KR20220029396A - 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법 - Google Patents

딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법 Download PDF

Info

Publication number
KR20220029396A
KR20220029396A KR1020210108681A KR20210108681A KR20220029396A KR 20220029396 A KR20220029396 A KR 20220029396A KR 1020210108681 A KR1020210108681 A KR 1020210108681A KR 20210108681 A KR20210108681 A KR 20210108681A KR 20220029396 A KR20220029396 A KR 20220029396A
Authority
KR
South Korea
Prior art keywords
joint
rock
deep learning
learning model
bedrock
Prior art date
Application number
KR1020210108681A
Other languages
English (en)
Other versions
KR102576001B1 (ko
Inventor
김양균
Original Assignee
김양균
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김양균 filed Critical 김양균
Publication of KR20220029396A publication Critical patent/KR20220029396A/ko
Application granted granted Critical
Publication of KR102576001B1 publication Critical patent/KR102576001B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G01V3/20—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with propagation of electric current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/129—Source location
    • G01V2210/1295—Land surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1429—Subsurface, e.g. in borehole or below weathering layer or mud line
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법이 개시된다. 본 발명의 장치는 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는 입력부 및 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출하고, 산출된 점수를 이용하여 RMR(Rock Mass Rating)에 의해 암반 등급을 평가하는 제어부를 포함하되, 제어부는, 암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델에 입력정보에 포함된 암반면 영상을 입력값으로 입력시켜 암질지수 및 절리 간격에 대한 점수를 산출하고, 절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 입력정보에 포함된 절리 영상을 입력값으로 입력시켜 절리 상태에 대한 점수를 산출하며, 지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 입력정보에 포함된 지하수 상태 영상을 입력값으로 입력시켜 지하수 상태에 대한 점수를 산출하는 것을 특징으로 한다.

