⚡ ingeniería eléctrica

Deep Learning-Based 3D Local Fibre Orientation Estimation in Composite Computed Tomography: From Volumetric Convolutions to Real-Time Direct Projection Inversion

Este artículo presenta un marco de aprendizaje profundo basado en la física que permite tanto la estimación de orientación de fibras 3D de alta precisión fuera de línea como la estimación en tiempo real sin reconstrucción en materiales compuestos, aprovechando datos de entrenamiento sintéticos y una novedosa red de proyección directa para superar significativamente a los métodos clásicos en precisión y velocidad.

Autores originales: Swetank Singh, Ankit Singh Bhadauriya, Mayank Goswami

Publicado 2026-11-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Swetank Singh, Ankit Singh Bhadauriya, Mayank Goswami

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las máquinas modernas, desde las alas de los aviones hasta los chasis de coches de alto rendimiento, dependen cada vez más de una clase especial de materiales conocidos como polímeros reforzados con fibra. Estos no son bloques uniformes de plástico, sino mezclas complejas donde fibras diminutas e increíblemente fuertes están incrustadas dentro de una matriz de resina más blanda. La resistencia y la rigidez de la pieza final no provienen del material por sí solo, sino de cómo se disponen esas fibras. Si las fibras se alinean con la dirección de la fuerza, la pieza puede ser docenas de veces más rígida que si estuvieran dispersas al azar. Para garantizar que estas piezas sean seguras, los ingenieros deben mirar en su interior sin romperlas, un proceso llamado ensayos no destructivos. Durante décadas, el estándar de oro para esto ha sido la microtomografía computarizada, una técnica que utiliza rayos X para construir un mapa detallado en 3D del interior del material. Sin embargo, leer la orientación de millones de diminutas fibras dentro de ese mapa 3D ha sido una tarea lenta, difícil y a menudo inexacta, especialmente cuando las imágenes tienen mucho ruido o las fibras están densamente empaquetadas.

Un equipo de investigadores del Instituto Indio de Tecnología de Roorkee ha desarrollado un nuevo enfoque que cambia la forma en que se realiza esta inspección interna. En lugar de depender de reglas matemáticas tradicionales para adivinar la dirección de la fibra, entrenaron a una computadora para que aprendiera los patrones directamente. El desafío era que los escaneos del mundo real no vienen con una clave de respuestas perfecta; los ingenieros no pueden conocer la orientación exacta de cada fibra en un objeto físico sin destruirlo. Para resolver esto, el equipo construyó una fábrica virtual. Escribieron un programa de computadora que genera miles de modelos 3D sintéticos perfectos de estos materiales compuestos. En este mundo virtual, colocaron millones de cilindros diminutos para representar las fibras, disponiéndolos con reglas matemáticas precisas para imitar desde fibras cortas dispersas al azar hasta cordones continuos perfectamente alineados. Debido a que crearon los modelos, conocían la orientación exacta de cada una de las fibras. Luego simularon el proceso de escaneo por rayos X en estos modelos, añadiendo ruido realista e imperfecciones para que las imágenes digitales se parecieran mucho a los escaneos reales. Esto proporcionó los datos de entrenamiento perfectos: imágenes con una verdad exacta y conocida.

Utilizando esta vasta biblioteca de datos sintéticos, los investigadores probaron dos formas diferentes de enseñar a una computadora a encontrar las direcciones de las fibras. El primer método consistió en alimentar a la computadora con el volumen 3D completo del escaneo reconstruido, similar a cómo un humano podría mirar un bloque sólido de material. El segundo método, más radical, omitió la reconstrucción 3D por completo. En su lugar, observó solo un puñado de imágenes de sombras 2D planas tomadas desde diferentes ángulos. En el escaneo tradicional, una máquina debe tomar cientos de estas imágenes de sombras y dedicar minutos u horas a combinarlas en un volumen 3D antes de que cualquier análisis pueda comenzar. El nuevo método, sin embargo, aprendió a leer la orientación 3D directamente a partir de solo ocho de estas sombras 2D, saltándose el lento paso de la reconstrucción por completo.

Los resultados mostraron una mejora significativa respecto a las formas antiguas de hacer las cosas. Cuando los investigadores compararon sus nuevos modelos computacionales contra las técnicas matemáticas estándar utilizadas en la industria hoy en día, los nuevos modelos fueron mucho más precisos y mucho más rápidos. El método estándar, que depende del cálculo de gradientes en la imagen, tenía dificultades con el ruido y a menudo producía errores de casi 30 grados, un margen demasiado grande para la ingeniería de precisión. El nuevo modelo 3D redujo este error a menos de 10 grados en promedio, e incluso menos para fibras bien alineadas. Más importante aún, procesó los datos casi cuatro veces más rápido que el método tradicional ejecutándose en procesadores de computadora estándar. El modelo que miraba directamente las sombras 2D fue incluso más rápido, procesando datos a un ritmo que podría seguir el ritmo de una línea de producción en movimiento, manteniendo al mismo tiempo una precisión que era muy superior a los métodos antiguos.

