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

Resumo Técnico: Rumo à Visualização Integrada de Suporte de Rochas em Nuvem de Pontos 3D de Minas Subterrâneas

Declaração do Problema
A integridade estrutural de escavações subterrâneas depende fortemente da interação entre parafusos de rocha instalados e a estrutura do maciço rochoso circundante. Atualmente, a avaliação geotécnica dessa interação é dificultada pelo fato de que a caracterização de descontinuidades (mapeamento de juntas e falhas rochosas) e a identificação de parafusos de rocha são tratadas como tarefas separadas. Os métodos tradicionais de monitoramento baseiam-se em inspeção manual utilizando bússolas-clinômetros e exame visual, que são demorados, subjetivos, propensos a erros e limitados na cobertura espacial, particularmente em ambientes subterrâneos perigosos e com baixa luminosidade. Embora avanços recentes em varredura a laser tenham permitido o mapeamento automatizado de estruturas e a detecção de parafusos de rocha independentemente, nenhum framework existente integra esses dois processos. Consequentemente, a relação geométrica entre as orientações dos parafusos e os planos de descontinuidade que eles pretendem interceptar permanece não avaliada de maneira automatizada e unificada, limitando a capacidade de avaliar a eficácia do suporte sem intervenção manual.

Metodologia
O estudo propõe um framework automatizado que processa dados de nuvem de pontos 3D de escavações de minas subterrâneas através de um fluxo de trabalho unificado composto por dois pipelines complementares: mapeamento de estruturas e identificação de parafusos de rocha.

1. Pré-processamento de Dados: Nuvens de pontos brutas passam por remoção estatística de outliers, subamostragem uniforme em grade de voxel (0,02 m) e Filtro de Simulação de Tecido (CSF) para remover pontos do piso. Descritores de autovalores (EVD) e normais de pontos são computados para cada ponto para caracterizar a geometria da superfície local.
2. Pipeline de Mapeamento de Estruturas:
   • Filtragem Geométrica: Os pontos são filtrados com base em um descritor de "planicidade" derivado de autovalores para reter apenas pontos de superfície plana, removendo ruído e características de alta curvatura, como protruções de parafusos.
   • Agrupamento (Clustering): Os pontos filtrados são convertidos em descritores de orientação geológica (ângulo de mergulho e direção de mergulho), transformados em espaço cartesiano para lidar com limites cíclicos e agrupados usando HDBSCAN (Agrupamento Espacial Hierárquico Baseado em Densidade de Aplicações com Ruído). Isso evita o custo computacional de índices de validade usados em outros métodos de agrupamento.
   • Ajuste de Planos: Planos de descontinuidade individuais são segmentados dentro dos clusters usando análise de componentes conectados. Planos 3D de melhor ajuste são computados para cada segmento usando vetores de centróide e média normal.
3. Pipeline de Identificação de Parafusos de Rocha:
   • Filtragem Geométrica: Um filtro baseado em curvatura (usando autovalores) retém pontos de alta curvatura (topo 90º percentil) para isolar protruções potenciais de parafusos, reduzindo significativamente o ruído de fundo.
   • Segmentação Semântica: Uma versão re-treinada da arquitetura DeepBolt (uma rede neural de convolução em grafo dinâmico) realiza segmentação semântica nos pontos filtrados. O modelo foi re-treinado em um conjunto de dados combinado de escaneamentos de minas de carvão e metal para melhorar a generalização para ambientes de rocha dura.
   • Estimativa de Orientação: Os clusters de parafusos identificados são analisados via decomposição de autovalores da matriz de covariância para determinar o eixo principal (direção de elongação dominante). Isso define o vetor do parafuso, o centróide e permite o cálculo do comprimento de protrução exposta e do desvio angular em relação à normal local do teto.
4. Visualização Integrada: As saídas de ambos os pipelines são mescladas para gerar:
   • Uma sobreposição espacial 3D mostrando planos de descontinuidade ajustados e vetores de parafusos intersectantes.
   • Uma projeção estereográfica (estereoneto) exibindo polos de descontinuidade e orientações de parafusos para comparação angular quantitativa.

