Avancerade staplade modelleringsmetoder för uppskattning av materialporositet via högupplöst röntgentomografi

Varför små hål i betong spelar roll

Från broar och skyskrapor till havsbaserade vindparker är många av de konstruktioner vi förlitar oss på tillverkade av betong eller liknande tekniska material. Doldt inne i dessa fasta material finns en finmaskig arkitektur av små tomrum, eller porer, som i det tysta styr hur starka, hållbara och täta de är mot vatten. Att mäta denna porositet har länge krävt långsamt, manuellt laboratoriumarbete och noggrann inspektion av komplexa röntgenbilder. Denna studie introducerar ett helt automatiserat sätt att läsa dessa bilder med artificiell intelligens, vilket lovar snabbare och mer tillförlitliga kontroller av modern byggnadstekniks hälsa och kvalitet.

Att kika in i material med röntgen

Porositet är i grunden andelen tomt utrymme i ett fast material. I betong och närliggande material påverkar det allt från mekanisk hållfasthet och spricktillväxt till hur lätt vatten, salter eller föroreningar tränger igenom. Ingenjörer använder i allt högre grad mikro-tomografi (micro-CT) för att avbilda prover i 3D och producera detaljerade gråskalebilder som visar var fasta faser och hålrum finns. Men att förvandla dessa rika bilder till en tydlig poröskarta är inte trivialt. Traditionella metoder bygger på manuella val av ljusstyrkegränser och ritning av intresseområden—val som kan skilja sig mellan personer och som fallerar när bilder är brusiga eller upplösningen är begränsad. Resultatet är ett arbetsintensivt arbetsflöde som kan ha svårt att möta industrins behov.

Låta ett neuralt nät hitta det väsentliga

Författarna angriper dessa problem med ett "staplat" förfarande som kombinerar djupinlärning med noggrant utformade bildregler. Först tränas ett djupt konvolutionellt neuralt nätverk (DeepCNN), inspirerat av populära objektidentifieringsmodeller, att granska 2D-skivor från micro-CT-skanningar av olika betongliknande material. Dessa inkluderar flera cementmortlar, en geopolymortel och ultrahögpresterande betong. Istället för att segmentera varje por direkt har nätverket två uppgifter: att automatiskt beskära ut en ren, central intressezon—för att undvika ramartefakter och kantförvrängningar—och att känna igen vilken materialklass bilden tillhör baserat på subtila textur- och gråtonsmönster.

Från gråskalor till poröskartor

När nätverket har isolerat och klassificerat intresseområdet tar en andra modul över för att faktiskt mäta porositeten. Här undviker författarna medvetet ett ogenomskinligt end-to-end AI-system till förmån för ett regelbaserat, adaptivt förfarande. Pixlar grupperas först i tre eller fyra intensitetskluster för att separera sannolika fasta delar, porer och övergångszoner. Beroende på materialtyp och bildegenskaper väljer ramverket därefter en lämplig filtrerings- och tröskelrecept—till exempel att applicera median- eller Gaussiska filter för att minska brus och att välja mellan lokala och globala intensitetsgränser. Denna regelstyrda adaptiva tröskling omvandlar varje bild till en enkel svartvit karta, där ett värde representerar fast material och det andra hålrum. Porositeten beräknas sedan som andelen pixlar klassificerade som porer inom det beskurna området.

Hur väl stämmer den nya metoden med laboratorietester?

För att kontrollera om de automatiska mätningarna är pålitliga jämför teamet dem med porositetsvärden erhållna med vakuumpyknometri, en väletablerad experimentell teknik som härleder porevolym från gasförflyttning. Över mer än tjugo tusen CT-bilder skiljer sig den uppskattade porositeten för varje materialklass från pyknometerrsultaten typiskt endast med 2–3 procent, med särskilt nära överensstämmelse för vissa blandningar. DeepCNN-klassificeraren själv presterar nästan felfritt på testdata och separerar de sex materialtyperna tydligt. Statistiska analyser visar stabila porositetsuppskattningar över datasetets undergrupper, även om ramverket presterar bäst på högupplösta, lågburljudiga skanningar och är något mindre konsekvent för ultratäta betonger där porerna är sparsamma och svårare att urskilja.

Vad detta betyder för verkliga material

I praktiska termer visar studien att det är möjligt att omvandla råa micro-CT-bilder av komplexa cementlika material till tillförlitliga porositetsuppskattningar med liten eller ingen mänsklig inblandning. Genom att dela upp uppgiften i ett inlärt klassificeringssteg och ett transparent, regelbaserat mätsteg uppnår författarna både hastighet—i storleksordningen tiondels sekunder per bild—och tolkbarhet. Ramverket är inte en universallösning: det är fortfarande beroende av bildkvalitet, kan inte se porer under skanningsupplösningens gräns och måste retränas eller anpassas för helt nya material. Ändå pekar det mot industriella CT-arbetsflöden där kvalitetskontroll av betong och närliggande material kan utföras i nära realtid, vilket hjälper ingenjörer att utforma längre livslängd för konstruktioner och effektivt övervaka deras inre skick.

Citering: 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

Nyckelord: porositetsuppskattning, mikro-CT-avbildning, djupinlärning, betongmaterial, bildsegmentering