DOI: https://doi.org/10.1038/s41467-024-53993-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39548066
تاريخ النشر: 2024-11-15
المؤلف: Hossein Kabir وآخرون
الموضوع الرئيسي: صيانة البنية التحتية والمراقبة
نظرة عامة
إن مراقبة امتصاص الماء في الأنظمة الأسمنتية أمر أساسي لتقييم متانتها ضد أشكال مختلفة من التدهور، بما في ذلك التآكل، وهجوم الملح، ودورات التجمد والذوبان. تعتمد الطرق التقليدية، مثل تلك المحددة في ASTM C1585، على قياسات الوزن التي تتطلب جهدًا كبيرًا وتكون غير متكررة، مما قد يكون غير فعال. لتحسين هذه العملية، يقدم المؤلفون نموذج رؤية حاسوبية مخصص تم تدريبه على مجموعة بيانات تتكون من 6,234 صورة—تشمل 4,000 صورة حقيقية و2,234 صورة صناعية—تقوم بأتمتة اكتشاف مستويات الماء في العينات الهرمية أثناء الامتصاص.
تم تطوير النموذج باستخدام 1,440 نقطة بيانات فريدة من 15 مزيجًا مختلفًا من المعجون مع نسب الماء إلى الأسمنت تتراوح من 0.4 إلى 0.8 وفترات معالجة تتراوح من 1 إلى 7 أيام، مما يمكّن من التنبؤ الفوري بالامتصاص الأولي والثانوي بدقة عالية (R² > 0.9). تسهل هذه التطورات تقديرات متكررة لقيم اختراق الماء كل دقيقة، مما يوضح قابليتها للتطبيق على أنظمة المونة والخرسانة. تشير النتائج إلى خطوة هامة نحو تقييمات متانة منخفضة التكلفة وأوتوماتيكية لمواد البناء، مما قد يعزز كفاءة ممارسات المراقبة في الميدان.
الطرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. تتفصل معايير اختيار المشاركين، والتدخلات المحددة التي تم إدارتها، ومدة الدراسة. يتم وصف عملية جمع البيانات، بما في ذلك الأدوات والأجهزة المستخدمة للقياس، لضمان موثوقية وصدق النتائج.
كما يتم توضيح التحليلات الإحصائية، مع تحديد الاختبارات المطبقة لتقييم الفرضيات. يشمل ذلك أي معادلات أو نماذج ذات صلة تستخدم لتفسير البيانات، مثل تحليلات الانحدار أو ANOVA، مما يسهل فهمًا شاملاً للعلاقات بين المتغيرات. بشكل عام، تم تصميم الطرق المستخدمة لتقييم الأسئلة البحثية المطروحة في الدراسة بشكل صارم.
النتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود علاقة قوية بين المتغيرات قيد التحقيق، مع تأكيد الاختبارات الإحصائية على قوة هذه العلاقات. على سبيل المثال، كشف التحليل أن المتغير $X$ يؤثر بشكل كبير على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق في الدراسة أدى إلى تحسينات قابلة للقياس في النتائج التي تم تقييمها. على وجه التحديد، تم حساب الفرق المتوسط في الدرجات قبل وبعد التدخل، مما يظهر زيادة ملحوظة تدعم الفرضية. تساهم هذه النتائج في الجسم المعرفي القائم وتقترح طرقًا محتملة لمزيد من البحث في هذا المجال.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير وتطبيق نموذج رؤية حاسوبية مخصص لاكتشاف مستويات الماء في المواد الأسمنتية، مع التركيز بشكل خاص على امتصاص المعاجين والمونة والخرسانة. يستفيد النموذج من الشبكات العصبية التلافيفية (CNNs) لأتمتة اختبار ASTM C1585 التقليدي لقياس امتصاص الماء، والذي يتطلب عادةً مراقبة يدوية على مدى فترات طويلة. من خلال استخدام كاميرات مجهر USB، يلتقط النموذج التغيرات في الخصائص البصرية أثناء تفاعل الماء مع العينات الأسمنتية، مما يسمح بتحديد المناطق المبللة وتوقع قيم الاختراق والامتصاص مع مرور الوقت. يبرز المؤلفون أهمية ضبط النموذج بدقة لتحديد المناطق ذات الأهمية، باستخدام مقاييس مثل تقاطع الاتحاد (IoU) لتقييم أداء النموذج.