Description

딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법{Automation device and method for evaluating Rock Mass Rating(RMR) using deep learning models}
본 발명은 암반 등급 평가 기술에 관한 것으로, 더욱 상세하게는 딥러닝 모델을 기초로 터널, 사면, 광산 등의 안정성 평가를 자동화하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법에 관한 것이다.
일반적으로 터널공사, 암반사면, 광산에서 암반의 구조적 특성을 파악하고, 굴착하는 것은 안전과 경제적인 측면에서 매우 중요하다. 더욱이 지표조사 및 시추조사는 조사의 한계성, 경제성 및 시간 등의 이유로 인해 지반의 구조적 특성을 100% 파악하기 어려운 문제점을 가지고 있다.
따라서 터널 등의 설계 또는 굴착 도중 구조물의 안전한 설계 및 시공을 위하여 암반의 상태를 객관적으로 평가할 수 있는 공학적 방법이 필요하며 이러한 방법을 암반 분류라고 한다.
이러한 암반 분류 방법 중 가장 일반적으로 활용되는 것이 1974년에 Z.T. Bieniawski가 제안한 암반 등급(Rock Mass Rating, RMR)이다. 도 1과 같이 암반 등급은 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리(불연속면) 간격, 절리(불연속면) 상태, 지하수 상태 등 총 5개 항목이 상태에 따라 5가지로 세분되어 있고, 각각에 대해 배점이 할당된다.
즉 암반 등급을 평가하기 위해서는 터널, 사면, 광산에서 암반 막장을 대상으로 상술된 5개 항목에 대해 배점을 합산한 후, 6번째 항목인 터널의 굴진 방향에 대한 절리(불연속면)의 방향성(주향 및 경사)에 따른 값을 보정하여 최종적인 암반 등급 값을 산출한다. 이때 산출된 값이 높을수록 암반이 상대적으로 양호한 상태로 판단된다.
하지만 암반 등급을 평가하기 위한 종래의 방법은 인력에 의해 수행됨에 따라 많은 노력과 시간을 투자해야하는 문제점을 가지고 있는 실정이다.
한국등록특허공보 제10-2204442호 (2021.01.12.)
본 발명이 이루고자 하는 기술적 과제는 딥러닝 모델을 통해 터널, 사면, 광산 등의 안정성 평가를 위한 암반 등급 항목 중 암질지수(RQD), 절리(불연속면) 간격, 절리(불연속면) 상태, 지하수 상태에 대한 항목을 자동으로 평가하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법을 제공하는데 목적이 있다.
상기 목적을 달성하기 위해 본 발명에 따른 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치는 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는 입력부 및 상기 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출하고, 상기 산출된 점수를 이용하여 RMR(Rock Mass Rating)에 의해 암반 등급을 평가하는 제어부를 포함하되, 상기 제어부는, 암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델에 상기 입력정보에 포함된 암반면 영상을 입력값으로 입력시켜 상기 암질지수 및 상기 절리 간격에 대한 점수를 산출하고, 절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 절리 영상을 입력값으로 입력시켜 상기 절리 상태에 대한 점수를 산출하며, 지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 지하수 상태 영상을 입력값으로 입력시켜 상기 지하수 상태에 대한 점수를 산출하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 제1 딥러닝 모델을 학습하기 위한 수집정보가 입력되면 상기 수집정보에 포함된 복수의 암반면 영상을 U 커브 형태의 컨볼루션 레이어(Convolutional Layer)를 쌓는 구조로 설정하고, 상기 설정된 암반면 영상을 학습하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 암반면 영상 중 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔을 데이터화하고, 상기 데이터화된 데이터를 기반으로 상기 제1 딥러닝 모델을 학습하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 제2 딥러닝 모델을 학습하기 위한 수집정보가 입력되면 상기 수집정보에 포함된 절리 영상 및 지하수 상태 영상을 합성곱(Convolution) 계층, 풀링(Pooling) 계층, 완전연결(Fully connected) 계층 구조로 각각 설정하고, 상기 설정된 절리 영상 및 지하수 상태 영상을 개별적으로 학습하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 절리 영상을 RMR에 의한 암반 등급 분류표 중 절리 상태 분류기준에 따라 5가지 등급으로 분류하고, 상기 분류된 등급을 기반으로 상기 제2 딥러닝 모델을 학습하고, 상기 지하수 상태 영상을 RMR에 의한 암반 등급 분류표 중 지하수 상태 분류기준에 따라 5가지 등급으로 분류하고, 상기 분류된 등급을 기반으로 상기 제2 딥러닝 모델을 학습하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 산출된 점수를 합산한 다음 굴진방향에 대한 절리의 방향성에 따른 값을 보정하여 암반 등급을 평가하는 것을 특징으로 한다.
