Tecniche avanzate di modellazione a strati per la stima della porosità dei materiali tramite tomografia computerizzata ad alta risoluzione

Perché i piccoli fori nel calcestruzzo contano

Dai ponti e grattacieli agli impianti eolici offshore, molte delle strutture di cui ci serviamo sono realizzate in calcestruzzo o materiali ingegnerizzati simili. Nascosta all’interno di questi solidi c’è un’architettura delicata di minuscoli vuoti, o pori, che determina in modo discreto ma decisivo resistenza, durabilità e tenuta all’acqua. Misurare questa porosità ha richiesto a lungo lavori di laboratorio lenti, operazioni manuali e l’ispezione attenta di immagini complesse a raggi X. Questo studio presenta un metodo completamente automatizzato per leggere quelle immagini con l’intelligenza artificiale, offrendo controlli più rapidi e affidabili sulla qualità e lo stato dei materiali da costruzione moderni.

Scrutare l’interno dei materiali con i raggi X

La porosità è essenzialmente la quota di spazio vuoto all’interno di un solido. Nel calcestruzzo e in materiali affini influenza tutto, dalla resistenza meccanica e la propagazione delle fessure a quanto facilmente acqua, sali o inquinanti possono penetrare. Gli ingegneri usano sempre più spesso la micro‑tomografia computerizzata (micro‑CT) per scansionare campioni in 3D, ottenendo immagini in scala di grigi molto dettagliate che mostrano dove si trovano le fasi solide e i vuoti. Ma trasformare queste immagini ricche in una mappa chiara dei pori non è banale. Le tecniche tradizionali si basano su soglie di luminosità scelte manualmente e sul disegno di regioni di interesse, decisioni che possono variare da persona a persona e fallire quando le immagini sono rumorose o la risoluzione è limitata. Il risultato è un flusso di lavoro laborioso che fatica a soddisfare le esigenze industriali.

Lasciare che una rete neurale trovi ciò che conta

Gli autori affrontano questi problemi con un approccio “a strati” che combina deep learning con regole di immagine attentamente progettate. Innanzitutto, una rete neurale convoluzionale profonda (DeepCNN), ispirata a modelli popolari di rilevamento degli oggetti, viene addestrata a esaminare fette 2D estratte da scansioni micro‑CT di diversi materiali simili al calcestruzzo. Questi includono diversi tipi di malte cementizie, una malta geopolimerica e un calcestruzzo a prestazioni ultraalte. Piuttosto che segmentare direttamente ogni poro, la rete svolge due compiti: ritagliare automaticamente una regione centrale pulita di interesse — evitando artefatti del telaio e distorsioni ai bordi — e riconoscere a quale classe di materiale appartiene l’immagine in base a sottili pattern di texture e livelli di grigio.

Dai toni di grigio alle mappe dei pori

Una volta che la rete ha isolato e classificato la regione di interesse, subentra un secondo modulo per misurare effettivamente la porosità. Qui gli autori evitano deliberatamente un sistema AI opaco end‑to‑end a favore di una procedura adattativa basata su regole. I pixel vengono prima raggruppati in tre o quattro cluster di intensità per separare le zone probabili di materiale solido, di poro e di transizione. A seconda del tipo di materiale e delle caratteristiche dell’immagine, il framework seleziona quindi una ricetta adatta di filtraggio e sogliatura — per esempio applicando filtri mediani o gaussiani per ridurre il rumore e scegliendo tra soglie locali o globali di intensità. Questa sogliatura adattativa basata su regole converte ogni immagine in una semplice mappa bianco‑e‑nero, dove un valore rappresenta il solido e l’altro il vuoto. La porosità viene quindi calcolata come la frazione di pixel classificati come pori all’interno della regione ritagliata.

Quanto concorda il nuovo metodo con i test di laboratorio?

Per verificare l’affidabilità delle misure automatizzate, il gruppo le confronta con i valori di porosità ottenuti mediante picnometria a vuoto, una tecnica sperimentale consolidata che deduce il volume dei pori dallo spostamento di gas. Su più di ventimila immagini CT, la porosità stimata per ciascuna classe di materiale differisce dai risultati del picnometro tipicamente di soli 2–3 percento, con accordi particolarmente stretti per alcune miscele. Il classificatore DeepCNN stesso mostra prestazioni quasi impeccabili sui dati di test, separando nettamente i sei tipi di materiale. Le analisi statistiche evidenziano stime di porosità stabili su sottoinsiemi del dataset, sebbene il framework dia i migliori risultati su scansioni ad alta risoluzione e basso rumore ed è leggermente meno consistente per calcestruzzi ultra‑densi, dove i pori sono rari e più difficili da risolvere.

Che cosa significa per i materiali nel mondo reale

In termini pratici, lo studio mostra che è possibile trasformare immagini micro‑CT grezze di materiali cementizi complessi in stime di porosità affidabili con poca o nessuna intervento umano. Suddividendo il compito in una fase di classificazione appresa e in una fase di misura trasparente basata su regole, gli autori ottengono sia velocità — dell’ordine di decimi di secondo per immagine — sia interpretabilità. Il framework non è una soluzione universale: dipende ancora dalla qualità delle immagini, non può rilevare pori al di sotto della risoluzione della scansione e deve essere riaddestrato o adattato per materiali completamente nuovi. Anche così, indica una direzione per flussi di lavoro CT industriali in cui il controllo di qualità su calcestruzzo e materiali affini può essere eseguito in tempo quasi reale, aiutando gli ingegneri a progettare strutture più durature e a monitorarne lo stato interno in modo più efficiente.

Citazione: 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

Parole chiave: stima della porosità, micro CT, deep learning, materiali in calcestruzzo, segmentazione delle immagini