摘要：針對巖石結(jié)構(gòu)面粗糙度現(xiàn)場測量操作不方便和測量結(jié)果人為因素影響大的難題，提出一種3D巖石結(jié)構(gòu)面粗糙度智能提取方法。該方法首先運(yùn)用3DOne工具構(gòu)建標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線的三維結(jié)構(gòu)面模型，其次利用圖像獲取設(shè)備獲取結(jié)構(gòu)面圖像并進(jìn)行格式化處理，最后基于深度學(xué)習(xí)算法和RNN深度學(xué)習(xí)網(wǎng)絡(luò)，對結(jié)構(gòu)面數(shù)字化圖像進(jìn)行學(xué)習(xí)訓(xùn)練及分類處理，估算巖體結(jié)構(gòu)表面的粗糙度系數(shù)。將此方法應(yīng)用于焦家金礦取得了較好的效果，彌補(bǔ)了傳統(tǒng)方法工作量繁重，受環(huán)境及主觀影響大的缺陷，促進(jìn)了礦山巖石力學(xué)現(xiàn)場調(diào)查工作的智能化。
關(guān)鍵詞：巖石結(jié)構(gòu)面;粗糙度;數(shù)字化圖像;RNN;智能提取
0引言
工程巖體顯著特征就是被各種尺度和形態(tài)的結(jié)構(gòu)面所切割，在很多情況下結(jié)構(gòu)面的力學(xué)特性很軟弱，在此情況下，巖體的強(qiáng)度主要由結(jié)構(gòu)面決定，主要結(jié)構(gòu)面剪切強(qiáng)度[1-2]的微小變化都可能引起巖體或建筑于巖體上的結(jié)構(gòu)出現(xiàn)不穩(wěn)定，因此，準(zhǔn)確確定巖體結(jié)構(gòu)面的強(qiáng)度對于巖體工程非常重要。巖體結(jié)構(gòu)面的粗糙度是決定結(jié)構(gòu)面強(qiáng)度的一個關(guān)鍵參數(shù)，但目前進(jìn)行巖體結(jié)構(gòu)面粗糙度的測量及統(tǒng)計工具多適用于實(shí)驗(yàn)室條件，現(xiàn)場巖體結(jié)構(gòu)面粗糙程度的測量方法和工具還比較粗糙，受人為因素干擾大，難以達(dá)到較為滿意的結(jié)果。
巖石工程論文： 地質(zhì)巖石礦物分析測試技術(shù)研究
巖石結(jié)構(gòu)面粗糙度的提取按照測量方式[3-4]不同分為接觸式測量和非接觸式測量兩類。接觸式測量方式多為傳統(tǒng)的測量手段，需要測量人員手工進(jìn)行測量，而非接觸式測量方式是近幾年來攝影測量技術(shù)和激光掃描技術(shù)快速發(fā)展下新的測量手段。接觸式測量：接觸式測量方式所采用的設(shè)備多以機(jī)械結(jié)構(gòu)為主。其測量原理主要是利用單根或多根測量探針與結(jié)構(gòu)面進(jìn)行物理接觸，并通過配套的輔助結(jié)構(gòu)將結(jié)構(gòu)面的起伏形態(tài)繪制出來，從而達(dá)到逐點(diǎn)測量結(jié)構(gòu)面二維或三維輪廓坐標(biāo)數(shù)據(jù)的目的。
非接觸式測量：非接觸式測量法的出現(xiàn)相較接觸式測量要晚一些，使用該測量方式進(jìn)行現(xiàn)場結(jié)構(gòu)面粗糙度測量時不需要與結(jié)構(gòu)面近距離接觸，保持適當(dāng)?shù)木嚯x即可獲得一定區(qū)域范圍內(nèi)的出露結(jié)構(gòu)面表面情況。非接觸式測量方法包括攝影測量法，三維激光掃描法，全站儀法。非接觸測量方式相比傳統(tǒng)的測量方法，測量速度快，一次測量可獲得控制區(qū)域范圍內(nèi)的全部數(shù)據(jù)，縮短了測量周期;測量精度高，隨著相機(jī)像素的提高和激光點(diǎn)直徑的減小及激光密度的加強(qiáng)，部分室內(nèi)三維激光掃描儀的精度可以達(dá)到微米級水平，使得建模結(jié)果和實(shí)際的巖面情況基本保持一致。非接觸測量方式也有其不足之處。