또한 상기 제1 딥러닝 모델은 U-Net 모델이고, 상기 제2 딥러닝 모델은 VGGNet 모델인 것을 특징으로 한다.
본 발명에 따른 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 방법은 암반 등급 평가 장치가 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는 단계, 상기 암반 등급 평가 장치가 상기 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출하는 단계 및 상기 암반 등급 평가 장치가 상기 산출된 점수를 이용하여 RMR(Rock Mass Rating)에 의해 암반 등급을 평가하는 단계를 포함하되, 상기 산출하는 단계는, 암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델에 상기 입력정보에 포함된 암반면 영상을 입력값으로 입력하여 상기 암질지수 및 상기 절리 간격에 대한 점수를 산출하는 단계, 절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 절리 영상을 입력값으로 입력하여 상기 절리 상태에 대한 점수를 산출하는 단계 및 지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 지하수 상태 영상을 입력값으로 입력시켜 상기 지하수 상태에 대한 점수를 산출하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법은 딥러닝 모델을 이용하여 RMR에 의한 암반 등급을 평가하는 평가 항목 중 암질지수(RQD), 절리 간격, 절리 상태, 지하수 상태에 대한 항목을 자동으로 평가함으로써, 빠르면서도 주관적이지 않고 객관적인 평가를 할 수 있다.
또한 종래의 인력 기반으로 평가하는 방법에 비해 평가 노력 및 시간을 절감할 수 있다.
도 1은 암반 등급을 평가하기 위한 RMR 평가 항목 및 항목별 점수를 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 암반 등급 평가 장치를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 딥러닝 모델인 U-Net 모델 구조를 설명하는 도면이다.
도 4는 본 발명의 실시예에 따른 딥러닝 모델인 VGGNet 모델 구조를 설명하는 도면이다.
도 5는 종래의 암반 등급 평가와 본 발명의 실시예에 따른 암반 등급 평가를 비교한 도면이다.
도 6은 본 발명의 실시예에 따른 암반 등급 평가 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 실시예에 따른 제1 딥러닝 모델인 U-Net 모델의 학습을 설명하기 위한 순서도이다.
도 8은 본 발명의 실시예에 따른 제2 딥러닝 모델인 VGGNet 모델의 학습을 설명하기 위한 순서도이다.
이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 2는 본 발명의 실시예에 따른 암반 등급 평가 장치를 설명하기 위한 도면이고, 도 3은 본 발명의 실시예에 따른 딥러닝 모델인 U-Net 모델 구조를 설명하는 도면이며, 도 4는 본 발명의 실시예에 따른 딥러닝 모델인 VGGNet 모델 구조를 설명하는 도면이고, 도 5는 종래의 암반 등급 평가와 본 발명의 실시예에 따른 암반 등급 평가를 비교한 도면이다.
도 2 내지 도 5를 참조하면, 암반 등급 평가 장치(100)는 입력부(10) 및 제어부(30)를 포함하고, 출력부(50) 및 저장부(70)를 더 포함할 수 있다.
입력부(10)는 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는다. 입력부(10)는 딥러닝 모델의 학습을 위한 수집정보를 입력받는다. 여기서 입력정보 및 수집정보는 외부 장치(카메라)로부터 촬영된 적어도 하나의 영상정보일 수 있다.
제어부(30)는 암반 등급 평가 장치(100)의 전반적인 제어를 수행한다. 제어부(30)는 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출한다. 이때 제어부(30)는 제1 딥러닝 모델인 U-Net 모델을 이용하여 암질지수 및 절리 간격에 대한 점수를 각각 산출하고, 제2 딥러닝 모델인 VGGNet 모델을 이용하여 절리 상태 및 지하수 상태에 대한 점수를 각각 산출한다.
