A comparative study on machine learning approaches for rock mass classification using drilling data

要約

掘削および発破トンネルにおける現在の岩石工学設計は、主に技術者の観察による評価に依存しています。
トンネル掘削中に収集される高解像度センサー データセットである Measure While Drilling (MWD) データは、主に地質学的視覚化に使用されていますが、十分に活用されていません。
この研究は、MWD データを岩石工学の実用的な指標に自動変換することを目的としています。
データを特定の工学的アクションに結び付けることを目指しており、トンネル切羽の先にある地質学的課題に対する重要な意思決定のサポートを提供します。
この研究では、15 のトンネルからの 500,000 個の掘削孔からなる大規模で地質学的に多様なデータセットを活用して、現実世界のトンネル工事の状況で正確な岩盤品質分類のためのモデルを導入しています。
従来の機械学習と画像ベースの深層学習の両方を調査し、表データと画像データの両方を使用して、岩盤の安定性を説明する指標の例である Q クラスと Q 値に MWD データを分類します。
この結果は、表形式データを使用したツリーベースのモデルを使用したアンサンブルにおける K 最近傍アルゴリズムが、岩盤の品質を効果的に分類できることを示しています。
岩石を Q クラス A、B、C、D、E1、E2 に分類する際の相互検証されたバランスの取れた精度は 0.86 で、E と残りの二値分類では 0.95 を達成しています。
各発破ラウンドの MWD 画像を備えた CNN を使用した分類では、二値分類のバランスのとれた精度 0.82 が得られました。
表形式の MWD データから Q 値を回帰すると、分類と同様のアンサンブル モデルで交差検証された R2 スコアと MSE スコアが 0.80 と 0.18 に達しました。
回帰および分類における高いパフォーマンスにより、自動化された岩盤評価の信頼性が高まります。
独自のデータセットに高度なモデリングを適用することにより、岩盤分類の精度を向上させ、データ駆動型の岩石工学設計を進歩させ、手動介入を削減する上で MWD データの価値が実証されます。

要約(オリジナル)

Current rock engineering design in drill and blast tunnelling primarily relies on engineers’ observational assessments. Measure While Drilling (MWD) data, a high-resolution sensor dataset collected during tunnel excavation, is underutilised, mainly serving for geological visualisation. This study aims to automate the translation of MWD data into actionable metrics for rock engineering. It seeks to link data to specific engineering actions, thus providing critical decision support for geological challenges ahead of the tunnel face. Leveraging a large and geologically diverse dataset of 500,000 drillholes from 15 tunnels, the research introduces models for accurate rock mass quality classification in a real-world tunnelling context. Both conventional machine learning and image-based deep learning are explored to classify MWD data into Q-classes and Q-values, examples of metrics describing the stability of the rock mass, using both tabular and image data. The results indicate that the K-nearest neighbours algorithm in an ensemble with tree-based models using tabular data, effectively classifies rock mass quality. It achieves a cross-validated balanced accuracy of 0.86 in classifying rock mass into the Q-classes A, B, C, D, E1, E2, and 0.95 for a binary classification with E versus the rest. Classification using a CNN with MWD-images for each blasting round resulted in a balanced accuracy of 0.82 for binary classification. Regressing the Q-value from tabular MWD-data achieved cross-validated R2 and MSE scores of 0.80 and 0.18 for a similar ensemble model as in classification. High performance in regression and classification boosts confidence in automated rock mass assessment. Applying advanced modelling on a unique dataset demonstrates MWD data’s value in improving rock mass classification accuracy and advancing data-driven rock engineering design, reducing manual intervention.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google