Materiali Granulari Umidi Sotto la Lente: Viaggio 3D con Raggi X e AI!

Ciao a tutti, appassionati di scienza e curiosi! Oggi voglio portarvi con me in un viaggio affascinante, quasi microscopico, nel cuore di materiali che incontriamo tutti i giorni, ma che nascondono una complessità sorprendente: i materiali granulari umidi. Pensate alla sabbia bagnata con cui costruite i castelli al mare, o al terreno umido sotto i vostri piedi. Sembra semplice, vero? Eppure, capire come si comportano quando vengono “stressati”, cioè sottoposti a forze di taglio, è una sfida che tiene impegnati scienziati come me!

Il problema principale è che questi materiali sono un intricato mix di particelle solide, fasi liquide (come l’acqua o, nel nostro caso, un olio siliconico) e spazi vuoti. La quantità di liquido e come si distribuisce tra i granelli cambia drasticamente il loro comportamento. Un po’ di umidità può renderli coesi, capaci di formare strutture stabili (il famoso castello di sabbia!), mentre se sono troppo secchi o troppo bagnati, le cose cambiano. Capire questa “reologia”, cioè come fluiscono e si deformano, è cruciale per un sacco di applicazioni, dall’ingegneria geotecnica alle scienze ambientali, fino ai processi industriali.

La Sfida: Vedere l’Invisibile

Il guaio è che guardare dentro questi materiali mentre si deformano è come cercare di vedere attraverso un muro. Sono opachi! Negli anni si sono usate tante tecniche, come la Risonanza Magnetica o la fotografia digitale, ma ognuna ha i suoi limiti, specialmente quando si tratta di ottenere una visione 3D dettagliata della struttura interna senza distruggere il campione.

Ma noi scienziati siamo testardi! E abbiamo un asso nella manica: la microtomografia a raggi X (µCT). È un po’ come fare una TAC al nostro campione di materiale granulare. Ci permette di ottenere immagini 3D ad altissima risoluzione della sua struttura interna, senza doverlo “affettare”. Possiamo vedere i singoli granelli, il liquido che li avvolge e gli spazi vuoti. Fantastico, no?

L’Occhio Intelligente: Segmentazione con AI

Ottenere le immagini è solo il primo passo. Il vero rompicapo è distinguere con precisione le diverse fasi: solido, liquido e aria. Specialmente quando il contrasto tra loro è basso, o quando le strutture liquide sono piccolissime, come i “ponti capillari” che si formano tra un granello e l’altro. Qui entra in gioco l’intelligenza artificiale. Abbiamo usato una combinazione potente di due modelli: Random Forest e U-Net.

Immaginate di dover colorare un disegno complicatissimo con zone dai confini sfumati. Il Random Forest, un algoritmo di machine learning, ci dà una prima “sgrossata”, una bozza. Poi, la U-Net, una rete neurale profonda specializzata in segmentazione di immagini (molto usata anche in campo biomedico), rifinisce il lavoro con una precisione incredibile. Per “addestrare” questi modelli, abbiamo dovuto preparare dei dati di “ground truth”, cioè delle immagini in cui noi, manualmente, abbiamo indicato cosa è granello, cosa è liquido e cosa è aria. Un lavoro certosino, ma fondamentale per insegnare all’AI a fare il suo lavoro al meglio!

Questo approccio ci ha permesso di quantificare con accuratezza le frazioni di solido e liquido nel campione e, soprattutto, di capire come si distribuiscono quando il materiale viene sottoposto a taglio.

L’Esperimento: Granelli sotto Stress

Per studiare l’effetto del taglio, abbiamo usato un materiale modello: sferette di polistirene di dimensioni uniformi (circa 0.58 mm di diametro) mescolate con un olio siliconico ad alta viscosità. Il polistirene è ottimo perché è trasparente ai raggi X e leggero, minimizzando gli effetti della gravità. L’olio ad alta viscosità, invece, fa sì che la microstruttura rimanga stabile durante le lunghe scansioni tomografiche.

Abbiamo costruito un dispositivo di taglio speciale, una sorta di piccolo reometro, che può essere inserito direttamente dentro il microtomografo. In pratica, il campione viene messo in una cella cilindrica e una piastra superiore lo comprime leggermente (con una forza nota), mentre la base ruota, inducendo il taglio. Abbiamo prima compattato il materiale e fatto una scansione di riferimento. Poi, abbiamo applicato un piccolo tasso di taglio costante per un certo tempo, fermato tutto, e fatto un’altra scansione. E così via, per vedere l’evoluzione.

Le immagini 3D ricostruite avevano una dimensione di voxel (il pixel 3D) di 8 micrometri. Anche se i granelli e i ponti liquidi più grandi erano visibili, quelli più piccoli erano difficili da distinguere a causa dell’effetto del volume parziale (PVE), dove un singolo voxel può contenere più materiali, “mescolando” i loro segnali. Ecco perché la segmentazione AI è stata così cruciale!

Cosa Abbiamo Visto? La Danza del Liquido e dei Granelli

Grazie alla nostra super-segmentazione, abbiamo potuto analizzare in dettaglio cosa succede. Una delle prime cose che abbiamo notato è che, sotto taglio, il liquido tende ad essere espulso dalle regioni fortemente deformate. Immaginate di strizzare una spugna bagnata: l’acqua esce. Qualcosa di simile accade qui, su scala microscopica.