상세하게는 제어부(30)는 입력정보에 포함된 암반 등급을 평가하는 암반의 천공정보 및 실제 암반강도를 이용하여 암반강도를 추정하고, 추정된 암반강도를 이용하여 신선암의 강도에 대한 점수를 산출한다. 즉 제어부(30)는 천공정보 및 실제 암반강도의 상관관계를 예측하여 암반강도를 추정할 수 있다. 여기서 천공정보는 터널의 발파를 위해 실시되는 천공작업에서 사용되는 점보드릴로 천공 시 장비 내부에 기록되는 정보로써, 천공속도, 타격력, 회전력 등을 포함한다.
제어부(30)는 암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델의 입력값으로 입력정보에 포함된 암반 등급을 평가하는 암반의 암반면 영상을 입력시켜 절리의 길이, 위치 및 방향을 산출한 후, 산출된 결과(절리의 위치)를 기반으로 절리 간격을 산출하고, 산출된 절리 간격을 기반으로 암질지수 산출 수학식인 [수학식 1] 및 [수학식 2]를 이용하여 암질지수를 산출한다. 제어부(30)는 산출된 암질지수 및 절리 간격을 도 1의 RMR 평가표에 따라 점수를 산출할 수 있다.
Figure pat00001
Figure pat00002
예를 들어 제어부(30)는 고해상도 카메라로 촬영된 터널막장 사진(암반면 영상)을 제1 딥러닝 모델인 U-Net 모델로 분석하여 터널막장 표면에 형성되는 절리의 크기, 방향, 간격 등의 정보를 추출한 후, 최종적으로 암질지수 및 절리 간격에 대한 점수를 산출할 수 있다.
여기서 U-Net 모델은 컨볼루션 뉴럴 네트워크(Convolutional Neureal Networks, CNN)의 일종으로써, U 커브 형태의 컨볼루션 레이어(Convolutional Layer, CN)를 쌓은 구조로 분할(segmentation)을 하기 위한 네트워크 구조다. 여기서 분할은 디지털 영상의 표현을 좀 더 의미있고, 해석하기 쉬운 것으로 단순화하거나, 변환하기 위해서 영상을 복수개의 픽셀 집합으로 나누는 과정을 의미하며, 특히 영상에서 물체와 경계(선, 곡선)를 찾는데 사용된다. U-Net 모델의 구조는 크게 2가지로 구분되고, 첫 번째가 다운 샘플링(downsampling) 과정이고, 두 번째가 업 샘플링(upsampling) 과정이다. 다운 샘플링 과정의 역할은 이미지의 콘텍스트(context), 즉 이미지에서 전체적인 구성을 보는 것 및 이미지에서 어떤 물체가 있는지에 대한 정보 등을 얻는다. 업 샘플링 과정의 역할은 로컬리제이션(localization), 즉 물체의 위치를 찾는다. U-Net 모델은 전체적으로 보면 다운 샘플링 과정에서 풀링(pooling)을 통해 해상도(resolution)를 줄여 나아가고, 업 샘플링 과정에서 다시 해상도를 높여 나아가는 구조이다.
제어부(30)는 절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델의 입력값으로 입력정보에 포함된 암반 등급을 평가하는 암반의 절리 영상을 입력시켜 절리 상태에 대한 점수를 산출한다.
또한 제어부(30)는 지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델의 입력값으로 입력정보에 포함된 암반 등급을 평가하는 지하수 상태 영상을 입력시켜 지하수 상태에 대한 점수를 산출한다.
여기서 VGGNet 모델은 다양한 종류의 영상을 특성에 따라 최대 1000가지로 분류하기 위해 이용된다. 합성곱(Convolution) 계층, 풀링(Pooling) 계층, 완전연결(Fully connected) 계층으로 구성되고, 구성된 층수에 따라 VGG16과 VGG19 등이 개발되어 있다. 예를 들어 VGG16은 13개의 합성곱 계층과 5개의 풀링 계층 및 3개의 완전연결 계층으로 구성된다.
한편 제어부(30)는 제1 딥러닝 모델 및 제2 딥러닝 모델을 이용하여 암반 등급 평가를 위한 점수를 산출하기 이전에 제1 딥러닝 모델 및 제2 딥러닝 모델에 대한 학습 과정을 수행할 수 있다.
상세하게는 제어부(30)는 제1 딥러닝 모델을 학습하기 위한 수집정보가 입력되면 수집정보에 포함된 복수의 암반면 영상을 U 커브 형태의 컨볼루션 레이어를 쌓는 구조로 설정하고, 설정된 암반면 영상을 학습한다. 이때 제어부(30)는 암반면 영상 중 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔을 데이터화하고, 데이터화된 데이터를 기반으로 제1 딥러닝 모델을 학습할 수 있으나, 제1 딥러닝 모델의 구성방식에 따라 해당 과정을 생략할 수 있다. 여기서 암반면 영상은 터널, 사면, 광산 등에서 다양한 암종 및 암질에 대한 암반막장 영상일 수 있다.
