Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Penelitian Semen dan Beton 141 (2021) 106327

Daftar isi tersedia diScienceDirect

Penelitian Semen dan Beton

halaman utama jurnal:www.elsevier.com/locate/cemconres

edxia: Karakterisasi struktur mikro dari hypermap SEM-EDS

yang dikuantifikasi

Fabien Georget*, William Wilson, Karen L. Scrivener

Laboratorium Bahan Konstruksi, LMC, EPFL-STI-IMX, Stasiun 12, CH-1015 Lausanne, Swiss

INFO ARTIKEL ABSTRAK

Kata kunci: Karakterisasi struktur mikro pasta semen merupakan langkah penting untuk memahami mekanisme daya tahan
SEM-EDS dalam bahan semen. Pemindaian mikroskop elektron (SEM) digabungkan dengan spektroskopi dispersif energi (EDS)
Mikrostruktur adalah teknik yang banyak digunakan untuk menganalisis struktur mikro pada skala mikron. Namun, ini menantang,
Analisis gambar
terutama karena ukuran karakteristik banyak fase ditemukan pada skala yang lebih kecil daripada volume interaksi
Analisis kuantitatif
EDS. Karya ini menyajikan kerangka analisis gambar baru untuk mengidentifikasi fase dan mengukur struktur mikro
Analisis data
bahan semen dari hypermap SEM-EDS. Dengan memanfaatkan pengetahuan domain, poin perwakilan dikaitkan
dengan fase dan campuran fase berdasarkan plot rasio. Kemudian, analisis kuantitatif struktur mikro dapat
dilakukan (komposisi kimia, distribusi ukuran partikel,…). Kami mendemonstrasikan kemampuan kerangka kerja,
dan kami menyajikan aplikasi dan ekstensi yang mungkin dari metode ini. Framework ini tersedia sebagai
antarmuka grafis dan kode Python.

1. Perkenalan pemetaan kualitatif). Namun, pendekatan ini memiliki keterbatasan.

Pemindaian mikroskop elektron (SEM) digabungkan dengan
spektroskopi dispersif elektron (EDS) memiliki banyak aplikasi dalam bahan
semen. Misalnya, dapat digunakan untuk memperoleh komposisi CASH [1],
untuk menganalisis komposisi SCM kompleks [2,3], untuk menghitung
derajat reaksi [4,5], atau untuk menginterpretasikan hasil metode lain
seperti nanoindentation [6,7]. Penggunaan khusus SEM-EDS adalah
perolehan pemetaan multispektral atau hiperspektral. Dalam pemetaan ini,
setiap piksel berisi spektrum EDS lengkap yang dapat dikuantifikasi untuk
mendapatkan komposisi kimianya, dan kemudian digabungkan dengan
informasi spasial untuk menyediakan pemetaan semua elemen yang
dikuantifikasi. Dalam kombinasi dengan mikrograf backscattered electron
(BSE), pemetaan tersebut dapat digunakan untuk mempelajari hidrasi [2,3,8
], dan/atau masalah daya tahan [2,9,10]. Jumlah informasi dalam gambar
hiperspektral ini besar, tetapi sayangnya tidak mudah diakses karena
kesulitan intrinsik untuk menampilkan dan menafsirkan informasi ini.
Tantangannya ada dua: fase pertama harus diidentifikasi [2,3,8,11], dan
kuantifikasi yang berarti kemudian harus diperoleh [3,11,12].
Sebagai contoh,Gambar 1menunjukkan versi beranotasi dari gambar BSE dari pasta
semen tanah liat yang dikalsinasi batu kapur (LC3) sampel yang akan dipelajari dalam
artikel ini. Seorang ahli sudah dapat mengidentifikasi fase-fase pada gambar ini,
terutama dengan menggunakan informasi dari EDS (baik point analysis atau
Pertama, partikel hanya dapat diidentifikasi satu per satu, membatasi
pemahaman tentang distribusi fase, serta perkiraan fraksi volumenya.
Kedua, informasi kuantitatif yang representatif tentang komposisi
kimia tidak dapat diperoleh dengan mudah. Ketiga, dari analisis XRD,
kita tahu bahwa konten ettringite harus sekitar 12% (dalam massa),
meskipun fase ini tidak dapat diidentifikasi pada citra BSE! Kami
mencari metode yang mampu menyelesaikan semua keterbatasan ini.
Identifikasi fase adalah masalah pengelompokan [6,7,13–16], yang dapat
diselesaikan dengan penggunaan algoritme pengelompokan otomatis, seperti
pohon keputusan [14], SVM [15], k-berarti [16], atau pengelompokan campuran
Gaussian [6,7] algoritma. Meskipun hasil yang baik dapat diperoleh, teknik ini
tidak banyak digunakan dalam praktik, meskipun beberapa alat (misalnya [16])
tersedia dalam perangkat lunak yang mapan, seperti ImageJ [17,18]. Menurut
pendapat penulis, hal ini disebabkan kompleksitas intrinsik dari kedua algoritma
dan struktur mikro pasta semen, dibandingkan dengan kegunaan informasi yang
dapat diperoleh secara langsung. Algoritme pengelompokan telah dikembangkan
untuk menganalisis volume data yang besar dengan rasio sinyal terhadap noise
yang lebih rendah daripada yang tersedia dalam praktik.
Untuk pemetaan SEM-EDS, waktu adalah faktor pembatas utama. Studi
berdasarkan sejumlah besar hypermap jarang terjadi. Misalnya, karya yang
disajikan di sini hanya berdasarkan 19 hypermap. Lebih banyak peta akan dimiliki

* Penulis yang sesuai.