El estudio también probó qué tan bien resistían estos modelos bajo diferentes condiciones, como cuando las fibras eran muy escasas o extremadamente densas. Los modelos computacionales demostraron ser robustos, manteniendo una alta precisión a través de una amplia gama de densidades de material comunes en la fabricación real. Cuando los investigadores aplicaron un estándar industrial estricto para lo que cuenta como una pieza aceptable, los nuevos modelos pasaron la prueba para la gran mayoría de las muestras, mientras que el método tradicional falló en la mayoría de ellas. Esto sugiere que el aprendizaje profundo no solo puede proporcionar una forma más precisa de inspeccionar materiales en un laboratorio, sino que también ofrece un camino viable para el control de calidad en tiempo real en las plantas de fabricación. Al aprender directamente de los datos brutos y comprender la física de cómo la luz viaja a través del material, estas nuevas herramientas pueden ver la estructura oculta de los materiales compuestos con una claridad y velocidad que antes eran imposibles.

Resumen Técnico: Estimación de la Orientación Local de Fibras en 3D mediante Aprendizaje Profundo en Tomografía Computarizada de Compuestos

1. Planteamiento del Problema

La integridad mecánica y la eficiencia de carga de los polímeros reforzados con fibras cortas o continuas (SFRP/CFRP) están intrínsecamente vinculadas a su distribución local de orientación de fibras en 3D. Si bien la microtomografía de rayos X ( $\mu$ CT) proporciona una visualización volumétrica no destructiva de estas microestructuras, la extracción de información direccional mediante métodos clásicos enfrenta cuatro limitaciones industriales críticas:

Cuello de botella computacional: El análisis de autovalores del tensor de estructura 3D clásico requiere horas de procesamiento de CPU para volúmenes de alta resolución, lo que impide la inspección de fabricación en línea.
Sensibilidad al ruido: Los métodos basados en gradientes son altamente susceptibles al ruido de fotones de Poisson y a los efectos de volumen parcial, lo que genera errores angulares sistemáticos que superan los $25^\circ\text{--}30^\circ$ .
Reconstrucción completa obligatoria: Los enfoques clásicos requieren estrictamente conjuntos densos de proyecciones angulares (más de 180 vistas) y el costoso proceso de retroproyección filtrada Feldkamp-Davis-Kress (FDK), lo que crea latencia y cuellos de botella de memoria.
Heurística de parámetros: Las escalas de filtrado deben ajustarse manualmente para diámetros de fibra y fracciones de volumen específicos, lo que limita la generalizabilidad.

Además, el aprendizaje profundo supervisado se ve obstaculizado por la escasez de una verdad de terreno (ground truth) física de CT; adquirir etiquetas de orientación punto a punto exactas sin depender de los algoritmos clásicos imperfectos que se pretende mejorar es imposible.

2. Metodología

Generación de Datos Sintéticos Basada en la Física

Para superar la falta de verdad de terreno, los autores desarrollaron un flujo de trabajo de simulación procedimental que genera datos de CT emparejados con etiquetas analíticas exactas:

Síntesis de Fantomas: Las microestructuras 3D se generan utilizando Adsorción Secuencial Aleatoria (RSA) para un empaquetamiento de fibras libre de colisiones (fracciones de volumen $V_f \in [10\%, 35\%]$ ) y muestreo de la distribución de von Mises-Fisher (vMF) para la alineación direccional (concentración $\kappa \in [0.5, 25]$ ).
Proyección Directa y Ruido: Los fantomas voxelizados se someten a una proyección directa basada en la ley de Beer-Lambert, con la inyección de ruido de disparo de fotones de Poisson realista ( $I_0 = 10^5$ fotones/rayo).
Reconstrucción: Se aplica la retroproyección filtrada FDK estándar para generar volúmenes 3D.
Verdad de Terreno Exacta: Las etiquetas de orientación se derivan analíticamente de las coordenadas cilíndricas 3D conocidas utilizando tensores de orientación de segundo orden de Advani-Tucker ( $T = \sum w_i v_i v_i^T$ ). Esta formulación matemática resuelve la ambigüedad de signo de $\pm 180^\circ$ del director de la fibra sin recurrir a heurísticas derivadas de la imagen.

