تقنيات النمذجة المكدسة المتقدمة لتقدير المسامية للمواد عبر تصوير التصوير المقطعي المحوسب عالي الدقة

لماذا تهم الثقوب الدقيقة في الخرسانة

من الجسور والأبراج إلى مزارع رياح بحرية، العديد من الهياكل التي نعتمد عليها مصنوعة من الخرسانة أو مواد مهندَسة مماثلة. مخفيّة داخل هذه الأجسام بنية دقيقة من الفراغات الصغيرة، أو المسام، التي تتحكم بهدوء في مدى قوتها ومتانتها ومدى مقاومتها لتسرّب المياه. كان قياس هذه المسامية يتطلب تقليديًا عملًا مخبريًا بطيئًا وفحوصات دقيقة لصور بالأشعة السينية المعقدة. تقدّم هذه الدراسة طريقة مؤتمتة بالكامل لقراءة تلك الصور باستخدام الذكاء الاصطناعي، مما يوعد بإجراءات فحص أسرع وأكثر موثوقية لصحة وجودة مواد البناء الحديثة.

التطلع داخل المواد بالأشعة السينية

المسامية هي في الأساس نسبة الفراغات داخل جسم صلب. في الخرسانة والمواد المماثلة، تؤثر على كل شيء بدءًا من المقاومة الميكانيكية ونمو الشقوق وصولاً إلى سهولة اختراق الماء والأملاح والملوثات. يستخدم المهندسون بشكل متزايد التصوير المقطعي المحوسب الدقيق (ميكرو‑CT) لمسح العينات ثلاثية الأبعاد، وإنتاج صور رمادية مفصّلة توضح مواقع الطور الصلب والفراغات. لكن تحويل هذه الصور الغنية إلى خريطة واضحة للمسام ليس بالأمر البسيط. تعتمد التقنيات التقليدية على اختيار حدود سطوع يدويًا ورسم مناطق اهتمام، وهي اختيارات قد تختلف من شخص لآخر وتتعطل عندما تكون الصور مشوشة أو الدقة محدودة. النتيجة هي سير عمل كثيف العمالة ويصعب مواكبته لاحتياجات الصناعة.

ترك الشبكة العصبية لتجد ما يهم

يتعامل المؤلفون مع هذه المشكلات عبر نهج «مكدّس» يجمع بين التعلّم العميق وقواعد صورة مصمَّمة بعناية. أولاً، تُدرّب شبكة عصبية التفافية عميقة (DeepCNN)، مستوحاة من نماذج كشف الكائنات الشائعة، على النظر إلى شرائح ثنائية الأبعاد من مسوح ميكرو‑CT لعينات من مواد شبيهة بالخرسانة. تشمل هذه عدة ملاط أسمنتي، ملاط جيوبوليمري، وخرسانة فائقة الأداء. بدلًا من تقسيم كل مسام مباشرة، لدى الشبكة مهمتان: اقتصاص منطقة مركزية نظيفة من الاهتمام تلقائيًا—لتجنّب شذوذ الإطار وتشويه الحواف—والتمييز بين فئات المواد التي تنتمي إليها الصورة بناءً على نسيج دقيق وأنماط مستويات الرمادي.

من ظلال الرمادي إلى خرائط المسام

بعد أن تعزل الشبكة المنطقة وتصنّفها، يتولى وحدة ثانية قياس المسامية فعليًا. هنا يتعمد المؤلفون تجنّب نظام ذكاء اصطناعي غير شفاف يعمل نهاية‑إلى‑نهاية لصالح إجراء تكيفي قائم على قواعد. تُجمّع البكسلات أولًا إلى ثلاث أو أربع مجموعات شدة لفصل المناطق الصلبة المحتملة، والمسام، ومناطق الانتقال. اعتمادًا على نوع المادة وخصائص الصورة، يختار الإطار بعد ذلك وصفة مناسبة للترشيح والعتبة—مثل تطبيق تمويهات وسطية أو غاوسية لتقليل الضوضاء، والاختيار بين حدود شدة محلية أو عامة. تحوّل عملية العتبة التكيفية القائمة على القواعد كل صورة إلى خريطة بسيطة بالأبيض والأسود، حيث تمثل قيمة واحدة المادة الصلبة والأخرى الفراغ. تُحسب المسامية بعد ذلك كنسبة البكسلات المصنفة كمسام داخل المنطقة المقتصة.

إلى أي حد تتفق الطريقة الجديدة مع الاختبارات المخبرية؟

للتحقق من موثوقية القياسات المؤتمتة، يقارن الفريق بين نتائجها وقيم المسامية التي حصلوا عليها بواسطة البيكنومتر الفراغي، وهي تقنية تجريبية راسخة تستنتج حجم المسام من إزاحة غاز. عبر أكثر من عشرين ألف صورة مقطعية، تختلف المسامية المقدّرة لكل فئة مادة عن نتائج البيكنومتر عادةً بنسبة 2–3 بالمئة فقط، مع اتفاق خاص وثيق لبعض الخلطات. أداء مصنّف DeepCNN نفسه يكاد يكون مثاليًا على بيانات الاختبار، حيث يفصل بوضوح بين الأنواع الستة من المواد. تظهر التحليلات الإحصائية تقديرات مسامية مستقرة عبر مجموعات فرعية من مجموعة البيانات، مع أن الإطار يعطي أفضل أداء على المسوح عالية الدقة ومنخفضة الضوضاء ويكون أقل اتساقًا بعض الشيء مع الخرسانات فائقة الكثافة، حيث تكون المسام نادرة وأكثر صعوبة في التمييز.

ما الدلالة العملية لهذا للمواد في العالم الحقيقي

عمليًا، تُظهر الدراسة أنه من الممكن تحويل صور ميكرو‑CT الخام لمواد أسمنتية معقدة إلى تقديرات مسامية موثوقة بقليل أو بدون تدخل بشري. من خلال تقسيم المهمة إلى مرحلة تصنيف متعلمة ومرحلة قياس شفافة قائمة على قواعد، يحقق المؤلفون كلًا من السرعة—بمعدل أجزاء من الثانية للصورة— وقابلية التفسير. الإطار ليس حلًا عالميًا: فهو لا يزال يعتمد على جودة الصورة، ولا يرى المسام الأصغر من دقة المسح، ويجب إعادة تدريبه أو تكييفه لمواد جديدة تمامًا. ومع ذلك، فإنه يشير إلى سير عمل صناعة CT حيث يمكن إجراء مراقبة الجودة للخرسانة والمواد ذات الصلة في وقت قريب من الزمن الحقيقي، مما يساعد المهندسين على تصميم هياكل أطول عمرًا ومراقبة صحتها الداخلية بكفاءة أكبر.

الاستشهاد: Kim, B., K.R., S., Natarajan, Y. et al. Advanced stacked modeling techniques for material porosity estimation via high-resolution computed tomography imaging. Sci Rep 16, 12714 (2026). https://doi.org/10.1038/s41598-026-39748-1

الكلمات المفتاحية: تقدير المسامية, تصوير ميكرو CT, التعلّم العميق, مواد خرسانية, تجزئة الصور