🔢 mathematics

Data-Informed Mathematical Characterization of Absorption Properties in Artificial and Natural Porous Materials

Dieser Beitrag stellt einen kombinierten experimentellen und mathematisch-modellierenden Ansatz vor, der ein rauschreduzierendes Anpassungsverfahren und Simulationen partieller Differentialgleichungen umfasst, um die Wasseraufnahmeeigenschaften verschiedener poröser Materialien für die Denkmalpflege zu charakterisieren.

Ursprüngliche Autoren: Elishan C. Braun, Gabriella Bretti, Melania Di Fazio, Laura Medeghini, Mario Pezzella

Veröffentlicht 2026-05-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Elishan C. Braun, Gabriella Bretti, Melania Di Fazio, Laura Medeghini, Mario Pezzella

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben einen Schwamm, ein Stück Brot und einen Felsen. Wenn Sie das untere Ende jedes dieser Gegenstände in eine Tasse Wasser tauchen, saugen sie alle das Wasser auf, tun dies jedoch auf sehr unterschiedliche Weise. Manche trinken schnell, andere langsam, und manche hören lange auf zu trinken, bevor sie „voll" sind.

Dieser Artikel ist wie eine Detektivgeschichte, in der die Autoren herausfinden wollen, genau wie verschiedene Baumaterialien (wie die in antiken römischen Ruinen verwendeten) Wasser aufnehmen. Sie möchten ein „mathematisches Rezept" erstellen, das genau vorhersagt, wie viel Wasser ein bestimmter Stein oder Ziegel zu jedem beliebigen Zeitpunkt aufnehmen wird.

Hier ist die Geschichte, wie sie es taten, aufgeteilt in einfache Schritte:

1. Das Problem: Warum werden alte Gebäude krank?

Stellen Sie sich alte Gebäude als lebende Wesen vor, die krank werden können. Einer der größten „Keime" ist Wasser. Wenn Regen oder Grundwasser in die winzigen Löcher (Poren) von Steinen und Ziegeln schleicht, verursacht es Ärger. Es kann das Wachstum von Salzkristallen fördern (wie Frost an einem Fenster), Verschmutzungen einschleppen oder Schimmel gedeihen lassen.

Um dies zu verhindern, müssen Wissenschaftler genau verstehen, wie diese Materialien Wasser „trinken". Doch die Messung ist knifflig, da reale Daten unordentlich sind, wie eine wackelige Videoaufnahme.

2. Das Experiment: Der „Dursttest"

Die Forscher nahmen Proben von vier verschiedenen Materialtypen:

Weißer Marmor: Ein sehr dichter, glatter Stein (wie eine harte Süßigkeit).
Travertin: Ein unebener, poröser Stein, der oft in Brunnen verwendet wird (wie ein Schwamm aus Stein).
Wackestone: Ein schlammiges, feinkörniges Gestein.
Mörtel: Der „Kleber", der verwendet wird, um Ziegel zusammenzuhalten. Sie testeten sowohl antiken Kleber als auch modernen, umweltfreundlichen Kleber, der aus Algen hergestellt wurde.

Sie tauchten das untere Ende dieser Proben in Wasser und wogen sie alle paar Minuten. Es ist wie das Beobachten eines durstigen Menschen, der durch einen Strohhalm trinkt, und das Aufzeichnen, wie viel Flüssigkeit jede Sekunde konsumiert wurde.

3. Die Mathematik: Bau eines „Digitalen Zwillings"

Die Autoren betrachteten nicht nur die Zahlen; sie bauten ein mathematisches Modell. Stellen Sie sich dieses Modell als einen „digitalen Zwilling" des Steins vor.

Die Regeln: Sie verwendeten eine Reihe von Regeln (Gleichungen), die darauf basieren, wie Wasser natürlich durch Löcher fließt.
Die Simulation: Sie führten ein Computerprogramm aus, das wie der Stein agierte. Der Computer versuchte zu erraten, wie sich das Wasser im Inneren bewegen würde.
Die Herausforderung: Der Computer muss spezifische Einstellungen kennen, um korrekt zu funktionieren, wie zum Beispiel: „Wie schnell bewegt sich das Wasser?" oder „Wie voll kann der Stein werden, bevor er aufhört?" Dies sind die „Regler" an der Maschine.

