基于机器学习从稀疏CT序列实现混凝土孔隙结构的高保真三维重建

《ADVANCED ENGINEERING INFORMATICS》:Machine learning-driven high-fidelity 3D reconstruction of concrete pore structures from sparse CT sequences

【字体: 大 中 小 】 时间:2026年09月23日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   从稀疏采样的X射线CT切片中重建三维混凝土孔隙结构是一个严重的不适定问题。传统插值方法会破坏孔隙的连通性。此外,尽管长程序列模型被广泛应用,但由于轴向孔隙演化具有高度随机性和拓扑突变特性,其全局注意力机制可能会无意中捕获到物理上不相关的特征。为应对这一挑战,我们提出了一种严格

  从稀疏采样的X射线CT切片中重建三维混凝土孔隙结构是一个严重的不适定问题。传统插值方法会破坏孔隙的连通性。此外,尽管长程序列模型被广泛应用,但由于轴向孔隙演化具有高度随机性和拓扑突变特性,其全局注意力机制可能会无意中捕获到物理上不相关的特征。为应对这一挑战,我们提出了一种严格基于局部序列域补全的上下文感知双网络框架。我们的架构明确地将受拓扑约束的结构推理与随机纹理生成解耦:一个先验网络预测拓扑约束,以引导生成器合成细尺度特征。关键的是,在所评估的对称序列配置中,敏感性分析表明该框架在多种缺失间隔长度下均保持有效,3至5个切片的上下文窗口在局部孔隙演化保真度与轴向覆盖范围之间提供了有效平衡。在此设置下,约50%的轴向切片作为观测输入用于恢复完整序列,从而实现100%的轴向序列覆盖。结果表明,与基线方法相比,我们的方法在孔隙率、孔隙尺寸分布和三维孔隙网络连通性的保留方面表现优越。定量评估进一步显示,该方法具有高重建精度,逐切片Dice分数接近1.0,在留出验证集和外部加气混凝土数据集上,不同CT成像条件下的体积级三维二元Dice值约为0.93。最终,这一机器学习驱动的上下文感知框架为动态工程场景中的高保真CT重建提供了一种结构感知的解决方案。多孔材料的宏观物理行为(包括力学强度、渗透性和传输特性)从根本上由其内部微观结构决定[1]。因此,定量表征这些复杂微观结构与其有效宏观性能之间的关系是岩土工程[2]、水文学[3]、粉末技术[4]、[5]和材料科学[6]、[7]、[8]等多个工程和科学领域的核心挑战。然而,随机非均匀介质具有跨越多个长度尺度的复杂空间变异性,这导致宏观响应存在巨大不确定性[9]。因此,有效材料性能的可靠预测与逆向设计严重依赖于获取准确且结构忠实的底层微观结构三维表征。X射线计算机断层扫描(CT)已成为一种强大的无损三维材料微观结构表征工具[10]。微CT也被广泛用于表征多孔地质材料中内部孔隙和裂隙结构的演化,并建立其与传输特性之间的关系[11]、[12]。然而,在实际工程应用中,获取高分辨率、大体积CT数据集不可避免地受到扫描时间延长、设备可及性和巨大存储成本的制约[13]、[14]、[15]。因此,可用数据通常较为稀疏,从不完美的三维体积到有限数量的二维切片,甚至退化为统计描述符。从如此有限的观测中重建完整且高保真的三维微观结构构成了一个高度不适定的逆问题。当需要严格保留关键拓扑特征(如连续孔隙连通性和孤立孔隙)以确保力学和物理一致性时,这一挑战尤为突出[16]、[17]、[18]、[19]、[20]、[21]。随着人工智能的近期进展,机器学习和深度学习方法被越来越多地应用于克服传统微观结构分析的局限性。大量技术,如支持向量机[22]、决策树[23]、[24]、深度信念网络[25]、生成对抗网络[26]、[27]、卷积神经网络(CNNs)[28]、[29]、迁移学习[30]、堆叠稀疏自编码器[20]以及混合深度学习模型[31],已被用于重建保留复杂形态特征的随机非均匀微观结构。目前,这些基于深度学习的重建策略可大致分为基于切片的方法和基于体积的方法。基于切片的方法,如Fu等人开发的代表性切片方法[19]、[20],通常依赖马尔可夫随机场(MRF)假设对局部像素邻域进行建模,通过堆叠稀疏自编码器从单一二维观测生成新切片——甚至统计等价的三维微观结构。