Técnicas avançadas de modelagem empilhada para estimativa de porosidade de materiais via tomografia computadorizada de alta resolução

Por que os furinhos no concreto importam

De pontes e arranha‑céus a parques eólicos offshore, muitas das estruturas em que confiamos são feitas de concreto ou materiais semelhantes. Oculta dentro desses sólidos há uma arquitetura delicada de vazios minúsculos, ou poros, que governa discretamente quão resistentes, duráveis e estanques à água essas estruturas são. Medir essa porosidade historicamente exige trabalho laboratorial demorado e inspeção cuidadosa de imagens complexas de raios‑X. Este estudo apresenta uma forma totalmente automatizada de interpretar essas imagens usando inteligência artificial, prometendo verificações mais rápidas e confiáveis sobre a saúde e a qualidade dos materiais de construção modernos.

Espiando o interior dos materiais com raios‑X

Porosidade é essencialmente a fração de espaço vazio dentro de um sólido. No concreto e em materiais afins, ela influencia desde a resistência mecânica e o crescimento de fissuras até a facilidade com que água, sais ou poluentes penetram. Engenheiros usam cada vez mais micro‑tomografia computadorizada (micro‑CT) para escanear amostras em 3D, produzindo imagens em tons de cinza detalhadas que mostram onde estão as fases sólidas e os vazios. Mas transformar essas imagens ricas em um mapa claro de poros não é trivial. Técnicas tradicionais dependem de escolher manualmente limites de brilho e desenhar regiões de interesse — decisões que variam de pessoa para pessoa e que falham quando as imagens são ruidosas ou têm resolução limitada. O resultado é um fluxo de trabalho que exige muito trabalho manual e pode ter dificuldade para acompanhar demandas industriais.

Deixando uma rede neural encontrar o que importa

Os autores enfrentam esses problemas com uma abordagem “empilhada” que combina aprendizado profundo com regras de imagem cuidadosamente projetadas. Primeiro, uma rede neural convolucional profunda (DeepCNN), inspirada em modelos populares de detecção de objetos, é treinada para analisar fatias 2D de varreduras micro‑CT de diferentes materiais semelhantes ao concreto. Essas amostras incluem vários argamassas de cimento, uma argamassa geopolimérica e concreto de altíssimo desempenho. Em vez de segmentar cada poro diretamente, a rede tem duas tarefas: recortar automaticamente uma região central limpa de interesse — evitando artefatos de moldura e distorções de borda — e reconhecer a qual classe de material a imagem pertence com base em sutis padrões de textura e níveis de cinza.

De tons de cinza a mapas de poros

Uma vez que a rede isolou e rotulou a região de interesse, um segundo módulo assume para medir efetivamente a porosidade. Aqui os autores deliberadamente evitam um sistema de IA opaco, fim a fim, em favor de um procedimento adaptativo baseado em regras. Os pixels são inicialmente agrupados em três ou quatro clusters de intensidade para separar prováveis zonas sólidas, de poro e de transição. Dependendo do tipo de material e das características da imagem, o framework então seleciona uma receita adequada de filtragem e limiarização — por exemplo, aplicando borrões medianos ou gaussianos para reduzir ruído e escolhendo entre cortes de intensidade locais ou globais. Essa limiarização adaptativa baseada em regras converte cada imagem em um mapa simples em preto e branco, onde um valor representa sólido e o outro, vazio. A porosidade é então calculada como a fração de pixels classificados como poros dentro da região recortada.

Quão bem o novo método concorda com testes laboratoriais?

Para verificar se as medições automatizadas são confiáveis, a equipe as compara com valores de porosidade obtidos por picnometria a vácuo, uma técnica experimental bem estabelecida que infere o volume de poros pelo deslocamento de gás. Em mais de vinte mil imagens de TC, a porosidade estimada para cada classe de material difere dos resultados do picnômetro tipicamente em apenas 2–3 por cento, com concordância especialmente próxima para algumas dosagens. O classificador DeepCNN em si apresenta desempenho quase impecável nos dados de teste, separando claramente os seis tipos de material. Análises estatísticas mostram estimativas de porosidade estáveis em subconjuntos do conjunto de dados, embora o framework obtenha os melhores resultados em varreduras de alta resolução e baixo ruído e seja um pouco menos consistente para concretos ultradensos, onde os poros são esparsos e mais difíceis de resolver.

O que isso significa para materiais do mundo real

Na prática, o estudo demonstra que é possível transformar imagens micro‑CT brutas de materiais cimentícios complexos em estimativas de porosidade confiáveis com pouca ou nenhuma intervenção humana. Ao dividir a tarefa em uma etapa aprendida de classificação e uma etapa de medição transparente baseada em regras, os autores alcançam tanto velocidade — na ordem de décimos de segundo por imagem — quanto interpretabilidade. O framework não é uma solução universal: ainda depende da qualidade da imagem, não consegue ver poros abaixo da resolução da varredura e precisa ser re‑treinado ou adaptado para materiais completamente novos. Mesmo assim, aponta para fluxos de trabalho industriais por TC em que o controle de qualidade de concreto e materiais afins pode ser realizado em tempo quase real, ajudando engenheiros a projetar estruturas mais duradouras e a monitorar sua integridade interna com mais eficiência.

Citação: 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

Palavras-chave: estimativa de porosidade, imagem micro CT, aprendizado profundo, materiais de concreto, segmentação de imagem