제어부(30)는 제2 딥러닝 모델을 학습하기 위해 수집정보가 입력되면 수집정보에 포함된 절리 영상 및 지하수 상태 영상을 합성곱 계층, 풀링 계층, 완전연결 계층 구조로 각각 설정하고, 설정된 절리 영상 및 지하수 상태 영상을 개별적으로 학습한다. 이때 제어부(30)는 절리 영상 중 절리내에 형성된 형성된 충진물질, 절리 간격 및 절리면의 거칠기를 데이터화하고, 데이터화된 데이터를 RMR에 의한 암반 등급 분류표 중 절리 상태 분류기준에 따라 5가지 등급으로 분류하며, 분류된 등급을 기반으로 제2 딥러닝 모델을 학습할 수 있으나, 제2 딥러닝 모델의 구성방식에 따라 해당 과정을 생략할 수 있다. 또한 제어부(30)는 지하수 상태 영상 중 지하수 유출량 및 지하수 흔적을 데이터화하고, 데이터화된 데이터를 RMR에 의한 암반 등급 분류표 중 지하수의 상태 분류기준에 따라 5가지 등급으로 분류하며, 분류된 등급을 기반으로 제2 딥러닝 모델을 학습할 수 있으나, 제2 딥러닝 모델의 구성방식에 따라 해당 과정을 생략할 수 있다. 여기서 제어부(30)는 절리(불연속면) 상태를 학습할 경우, 막장면 전체를 촬영한 영상이 아닌 막장면 상에 존재하는 절리의 상태에 대한 절리 영상을 이용하여 학습하고, 지하수 상태를 학습할 경우, 막장면 전체 또는 막장의 일부를 촬영한 영상을 이용하여 학습할 수 있다. 이와 같이 제어부(30)는 동일한 제2 딥러닝 모델을 이용하여 절리 상태를 평가하기에 적합한 모델과 지하수 상태를 평가하기에 적합한 모델을 각각 학습할 수 있다.
제어부(30)는 산출된 신성암의 강도, 암질지수, 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 합산한 다음 굴진방향에 대한 절리의 방향성(주향 및 경사)에 따른 값을 보정하여 최종적으로 암반 등급을 평가한다. 여기서 굴진방향 및 절리 방향성과의 관계는 터널의 굴진방향과 막장면 상에 형성된 주 절리군의 주향이 이루는 사잇각과 해당 절리군의 경사에 따라 보정점수가 산출된다. 이때 터널의 굴진방향은 사전에 측량된 측량값을 입력받아 알 수 있고, 막장면에 있는 주향은 클리노메터 또는 라이다 장치를 통해 측정된 측정값을 입력받아 알 수 있다.
출력부(50)는 입력부(10)를 통해 입력된 입력정보 및 수집정보를 출력한다. 출력부(50)는 제어부(30)로부터 평가된 암반 등급을 출력한다. 출력부(50)는 시각적 효과, 청각적 효과를 출력할 수 있다.
저장부(70)는 암반 등급 평가 장치(100)가 구동하기 위한 프로그램 또는 알고리즘이 저장된다. 저장부(70)는 입력부(10)를 통해 입력된 입력정보 및 수집정보가 저장된다. 저장부(70)는 제어부(30)로부터 평가된 암반 등급이 저장된다. 저장부(70)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기메모리, 자기 디스크 및 광디스크 중 적어도 하나의 저장매체를 포함할 수 있다.
상술된 바와 같이, 본 발명의 암반 등급 평가 장치(100)는 종래의 인력을 기반으로 평가하는 암반 등급 평가 방식과 달리 딥러닝 모델을 이용하여 암질지수, 절리 간격, 절리 상태 및 지하수 상태에 대한 암반 등급 점수를 산출하여 자동으로 평가함으로써, 빠르면서도 객관적인 평가를 수행할 수 있다.
도 6은 본 발명의 실시예에 따른 암반 등급 평가 방법을 설명하기 위한 순서도이다.
도 2 및 도 6을 참조하면, 암반 등급 평가 방법은 딥러닝 모델을 이용하여 암반 등급 항목 중 암질지수, 절리 간격, 절리 상태, 지하수 상태에 대한 항목을 자동으로 평가함으로써, 빠르면서도 주관적이지 않고 객관적인 평가를 할 수 있다. 또한 암반 등급 평가 방법은 종래의 인력 기반으로 평가하는 방법에 비해 노력 및 시간을 절감할 수 있다.
S110 단계에서, 암반 등급 평가 장치(100)는 평가를 위한 입력정보를 입력받는다. 여기서 입력정보는 신선암의 강도, 암질지수(RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 산출하기 위한 정보로써, 천공정보, 실제 암반강도, 암반면 영상, 절리 영상, 지하수 상태 영상 등을 포함할 수 있다.
S120 단계에서, 암반 등급 평가 장치(100)는 신성암의 강도를 평가한다. 암반 등급 평가 장치(100)는 암반의 천공정보 및 실제 암반강도를 이용하여 암반강도를 추정하고, 추정된 암반강도를 이용하여 신선암의 강도에 대한 점수를 산출한다. 즉 암반 등급 평가 장치(100)는 천공정보 및 실제 암반강도의 상관관계를 예측하여 암반강도를 추정할 수 있다.
S130 단계에서, 암반 등급 평가 장치(100)는 암질지수(RQD) / 절리 간격을 평가한다. 암반 등급 평가 장치(100)는 암반 등급을 평가하는 암반의 암반면 영상을 암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델의 입력값으로 입력시켜 암질지수 및 절리 간격에 대한 점수를 산출한다. 여기서 제1 딥러닝 모델은 U-Net 모델일 수 있다.
