Продвинутые техники составного моделирования для оценки пористости материалов с помощью высокоразрешающей компьютерной томографии

Почему мелкие пустоты в бетоне имеют значение

От мостов и небоскрёбов до морских ветропарков — многие опоры современной инфраструктуры выполнены из бетона или близких по структуре инженерных материалов. Внутри этих тел скрыта тонкая архитектура крошечных пустот, или пор, которая во многом определяет их прочность, долговечность и водонепроницаемость. Измерение пористости традиционно требует медленной работы в лаборатории и тщательного разбора сложных рентгеновских изображений. В этом исследовании предлагается полностью автоматизированный способ анализа таких изображений с помощью искусственного интеллекта, что обещает более быстрые и надёжные проверки состояния и качества современных строительных материалов.

Заглядывая внутрь материалов с помощью рентгена

Пористость — это, по сути, доля пустого пространства внутри твёрдого тела. В бетоне и подобных материалах она влияет на всё: от механической прочности и распространения трещин до скорости проникновения воды, солей и загрязнений. Инженеры всё чаще используют микро-компьютерную томографию (микро‑КТ), чтобы получать трёхмерные сканы образцов и детализированные градации серого, показывающие расположение твёрдых фаз и пустот. Но перевод таких насыщенных изображений в понятную карту пор — нетривиальная задача. Традиционные методы опираются на ручной выбор порогов яркости и выделение областей интереса, решения, которые зависят от оператора и могут давать сбой при шумных изображениях или ограниченном разрешении. В результате получается трудоёмкий процесс, которому сложно соответствовать промышленным требованиям по скорости.

Пусть нейросеть найдёт важное

Авторы решают эти проблемы с помощью «слоистого» подхода, который сочетает глубокое обучение и аккуратно продуманные правила обработки изображений. Сначала глубокая сверточная нейронная сеть (DeepCNN), вдохновлённая популярными моделями обнаружения объектов, обучается анализировать 2D‑срезы микро‑КТ разных бетонообразных материалов. В наборе — несколько цементных растворов, геополимерный раствор и сверхвысокопрочный бетон. Вместо того чтобы сразу сегментировать каждую пору, сеть выполняет две задачи: автоматически вырезает чистую центральную область интереса — избегая артефактов рамки и искажений по краям — и распознаёт класс материала изображения по тонким текстурным и уровневым признакам.

От оттенков серого к картам пор

После того как сеть изолировала и пометила область интереса, в работу вступает второй модуль, который непосредственно измеряет пористость. Здесь авторы сознательно избегают непрозрачной end‑to‑end AI‑системы в пользу правилно‑основной адаптивной процедуры. Пиксели сначала группируются в три или четыре кластера по интенсивности, чтобы отделить вероятные области твёрдого вещества, поры и переходные зоны. В зависимости от типа материала и характеристик изображения фреймворк затем выбирает подходящую комбинацию фильтрации и пороговой обработки — например, применение медианного или гауссова размытия для уменьшения шума и выбор между локальными и глобальными порогами интенсивности. Такое адаптивное пороговое выделение превращает каждое изображение в простую чёрно‑белую карту, где одно значение представляет твёрдое вещество, а другое — пустоту. Пористость вычисляется как доля пикселей, классифицированных как поры, внутри вырезанной области.

Насколько новая методика согласуется с лабораторными тестами?

Чтобы проверить надёжность автоматических измерений, команда сравнила их со значениями пористости, полученными вакуумной пикнометрией — устоявшимся экспериментальным методом, оценивающим объём пор по вытеснению газа. На более чем двадцати тысячах КТ‑изображений оценённая пористость для каждого класса материалов обычно отличается от результатов пикнометра всего на 2–3 процента, причём для некоторых составов наблюдается особенно близкое согласие. Сам классификатор DeepCNN показывает практически безупречную работу на тестовых данных, чётко разделяя шесть типов материалов. Статистические анализы демонстрируют стабильные оценки пористости по подмножествам датасета, хотя фреймворк лучше работает на высокоразрешающих, слабо зашумлённых сканах и несколько менее стабилен для сверхплотных бетонов, где поры редки и труднее различимы.

Что это значит для реальных материалов

На практике исследование показывает, что из необработанных микро‑КТ‑снимков сложных цементных материалов можно получить надёжные оценки пористости с минимальным или нулевым участием человека. Разделив задачу на этап обучения классификации и прозрачный этап измерений на основе правил, авторы достигают и скорости — порядка долей секунды на изображение — и интерпретируемости. Этот фреймворк не является универсальным решением: он по‑прежнему зависит от качества изображений, не видит пор, меньших разрешения скана, и потребует дообучения или адаптации для совсем новых материалов. Тем не менее он задаёт вектор развития промышленных CT‑процессов, где контроль качества бетона и смежных материалов можно выполнять почти в реальном времени, помогая инженерам проектировать более долговечные конструкции и эффективнее контролировать их внутреннее состояние.

Цитирование: 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

Ключевые слова: оценка пористости, микроКТ-сканирование, глубокое обучение, бетонные материалы, сегментация изображений