Onderzoek naar een detectiemethode voor blastruimtefragmenten op basis van concaviteitsgebaseerde voorsegmentatie

Waarom tunnelpuin ertoe doet

Elke keer dat ingenieurs een tunnel in een berg blazen, blijft er een warboel van gebroken steen achter. De grootte van die fragmenten heeft grote gevolgen voor hoe snel vrachtwagens ze kunnen afvoeren, hoe vaak teams oversized brokken opnieuw moeten blaffen, en zelfs of het gebroken gesteente hergebruikt kan worden als bouwmateriaal. Toch is het in de ruwe, stoffige omgeving van een actieve tunnel verre van eenvoudig om betrouwbaar de afmetingen van duizenden onregelmatige stenen te meten. Deze studie introduceert een nieuwe manier om individuele stenen driedimensionaal te ‘zien’ en te scheiden, waardoor teams beter kunnen beoordelen hoe succesvol elke explosie was en hoe ze de volgende kunnen verbeteren.

Van rommelige hopen naar meetbare stukken

Bij bergtunnelwerk is boren en blazen nog steeds de belangrijkste graafmethode. Na elke explosie staan arbeiders voor een puinhoop die moet worden vrijgemaakt voordat de volgende ronde kan beginnen. Als te veel grote blokken achterblijven, vereisen ze secundair breken of zelfs een nieuwe explosie, wat de voortgang vertraagt en de kosten verhoogt. Tegelijkertijd stimuleren moderne duurzaamheidsdoelen fijnere fragmentatie, zodat meer van het gebroken gesteente kan worden hergebruikt in plaats van weggegooid. De verdeling van fragmentgroottes is daarom een rechtstreekse indicator of de kwaliteit van het ontwerp van de explosie, maar traditionele meetmethoden, zoals handmetingen of zeefmachines, zijn te langzaam en onpraktisch voor drukke tunnellocaties.

Waarom foto’s niet genoeg zijn

In het afgelopen decennium is beeldgebaseerde software populair geworden om fragmentgroottes uit foto’s te schatten. Hulpmiddelen zoals Split Desktop en WipFrag trekken automatisch ogenschijnlijke blokgrenzen door naar kleur- en helderheidsverschillen in 2D-afbeeldingen te kijken. Tunnelomstandigheden zijn echter zelden camera-vriendelijk. Stof, ongelijkmatige verlichting en overlappende fragmenten verwarren deze algoritmen vaak, waardoor ze één blok in veel stukken opsplitsen of meerdere blokken samenvoegen. Deep-learningbenaderingen die proberen fragmenten pixel voor pixel te classificeren kunnen nauwkeuriger zijn, maar ze hebben grote, zorgvuldig gelabelde afbeeldingsdatasets nodig en zien nog steeds slechts één zijde van elke steen. Ze kunnen de werkelijke driedimensionale vorm en het volume van het puin niet herstellen.

Gebruik van laserscans en verborgen holtes

Om deze beperkingen te boven te komen, wendden de auteurs zich tot 3D-laserscanning. Een scanner op een statief veegt de puinhopen af met laserstralen en registreert een dichte "point cloud" die het volledige oppervlak van de fragmenten vastlegt. Het kernidee van de nieuwe methode is het benutten van de concave openingen die van nature ontstaan waar stenen tegen elkaar drukken. In de point cloud verschijnen die holtes als regio’s waar de oppervlaktedirection inward buigt. De onderzoekers ontwierpen een concaviteitsgebaseerd voorsegmentatie-algoritme dat de buurt van elk punt onderzoekt, vergelijkt hoe de oppervlaktedirection zich verhoudt tot die van de buren, en punten markeert die in zulke naar binnen buigende regio’s liggen. Deze concave punten en hun dichtstbijzijnde buren worden vervolgens verwijderd, wat de hoop feitelijk ‘doorsnijdt’ langs natuurlijke kieren tussen blokken.

Afkaderen van grenzen en tellen van stenen

Nadat die gap-regio’s zijn verwijderd, vormen de overgebleven punten gescheiden clusters die grotendeels overeenkomen met individuele rotsfragmenten. Een afstandsgebaseerde clusteringmethode groepeert vervolgens nabijgelegen punten tot kandidaat-blokken. Omdat de voorsegmentatie enkele randpunten heeft verwijderd, voegen de auteurs een tweede verfijningsstap toe: ze schatten welke punten op de randen van elke cluster liggen en halen vervolgens selectief compatibele punten terug uit de verwijderde concave regio’s, met behulp van een eenvoudige vlakheidscontrole. Dit vult ontbrekende randen aan terwijl aangrenzende blokken gescheiden blijven. Ten slotte wordt een standaard geometrisch hulpmiddel, de georiënteerde begrenzende doos (oriented bounding box), strak om elk fragment gelegd om de drie hoofdafmetingen te schatten en een deeltjesgrootteverdeling voor de gehele puinhoop samen te stellen.

Praktijktests in tunnels en vergelijkingen

Het team testte hun aanpak op blaaspuin uit de Xianyue Mountain Tunnel in China, met een commercieel 3D-laserscanner onder normale bouwomstandigheden. Op deze reële data segmenteerde de methode correct meer dan 80 procent van de grote fragmenten dikker dan ongeveer 30 centimeter, met een foutdetectiesnelheid onder 20 procent. Onder- en oversplitsing waren voornamelijk gerelateerd aan scannerlimieten, zoals grove bemonstering onder bepaalde hoeken of kleine stenen die concave kieren tussen grotere blokken verbergen. De onderzoekers vergeleken hun methode ook met vier veelgebruikte 3D-pointcloud-algoritmen, waaronder basisafstandclustering, clustering met controles van oppervlakterichting, region-growing en een populaire supervoxel-gebaseerde techniek. Alle vier de alternatieven hadden moeite met ofwel het versnipperen van grote rotsen in veel stukken of het samenvoegen van afzonderlijke rotsen, vooral wanneer fragmentgroottes sterk varieerden.

Wat dit betekent voor tunnelwerk

In eenvoudige termen toont de studie aan dat door eerst de natuurlijke holtes tussen aangrenzende stenen weg te snijden, ingenieurs in een 3D-scan betrouwbaarder één steen van een andere kunnen onderscheiden. Deze concaviteitsgebaseerde voorsegmentatie, gevolgd door verbeterde clustering, levert betrouwbaardere tellingen en maat schattingen voor blaasfragmenten direct in de tunnel. Hoewel vervolgwerk nodig is om de berekening te versnellen en zeer complexe hopen aan te kunnen, biedt de methode al een praktische manier om te controleren hoe goed een explosie heeft gepresteerd en om toekomstige explosies bij te sturen. Beter inzicht in rotsfragmentgroottes kan het leegmaken van puin verkorten, nabehandelingen verminderen en slimmer hergebruik van ontgraven materiaal ondersteunen, wat allemaal bijdraagt aan veiliger, sneller en duurzamer ondergronds bouwen.

Bronvermelding: 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

Trefwoorden: tunnelblasting, rotsfragmenten, 3D-laserscanning, pointcloud-segmentatie, fragmentgrootteverdeling