암석 터널 막장의 3차원 포인트 클라우드에서 절리 계측을 위한 R-C-D 기계 학습 방법
R-C-D machine learning method to detect joints in 3D point cloud of rock tunnel face
- 주제(키워드) R-C-D machine learning method , 3D point cloud , Rock tunnel face , Dip angle , Dip direction , R-C-D 기계 학습 방법 , 3D 포인트 클라우드 , 암석 터널 막장 , 경사각 , 경사 방향
- 발행기관 사단법인 한국터널지하공간학회
- 발행년도 2024
- 총서유형 Journal
- KCI ID ART003143123
- 본문언어 한국어
초록/요약
암석터널 굴착에서 절리는 터널 막장의 안정성을 판단하는데 중요한 요소중 하나이다. 본 연구에서는 지질 암석면의 경사각과 방향을 측정하기 위한 새로운 방법인 Roughness-CANUPO-Dip filtration (R-C-D)을 제시한 후 3개 현장 모델에 의해 평가했다. R-C-D 방법은 거칠기 분석, CANUPO 분석으로 구성된다. 또한 본 연구에서는 경사각 및 방향에 대한 네 가지 다른 측정 방법인 평면 피팅, 법선 벡터 변환, 면 세분화 및 나침반 측정을 평가한다. 결과는 모든 측정 방법에서 97~99.4% 범위의 정확도로 경사각을 정확하게 계산할 수 있음을 보여주었다. 면 세분화 방법은 수동적인 개입 없이 자동으로 정확한 결과를 제공할 수 있어 최적의 측정 방법으로 선택되었다. 법선 벡터를 계산하기 위해 사용되는 최적의 LNR (local neighbor radius)도 산출되었으며, LNR 값이 클수록 더 정확한 결과를 얻을 수 있지만 계산 시간도 증가하는 것으로 나타났다. 절리암대를 나타내는 추가 지점을 필터링하고 삭제하는 데 사용되는 경사각을 추정하기 위한 검증을 수행하였으며, 각 지점에 대해 최적 경사각은 각각 45°, 30°, 45°였다. R-C-D 방법은 절리면을 제거하고 절리 근입점을 유지하여 경사각과 방향을 얻기 위해 개발되었다. R-C-D 방법을 3개 현장 모델에 적용한 결과, 이 방법은 절리면을 감지하여 제거하는 데에 적합한 것으로 나타났으며, 경사각 필터링 방법은 절리대를 성공적으로 제거하였다. R-C-D 방법이 지질 구조를 정확히 구분하고 정밀한 경사각 및 방향 측정을 얻는 데 효과적이라는 것을 보여주었다.
more