Alamat email:fabien.georget@epfl.ch (F. Georget).

https://doi.org/10.1016/j.cemconres.2020.106327
Diterima 1 Juni 2020; Diterima dalam bentuk revisi 2 Oktober 2020; Diterima 30 November 2020
Tersedia online 16 Desember 2020
0008-8846/© 2020 Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://creativecommons.org/licenses/by/4.0/).
F. Georget et al.
meningkatkan signifikansi statistik dari hasil kami, tetapi ini adalah kondisi dari
banyak penelitian yang menggunakan SEM-EDX sebagai alat untuk rata-rata.
Keterbatasan utama adalah waktu yang diperlukan untuk menyiapkan sampel,
menganalisis sampel dalam mikroskop (beberapa jam hingga satu hari untuk peta
berkualitas tinggi) dan mengukur peta (biasanya 10 jam). Oleh karena itu, penting
untuk menggunakan pendekatan analisis yang dapat direproduksi dan andal
(yang dapat diperiksa), daripada analisis otomatis sepenuhnya yang dapat
menangani data dalam jumlah besar. Pentingnya membatasi algoritma oleh
domainknowledge sebelumnya diakui oleh Munch et al. [16], yang sepenuhnya
mengintegrasikan input dari pakar ke dalam algoritme mereka. Persyaratan kedua
untuk penerapan alat ini adalah penggunaan antarmuka grafis [12,16], yang dapat
memberikan umpan balik langsung kepada pengguna. Banyak dari algoritme ini
memerlukan banyak langkah dan parameter untuk disesuaikan oleh pengguna.
Kontras dapat dibuat dengan metode Rietveld untuk analisis X-Ray kuantitatif:
serupa dalam kompleksitas, tetapi kemudahan penggunaan perangkat lunak
umum membuatnya menjadi alat yang tersedia bagi peneliti tanpa latar belakang
pemrograman [19]. Selain itu, masalah pengelompokan dan pemisahan fase
hanyalah langkah awal. Penting untuk menyediakan alat analisis pengguna [11]
yang dapat digunakan untuk menjawab pertanyaan ilmiah tertentu. Misalnya, di
bawah ini adalah daftar pertanyaan penelitian yang tidak lengkap (dari berbagai
bidang ilmu material semen) yang dapat memanfaatkan alat analisis hypermap
yang kuat:
• Di manakah elemen minor dalam fase poliklinker?
• Di manakah letak ettringite dalam struktur mikro?
• Di mana strätlingite mengendap saat terbentuk?
• Apakah paparan klorida mengubah morfologi fase AFm?
• Apa komposisi fase AFm setelah terpapar klorida?
• Bisakah kita langsung mengukur pengikatan klorida dalam CSH?
• Apa ciri khas bagian depan karbonasi?
• Apa dampak sulfat pada proses hidrasi?
• Bagaimana struktur mikro dipengaruhi oleh serangan sulfat?
Semua pertanyaan ini sedang dipelajari di lab kami menggunakan alat ini
Gambar 1.Anotasi fase dari BSE dan peta elemen LC3Sampel.
2
Penelitian Semen dan Beton 141 (2021) 106327
disajikan di sini sebagai langkah dalam analisis data. Pentingnya pertanyaan
ilmiah ini atas masalah pengelompokan, telah menyebabkan penggunaan
gabungan gambar multispektral (umumnya kualitatif) untuk mempelajari
distribusi spasial fase dan, analisis titik EDS untuk mempelajari komposisinya
[5,7,9]. Namun, untuk mendapatkan ukuran kuantitatif dari distribusi
spasial, diperlukan jembatan antara pemisahan fase yang kuat dan analisis
kimia kuantitatif.
Pada artikel ini, kami mengusulkan pendekatan baru yang memungkinkan
pemisahan fase, analisis kimia, dan visualisasi pada citra BSE. Ini membahas
tantangan fisik dan praktis dalam menganalisis hypermap SEM-EDS dari struktur
mikro pasta semen yang kompleks. Metode yang diusulkan didasarkan pada
kombinasi (1) denoising peta terukur, (2) pengelompokan fase yang ditentukan
pengguna berdasarkan pengetahuan domain dan (3) alat visual untuk berinteraksi
dengan pengguna (yaitu, dengan pengetahuan domain dan masalah penelitian).
Pertama, menggunakan segmentasi citra komposit [3,7,11], kami mengekstrak
poin representatif dari hypermap EDS kuantitatif. Emulasi metode analisis titik
menggunakan plot rasio [1,19] memungkinkan komposisi fase untuk dipelajari,
tetapi juga mengidentifikasi campuran fase ini dari titik perwakilan. Selain itu,
topeng fase dapat ditentukan dengan menerjemahkan kelompok titik ke dalam
peta. Kemudian, bentuk partikel dan distribusi spasial dapat dianalisis dari topeng
fase ini. Metode ini diimplementasikan ke dalam kerangka kerja baru yang disebut
edxia, dan ditambahkan ke dalam perangkat lunak Glue [20,21] agar alat ini dapat
diakses oleh semua peneliti. Aksesibilitas ini serta fleksibilitas metode kami
merupakan keunggulan penting dibandingkan dengan pendekatan sebelumnya.
Berkat keserbagunaan pendekatan ini, pertanyaan ilmiah yang disajikan di atas
semuanya dipelajari dengan perangkat lunak kami sebagai bagian dari proses
