Zaawansowane techniki modelowania warstwowego do oceny porowatości materiałów za pomocą obrazowania tomografii komputerowej o wysokiej rozdzielczości

Dlaczego drobne otwory w betonie mają znaczenie

Od mostów i drapaczy chmur po morskie farmy wiatrowe — wiele konstrukcji, na których polegamy, wykonanych jest z betonu lub podobnych materiałów inżynierskich. Wnętrze tych ciał skrywa delikatną strukturę drobnych pustek, czyli porów, która dyskretnie określa ich wytrzymałość, trwałość i szczelność na wodę. Pomiar tej porowatości przez długi czas wymagał czasochłonnych, manualnych badań laboratoryjnych i wnikliwej analizy złożonych obrazów rentgenowskich. Niniejsze badanie wprowadza w pełni zautomatyzowany sposób odczytu tych obrazów przy użyciu sztucznej inteligencji, zapowiadając szybsze i bardziej niezawodne kontrole stanu oraz jakości współczesnych materiałów budowlanych.

Pogłębione spojrzenie w materiały za pomocą promieni X

Porowatość to w istocie udział pustej przestrzeni wewnątrz ciała stałego. W betonie i podobnych materiałach wpływa ona na wszystko — od wytrzymałości mechanicznej i rozwoju pęknięć po łatwość przenikania wody, soli czy zanieczyszczeń. Inżynierowie coraz częściej korzystają z mikrotomografii komputerowej (mikro‑CT) do skanowania próbek w 3D, uzyskując szczegółowe obrazy w skali szarości pokazujące, gdzie leżą fazy stałe i puste przestrzenie. Przekształcenie tych bogatych obrazów w czytelną mapę porów nie jest jednak trywialne. Tradycyjne techniki opierają się na ręcznym wyborze progów jasności i rysowaniu obszarów zainteresowania — decyzje te mogą się różnić w zależności od osoby i zawodzić przy obrazach zaszumionych lub o ograniczonej rozdzielczości. W efekcie powstaje pracochłonny proces, który może mieć trudności z nadążeniem za potrzebami przemysłowymi.

Pozwolenie sieci neuronowej na znalezienie istotnego

Autorzy rozwiązują te problemy podejściem „warstwowym”, łączącym uczenie głębokie z celowo opracowanymi regułami obrazu. Najpierw trenowana jest głęboka splotowa sieć neuronowa (DeepCNN), inspirowana popularnymi modelami wykrywania obiektów, aby analizować przekroje 2D z mikro‑CT różnych materiałów przypominających beton. W badaniu uwzględniono kilka zapraw cementowych, zaprawę geopolimerową oraz beton o ultra‑wysokich parametrach. Zamiast bezpośredniej segmentacji każdego poru, sieć ma dwa zadania: automatycznie przyciąć czysty, centralny obszar zainteresowania — unikając artefaktów ramki i zniekształceń krawędzi — oraz rozpoznać klasę materiału na podstawie subtelnych wzorców tekstury i poziomów szarości.

Od odcieni szarości do map porów

Gdy sieć wyodrębni i oznaczy obszar zainteresowania, przejmuje go drugi moduł, który dokonuje właściwego pomiaru porowatości. Autorzy świadomie unikają nieprzejrzystego, end‑to‑end systemu AI na rzecz procedury opartej na regułach i adaptacyjnej. Piksele najpierw grupowane są w trzy lub cztery klastry intensywności, aby oddzielić prawdopodobne strefy stałe, pory i obszary przejściowe. W zależności od typu materiału i cech obrazu, układ wybiera odpowiednią sekwencję filtrów i progowania — na przykład stosując filtry medianowe lub Gaussa w celu redukcji szumu oraz wybierając progi lokalne lub globalne. To oparte na regułach adaptacyjne progowanie konwertuje każdy obraz na prostą mapę czarno‑białą, gdzie jedna wartość odpowiada fazie stałej, a druga pustce. Porowatość obliczana jest następnie jako ułamek pikseli zaklasyfikowanych jako pory w przyciętym obszarze.

Na ile nowa metoda zgadza się z badaniami laboratoryjnymi?

Aby sprawdzić, czy pomiary zautomatyzowane są wiarygodne, zespół porównuje je z wartościami porowatości uzyskanymi metodą pyknotyczną próżniową (vacuum pycnometry) — dobrze ugruntowaną techniką eksperymentalną, która wyznacza objętość porów na podstawie przemieszczania gazu. Na więcej niż dwudziestu tysiącach obrazów CT oszacowana porowatość dla każdej klasy materiału różni się od wyników pyknotometru zwykle tylko o 2–3 procent, z wyjątkowo bliską zgodnością dla niektórych mieszanek. Sam klasyfikator DeepCNN osiąga niemal bezbłędne wyniki na danych testowych, czysto rozdzielając sześć typów materiałów. Analizy statystyczne wykazują stabilne oszacowania porowatości na podzbiorach zbioru danych, chociaż układ działa najlepiej dla skanów o wysokiej rozdzielczości i niskim poziomie szumów, a nieco mniej konsekwentnie dla betonów ultra‑gęstych, w których pory są rzadkie i trudniejsze do rozróżnienia.

Co to oznacza dla materiałów w praktyce

W praktycznym ujęciu badanie pokazuje, że można przekształcić surowe obrazy mikro‑CT złożonych materiałów cementowych w wiarygodne oszacowania porowatości przy minimalnej lub żadnej interwencji człowieka. Dzięki podziałowi zadania na etap klasyfikacji uczonej i przejrzysty, oparty na regułach etap pomiarowy, autorzy osiągają zarówno szybkość — rzędu ułamków sekundy na obraz — jak i interpretowalność. Ramy nie są uniwersalnym rozwiązaniem: wciąż zależą od jakości obrazu, nie wykrywają porów poniżej rozdzielczości skanu i muszą być ponownie trenowane lub dostosowane dla zupełnie nowych materiałów. Mimo to rozwiązanie to wskazuje kierunek dla przemysłowych przepływów pracy CT, w których kontrola jakości betonu i pokrewnych materiałów mogłaby być prowadzona niemal w czasie rzeczywistym, pomagając inżynierom projektować trwalsze konstrukcje i skuteczniej monitorować ich wewnętrzny stan.

Cytowanie: 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

Słowa kluczowe: ocena porowatości, mikro CT, uczenie głębokie, materiały betonowe, segmentacja obrazu