Abbiamo calcolato le frazioni locali di liquido e solido. All’inizio, erano abbastanza omogenee. Ma con la deformazione, la frazione di solido diminuiva, specialmente nelle zone superiori del campione, indicando che il materiale diventava meno denso, si “dilatava”, a causa del riarrangiamento dei granelli indotto dal taglio. Questa dilatazione era più pronunciata in alto, suggerendo una localizzazione del taglio in quelle zone. Curiosamente, nella parte inferiore del campione, abbiamo osservato una leggera compattazione.

Anche il contenuto di liquido complessivo nel campione diminuiva nel tempo, confermando l’espulsione dalle zone di taglio. Questo ha implicazioni enormi per capire come cambia la resistenza del materiale!

Classificare le Forme del Liquido: Dai Ponti agli Ammassi

Non ci siamo fermati qui! Volevamo capire come cambiano le forme che il liquido assume tra i granelli. Queste “morfologie liquide” sono importantissime. Abbiamo identificato diverse categorie:

• Ponti capillari (cb): il liquido che unisce due granelli vicini.
• Dimeri (di): liquido che coinvolge due granelli.
• Trimeri (tr): liquido che tocca tre granelli.
• Pentameri (pt), Tetraedrici (th), e “altri” ammassi più grandi.

Classificarli manualmente sarebbe stato un incubo, data la loro quantità! Così, abbiamo sviluppato una procedura automatica basata su descrittori geometrici (come il rapporto d’aspetto, cioè quanto una forma è allungata) e il numero di granelli a contatto con ciascuna morfologia liquida. Questo ci ha permesso di tracciare l’evoluzione di ciascun tipo.

Abbiamo scoperto che i ponti capillari dominano il volume liquido in tutti gli stadi, anche se la loro quota percentuale sul volume totale diminuisce con il taglio (dal 85% al 70% circa). Questo suggerisce che, sebbene i ponti capillari siano inizialmente la forma più diffusa, la deformazione induce una ridistribuzione del liquido. Interessante notare che, mentre il loro volume complessivo diminuisce, la loro frequenza (normalizzata per la perdita di liquido) tende ad aumentare leggermente, indicando che diventano relativamente più numerosi. Al contrario, le morfologie liquide più grandi tendono ad ammassarsi e crescere con il taglio, coerentemente con le mappe di frazione di volume liquido che mostravano un “clustering” del liquido.

Il Vicinato dei Granelli: Numero di Coordinazione e RDF

Un altro dato cruciale è il “numero di coordinazione” (Z), cioè quanti “vicini” ha in media ogni granello, sia quelli a contatto diretto (Z_C) sia quelli connessi da un ponte liquido senza contatto diretto (Z_D). Per stimarlo, abbiamo usato la Funzione di Distribuzione Radiale (RDF), che ci dice quanto è probabile trovare un altro granello a una certa distanza da un granello di riferimento. L’RDF mostra picchi caratteristici a distanze corrispondenti al diametro dei granelli (contatto), e a multipli di esso.

Abbiamo stimato un Z_C di circa 5.5, in buon accordo con simulazioni numeriche. Per il campione di riferimento, Z_D era circa 3.2. Con il taglio, Z_D diminuiva a circa 2.75. Questa riduzione è logica: la dilatazione del campione aumenta la distanza media tra i granelli, riducendo il numero di ponti capillari che si possono formare tra loro.

Una Questione di Risoluzione: L’Impatto della Dimensione dei Voxel

Ci siamo anche chiesti: quanto influisce la risoluzione delle nostre immagini (la dimensione dei voxel) sui risultati? Per capirlo, abbiamo fatto una scansione aggiuntiva su un materiale simile ma con una risoluzione molto più fine (voxel da 2 µm invece di 8 µm). Poi abbiamo “ridotto” la risoluzione di queste immagini a 8 µm per confrontarle.

È emerso che una dimensione di voxel maggiore (8 µm) tende a sottostimare leggermente la frazione solida e a sovrastimare il volume dei ponti liquidi (tra il 21% e il 42% in più!). Questo è importante: i valori assoluti dei volumi possono essere influenzati dalla risoluzione, specialmente per le piccole strutture. Tuttavia, le variazioni della frazione di volume nel campione e con la deformazione non erano influenzate significativamente. Anche il numero di ponti capillari rilevati era consistente tra le due risoluzioni. Questo ci dice che, sebbene la precisione sui volumi assoluti dipenda dalla risoluzione, i trend e i cambiamenti relativi nella distribuzione del liquido possono essere catturati in modo affidabile.

Le immagini ad alta risoluzione suggerivano che i ponti potessero essere più sottili al centro, forse indicando un contatto diretto tra i granelli. Tuttavia, non possiamo esserne certi: un film liquido sottilissimo, più piccolo del voxel, potrebbe essere stato classificato come parte dei granelli.

Conclusioni e Prospettive Future

Insomma, questo viaggio all’interno dei materiali granulari umidi, armati di raggi X e intelligenza artificiale, ci ha aperto un mondo! Abbiamo sviluppato strumenti robusti per analizzare la complessa microstruttura trifasica di questi materiali. Abbiamo visto come la deformazione ridistribuisce la fase liquida, come cambiano le morfologie liquide e come si modifica l’organizzazione dei granelli.

Certo, ci sono ancora sfide, come risolvere con precisione film liquidi ultrasottili o studiare sistemi ancora più complessi con forme di granelli irregolari o diverse condizioni di saturazione. Ma ogni passo avanti ci aiuta a costruire modelli più accurati del comportamento reologico di questi materiali, con importanti ricadute pratiche.

Spero che questo “tuffo” nella microstruttura vi sia piaciuto tanto quanto a me è piaciuto condurre queste ricerche e raccontarvele. Alla prossima avventura scientifica!

Fonte: Springer