Photogrammetry and artificial intelligence for rock mass classification

Die Klassifikation von Gebirgsmassen basiert weitgehend auf manueller Kartierung, die langsam und subjektiv ist und Arbeiten in unmittelbarer Nähe zu freiliegenden, potenziell gefährlichen Felswänden erfordert. Diese Arbeit untersucht, ob photogrammetrisch erzeugte dreidimensionale Punktwolken, die mit Methoden der Künstlichen Intelligenz verarbeitet werden, Eingangsgrößen und Ergebnisse für die Gebirgsmassenklassifikation liefern können, die genau genug sind, um Feldbeobachtungen zu entsprechen.
Eine Punktwolke mit 31,5 Millionen Punkten einer 2,6 m × 4,6 m großen Stollenwand im Underground Research Laboratory der Aalto-Universität wurde mit mehreren Punktdichten verarbeitet, um die Robustheit zu bewerten. Oberflächennormalen wurden geschätzt und mithilfe KI-basierter Methoden (K-means und Mean-shift) geclustert, um Diskontinuitätensätze zu identifizieren; anschließend wurden planare Flächenstücke angepasst, um Berechnungen der Kluftabstände zu unterstützen. Die aus der Punktwolkenverarbeitung abgeleitete Rock Quality Designation (RQD) betrug 78,9 % und stimmte eng mit der manuellen Scanline-Kartierung (77,5 %) überein. Die Kluftrauigkeit wurde anhand kleiner planarer Oberflächenbereiche abgeschätzt und über den auf 20 cm normierten Joint Roughness Coefficient (JRC20) in die Joint Roughness Number (Jr) umgerechnet.
Der Vergleich mit manuellen Messungen zeigte, dass die drei dominanten Kluftscharen innerhalb weniger Grad reproduziert wurden; Mean-shift lieferte eine sauberere Abgrenzung der Nebenkluftscharen als K-means, während K-means schneller und einfacher ist, jedoch mehr Rauschen enthält. Auf Basis der aus der dreidimensionalen Punktwolke gewonnenen Parameter wurde die Stollenfront als Q ≈ 16 (gut), RMR ≈ 64 (Klasse II, gut) und GSI ≈ 59–64 klassifiziert, im Einklang mit der Feldbewertung, während RMi aufgrund seiner Empfindlichkeit gegenüber Abstandsänderungen über die Blockvolumenabschätzung stärker abwich. Einschränkungen ergaben sich aus der Abdeckung der Punktwolke sowie aus sprenginduzierten Klüften, die nicht automatisch als künstlich erkannt werden konnten. Insgesamt ist Photogrammetrie in Kombination mit Methoden der Künstlichen Intelligenz ein praktikabler Ansatz, um Eingangsgrößen für die Gebirgsmassenklassifikation aus dreidimensionalen Punktwolken von Tunnelwänden abzuleiten.