4. Bereinigung der Daten: Glätten des wackeligen Videos

Reale Experimente sind nie perfekt. Manchmal wackelt die Waage, oder Wasser tropft an der Seite herunter, wodurch die Daten wie eine gezackte, wackelige Linie anstatt einer glatten Kurve aussehen.

Die Autoren entwickelten eine spezielle Glättungstechnik. Stellen Sie sich vor, Sie haben ein wackeliges Video eines Läufers. Sie können die wackeligen Teile nicht einfach löschen, weil Sie sonst die Geschwindigkeit verlieren. Stattdessen verwendeten sie einen cleveren mathematischen Trick, um die Linie so neu zu zeichnen, dass sie sich glatt nach oben bewegt (da die Wasseraufnahme immer steigen sollte, nie sinken), während die wahre Geschwindigkeit des Läufers erhalten bleibt. Dies lieferte ihnen ein sauberes, zuverlässiges Bild dessen, was tatsächlich geschah.

5. Abstimmen der Maschine: Die „Schwarm"-Suche

Jetzt kam der schwierige Teil: Die richtigen Einstellungen für das Computermodell zu finden. Sie mussten den „digitalen Zwilling" mit dem „realen Stein" abgleichen.

Das Problem: Es gibt Millionen möglicher Einstellungen. Wenn man sie einzeln ausprobieren würde, würde es ewig dauern.
Die Lösung: Sie verwendeten eine Methode namens Particle Swarm Optimization (Schwarm-Partikel-Optimierung). Stellen Sie sich einen Vogelschwarm vor, der nach dem besten Landeplatz sucht. Jeder Vogel versucht einen anderen Platz. Wenn ein Vogel einen guten Platz findet, fliegen die anderen dorthin. Wenn sie einen noch besseren Platz finden, passen alle ihre Kurs an.
Der Multigrid-Trick: Um dies zu beschleunigen, begannen sie mit einer groben, niedrig aufgelösten Karte (wie das Betrachten einer Karte aus großer Höhe in einem Flugzeug), um den allgemeinen Bereich zu finden. Sobald sie den allgemeinen Bereich gefunden hatten, zoomten sie mit einer hochauflösenden Karte (wie das Gehen auf dem Boden) hinein, um den exakt perfekten Platz zu finden.

6. Die Ergebnisse: Eine perfekte Übereinstimmung

Als sie das Abstimmen der „Regler" abgeschlossen hatten, passte das Computermodell fast perfekt zu den realen experimentellen Daten.

Für Marmor und Wackestone: Das Modell war eine perfekte Übereinstimmung.
Für Travertin: Dieser Stein war knifflig, weil er Schichten hat (wie ein Sandwich). Das Wasser bewegte sich unterschiedlich, je nachdem, ob es entlang der Schichten oder quer zu ihnen floss. Die Forscher erkannten, dass sie diese beiden Richtungen als unterschiedliche „Typen" von Travertin behandeln mussten, um eine genaue Übereinstimmung zu erzielen.
Für Mörtel: Das Modell sagte erfolgreich voraus, wie die neuen, umweltfreundlichen Mörtel im Vergleich zu den alten römischen Mörteln Wasser aufnahmen.

Das Fazit

Die Autoren schufen ein zuverlässiges Werkzeug, das reale Experimente mit intelligenten Computersimulationen kombiniert.

Sie bewiesen, dass sie durch die Bereinigung unordentlicher Daten und die Verwendung eines „Vogelschwarm"-Suchalgorithmus zum Abstimmen der Mathematik genau vorhersagen können, wie verschiedene Baumaterialien Wasser aufnehmen. Dies ist ein mächtiges Werkzeug für jeden, der versucht, alte Gebäude zu erhalten, da es ihnen hilft zu verstehen, wie Wasser die Struktur im Laufe der Zeit beschädigen wird, und ihnen ermöglicht, die richtigen Materialien zur Reparatur auszuwählen.

