Towards Integrated Rock Support Visualisation in 3D Point Cloud of Underground Mines

Resumen Técnico: Hacia la Visualización Integrada del Sostenimiento en Nubes de Puntos 3D de Minas Subterráneas

Planteamiento del Problema
La integridad estructural de las excavaciones subterráneas depende en gran medida de la interacción entre los pernos de anclaje instalados y la estructura fabricada de la masa rocosa circundante. Actualmente, la evaluación geotécnica de esta interacción se ve obstaculizada por el hecho de que la caracterización de discontinuidades (mapeo de juntas y fallas rocosas) y la identificación de pernos de anclaje se tratan como tareas separadas. Los métodos tradicionales de monitoreo dependen de inspecciones manuales utilizando brújulas-clinómetros y examen visual, los cuales son laboriosos, subjetivos, propensos a errores y limitados en cobertura espacial, particularmente en entornos subterráneos peligrosos y con poca iluminación. Si bien los avances recientes en escaneo láser han permitido el mapeo automatizado de estructuras y la detección de pernos de anclaje de forma independiente, no existe ningún marco que integre estos dos procesos. En consecuencia, la relación geométrica entre las orientaciones de los pernos y los planos de discontinuidad que pretenden interceptar permanece sin evaluar de manera automatizada y unificada, limitando la capacidad de evaluar la eficacia del sostenimiento sin intervención manual.

Metodología
El estudio propone un marco automatizado que procesa datos de nubes de puntos 3D de excavaciones de minas subterráneas mediante un flujo de trabajo unificado que comprende dos pipelines complementarios: mapeo de estructuras e identificación de pernos de anclaje.

1. Preprocesamiento de Datos: Las nubes de puntos crudas sufren eliminación estadística de valores atípicos, submuestreo uniforme en cuadrícula de vóxeles (0.02 m) y filtrado de simulación de tela (CSF) para eliminar puntos del suelo. Se calculan descriptores de autovalores (EVD) y normales de puntos para cada punto a fin de caracterizar la geometría superficial local.
2. Pipeline de Mapeo de Estructuras:
   • Filtrado Geométrico: Los puntos se filtran basándose en un descriptor de "planaridad" derivado de los autovalores para retener únicamente puntos de superficies planas, eliminando ruido y características de alta curvatura como las protuberancias de los pernos.
   • Agrupamiento (Clustering): Los puntos filtrados se convierten en descriptores de orientación geológica (ángulo de buzamiento y dirección de buzamiento), se transforman en espacio cartesiano para manejar límites cíclicos y se agrupan utilizando HDBSCAN (Agrupamiento Espacial Jerárquico Basado en Densidad de Aplicaciones con Ruido). Esto evita el costo computacional de los índices de validez utilizados en otros métodos de agrupamiento.
   • Ajuste de Planos: Los planos de discontinuidad individuales se segmentan dentro de los grupos utilizando análisis de componentes conectados. Se calculan planos 3D de mejor ajuste para cada segmento utilizando vectores de centroide y normales medias.
3. Pipeline de Identificación de Pernos de Anclaje:
   • Filtrado Geométrico: Un filtro basado en curvatura (utilizando autovalores) retiene los puntos de alta curvatura (percentil superior 90) para aislar posibles protuberancias de pernos, reduciendo significativamente el ruido de fondo.
   • Segmentación Semántica: Una versión reentrenada de la arquitectura DeepBolt (una red neuronal de convolución de grafos dinámica) realiza segmentación semántica sobre los puntos filtrados. El modelo fue reentrenado en un conjunto de datos combinado de escaneos de minas de carbón y metales para mejorar la generalización a entornos de roca dura.
   • Estimación de Orientación: Los grupos de pernos identificados se analizan mediante descomposición espectral de la matriz de covarianza para determinar el eje principal (dirección dominante de elongación). Esto define el vector del perno, el centroide y permite el cálculo de la longitud de protuberancia expuesta y la desviación angular respecto a la normal local del techo.
4. Visualización Integrada: Las salidas de ambos pipelines se fusionan para generar:
   • Una superposición espacial 3D que muestra los planos de discontinuidad ajustados y los vectores de pernos que los intersectan.
   • Una proyección estereográfica (estereografía) que muestra los polos de discontinuidad y las orientaciones de los pernos para una comparación angular cuantitativa.

