Fortgeschrittene gestapelte Modellierungstechniken zur Schätzung der Materialporosität mittels hochauflösender Computertomographie

Warum winzige Löcher im Beton zählen

Von Brücken und Wolkenkratzern bis zu Offshore‑Windparks bestehen viele der Bauwerke, auf die wir angewiesen sind, aus Beton oder ähnlichen technischen Materialien. Versteckt in diesen Festkörpern liegt eine feine Architektur winziger Hohlräume oder Poren, die maßgeblich steuert, wie fest, langlebig und wasserdicht das Material ist. Die Messung dieser Porosität erforderte lange zeitaufwändige Laborarbeit und sorgfältige Auswertung komplexer Röntgenbilder. Diese Studie stellt eine vollautomatische Methode vor, um diese Bilder mithilfe künstlicher Intelligenz auszuwerten und damit schnellere und verlässlichere Prüfungen der Gesundheit und Qualität moderner Baustoffe zu ermöglichen.

Mit Röntgenstrahlen ins Innere schauen

Porosität ist im Grunde der Anteil des Leerraums innerhalb eines Festkörpers. In Beton und verwandten Materialien beeinflusst sie alles von der mechanischen Festigkeit und Rissausbreitung bis dahin, wie leicht Wasser, Salze oder Schadstoffe eindringen. Ingenieure nutzen zunehmend Mikro‑Computertomographie (Micro‑CT), um Proben dreidimensional zu scannen und detaillierte Graustufenbilder zu erzeugen, die zeigen, wo Feststoffphasen und Hohlräume liegen. Aus diesen reichhaltigen Bildern eine klare Porenkarte zu erstellen, ist jedoch nicht trivial. Traditionelle Techniken beruhen darauf, Helligkeitsgrenzwerte manuell festzulegen und Regionen von Interesse zu zeichnen — Entscheidungen, die von Person zu Person variieren und bei verrauschten oder gering aufgelösten Bildern versagen können. Das Ergebnis ist ein arbeitsintensiver Ablauf, der mit den Anforderungen der Industrie nur schwer Schritt halten kann.

Ein neuronales Netz findet, was wichtig ist

Die Autoren gehen diese Probleme mit einem „gestapelten“ Ansatz an, der Deep Learning mit sorgfältig entworfenen Bildregeln kombiniert. Zuerst wird ein tiefes Faltungsneuronales Netz (DeepCNN), angelehnt an verbreitete Objekterkennungsmodelle, darauf trainiert, 2D‑Schnitte aus Micro‑CT‑Scans verschiedener betonähnlicher Materialien zu betrachten. Dazu gehören mehrere Zementmörtel, ein Geopolymermörtel und ultrahochleistungsfähiger Beton. Anstatt jede Pore direkt zu segmentieren, hat das Netz zwei Aufgaben: automatisch einen sauberen, zentralen Bereich von Interesse zuzuschneiden — um Bildrandartefakte und Verzerrungen zu vermeiden — und die Materialklasse des Bildes anhand subtiler Textur- und Graustufenmuster zu erkennen.

Von Graustufen zu Porenkarten

Sobald das Netz den Bereich von Interesse isoliert und klassifiziert hat, übernimmt ein zweites Modul die eigentliche Porositätsmessung. Hier verzichten die Autoren bewusst auf ein undurchsichtiges End‑to‑End‑KI‑System zugunsten eines regelbasierten, adaptiven Verfahrens. Pixel werden zunächst in drei oder vier Intensitätscluster gruppiert, um wahrscheinliche Feststoff-, Poren- und Übergangszonen zu trennen. Abhängig vom Materialtyp und den Bildcharakteristika wählt das System anschließend ein geeignetes Filter‑ und Schwellenwertrezept — beispielsweise Median‑ oder Gauß‑Filter zur Rauschreduktion und die Entscheidung zwischen lokalen und globalen Intensitätsschwellen. Diese regelbasierte adaptive Schwellenwertbildung wandelt jedes Bild in eine einfache Schwarz‑Weiß‑Karte um, wobei ein Wert Feststoff und der andere Hohlraum repräsentiert. Die Porosität wird dann als Anteil der als Poren klassifizierten Pixel innerhalb der zugeschnittenen Region berechnet.

Wie gut stimmt die neue Methode mit Labortests überein?

Um zu prüfen, ob die automatisierten Messungen verlässlich sind, vergleichen die Autoren sie mit Porositätswerten aus der Vakuumpyknometrie, einer etablierten experimentellen Methode, die das Porenvolumen aus Verdrängungsgas ableitet. Über mehr als zwanzigtausend CT‑Bilder weichen die geschätzten Porositäten je Materialklasse typischerweise nur um 2–3 Prozent von den Pyknometerergebnissen ab, wobei einige Mischungen besonders enge Übereinstimmung zeigen. Der DeepCNN‑Klassifikator selbst arbeitet auf den Testdaten nahezu fehlerfrei und trennt die sechs Materialtypen klar. Statistische Analysen zeigen stabile Porositätsschätzungen über Teilmengen des Datensatzes, obwohl das Framework bei hochauflösenden, rauscharmen Scans am besten abschneidet und bei ultradichten Betonen, in denen Poren selten und schwer aufzulösen sind, etwas weniger konsistent ist.

Was das für reale Materialien bedeutet

Praktisch zeigt die Studie, dass sich rohe Micro‑CT‑Bilder komplexer zementartiger Materialien mit wenig bis gar keiner menschlichen Intervention in verlässliche Porositätsschätzungen überführen lassen. Durch die Aufteilung der Aufgabe in eine gelernte Klassifikationsstufe und eine transparente, regelbasierte Messstufe erreichen die Autoren sowohl Geschwindigkeit — im Bereich von wenigen Zehntelsekunden pro Bild — als auch Interpretierbarkeit. Das Framework ist keine universelle Lösung: Es hängt weiterhin von der Bildqualität ab, kann Poren unterhalb der Scanauflösung nicht erfassen und muss für komplett neue Materialien nachtrainiert oder angepasst werden. Dennoch weist es den Weg zu industriellen CT‑Arbeitsabläufen, in denen die Qualitätskontrolle von Beton und verwandten Materialien nahezu in Echtzeit erfolgen kann, sodass Ingenieure langlebigere Strukturen entwerfen und deren innere Gesundheit effizienter überwachen können.

Zitation: 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

Schlüsselwörter: Porositätsschätzung, Micro‑CT‑Bildgebung, Tiefes Lernen, Betonmaterialien, Bildsegmentierung