0.   引言

岩体质量评价是分析岩体工程地质条件和认识岩体工程特性的一种重要手段,是施工前的一项重要准备工作。经历了不同时期、不同程度的地质作用以及复杂的工程扰动,岩体质量在区域内往往呈现出强烈的异质性^[1-2]。人工获取的有限测点难以对工程岩体质量进行精细化表征,为此需要进行大范围自动化的工程地质调查与岩体质量评价,众多学者针对此问题开展了相关研究。对于岩体表面,基于三维点云的结构面自动化^[3]与半自动化^[4]识别已经得到了广泛的应用,同时从二维图像中自动提取结构面迹线也取得了有益的进展^[5]。对于岩体内部,钻孔电视、波速测试和探地雷达等手段可以快速的获取岩体内部的结构信息^[6]。此外高密度电阻、地震波成像等物探方法,倾斜摄影测量、红外温度场成像等测量方法均能增加对工程岩体质量的认识。

随着地质数据以指数形式增长、计算机性能尤其是GPU运算能力的提升,深度学习在岩石工程的数据解译分析中有着广泛的应用前景^[7]。其中利用钻进过程中钻机数据（轴压、转速、钻进速度以及声波信息等）来预测岩体物理力学性质（力学参数、岩体质量、可爆性、渗透性等）取得了较好的应用^[8]。此外,利用电镜照片来分析矿物成分,利用岩石照片来区分岩性、预测品位的深度学习也有报道^[9-10]。特别的是,利用施工过程中围岩响应来进行岩体动态分级评价的研究取得了较好的工程应用^[11-13]。当前限制深度学习在岩石工程中应用的主要难点在于：①纷繁复杂的工程地质数据在类型上难以统一,需进行大量的预处理工作,难以将工程问题简单归为某一类的深度学习问题；②部分关键性数据获取难度较大、标注困难,对应的数据体量难以满足深度学习训练集的要求。

在矿山工程中,为了探明矿产资源储量,确保其可靠程度达到开采要求,非煤矿山的生产勘探线间距通常为50～200 m。对于一个大型矿山,通常布置数百个地质勘察钻孔,钻探累计长度达十数万米。此外,在矿山生产过程中,为了获取新的资源,往往会布置新的钻孔进行生产勘探设计^[14]。从钻孔中获取的岩芯除去少量用于化学测验（品位化验与选矿性试验）,绝大部分会放置在特制的岩芯盒中供后期查验。当前对钻孔岩芯的RQD编录通常在现场手动进行,工作条件恶劣且耗费大量人力物力。以笔者参与的西藏甲玛铜矿项目为例,3个熟练技术人员在高原上,耗时2个多月才完成了对77个钻孔累计6998.76 m钻孔岩芯的现场编录。矿山钻孔岩芯图像具有数据规整、体量大等特点,可以充分发挥深度学习的优势,实现RQD的自动快速编录,同时消除人为因素造成的误差。

对于岩体质量的空间变异性特征,建模人员只能通过现有数据来模拟未知数据,而且这种模拟得到的数据难以被现实情况印证。而工程经验表明,岩体质量在空间上并非是相互独立的,当两个测点的空间距离较小时,测点间会存在某种较强的相似性,而当距离很大时,相似性就会减弱或不存在。也就是说,测点之间存在着某种联系,这种联系的强弱是和测点的相对位置有关的,这种特性使得地质统计学成为了分析岩体质量空间变异性的一个合理选择^[15-16]。

本文以乌山铜钼矿160个钻孔、累计长度6.4× 10⁴ m的9605幅岩芯图像为例,将RQD自动获取转换为一个实例分割的深度学习问题。使用Mask R-CNN深度学习网络,首先从岩芯图像中识别出单排岩芯,然后从单排岩芯中识别出长度大于等于10 cm的岩芯段,进而实现RQD的自动编录。在编录好的RQD钻孔数据库的基础上,建立起RQD的试验半变异函数,使用普通克里金插值得到具有空间变异性的RQD块体模型,实现对乌山铜钼矿岩体质量的精细化评价。