一是激光測量設(shè)備價格昂貴，對于小型工程而言成本太高不利于開展，另外由于這些設(shè)備多為精密儀器，現(xiàn)場運(yùn)輸要求嚴(yán)格，同時對于測量環(huán)境要求較高，濕度較大情況下極易造成設(shè)備損壞。測量設(shè)備很難既兼顧現(xiàn)場操作的方便快捷又保證測量精度，二是后期數(shù)據(jù)的處理量較大，計算過程較為繁瑣。
深度學(xué)習(xí)相比于其他機(jī)器學(xué)習(xí)算法(SVM，GMM等)并沒有優(yōu)勢，因此，學(xué)者們大都轉(zhuǎn)向諸如支持向量機(jī)(SVM)、boosting等機(jī)器學(xué)習(xí)方法的研究，但是，這些模型無法有效利用越來越多的數(shù)據(jù)。而DNN能更好地利用大數(shù)據(jù)，能自動提取特征且非常容易在各個任務(wù)之間遷移使用。在當(dāng)前多個深度模型中，基于長短期記憶單元的遞歸神經(jīng)網(wǎng)絡(luò)模型[5-8]，被認(rèn)為特別適合序列數(shù)據(jù)的處理。為此，本文基于RNN深度學(xué)習(xí)及巖體粗糙度[9-11]對光線敏感性差異的原理，建立一種巖石結(jié)構(gòu)面起伏形態(tài)精確提取算法，彌補(bǔ)傳統(tǒng)繪制手段精度低、受環(huán)境影響限制大的問題，實(shí)現(xiàn)現(xiàn)場巖體結(jié)構(gòu)面的準(zhǔn)確采集及智能處理。
1體系結(jié)構(gòu)
系統(tǒng)主要由步進(jìn)絲杠定位套裝、鐳射激光燈、四面體外殼、CCD攝像機(jī)、三維結(jié)構(gòu)面模型、標(biāo)準(zhǔn)數(shù)據(jù)庫6部分組成。(1)步進(jìn)絲杠定位套裝由3個步進(jìn)絲杠定位裝置組成，是系統(tǒng)帶動點(diǎn)光源，實(shí)現(xiàn)空間移動的裝置。其組成包括，X(Y、Z)三軸、固定(支撐)端、滾珠絲杠、滾珠螺母及滾珠螺母座，點(diǎn)光源安裝在步進(jìn)絲杠定位套裝X軸的步進(jìn)絲杠定位裝置的螺母座上。
(2)鐳射激光燈，作為點(diǎn)光源，隨步進(jìn)電機(jī)移動，為數(shù)字圖像的獲取及標(biāo)準(zhǔn)數(shù)據(jù)庫的構(gòu)建提供基礎(chǔ)。(3)粗糙度三維結(jié)構(gòu)面模型，實(shí)現(xiàn)模擬巖石試驗(yàn)結(jié)構(gòu)面條件的作用，四面體外殼則起到保護(hù)及防止外界環(huán)境干擾的作用。(4)標(biāo)準(zhǔn)數(shù)據(jù)庫的構(gòu)建，為后續(xù)構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練與測試提供數(shù)據(jù)支持。
2方法及關(guān)鍵技術(shù)
系統(tǒng)總體分6個階段，包括粗糙度三維結(jié)構(gòu)面的構(gòu)建、模型3D打印、數(shù)字圖像獲取、深度學(xué)習(xí)網(wǎng)絡(luò)模型建立、模型訓(xùn)練與圖像識別。
2.1粗糙度模型建立
運(yùn)用3Done軟件構(gòu)建已知標(biāo)準(zhǔn)粗糙度模型，即建立標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線的三維結(jié)構(gòu)面模型，用于數(shù)據(jù)庫的構(gòu)建。