Considering the multi-phase constitutive nature of strain-hardening cement-based composites (SHCC) and the decided influence of their micromechanics on overall material behavior, appropriate analytical methods are necessary for the representation of their microstructure and micro-kinematics. In this respect, micro-computed tomography (microCT) is an efficient, nondestructive technique, which can couple experimental testing with scale-linking numerical simulations. However, for a detailed analysis of microstructure, appropriate segmentation techniques must be applied which can accurately differentiate and represent the individual material phases and other features of interest. Given the small scale of analysis, the typical resolution of common computed tomography, and the small differences among the material constituents in terms of density and x ray absorption as well, the application of common segmentation techniques to SHCC is ineffective. In this work, a Deep Learning technique was applied to the microCT images of two different SHCC. The Deep Learning network parameters were analyzed and optimized on a high-strength SHCC and applied to the automatic segmentation of a typical normal-strength SHCC. The results obtained are highly promising and quantitatively in accordance with the composition of the samples analyzed. It was possible to segment the polymer fibers and the air voids from the cementitious matrices accurately, while the accuracy of the quartz-sand particles’ segmentation imposed additional challenges and proved dependent on the properties of the surrounding hydrated phase.

考虑到应变硬化水泥基复合材料（SHCC）的多相本构性质以及其微观力学对整体材料性能的决定性影响，有必要采用适当的分析方法来表征其微观结构和微观运动学。在这方面，微计算机断层扫描（microCT）是一种有效的无损技术，可以将实验测试与比例链接数值模拟相结合。但是，对于微观结构的详细分析，必须应用适当的分割技术，该技术可以准确地区分并代表各个材料相和其他感兴趣的特征。鉴于分析规模较小，通常是计算机断层扫描的典型分辨率，并且在密度和X射线吸收方面材料成分之间的细微差异，将常规分割技术应用于SHCC也是无效的。在这项工作中，深度学习技术被应用于两个不同的SHCC的microCT图像。在高强度SHCC上对深度学习网络参数进行了分析和优化，并将其应用于典型的正常强度SHCC的自动分割中。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。普通分割技术在SHCC中的应用是无效的。在这项工作中，深度学习技术被应用于两个不同的SHCC的microCT图像。在高强度SHCC上分析和优化了深度学习网络参数，并将其应用于典型的正常强度SHCC的自动分割中。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。普通分割技术在SHCC中的应用是无效的。在这项工作中，深度学习技术被应用于两个不同的SHCC的microCT图像。在高强度SHCC上对深度学习网络参数进行了分析和优化，并将其应用于典型的正常强度SHCC的自动分割中。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。将深度学习技术应用于两个不同SHCC的microCT图像。在高强度SHCC上对深度学习网络参数进行了分析和优化，并将其应用于典型的正常强度SHCC的自动分割中。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。将深度学习技术应用于两个不同SHCC的microCT图像。在高强度SHCC上对深度学习网络参数进行了分析和优化，并将其应用于典型的正常强度SHCC的自动分割中。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。根据所分析样品的组成，获得的结果非常有前途，并且在定量上也是如此。可以精确地将胶结基质中的聚合物纤维和气孔分割开，而石英砂颗粒分割的准确性则带来了额外的挑战，并被证明取决于周围水合相的性质。