pengembangan (walaupun tidak dapat dijelaskan secara rinci di sini).
Dalam makalah ini, kami menyajikan protokol eksperimental untuk
persiapan sampel, akuisisi dan kuantifikasi hypermap SEM-EDS.Bagian
3menyajikan secara rinci metode analisis citra dan justifikasinya.Bagian
4memberikan beberapa contoh penyelidikan struktur mikro yang
dimungkinkan oleh peta fase kuantitatif, analisis kimia fase,
F. Georget et al.
kuantifikasi fraksi volume fase dan estimasi deskriptor struktur mikro.Bagian
5menyajikan beberapa aplikasi tambahan untuk alat kami: penyelidikan
profil, mengatasi detektor EDS dengan efisiensi rendah, memfilter data pada
tingkat spektrum, dan menggabungkan pembelajaran mesin. Secara
keseluruhan, makalah ini tidak hanya menjelaskan metode dan beberapa
aplikasi saat ini, tetapi juga bertujuan untuk menetapkan tahap
pengembangan lebih lanjut dalam kerangka open-source.
2. Bahan-bahan dan metode-metode
2.1. Bahan
Untuk mengilustrasikan kekokohan pendekatan edxia, CEM I Ordinary
Portland Cement (OPC) dan sistem campuran dipilih sebagai contoh struktur
mikro semen dengan tingkat kerumitan berbeda. Lebih khusus lagi, sistem
campurannya adalah pasta semen batu kapur yang dikalsinasi (LC3).22]. LC3
-50 pasta menggabungkan 53% OPC (CEM I), 30% tanah liat terkalsinasi
(dibakar dan digiling di India, dengan kandungan kaolinit terkalsinasi ~45%),
15% bubuk batu kapur komersial halus dan 2% gipsum kelas kimia.
Komposisi kimia semen dan lempung terkalsinasi yang diperoleh dengan
XRF disajikan dalamTabel 1. LC3pasta semen dicampur dengan air
deionisasi.
2.2. Metode
2.2.1. Persiapan sampel
Untuk memastikan homogenitas sampel dan keterwakilan area
yang diselidiki, pasta semen dicampur selama 2 menit dengan impeller
aliran aksial 5 cm pada 1600 rotasi/menit. Pencampuran geser tinggi ini
diikuti dengan pencampuran vakum selama 1 menit pada 450 putaran/
menit untuk menghilangkan udara yang terperangkap. Rasio air-ke-
pengikat khas 0,4 dipilih dan superplasticizer berbasis polikarboksilat
digunakan untuk mendapatkan kemampuan kerja yang cukup untuk
pengecoran. Pasta dicetak dalam cetakan silinder polipropilen
berdiameter 33 mm, yang tetap tersegel selama 20 jam pertama
sebelum demolding. Mereka kemudian diawetkan dengan air selama
28 hari dalam wadah yang sedikit lebih besar. Selain membatasi jumlah
air dengan ukuran wadah,
Pada 28 hari, irisan setebal 2 mm dipotong dan dikeringkan dengan pertukaran pelarut isopropanol selama 7
hari (dengan pembaharuan isopropanol setelah 1 jam, 1 hari dan 3 hari) diikuti dengan penguapan isopropanol di
bawah sedikit vakum selama lebih dari 7 hari (dengan CO2 dan agen penyerap H20). Setelah kering, potongan irisan
yang lebih kecil dipoles dengan kertas silikon karbida #1200 (untuk menghilangkan kemungkinan karbonasi dan
memberikan permukaan yang rata). Potongan-potongan itu kemudian diresapi di bawah vakum menggunakan epoksi
EPO-TEK 301 ke dalam cetakan berdiameter 25 mm, untuk mendukung struktur mikro yang halus dari hidrat pasta
semen. Sampel tertanam kemudian dipoles menggunakan mesin pemoles otomatis Struers RotoPol-25 dengan cakram
Struers MD Largo dan suspensi berlian DP-Spray M, dengan deodorized petroleum sebagai pelumas. Permukaan
seperti cermin berkualitas tinggi diperoleh dengan pemolesan berturut-turut selama 15 menit dengan suspensi berlian
9 μm di bawah tekanan 15 N, diikuti oleh 1 jam dengan suspensi berlian 3 μm pada 20 N dan 2 jam dengan berlian 1
μm suspensi pada 20 N. Antara setiap langkah (dan setelah setiap jam pemolesan), sampel dibersihkan dalam
penangas ultrasonik isopropanol selama 2 menit. Setelah 2 hari di bawah sedikit vakum untuk menguapkan
isopropanol yang tersisa, sampel dilapisi karbon dengan ketebalan sekitar 15 nm (untuk membuat permukaan
konduktif dan memungkinkan analisis SEM pada suhu tinggi). sampel dibersihkan dalam penangas ultrasonik
isopropanol selama 2 menit. Setelah 2 hari di bawah sedikit vakum untuk menguapkan isopropanol yang tersisa,
sampel dilapisi karbon dengan ketebalan sekitar 15 nm (untuk membuat permukaan konduktif dan memungkinkan
analisis SEM pada suhu tinggi). sampel dibersihkan dalam penangas ultrasonik isopropanol selama 2 menit. Setelah 2
hari di bawah sedikit vakum untuk menguapkan isopropanol yang tersisa, sampel dilapisi karbon dengan ketebalan
sekitar 15 nm (untuk membuat permukaan konduktif dan memungkinkan analisis SEM pada suhu tinggi).
Tabel 1
Komposisi kimia (%) massa semen dan lempung terkalsinasi yang digunakan dalam penelitian ini. LOI = kehilangan penyalaan.