此過程在photoshop軟件中將不同JRC值的標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線等比例放大并測量各點(diǎn)間距以得到準(zhǔn)確數(shù)據(jù)，運(yùn)用已知數(shù)據(jù)在3Done軟件中畫出各標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線平面圖形，之后對各輪廓線進(jìn)行拉伸以得到不同的粗糙度系數(shù)(簡稱JRC)的三維結(jié)構(gòu)面標(biāo)準(zhǔn)模型，詳細(xì)步驟為：運(yùn)用3D建模軟件構(gòu)建N個不同已知粗糙度的三維結(jié)構(gòu)面標(biāo)準(zhǔn)模型，并將相應(yīng)標(biāo)準(zhǔn)模型的粗糙度定義為{類型1，類型2，…，類型N｝;將不同JRC的標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線等比例放大并測量各點(diǎn)間距以得到準(zhǔn)確數(shù)據(jù);在3D制圖軟件中畫出各標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線平面圖形;對各輪廓線進(jìn)行拉伸以得到不同JRC的三維結(jié)構(gòu)面標(biāo)準(zhǔn)模型;將不同標(biāo)準(zhǔn)模型的粗糙度定義為{類型1，類型2，…，類型N｝。運(yùn)用3D打印技術(shù)，將構(gòu)建的N個不同粗糙度的三維結(jié)構(gòu)面標(biāo)準(zhǔn)模型打印出來。
2.3數(shù)據(jù)庫構(gòu)建與模型訓(xùn)練學(xué)習(xí)
RNN模型隱藏層設(shè)計的最大特點(diǎn)是一條自連接邊，這使得RNN所有時刻的隱藏層都是相互連接的;隱藏層的值s會在網(wǎng)絡(luò)中沿著t一直傳播下去，模型某一時刻隱藏層的值，是由上一時刻的輸出和當(dāng)前時刻的輸入共同計算得出的，因此RNN具有了學(xué)習(xí)時間序列的能力。
RNN模型展開以后，在橫向上，即時間維度上，可以等價為一個多層前饋神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的層數(shù)就是RNN所處理時間序列數(shù)據(jù)的長度。本示例數(shù)據(jù)集制作：新建項(xiàng)目，配置環(huán)境。將所獲取的結(jié)構(gòu)面數(shù)字圖像及已知粗糙度模型數(shù)字圖像按不同粗糙度類別對應(yīng)放在不同文件夾下。并將所有數(shù)據(jù)集圖片分為兩部分，分別用于測試和訓(xùn)練，各部分?jǐn)?shù)據(jù)集圖片具體數(shù)量根據(jù)調(diào)試結(jié)果的準(zhǔn)確率進(jìn)行確定(結(jié)構(gòu)面數(shù)字圖像數(shù)量越多、循環(huán)次數(shù)越多，所得準(zhǔn)確率越高)。
測試集制作：新建predict文件夾，將部分已知粗糙度數(shù)字圖像，放在predict文件夾下。深度學(xué)習(xí)服務(wù)器自動對獲取的數(shù)字圖像進(jìn)行分析構(gòu)建結(jié)構(gòu)面數(shù)據(jù)庫，并對數(shù)據(jù)庫中的結(jié)構(gòu)面數(shù)字圖像進(jìn)行處理后輸入RNN深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的最優(yōu)模型。對數(shù)字圖像進(jìn)行預(yù)處理，采用隨機(jī)旋轉(zhuǎn)、隨機(jī)水平平移、隨機(jī)豎直平移、數(shù)據(jù)歸一化、隨機(jī)錯切變換、隨機(jī)放大、水平翻轉(zhuǎn)、填充操作將數(shù)字圖像處理為模型需要的輸入形式。然后使用RNN模型學(xué)習(xí)數(shù)據(jù)，訓(xùn)練模型。