Technische Zusammenfassung: Datenbasierte mathematische Charakterisierung von Absorptionseigenschaften in künstlichen und natürlichen porösen Materialien

Problemstellung
Der Verfall des kulturellen Erbes, insbesondere historischer Gebäude und archäologischer Stätten, wird maßgeblich durch das Eindringen von Wasser in poröse Natursteine und künstliche Geomaterialien vorangetrieben. Wasser wirkt als Träger für reaktive Strömungen und löst zerstörerische Prozesse wie Salzkristallisation, Schadstoffeintrag und Biokolonisation aus. Obwohl die kapillare Saugwirkung ein primärer Degradationsmechanismus ist, fehlen detaillierte mathematische Charakterisierungen für spezifische Materialien, die in der Restaurierung eingesetzt werden, insbesondere umweltfreundliche Mörtel der neuen Generation und bestimmte Natursteine wie Wackestone. Die bestehende Literatur beschreibt diese Materialien häufig aus mineralogisch-petrographischer Sicht und verzichtet auf eine rigorose mathematische Modellierung zur Vorhersage der Dynamik der Wasseraufnahme. Diese Arbeit adressiert die Notwendigkeit, experimentelle Daten mit mathematischer Modellierung zu integrieren, um die Absorptionseigenschaften dieser Materialien zuverlässig zu charakterisieren.

Methodik
Die Autoren schlagen einen datenbasierten Rahmen vor, der Laborexperimente mit einem partiellen Differentialgleichungsmodell (PDE) und numerischer Optimierung kombiniert.

Experimenteller Aufbau: Kapillare Wasseraufnahmetests wurden an Natursteinen (Carrara-Marmor, Tivoli-Travertin, Wackestone) und künstlichen Geomaterialien (hydraulische Mörtel auf Basis römischer Rezepturen sowie Luftmörtel mit organischen/acrylischen Additiven) durchgeführt. Proben wurden getrocknet, teilweise in destilliertes Wasser eingetaucht und in bestimmten Intervallen gewogen, um die pro Flächeneinheit absorbierte Wassermenge ( $Q_{data}$ ) zu bestimmen.
Mathematische Modellierung: Der Saugvorgang wird mittels einer eindimensionalen Richards-Gleichung modelliert, die aus dem Darcy-Gesetz abgeleitet ist. Das Modell beschreibt die Entwicklung der Fluidsättigung $\theta(z,t)$ $θ (z, t)$ in einem porösen Medium. Eine spezifische Absorptionsfunktion $B(s)$ $B (s)$ wird definiert, wobei $s$ $s$ den Sättigungsgrad darstellt. Diese Funktion wird parametrisiert durch:
- Restsättigung ( $s_R$ ) und maximale Sättigung ( $s_S$ ).
- Eine Diffusionsrate ( $D$ ).
- Eine Wasseraustauschrate ( $K_w$ ) an der Grenzfläche.
- Die Materialporosität ( $n_0$ ).
Numerische Simulation: Die PDE wird mittels eines Linienverfahrens (Method of Lines, MOL) gelöst. Die räumlichen Ableitungen werden mit zentralen Finite-Differenzen zweiter Ordnung diskretisiert, und das resultierende System gewöhnlicher Differentialgleichungen (ODE) wird mit einer Heun-Approximation zweiter Ordnung integriert. Dieses explizite Schema zeigt sich im Vergleich zu Standard-Forward-Time-Central-Space (FTCS)-Schemata quadratisch konvergent und recheneffizient.
Datenvorverarbeitung: Um instrumentelle Fehler und Nicht-Monotonien in rohen experimentellen Daten zu adressieren (häufig bei Naturmaterialien und schnell saugenden Mörteln), wird eine Differenz-Rekonstruktionstechnik angewendet, die die Monotonie erhält. Diese Methode formuliert das Datenanpassungsproblem als unbeschränkte Optimierung einer Funktion $w_f(t)$ innerhalb eines Raums glatter monotoner Funktionen unter Verwendung abgeschnittener Legendre-Entwicklungen und Regularisierung.
Parameterkalibrierung (Inverses Problem): Die optimalen Modellparameter werden durch Minimierung einer Kostenfunktion bestimmt, die die simulierte gesamte Fluidabsorption ( $Q_{num}$ $Q_{n u m}$ ) mit den experimentellen/rekonstruierten Daten ( $Q_{data}$ $Q_{d a t a}$ ) vergleicht. Die Verlustfunktion kombiniert:
- Den quadrierten relativen euklidischen (SRE) Fehler für punktweise Abweichungen.
- Den Dynamic-Time-Warping (DTW)-Fehler, um zeitliche Fehlausrichtungen zu berücksichtigen.
- Einen Strafterm für Abweichungen im Endzustand.
- Die Optimierung erfolgt mittels eines Particle-Swarm-Optimierungsalgorithmus (PSO), der durch eine Multigrid-Strategie (Verfeinerung von grob zu fein) zur Handhabung von Nichtlinearitäten und lokalen Minima erweitert wird.