Bahan Na2HAI MgO Al2HAI3 SiO2
CEM I 0,4 1.1 5.4 20.7
Tanah liat yang dikalsinasi 0,1 0,0 36.7 56.1
3
Penelitian Semen dan Beton 141 (2021) 106327
kekosongan).
2.2.2. parameter SEM
Mayoritas analisis SEM-EDS dilakukan dengan Zeiss Schottky SEM yang
dilengkapi dengan Gemini®2 kolom. Tegangan percepatan adalah 15 kV
untuk memungkinkan kuantifikasi besi (untuk mengakses jalur besi K).
Pekerjaan sebelumnya menunjukkan bahwa dengan tegangan seperti itu,
95% karakteristik sinar-X yang keluar dari bahan semen dihasilkan dalam
kedalaman ~ 900–1700 nm (tergantung pada fase, kerapatannya, dan pada
elemen yang diukur) [7]. Arus pancaran diatur menjadi 2 nA (menggunakan
cangkir Faraday) untuk mendapatkan sinyal maksimum tanpa menjenuhkan
detektor EDS. Meskipun nilai ini lebih tinggi dari rekomendasi Rossen et al. [
1], kerusakan pada sampel dibatasi oleh pemindaian permukaan ultra-cepat
yang diaktifkan oleh detektor Oxford Ultim-Max 170 EDS yang memiliki
permukaan detektor penyimpangan silikon 170 mm2.
Kecuali ditentukan lain, hypermap EDS diperoleh menggunakan
perangkat lunak Aztec pada resolusi 1024×768 piksel pada wilayah 280 μm
kali 210 μm. Untuk menghindari penurunan kualitas gambar karena
kemungkinan penyimpangan permukaan, koreksi penyimpangan Autolock
digunakan dengan pengukuran setiap 30 detik dan koreksi prediktif setiap
10 detik. Parameter akuisisi hypermap ditetapkan sebagai kompromi untuk
mendapatkan jumlah yang cukup pada setiap piksel, sekaligus membatasi
kerusakan permukaan dan waktu mesin yang diperlukan. Kombinasi 256
detik waktu tunda per piksel dengan rata-rata lebih dari 12 frame ditemukan
memberikan hasil yang baik (walaupun kombinasi lain yang memuaskan
dapat dilakukan). Pada kondisi ini, waktu perolehan peta sekitar 1 jam.
Untuk memastikan konsistensi analisis EDS, intensitas sinar dikalibrasi pada
pita tembaga sebelum setiap analisis (bahkan jika SEM Schottky sangat stabil).
Deadtime disimpan di bawah 30-35% untuk berbagai jenis bagian yang dipoles
yang diselidiki. Untuk mencapai analisis EDS kuantitatif, standar tersertifikasi
digunakan untuk semua elemen yang diminati: CaSiO3untuk O dan Ca, Jadeite
untuk Na, Al2HAI3untuk Al, SiO2untuk Si, CaSO4untuk S, KCl untuk K dan Cl, MgO
untuk Mg dan Fe2HAI3untuk Fe (standar dari Micro-Analysis Consultants Ltd).
Setelah akuisisi, setiap hypermap dikuantifikasi menggunakan fungsi QuantMap
bawaan Aztec dengan pemrosesan semua elemen, tanpa normalisasi, koreksi
untuk artefak jendela, dan penumpukan pulsa. Meskipun oksigen mungkin tidak
dapat diukur dengan sempurna, itu masih diukur secara langsung dari spektrum
yang dianggap sebagai pilihan terbaik untuk pasta semen: oksigen stoikiometrik
dari oksida akan menyebabkan kesalahan koreksi matriks yang besar, karena
kandungan hidrogen dan karbon penting yang tidak terkuantifikasi. Namun
demikian, kandungan air dan karbonat masih diperkirakan menggunakan jumlah
oksida (SOX), yang menjumlahkan massa semua elemen yang diukur dan oksigen
stoikiometriknya (mengingat oksida yang diharapkan terjadi dalam pasta semen,
misalnya CaO, SiO2, Al2HAI3, Fe2HAI3, dll.)
Selain analisis utama yang dilakukan dengan pendekatan, pilihan
parameter dan kemungkinan menggunakan detektor efisiensi rendah
dieksplorasi dengan SEM filamen tungsten Quanta 200 yang dilengkapi
dengan 30 mm2Detektor EDS (Brucker XFlash 4030). Standar yang sama
digunakan dengan pendekatan kalibrasi dan kuantifikasi yang serupa.
Kumpulan parameter yang berbeda digunakan, dengan dua jenis instrumen
seperti yang dijelaskan padaMeja 2.
2.2.3. Karakterisasi tambahan dari pasta semen
Selain analisis SEM-EDS, difraksi sinar-X (XRD) dan analisis
termogravimetri (TGA) juga dilakukan pada LC yang sama.3tempel untuk
memberikan fraksi fase referensi. Analisis XRD dilakukan pada cakram segar
berdiameter 33 mm, menggunakan difraktometer PANalytical X'pert Pro
Bragg–- Brentano. Parameter yang dipilih sesuai dengan
JADI3 K2HAI CaO TiO2 Fe2HAI3 LOI
2.9 0,7 65.0 0,2 1.9 1.8
0,1 0,2 0,2 2.4 3.4 0,5
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Meja 2 SEM-EDX hypermaps, dan (2) menghubungkan plot rasio ini dengan gambar BSE,
Detektor EDS dan parameter akuisisi hypermap digunakan dalam penelitian ini. termasuk analisis fase campuran. Setelah langkah-langkah pemrosesan ini,
Mengatur EDS Resolusi Balok Waktu tinggal/ Total berbagai jenis analisis dapat dijalankan pada topeng-topeng ini tergantung pada
detektor saat ini bingkai waktu masalah ilmiah tertentu. Diagram alir dari pendekatan lengkap disajikan di