本示例中，使用RNN模型學(xué)習(xí)數(shù)據(jù)，訓(xùn)練模型的過程如下：設(shè)定迭代周期和批次大小，訓(xùn)練集存放路徑、測試集存放路徑、模型保存路徑;設(shè)定學(xué)習(xí)率為1×10-4(約等于0.0183)，初始抗擬合值為0;添加一個卷積層，傳入固定寬高三通道的圖片，以32種不同的卷積核構(gòu)建32張?zhí)卣鲌D，卷積核大小為3×3，構(gòu)建特征圖比例和原圖相同，激活函數(shù)為relu函數(shù)(activationfunction);再次構(gòu)建一個卷積層。構(gòu)建一個池化層，提取特征，池化層的池化窗口為3×3，步長為3;繼續(xù)構(gòu)建卷積層，卷積層卷積核數(shù)量為64，池化層卷積核數(shù)量為128，使數(shù)據(jù)扁平化;構(gòu)建一個具有128個神經(jīng)元的全連接層后，再構(gòu)建一個具有64個神經(jīng)元的全連接層加入dropout，防止過擬合，一共6個神經(jīng)元，對應(yīng)6種分類;創(chuàng)建Adam優(yōu)化器[12-15]。
使用交叉熵代價函數(shù)，Adam優(yōu)化器優(yōu)化模型，并提取準(zhǔn)確率;設(shè)置訓(xùn)練集迭代器、訓(xùn)練集存放路徑、訓(xùn)練集圖片尺寸、訓(xùn)練集批次;設(shè)置測試集迭代器、測試集存放路徑、測試集圖片尺寸、測試集批次，輸出迭代器分類;模型擬合，運(yùn)行訓(xùn)練集迭代器，根據(jù)設(shè)定的周期迭代數(shù)和迭代周期，對測試集及訓(xùn)練集的數(shù)據(jù)進(jìn)行迭代訓(xùn)練，并且保存模型。最后將RNN輸出的結(jié)果，反歸一化進(jìn)行解碼過程，然后輸出數(shù)字圖像對應(yīng)的預(yù)測粗糙度;修改RNN深度學(xué)習(xí)網(wǎng)絡(luò)的參數(shù)，對模型進(jìn)行多次訓(xùn)練，選取預(yù)測結(jié)果準(zhǔn)確率最高的模型為最優(yōu)模型。用拍攝設(shè)備現(xiàn)場拍攝所需探測粗糙度巖體的表面圖像，將所獲得圖像上傳至深度學(xué)習(xí)服務(wù)器，服務(wù)器將獲得圖像輸入訓(xùn)練好的最優(yōu)模型中進(jìn)行學(xué)習(xí)，即可得出所需探測巖體的表面粗糙度。
3現(xiàn)場應(yīng)用實(shí)例
3.1工程背景
焦家金礦位于萊州市東北28km處。礦體總體走向?yàn)?3°，傾向NW，傾角約為28°。區(qū)內(nèi)出露膠東群斜長角閃巖、玲瓏花崗巖體和郭家花崗巖體，均系混合巖化作用形成的混合花崗巖。金礦體主要產(chǎn)于斷裂破碎帶的蝕變巖帶中，與圍巖界線不清，礦化規(guī)模與破碎帶的寬度和蝕變的強(qiáng)度有關(guān)。圍巖蝕變主要為黃鐵絹英巖化下部發(fā)育堿交代帶。
3.2試驗(yàn)區(qū)域
試驗(yàn)巷道位于-490m水平，其主要構(gòu)造為上盤的控礦主斷裂，在礦層內(nèi)部發(fā)育的次級構(gòu)造主要是共軛狀產(chǎn)出的裂隙、節(jié)理構(gòu)造。焦家金礦礦體賦存條件復(fù)雜，結(jié)構(gòu)破碎，巖質(zhì)松軟穩(wěn)定性差，遇水極易膨脹產(chǎn)生變形破壞，對開采和運(yùn)輸作業(yè)產(chǎn)生嚴(yán)重影響。為此，針對焦家金礦試驗(yàn)采場的圍巖地質(zhì)條件及開采方法，開展了節(jié)理巖體數(shù)據(jù)結(jié)構(gòu)面的現(xiàn)場調(diào)查工作，選取出露較好并具有明顯觀測特征的測區(qū)進(jìn)行圖像獲取，既保證足夠的樣本來源，同時又能代表所調(diào)查區(qū)域的整體情況。
