Representaciones profundas débilmente supervisadas para la caracterización de espumas metálicas nanoestructuradas a partir de características geométricas de poro

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorMeléndez Reyes, Ángel Manuel
dc.contributor.advisorViáfara Arango, Cristian Camilo
dc.contributor.authorRomero Serrano, William David
dc.contributor.evaluatorPeña Ballesteros, Darío Yesid
dc.contributor.evaluatorRoldán Jiménez, Diego Gerardo
dc.date.accessioned2025-05-27T15:12:41Z
dc.date.available2025-05-27T15:12:41Z
dc.date.created2025-05-25
dc.date.issued2025-05-25
dc.description.abstractEl método de electrodeposición con plantilla dinámica de burbujas de hidrógeno (DHBT, por sus siglas en inglés) es una técnica versátil para la síntesis de espumas metálicas (MFs) nanoestructuradas con arquitecturas porosas complejas. Comprender la relación entre la geometría de los poros y las propiedades mecánicas y electroquímicas de estas espumas es esencial. Sin embargo, los métodos tradicionales de caracterización siguen siendo laboriosos, subjetivos y propensos a errores. En este trabajo de investigación, se propusieron dos enfoques computacionales para apoyar la caracterización de MFs. Estos métodos se probaron en un conjunto de espumas bimetálicas de aleación Cu-Ni con diferentes proporciones Cu/Ni sintetizadas mediante DHBT, analizando un total de 923 micrografías de tres composiciones químicas distintas. El primer enfoque segmentó la estructura porosa de las espumas y extrajo descriptores básicos de forma, como la distribución del área y perímetro de los poros, el diámetro equivalente y el recuento total de poros. También se analizó la distribución del tamaño de los poros y se cuantificó la capacidad de las espumas CuNi para eliminar mercurio, logrando una capacidad de segmentación promedio del 91\% y una precisión y exhaustividad promedio del 83\% y 80\%, respectivamente. El segundo enfoque introdujo una aproximación basada en desentrelazamiento de propiedades para caracterizar automáticamente las espumas metálicas a partir de características observadas en las micrografías, regularizadas con atributos geométricos de los poros. Este descriptor permitió clasificar las espumas según su composición química, logrando una precisión y exhaustividad promedio del 84\% y 80\%, respectivamente. Los resultados revelan una correlación significativa entre la proporción Cu/Ni y la estructura porosa de las espumas Cu/Ni, proporcionando herramientas valiosas para diseñar espumas con aplicaciones específicas y relacionar composición y morfología.
dc.description.abstractenglishThe Dynamic Hydrogen Bubble Template Electrodeposition Method (DHBT) is a versatile technique for synthesizing nanostructured metallic foams (MFs) with intricate porous architectures. Understanding the interplay between pore geometry and the mechanical and electrochemical properties of MFs is essential, yet traditional characterization methods still are labor-intensive, subjective, and prone to errors. In this research work, we proposed two computational approaches to support MFs characterization, which consider a set of synthesized bimetallic CuNi alloy foams with varying Cu/Ni ratios using the dynamic hydrogen bubble template method. This study considers a total of 923 micrographs of three different chemical compositions. The first approach segmented the porous structure of the foams and extracted a suite of basic shape descriptors for each image, including pore area distribution, pore perimeter distribution, equivalent diameter distribution and total pore count. We also computed pore size distribution and quantified the degree of mercury removal achieved by the synthesized Cu/Ni alloy foams. This approximation achieved an average segmentation capability of 91\% and regarding classification an average precision and recall of 83\% and 80\%, respectively. Secondly, we introduced a disentangling approximation to automatically characterize metallic foams (MFs) by learning image features observed over micrographs, which are regularized with geometrical pore features such as area, perimeter, equivalent diameter, and the number of pores. The recovered MFs descriptor can classify MFs according to chemical composition, bringing support in the design of foams for dedicated applications. This approximation achieved an average precision and recall of 84\% and 80\%, respectively. Our findings reveal a significant correlation between the Cu/Ni ratio and the porous structure of the Cu/Ni foams. The proposed method for pore shape analysis in metallic foams, providing valuable insights into the relationship between composition and morphology.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.description.orcidhttps://orcid.org/0009-0005-5273-8431
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/45685
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectMetales porosos
dc.subjectDeposición electroquímica
dc.subjectEspumas metálicas nanoestructuradas
dc.subjectArquitecturas auto-supervisadas
dc.subjectRepresentaciones profundas
dc.subjectExplicabilidad en aprendizaje profundo
dc.subjectAprendizaje débilmente supervisado
dc.subjectCaracterísticas de los poros
dc.subject.keywordPorous Metals
dc.subject.keywordElectrochemical Deposition
dc.subject.keywordNanostructured Metallic Foams
dc.subject.keywordSelf-Supervised Architectures
dc.subject.keywordDeep Representations
dc.subject.keywordDeep Learning Disentanglement
dc.subject.keywordWeakly Supervised Learning
dc.subject.keywordPore Features
dc.titleRepresentaciones profundas débilmente supervisadas para la caracterización de espumas metálicas nanoestructuradas a partir de características geométricas de poro
dc.title.englishWeakly Supervised Deep Representations For The Characterization Of Nanostructured Metallic Foams From Pore Geometrical Features
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
318.5 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
117.5 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
6.17 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería de Sistemas e Informática