1.   岩芯图像的RQD自动编录

1.1   单排岩芯的识别

从钻孔中取出的岩芯放置在特制的岩芯盒中,如图1所示。使用数码相机对每个岩芯盒进行拍照,拍照过程中注意保证镜头正视岩芯盒,避免强光直射以保持照片锐度。可以采用仿射变换对非正视图像进行处理,去除岩芯图像采集过程中的透视和扭曲效果。此外应注意记录每张照片对应的钻孔编号、埋深以及岩芯摆放顺序（一幅图像内岩芯从左上角到右下角埋深逐渐增大）,例如将每张图像保存为“钻孔编号-第几箱-起始埋深-终止埋深”的文件格式。

图  1  某一钻孔岩芯照片

Figure  1.  Photos of core warehouse of a borehole

下载: 全尺寸图片 幻灯片

从岩芯图片中计算RQD的主要前处理工作是自动从图像中识别单排岩芯和长度大于等于10 cm的岩芯段,在深度学习领域中归类于实例分割问题。实例分割是是计算机视觉中非常重要的研究和应用方向,不仅要正确的找到图像中的目标对象,还要对其精确分割,可以看作是目标检测与语义分割的结合,选择通用的实例分割算法Mask RCNN进行RQD自动识别的前处理工作^[17]。

深度学习的算法都是建立在大量数据的基础上,是在大量有效数据上进行的特征提取和规律学习。在数据集的制作上,使用标注工具LabelMe在岩芯图像中标注单排岩芯。在标注单排岩芯时,以密集连续的点连线成闭合的多边形,将目标的边缘轮廓准确地标注出来,如图2（a）所示。获得json格式的标注文件,标注文件主要包括了路径、样本文件名、标注形式、类别名以及连接点坐标,共标注了150个学习样本。

图  2  单排岩芯的识别

Figure  2.  Identification of core bands

下载: 全尺寸图片 幻灯片

在训练过程中,利用迁移学习能够将大数据量样本所训练的学习器迁移到只有小数据量样本的领域,且不产生显著性能下降的特性。使用在coco数据集上训练所得到的mask_rcnn_R_50_FPN_3x预训练模型,设置初始参数,并适当调低学习率,将训练集输入至Mask R-CNN网络中,经过层层计算正向传播得到预测结果,并与数据标签进行比照得到验证损失值。然后进行反向传播,利用小批量梯度下降法（mini-batch gradient decent,MBGD）调整网络各层的参数,依次循环上述流程直至损失值达到预设目标。可以将训练过程类似于一种“迭代拟合”的过程,当验证损失值或预测准确率变化不大时停止迭代,获取的验证损失值与预测准确率随迭代步数的曲线如图3所示,其中预测准确率达到98.5%,达到显示了训练之后的网络模型具有良好的鲁棒性,达到了理想的训练效果。

图  3  验证损失值与预测准确率和迭代步数关系

Figure  3.  Relationship among loss, accuracy and iteration step

下载: 全尺寸图片 幻灯片

利用训练好的模型对测试集进行预测计算,首先利用区域提议网络在图像中生成多个预测边界框,对于一个预测的边界框,模型能计算它属于目标类别的概率值。对于同一目标,可能存在多个预测边界框,为此在同一幅图像中,把所有预测边界框的预测概率从大到小进行排列,取出最大概率的预测边界框作为基准,然后计算剩余的预测边界框与其的交并比,如果大于给定的某个阈值,则将这个预测边界框移除。这样既保留了概率最大的预测边界框,又移除了其他与之重合的边界框,接下来要做的就是从剩余的预测边界框选出下一个概率最大的预测边界框。重复以上流程就可以实现抑制冗余的反复迭代-遍历过程,即在图像中识别出所有目标,且每个目标对应一个特定的预测边界框,称为锚框。接下来,模型会从每个锚框中识别目标的边界,并用色块进行填充,进行目标的准确定位,称为掩膜。一个典型的测试集预测结果如图2（b）所示,每个锚框圈定区域均为一单排岩芯,将其从岩芯图像中分离出来,用于下一步的RQD计算。

