible.

Cita: 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

Palabras clave: voladura de túneles, fragmentos de roca, escaneo láser 3D, segmentación de nubes de puntos, distribución del tamaño de fragmentos