Principais Contribuições

• Primeiro Framework Integrado: Este estudo apresenta o primeiro framework automatizado que correlaciona diretamente a caracterização de descontinuidades com a identificação de parafusos de rocha a partir de uma única fonte de nuvem de pontos 3D.
• Eficiência Computacional: O fluxo de trabalho otimiza a eficiência reutilizando módulos de pré-processamento compartilhados (especificamente descritores de autovalores) em ambos os pipelines, evitando cálculos redundantes.
• Métricas de Qualidade Automatizadas: O framework gera automaticamente métricas de qualidade ao nível do parafuso, incluindo comprimento de protrução exposta e desvio em relação à normal local do teto, sem exigir medições manuais.
• Avaliação Fiel à Superfície: Ao contrário de modelos de Rede de Fraturas Discretas (DFN) que dependem de suposições estatísticas ou dados de furos de sondagem, esta abordagem visualiza apenas as características fisicamente observáveis na fronteira da escavação, fornecendo uma avaliação direta do suporte instalado contra o maciço rochoso exposto.

Resultados
O framework foi validado em escaneamentos de nuvem de pontos do mundo real de uma mina metalífera de rocha dura australiana (Scan 1, ~22 milhões de pontos, reduzidos para ~700k para processamento).

• Mapeamento de Estruturas: O método identificou seis conjuntos de descontinuidades e 196 planos individuais. A validação contra um conjunto de dados de referência derivado manualmente (usando bússola virtual no CloudCompare) mostrou um erro absoluto médio de 2,33° para o ângulo de mergulho e 3° para a direção de mergulho, situando-se dentro da faixa de variabilidade subjetiva associada a medições manuais.
• Identificação de Parafusos de Rocha: Em um conjunto de teste de 89 parafusos (excluídos do treinamento), o modelo alcançou 93,3% de precisão de classificação e 95,4% de recall. A Interseção sobre União (IoU) para segmentação foi de 91,2%, indicando alta fidelidade na delimitação da geometria do parafuso.
• Tempo de Processamento: O fluxo de trabalho completo, incluindo pré-processamento, análise e visualização, executou em aproximadamente 348 segundos (5,8 minutos) em hardware padrão, demonstrando adequação para conjuntos de dados de escala média.
• Resultados de Visualização: As visualizações integradas em 3D e estereoneto identificaram com sucesso parafusos intersectando planos estruturais, destacaram conjuntos de descontinuidades sem suporte (especificamente os Conjuntos 2 e 5) e visualizaram métricas de qualidade de instalação (por exemplo, comprimento de protrução e desvio angular).

Significado e Alegações
Os autores afirmam que este estudo fornece um passo prático e automatizado rumo à avaliação geotécnica integrada da eficácia do suporte de rochas. Ao eliminar a necessidade de medições manuais, aquisição adicional de dados in situ ou suposições geométricas subsuperficiais, o framework permite uma avaliação rápida, repetível e objetiva da eficácia geométrica do design de suporte. O artigo posiciona a ferramenta como um método de avaliação "fiel à superfície", permitindo que engenheiros identifiquem parafusos desalinhados e características estruturais sem suporte diretamente a partir dos dados de escaneamento.

Os autores declaram explicitamente limitações: o framework avalia relações geométricas e espaciais, mas não pode avaliar condições de ancoragem mecânica, pré-tensão, transferência de carga ou interações internas do maciço rochoso, pois estas não são observáveis via escaneamento a laser de superfície. A orientação estimada do parafuso é uma aproximação baseada na protrução visível. Consequentemente, o framework é apresentado como uma ferramenta para garantia e controle de qualidade geométrica, em vez de uma medida direta da capacidade de suporte mecânico. Trabalhos futuros sugeridos pelos autores incluem integração imersiva de realidade estendida, detecção de mudanças multi-temporais e fusão de dados geométricos com dados de sensores de parafusos inteligentes para monitoramento de desempenho mecânico.