Contribuciones Clave

• Primer Marco Integrado: Este estudio presenta el primer marco automatizado que correlaciona directamente la caracterización de discontinuidades con la identificación de pernos de anclaje a partir de una única fuente de nube de puntos 3D.
• Eficiencia Computacional: El flujo de trabajo optimiza la eficiencia reutilizando módulos de preprocesamiento compartidos (específicamente descriptores de autovalores) en ambos pipelines, evitando cálculos redundantes.
• Métricas de Calidad Automatizadas: El marco genera automáticamente métricas de calidad a nivel de perno, incluyendo longitud de protuberancia expuesta y desviación respecto a la normal local del techo, sin requerir mediciones manuales.
• Evaluación Fiel a la Superficie: A diferencia de los modelos de Red de Fracturas Discretas (DFN) que se basan en suposiciones estadísticas o datos de sondeos, este enfoque visualiza únicamente las características físicamente observables en el límite de la excavación, proporcionando una evaluación directa del sostenimiento instalado frente a la masa rocosa expuesta.

Resultados
El marco fue validado en escaneos de nubes de puntos del mundo real de una mina metálica de roca dura australiana (Escaneo 1, ~22 millones de puntos, reducidos a ~700k para su procesamiento).

• Mapeo de Estructuras: El método identificó seis conjuntos de discontinuidades y 196 planos individuales. La validación contra un conjunto de datos de referencia derivado manualmente (utilizando brújula virtual en CloudCompare) mostró un error absoluto promedio de 2.33° para el ángulo de buzamiento y 3° para la dirección de buzamiento, situándose dentro del rango de variabilidad subjetiva asociada a las mediciones manuales.
• Identificación de Pernos de Anclaje: En un conjunto de prueba de 89 pernos (excluidos del entrenamiento), el modelo logró una precisión de clasificación del 93.3% y una recuperación (recall) del 95.4%. La Intersección sobre Unión (IoU) para la segmentación fue del 91.2%, lo que indica una alta fidelidad en la delimitación de la geometría del perno.
• Tiempo de Procesamiento: El flujo de trabajo completo, que incluye preprocesamiento, análisis y visualización, se ejecutó en aproximadamente 348 segundos (5.8 minutos) en hardware estándar, demostrando idoneidad para conjuntos de datos de escala media.
• Resultados de Visualización: Las visualizaciones integradas en 3D y estereografía identificaron con éxito pernos que intersectan planos estructurales, destacaron conjuntos de discontinuidades sin soporte (específicamente los Conjuntos 2 y 5) y visualizaron métricas de calidad de instalación (por ejemplo, longitud de protuberancia y desviación angular).

Significado y Afirmaciones
Los autores afirman que este estudio proporciona un paso práctico y automatizado hacia la evaluación geotécnica integrada de la eficacia del sostenimiento rocoso. Al eliminar la necesidad de mediciones manuales, adquisición adicional de datos in situ o suposiciones geométricas subsuperficiales, el marco permite una evaluación rápida, repetible y objetiva de la eficacia geométrica del diseño del sostenimiento. El artículo posiciona la herramienta como un método de evaluación "fiel a la superficie", permitiendo a los ingenieros identificar pernos desalineados y características estructurales sin soporte directamente a partir de los datos de escaneo.

Los autores declaran explícitamente las limitaciones: el marco evalúa relaciones geométricas y espaciales, pero no puede evaluar condiciones de anclaje mecánico, pretensado, transferencia de carga o interacciones internas de la masa rocosa, ya que estas no son observables mediante escaneo láser superficial. La orientación estimada del perno es una aproximación basada en la protuberancia visible. En consecuencia, el marco se presenta como una herramienta para la garantía y el control de calidad geométrica, en lugar de una medida directa de la capacidad de soporte mecánico. El trabajo futuro sugerido por los autores incluye la integración inmersiva de realidad extendida, detección de cambios multitemporal y la fusión de datos geométricos con datos de sensores de pernos inteligentes para el monitoreo del desempeño mecánico.