Workflow for Discontinuity Set Characterization in Rock Masses Using 3D Digital Outcrop Models Derived from UAV Survey in an Iron Ore Mine Slope
Notice bibliographique
Résumé
ABSTRACT The rapid development of unmanned aerial vehicle (UAV) technology has enabled numerous open pit and underground mining companies to leverage this tool for slope stability assessment and the construction of geotechnical models. The use of aerophotogrammetry techniques with UAVs enables geotechnical and geological engineers to work in a safe and agile manner, maintaining a safe distance from hazardous areas. These techniques can identify the orientation of discontinuities in the rock mass, which is vital in evaluating slope stability. Moreover, new semi-automatic extraction techniques for discontinuities in rock masses allow aerophotogrammetric models to be utilized in geomechanical characterization in a more accessible and efficient way. With the use of 3D point cloud analysis software, the primary sets of discontinuities in a rock mass outcrop can be identified, measured, and utilized in various applications. This study presents a methodology for constructing three-dimensional models of a mine slope and utilizing them to determine the primary orientations of discontinuity sets using images captured through UAV survey. The method comprises four primary steps: (i) UAV flight and image capture, (ii) 3D point cloud construction using SfM technique, (iii) detection and measurement of discontinuities, and (iv) statistical data analysis. INTRODUCTION AND OBJECTIVES The collection of structural data is a critical task in characterizing rock masses and evaluating slope stability in mining. Traditionally, this task is carried out manually using a geologist's compass, exposing the technical team to various risks. Additionally, many areas are inaccessible to the team, resulting in data gaps. With the advancement of aerial surveys using unmanned aerial vehicles (UAV) and the structure from motion (SfM) image processing technique, 3D point clouds (3DPC) can be generated from RGB images taken by UAVs, as described by Francioni et al. (2019). This 3DPC can be used in various applications, such as terrain analysis, slope stability, and hazard monitoring, which can reduce risk exposure and provide crucial information to the technical team, as discussed by Papathanassiou et al. (2020).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».