Hauptbeiträge

Integrierter Rahmen: Die Arbeit stellt einen neuartigen Workflow vor, der Labor-Kapillarabsorptionstests mit einem kalibrierten PDE-Modell verbindet, das speziell sowohl für Natursteine als auch für moderne Restaurierungsmörtel zugeschnitten ist.
Monotonie-erhaltende Rekonstruktion: Eine neue differentielle Anpassungstechnik wird zur Vorverarbeitung experimenteller Daten eingeführt. Diese Methode reduziert Rauschen und instrumentelle Fehler, während sie die physikalische Zwangsbedingung, dass die Wasseraufnahme nicht abnehmend sein darf, strikt einhält, ohne den Informationsgehalt der ursprünglichen Messungen zu verlieren.
Robuste Optimierungsstrategie: Die Entwicklung eines PSO-basierten Multigrid-Kalibrierungsansatzes ermöglicht die effiziente und robuste Schätzung von Modellparametern ( $s_R, s_S, D, K_w, n_0$ ), selbst bei komplexen, nicht-glatten Zielfunktionen.
Materialcharakterisierung: Die Studie liefert spezifische, kalibrierte Parameter für eine diverse Gruppe von Materialien, einschließlich Wackestone und umweltfreundlicher Luftmörtel (GS, GSN, GSP), die bisher nicht auf diese Weise mathematisch charakterisiert wurden.

Ergebnisse

Modellgenauigkeit: Die kalibrierten Modelle reproduzieren erfolgreich die Saugdynamik für die meisten Materialien. Die kombinierte Verwendung von SRE- und DTW-Fehlern in der Kostenfunktion balanciert Amplituden- und Formunterschiede effektiv aus, was zu niedrigen Werten der Zielfunktion über alle getesteten Materialien hinweg führt.
Anisotropie im Travertin: Eine bemerkenswerte Diskrepanz wurde bei Travertinproben beobachtet. Durch die Klassifizierung der Proben basierend auf der Orientierung der Anisotropieebenen (parallel vs. senkrecht zur Wasserströmung) erzielten die Autoren distincte Parametersätze für jede Klasse. Dies unterstreicht die Sensitivität des Modells gegenüber struktureller Anisotropie, die zwar nicht explizit in der 1D-PDE modelliert wird, aber durch die Parameterdifferenzierung erfasst wird.
Leistung: Das MOL-numerische Schema zeigte im Vergleich zu FTCS-Methoden überlegene Leistung und quadratische Konvergenz. Das Rekonstruktionsverfahren glättete experimentelles Rauschen effektiv, während die physikalische Monotonie der Absorptionskurven erhalten blieb.
Parameterbereiche: Die Studie lieferte spezifische Diffusionsraten und Sättigungsniveaus für jedes Material. Beispielsweise wiesen hydraulische Mörtel (OT) eine hohe Porosität (33,5 %–44,3 %) und variierende Diffusionsraten auf, während Natursteine eine geringere Porosität und unterschiedliche Sättigungsverhalten zeigten.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Arbeit ein realistisches und zuverlässiges Werkzeug zur Charakterisierung der Wasseraufnahmeeigenschaften von Baustoffen, die für das kulturelle Erbe relevant sind, bereitstellt. Durch den Schritt über eine rein deskriptive petrographische Analyse hinaus zu einem quantitativen mathematischen Ansatz bietet die Studie wertvolle Einblicke in Degradationsmechanismen. Die vorgeschlagene Methodik wird als vielseitiges Werkzeug für die Untersuchung und Erhaltung des kulturellen Erbes präsentiert, das sowohl natürliche als auch künstliche Geomaterialien handhaben kann. Die Arbeit schlägt bescheiden vor, dass das aktuelle 1D-Modell zwar effektiv ist, zukünftige Arbeiten jedoch Anisotropie und heterogene Permeabilität einbeziehen könnten, um die Darstellung komplexer Materialien wie Travertin weiter zu verfeinern. Das übergeordnete Ziel ist der Einsatz dieser Techniken als diagnostische und prädiktive Werkzeuge für reale Konservierungsbemühungen.