Marcos de Aprendizaje Profundo

El estudio compara tres paradigmas:

Modelo A (Línea Base Clásica): Análisis estándar del Tensor de Estructura de Gradiente (GST) 3D utilizando gradientes suavizados con Gauss y análisis de autovalores.
Modelo B (CNN Volumétrica 3D): Una red neuronal convolucional 3D que toma subvolúmenes de $32^3$ voxeles de los datos de CT reconstruidos como entrada. Predice los 6 componentes independientes del tensor de orientación.
Modelo C (Red de Proyección Directa): Una arquitectura novedosa que infiere la orientación 3D directamente a partir de 8 vistas de proyección 2D puras (sinogramas), eludiendo completamente la reconstrucción volumétrica 3D.

Función de Pérdida y Simetría

Para manejar la ambigüedad de $\pm 180^\circ$ , la red produce un tensor simétrico. El entrenamiento utiliza una función de pérdida compuesta que combina:

Pérdida de Frobenius del Tensor: Para la convergencia global de los componentes.
Pérdida de Arco Esférico Geodésico: Optimiza la desviación angular en la esfera unitaria $S^2$ , imponiendo invarianza de dirección mediante $|\hat{d} \cdot d_{true}|$ .
Aumento de Datos: Se aplican rotaciones espaciales 3D exactas analíticamente a las etiquetas del tensor para imponer equivariancia rotacional.

3. Resultados Clave

Los modelos fueron evaluados en 7,889 parches de subvolúmenes de retención de 150 fantomas de compuestos independientes.

Precisión y Rendimiento (Throughput)

Modelo B (CNN 3D): Logró un error angular medio de $9.35^\circ$ (mediana de $7.14^\circ$ ), lo que representa una reducción del error del 67% en comparación con la línea base clásica ( $28.27^\circ$ ). En compuestos altamente alineados ( $\kappa \ge 10$ ), el error descendió a $4.78^\circ$ . El rendimiento alcanzó los 140.9 parches/s en GPU.
Modelo C (Proyección Directa): A pesar de utilizar solo 8 vistas de proyección (frente a 180) y cero sobrecarga de reconstrucción, el Modelo C logró un error medio de $22.57^\circ$ general, y de $11.35^\circ$ en compuestos alineados. Alcanzó el mayor rendimiento con 174.0 parches/s.
Línea Base Clásica (Modelo A): Sufrió una alta dispersión ( $28.27^\circ$ de error medio) y un bajo rendimiento (36.0 parches/s en CPU).

Análisis de Sensibilidad

Alineación ( $\kappa$ ): El Modelo C es altamente sensible a la alineación; su rendimiento se degrada significativamente en regímenes de masa aleatoria 3D ( $\kappa < 3$ ) debido a la ambigüedad de la proyección, pero destaca en regímenes alineados. El Modelo B mantiene la robustez en todos los regímenes.
Fracción de Volumen ( $V_f$ ): Ambos modelos de aprendizaje profundo exhiben una curva de sensibilidad en forma de U, con un pico de precisión en el rango de fracción de volumen del 18%–25%, que corresponde a las piezas de SFRP industriales típicas.

Tolerancia Industrial

En el umbral de tolerancia automotriz de $\tau \le 15^\circ$ , el Modelo B logró una tasa de aceptación dentro de especificación del 84.57%, superando a la línea base clásica (24.80%) por un factor de 3.4.

4. Significado y Reivindicaciones

El artículo afirma demostrar dos avances primordiales en el ensayo no destructivo (NDT) de compuestos:

Inspección Fuera de Línea Superior: El aprendizaje profundo (Modelo B) proporciona una alternativa significativamente más precisa y rápida al filtrado de imágenes clásico para la caracterización de laboratorio, mitigando eficazmente los errores inducidos por el ruido inherentes a los métodos basados en gradientes.
Inspección en Línea Viable: El enfoque de "Proyección Directa" (Modelo C) demuestra que la orientación 3D puede recuperarse directamente de sombras de proyecciones 2D dispersas sin reconstrucción 3D. Esto ofrece una vía para el control de calidad en tiempo real y sin reconstrucción en entornos de fabricación de alto rendimiento (por ejemplo, estampado automotriz o colocación automatizada de fibras), donde la reconstrucción 3D completa es computacionalmente prohibitiva.

Los autores enfatizan que su flujo de trabajo sintético, fundamentado en principios físicos y tensores analíticos exactos, permite una evaluación rigurosa sin la limitación de "entrada basura, salida basura" (garbage-in, garbage-out) de entrenar con los resultados de algoritmos clásicos. Concluyen que, si bien la transferencia de simulación a realidad requiere una validación cuidadosa frente a artefactos físicos (por ejemplo, endurecimiento del haz), el marco establece un nuevo referente de precisión para el NDT de compuestos.