Coupling EDS hypermaps and X-ray microtomography for advanced 3D microstructure characterization of cement paste: A step forward in multiscale modeling
Notice bibliographique
Résumé
Investigating the microstructure of ordinary Portland cement (OPC) paste using X-ray micro-computed tomography (μ-CT) requires optimized acquisition and precise image segmentation to reliably differentiate phases. μ-CT image segmentation is challenged by the heterogeneous microstructure and limited contrast between microstructure phases in the X-ray linear attenuation coefficient. Conventional gray scale value thresholding often misclassifies phases, while previous machine learning (ML) approaches have relied on manually labeled training leading to subjectivity and replicability issues. This study proposes an innovative μ-CT image segmentation method for OPC paste, leveraging chemical information from quantitative energy dispersive spectroscopy (QEDS) mapping. The method workflow involves five steps: (1) μ-CT imaging to capture the 3D microstructure, (2) scanning electron microscopy backscattered electron (SEM-BSE) imaging and QEDS mapping to generate 2D phase maps, (3) image registration to align QEDS phase maps with μ-CT images, (4) phase separability optimization using denoising and sharpening of the μ-CT images, and (5) ML-based segmentation using the random forest approach and training labels from QEDS-derived phase maps. The proposed method effectively differentiates portlandite from hydrates matrix, as well as ferrite from clinker phases. This paper further details two main applications of the method: (1) quantification of phase assemblage, hydration degree, and particle size distribution (PSD) of residual anhydrous phases, with results compared to thermodynamic modeling, and (2) the first-ever comprehensive quantitative microstructural characterization of a grid of 32 microcube samples, revealing spatial heterogeneity in phase fractions, porosity, particle counts, and microcube volumes. These results provide critical input for calibrating and validating micromechanical upscaling models. • A novel μ-CT image segmentation method integrating QEDS mapping for cement paste 3D microstructural analysis and modeling. • Enhanced phase separation using optimized BM4D image filtering and similarity calculations. • First-ever 3D microstructural analysis of 32 cement paste microcubes. • Quantified spatial heterogeneity in phase fractions, porosity, and particle counts across microcubes. • Microstructure segmented into 5 groups: ferrite, silicates & aluminate, portlandite & calcite, hydrate matrix, and pores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».