3D建模方面，主要是利用3Done軟件建立標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線的三維結(jié)構(gòu)面模型，用于數(shù)據(jù)庫的構(gòu)建。此過程需在photoshop軟件中將不同JRC的標(biāo)準(zhǔn)結(jié)構(gòu)面輪廓線等比例放大并測量各點(diǎn)間距，運(yùn)用得到數(shù)據(jù)在3Done軟件中得到不同JRC的三維結(jié)構(gòu)面模型。數(shù)字圖像的獲取方面，利用步進(jìn)絲杠定位套裝、光源、經(jīng)打印得到的結(jié)構(gòu)面模型及CCD攝像機(jī)等設(shè)備進(jìn)行組裝，通過人為操作過程得到。
本實(shí)例中需將所獲取的結(jié)構(gòu)面數(shù)字圖像及已知粗糙度模型數(shù)字圖像按不同粗糙度類別對應(yīng)放在不同文件夾下。并 將所有數(shù)據(jù)集圖片分為兩部分，分別用于測試和訓(xùn)練。本文采用Keras實(shí)現(xiàn)模型預(yù)測，激活函數(shù)使用Relu函數(shù)，采用Adam優(yōu)化器優(yōu)化模型，歐氏距離來作為判斷函數(shù)，加入Dropout，防止過擬合。模型最優(yōu)化方面，對數(shù)據(jù)庫中的數(shù)字圖像進(jìn)行處理后輸入RNN深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的最優(yōu)模型;修改RNN深度學(xué)習(xí)網(wǎng)絡(luò)的參數(shù)，對模型進(jìn)行多次訓(xùn)練，選取預(yù)測結(jié)果準(zhǔn)確率最高的模型為最優(yōu)模型。最后用拍攝設(shè)備現(xiàn)場拍攝所需探測粗糙度巖體的表面圖像，將所獲得圖像上傳至深度學(xué)習(xí)服務(wù)器，服務(wù)器將獲得圖像輸入訓(xùn)練好的最優(yōu)模型中進(jìn)行學(xué)習(xí)，得出所需探測巖體的表面粗糙度。
3.3現(xiàn)場試驗(yàn)結(jié)果及分析
模型訓(xùn)練分為3類導(dǎo)入數(shù)據(jù)庫模型，各分類分別導(dǎo)入數(shù)字化模型圖片100張，實(shí)際成功導(dǎo)入分別為42，96，89張，共計227張。基于采用的算法參數(shù)，得到的訓(xùn)練數(shù)據(jù)集訓(xùn)練效果準(zhǔn)確率分別為90.91%，96.30%，100%，整體評估準(zhǔn)確率為96.5%，整體類別精確率和召回率的調(diào)和平均數(shù)分別為95.7%和97.2%。
4預(yù)測結(jié)果和討論
(1)模型結(jié)構(gòu)方面。學(xué)習(xí)率過大，雖然加快了學(xué)習(xí)速度，但產(chǎn)生的副作用為易損失值爆炸，易震蕩或過擬合;學(xué)習(xí)率過小，易欠擬合，且收斂速度慢，甚至無法學(xué)習(xí)。在訓(xùn)練過程中，綜合序列長度、迭代輪數(shù)以及配置等因素對學(xué)習(xí)率選擇的影響，本文學(xué)習(xí)率設(shè)定為1×10-4(約等于0.0183)。構(gòu)建一個具有128個神經(jīng)元的全連接層后，再構(gòu)建一個具有64個神經(jīng)元的全連接層加入dropout，防止過擬合。
(2)優(yōu)化方法方面。
忽略極端條件下函數(shù)不收斂，分別調(diào)查了Adam、AdaGrad和RMSProp算法，Adam算法具有對一階矩均值計算以適應(yīng)性參數(shù)學(xué)習(xí)率和對梯度的二階矩均值充分利用的優(yōu)點(diǎn)，創(chuàng)建Adam優(yōu)化器，使用交叉熵代價函數(shù)。調(diào)整內(nèi)部參數(shù)從而快速收斂速度，同時最大程度地最小化損失函數(shù)，Adam在測試中表現(xiàn)效果較好，本文采用Adam算法訓(xùn)練模型。綜合迭代輪數(shù)、訓(xùn)練時間、學(xué)習(xí)率設(shè)定以及配置等因素對模型精度影響的情況下，學(xué)習(xí)率設(shè)定為1×10-4(約等于0.0183)，采用Adam優(yōu)化算法，加入dropout防止過擬合，使用Relu激活函數(shù)，更有益于模型的訓(xùn)練。