S140 단계에서, 암반 등급 평가 장치(100)는 절리 상태와 지하수 상태를 개별적으로 평가한다. 즉 암반 등급 평가 장치(100)는 절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델의 입력값으로 암반 등급을 평가하는 암반의 절리 영상을 입력시켜 절리 상태에 대한 점수를 산출한다. 암반 등급 평가 장치(100)는 지히수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델의 입력값으로 암반 등급을 평가하는 지하수 상태 영상을 입력시켜 지하수 상태에 대한 점수를 산출한다. 여기서 암반 등급 평가 장치(100)는 절리 상태 및 지하수 상태에 대한 점수를 동시에 산출하거나, 기 설정된 순서에 따라 산출할 수 있으며, 제2 딥러닝 모델은 VGGNet 모델일 수 있다.
S150 단계에서, 암반 등급 평가 장치(100)는 굴진방향 및 절리 방향성과의 관계를 평가한다. 암반 등급 평가 장치(100)는 산출된 신성암의 강도, 암질지수, 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 합산한 다음 굴진방향에 대한 절리의 방향성에 따른 값을 보정하여 최종적으로 암반 등급을 평가한다.
도 7은 본 발명의 실시예에 따른 제1 딥러닝 모델인 U-Net 모델의 학습을 설명하기 위한 순서도이다.
도 2 및 도 7을 참조하면, 암반 등급 평가 장치(100)는 암반 등급 평가를 위한 점수를 산출하기 이전에 제1 딥러닝 모델인 U-Net 모델을 학습한다.
S210 단계에서, 암반 등급 평가 장치(100)는 암반면 영상을 입력받는다. 여기서 암반면 영상은 터널, 사면, 광산 등에서 다양한 암종 및 암질에 대한 적어도 하나의 암반막장 영상일 수 있다.
S220 단계에서, 암반 등급 평가 장치(100)는 암반면 영상을 분류한다. 암반 등급 평가 장치(100)는 암반면 영상을 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔을 데이터화하고, 데이터화된 데이터를 분류한다.
S230 단계에서, 암반 등급 평가 장치(100)는 U-Net 모델의 설정 및 학습을 한다. 암반 등급 평가 장치(100)는 분류된 데이터를 기반으로 복수의 암반면 영상을 U 커브 형태의 컨볼루션 레이어를 쌓는 구조로 설정하고, 설정된 암반면 영상을 학습한다. 즉 암반 등급 평가 장치(100)는 복수의 암반면 영상을 U-Net 모델에 최적화되도록 전처리한 후, 학습을 수행한다.
도 8은 본 발명의 실시예에 따른 제2 딥러닝 모델인 VGGNet 모델의 학습을 설명하기 위한 순서도이다.
도 2 및 도 8을 참조하면, 암반 등급 평가 장치(100)는 암반 등급 평가를 위한 점수를 산출하기 이전에 제2 딥러닝 모델인 VGGNet 모델을 학습한다.
S310 단계에서, 암반 등급 평가 장치(100)는 절리 영상 및 지하수 상태 영상을 입력받는다. 여기서 절리 영상은 막장면 전체를 촬영한 적어도 하나의 영상이거나, 막장면 상에 존재하는 절리의 상태에 대한 적어도 하나의 영상일 수 있고, 지하수 상태 영상은 막장면 전체를 촬영한 적어도 하나의 영상이거나, 막장면 상의 지하수 상태에 대한 적어도 하나의 영상일 수 있다.
S320 단계에서, 암반 등급 평가 장치(100)는 절리 영상 및 지하수 상태 영상을 분류한다. 암반 등급 평가 장치(100)는 절리 영상을 RMR에 의한 암반 등급 분류표 중 절리 상태 분류기준에 따라 5가지 등급으로 분류한다. 또한 암반 등급 평가 장치(100)는 지하수 상태 영상을 RMR에 의한 암반 등급 분류표 중 지하수 상태 분류기준에 따라 5가지 등급으로 분류한다.
S330 단계에서, 암반 등급 평가 장치(100)는 절리 상태 분석에 적합한 VGGNet 모델의 설정 및 학습을 한다. 암반 등급 평가 장치(100)는 분류된 등급을 기반으로 절리 영상을 합성곱 계층, 풀링 계층, 완전연결 계층 구조로 설정하고, 설정된 절리 영상을 학습한다. 즉 암반 등급 평가 장치(100)는 복수의 절리 영상을 VGGNet 모델에 최적화되도록 전처리한 후, 학습을 수행한다. 또한 암반 등급 평가 장치(100)는 지하수 상태 분석에 적합한 VGGNet 모델의 설정 및 학습을 한다. 암반 등급 평가 장치(100)는 분류된 등급을 기반으로 지하수 상태 영상을 합성곱 계층, 풀링 계층, 완전연결 계층 구조로 설정하고, 설정된 지하수 상태 영상을 학습한다. 즉 암반 등급 평가 장치(100)는 복수의 지하수 상태 영상을 VGGNet 모델에 최적화되도록 전처리한 후, 학습을 수행한다.
본 발명의 실시 예에 따른 방법은 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체의 형태로 제공될 수도 있다. 이러한, 컴퓨터가 읽을 수 있는 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media) 및 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것은 아니며, 기술적 사상의 범주를 이탈함없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
10: 입력부
30: 제어부
50: 출력부
70: 저장부
100: 암반 등급 평가 장치