另一方面,基于体积的方法,如Mosser等人提出的全三维GAN[26],直接从分割后的微CT体积合成微观结构,实现高保真的空间结果。尽管这些基于体积的方法提供了更优的重建质量,但它们需要大量计算资源,并严重依赖完整的三维监督。相反,传统的基于切片的方法计算效率更高,但往往无法忠实地捕捉轴向结构连续性,导致孔隙连通性和拓扑连贯性遭到破坏[32]、[33]。为克服这些根本性局限,我们提出了一种严格基于局部序列域补全的上下文感知双网络框架。此外,尽管长程序列模型(如Transformer[34])在计算机视觉中被广泛应用,但其全局聚焦特性可能并不完全适用于非均匀材料中孔隙的高度随机且突变的结构变化。在这些情况下,全局注意力可能会混合远处不相关的特征,从而引入结构噪声并增加计算成本。为应对这一挑战,我们的模型通过以缺失间隔相邻的局部双向切片序列为条件进行重建,隐式学习非线性的孔隙演化模式。关键的是,我们的架构明确地将受拓扑约束的结构推理与随机纹理生成解耦:先验网络预测与孔隙相关的拓扑约束,以建立显式的结构骨架,随后生成器网络在此先验条件下合成细尺度特征和详细的孔隙几何结构。此外,整个框架在公开可用的微观结构数据集上进行训练,这些数据集具有有限的孔隙变异性,从而能够学习可迁移且可复现的结构和纹理表征。全面的敏感性分析表明,随机混凝土孔隙结构中的孔隙形态演化主要由局部结构连续性决定。3至5个切片的上下文窗口在重建保真度与轴向覆盖范围之间提供了有效平衡,使得能够从大约一半的轴向切片中实现完整的轴向序列恢复。这一局部序列域策略比传统插值和仅生成器的基线方法更有效地保留了逐切片孔隙率、孔隙尺寸分布和三维孔隙网络连通性,同时避免了不必要的长程交互。该框架还支持预定义对称序列配置下的可变缺失间隔长度,并在不同CT成像条件下获取的未见加气混凝土数据上展现了可靠的跨数据集泛化能力。总体而言,这些结果确立了一种机器学习驱动的稀疏CT重建范式,在减少轴向切片需求的同时保持高保真孔隙结构恢复,为孔隙网络分析、传输模拟和工程材料评估提供了实际基础。本研究提出了一种上下文感知的双网络学习框架,明确地将受拓扑约束的结构推理与随机纹理生成解耦,用于从稀疏采样的CT切片序列中重建连续且高保真的三维孔隙结构。该框架由两个基于U-Net的专门子网络[35]组成:一个预训练的先验网络(p-NN),用于编码从灰度CT强度到孔隙相关结构表征的映射,以及一个本节中,我们使用多种定量和结构指标在验证集以及两个未见过的加气多孔混凝土数据集上评估了所提出的框架。值得注意的是,训练和验证数据主要由具有相对稀疏孔隙分布的混凝土组成,而加气多孔混凝土表现出更高的孔隙率和更复杂的孔隙演化模式。这种差异为评估框架的泛化能力提供了一个具有挑战性的测试用例。从稀疏采样的X射线CT序列中可靠地重建三维混凝土孔隙结构仍是基于CT的微观结构表征中的关键挑战。为应对传统插值和长程序列建模的局限性,本研究提出了一种严格基于局部序列域补全的上下文感知双网络框架。通过明确地将结构推理与随机纹理生成解耦,该框架实现了高保真……**陆建新:** 写作 – 审阅与编辑、验证、监督、资源、项目管理、方法论、资金获取、概念化。**周雨恒:** 写作 – 原稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。**范定强:** 写作 – 审阅与编辑、调查、数据整理。**杨光照:** 写作 – 审阅与编辑、调查。**赵宝军:** 写作 – 审阅与编辑、资源。**刘铁军**作者声明,他们没有已知的竞争性经济利益或个人关系,这些可能被视为影响本文报告的工作。作者衷心感谢**国家自然科学基金**(52308275)、**广东省基础与应用基础研究基金**(2024A1515240013)以及**武汉理工大学硅酸盐建筑材料国家重点实验室**(SYSJJ2025-09)的支持。也感谢**广东省土木智能与韧性结构重点实验室**(2023B1212010004)。**数据可用性。**数据将在……提供陆建新 | 周雨恒 | 范定强 | 杨光照 | 赵宝军 | 刘铁军
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号