Afloraments fracturats digitalitzats. Avaluació de tècniques remotes en models DFN i aplicació de Machine Learning

Abstract

[cat] En l’actual transició digital, on es generen milions de dades cada dia, l’ús de tècniques remotes digitals i els processats amb tècniques de machine learning és cada cop més present i necessari, sense que l’àmbit de les geociències en sigui una excepció. En aquest context, el present doctorat industrial, se centra en l’anàlisi d’afloraments fracturats utilitzant les tècniques remotes i machine learning, amb dos objectius específics; (1) l’avaluació de la representativitat de tècniques remotes per a identificar i caracteritzar las fractures i posteriorment representar-les en models discrets de xarxes de fractures (DFN), i (2) l’ús de models classificadors amb machine learning en processos associats als medis fracturats, com són les caigudes de blocs.

METODOLOGIA DE TREBALL:

En el primer cas d’estudi, s’avaluen les tècniques remotes; Terrestrial Laser Scanner (TLS) i Fotogrametria (SfM). L’experiment es desenvolupa en la pedrera activa de La Fou a Barcelona. Els afloraments fracturats s’han reconstruït a partir d’un alt nombre de dades capturades remotament (Santana et al., 2012; Geyer et al., 2015) i s’han agrupat en famílies per caracteritzar geomètricament la xarxa de fractures (García-Sellés et al., 2018). Amb aquests resultats, i els recollits amb tècniques directes amb els scan-lines, es construeixen models tridimensionals (DFN). Es construeix un model amb cada tècnica de captura (DFNTLS, DFNSfM i DFNscan-line), on quedaran representades les principals propietats geomètriques de les fractures. Finalment, se generen els mapes de traces de fractures per calcular la porositat i permeabilitat de la xarxa que hi representen.

El segon cas té com objectiu automatitzar la classificació de caigudes de blocs. L’àrea d’estudi se situa en els escarpaments històricament inestables de Degotalls, prop de l’accés al Monestir de Montserrat. La monitorització d’aquests escarpaments mitjançant els escanejos periòdics amb TLS, es va iniciar l’any 2007, com a conseqüència dels episodis de caigudes de blocs iniciats l'any 2001, que van afectar a l’aparcament del monestir (limitant l’accés al Santuari en diverses ocasions). La metodologia consisteix en alinear dos escanejos o núvols de punts del mateix aflorament capturats en dos moments diferents, amb la intenció de detectar les agrupacions de diferències existents entre ambdós escanejos. Posteriorment, es revisen visualment les agrupacions de punts per identificar i classificar les caigudes de blocs. La metodologia desenvolupada en aquesta tesi, incorporant algorismes de machine learning proposa automatitzar aquesta última etapa d’identificació i classificació de blocs caiguts.

RESULTATS:

En el primer cas d’estudi a La Fou les principals propietats geomètriques de cada fractura capturada i processada són la posició, orientació, alçada i longitud. Aquestes s’utilitzen per

caracteritzar les estadístiques de les fractures, com l’espaiat, intensitat, P10, P20, P21 i P32, entre d’altres. Del conjunt de fractures s’identifica la Família I WNW- ESE, Família II NNW/SSE, Família III, N-S i Família IV NE-SW. La tècnica amb major quantitat de fractures caracteritzades ha estat el TLS amb més de 52.000, després la tècnica de fotogrametria amb 1.094 i finalment els scan- lines amb 398 fractures mesurades. L’alçada i longitud de les fractures són molt variables, amb valors mitjos que oscil·len entre els pocs centímetres als 18m. El valors obtinguts amb TLS no arriben al metre d’alçada i longitud. Els espaiats entre les fractures de la Família I presenten mides centimètriques i la resta de famílies valors mitjos més variables des de centimètrica fins a 6m. La fotogrametria obté valors que en ocasions dupliquen o tripliquen la resta de tècniques. Amb la introducció de les obertures de les fractures en el model s’han generat els valors de porositat i permeabilitat de la xarxa de fractures. En els tres models DFN, el valor mig de porositat obtingut està entre 5,4 i 5,7% i els valors de permeabilitat mitja entre 4x105 mD i 6,2x105mD.

En el segon cas d’estudi, els resultats generats a partir de la combinació de 11 algorismes classificadors amb 15 mètodes de remostreig, permeten identificar la millor combinació predictiva para la classificació de blocs caiguts, segons el període i l’escarpament estudiat. A Degotalls-E, a partir d’aproximadament 5.800 agrupaments de diferències identificats per cada monitoratge, s’assoleix una reducció del 98% del nombre d’agrupaments a validar, entre Falsos positius (FP) i Veritables Positius (VP), entenent (VP) com les caigudes reals de blocs. A Degotalls-N la reducció ha estat del 80,16% per a una identificació completa, mentre que per identificar el 96% de les caigudes de blocs reals, la reducció ha estat del 90%, a partir d'una població d’uns 3.700 agrupaments inicials. És important també assenyalar, que la validació de la tasca mitjançant la comparació d'imatges d'alta resolució, ha permès augmentar notablement la fiabilitat dels resultats obtinguts.

CONCLUSIONS I PERSPECTIVA D’AVANÇ:

En l’avaluació de la representativitat de l’ús de tècniques remotes per a la construcció de models DFN, els resultats suggereixen que les dades capturades i tractades amb tècniques remotes es representen en els models DFN amb resultats molt acceptables. La tècnica remota que més s’aproxima a l’aflorament depèn de la propietat geomètrica que s’ha capturat i representat. La disposició de l’aflorament i les orientacions de les fractures també influencien en la captura de les dades. Al analitzar els resultats de la porositat i permeabilitat de la xarxa de fractures s’obté valors similars en els tres models DFN. En conseqüència les diferències geomètriques representades per cada tècnica en conjunt, no han condicionat en gran mesura l’estimació d’aquests valors, mostrant models de fractures equivalents en el cas de la Fou. Els models DFN que actualment s’obtenen mitjançant sensors remots, permeten mesurar i reduir incerteses en la caracterització dels models regionals tridimensionals. Això serà objecte de noves investigacions tant acadèmiques com industrials.

Finalment, els treballs duts a terme a Montserrat demostren que l’aplicació de tècniques remotes en el camp de la digitalització i la identificació de diferències, durant el seguiment d’afloraments,

és precisa i d’alta resolució. Aquesta nova metodologia que integra d’algorismes de machine learning per a la identificació i classificació de blocs caiguts demostra, especialment a Degotalls- E, que l’aplicació d’aquest sistema genera resultats acceptables en termes de Vertader Positiu (VP), Fals Positiu (FP) i Fals Negatiu (FN). Aquesta automatització, permet apropar-nos un pas més cap a implementar un sistema d’alerta de caiguda de blocs, amb un dispositiu TLS integrat, que permeti i faciliti la detecció de deformacions prèvies a caigudes, comportant una aplicació de la tècnica utilitzada durant el desenvolupament d’aquesta tesi al món industrial.

[eng] The ongoing digital transition results in millions of data points gathered every day. Within the context of geosciences, the use of digital remote sensing techniques is increasing. Machine learning techniques are interesting alternative to support the processing and interpretation of large amounts of collected data. The present industrial PhD focuses on the analysis of fractured outcrops using remote sensing techniques and machine learning with two specific objectives; (1) the evaluation of how representative are remote sensing techniques to identify fractures and subsequently represent them in discrete fracture network (DFN) models; and (2) the use of classification machine learning models in processes associated with fractured environments, such as block falls.

METHODOLOGY:

The first case study, evaluates remote techniques for data gathering (Terrestrial Laser Scanner (TLS) and Photogrammetry (SfM)). The experiment was carried out in active La Fou quarry in Barcelona. Fractures surfaces were reconstructed from a large number of remotely captured data (Santana et al., 2012; Geyer et al., 2015), the fractures network is characterized by multiple families (García-Sellés et al., 2018). With these results, and those collected with manual scanline techniques, three-dimensional (DFN) models are constructed. One model is built using data from each capture technique (DFNTLS, DFNSfM and DFNscan-line), where the main geometric properties of the fractures will be represented. Finally, the fracture trace maps are generated to calculate the porosity and permeability using aperture data for each of the scenarios. The second case study is aimed at automating the classification of block falls. The study area is located on the historically unstable Degotalls escarpments, close to the access road of the Monastery of Montserrat. Monitoring of these escarpments using periodic TLS scanning began in 2007, as a result of multiple falling block episodes starting back in 2001, which affected the Monastery car park (limiting access to the Sanctuary on several occasions). The methodology consists of aligning two scans or point clouds of the same outcrop, captured at two different times, aiming to detect clusters of differences between the scans. Subsequently, each cluster of differences is visually reviewed to identify and classify block falls. The methodology developed in this Thesis, incorporates machine learning algorithms to automate this last stage of identification and classification of fallen blocks.

RESULTS:

In the first case study, the main geometric properties for each fracture captured and processed are position, orientation, height, and length. These can be used to characterize fracture statistics

such as spacing, intensity, P10, P20, P21 and P32, among others. For individual families are identified Family I WNW-ESE, Family II NNW/SSE, Family III, N-S and Family IV NE-SW. The technique with the highest number of characterised fractures was TLS with more than 52,000, followed by photogrammetry with 1,094 and finally scan-lines with 398 fractures measured. Fracture height and length are very variable, average values range from a few centimetres to 18m. TLS average lengths are less than one metre. The spacings between fractures in Family I have centimetric sizes and the rest of the families have more variable spacing from centimetric to 6m. Photogrammetry obtains values that sometimes double or triple the rest of the techniques. Furthermore, with the input of the fracture openings into the model, trace maps have been generated and porosity and permeability value of the fracture network has been obtained. In the three DFN models, the average porosity value obtained is between 5.4-5.7% and the average permeability values between 4x105 mD and 6.2x105mD.

In the second case study, the results generated from the combination of 11 classifier algorithms and 15 resampling methods, allow us to identify the best predictive combination for the classification of fallen blocks, according to the temporal period and steepness. In Degotalls-E, from approximately 5,800 clusters identified by each monitoring, a 98% reduction is achieved in the number of clusters to be validated, between False Positives (FP) and True Positives (VP), understanding (VP) as the real block falls. In Degotalls-N the reduction would be 80.16% for a complete identification, while for identifying 96% of the real block drops, the reduction would be 90%, from a population of about 3,700 initial clusters. It is also important to note that the validation of the task by comparing high-resolution images has significantly increased the reliability of the results obtained.

CONCLUSIONS AND THE WAY FORWARD:

In the evaluation of the representativeness of using remote sensing techniques for the construction of DFN models, the results suggest that data captured and processed with remote techniques are represented in DFN models with very acceptable results. The remote sensing technique that more accurately approximates the outcrop depends on the geometric property that need to be captured and represented. The layout of the outcrop and fracture orientations also influence data capture. When analysing the results for permeability and porosity of the fracture network, similar values are obtained for all three DFN models. Consequently, the geometrical differences of the models by each technique do not greatly influence the estimation of these values, showing equivalent fracture models in the case of the Fou. The DFN models, which are currently obtained using remote sensors allow the uncertainties generated in the three- dimensional regional models to be characterized measured and reduced. This will be the obhect of further research both academic and industrial.

Finally, the work carried out at Montserrat shows that the application of remote techniques in the field of digitisation and the identification of differences during the monitoring of outcrops is precise and of high resolution. This new methodology integrating machine learning algorithms for the

identification and classification of fallen blocks demonstrates, especially in Degotalls-E, that applying this system generates acceptable results in terms of True Positive (VP), False Positive (FP) and False Negative (FN). This automation will eventually allow to implement a block drop alert system, with an integrated TLS device, which allows and facilitates the detection of precursors, involving an application of the technique used during the development of this thesis in the industrial world.