Yüksek çözünürlüklü bilgisayarlı tomografi görüntülemesiyle malzeme gözenekliliğinin tahmini için gelişmiş yığılı modelleme teknikleri

Betondaki küçük delikler neden önemli

Köprülerden gökdelenlere, açık deniz rüzgar çiftliklerine kadar güvenilirliğini sağladığımız birçok yapı beton veya benzeri mühendislik malzemelerinden yapılır. Bu katı maddelerin içinde, dayanımını, dayanıklılığını ve suya karşı sızdırmazlığını sakince yöneten ince bir boşluk, yani gözenek mimarisi bulunur. Bu gözenekliliğin ölçülmesi uzun süre yavaş, elle yapılan laboratuvar işlerini ve karmaşık X‑ray görüntülerinin dikkatli incelemesini gerektirdi. Bu çalışma, bu görüntüleri yapay zeka ile tamamen otomatik olarak okumayı öneriyor; böylece modern yapı malzemelerinin sağlığı ve kalitesi daha hızlı ve daha güvenilir şekilde kontrol edilebilir.

Malzemelerin içini X‑ışını ile görmek

Gözeneklilik, temel olarak bir katının içindeki boş alanın payıdır. Beton ve benzeri malzemelerde bu, mekanik dayanımdan çatlak ilerlemesine, suyun, tuzların veya kirleticilerin ne kadar kolay nüfuz ettiğine kadar her şeyi etkiler. Mühendisler örnekleri 3B taramak için giderek mikro‑bilgisayarlı tomografi (mikro‑BT) kullanıyor; bu yöntem katı fazların ve boşlukların yerini ayrıntılı gri tonlu görüntüler halinde sunuyor. Ancak bu zengin görüntüleri net bir gözenek haritasına dönüştürmek kolay değil. Geleneksel teknikler parlaklık eşiklerini elle seçmeye ve ilgi bölgesi çizmeye dayanıyor; bunlar kişiden kişiye değişebilir ve görüntüler gürültülü veya çözünürlük sınırlı olduğunda başarısız olabilir. Sonuç, endüstriyel ihtiyaçlarla başa çıkmakta zorlanabilen emek‑yoğun bir iş akışı oluyor.

Önemli olanı bir sinir ağının bulmasına izin vermek

Yazarlar bu sorunları, derin öğrenmeyi özenle hazırlanmış görüntü kurallarıyla birleştiren "yığılı" bir yaklaşımla ele alıyor. Önce, popüler nesne algılama modellerinden esinlenen derin bir konvolüsyonel sinir ağı (DeepCNN), farklı beton benzeri malzemelerin mikro‑BT dilimlerine bakmak üzere eğitiliyor. Ağ, her gözeneyi doğrudan segmentlemiyor; iki görevi var: çerçeve artefaktları ve kenar bozulmalarından kaçınarak temiz, merkezi bir ilgi bölgesini otomatik olarak kırpmak ve görüntünün hangi malzeme sınıfına ait olduğunu ince doku ve gri seviye desenlerine dayanarak tanımak.

Gri tonlardan gözenek haritalarına

Ağ ilgi bölgesini izole edip etiketledikten sonra, gözenekliliği gerçekten ölçmek için ikinci bir modül devreye giriyor. Burada yazarlar, şeffaf olmayan uçtan uca bir yapay zeka sistemi yerine kural tabanlı, uyarlanabilir bir prosedürü tercih ediyor. Piksel grupları önce olası katı, gözenek ve geçiş zonlarını ayırmak için üç veya dört yoğunluk kümesine ayrılıyor. Malzeme türüne ve görüntü özelliklerine bağlı olarak çerçeve daha sonra uygun bir filtreleme ve eşikleme reçetesini seçiyor—örneğin gürültüyü azaltmak için medyan veya Gauss bulanıklıkları uygulamak ve yerel ile küresel yoğunluk eşiklerini seçmek. Bu kural tabanlı uyarlanabilir eşikleme her görüntüyü katıyı ve boşluğu temsil eden basit siyah‑beyaz bir haritaya dönüştürüyor. Gözeneklilik, kırpılmış bölge içindeki gözenek olarak sınıflandırılan piksellerin oranı olarak hesaplanıyor.

Yeni yöntem laboratuvar testleriyle ne kadar uyuşuyor?

Otomatik ölçümlerin güvenilir olup olmadığını kontrol etmek için ekip, bunları gaz yer değiştirmesinden gözenek hacmini çıkaran iyi yerleşik bir deneysel teknik olan vakum piknometresi ile elde edilen gözeneklilik değerleriyle karşılaştırıyor. Yirmi binden fazla BT görüntüsü arasında, her malzeme sınıfı için tahmini gözeneklilik genellikle piknometre sonuçlarından yalnızca %2–3 fark ediyor; bazı karışımlar için ise özellikle yakın bir uyum görülüyor. DeepCNN sınıflandırıcısı test verilerinde neredeyse kusursuz performans gösteriyor ve altı malzeme türünü temiz bir şekilde ayırıyor. İstatistiksel analizler, veri kümesinin alt kümeleri arasında kararlı gözeneklilik tahminleri olduğunu ortaya koyuyor; ancak çerçeve yüksek çözünürlüklü, düşük gürültülü taramalarda en iyi performansı gösteriyor ve gözeneklerin seyrek ve çözülmesinin daha zor olduğu ultra‑yoğun betonlarda biraz daha tutarsız olabiliyor.

Gerçek dünya malzemeleri için anlamı

Pratik açıdan çalışma, karmaşık çimento esaslı malzemelerin ham mikro‑BT görüntülerinden insan müdahalesi az veya hiç gerektirmeden güvenilir gözeneklilik tahminleri elde etmenin mümkün olduğunu gösteriyor. Görevi öğrenilmiş bir sınıflandırma aşaması ile şeffaf, kural tabanlı bir ölçüm aşamasına bölerek yazarlar hem hız—görüntü başına ondalık saniyeler düzeyinde—hem de yorumlanabilirlik sağlıyor. Çerçeve evrensel bir çözüm değil: hâlâ görüntü kalitesine bağımlı, taramanın çözünürlüğünün altındaki gözenekleri göremiyor ve tamamen yeni malzemeler için yeniden eğitilmesi veya uyarlanması gerekiyor. Yine de, beton ve ilgili malzemeler üzerinde kalite kontrolün neredeyse gerçek zamanlı olarak yapılabildiği endüstriyel BT iş akışlarına doğru bir işaret sunuyor; bu da mühendislerin daha uzun ömürlü yapılar tasarlamasına ve iç sağlıklarını daha verimli şekilde izlemesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: gözeneklilik tahmini, mikro BT görüntüleme, derin öğrenme, beton malzemeler, görüntü segmentasyonu