Badania nad metodą wykrywania odłamków skalnych po wybuchu opartą na wstępnej segmentacji według konkawności

Dlaczego rumosz tunelowy ma znaczenie

Za każdym razem, gdy inżynierowie wysadzają tunel w górze, pozostaje po tym pogmatwany stos połamanej skały. Wielkość tych fragmentów ma duży wpływ na to, jak szybko ciężarówki mogą je wywozić, jak często ekipy muszą ponownie rozdrabniać zbyt duże kawałki, a nawet czy urobek może być ponownie wykorzystany jako materiał budowlany. W surowym, zakurzonym środowisku aktywnego tunelu niezawodne mierzenie rozmiarów tysięcy nieregularnych kamieni jest dalekie od prostego. W pracy tej przedstawiono nowy sposób „widzenia” i rozdzielania pojedynczych skał w trzech wymiarach, pomagający ekipom lepiej ocenić skuteczność każdego wybuchu i zaplanować udoskonalenia następnym razem.

Od chaotycznych stosów do mierzalnych kawałków

W pracach przy drążeniu tuneli wiercenie i wysadzanie nadal pozostaje główną metodą eksploatacji. Po każdym wybuchu robotnicy stają przed hałdą rumoszu, którą trzeba usunąć, zanim można rozpocząć kolejny etap. Jeśli pozostanie zbyt wiele dużych bloków, wymagają one wtórnego kruszenia lub nawet kolejnego wybuchu, co spowalnia postęp i podnosi koszty. Jednocześnie nowoczesne cele zrównoważonego rozwoju skłaniają do drobniejszej fragmentacji, aby więcej złomu mogło zostać ponownie wykorzystane zamiast wyrzucone. Rozkład wielkości fragmentów jest więc bezpośrednim wskaźnikiem, czy wybuch został dobrze zaprojektowany, ale tradycyjne metody pomiaru wielkości, takie jak pomiary ręczne czy przesiewacze, są zbyt wolne i niepraktyczne na ruchliwych budowach tunelowych.

Dlaczego zdjęcia to za mało

W ciągu ostatniej dekady oprogramowanie oparte na obrazach zyskało popularność przy oszacowywaniu rozmiarów fragmentów ze zdjęć. Narzędzia takie jak Split Desktop czy WipFrag automatycznie wyznaczają widoczne granice bloków, analizując różnice koloru i jasności na dwuwymiarowych obrazach. Warunki w tunelu rzadko jednak sprzyjają fotografowaniu. Kurz, nierównomierne oświetlenie i zachodzące na siebie fragmenty często mylą te algorytmy, powodując rozdzielanie jednego bloku na wiele części lub łączenie kilku bloków w jedną całość. Podejścia z głębokim uczeniem, które próbują klasyfikować fragmenty piksel po pikselu, mogą być dokładniejsze, ale potrzebują dużych, starannie oznaczonych zbiorów zdjęć i nadal pokazują tylko jedną stronę kamienia. Nie potrafią odtworzyć rzeczywistego trójwymiarowego kształtu i objętości rumoszu.

Wykorzystanie skanów laserowych i ukrytych wklęsłości

Aby pokonać te ograniczenia, autorzy sięgnęli po skanowanie laserowe 3D. Skaner zamontowany na statywie przesuwa wiązki lasera po hałdzie i rejestruje gęstą „chmurę punktów”, która odwzorowuje całą powierzchnię fragmentów. Kluczową ideą nowej metody jest wykorzystanie wklęsłych szczelin, które naturalnie tworzą się tam, gdzie skały stykają się ze sobą. W chmurze punktów te wgłębienia pojawiają się jako obszary, w których kierunki powierzchni zaginają się do wewnątrz. Badacze zaprojektowali algorytm wstępnej segmentacji oparty na konkawności, który bada sąsiedztwo każdego punktu, porównuje kierunek jego powierzchni z sąsiadami i oznacza punkty leżące w takich obszarach zaginających się do środka. Te konkawne punkty i ich najbliżsi sąsiedzi są następnie usuwani, co wirtualnie „przecina” hałdę wzdłuż naturalnych szczelin między blokami.

Wyostrzanie granic i liczenie kamieni

Po usunięciu tych obszarów szczelin pozostałe punkty tworzą oddzielone skupiska, które w dużej mierze odpowiadają pojedynczym fragmentom skalnym. Następnie metoda grupowania oparta na odległości łączy pobliskie punkty w kandydatów na bloki. Ponieważ wstępna segmentacja usunęła część punktów brzegowych, autorzy dodali drugi etap udoskonalania: szacują, które punkty leżą na krawędziach każdego klastra, a następnie selektywnie przywracają zgodne punkty z usuniętych obszarów konkawnych, stosując prosty test płaskości. Wypełnia to brakujące krawędzie, jednocześnie utrzymując sąsiednie bloki jako oddzielne obiekty. Wreszcie standardowe narzędzie geometryczne, nazywane zorientowaną skrzynką ograniczającą, jest dokładnie dopasowywane do każdego fragmentu, aby oszacować jego trzy główne wymiary i skompilować rozkład wielkości cząstek dla całej hałdy.

Testy w rzeczywistych tunelach i porównania

Zespół przetestował proponowane podejście na rumoszu z wybuchu w tunelu Xianyue w Chinach, wykorzystując komercyjny skaner laserowy 3D w normalnych warunkach budowy. Na tych rzeczywistych danych metoda poprawnie zsegmentowała ponad 80 procent dużych fragmentów grubych na około 30 centymetrów i więcej, przy wskaźniku fałszywych wykryć poniżej 20 procent. Niedosplitting i oversplitting były głównie związane z ograniczeniami skanera, takimi jak grube próbkowanie pod pewnymi kątami lub małe kamienie ukrywające wklęsłe szczeliny między większymi blokami. Badacze porównali też swoją metodę z czterema powszechnie stosowanymi algorytmami przetwarzania chmury punktów 3D, w tym z podstawowym grupowaniem według odległości, grupowaniem z kontrolą kierunku powierzchni, wzrostem regionu oraz popularną techniką opartą na superwoksalach. Wszystkie cztery alternatywy miały problemy albo z rozdzielaniem dużych skał na wiele kawałków, albo z łączeniem oddzielnych bloków, zwłaszcza gdy rozmiary fragmentów były bardzo zróżnicowane.

Co to oznacza dla prac tunelowych

Mówiąc najprościej, badanie pokazuje, że przez najpierw „odcięcie” naturalnych wgłębień między stykającymi się kamieniami, inżynierowie mogą bardziej niezawodnie odróżnić jedną skałę od drugiej w skanie 3D. Wstępna segmentacja oparta na konkawności, połączona z udoskonalonym grupowaniem, daje bardziej wiarygodne zliczenia i oszacowania rozmiarów odłamków bezpośrednio w tunelu. Choć potrzeba dalszych prac nad przyspieszeniem obliczeń i obsługą bardzo złożonych hałd, metoda już teraz oferuje praktyczny sposób sprawdzenia skuteczności wybuchu i dopracowania kolejnych. Lepsza wiedza o rozmiarach odłamków może skrócić czas wywozu rumoszu, zmniejszyć ilość prac ponownych i wspierać inteligentniejsze ponowne wykorzystanie wydobytego materiału — wszystko to ma znaczenie dla bezpieczniejszej, szybszej i bardziej zrównoważonej budowy podziemnej.

Cytowanie: 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

Słowa kluczowe: odpalanie tuneli, odłamki skalne, skanowanie laserowe 3D, segmentacja chmury punktów, rozkład wielkości fragmentów