A Brucker 30 1024×768 ~6 nA 512 μs/10 ~1 jam

Gambar 2, dan setiap langkah dijelaskan lebih lanjut di bagian yang sesuai dari
B Brucker 30 1600× ~0,8 nA 512 μs/30 ~8 jam makalah ini.
1200
CA Oxford 170 1024×768 2 nA 256 μs/12 ~1 jam
3.1. Denoising peta kimia
D Oxford 170 2048× 2 nA 256 μs/12 ~4 jam
1536
e Oxford 170 1024×768 4 nA 256 μs/6 ~30 mnt Kecuali jika pengguna memiliki akses ke detektor EDX kelas atas untuk jangka
F Oxford 170 512×384 2 nA 256 μs/12 ~15 mnt waktu yang lama, jumlah hitungan per piksel biasanya di bawah ambang batas

ASet C adalah set parameter default yang digunakan kecuali dinyatakan lain.
peralatan yang tersedia dan rekomendasi dari [19]: tabung tembaga yang
dioperasikan pada 45 kV dan 40 mA; celah soller sebesar 0,04 rad untuk
sinar datang dan difraksi; insiden anti-pencar dan celah divergensi
ditetapkan pada 0,5◦; pisau balok; Detektor sinar-X peka posisi linier
X'Celerator dengan panjang 2,122◦2θ; memindai dari 5 hingga 70◦dengan
0,017◦2θmelangkah; tahap pemintalan pada 15 putaran per menit; 30 detik
per langkah terintegrasi, untuk durasi pemindaian sekitar 15 menit. Pola
dianalisis menggunakan metode Rietveld dengan standar eksternal [23],
bersama dengan pendekatan berulang yang diusulkan oleh Li et al. [24]:
fase semen pertama kali disempurnakan dari pola semen anhidrat dan
kemudian dipindahkan ke penyempurnaan pasta semen; kuantifikasi
terakhir ini kemudian dinormalisasi dengan faktor-K yang diperoleh dengan
menggunakan standar rutil dan koefisien atenuasi massa sampel.
Pendekatan ini memberikan fraksi massa absolut untuk fase kristal dan
kandungan amorf total. Analisis TGA dibuat dengan instrumen Mettler
Toledo TGA/SDTA851, dengan mempertimbangkan pendekatan yang
dijelaskan dalam [19]. Sampel sekitar 50 mg ditempatkan dalam wadah
alumina dan diuji dengan 10◦Peningkatan suhu C/menit dari 30◦C sampai
1000◦C, dalam aliran nitrogen 30 mL/menit. Kurva yang terekam dievaluasi
menggunakan metode tangen, terutama untuk memperkirakan portlandite
Ca(OH)2konten dari kehilangan air berpusat di sekitar 450◦C.
2.3. Implementasi metode edxia
Kerangka kerja baru yang dikembangkan selama pekerjaan ini,edxia,
dikodekan dengan python [25], menggunakan scipy [26,27], matplotlib [28] dan
scikit-gambar [29] perpustakaan. Tumpukan ilmiah Python dipilih karena
fleksibilitas dan ekstensibilitasnya. Framework ini dikembangkan sebagai
Application Programming Interface (API). Ini berarti bahwa pengguna dapat
mengembangkan alat analisis mereka sendiri, dan alur kerja disesuaikan dengan
masalah mereka. Kerangka kerja sumber terbuka tersedia secara bebas [30].
Agar kerangka tersedia bagi peneliti tanpa pengalaman pengkodean, itu dimasukkan
sebagai plugin untuk Glue [20,21]. Perangkat lunak python ini dikembangkan untuk
memvisualisasikan dan membuat tautan antar kumpulan data dengan mudah. Misalnya,
Glue awalnya dikembangkan untuk mengidentifikasi bintang dalam gambar teleskop dari
katalog bintang. Kami menggunakannya di sini untuk mengidentifikasi fase pada peta
BSE, menggunakan informasi kimiawi yang disediakan oleh analisis EDS. Dokumentasi
antarmuka juga tersedia [31].
3. Metode edxia
Untuk menjawab tantangan yang diidentifikasi dalam pendahuluan, metode kami
mengikuti pendekatan berurutan yang diringkas sebagai berikut:
1. Peta didenoifikasi dan digabungkan
2. Poin representatif diambil dari peta
3. Plot rasio digunakan untuk mengidentifikasi fase oleh pengguna
4. Masker dibuat dari daerah yang diidentifikasi dalam plot rasio, untuk
mengidentifikasi fase dalam struktur mikro.
Kebaruan metode ini adalah (1) mengusulkan kombinasi metode yang dapat
direproduksi untuk mendapatkan plot rasio daripada yang dapat dianalisis dari
yang diperlukan untuk analisis titik yang andal [1], yaitu, petanya berisik.
Kebisingan memanifestasikan dirinya sebagai variasi kecerahan pada peta (yaitu
tekstur frekuensi tinggi pada daerah homogen). Sebagai contoh, tekstur ini
terlihat pada peta kalsium mentah yang disajikan diGambar 3. Tekstur ini secara
signifikan menurunkan kualitas keluaran dari algoritma analisis gambar. Oleh
karena itu, harus dihapus sebelum analisis lebih lanjut. Meskipun beberapa piksel
mungkin tidak dapat diandalkan dengan sendirinya, kami dapat menggunakan
informasi yang didistribusikan melalui sejumlah besar piksel untuk
menyempurnakan peta.
Ada banyak algoritma denoising. Sebagai pedoman, algoritme denoising
yang baik harus menghilangkan tekstur frekuensi tinggi dari peta sambil
mempertahankan tepi yang tajam. Mengolesi tepi menyebabkan
peningkatan nyata dari efek volume interaksi. Selain peta mentah, Gambar 3
menunjukkan hasil dari tiga algoritma denoising pada peta Ca: algoritma
variasi total [32], filter Gaussian, dan filter bilateral gabungan [33,34]. Filter
bilateral bersama adalah filter yang mempertahankan tepi menggunakan
gambar yang berbeda (namun terkait) untuk deteksi tepi. Gambar referensi
untuk deteksi tepi dalam alur kerja kami adalah gambar BSE. Peta
ditampilkan di kolom kiriGambar 3, sedangkan histogram yang sesuai
dengan peta ini ditampilkan di kolom kanan. Setiap algoritme bergantung
pada parameter yang mengontrol tingkat denoising. Algoritma variasi total
bergantung pada parameter bobot (di sini sama dengan 0,1), filter Gaussian
bergantung pada parameter skala (di sini sama dengan 0,5) yang
mengontrol lebar jendela Gaussian. Filter bilateral gabungan bergantung
pada parameter ruang (di sini 10.0) dan parameter intensitas (di sini 2.5).
Untuk hypermap SEM-EDX tipikal dari bahan semen, kami mengamati
bahwa algoritme variasi total memberikan denoising yang lebih baik
daripada filter media standar, yang kuat sehubungan dengan parameter. Di
sisi lain, filter Gaussian merupakan trade-off yang sulit antara penghilangan
noise dan pengolesan informasi tanpa titik optimal yang jelas. Karena filter
bilateral dikembangkan untuk mengurangi corengan pada bagian tepi, ini
merupakan pilihan yang baik untuk membatasi dampak denoising. Oleh
karena itu, dapat mengurangi kebutuhan akan kompromi, tetapi cukup peka
terhadap parameter, yang harus disesuaikan dengan resolusi, bidang
pandang, dan juga kontras pada citra BSE.
Metode lain untuk menilai efek denoising adalah dengan
menganalisis histogram intensitas gambar. Denoising menghasilkan
penyempurnaan puncak utama, dan munculnya puncak sekunder.
Puncak pusat utama sesuai dengan fase hidrat utama seperti fase CSH
dan AFm (lapisan hidroksida ganda dari keluarga hidrokalumit) [35].
Puncak pada Ca tinggi sesuai dengan fase klinker. Bahu di puncak CSH/
AFm adalah portlandite. Bahu ini lebih terlihat untuk semen biasa (CEM
I) dimana kandungan portlandite lebih tinggi. Puncak pada Ca rendah
adalah metakaolin dan campuran antara metakaolin dan produk
hidrasi. Bahkan jika peta lebih disempurnakan setelah denoising,
puncaknya masih tumpang tindih. Oleh karena itu, mereka tidak dapat
digunakan untuk memilih fase sendiri secara kuantitatif. Perlu dicatat
bahwa denoising tidak dapat dioptimalkan hanya berdasarkan lebar
puncak di histogram. Sebab, hal itu akan menyebabkan over-
smoothing, dimana campuran fase tidak bisa diselesaikan lagi.
Denoising bukanlah operasi tanpa kompromi, karena denoising dapat
menimbulkan bias. Namun, perbandingan komposisi (Al/Ca,Si/Ca,S/Al,…)
ditemukan rata-rata kuantitatif, seperti yang disebutkan oleh Harrisson et al.
[36]. Poin ini dikembangkan lebih lanjut diBagian 5.2. Sejak

