整合3D点云分析用于潜在不稳定岩块表征：一种评估尺寸和形状分布的方法

《International Journal of Rock Mechanics and Mining Sciences》：Integrating 3D Point Cloud analysis for potentially unstable rock blocks characterization: a method for assessing size and shape distribution

　　

本研究提出了一种新的工作流程，用于利用高分辨率3D点云（3D Point Clouds）表征潜在不稳定岩块，解决了传统方法在岩崩风险分析中的部分局限性。所提出的方法整合了块体分割、基于三角剖分网格算法（Triangulation Meshing Algorithm）的3D建模，以及体积、表面积和形状等参数的定量提取。此外，引入了一个新的基于定向最小包围盒（Oriented Minimum Bounding Box, OMBB）的块体扁平化参数，并用于概念性地更新现有的形状分类系统，使得对真实块体几何形状的表征更加准确。该工作流程生成了3D块体尺寸分布（3D Block Size Distribution）和精细化的块体形状分类（Block Shape Classification），为裂隙岩体行为提供了关键见解，并支持岩土工程评估与决策。通过合成数据集（原始三维形状）的验证，证明了该方法在计算体积和表面积以及改进形状分类方面的准确性。将其应用于意大利西西里岛Mount Gallo的真实案例研究，结果显示直接测量与间接计算的块体体积之间具有良好的一致性，并揭示了岩坡上主导的形态计量类别。敏感性分析表明，体积计算方法对输入数据分辨率和完整性的变化具有稳健性，但较大的数据缺口可能影响精度。采用非参数方法的不确定性分析，确保了在定义3D块体尺寸分布（3D-BSD）的95%置信区间时的统计可靠性。总体而言，所提出的框架为岩崩风险管理提供了一个稳健且实用的工具，对单个潜在不稳定块体提供了详细见解。

**论文解读：基于3D点云分析的潜在不稳定岩块尺寸与形状分布表征方法**

**研究背景与问题**

在岩崩风险管理中，准确表征潜在不稳定岩块的尺寸和形状是风险评估和 mitigation 措施设计的关键。传统方法主要依赖直接岩土力学调查，通过人工现场测量获取数据。然而，这些方法存在显著局限性：操作人员安全风险高、可达性受限、经济成本高、耗时，且难以全面捕捉复杂岩体几何结构。近年来，高分辨率数据采集技术（如地面激光扫描和摄影测量）的兴起，使得生成密集且精确的3D点云成为可能，为岩体研究提供了新的途径。然而，点云数据本身仅是原始几何信息，需要一套稳健且严谨的方法将其转化为有意义的岩土力学参数，如体积、表面积和形状。现有研究多聚焦于岩崩事件体积的检测（如多时相变化检测），但针对潜在不稳定岩块的原位表征尚缺乏系统性的工作流程。此外，传统形状分类方法（如Kalenchuk等提出的块体形状表征方法，BSCM）主要适用于离散裂隙网络（DFN）模型，难以直接应用于真实形状的岩块。因此，研究人员开展了本研究，旨在开发一种整合3D点云分析的工作流程，以定量评估潜在不稳定岩块的尺寸分布（3D块体尺寸分布，3D-BSD）和形态分类（块体形状分类），支持岩崩风险分析与工程决策。该研究成果发表在《International Journal of Rock Mechanics and Mining Sciences》。

**主要关键技术方法**

研究人员为开展研究采用以下主要关键技术方法：1）基于专家引导的块体分割（在开源软件CloudCompare中手动识别潜在不稳定岩块）；2）采用凸包（Convex Hull）算法进行三角剖分网格生成，构建水密流形3D模型，确保体积和表面积计算的准确性；3）引入基于定向最小包围盒（OMBB）的扁平化校正系数（F），改进Kalenchuk等提出的形状分类系统，生成新的αF参数；4）应用非参数嵌套偏差校正加速（Bias-Corrected and Accelerated, BCA）Bootstrap方法进行不确定性分析，构建3D-BSD的95%置信区间。样本队列来源为意大利西西里岛的Mount Gallo岩坡，通过地面激光扫描（TLS）获取高分辨率点云数据。

**研究结果**

**4.1 尺寸与形状估计**
研究人员通过合成数据集（立方体、球体、圆柱体）和真实块体进行测试。对于原始形状，凸包算法计算的体积和表面积与CloudCompare参考值高度吻合（如立方体体积和表面积无偏差）。针对形状分类，原始α参数无法区分不同扁平程度的块体（如两个不同扁平比的平行六面体P1和P2的α值相近），而引入修正系数F后的αF参数能有效区分扁平化特征（如P2从立方类变为板状类）。对Mount Gallo岩坡的77个真实块体分析显示，体积分布的中位数为29.73 m³，95百分位数为468.70 m³。基于αF-β系统，大部分块体属于立方类（52%），其次为立方-伸长类（29%）。进一步将体积信息与形状分类结合，发现较小尺寸块体（D<50%）主要分布在立方和立方-伸长类，而较大尺寸块体（D>95%）形状更异质，倾向板状和伸长类。

**4.2 敏感性分析**
针对合成形状和真实块体，研究人员评估了输入数据分辨率和完整性对体积计算的影响。分辨率测试（0.5 cm, 1 cm, 2 cm）显示，体积计算结果对分辨率变化不敏感（最大偏差0.13%），而表面积更敏感，但变化仍可忽略。完整性测试模拟了不同缺失面情况，结果表明，当块体暴露面不足50%时（如仅有两个面暴露），体积和表面积计算偏差显著增大（体积偏差可达50.8%）。真实块体测试也证实了类似趋势，缺失关键面（如F3）导致体积偏差达49.3%。

**4.3 不确定性分析**
研究人员采用嵌套BCA Bootstrap方法，对Mount Gallo数据集（77个块体体积）进行不确定性分析。外Bootstrap构建了3D-BSD的95%置信区间，使95百分位（471.84 m³）的范围在229.11至674.52 m³之间。内Bootstrap计算了覆盖率和包含率，分别为94.7%和88.5%，表明构建的95%置信区间是良好的不确定性估计量，且样本数据集具有稳健的代表性。

**讨论与结论**

讨论部分指出，该工作流程整合了3D块体尺寸分布与改进的形状分类系统，克服了传统方法仅依赖平均尺寸的局限性。敏感性分析证实了凸包算法对分辨率的稳健性，但强调数据完整性是关键限制因素，特别是当块体突出度低于50%时，体积估计可能不准确。该算法封闭隐背面时，生成的体积为理论上限，但适用于无显著凹面的块体。不确定性分析中的高覆盖率和包含率证明了统计结果的可靠性。目前主要局限在于手动分割耗时，但工作流程可整合未来自动分割技术。结论部分翻译如下：

**6. 结论**
本研究开发的方法提供了一种稳健且定量的途径，用于从高分辨率点云出发表征潜在不稳定块体。通过结合分割技术、基于凸包的3D建模、尺寸分布的统计分析以及精细化的形态分类，能够获得高保真度的岩崩传播模拟所需信息，克服了简化传播模型的某些局限性。为简化应用，研究人员在Python环境中开发了高级块体形态测量与体积分析器（ABLOMOV）。该工具可加载点云（.txt, .obj, .las格式），计算每个块体的凸包模型、体积（m³）和表面积（m²），执行3D块体尺寸分布的可视化与导出，并计算形态参数（αF, β）并绘制三角形状分类图。一旦基于3D-BSD定义体积类别，即可集成到形状图中。未来工作将通过长期监测对比，验证该方法的有效性。