1.2   长度大于等于10 cm岩芯段识别与RQD获取

对于同一批次岩芯图像,岩芯盒的单排长度为一固定值（工程上岩芯盒通常1.0 m长的定制木箱）,据此可以确定单排岩芯中任意岩芯段的长度。利用获取的单排岩芯图像,使用LabelMe继续标注其中长度≥10 cm的岩芯段。由于深度学习算法的准确性是建立在大量学习样本的基础上,在单排岩芯中没有长度≥10 cm的岩芯段则无法进行标注形成学习样本。为此需注意标注钻孔口破碎岩体的单排岩芯图像,“告诉”深度学习网络在孔口破碎岩体中没有满足要求的岩芯段。共标注了200个单排岩芯图像,其中孔口破碎岩体单排岩芯50个,其余位置单排岩芯150个。和上一节类似的,使用学习样本和Mask R-CNN网络进行训练,用训练好的模型对测试集进行预测计算,典型的训练集与测试集如图4所示,每个掩膜圈定的区域即为长度≥10 cm的岩芯段。

图  4  长度≥10 cm岩芯的识别

Figure  4.  Identification of core with length ≥10 cm

下载: 全尺寸图片 幻灯片

按照现行的岩土工程勘察规范（GB50021—2001）,岩石质量指标RQD定义为在回次钻进所取岩芯中,长度>10 cm（包含10 cm）的岩芯段长度之和与该回次进尺的比值,以百分数表示。如图5所示,按照工程惯例,在每个进尺获取的岩芯中,计算每个长度≥10 cm岩芯段（掩膜）中心线上的像素点个数n_i,同时获取进尺中心线上的像素点个数N,则RQD可以由下式计算得到：

图  5  基于掩膜的RQD计算

Figure  5.  RQD calculation based on mask

下载: 全尺寸图片 幻灯片

式中,m为进尺上长度≥10 cm的岩芯段个数,l_i为对应岩芯段的长度,L为进尺长度（与岩体破碎程度有关,可查询现场记录台账获得）,值得注意的是,此处L为进尺长度而非进尺获取的岩芯长度。对于每一次进尺均进行上述计算过程,并将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应起来,即可以实现所有岩芯图像中RQD的编录。如果岩芯上没有对进尺进行标记或没有台账,也可以考虑使用下式对每一单排岩芯或每幅岩芯图像进行RQD计算编录：

式中,L_c,N_c为单排岩芯的长度与对应的中心线像素点个数,为一固定值,η为岩芯采取率,定义为获取的岩芯长度与实际进尺长度的比值,每幅岩芯图像均会有记录。

2.   乌山铜钼矿RQD块体模型建立

2.1   RQD钻孔数据库构建

如图6所示,乌山铜钼矿为露天开采,分南北两矿段同时进行采矿作业,露天采场设计最大标高858 m,封闭圈标高735 m,截止至2019年底,露天采场最低开采水平为630 m,矿山边坡台阶高度15 m。从乌山铜钼矿采集到的160个钻孔、累计长度约6.4× 10⁴ m的9605幅岩芯图像,每幅图像包含一个岩芯盒。钻孔施工于2007年—2010年,勘探线距离为100 m,每幅岩芯图像均记录有岩芯采取率,木质岩芯盒的长度均为1.0 m。

图  6  乌山铜钼矿钻孔RQD编录（2019年底地表）

Figure  6.  RQD logging of boreholes in Wushan Copper and Molybdenum Mine (surface in the end of 2019)

下载: 全尺寸图片 幻灯片

因为未能收集到钻进过程中对应的台账数据,而实际进尺被记录在每幅岩芯图像名上。在本次编录过程中,每幅岩芯图像对应一个岩芯盒,计算一个RQD。使用配置有Intel Xeon W3245M 3.2 GHz的处理器（CPU）与NVIDIA RTX 2080Ti显卡（GPU）的小型服务器,耗时约2 h30 min完成9605幅岩芯图像的RQD计算,相较于人工编录在效率上有了显著的提升。按照“定位表-测斜表-RQD表”的规范格式写入至3DMine软件中,形成RQD钻孔数据库。可视化的钻孔编录结果如图6所示,每个钻孔左侧绘制有对应的RQD随孔深变化曲线,可以清晰的看出浅部岩芯较为破碎,深部岩体质量较好。