4
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 2.Diagram alir metode edxia. Angka menunjukkan bagian dari makalah ini.

algoritme total-variasi memberikan hasil terbaik dalam hal Gambar komposit yang dihasilkan ditampilkan diGambar 5A. Gambar ini dapat
ketangguhan dan aspek akhir dari peta, itu digunakan di sisa contoh dianalisis untuk memisahkan fase berdasarkan warna. Fase utama diidentifikasi
yang disajikan dalam makalah ini. Ini juga merupakan opsi default dalam legenda sosok itu. Untuk mengidentifikasi fase dengan warna dengan lebih
dalam penerapan metode kami. baik, warna latar belakang legenda diatur ke warna rata-rata matriks CSH luar.

Masker fase dapat diperoleh dari gambar komposit ini, seperti yang
3.2. Kombinasi menjadi peta komposit
biasa dilakukan dengan mengubah saluran RGB menjadi saluran rona,
saturasi, dan kecerahan (HSB).37]. Fase-fase tersebut kemudian ditentukan
Pendekatan umum untuk menganalisis informasi kimia, misalnya [3,11,37],
oleh ambang batas pada rona. Ambang batas tambahan dapat ditentukan
adalah pembuatan peta komposit. Peta komposit juga digunakan sebagai langkah
pada saturasi, kecerahan, dan/atau pada nilai BSE, untuk memisahkan
pra-pemrosesan dalam alur kerja kami untuk meningkatkan rasio sinyal terhadap
antara fase anhidrat dan hidrat. Analisis gambar komposit berguna untuk
noise. Peta komposit ini diperoleh dengan menggabungkan peta EDS elemen
menganalisis peta dengan cepat. Namun, batasan utamanya adalah
berskala yang ditugaskan ke saluran warna yang berbeda. Konvensi untuk
terbatas pada 3 komponen, atau 4 jika saluran abu-abu ditambahkan
membuat peta komposit adalah penggunaan peta unsur Ca, Si dan Al, yang
sebagai pengganti peta BSE. Keterbatasan lainnya adalah ambang batas
memungkinkan pemisahan terbaik antara fasa semen utama [3,38].
didasarkan pada parameter nonfisik, rona daripada komposisi. Meskipun
Peta berwarna individu, untuk LC3pasta semen ditunjukkan pada
cukup untuk membedakan CSH dari portlandite, tidak mungkin secara
Gambar 4. Dengan menugaskan peta ini ke saluran yang sesuai dari gambar
langsung untuk memisahkan hemicarboaluminate dari
RGB (merah = Si, hijau = Al, biru = Ca), peta komposit dapat diperoleh. Setiap
monosulfoaluminate, misalnya. Analisis menggunakan semua elemen yang
peta individu selanjutnya dapat diskalakan untuk mendapatkan rentang
tersedia diperlukan [16].
warna yang disesuaikan. Peta komposit juga dapat ditampilkan sebagai
lapisan transparan di atas peta BSE untuk menyorot batas partikel, atau
dicampur dengan peta tingkat keabuan lainnya (misalnya Fe, Mg) untuk
meningkatkan pemisahan visual fase tertentu.

5
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 3.Pengaruh algoritma denoising pada peta Ca. Kolom kiri menyajikan peta kalsium, kolom kanan adalah histogram yang sesuai. Garis merah diposisikan pada
nilai maksimum histogram yang sesuai dengan peta Ca yang didenominasi dengan algoritma variasi total. Parameter untuk algoritma denoising dijelaskan dalam teks.
(Untuk interpretasi referensi warna dalam legenda gambar ini, pembaca dirujuk ke versi web artikel ini.)

3.3. Segmentasi daerah dengan komposisi serupa
Untuk memudahkan identifikasi fase, peta komposit dapat dipisahkan menjadi
wilayah menggunakan algoritma segmentasi superpiksel [39]. Segmentasi ini
mengidentifikasi piksel-piksel yang berdekatan dengan warna yang sama (komposisi
serupa untuk peta komposit) dan mengelompokkannya ke dalam wilayah yang
berkelanjutan.
Algoritma segmentasi dapat diterapkan pada citra BSE abu-abu
untuk memisahkan daerah tanpa informasi komposisi. Daerah ini akan
sesuai dengan partikel, biji-bijian, menggumpal
partikel, atau bagian partikel atau gel yang homogen. Algoritma standar
dapat memberikan hasil yang memadai untuk butiran klinker anhidrat.
Namun, mereka biasanya gagal untuk fase terhidrasi karena ukurannya
lebih kecil (kadang-kadang bahkan lebih kecil dari resolusi), dan tingkat
keabuan serupa dan tergantung pada sampel dan mikroskop. Oleh karena
itu, sebaiknya dilakukan segmentasi pada peta komposit. Algoritma
segmentasi menciptakan wilayah dengan komposisi serupa. Tingkat
kesamaan yang dipertimbangkan di sini biasanya ditentukan oleh jumlah
wilayah yang dibuat oleh algoritme. Di sebagian besar algoritma, jumlah
wilayah adalah fungsi yang ditentukan pengguna

6
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 4.Komponen gambar komposit. Peta denoisasi ini masing-masing ditetapkan ke saluran gambar RGB untuk membuat gambar komposit.

