טכניקות מתקדמות של מודלים מוערמים לאמידת נקבוביות חומרים באמצעות הדמיה טומוגרפית ממוחשבת ברזולוציה גבוהה

מדוע חורים זעירים בבטון חשובים

מהגשרים ובנייני־ענק ועד חוות רוח ימית, רבים מהמבנים שאנו סומכים עליהם עשויים בטון או מחומרים מהונדסים דומים. בתוך גופים אלה טמונה ארכיטקטורה עדינה של חללים זעירים, או נקבוביות, שמנהלת בשקט את חוזקם, עמידותם ואטימותם למים. מדידת הנקבוביות הזו דרשה עד כה עבודה מעבדתית איטית וחקירה מדוקדקת של תמונות רנטגן מורכבות. המאמר המציג כאן מציע דרך מאוטומטת לחלוטין לקרוא תמונות אלה באמצעות בינה מלאכותית, ומבטיח בדיקות מהירות ואמינות יותר לאיכות ולמצבם של חומרי בנייה מודרניים.

הסתכלות פנימית בחומרים באמצעות קרינת רנטגן

נקבוביות היא בעצם חלקו של החלל הריק בתוך גוף מוצק. בבטון ובחומרים דומים היא משפיעה על הכול — מחוזק המכאני וצמיחת סדקים עד לחדירות מים, מלחים וזיהומים. מהנדסים משתמשים יותר ויותר בטומוגרפיה ממוחשבת מיקרו (micro‑CT) לסרוק דגימות בתלת־ממד ולייצר תמונות אפור מפורטות של מיקום השלבים המוצקים והחללים. אך המרת תמונות עשירות אלה למפת נקבים ברורה אינה פשוטה. טכניקות מסורתיות נשענות על בחירת ספים של בהירות וציור אזורי עניין ידניים — החלטות שיכולות להשתנות מאדם לאדם ולהיכשל בתמונות עם רעש או רזולוציה מוגבלת. התוצאה היא תהליך עבודה גוזל זמן שעשוי להתקשות לעמוד בקצב הדרישות התעשייתיות.

לתת לרשת עצבית למצוא את מה שחשוב

המחברים פותרים בעיות אלה בגישה "מוערמת" שמשלבת למידה עמוקה עם כללים מדוקדקים לעיבוד תמונה. ראשית, רשת עצבית קונבולוציונית עמוקה (DeepCNN), בהשראת מודלים נפוצים לזיהוי אובייקטים, מאומנת לצפות בפרוסות דו־ממדיות מסריקות micro‑CT של חומרים דמויי‑בטון שונים. אלה כוללים מספר מורטארים של מלט, מורטאר גאופולימרי ובטון בעל ביצועים גבוהים במיוחד. במקום לבצע סגמנטציה של כל נקב ישירות, לרשת יש שתי משימות: לחתוך באופן אוטומטי אזור עניין מרכזי ונקי — כדי להימנע מארטיפקטים מסגרתיים ועיוותי קצה — ולזהות לאיזה מחלקת חומר שייכת התמונה על סמך מרקם עדין ודפוסי רמות אפור.

מצבעי אפור למפות נקבוביות

לאחר שהרשת מבודדת ומסמנת את אזור העניין, מודול שני נכנס לפעולה למדידת הנקבוביות. כאן המחברים בוחרים במכוּון להימנע ממערכת בינה מלאכותית חסרת שקיפות מקצה‑לקצה ובמקום זאת משתמשים בהליך אדפטיבי מבוסס כללים. פיקסלים מקובצים תחילה לשלוש או ארבע אשכולות עוצמה כדי להפריד סביר בין מוצק, נקב ואזורים מעבר. בהתאם לסוג החומר ולמאפייני התמונה, המסגרת בוחרת אז מתכון סינון וסף מתאים — למשל החלת מטשטשי מדיאן או גאוסיאנים להפחתת רעש, ובחירה בין ספי עוצמה מקומיים לעולמיים. סף אדפטיבי זה הופך כל תמונה למפת שחור‑לבן פשוטה, שבה ערך אחד מייצג מוצק והאחר חלל. הנקבוביות מחושבת אז כחלק הפיקסלים המסווגים כנקבים בתוך האזור החתוך.

עד כמה השיטה החדשה תואמת מבחני מעבדה?

כדי לבדוק האם המדידות האוטומטיות אמינות, הצוות משווה אותן לערכי נקבוביות שהושגו באמצעות פיקנומטר ואקום, שיטה ניסויית מבוססת שמסיקה נפח נקבבים מהדחת גז. על פני יותר מעשרים אלף תמונות CT, הערכת הנקבוביות לכל מחלקת חומר נבדלת מתוצאות הפיקנומטר בדרך כלל רק בכ־2–3 אחוזים, עם התאמה צמודה במיוחד עבור חלק מהתערובות. הממיין DeepCNN עצמו מתפקד כמעט ללא רבב על נתוני בדיקה, ומפריד בבירור בין ששת סוגי החומר. ניתוחים סטטיסטיים מראים הערכות נקבוביות יציבות על תת־קבוצות של המאגר, אם כי המסגרת מתפקדת בצורה הטובה ביותר בסריקות ברזולוציה גבוהה ורעש נמוך ופחות קבועה עבור בטונים צפופים במיוחד, שם הנקבים דלילים וקשה יותר לזהותם.

מה משמעות הדבר לחומרים בעולם האמיתי

בהיבט המעשי, המחקר מראה שניתן להפוך תמונות micro‑CT גולמיות של חומרים צמנטיים מורכבים להערכות נקבוביות אמינות עם מעט או בלי התערבות ידנית. באמצעות חלוקה של המשימה לשלב סיווג מאומן ולשלב מדידה שקוף מבוסס כללים, המחברים משיגים הן מהירות — בסדר גודל עשיריות השנייה לתמונה — והן פרשנות. המסגרת אינה פתרון אוניברסלי: היא עדיין תלויה באיכות התמונה, אינה רואה נקבים מתחת לרזולוציית הסריקה ודורשת אימון מחדש או התאמה לחומרים חדשים לחלוטין. אף על פי כן, היא מצביעה על זרימות עבודה תעשייתיות של CT שבהן בקרת איכות על בטון וחומרים דומים ניתנת לביצוע בזמן כמעט אמת, ועוזרת למהנדסים לתכנן מבנים עמידים יותר ולעקוב ביעילות רבה יותר אחרי בריאותם הפנימית.

ציטוט: 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

מילות מפתח: אמידת נקבוביות, הדמיית מיקרו CT, למידה עמוקה, חומרי בטון, סגמנטציית תמונה