Automating Fracture Detection and RQD Calculation in Core Images Using Deep Learning
Notice bibliographique
Résumé
In the geological and geotechnical engineering fields, drill cores are a vital source of information. However, manual core logging faces several challenges: it is time-consuming, labor-intensive, and subject to the biases of the geologists conducting the assessments. To address these issues, this study explored the potential of digital core logging automation techniques. We employed a deep learning approach, specifically using the YOLOv8 (You Only Look Once) model, to identify different classes, including clean fractures, intact rocks, depth blocks, broken joints, as well as empty trays within a core. This model achieved an average precision of 89.1% and a recall of 81.3% across all classes, with a mean Average Precision at 50% overlap (mAP50) of 88.2%. This indicated a relatively high level of accuracy in the YOLO model’s performance. Furthermore, the clean fracture class had a precision of 90.6%, a recall of 75.5%, and an mAP50 of 88.4%. The intact rock class showed even higher performance with an mAP50 of 95%, along with a precision of 86.1% and a recall of 91.5%.Additionally, we introduced a post-processing code designed to automate the calculation of Rock Quality Designation (RQD) and fracture count per depth. A comparative analysis revealed that the RQD values estimated by our model displayed an approximate 5% absolute error compared to the ground truth RQD calculations performed on the drill cores This study highlighted the effectiveness of deep learning in improving the accuracy and efficiency of core log analysis, suggesting its potential to revolutionize manual core logging techniques and shape the future of core analysis.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».