基于FIB-SEM技术和人工智能的黏土三维结构重构与图像处理新方法

这篇研究论文创新性地结合聚焦离子束-扫描电镜(FIB-SEM)技术与人工智能算法，建立了针对黏土微观结构的三维重构方法。作者通过傅里叶变换与全变分重建等图像处理技术消除"帘幕效应"和充电伪影，并运用机器学习优化黏土颗粒分割过程，最终实现了对一维压缩黏土中颗粒空间取向的精确量化，为黏土力学行为的微观机制研究提供了新工具。

　　

Highlight亮点
本研究提出了一种整合先进成像技术与人工智能的创新方法，为黏土微观结构研究开辟了新途径。

材料特性与术语
研究对象为法国Sibelco公司提供的高岭土，其中高岭石(kaolinite)含量超过90%。该材料塑性限(w_P)为20%，液限(w_L)达40%，比重26.3 kN/m³。高岭石颗粒呈现典型的六边形片状结构。

黏土图像处理方法
研究团队获取了约2280张间距10nm的连续FIB-SEM图像(图1a)，通过先进算法解决了图像错位问题。特别针对黏土材料特有的"帘幕效应"和充电伪影，开发了两种去噪方案：基于傅里叶变换的全变分重建法和随机凸优化方法，有效保留了黏土颗粒的微观形貌特征。

三维颗粒平面与取向识别
将高岭石片状颗粒简化为空间平面模型，通过主成分分析(PCA)精确计算每个颗粒平面的法向量。创新性地采用k-means聚类算法优化平面拟合过程，实现了对堆叠黏土颗粒的空间取向量化。

织物解释的基本概念图
通过法向量的经纬度角(φ和θ)建立双直方图(图9a,b)，结合三维玫瑰图直观展示颗粒取向分布。研究发现一维压缩导致颗粒主要沿水平面排列，法向量呈现明显的垂直优势取向。

结论
本研究建立的FIB-SEM三维观测方法成功实现了对黏土颗粒空间组织的定量表征，为理解黏土力学行为的微观机制提供了重要工具。人工智能辅助的图像处理技术显著提升了分析精度，特别在解决黏土颗粒堆叠识别难题方面展现出独特优势。