Setembro 2024 vol. 10 num. 1 - XIII Workshop de Cristalografia Aplicada a Ciências e Engenharia de Materiais

Extendido - Open Access.

Idioma principal | Segundo idioma

Determinação da Fração de Porosidade do SmBaCuO Através da Análise Computacional de Imagens

Determining the Porosity Fraction of SmBaCuO through Computational Image Analysis

Orlando, C. P. ; Passos, C. A. C. ;

Extendido:

O desenvolvimento sistemático de cerâmicas supercondutoras depende fortemente de sua caracterização em diversos níveis de resolução. As suas propriedades físicas e mecânicas estão diretamente interligadas a estrutura, microestrutura, características de defeitos, composição química e distribuição espacial. Além disso, são parâmetros importantes para se determinar o comportamento de materiais em aplicações tecnológicas. A determinação da densidade da cerâmica supercondutora é, em geral, feita pelo princípio de Arquimedes que é uma técnica destrutivas para tais materiais. Como alternativa, há na literatura desenvolvimento de métodos de processamento de imagens digitais com uso de programas computacionais. Dentro deste contexto, neste trabalho, sinterizamos cerâmicas supercondutoras SmBa2Cu3O7-d (Sm-123) através do método de reação de estado sólido com diferentes rotas de tratamento térmico. Nosso objetivo foi avaliar as microestruturas destas cerâmicas e avaliar a influência direta na microestrutura da cerâmica supercondutora. Desta forma, nós avaliamos micrografias destas cerâmicas de Sm-123 com objetivo de determinar a densidade do material. Para fins de comparação, nós determinamos as densidades das amostras pelo Princípio de Arquimedes. Em seguida, calculamos a porosidade através de micrografias obtidas por Microscópio Eletrônico de Varredura com conjunto algorítmos. Estas micrografias foram processadas e analisadas com programa ImageJ que nos permitiu quantificar a fração de porosidade e a densidade de cada cerâmica Sm-123. Os resultados indicaram que a diferença absoluta entre as metodologias foi de no máximo 5,1%. Isto demonstra que a análise de imagem automatizada gera resultados consistentes com rapidez e sem interferência do operador.

Extendido:

The systematic development of superconducting ceramics strongly depends on their characterization at different levels of resolution. Their physical and mechanical properties are directly interconnected with the structure, microstructure, defect characteristics, chemical composition and spatial distribution. Furthermore, they are important parameters to determine the behavior of materials in technological applications. The determination of the density of superconducting ceramics is generally done by the Archimedes principle, which is a destructive technique for such materials. As an alternative, there are methods in the literature for processing digital images using computer programs. Within this context, in this work, we sintered SmBa2Cu3O7-d (Sm-123) superconducting ceramics through the solid-state reaction method with different heat treatment routes. Our objective was to evaluate the microstructures of these ceramics and evaluate the direct influence on the microstructure of the superconducting ceramic. Thus, we evaluated micrographs of these Sm-123 ceramics to determine the density of the material. For comparison purposes, we determined the densities of the samples by Archimedes' Principle. Then, we calculated the porosity through micrographs obtained by Scanning Electron Microscopy with a set of algorithms. These micrographs were processed and analyzed with ImageJ software, which allowed us to quantify the porosity fraction and density of each Sm-123 ceramic. The results indicated that the absolute difference between the methodologies was no more than 5.1%. This demonstrates that automated image analysis generates consistent results quickly and without operator interference.

Download (PDF)

Palavras-chave: Supercondutor; Cerâmica; Micrografia; Densidade; Porosidade; ImageJ; Segmentação de Imagem,

Palavras-chave: Superconductor; Ceramic; Micrography; Density; Porosity; ImageJ; Image Segmentation,

DOI: 10.5151/13wcacem-003

Referências bibliográficas
  • [1] Acar, N.; Terzi, M. K.; Yılmaz, A. Aydoğdu, R.; Mutlu, B.; Duman, Ş. Design and structural analysis of 3d-printed porous polylactic acid/hydroxyapatite scaffolds. “International Journal of 3D Printing Technologies and Digital Industry”, vol. 8, p. 71–79, 2024. Doi: 10.46519/ij3dptdi.1347163.
  • [2] Pagano, E. Obtenção de cerâmicas de alumina com gradiente funcional de porosidade a partir de diferentes técnicas. 2017, 108f. Dissertação (Mestrado em Engenharia e Ciências dos Materiais), Universidade Estadual de Ponta Grossa, Ponta Grossa, 2017. Disponível em http://tedeuepg.br/jspui/handle/prefix/2414.
  • [3] Hartig, S. M.). “Basic Image Analysis and Manipulation in ImageJ”. Current Protocols in Molecular Biology. Published online April 2013 in Wiley Online Library doi:10.1002/0471142727.mb1415s102.
  • [4] Gallagher, S. R. “Digital Image Processing and Analysis with ImageJ”. Current Protocols Essential Laboratory Techniques, A.3C.1–A.3C.29, 201 doi:10.1002/9780470089941.eta03cs9
  • [5] Abdulhadi, H.A.; Ahmad, S.N.A.S.; Ismail, I.; Ishak, M.; Mohammed, G.R. Experimental Investigation of Thermal Fatigue Die Casting Dies by Using Response Surface Modelling. Metals, vol. 7, 2017. https://doi.org/10.3390/met7060191
  • [6] Piselli, A.; Basso, M.; Simonato, M.; Furlanetto, R.; Cigada, A. Nardo, L. de; Curto, B. del. “Effect of wear from cleaning operations on sintered ceramic surfaces: Correlation of surface properties data with touch perception and digital image processing”, Wear, vol. 390–391, p. 355-366, 2017, https://doi.org/10.1016/j.wear.2017.09.003.
  • [7] Yusra Y. Amer, Musbah J. Aqel. “An Efficient Segmentation Algorithm for Panoramic Dental Images”. Procedia Computer Science, vol. 65, p. 718-725, 2015.https://doi.org/10.1016/j.procs.2015.09.016.
  • [8] Marcomini, R. F. ; Souza, D. M. P. F. de. “Caracterização microestrutural de materiais cerâmicos utilizando o programa de processamento digital de imagens Image J”. Vo. 57, p. 100-105. 2011, doi: https://doi.org/10.1590/S0366-69132011000100013.
  • [9] Arganda-Carreras I, Kaynig V, Rueden C, Eliceiri KW, Schindelin J, Cardona A, Seung HS. Trainable Weka Segmentation: a machine learning tool for microscopy pixel classification. Bioinformatics. Vol. 33 p. 2424 – 2426. 2017. doi: https://academic.oup.com/bioinformatics/article/33/15/2424/3092362"
Como citar:

Orlando, C. P.; Passos, C. A. C.; "Determinação da Fração de Porosidade do SmBaCuO Através da Análise Computacional de Imagens", p. 14-19 . In: . São Paulo: Blucher, 2024.
ISSN 2358-9337, DOI 10.5151/13wcacem-003

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações