《Journal of Materials Research and Technology》:Deep learning-enabled characterization of freeze-thaw induced microstructural deterioration in cement-based materials using metal-impregnated BSE imaging
编辑推荐:
针对寒区工程水泥基材料冻融损伤难精准识别、纳米改性抗冻机理不清的问题,本研究创新性结合金属浸渍法与背散射电子(BSE)成像,引入深度学习算法实现微观损伤特征提取。模型识别准确率达83.4%,氧化石墨烯(GO)改性特征识别精度达92.6%,揭示了孔隙连通区、微裂纹边缘为核心损伤区域,为冻融耐久性设计与寿命评估提供了新技术手段与理论支撑。
在寒冷地区,混凝土路面的“冻融之痛”早已不是新鲜事——季节性的冰水相变让内部孔隙水反复膨胀收缩,最终导致表面剥落、微裂纹蔓延成贯通裂缝,甚至让整个路面失去承载能力。传统方法要么只能给出孔隙率的统计平均值,看不到真实的三维结构;要么图像噪声大、对比度低,难以捕捉细微的损伤痕迹。更麻烦的是,虽然知道氧化石墨烯(GO)能提升混凝土的抗冻性,却始终搞不清它到底是在哪个环节、通过什么机制发挥作用。这些问题像一层迷雾,笼罩着寒区工程材料的耐久性设计。
为了拨开这层迷雾,南通大学交通与土木工程学院的研究团队做了一件“组合创新”的事:他们把金属浸渍法和背散射电子(BSE)成像结合起来,再用深度学习算法给微观图像“装上眼睛”,试图精准识别冻融损伤的位置和演变规律,同时揭开GO增强抗冻性的神秘面纱。这项研究成果最终发表在《Journal of Materials Research and Technology》上,为寒区水泥基材料的“健康诊断”提供了全新的技术路径。
要实现这个目标,研究团队用到了几个关键技术:首先是样本制备与冻融循环处理——采用普通硅酸盐水泥(OPC 42.5),按0.03%水泥质量掺入工业级GO(纯度95%),通过聚羧酸减水剂分散和超声处理制备浆体,成型后标准养护28天,再按GB/T 50082-2024慢冻法进行0、10、20、30次冻融循环;其次是微观结构表征——用Field's金属(熔点62℃,成分Bi 32.5%、In 51%、Sn 16.5%)在200MPa压力下浸渍样品,经研磨抛光后喷金处理,用BSE成像(加速电压5kV,扫描停留时间10μs)观察微观结构;最后是深度学习分析——构建轻量级卷积神经网络(CNN),将原始BSE图像裁剪为100-190像素的子图,经旋转增强后得到每组4600张训练数据,优化模型参数实现微观特征分类。
接下来看看研究得出了哪些关键结论:
3.1. 冻融循环后水泥基材料样本的BSE特征
未冻融的普通组(Ref-1)存在较大初始缺陷孔隙和未水化区域,而GO改性组(GO-1)未水化颗粒显著减少、分布均匀,无明显大孔,仅见微小孤立孔隙,说明GO能促进水泥水化反应,通过表面羟基和羧基与钙离子结合提供C-S-H凝胶成核位点,填充有害孔隙、优化孔径分布。10次冻融后两组变化均不明显;20次冻融时,普通组孔隙壁破裂合并形成连通网络,密度下降,而GO组仍保持大部分孤立孔隙,仅少量孔隙合并;30次冻融后,普通组出现白色网状连通孔隙和破碎基体,GO组裂纹形态更破碎、路径更曲折,GO通过桥接效应抑制裂纹扩展,减少水分侵入。
3.2. 冻融循环后GO增强水泥的力学与微观结构性能
随着冻融次数增加,所有组抗压强度先稳后降、孔隙率上升。未冻融时,GO组抗压强度比普通组高6.7%,孔隙率低7.1%,最大等效孔径低21.4%,40-80μm孔隙数量整体减少。10次冻融时,两组强度变化无统计学显著性(p值分别为0.85和0.3),因水泥仍在持续水化;20次冻融时,普通组强度比GO组低18.9%,孔隙率高10.2%;30次冻融后,普通组强度降至初始值的60%-70%,孔隙率达40.2%,而GO组强度保留率更高、孔隙率上升更慢。孔隙长宽比分析显示,普通组30次冻融后等轴孔隙比例降至38%,长宽比>1:5的孔隙超20%,GO组仍保持60%等轴孔隙,长宽比>1:5的孔隙仅约10%。分形维度分析进一步证实,GO组未冻融时分形维度比普通组低9.8%,30次冻融后增幅仅5.8%(普通组为12.4%),说明GO能降低孔隙结构的复杂性和连通性。
3.3. 用于识别冻融循环损伤历史的深度学习技术
对比AlexNet、VGG11和自研轻量级CNN,后者参数仅约10万(前两者分别为6000万和1.3亿),识别准确率分别高出31%和8.3%,训练稳定无过拟合。优化后确定最佳参数为Adam优化器、3×3卷积核、学习率衰减系数0.8。模型对冻融损伤历史的整体识别准确率达83.4%,单一因素下冻融循环识别准确率88.3%,GO改性识别准确率92.6%;图像尺寸140像素时识别效果最优,兼顾准确率与训练成本。分类结果显示,未冻融的Ref-1和GO-1组准确率约90%,10次冻融组因水化与冻融作用叠加导致特征混乱,识别准确率较低;Ref组20次冻融与GO组30次冻融存在误分类,因两者微观结构特征相似(GO组局部GO不足导致特征趋近普通组)。
3.4. 典型识别误差分析
模型误差主要集中在三类区域:未被金属浸渍的未穿透裂纹(BSE图像中呈黑色像素)、金属浸渍区域白色像素占比过高导致有效信息不足、未完全水化的水泥颗粒(大面积黑灰色区域缺乏纹理特征)。这些区域因特征单一或信息缺失,难以被模型准确识别。
3.5. 冻融循环与纳米材料双重影响下水泥微观结构特征提取
通过深度泰勒分解(DTD)算法可视化发现,普通组孔隙呈异质分布、连通性强;GO组孔隙呈孤立蜂窝状分散,直径更细、分布均匀。30次冻融后,普通组孔隙融合形成不规则片状或薄块状连通区域,GO组仍保持较小孔隙直径和均匀分散状态,因GO片层跨越微裂纹尖端,桥接裂纹表面分散应力,抑制裂纹扩展。
3.6. 基于深度学习的孔隙特征识别
类激活映射(CAM)显示,图像尺寸140像素时,模型关注区域集中在孔洞边缘、裂隙边缘和水化产物破碎颗粒附近,与BSE图像中水泥基质和金属浸渍区的边界一致;尺寸过小(120像素)时关注区域不连续,过大(160像素)时关注非孔隙区域。随着冻融次数增加,普通组关注区域从少量孤立孔隙扩展到连通孔隙网络,30次冻融时占比升至37.0%;GO组关注区域始终小于普通组,且分布更均匀,说明GO能细化界面过渡区(ITZ),减少弱界面区域的应力集中。
最后来看看研究的意义。这项研究的核心突破在于“精准”二字:一方面,金属浸渍+BSE成像的组合让原本“看不见”的微观损伤变得清晰可辨,金属填充的孔隙在BSE图像中呈现高亮白色,与灰色的水泥基质形成强烈对比;另一方面,深度学习算法像一位不知疲倦的“微观侦探”,能从海量图像中自动识别出孔隙连通区、微裂纹边缘这些关键损伤区域,准确率超过83%,对GO改性特征的识别更是高达92.6%。
更重要的是,它揭开了GO抗冻的“黑箱”——原来GO不是简单地“填补漏洞”,而是通过促进水化产物填充孔隙、桥接裂纹表面分散应力、细化界面过渡区这三个“组合拳”,从微观层面延缓了孔隙连通和裂纹扩展的过程。这些发现不仅为寒区水泥基材料的配合比设计提供了理论依据,也为工程结构的冻融耐久性评估和寿命预测提供了新的技术手段。未来如果能结合原位表征技术跟踪裂纹实时扩展,再延长冻融循环次数模拟长期服役环境,这项技术的实用价值还将进一步提升。