基于向量化与并行计算的大规模三维点云岩体节理高效检测方法研究

针对传统岩体节理检测方法效率低、精度不足的问题，研究人员提出了一种融合人工神经网络(ANNs)、DBSCAN聚类和PCA分析的智能算法，结合向量化与并行计算技术，将处理速度提升3-4倍，误差控制在2°以内，为地质工程大规模节理识别提供了高效解决方案。

　　

岩体结构的稳定性评估是地质工程领域的核心问题，而节理的产状（包括倾向和倾角）直接决定了岩体的力学与水力特性。传统测量方法如罗盘、测线等存在效率低、危险区域难以覆盖等局限，而现有基于激光扫描(LiDAR)的算法又面临计算效率瓶颈。如何快速精准地从海量点云数据中识别节理，成为制约工程实践的卡脖子难题。

中国地质大学（武汉）的研究团队在《Geoscience Frontiers》发表研究，创新性地将高性能计算技术引入岩体节理检测领域。他们开发了一套融合人工神经网络(ANNs)、密度聚类(DBSCAN)和主成分分析(PCA)的智能算法，通过向量化和并行计算优化，实现了秒级处理千万级点云数据的能力，测量误差控制在2°以内。这项突破不仅解决了传统方法效率低下的问题，更为复杂地质环境下的工程决策提供了实时数据支持。

研究团队采用天津蓟州青山岭抽水蓄能电站上水库出露的石英砂岩岩面作为研究对象，使用Optech Polaris LR地面激光扫描仪获取了1358万多个点云数据。关键技术包括：(1)基于KNN和最小二乘法的点法向量与曲率计算；(2)混合向量化策略（网格点/变量/混合）优化数据存储；(3)多模式并行计算（数据/任务/嵌套并行）加速处理；(4)ANN分类器结合DBSCAN聚类提取单体节理；(5)PCA拟合平面方程计算产状参数。

【研究结果】

1. 智能识别模型构建
   通过tanh激活函数的9节点隐藏层ANN模型，以点法向量和曲率为特征参数，将数据分类为3组节理和1组非节理，验证准确率最高达92.3%。数据归一化处理采用线性公式P'=(A-B)/(C-B)，有效解决量纲差异问题。

2. 计算效率优化
   混合向量化策略使参数计算时间缩短至原算法的35%，而6核并行处理使单体节理提取速度提升5.62倍。对比不同硬件平台，云端服务器(128线程)处理速度较工作站(12线程)提升33%。

3. 节理产状计算
   从1291个单体节理中测得三组优势产状：节理组1（56.10°∠72.88°）、节理组2（286.45°∠80.39°）和层理面（246.03°∠26.80°）。与人工测量对比显示，自动识别结果偏差均小于2°，其中最大偏差出现在节理组2的J2-2样本（1.94°∠1.99°）。

4. 算法鲁棒性验证
   通过8种数据分割形式（如X1Y3Z2）测试，发现分割方式对结果影响可忽略，各方案相对误差均<1%。当核数增至5时，因节理完整性破坏导致耗时反弹，揭示算法性能与地质结构特征的耦合关系。

这项研究开创性地将高性能计算引入地质工程领域，其核心价值体现在三个方面：首先，提出的混合向量化策略和嵌套并行架构，为处理海量点云数据提供了普适性框架；其次，构建的ANN-DBSCAN-PCA技术链条，在保持92.3%准确率的同时实现3.55倍加速，突破了传统算法效率瓶颈；最后，通过硬件-算法-地质特征的协同优化模型，为类似工程问题提供了可复用的技术范式。研究也指出算法在植被覆盖区和线性节理识别中的局限性，这为后续研究指明了改进方向。该成果对实现"碳达峰"背景下的工程地质快速评估具有重要实践意义。