Return to search

[pt] CARACTERIZAÇÃO DE COMPÓSITOS CIMENTÍCIOS REFORÇADOS COM FIBRAS: APRENDIZAGEM PROFUNDA, MICROTC DE RAIO X INSITU, CORRELAÇÃO DIGITAL DE VOLUME / [en] CHARACTERIZATION OF STRAIN-HARDENING CEMENT-BASED COMPOSITES: DEEP LEARNING, IN-SITU X-RAY MICROCT AND DIGITAL VOLUME CORRELATION

[pt] entendimento do macro comportamento dos materiais, este trabalho apresenta
soluções inovadoras para a análise de imagens 3D obtidas por microtomografia
computadorizada de raios-X (microCT). O material estudado conhecido
pelo termo em inglês “strain-hardening cement-based composites”
ou pela abreviação SHCC é um compósito cimentício reforçado com fibras
que atinge deformações significativas através da formação de múltiplas fissuras,
estabelecendo um material cimentício com característica pseudo-dúctil.
O primeiro desafio deste trabalho foi reconhecer e quantificar as fases constituintes
nas imagens 3D de SHCC obtidas por microCT. Materiais com
estruturas complexas podem apresentar imagens em que as fases internas
não podem ser distinguidas pela técnica de limiarização clássica, exigindo
o uso de outra técnica como a segmentação por Deep Learning (DL). Portanto,
este trabalho utilizou DL como solução para esta tarefa. Desta forma,
as características de cada fases puderam ser correlacionadas ao comportamento
mecânico macro do material em ensaios de microCT in-situ. Outro
método moderno de análise de imagens 3D utilizado foi a correlação digital
de volume (em inglês, digital volume correlation - DVC). O DVC é uma
técnica que estima o campo de deformação sobre todo o volume da amostra,
correlacionando as imagens 3D nos estados descarregado e carregado.
Assim, as imagens obtidas nos ensaios de tração e compressão in-situ puderam
ter seus deslocamentos internos medidos e deformações calculadas. Em
síntese, este trabalho trouxe avanços ao campo do processamento digital e
análise de imagens 3D, aplicadas a materiais cimentícios, mas que também
podem se adaptar à análise de diversos materiais. / [en] Considering the importance of micro and mesoscale analyses to understand
the macro behavior of materials, this work brings innovative solutions
for analyzing 3D images obtained by X-ray micro-computed tomography
(microCT). The studied material was the strain-hardening cement-based
composites (SHCC), a fiber reinforced cementitious composite that achieves
significant deformations through multiple cracks formation, resulting in a
cementitious material with pseudo ductile features. The first challenge of
this work was to recognize and quantify the constituent phases in the 3D
images of SHCC obtained by microCT. Materials with complex structures
may present images in which the internal phases cannot be distinguished by
the classical thresholding technique, requiring the use of another technique
such as segmentation by Deep Learning (DL). Therefore, this work used
DL as a solution for this task. Then, the features of each phase could
be correlated to the macro mechanical behavior of the material in in-situ
microCT tests. Another modern method for analyzing 3D images used was
the digital volume correlation (DVC). DVC is a technique that estimates
full-field strain in 3D over the entire volume of the specimen by correlating
imaging volumes of the specimen in unloaded and loaded states. Thus,
the images obtained from tensile and compression in-situ tests could have
their internal displacements measured and strain calculated. In summary,
this work brought advances to the 3D image processing and analysis field,
applied to cementitious materials, but which could also adapt for the
analysis of various materials.

Identiferoai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:56833
Date29 December 2021
CreatorsRENATA LORENZONI
ContributorsSIDNEI PACIORNIK
PublisherMAXWELL
Source SetsPUC Rio
LanguageEnglish
Detected LanguageEnglish
TypeTEXTO

Page generated in 0.0021 seconds