Claims (8)

  1. 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는 입력부; 및
    상기 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출하고, 상기 산출된 점수를 이용하여 RMR(Rock Mass Rating)에 의해 암반 등급을 평가하는 제어부;를 포함하되,
    상기 제어부는,
    암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델에 상기 입력정보에 포함된 암반면 영상을 입력값으로 입력시켜 상기 암질지수 및 상기 절리 간격에 대한 점수를 산출하고,
    절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 절리 영상을 입력값으로 입력시켜 상기 절리 상태에 대한 점수를 산출하며,
    지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 지하수 상태 영상을 입력값으로 입력시켜 상기 지하수 상태에 대한 점수를 산출하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  2. 제 1항에 있어서,
    상기 제어부는,
    상기 제1 딥러닝 모델을 학습하기 위한 수집정보가 입력되면 상기 수집정보에 포함된 복수의 암반면 영상을 U 커브 형태의 컨볼루션 레이어(Convolutional Layer)를 쌓는 구조로 설정하고, 상기 설정된 암반면 영상을 학습하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  3. 제 2항에 있어서,
    상기 제어부는,
    상기 암반면 영상 중 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔을 데이터화하고, 상기 데이터화된 데이터를 기반으로 상기 제1 딥러닝 모델을 학습하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  4. 제 1항에 있어서,
    상기 제어부는,
    상기 제2 딥러닝 모델을 학습하기 위한 수집정보가 입력되면 상기 수집정보에 포함된 절리 영상 및 지하수 상태 영상을 합성곱(Convolution) 계층, 풀링(Pooling) 계층, 완전연결(Fully connected) 계층 구조로 각각 설정하고, 상기 설정된 절리 영상 및 지하수 상태 영상을 개별적으로 학습하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  5. 제 4항에 있어서,
    상기 제어부는,
    상기 절리 영상을 RMR에 의한 암반 등급 분류표 중 절리 상태 분류기준에 따라 5가지 등급으로 분류하고, 상기 분류된 등급을 기반으로 상기 제2 딥러닝 모델을 학습하고,
    상기 지하수 상태 영상을 RMR에 의한 암반 등급 분류표 중 지하수 상태 분류기준에 따라 5가지 등급으로 분류하고, 상기 분류된 등급을 기반으로 상기 제2 딥러닝 모델을 학습하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  6. 제 1항에 있어서,
    상기 제어부는,
    상기 산출된 점수를 합산한 다음 굴진방향에 대한 절리 방향성에 따른 값을 보정하여 암반 등급을 평가하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  7. 제 1항에 있어서,
    상기 제1 딥러닝 모델은 U-Net 모델이고, 상기 제2 딥러닝 모델은 VGGNet 모델인 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치.
  8. 암반 등급 평가 장치가 암반 등급을 평가하는 암반에 대한 입력정보를 입력받는 단계;
    상기 암반 등급 평가 장치가 상기 입력정보를 이용하여 신선암의 강도, 암질지수(Rock Quality Designation, RQD), 절리 간격, 절리 상태 및 지하수 상태에 대한 점수를 각각 산출하는 단계; 및
    상기 암반 등급 평가 장치가 상기 산출된 점수를 이용하여 RMR(Rock Mass Rating)에 의해 암반 등급을 평가하는 단계;를 포함하되,
    상기 산출하는 단계는,
    암반면에 형성된 절리 위치, 절리 경로, 풍화 부위, 암종 및 암질에 따른 색깔 중 적어도 하나를 기 학습한 제1 딥러닝 모델에 상기 입력정보에 포함된 암반면 영상을 입력값으로 입력하여 상기 암질지수 및 상기 절리 간격에 대한 점수를 산출하는 단계;
    절리내에 형성된 충진물질, 절리 간격 및 절리면의 거칠기 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 절리 영상을 입력값으로 입력하여 상기 절리 상태에 대한 점수를 산출하는 단계; 및
    지하수 유출량 및 지하수 흔적 중 적어도 하나를 기 학습한 제2 딥러닝 모델에 상기 입력정보에 포함된 지하수 상태 영상을 입력값으로 입력시켜 상기 지하수 상태에 대한 점수를 산출하는 단계;
    를 포함하는 것을 특징으로 하는 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 방법.
KR1020210108681A 2020-08-28 2021-08-18 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법 KR102576001B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200109445 2020-08-28
KR1020200109445 2020-08-28

