Geavanceerde gelaagde modelleringsmethoden voor het schatten van materiaalporositeit via hogeresolutie-computertomografie

Waarom kleine gaatjes in beton ertoe doen

Van bruggen en wolkenkrabbers tot offshore windparken: veel van de constructies waarop we vertrouwen, zijn gemaakt van beton of vergelijkbare technische materialen. Verborgen in deze massa’s bevindt zich een fragiele architectuur van kleine holtes, of poriën, die stilletjes bepalen hoe sterk, duurzaam en waterdicht ze zijn. Het meten van deze porositeit vereiste lange tijd langzaam, handmatig laboratoriumwerk en zorgvuldige inspectie van complexe röntgenbeelden. Deze studie introduceert een volledig geautomatiseerde manier om die beelden te analyseren met kunstmatige intelligentie, wat snellere en betrouwbaardere controles van de staat en kwaliteit van moderne bouwmaterialen belooft.

In materialen kijken met röntgenstralen

Porositeit is in wezen het aandeel lege ruimte binnenin een vaste stof. In beton en aanverwante materialen beïnvloedt het alles, van mechanische sterkte en scheurvorming tot hoe gemakkelijk water, zouten of verontreinigingen doordringen. Ingenieurs gebruiken steeds vaker micro‑computed tomography (micro‑CT) om monsters in 3D te scannen, wat gedetailleerde grijswaardeafbeeldingen oplevert van waar vaste fasen en holtes liggen. Maar deze rijke beelden omzetten in een duidelijke poriënkaart is niet triviaal. Traditionele technieken berusten op het handmatig kiezen van helderheidsdrempels en het tekenen van interessegebieden—keuzes die per persoon verschillen en tekortschieten wanneer beelden ruis bevatten of de resolutie beperkt is. Het resultaat is een arbeidsintensieve workflow die moeite kan hebben om aan industriële eisen te voldoen.

Een neuraal netwerk laten vinden wat telt

De auteurs pakken deze problemen aan met een "gestapelde" benadering die deep learning combineert met zorgvuldig samengestelde beeldregels. Eerst wordt een diepe convolutionele neuraal netwerk (DeepCNN), geïnspireerd door populaire objectdetectiemodellen, getraind om naar 2D‑sneden van micro‑CT‑scans van verschillende betonachtige materialen te kijken. Daartoe behoren meerdere cementmortels, een geopolymermortel en ultra‑hoogwaardige betonmengsels. In plaats van elke porie direct te segmenteren, heeft het netwerk twee taken: automatisch een schoon, centraal interessegebied uit te knippen—waardoor frame‑artefacten en randvervormingen worden vermeden—en te herkennen tot welke materiaalcategorie de afbeelding behoort op basis van subtiele textuur‑ en grijswaardepatronen.

Van grijstinten naar poriekaarten

Zodra het netwerk het interessegebied heeft geïsoleerd en gelabeld, neemt een tweede module het over om daadwerkelijk porositeit te meten. Hier vermijden de auteurs bewust een ondoorzichtig, end‑to‑end AI‑systeem ten gunste van een regelgebaseerde, adaptieve procedure. Pixels worden eerst gegroepeerd in drie of vier intensiteitsclusters om waarschijnlijk vaste stof, porie en overgangszones te scheiden. Afhankelijk van het materiaaltype en de beeldkenmerken selecteert het raamwerk vervolgens een geschikte filtering‑ en drempelreceptuur—bijvoorbeeld het toepassen van mediane of Gaussiaanse vervaging om ruis te verminderen en het kiezen tussen lokale en globale intensiteitsdrempels. Deze regelgebaseerde adaptieve drempelzetting zet elke afbeelding om in een eenvoudige zwart‑wit kaart, waarbij de ene waarde vaste stof en de andere holte voorstelt. Porositeit wordt vervolgens berekend als het aandeel pixels dat als poriën is geclassificeerd binnen het uitgeknipte gebied.

Hoe goed komt de nieuwe methode overeen met labtesten?

Om te controleren of de geautomatiseerde metingen betrouwbaar zijn, vergelijkt het team ze met porositeitswaarden verkregen door vacuümpycnotometrie, een goed ingeburgerde experimentele techniek die porievolume afleidt uit gasverplaatsing. Over meer dan twintigduizend CT‑afbeeldingen wijkt de geschatte porositeit per materiaalklasse doorgaans slechts 2–3 procent af van de pycnometerresultaten, met een bijzonder nauwe overeenkomst voor sommige mengsels. De DeepCNN‑classifier zelf presteert bijna feilloos op testdata en scheidt de zes materiaaltypen duidelijk. Statistische analyses tonen stabiele porositeitschattingen over subsets van de dataset, hoewel het raamwerk het beste werkt op hogeresolutie‑, laag‑ruis scans en iets minder consistent is voor ultra‑dichte betonsamenstellingen, waar poriën schaars en moeilijker te onderscheiden zijn.

Wat dit betekent voor materialen in de praktijk

In praktische termen laat de studie zien dat het mogelijk is ruwe micro‑CT‑beelden van complexe cementgebonden materialen om te zetten in betrouwbare porositeitschattingen met weinig of geen menselijke tussenkomst. Door de taak op te splitsen in een geleerde classificatiefase en een transparante, regelgebaseerde meetfase, bereiken de auteurs zowel snelheid—orde van tienden van een seconde per afbeelding—als interpretatiegemak. Het raamwerk is geen universele oplossing: het blijft afhankelijk van beeldkwaliteit, kan poriën onder de resolutie van de scan niet detecteren en moet worden bijgetraind of aangepast voor volledig nieuwe materialen. Desalniettemin wijst het op industriële CT‑workflows waarin kwaliteitscontrole van beton en aanverwante materialen bijna realtime kan plaatsvinden, waardoor ingenieurs duurzamere constructies kunnen ontwerpen en intern onderhoud efficiënter kunnen monitoren.

Bronvermelding: 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

Trefwoorden: porositeitsschatting, micro CT‑beeldvorming, deep learning, betonmaterialen, beeldsegmentatie