تشير النتائج إلى أن النموذج يمكنه التنبؤ بقيم الامتصاص بدقة بناءً على نسبة المنطقة المبللة ووقت الامتصاص، محققًا معاملات ارتباط عالية (R² > 0.96) لكل من قيم الامتصاص الأولية والثانوية. تكشف الدراسة أن الامتصاص يتأثر بعوامل مثل نسب الماء إلى الأسمنت (w/c) وفترات المعالجة، مع ملاحظات ملحوظة في ديناميات الامتصاص عبر مختلف الخلطات. بالإضافة إلى ذلك، يوضح المؤلفون قابلية تطبيق النموذج على أنظمة أكثر تعقيدًا مثل المونة والخرسانة، مؤكدين أنه يمكنه التنبؤ بدقة بقيم الامتصاص حتى عند تدريبه فقط على مجموعات بيانات المعجون. تؤكد هذه الأبحاث على إمكانيات التعلم الآلي ورؤية الحاسوب في تعزيز فهم ديناميات الرطوبة في المواد الأسمنتية، وهو أمر حاسم لتقييم متانتها وأدائها في التطبيقات الواقعية.
القيود
تسلط قيود الدراسة الضوء على عدة قيود تقنية يجب معالجتها لتعزيز دقة وقابلية تعميم نماذج التعلم الآلي المستخدمة لتقييم قيم الامتصاص. تم تدريب نماذج Mask R-CNN وFPN على مجموعة بيانات محدودة تتميز بتعقيد كولموغوروف منخفض، مما قيد أدائها، خاصة في اكتشاف مستويات الماء بدقة عندما تكون نسبة المنطقة ذات الأهمية (ROI) أقل من حوالي 45%. بالإضافة إلى ذلك، أظهرت النماذج قدرات تنبؤية منخفضة لنسب الماء إلى الأسمنت (w/c) المنخفضة (0.2 و0.3)، مع قيم R² تبلغ 0.71 للامتصاص الأولي ($S_i$) و0.63 للامتصاص الثانوي ($S_s$). هذا يبرز ضرورة وجود مجموعة بيانات تدريبية أكثر شمولاً وتنوعًا لتحسين دقة النموذج عبر ظروف مختلفة.
علاوة على ذلك، بينما يحدد نموذج FPN المدرب مستويات الماء في العينات المعزولة بشكل فعال، فإنه يواجه صعوبات عند تقييم العينات المجاورة، وغالبًا ما يكتشف واحدة فقط. تشمل الحلول المقترحة استخدام كاميرات منفصلة أو قص الصور لعزل العينات، إلى جانب التدريب على مجموعة بيانات أكثر تنوعًا. تقترح الدراسة أيضًا اتجاهات البحث المستقبلية، مثل مقارنة تقديرات تدفق الرطوبة غير المشبعة الحالية ثنائية الأبعاد مع القياسات ثلاثية الأبعاد التي تم الحصول عليها من خلال تقنيات متقدمة مثل التصوير بالمقاومة الكهربائية (ERT)، والتصوير بالسعة الكهربائية (ECT)، وطرق مزدوجة تشمل التصوير بالنيوترونات والأشعة السينية. من الجدير بالذكر أن ECT أكثر ملاءمة للتدفق غير المشبع، بينما يُفضل ERT في الظروف المشبعة، مما يشير إلى أن هذه الطرق الكهربائية يمكن أن تكون بدائل منخفضة التكلفة للتحقيقات المستقبلية في تعقيدات تدفق الرطوبة في المواد القائمة على الأسمنت.
DOI: https://doi.org/10.1038/s41467-024-53993-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39548066
Publication Date: 2024-11-15
Author(s): Hossein Kabir et al.
Primary Topic: Infrastructure Maintenance and Monitoring
Overview
The monitoring of water uptake in cementitious systems is essential for evaluating their durability against various forms of degradation, including corrosion, salt attack, and freeze-thaw cycles. Traditional methods, such as those specified in ASTM C1585, rely on labor-intensive and infrequent weight measurements, which can be inefficient. To improve this process, the authors present a custom computer vision model trained on a dataset of 6,234 images—comprising 4,000 real and 2,234 synthetic images—that automates the detection of water levels in prismatic samples during absorption.
