【近期研究】AI 让 CT 看清黄土颗粒

————始于分享，终于解决————

如何在高噪声 micro-CT 图像中准确识别黄土颗粒边界，并追踪固结压力下黄土微结构演化？

     作者提出了一个 soil-particle-aware model（土壤颗粒感知模型）。它的思路很巧妙：先用小尺寸细管试样获得清晰的黄土 CT 图像，再人为加入噪声，模拟原位 micro-CT 扫描中的模糊图像。然后利用 U-Net 神经网络和 CARE 图像恢复思想，让模型学会从高噪声图像中识别颗粒轮廓。

     换句话说，它不是直接让 CT 图像“变清晰”，而是让模型学会：哪些模糊区域其实是颗粒，哪些边界不应该被合并。

     为了验证这个方法，作者制备了延安黄土试样，并开展小尺寸固结试验。试样直径和高度均为 10 mm，在 25 kPa、200 kPa 和 800 kPa 三个固结压力点进行 micro-CT 扫描。

     扫描后，作者将 CT 切片重建为三维数字模型，再提取颗粒尺寸、孔喉直径、机械配位数和接触力方向。其中，MIP 用来验证孔喉识别结果，DEM 用来进一步分析颗粒接触和力链结构。

     传统阈值分割在高噪声 CT 图像中容易出错：颗粒边界模糊，相邻颗粒容易被错误合并，小颗粒也容易被漏掉。

     论文对比发现，普通模型在同一 CT 切片中识别出 205 个 ROI，而训练后的 soil-particle-aware model 能识别出 309 个 ROI。这说明新模型能够更好地区分相邻颗粒，并减少小颗粒漏检。

     传统方法会漏掉大量小颗粒，尤其是粒径小于 32.7 μm 的部分。改进方法能够更好地识别这些小颗粒，使重建得到的粒径分布更接近激光粒度分析结果。

     在 25 kPa 固结压力下，传统方法得到的最大差异体积误差较大，而改进方法显著降低了误差；对于粒径约 20.59 μm 的颗粒，对应误差降低到 0.72%。

     作者进一步利用三维数字模型计算孔喉直径，并用 MIP 结果进行验证。结果显示，原状黄土 MIP 测得的峰值孔喉直径为 11.32 μm，而 micro-CT 三维模型计算结果为 9.06 μm，两者相差 2.26 μm。说明该方法能够较好地反映孔喉特征。

     对于重塑风积黄土试样，随着固结压力从 25 kPa 增加到 200 kPa 和 800 kPa，峰值孔喉直径分别为 9.15 μm、8.60 μm 和 5.00 μm，表现出明显减小趋势。

     这篇论文不只是做了 CT 重建，还把三维数字模型导入 DEM 软件，进一步分析颗粒之间的接触关系。结果显示，黄土中存在大量细颗粒附着在大颗粒表面的现象。随着固结压力增加，原本聚集在大颗粒表面的细颗粒发生分散和重组，小颗粒的机械配位数增加，而大颗粒的机械配位数下降。

     接触力方向分布呈现类似“蝴蝶形”的特征，反映了固结试验中竖向压力和侧向约束共同作用下的颗粒接触状态。