Reconstrucción digital de mezclas asfálticas basada en imágenes de tomografía computarizada.
Resumen
Las mezclas asfálticas son materiales con los que está construido más del 80% de los pavimentos en Colombia y en el mundo. Por lo general, para su estudio, se consideran como un solo material aunque están compuestas por rocas, mastic y vacíos con aire, y su comportamiento depende de las características de cada una de las fases. El objetivo de este proyecto es realizar la reconstrucción tridimensional de una muestra de mezcla asfáltica a partir de imágenes de
tomografía axial computarizada. El proceso de reconstrucción consta de tres etapas: escaneo, segmentación y escalamiento de la imagen. Estas se implementaron en Python bajo el paradigma de programación orientada a objetos (OOP) y en el que se utilizaron herramientas como Numpy, Scipy, Pydicom, Scikit-learn, Matplotlib y Mayavi. Como resultado se reconstruyó
un modelo digital tridimensional denominado ToyModel, un sólido tridimensional representado en voxeles de 1 mm3. El ToyModel reconstruido tuvo una representación altamente significativa con respecto a la original, ya que el volumen de vacíos con aire de la muestra real debe estar entre 4 y 8% según la normatividad del Instituto de Desarrollo Urbano (Bogotá, Colombia) y se obtuvo
un valor de 3.98%. Este proceso es una buena herramienta para representar la composición de las mezclas asfálticas y con el modelo reconstruido se pueden realizar diferentes procesos de simulación, como por ejemplo análisis de Elementos Finitos.
Descargas
Lenguajes:
esReferencias bibliográficas
Zhang, J., Huang, X., Wu, J. and Xie, M. (2009). The Application of Digital Image Processing Technology in the Quantitative Study of the Coarse Aggregate Shape Characteristics. 2009 1st International Conference on Information Science and Engineering (ICISE) (pp. 1471–1475). Nanjing, China: IEEE.
Caro, S., Diaz, A., Rojas, D. and Nu-ez, H. (2014). A micromechanical model to evaluate the impact of air void content and connectivity in the oxidation of asphalt mixtures. Constr. Build. Mater., 61, 181–190. http://dx.doi.org/10.1016/j.conbuildmat.2014.03.013
Zaitsev, Y. B. and Wittmann, F. H. (1981). Simulation of crack propagation and failure of concrete. Matér. Constr., 14(5), 357–365. http://dx.doi.org/10.1007/BF02478729
Yang, S.-F., Yang X.-H., and Chen, C.-Y. (2008). Simulation of rheological behavior of asphalt mixture with lattice model. J. Cent. South Univ. Technol., 15(1), 155–157. http://dx.doi.org/10.1007/s11771-008-0336-9
Hao, Y., Qiu-sheng, W. and Hai-wen, Y. (2011). An improved image segmentation algorithm and measurement methods for asphalt mixtures. 2011 IEEE 5th International Conference on Cybernetics and Intelligent Systems (CIS), (pp. 36–41). Qingdao, China: IEEE.
Zhang, X.-N., Wan, C., Wang, D. and He, L.-F. (2011). Numerical simulation of asphalt mixture based on three-dimensional heterogeneous specimen. J. Cent. South Univ. Technol., 18(6), 2201–2206. http://dx.doi.org/10.1007/s11771-011-0963-4
Abaqus Overview - Dassault Systèmes [Online]. (n.d.). Retrieved Oct 30, 2013 from http://www.3ds.com/products-services/simulia/portfolio/abaqus/overview/.
Python [Software]. (n.d).. Available from http://www.python.org/about/.
Jones, E., Oliphant, T., Peterson, P., et al. (2001). SciPy: Open source scientific tools for Python [Software]. Available from http://www.scipy.org/.
Pydicom - Read, modify and write DICOM files with python code - Google Project Hosting. (n.d.). Retrieved Sep 01, 2014 from https://code.google.com/p/pydicom/.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., et al. (2011). Scikit-learn: Machine Learning in Python. J. Mach. Learn. Res., 12, 2825–2830.
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Comput. Sci. Eng., 9(3), 90–95. http://dx.doi.org/10.1109/MCSE.2007.55
Ramachandran, P. and Varoquaux, G. (2011). Mayavi: 3D Visualization of Scientific Data. Comput. Sci. Eng., 13(2), 40–51. http://dx.doi.org/10.1109/MCSE.2011.35
Unser, M. (1999). Splines: a perfect fit for signal and image processing. IEEE Signal Process. Mag., 16(6), 22–38. http://dx.doi.org/10.1109/79.799930
Arthur, D. and Vassilvitskii, S. (2007). K-means++: The Advantages of Careful Seeding. Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms (pp. 1027–1035). Philadelphia, PA, USA: SIAM.
Pati-o, J. F. R., Isaza, J. A., Mariaka, I. and Zea, J. A. V. (2013). Unidades Hounsfield como instrumento para la evaluación de la desmineralización ósea producida por el uso de exoprótesis. Rev. Fac. Ing., 0(66), 159–167.
Tucker, A. B. (2004). Computer Science Handbook (Second Edition). Boca Raton, FL, USA: Chapman and Hall/CRC, 2126–2152.
Pacateque, J., and Puerto, S. (2014). Asphalt Mixtures Aging Simulator Prototype. Available from https://github.com/JeisonPacateque/Proyecto-de-Grado-Codes.