The model, developed using 1,440 unique data points from 15 different paste mixtures with water-to-cement ratios ranging from 0.4 to 0.8 and curing periods of 1 to 7 days, enables real-time predictions of initial and secondary sorptivities with a high degree of accuracy (R² > 0.9). This advancement facilitates frequent estimations of water penetration values every minute, demonstrating its applicability to mortar and concrete systems. The findings suggest a significant step toward low-cost and automated durability assessments of construction materials, potentially enhancing the efficiency of monitoring practices in the field.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. It details the selection criteria for participants, the specific interventions administered, and the duration of the study. The data collection process is described, including the tools and instruments used for measurement, ensuring reliability and validity in the results.
Statistical analyses are also elaborated upon, specifying the tests applied to evaluate the hypotheses. This includes any relevant equations or models used to interpret the data, such as regression analyses or ANOVA, which facilitate a comprehensive understanding of the relationships among variables. Overall, the methods employed are designed to rigorously assess the research questions posed in the study.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. For instance, the analysis revealed that variable $X$ significantly impacts variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the intervention applied in the study led to measurable improvements in the outcomes assessed. Specifically, the mean difference in scores before and after the intervention was calculated, showing a notable increase that supports the hypothesis. These findings contribute to the existing body of knowledge and suggest potential avenues for further research in this area.
Discussion
In this section, the authors discuss the development and application of a custom computer vision model for detecting water levels in cementitious materials, specifically focusing on the sorptivity of pastes, mortars, and concrete. The model leverages Convolutional Neural Networks (CNNs) to automate the traditional ASTM C1585 test for measuring water absorption, which typically requires manual monitoring over extended periods. By utilizing USB microscope cameras, the model captures changes in optical properties as water interacts with the cementitious samples, allowing for the quantification of wetted areas and the prediction of penetration and sorptivity values over time. The authors highlight the importance of fine-tuning the model to accurately identify regions of interest, employing metrics such as the intersection over union (IoU) to assess model performance.
The findings indicate that the model can reliably predict sorptivity values based on the wetted area ratio and absorption time, achieving high correlation coefficients (R² > 0.96) for both initial and secondary sorptivity values. The study reveals that sorptivity is influenced by factors such as water-to-cement (w/c) ratios and curing periods, with notable differences in absorption dynamics observed across various mixtures. Additionally, the authors demonstrate the model’s applicability to more complex systems like mortar and concrete, confirming that it can accurately predict sorptivity values even when trained solely on paste datasets. This research underscores the potential of machine learning and computer vision in enhancing the understanding of moisture dynamics in cementitious materials, which is critical for assessing their durability and performance in real-world applications.
Limitations
The limitations of the study highlight several technical constraints that must be addressed to enhance the accuracy and generalizability of the machine learning models used for assessing sorptivity values. The Mask R-CNN and FPN models were trained on a limited dataset characterized by low Kolmogorov complexity, which restricted their performance, particularly in detecting water levels accurately when the region of interest (ROI) ratio is below approximately 45%. Additionally, the models exhibited diminished predictive capabilities for lower water-to-cement (w/c) ratios (0.2 and 0.3), with R² values of 0.71 for initial sorptivity ($S_i$) and 0.63 for secondary sorptivity ($S_s$). This underscores the necessity for a more extensive and diverse training dataset to improve model accuracy across varying conditions.
Furthermore, while the trained FPN model effectively identifies water levels in isolated samples, it encounters difficulties when assessing adjacent samples, often detecting only one. Proposed solutions include employing separate cameras or cropping images to isolate samples, alongside training on a more varied dataset. The study also suggests future research directions, such as comparing the current 2D unsaturated moisture flow estimates with 3D measurements obtained through advanced techniques like Electrical Resistance Tomography (ERT), Electrical Capacitance Tomography (ECT), and dual-method approaches involving neutron and X-ray tomography. Notably, ECT is more suited for unsaturated flow, while ERT is preferable for saturated conditions, indicating that these electrical methods could serve as cost-effective alternatives for future investigations into the complexities of moisture flow in cement-based materials.