Para peneliti mengembangkan metodologi yang secara mandiri memfilter data yang tidak perlu dari awan titik batu 3D untuk secara akurat menentukan sudut perendaman dan arah kritis dalam rekayasa geologis dan struktural. Kredit: Hyungjoon SEO dari Universitas Sains dan Teknologi Nasional Seoul
Algoritma Pembelajaran Otomatis (ML) adalah aplikasi baru yang konstan di semua bidang ilmiah, dan rekayasa geologi tidak terkecuali. Selama dekade terakhir, para peneliti telah mengembangkan beberapa teknik berbasis mL untuk menentukan karakteristik geologis lebih mudah di batuan, seperti sudut perendaman (sudut di mana karakteristik datar cenderung ke bidang horizontal) dan arah segi batu di terowongan. Memahami karakteristik ini sangat penting untuk proyek konstruksi besar, karena mereka membantu menjamin stabilitas dan keamanan struktural, menghindari kemungkinan kegagalan atau runtuh.
Meskipun mereka kuat, sebagian besar model ML masih berjuang untuk membedakan antara pita gabungan dan titik penyisipan sendi batu. Untuk mengklarifikasi, pita gabungan lebih luas dan area yang lebih berbeda di dalam batu yang dapat mencakup beberapa patah tulang paralel, sementara titik embedding bersama adalah karakteristik yang lebih terlokalisasi yang mewakili persimpangan nyata dari lapisan batu.
Sebagai indikator langsung orientasi permukaan, titik inklusi sambungan memungkinkan pengukuran kedalaman yang lebih tepat sudut dan mengatasi band bersama itu. Oleh karena itu, metode yang dapat menghilangkan pita data entri bersama dapat meningkatkan akurasi teknik berbasis ML, yang mengarah ke evaluasi geologis yang lebih tepat.
Untuk mematuhi tantangan ini, tim peneliti yang dipimpin oleh Profesor Hyungjoon SEO dari Universitas Sains dan Teknologi Nasional Seoul (Seoultech) mengembangkan metode kekasaran-dip-gol (RCDF). Pendekatan beberapa langkah ini dengan ML Motor menggabungkan banyak teknik filtrasi untuk menghilangkan pita bersama sambil melestarikan sebagian besar titik embedding artikular dalam data, yang mengarah pada presisi yang sangat baik ketika mengukur sudut dan arah arah perendaman. Perannya adalah diterbitkan Di koran Terowongan dan teknologi ruang bawah tanah pada 1 Desember 2024.
Langkah pertama dari proses filtrasi terdiri dari analisis kekasaran di awan titik input 3D, yang diambil langsung dari permukaan batu. Langkah ini menghilangkan penyimpangan dan kebisingan permukaan minor data, menjaga garis kontinu di permukaan tetapi menghilangkan garis sambungan.
Langkah filtrasi kedua menggunakan algoritma CANUPO, yang mengklasifikasikan titik -titik berdasarkan karakteristik geometris dan mengisolasi fitur -fitur utama, menghilangkan lebih banyak garis gabungan. Langkah filtrasi ketiga menghilangkan segmen batuan koneksi berdasarkan sudut perendaman, mengisolasi formasi batuan yang berbeda. Akhirnya, tahap pengukuran terdiri dari segmentasi facet untuk mendapatkan sudut perendaman dan alamat setiap bagian dari sampel batuan.
Para peneliti menguji metode RCDF dalam beberapa gambar wajah terowongan nyata, mencapai tingkat presisi yang menonjol mulai dari 97% hingga 99,4%. Secara khusus, 100% pita gabungan dihapus dengan sukses sambil mempertahankan 81% dari titik embeddation sendi. Tetapi aspek yang paling menarik dari teknik ini adalah sifatnya yang sepenuhnya otonom, yang tidak memerlukan intervensi manusia.
“Dengan mengotomatiskan proses penyaringan dan segmentasi karakteristik batuan, ia mengurangi kesalahan manusia dan inefisiensi komputasi, yang membuatnya ideal untuk proyek infrastruktur modern yang membutuhkan presisi dan keandalan yang tinggi,” Prof. SEO menyoroti.
Secara umum, pendekatan yang diusulkan dapat menemukan aplikasi yang menjanjikan dalam banyak disiplin ilmu struktural dan geologi.
“Integrasi metode ML RCDF dan pembelajaran yang mendalam menjamin pemrosesan data geologis yang andal dan tepat, yang secara langsung dapat meningkatkan proyek rekayasa skala besar seperti terowongan dan struktur bawah tanah,” kata Prof. SEO. “Ini juga dapat memungkinkan pengembangan alat analisis geologi yang lebih cerdas dan lebih cepat, mengurangi biaya dan meningkatkan efisiensi dalam industri yang bergantung pada eksplorasi lapisan tanah dan pengembangan infrastruktur.”
Pendekatan inovatif, oleh karena itu, sangat menjanjikan untuk membuka jalan bagi yang lebih aman dan lebih efisien. Teknik Geologi solusi.
Informasi lebih lanjut:
Bara Alseid et al, metode pembelajaran otomatis RCDF untuk mengukur struktur geologis di awan titik 3D dari wajah terowongan batu, Terowongan dan teknologi ruang bawah tanah (2024). Doi: 10.1016/j.tust.2024.106071
Disediakan oleh Universitas Sains dan Teknologi Nasional Seoul
Kutipan: Metode yang didasarkan pada pembelajaran otomatis meningkatkan keakuratan pengukuran sudut pencelupan dan arah dalam aspek batu (2025, 29 Januari) yang dipulihkan pada 30 Januari 2025 dari https://techxplore.com/news/ 2025-01-Machine Berdasarkan Metode-Setod-Acuracy- Dip.html
Dokumen ini tunduk pada hak cipta. Selain pengobatan yang adil dengan tujuan studi atau penelitian pribadi, Anda tidak dapat mereproduksi bagian apa pun tanpa izin tertulis. Konten disediakan hanya untuk tujuan informasi.