Gambar 5.a) Gambar komposit terbentuk dari kombinasi saluran individu yang disajikanGambar 4, dan, b) segmentasi yang sesuai menggunakan algoritma SLIC. Titik-
titik mewakili pusat geometris dari setiap wilayah tersegmentasi.

parameter. 3.4. Emulasi analisis titik

Di edxia, algoritma segmentasi SLIC [39] digunakan secara default.
Efeknya ditunjukkan padaGambar 5B. Seperti yang diamati pada gambar ini,
fitur utama peta komposit disimpan setelah segmentasi. Keuntungan utama
dari metode ini adalah kita dapat mentransformasi sejumlah besar piksel
(misalnya, 1024×768 = 786, 432) menjadi sejumlah daerah yang jauh lebih
kecil (misalnya, <20.000). Meski tidak wajib, langkah ini penting untuk
mempermudah analisis lebih lanjut. Perlu dicatat bahwa hilangnya informasi
selama langkah ini minimal, karena titik-titik yang bertetangga akan
memiliki komposisi yang serupa (karena volume interaksi yang tumpang
tindih, dan denoising). Di sisi lain, rasio signal-to-noise meningkat karena
banyak titik pada antarmuka antara dua fasa, atau di pori-pori tidak
dipertimbangkan.
Analisis kimia dengan SEM-EDS biasanya dilakukan dengan pengukuran
titik dimana hasilnya diplot sebagai plot rasio [19,36]. Sebagai contoh,
komposisi CASH biasanya ditentukan menggunakan plot pencar Al/Ca vs. Si/
Ca [1]. Kerangka kerja kami meniru pendekatan itu. Tantangan utamanya
adalah memilih titik perwakilan di peta menggunakan metode yang andal
dan dapat direproduksi. Untuk sistem ideal yang terbuat dari partikel dalam
matriks gel, titik paling representatif berada di tengah partikel, karena efek
fase tetangga dalam volume interaksi diminimalkan. Sayangnya, seperti
yang dijelaskan pada bagian sebelumnya, tidak mungkin untuk
mengidentifikasi dengan sempurna setiap partikel yang dapat dideteksi
secara visual dalam mikrograf backscatter. Salah satu alasan utamanya
adalah bahwa algoritme superpiksel membatasi ukuran superpiksel

7
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

ukuran yang sama, bahkan jika ukuran partikel dalam sistem bervariasi
dengan beberapa kali lipat. Namun, kami telah mengidentifikasi
wilayah dengan komposisi serupa berdasarkan segmentasi. Sebagai
perkiraan, masing-masing daerah ini diasimilasi menjadi partikel,
bagian partikel, gumpalan partikel, atau gel dengan komposisi yang
relatif homogen. Oleh karena itu, titik representatif diambil di pusat
geometris dari wilayah tersegmentasi ini. Alasannya adalah bahwa
untuk daerah lingkaran sempurna dalam matriks CSH luar, hanya fase
murni yang diambil sampelnya, dan bukan campuran fase. Tentu saja,
sistem semen sebenarnya tidak terbuat dari daerah melingkar. Namun,
pendekatan ini terbukti memberikan penyaringan yang memadai
selama jumlah titik disesuaikan dengan resolusi dan bidang pandang
peta.Gambar 6). Situasi yang ideal adalah memiliki satu titik per
partikel, atau per kumpulan partikel. Namun, karena heterogenitas
yang besar pada material semen, hal itu tidak mungkin dilakukan.
Dalam praktiknya, nilai antara 5.000 dan 20.000 wilayah tersegmentasi
ditemukan sebagai kompromi yang baik untuk peta standar.
identifikasi setiap piksel ke fase tertentu tidak mungkin dilakukan tanpa
asumsi yang kuat. Sebaliknya, karakterisasi dari campuran ini adalah fitur
dari kerangka kerja ini.
Untuk mencapai tujuan ini, kami mengadopsi pendekatan manual
menggunakan plot rasio. Dalam plot rasio, poin dari analisis EDS diplot pada
sumbu rasio unsur. Yang paling umum adalah plot Al/Ca vs. Si/Ca, yang
dapat digunakan untuk mengidentifikasi fase utama material semen. Versi
ideal dari plot ini ditampilkan diGambar 7. Lingkaran berwarna mewakili titik
akhir yang sama, mewakili "fase murni" pada tingkat mikrovolume, dan titik
abu-abu mewakili garis campuran utama. Dalam praktiknya, titik abu-abu
diperoleh dengan menggunakan sampel acak dari distribusi segitiga yang
berpusat di sepanjang fase murni ke arah campuran biner. Perlu dicatat
bahwa garis campuran ini umumnya tidak terdefinisi dengan baik dan garis
dari campuran yang berbeda dapat tumpang tindih.

Kumpulan data yang dibuat dari komposisi kimia pada semua titik ini
kemudian dapat dibuat. Titik-titik ini juga dapat disaring berdasarkan nilai BSE-
nya, misalnya untuk menghilangkan titik-titik yang berhubungan dengan pori.
Komposisi titik-titik ini kemudian dapat dianalisis menggunakan plot rasio standar.
Contoh poin yang diperoleh dengan metode ini disajikan diGambar 6untuk OPC
dan LC3sampel. Tantangannya sekarang adalah memahami bagaimana titik-titik
ini terkait dengan fase semen seperti yang diidentifikasi oleh XRD atau dengan
pemodelan termodinamika.

