Techniques avancées de modélisation empilée pour l'estimation de la porosité des matériaux via imagerie tomographique à haute résolution

Pourquoi les tout petits trous dans le béton comptent

Des ponts et gratte‑ciel aux parcs éoliens en mer, de nombreuses structures sur lesquelles nous comptons sont faites de béton ou de matériaux similaires. Cachée à l'intérieur de ces solides se trouve une architecture fragile de petits vides, ou pores, qui gouverne discrètement leur résistance, leur durabilité et leur étanchéité. Mesurer cette porosité a longtemps nécessité un travail de laboratoire lent, manuel, et l'inspection attentive d'images complexes aux rayons X. Cette étude présente une méthode entièrement automatisée pour analyser ces images grâce à l'intelligence artificielle, promettant des contrôles plus rapides et plus fiables de la santé et de la qualité des matériaux de construction modernes.

Plonger à l'intérieur des matériaux avec des rayons X

La porosité représente essentiellement la part d'espace vide à l'intérieur d'un solide. Dans le béton et les matériaux apparentés, elle influence tout, de la résistance mécanique et de la propagation des fissures à la facilité avec laquelle l'eau, les sels ou les polluants s'infiltrent. Les ingénieurs utilisent de plus en plus la micro‑tomographie assistée par ordinateur (micro‑CT) pour scanner des échantillons en 3D, produisant des images en niveaux de gris détaillées montrant où se trouvent les phases solides et les vides. Mais transformer ces images riches en une carte claire des pores n'est pas trivial. Les techniques traditionnelles reposent sur le choix manuel de seuils de luminosité et sur le dessin de régions d'intérêt, des décisions qui varient d'une personne à l'autre et qui peuvent échouer lorsque les images sont bruitées ou de résolution limitée. Le résultat est un flux de travail laborieux qui peut peiner à suivre le rythme des besoins industriels.

Laisser un réseau neuronal repérer l'essentiel

Les auteurs s'attaquent à ces problèmes par une approche « empilée » qui combine apprentissage profond et règles d'image soigneusement conçues. D'abord, un réseau de neurones convolutionnel profond (DeepCNN), inspiré des modèles populaires de détection d'objets, est entraîné pour examiner des coupes 2D issues de scans micro‑CT de divers matériaux de type béton. Cela comprend plusieurs mortiers au ciment, un mortier géopolymère et un béton à ultra‑hautes performances. Plutôt que de segmenter chaque pore directement, le réseau a deux tâches : recadrer automatiquement une région d'intérêt centrale et propre — évitant les artefacts de cadre et les distorsions de bord — et reconnaître à quelle classe de matériau appartient l'image à partir de motifs de texture et de niveaux de gris subtils.

Des nuances de gris aux cartes de pores

Une fois que le réseau a isolé et étiqueté la région d'intérêt, un second module prend le relais pour mesurer la porosité. Ici, les auteurs évitent délibérément un système d'IA opaque de bout en bout au profit d'une procédure adaptative fondée sur des règles. Les pixels sont d'abord regroupés en trois ou quatre clusters d'intensité pour séparer les zones probablement solides, poreuses et de transition. Selon le type de matériau et les caractéristiques de l'image, le cadre choisit ensuite une recette de filtrage et de seuillage adaptée — par exemple en appliquant des flous médians ou gaussiens pour réduire le bruit, et en choisissant entre seuils locaux et globaux d'intensité. Ce seuillage adaptatif basé sur des règles convertit chaque image en une carte binaire simple, où une valeur représente le solide et l'autre le vide. La porosité est alors calculée comme la fraction de pixels classés comme pores dans la région recadrée.

Dans quelle mesure la nouvelle méthode concorde‑t‑elle avec les tests de laboratoire ?

Pour vérifier la fiabilité des mesures automatisées, l'équipe les compare aux valeurs de porosité obtenues par pycnométrie sous vide, une technique expérimentale bien établie qui déduit le volume des pores par déplacement de gaz. Sur plus de vingt mille images CT, la porosité estimée pour chaque classe de matériau diffère des résultats du pycnomètre typiquement de seulement 2 à 3 %, avec un accord particulièrement étroit pour certains mélanges. Le classifieur DeepCNN lui‑même fonctionne presque parfaitement sur les données de test, séparant clairement les six types de matériaux. Les analyses statistiques montrent des estimations de porosité stables sur des sous‑ensembles du jeu de données, bien que le cadre soit optimal pour des scans à haute résolution et faible bruit et un peu moins consistant pour les bétons ultra‑denses, où les pores sont rares et plus difficiles à résoudre.

Ce que cela signifie pour les matériaux réels

Concrètement, l'étude montre qu'il est possible de transformer des images micro‑CT brutes de matériaux cimentaires complexes en estimations de porosité fiables avec peu ou pas d'intervention humaine. En scindant la tâche en une étape d'apprentissage pour la classification et une étape de mesure transparente basée sur des règles, les auteurs obtiennent à la fois rapidité — de l'ordre de quelques dixièmes de seconde par image — et interprétabilité. Le cadre n'est pas une solution universelle : il dépend toujours de la qualité de l'image, ne peut pas détecter les pores plus petits que la résolution du scan et doit être réentraîné ou adapté pour des matériaux complètement nouveaux. Néanmoins, il ouvre la voie à des flux de contrôle qualité industriels par CT où les contrôles sur le béton et matériaux apparentés peuvent être effectués en quasi‑temps réel, aidant les ingénieurs à concevoir des structures plus durables et à surveiller plus efficacement leur santé interne.

Citation: 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

Mots-clés: estimation de la porosité, imagerie micro‑CT, apprentissage profond, matériaux en béton, segmentation d'image