Enhancing Joint Detection and RQD Estimation in Acoustic Televiewer Imaging Through Automated Instance Segmentation and Deep Learning
Notice bibliographique
Résumé
ABSTRACT: Under certain ground conditions, obtaining adequate core specimens for logging can be challenging, leading to low recoveries and poor rock quality designation (RQD). Borehole well logging offers a cost-effective alternative to handling expensive core samples for logging purposes, particularly advantageous for projects constrained by limited resources. To construct a secure subsurface structure, it is vital to identify and detect weak planes. Borehole imaging provides a fast and efficient way to characterize fractures. Acoustic televiewer (ATV) imaging is an effective tool in fracture detection and RQD estimation. However, the conventional process of manually detecting and characterizing joints in ATV images is laborious, subjective, and inconsistent. This study introduces an automated method for joint detection and RQD estimation. For the study, 1390 meters of data from 24 boreholes across 5 different mines were collected. A deep learning algorithm called Mask R-CNN was utilized. The model's predictions yielded a mean absolute error of 1.4% for the RQD prediction. This indicates that the model is effective in estimating RQD. By automating joint detection and RQD estimation, the proposed method streamlines and enhances the process of automated subsurface structure analysis. 1. INTRODUCTION Understanding the structural setting of rock mass is crucial for designing safe and efficient geomechanical projects. These characteristics define the rock's behavior during excavation and influence potential failure mechanisms. However, acquiring accurate geotechnical data remains a challenge, often leading to uncertainties and hindering design reliability (Manzoor et al., 2020; Medinac and Esmaeili, 2020). Drill core logging and borehole well logging are prevalent techniques for rock characterization. In core logging, the Rock Quality Designation (RQD) is traditionally assessed through direct measurement or subjective judgment (Hadjigeorgiou, 2012). These methods are time-consuming, prone to inconsistencies between loggers, and impeded by poor core recoveries or low rock quality (Usta and Esmaeili, 2023; Rodgers et al., 2020; Esmaeili, 2019; Bhuiyan and Esmaeili, 2018). In addition, handling core samples can be expensive for the scope of some projects. In these situations, borehole well logging can be a suitable alternative for rock mass characterization.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».