2.2   RQD地质统计学分析

由于RQD是空间位置z的函数,可将RQD视为区域化变量,记为RQD(z)。为了衡量区域化变量的变化规律,使用半变异函数来进行空间建模。

式中,RQD(z+h)表示RQD在距离z点h处的取值,n(h)为区域内相距为h的RQD样品对数。由于乌山铜钼矿所有RQD均由钻孔岩芯照片中采集,且勘探线间距为100 m,难以建立起全方向试验半变异函数,考虑使用沿孔试验半变异函数对RQD的空间变异性进行表征,需要找出不同距离h上的所有样品对,进而通过式（3）计算该方向上的不同距离h上试验半变异函数,绘制以距离h为横坐标、半变异函数γ(h)为纵坐标的一系列散点图,如图7所示。

图  7  RQD试验半变异函数

Figure  7.  Experimental semivariogram of RQD

下载: 全尺寸图片 幻灯片

在实际应用时,通常将上述流程获取的试验半变异函数散点进行拟合得到数学模型。使用具有块金效应的球状模型进行拟合,其属性表达式为

式中 C为台基值,一般情况下可以认等于样品的方差；$\alpha$为变程,代表了样品的影响范围；N为块金值。式（4）的物理意义是：当样品小于变程时,变异程度随间距的增加而增加；当间距达到变程时,样品之间的关联性消失变为完全随机,这时γ(h)即为样品的方差。乌山铜钼矿RQD的试验半变异函数的块金值为5.5,台基值为5.6,变程为250 m。此外,由于乌山铜钼矿为热液岩浆型矿床,岩体质量的各向异性显现不明显,故不考虑RQD半变异函数的各向异性。

2.3   RQD块体模型建立

考虑到乌山铜钼矿的台阶高度为15 m,将块体模型单元块设置为边长为15 m的立方体。建立块体模型区域尺寸为3450 m×1950 m×540 m,同时由于矿区走向为北偏东70°,设置旋转块体模型的方位角为340°,共建立1076400个块体单元。使用普通克里金对块体模型各单元的RQD进行估值,普通克里金估值的主要参数包括：变程为250 m,块金值5.5,台基值为5.6,每个点估值最少取3个样品点,最多12个样品点,此外单孔最多选取3个样品点。得到的RQD块体模型如图8（a）所示,色彩代表RQD值的大小,灰色单元附近无实测RQD数据,未能获得估值。

图  8  RQD三维块体模型

Figure  8.  3D block model of RQD

下载: 全尺寸图片 幻灯片

RQD块体模型表明岩体质量在同一矿区内展现出明显的非均匀性,同时也存在显著的分区聚集效应。其中南矿段分布有若干岩体质量较差的条带,尤其是北帮出现了大范围的低RQD区域。北矿段的岩体质量较好,西南帮岩体RQD达到75%以上。为此乌山铜钼矿先将北矿段西南帮开采至最终境界,将主要运输道路以及运矿皮带等永久工程布置在西南帮岩体质量较好的边坡上。以上认识得到了现场踏勘的验证,可为边坡的分区治理和矿山生产计划提供依据。

根据矿山的生产计划可以建立一系列的地表模型（露天矿）和井巷模型（地下矿）,进而可以约束出对应的块体模型,其中图8（b）为根据2019年底地表模型约束得到的RQD块体模型。利用该方法可以对不良地质体（低RQD区域）的空间分布与揭露情况进行预判,实现边坡超前防护与治理。此外,新鲜揭露的露天矿表层岩体在爆破振动、开挖卸荷与风化作用下岩体质量快速劣化（乌山铜钼矿的表层风化裂隙带平均厚度约5～20 m）,而深部岩体保持较好的岩体质量。对应的表层与深部岩体物理力学性质上有较大差异,浅层小范围的边坡塌滑与边坡整体失稳的力学机制不同,RQD块体模型可以为边坡稳定性分析提供依据。

