Forskning om en detektionsmetod för sprängstensfragment baserad på konkavitetsbaserad försegmentering

Varför tunnelröset är viktigt

Varje gång ingenjörer spränger en tunnel genom ett berg lämnar de efter sig en rörig hög av bruten bergmassa. Fragmentens storlek påverkar i hög grad hur snabbt lastbilar kan transportera bort materialet, hur ofta team behöver göra om sprängningar för för stora block och till och med om den brutna stenen kan återanvändas som byggmaterial. Men i den hårda, dammiga miljön i en aktiv tunnel är det långt ifrån enkelt att mäta storleken på tusentals oregelbundna stenar. Denna studie introducerar ett nytt sätt att ”se” och separera individuella stenar i tre dimensioner, vilket hjälper team att bättre bedöma hur framgångsrik varje sprängning varit och hur man kan förbättra nästa.

Från stökiga högar till mätbara bitar

I bergtunnlar är borrning och sprängning fortfarande den främsta utgrävningsmetoden. Efter varje sprängning står arbetarna inför en hög med rasmassor som måste avlägsnas innan nästa etapp kan börja. Om för många stora block återstår krävs sekundär krossning eller till och med en ny sprängning, vilket bromsar framdriften och ökar kostnaderna. Samtidigt uppmuntrar moderna hållbarhetsmål finare fragmentering så att mer av den brutna stenen kan återanvändas i stället för att kasseras. Fördelningen av fragmentstorlekar är därför en direkt indikator på om sprängningen var välplanerad, men traditionella mätmetoder, som manuella mätningar eller siktmaskiner, är för långsamma och opraktiska på travla tunnelprojekt.

Varför foton inte räcker

Under det senaste decenniet har bildbaserad programvara blivit populär för att uppskatta fragmentstorlekar från fotografier. Verktyg som Split Desktop och WipFrag följer automatiskt skenbara blockgränser genom att analysera färg- och ljusskillnader i 2D-bilder. Tunnelmiljöer är dock sällan kameravänliga. Damm, ojämn belysning och överlappande fragment förvirrar ofta dessa algoritmer, så att de delar ett block i många delar eller slår ihop flera block till ett. Djupinlärningsmetoder som försöker klassificera fragment pixel för pixel kan vara mer precisa, men de kräver stora, noggrant märkta bilddatamängder och ser ändå bara en sida av varje sten. De kan inte återskapa det verkliga tredimensionella formen och volymen hos rasmassorna.

Användning av laserskanning och dolda håligheter

För att övervinna dessa begränsningar vände sig författarna till 3D-laserskanning. En stativmonterad skanner sveper rasmassan med laserstrålar och registrerar ett tätt ”punktmoln” som fångar fragmentens hela yta. Nyckelidén i den nya metoden är att utnyttja de konkava glapp som naturligt bildas där stenar ligger mot varandra. I punktmolnet framträder dessa håligheter som områden där ytriktningen böjer sig inåt. Forskarna utformade en konkavitetsbaserad försegmenteringsalgoritm som undersöker varje punkts omgivning, jämför dess ytriktning med grannarnas och markerar punkter som ligger i sådana inåtböjande områden. Dessa konkava punkter och deras närmaste grannar tas sedan bort, vilket i praktiken ”skär” högen längs naturliga glapp mellan blocken.

Skärpta gränser och räkning av stenar

När dessa glappområden tagits bort bildar de återstående punkterna separerade klumpar som till största delen motsvarar individuella stenfragment. En avståndsbaserad klustringsmetod grupperar sedan närliggande punkter till kandidatblock. Eftersom försegmenteringen tagit bort vissa randpunkter lägger författarna till ett andra förfiningssteg: de uppskattar vilka punkter som ligger på kanterna av varje kluster och återför sedan selektivt kompatibla punkter från de borttagna konkava områdena, med en enkel kontroll av planhet. Detta fyller i saknade kanter samtidigt som intilliggande block hålls åtskilda. Slutligen sveps en standard geometrisk metod, kallad orienterad inneslutningslåda, tätt runt varje fragment för att uppskatta dess tre huvudmått och sammanställa en partikelstorleksfördelning för hela rasmassan.

Tester i verkliga tunnlar och jämförelser

Teamet testade sitt tillvägagångssätt på sprängrösen från Xianyue Mountain Tunnel i Kina, med en kommersiell 3D-lasermätare under normala byggförhållanden. På dessa verkliga data segmenterade metoden korrekt mer än 80 procent av stora fragment tjockare än cirka 30 centimeter, med en falsk detektionsfrekvens under 20 procent. Under- och översplittring var huvudsakligen kopplade till skannerns begränsningar, såsom grov provtagning vid vissa vinklar eller små stenar som döljer konkava glapp mellan större block. Forskarna jämförde också sin metod med fyra vanliga 3D-punktmolnsalgoritmer, inklusive grundläggande avståndsklustring, klustring med ytriktningstest, region growing och en populär supervoxel-baserad teknik. Alla fyra alternativ hade problem antingen med att dela stora stenar i många delar eller med att slå ihop separata stenar, särskilt när fragmentstorlekar varierade mycket.

Vad detta betyder för tunnelarbete

Enkelt uttryckt visar studien att genom att först skära bort de naturliga håligheterna mellan liggande stenar kan ingenjörer mer pålitligt skilja en sten från en annan i en 3D-skanning. Denna konkavitetsbaserade försegmentering, följd av förbättrad klustring, ger mer tillförlitliga räkningar och storleksuppskattningar för sprängfragment direkt i tunneln. Även om ytterligare arbete behövs för att snabba upp beräkningarna och hantera mycket komplexa högar, erbjuder metoden redan ett praktiskt sätt att kontrollera hur väl en sprängning presterade och finjustera framtida sprängningar. Bättre kunskap om fragmentstorlekar kan minska tid för bortforsling, minska omarbete och stödja smartare återanvändning av utgrävt material — allt viktigt för säkrare, snabbare och mer hållbar underjordisk byggnation.

Citering: 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

Nyckelord: tunnelblåsning, stensfragment, 3D-laserskanning, punktmolnssegmentering, fragmentstorleksfördelning