5結(jié)論
(1)提出了一種基于RNN深度學(xué)習(xí)及巖體粗糙度對光線敏感性差異的原理，利用3D建模及數(shù)字圖像等技術(shù)，研究了一種巖石結(jié)構(gòu)面起伏形態(tài)即巖石表面粗糙度的智能提取方法，彌補(bǔ)傳統(tǒng)測量手段操作繁瑣、受環(huán)境及人為因素影響大的問題，實(shí)現(xiàn)現(xiàn)場巖體結(jié)構(gòu)面的準(zhǔn)確采集及粗糙度智能處理。(2)現(xiàn)場結(jié)構(gòu)面數(shù)據(jù)試驗(yàn)表明，隨著循環(huán)次數(shù)的增多，模型測試與訓(xùn)練結(jié)果基本趨于一致。初始的學(xué)習(xí)率過大則導(dǎo)致模型不收斂，過小則導(dǎo)致模型收斂特別慢或者無法學(xué)習(xí)。隨著學(xué)習(xí)率的增加，損失會慢慢變小，而后增加，而最佳的學(xué)習(xí)率就可以從其中損失最小的區(qū)域選擇，通過記錄模型的損失變化可以確定最終的初始學(xué)習(xí)率。
(3)優(yōu)化方法方面，本文采用Adam模型預(yù)測方法，忽略極端條件下函數(shù)不收斂的情況下，相比AdaGrad和RMSProp算法，Adam算法可快速收斂，并最大程度地最小化損失函數(shù)。雖然RNN深度學(xué)習(xí)網(wǎng)絡(luò)對于巖石表面粗糙度的獲取是有效的，但是目前的預(yù)測準(zhǔn)確率仍有待提高。(4)該研究建立的標(biāo)準(zhǔn)數(shù)據(jù)庫不夠龐大，在未來的研究工作中，將擴(kuò)大數(shù)據(jù)庫的容量，構(gòu)建更多的不同JRC的三維結(jié)構(gòu)面模型，以減小實(shí)際測量巖石表面粗糙的誤差，提高精度。
參考文獻(xiàn)(References)：
[1]劉溪鴿，朱萬成，周靖人，等.雙粗糙結(jié)構(gòu)面剪切試驗(yàn)與數(shù)值模擬研究[J].巖石力學(xué)與工程學(xué)報，2017，36(S2)：3831-3840.
[2]宋磊博，江權(quán)，李元輝，等.不同采樣間隔下結(jié)構(gòu)面形貌特征和各向異性特征的統(tǒng)計參數(shù)穩(wěn)定性研究[J].巖土力學(xué)，2017，38(4)：1121-1132+1147.
[3]陳世江，朱萬成，王創(chuàng)業(yè)，等.巖體結(jié)構(gòu)面粗糙度系數(shù)定量表征研究進(jìn)展[J].力學(xué)學(xué)報，2017，49(2)：239-256.
[4]王述紅，鐘山，高軒麟，等.楔塊滑落試驗(yàn)分析及其判別方法[J].東北大學(xué)學(xué)報(自然科版)，2015，36(4)：557-559+570.
[5]馮志平.節(jié)理巖體結(jié)構(gòu)面空間表征及其模型優(yōu)化[D].沈陽：東北大學(xué)，2013.
[6]丁文其，鄭康成，李曉冉，等.基于3D打印技術(shù)的巖體結(jié)構(gòu)面三維抗剪強(qiáng)度計算方法研究[J].巖土力學(xué)，2020，41(S2)：1-9.
[7]莫平.巖體結(jié)構(gòu)面粗糙度系數(shù)的三維表征與評價[J].礦業(yè)研究與開發(fā)，2021，41(1)：73-80.
[8]胥勛輝，張國彪，包含，等.基于3D打印技術(shù)的巖體結(jié)構(gòu)面各向異性剪切力學(xué)行為[J].煤田地質(zhì)與勘探，2020，48(1)：154-159+167.
作者：王運(yùn)森，陸健，賈庸凡
相關(guān)閱讀
