Presentation Information
[P003A]Establishment of a Crack Attack Angle Extraction Method for Improving the Accuracy of AI-Based Overbreak Prediction in Tunnel Blasting
○Kotaro Nakane1[Student presentation: Master’s course], Yuna Nakazawa1, Yulin Xu1, Yoshiko Goto2, Hirotada Kuroki2, Yohei Kawamura1, Yoko Ohtomo1, Natsuo Okada1 (1. hokkaido univesity, 2. ASUNARO AOKI CONSTRUCTION CO., LTD.)
Keywords:
Tunnel blasting,Blasting design,Artificial neural network,Crack attack angle
トンネルの発破工法は、経済性と効率性から広く用いられている。一方で、設計以上に採掘される「余掘り」は、施工コストの増大や安全性の低下を招く問題として認識されている。余掘りの発生要因には地質条件、爆薬量、穿孔状態など複数の要因が関与するが、明確な因果関係は解明されていない。このため、トンネル採掘現場での余掘りの低減と発破デザインの最適化が求められている。
近年では、地質条件と余掘りの関係を定量的に評価する指標としてOverbreak Resistance Factor（ORF）を提言し、Artificial Neural Network（ANN）によって余掘り量の予測と地質データの影響度把握を目指したモデルの開発を進めている。しかし、ORFにおいて重要な要因の一つとされる割れ目の角度は、国内トンネルでのデータ収集に困難を伴う。そのため、従来研究では断面画像から概算で角度を評価する手法が取られてきた。これにより、データのばらつきやANNモデルの学習精度への影響が課題となっている。
本研究では、余掘り予測モデルの汎用性および実用性の向上を目的として、Structure from Motion（SfM）により作成した3Dモデルの点群データから割れ目を抽出する手法を提案する。これにより、安定した地質データの収集が可能となり、ANNモデルの学習精度向上が期待される。
近年では、地質条件と余掘りの関係を定量的に評価する指標としてOverbreak Resistance Factor（ORF）を提言し、Artificial Neural Network（ANN）によって余掘り量の予測と地質データの影響度把握を目指したモデルの開発を進めている。しかし、ORFにおいて重要な要因の一つとされる割れ目の角度は、国内トンネルでのデータ収集に困難を伴う。そのため、従来研究では断面画像から概算で角度を評価する手法が取られてきた。これにより、データのばらつきやANNモデルの学習精度への影響が課題となっている。
本研究では、余掘り予測モデルの汎用性および実用性の向上を目的として、Structure from Motion（SfM）により作成した3Dモデルの点群データから割れ目を抽出する手法を提案する。これにより、安定した地質データの収集が可能となり、ANNモデルの学習精度向上が期待される。