Publications (2)

Publication Number Publication Date
KR20220029396A true KR20220029396A (ko) 2022-03-08
KR102576001B1 KR102576001B1 (ko) 2023-09-07

Family

ID=80813598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210108681A KR102576001B1 (ko) 2020-08-28 2021-08-18 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102576001B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102519688B1 (ko) * 2022-11-11 2023-04-10 (주)아이콘트 터널 굴착면의 암반 상태 평가 정보 생성 방법
CN116502145A (zh) * 2023-03-15 2023-07-28 西南交通大学 基于改进ER规则的Stacking集成学习围岩分级方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119040A1 (en) * 2009-11-18 2011-05-19 Conocophillips Company Attribute importance measure for parametric multivariate modeling
KR101062211B1 (ko) * 2008-08-07 2011-09-05 에스케이건설 주식회사 지질조건을 고려한 터널 및 지하공간 시공시뮬레이션시스템 및 방법
JP2020056254A (ja) * 2018-10-03 2020-04-09 株式会社大林組 地質評価システム、地質評価方法及び地質評価プログラム
KR102204442B1 (ko) 2020-06-29 2021-01-18 케이앤씨컨설턴트 주식회사 모바일 단말을 이용하여 암반 등급을 결정하는 방법 및 그를 이용한 서버

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101062211B1 (ko) * 2008-08-07 2011-09-05 에스케이건설 주식회사 지질조건을 고려한 터널 및 지하공간 시공시뮬레이션시스템 및 방법
US20110119040A1 (en) * 2009-11-18 2011-05-19 Conocophillips Company Attribute importance measure for parametric multivariate modeling
JP2020056254A (ja) * 2018-10-03 2020-04-09 株式会社大林組 地質評価システム、地質評価方法及び地質評価プログラム
KR102204442B1 (ko) 2020-06-29 2021-01-18 케이앤씨컨설턴트 주식회사 모바일 단말을 이용하여 암반 등급을 결정하는 방법 및 그를 이용한 서버

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
한국토지주택공사 간행물 심영종 외 4인 'AI 기반 건설기술 현황 및 연구전략' *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102519688B1 (ko) * 2022-11-11 2023-04-10 (주)아이콘트 터널 굴착면의 암반 상태 평가 정보 생성 방법
CN116502145A (zh) * 2023-03-15 2023-07-28 西南交通大学 基于改进ER规则的Stacking集成学习围岩分级方法、装置及介质
CN116502145B (zh) * 2023-03-15 2024-01-30 西南交通大学 基于改进ER规则的Stacking集成学习围岩分级方法、装置及介质

Also Published As

Publication number Publication date
KR102576001B1 (ko) 2023-09-07

Similar Documents

Publication Publication Date Title
Bar et al. Rapid and robust slope failure appraisal using aerial photogrammetry and 3D slope stability models
Lato et al. Comparison of airborne laser scanning, terrestrial laser scanning, and terrestrial photogrammetry for mapping differential slope change in mountainous terrain
KR20220029396A (ko) 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법
CN105247386A (zh) 用来解释地质断层的地层地震道
Marcher et al. Machine Learning in tunnelling–Capabilities and challenges
CA2873816C (en) Systems and methods for processing geophysical data
Shi et al. Data-driven sequential development of geological cross-sections along tunnel trajectory
JP7374847B2 (ja) 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
Su et al. A Framework for RQD Calculation Based on Deep Learning
Burdick et al. Development of a method to detect geologic faults and other linear features from Landsat images
Yusoff et al. Discontinuity pattern detection and orientation measurement for tunnel faces by using structure from motion photogrammetry
Weidner et al. The influence of training data variability on a supervised machine learning classifier for Structure from Motion (SfM) point clouds of rock slopes
CN115238533B (zh) 边坡块体稳定性评价方法、系统、设备及可读存储介质
CN114972906A (zh) 一种土压平衡盾构开挖面土质类型识别方法
Bar et al. Pit slope failure evaluation in near real time using UAV photogrammetry and 3D limit equilibrium analysis
CN116152661A (zh) 一种岩土工程滑坡的加固方法及装置
Myrans et al. Using Automatic Anomaly Detection to Identify Faults in Sewers:(027)
Medinac Advances in pit wall mapping and slope assessment using unmanned aerial vehicle technology
Li et al. Utilizing semantic-level computer vision for fracture trace characterization of hard rock pillars in underground space
Abdul Razak et al. Riverbank filtration site suitability selection using spatial data techniques: case study for Kota Lama Kiri, Kuala Kangsar
Boezio et al. Kriging with an external drift versus collocated cokriging for water table mapping
Qiao et al. Multi-CrackNet: A Fast Segmentation and Quantification Combined Method for Rock Discontinuity Traces by Capturing an Image
Montes et al. Automatic Determination of Cuttings and Cavings Properties for Hole Cleaning and Wellbore Stability Assessment Using a Laser-Based Sensor
Marcher et al. Capabilities and challenges using machine learning in tunnelling
CN117172123B (zh) 用于矿山自动驾驶的传感器数据处理方法及系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant