Assessing susceptibility of rock mass failure using a 3-dimensional morphological approach

Abstract

På grunn av de topografiske og geologiske forholdene i Norge er steinsprang et vanlig fenomen som utgjør en betydelig risiko for lineær infrastruktur. Store og bratte fjellskråninger gjør det vanskelig å foreta grundige stabilitetsvurderinger og installere fjellsikring, noe som gjør det til en utfordrende, tidkrevende og kostbar prosess. Med begrensede ressurser for sikringstiltak er det et økende etterslep mellom områder med behov for fjellsikring og tilgjengelige ressurser. Det er derfor behov for verktøy som kan analysere store områder på en effektiv måte, slik at det blir enklere og mer effektivt å prioritere de begrensede ressursene. De siste årene har digitale terrengdata blitt stadig mer brukt på grunn av lett tilgjengelige og anvendelige metoder. Dataene gir muligheter for mer objektive og kvantitative og datadrevne systemer og rammeverk som kan bidra til å identifisere områder som er utsatt for skred over store områder. Dette kan muliggjøre mer målrettede feltundersøkelser og bedre planlegging av sikring, noe som potensielt kan spare arbeidstimer og redusere ressursene som trengs for å iverksette tiltak. Denne studien undersøker potensielle bruksområder og begrensninger ved et relativt nytt datadrevet og morfologisk basert rammeverk for steinsprangfare og programvare for terrenganalyse ved hjelp av tilgjengelige data fra en generisk kontroll av en fjellskråning. Det gis en teoretisk gjennomgang av interne og eksterne faktorer som påvirker stabiliteten og metoder for å analysere stabilitet og steinsprang. En fare- og morfologisk analyse utføres ved hjelp av programvaren RAMBO - Rockfall Activity Morphological Bigdata Optimizer og det datadrevne bergmasseklassifiserings- og farevurderingssystemet RAI - Rockfall Activity Index. Når det brukes som et analyseverktøy for å vurdere områder utsatt for steinsprang, viser resultatet noen begrensninger i dataene som brukes og programvaren og rammeverket slik det er i dag. Programvaren og metoden gir rask analyse av store datasett som kan brukes som en hjelpemiddel og til effektivt å generere data for andre datadrevne analyser.

Given the topographic and geological conditions in Norway, rockfall is a common occurrence that pose a significant risks to linear infrastructure. Large scales and steep rock slopes complicates thorough stability assessment and installation of rock support making it a more challenging, time consuming and expensive process. With limited resources for mitigation measures there is a growing lag between areas in need of rock support and the available resources. Tools that can analyze large areas effectively to help with assessment and to make prioritization of limited resources easier and more effective is therefore needed. In recent years, digital terrain data has seen increased use due to easily available and applicable methods. The data provide possibilities for more objective and quantitative and data driven systems and frameworks that can help to identify areas prone to failure over large areas. This can enable more targeted field investigations and better planning of mitigation measures, potentially saving work hours and reducing resources needed to implement measures. This study investigate the potential uses and limitations of a data driven and morphological based framework and software for assessing rockfall hazard using available data from a generic rock slope field check. A theoretical review of the internal and external factors affecting and methods for analysing stability and rock mas failure is given. A hazard and morphological analysis is performed using the software RAMBO - Rockfall Activity Morphological Bigdata Optimizer and the data driven rock mass classification and hazard assessment system RAI - Rockfall Activity Index. When applied as a analysis tool to assess areas prone to failure as indicated by rock support the result show some limitations in the data used and the software and framework as is today. The software and method provide fast analysis of large datasets that can be used as an auxiliary analysis and to effectively generate data for other data driven analyses.