从钻孔岩芯中可以提取出岩性分界线,如图9（a）所示,470勘探线（位置见图6）上共布置了13个钻孔,该勘探线上包含黑云母花岗岩与次斜长花岗斑岩两种岩性。通过对块体模型进行剖切获得470勘探线上的RQD分布如图9（b）所示,可以看出即使在空间上相邻的同一种岩性中,RQD依旧具有较大的空间变异性。

图  9  470勘探线岩性与RQD分布

Figure  9.  Distribution of lithology and RQD in exploration line 470

下载: 全尺寸图片 幻灯片

3.   讨论

当前常用的工程岩体质量评价方法包括岩石质量指标RQD、岩体强度指标GSI、巴顿岩体质量Q以及岩体地质力学分类RMR等。各类岩体质量评价方法的考虑因素和相关性可以参考陈昌彦等的综述论文^[18]。考虑到岩体是由岩石和结构面构成的组合体,上述各类岩体质量评价方法的参评因素可归纳为两类,即岩石强度和岩体结构完整性,再辅以工程修正因素。而RQD实际上是对岩体结构完整性表征的一种简化处理。深度学习手段可以利用岩体表面露头或岩芯照片,对岩体结构进行定性识别（整体、块状、层状、碎裂和散体）和定量识别（节理密度）。但诸如岩石强度、结构面抗剪强度、地应力等力学因素,地下水、节理与边坡坡面（空区临空面）的夹角等工程因素仍需人工进行岩石力学试验和工程地质调查。

乌山铜钼矿的分析结果表明,在同一种岩性中岩体质量具有很强的空间变异性。为此在数值计算中,简单的岩性划分难以表征岩体物理力学性质的非均匀性。在岩体质量精细化评价的基础上,进一步可以综合考虑岩性划分、室内岩石力学试验、外部扰动等因素,使用Hoek-Brown方法建立起非均匀的岩体力学参数块体模型。块体模型作为一种与空间位置相关的特殊数据库格式,在每个空间位置可以设定任意多的属性,用以存储上述岩体质量、力学参数和地质岩性等信息。此外,块体模型也可以直接转换为结构化的有限元网格^{[1, 19]},用于后续的数值模拟计算。

4.   结论与展望

本文利用矿山工程地勘阶段获取的海量岩芯照片,使用深度学习方法从岩芯照片中自动计算出岩石质量指标RQD,并利用地质统计学方法对矿山岩体质量进行精细化评价。以乌山铜钼矿为例,详细介绍上述方法流程,得到4点结论。

（1）作为地质调查与资源评价重要的基础性数据,钻孔岩芯是真正意义上的矿山大数据,值得进行深入的数据挖掘。相较于传统人工手动处理的方式,应用深度学习方法可以从岩芯图像中快速高效的获取RQD并进行编录。

（2）使用地质统计学分析方法建立起RQD试验半变异函数,进而使用普通克里金方法对RQD进行空间插值。乌山铜钼矿的应用结果表明,使用地质统计学方法可以利用实测数据对RQD的空间变异性进行精细化表征。

（3）作为一种特殊的数据库,块体模型可以很好的结合各种地质约束,实现对数据的动态操作。依照矿山的生产计划建立地表模型和井巷模型,可以得到不良地质体的空间分布与揭露情况,为工程岩体稳定性分析乃至治理防护提供依据。同时,块体模型也可以实现快速剖切获取任意剖面的地质属性分布情况。

（4）RQD是一种简单易行、快速经济且实用的岩体质量评价方法,在岩石工程中得到了广泛的应用。但它没有反应出节理的方位、充填物以及粗糙性的影响,在更加完善的岩体分类中,通常把RQD作为一个参数加以使用。进一步可以考虑多因素的综合影响,建立起非均匀的岩体力学参数块体模型,为深入的岩石力学分析提供基础。