La méthode basée sur l’apprentissage machine améliore la précision de la mesure des angles et des instructions de la baisse des facettes des rochers
Les algorithmes d’apprentissage automatique (ML) trouvent constamment de nouvelles applications dans tous les domaines scientifiques, et l’ingénierie géologique ne fait pas exception. Au cours de la dernière décennie, les chercheurs ont développé diverses techniques basées sur la ML pour déterminer les caractéristiques géologiques sans effort dans les roches, telles que l’angle de trempette (l’angle auquel une caractéristique plane est inclinée sur le plan horizontal) et la direction des facettes rocheuses dans les tunnels. La compréhension de ces caractéristiques est essentielle pour les grands projets de construction car ils aident à assurer la stabilité structurelle et la sécurité, empêchant les défaillances ou les effondrements potentiels.
Bien que puissants, la plupart des modèles ML ont encore du mal à faire la différence entre les bandes conjointes et les points d’intégration conjointe dans le rock. Pour clarifier, les bandes conjointes sont des zones plus larges et moins distinctes dans la roche qui peuvent inclure de multiples fractures parallèles, tandis que les points d’intégration conjoints sont des caractéristiques plus localisées représentant les intersections réelles des couches de roche.
En tant qu’indicateurs directs de l’orientation de la surface, les points d’intégration des articulations permettent une mesure plus précise de l’angle et de la direction de la trempette que les bandes articulaires. Ainsi, les méthodes qui peuvent éliminer les bandes conjointes des données d’entrée peuvent augmenter la précision des techniques basées sur la ML, conduisant à des évaluations géologiques plus précises.
Pour relever ce défi, une équipe de recherche dirigée par le professeur Hyungjoon SEO de l’Université nationale des sciences et de la technologie de Séoul (Séoultech) a développé la méthode de rugosité-canupo-dip-facet (RCDF). Cette approche à plusieurs étapes alimentée par ML combine de nombreuses techniques de filtration pour éliminer les bandes conjointes tout en préservant la plupart des points d’intégration articulaire dans les données, conduisant à une excellente précision lors de la mesure de l’angle et de la direction de la trempette. Leur article a été publié dans la revue Technologie des tunnels et de l’espace souterrain le 1er décembre 2024.
La première étape du processus de filtration consiste en une analyse de rugosité sur un nuage de points 3D d’entrée, tirée directement d’une surface rocheuse. Cette étape supprime les irrégularités de surface mineures et le bruit des données, en préservant les lignes continues à la surface mais en supprimant les lignes articulaires.
La deuxième étape de filtration utilise l’algorithme Canupo, qui classe les points en fonction de leurs caractéristiques géométriques et isole les caractéristiques clés, en supprimant encore plus de lignes articulaires. La troisième étape de filtration élimine les segments de roche de connexion basés sur des angles de trempette, isolant des formations rocheuses distinctes. Enfin, le stade de mesure se compose d’une segmentation des facettes pour obtenir l’angle de pendage et la direction de chaque section de l’échantillon de roche.
Les chercheurs ont testé la méthode du RCDF sur diverses images de face du tunnel réel, atteignant des taux de précision remarquables allant de 97% à 99,4%. Notamment, 100% des bandes conjointes ont été supprimées avec succès tout en préservant 81% des points d’intégration articulaire. Mais l’aspect le plus attractif de cette technique était sa nature entièrement autonome, ne nécessitant aucune intervention humaine.
« En automatisant le processus de filtrage et de segmentation des caractéristiques des roches, il réduit les erreurs humaines et les inefficacités de calcul, ce qui le rend idéal pour les projets d’infrastructure modernes qui exigent une grande précision et une fiabilité », souligne le professeur SEO.
Dans l’ensemble, l’approche proposée pourrait trouver des applications prometteuses dans de nombreuses disciplines en génie structurel et géologique.
« L’intégration de la méthode du RCDF de ML et d’apprentissage en profondeur assure un traitement fiable et précis des données géologiques, qui peut améliorer directement la sécurité des projets d’ingénierie à grande échelle comme les tunnels et les structures souterraines », note le professeur SEO. « Cela pourrait également permettre le développement d’outils d’analyse géologique plus intelligents et plus rapides, réduisant les coûts et améliorant l’efficacité des industries qui dépendent de l’exploration souterraine et du développement des infrastructures. »
L’approche innovante est donc très prometteuse pour ouvrir la voie à des solutions d’ingénierie géologique plus sûres et plus efficaces.
Fourni par l’Université nationale des sciences et technologies de Séoul