3.5. Karakterisasi campuran

Karena volume interaksi dari berkas elektron, fase nanocrystalline

dan banyak larutan padat khas pasta semen [40], serta rasio signal-to-
noise yang rendah dari hypermap EDS, sebagian besar piksel biasanya
harus dianggap sebagai campuran fase daripada dikaitkan dengan fase
Gambar 7.Fase ideal dan fase anhidrat rata-rata dalam Al/Ca vs. Si/Ca. Contoh
murni tunggal. Contoh utama terkait dengan matriks CSH, lem pasta
campuran biner dibuat dari distribusi segitiga di sekitar posisi fase murni. Poin
semen yang menggabungkan banyak partikel kecil (butiran klinker
campuran nyata akan mencakup kebisingan dan campuran terner.
yang tidak terhidrasi, kuarsa, batu kapur, AFms, Ettringite, SCM, dll.).
Oleh karena itu, otomatis

Gambar 6.Poin representatif diekstraksi dari hypermap EDS dan diplot dalam plot rasio Si/Ca-Al/Ca untuk OPC dan LC3sampel. Fase Taylor sesuai dengan stoikiometri
yang disediakan oleh Taylor [35], Tabel 1.3, hal. 10.

8
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Misalnya, campuran C3A dan C3S (dalam butiran klinker polifase) dapat
ditemukan pada posisi yang sama di plot ini sebagai campuran AFm dan
CSH luar. Oleh karena itu, penting untuk mengembangkan kombinasi filter
dengan menggunakan beberapa representasi. Misalnya, dua titik ini dapat
dipisahkan dengan menambahkan kondisi tambahan pada intensitas BSE,
atau pada jumlah oksida untuk membedakan antara fase anhidrat dan fase
hidrous. Representasi kasar dariGambar 7sudah cukup untuk dipahami
Gambar 6. Namun efek tambahan, seperti kebisingan acak, campuran latar
belakang dan terner harus dipertimbangkan untuk mendapatkan titik awan
Gambar 6.
Salah satu konsekuensi utama dari pencampuran adalah bahwa fase
murni sulit diisolasi. Hal ini terutama berlaku untuk CSH yang bercampur
halus dengan fase lain seperti ettringite, hydrotalcite, atau bahkan partikel
halus metakaolin. Dengan demikian, sifat CSH murni sulit diperoleh melalui
jenis analisis ini [1]. Untuk memperjelas poin ini di sisa makalah ini, kami
menyebut campuran halus CSH dan fase lain ini sebagai matriks CSH. Sifat-
sifat matriks ini adalah rata-rata komposisi gel CSH yang sebenarnya serta
proporsi fase campuran lainnya pada skala yang lebih rendah daripada
volume interaksi berkas elektron.
Di dalamGambar 6dapat diamati bahwa kepadatan poin dan diketahui

Gambar 8.Pemisahan fase dalam 28 hari menyembuhkan sampel OPC dan LC3sampel. a) dan b) adalah plot rasio Al/Ca vs. Si/Ca untuk OPC dan LC3sampel. c) dan d)
adalah topeng fase yang dihamparkan di atas mikrograf BSE masing-masing. Fase Taylor sesuai dengan stoikiometri yang disediakan oleh Taylor [35], Tabel 1.3, hal. 10.

9
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

posisi fase semen utama cukup untuk memahami garis campuran utama. Dengan
menentukan ambang di sepanjang garis ini, dimungkinkan untuk
menghubungkan setiap titik ke fase tertentu. Pemilihan titik dapat ditentukan oleh
serangkaian ketidaksetaraan (misalnya Si/Ca<0,2 dan Al/Ca<0.2 untuk portlandite),
atau secara grafis dengan menggunakan antarmuka Glue [20,31], untuk
menggambar permukaan di sekitar wilayah minat (ROI). Ketidaksetaraan ini
kemudian digunakan untuk mengidentifikasi wilayah yang sesuai di peta.
Ketidaksetaraan khusus untuk sistem semen berbasis OPC dijelaskan di bagian
selanjutnya.
3.6. Pemisahan fase kualitatif
Seperti yang dijelaskan pada bagian sebelumnya, adalah mungkin untuk
mengidentifikasi sebagian besar fase pasta semen yang terlihat pada skala
mikrograf BSE menggunakan pemilihan titik secara manual. Bagian ini
menerapkan pendekatan ini pada dua pasta semen sebagai contoh.
Pemisahan fase disajikan dalam Gambar 8untuk OPC dan LC3sampel, dalam
Si/Ca dan plot rasio Al/Ca serta overlay topeng fase pada gambar BSE.
Pemisahan dibuat menurut campuran yang diidentifikasi dalamGambar 7 dan
pedoman rinci dalamTabel 3.Tabel 3merangkum ketidaksetaraan utama yang
digunakan untuk memisahkan fase berdasarkan Si/Ca, Al/Ca, BSE, Sum of OXides
(SOX) dan lain-lain. Histogram BSE secara kasar dipisahkan menjadi dua puncak
utama (klinker dan hidrat). Nilai sebenarnya tergantung pada sampel, mikroskop
dan operator mikroskop. Tabel ini tidak memberikan pedoman yang ketat, tetapi
memberikan aturan praktis untuk ambang batas yang disesuaikan dengan setiap
sampel, mirip dengan pohon keputusan yang disajikan oleh Bentz et al. [13].
cluster serta fase AFm yang hadir dalam massa yang lebih besar dan, dalam
jumlah yang lebih tinggi. Pengamatan ini konsisten dengan pemahaman kita
saat ini tentang LC3struktur mikro.
Meskipun tidak semua titik dapat dikaitkan dengan fase yang terdaftar, butir
dan wilayah utama diidentifikasi, seperti yang diamati pada overlay BSE di Gambar
8c dan d. Keuntungan, tetapi juga keterbatasan dari pendekatan ini adalah tidak
setiap piksel diidentifikasi ke fase. Misalnya, CSH bagian dalam yang dekat dengan
fasa klinker aluminat tidak terdeteksi sebagai CSH bagian dalam karena
kandungan aluminatnya tinggi karena volume interaksi berkas elektron.
Sebaliknya, itu didefinisikan sebagai matriks CSH luar, yang sesuai dengan
campuran fase. Efek ini lebih kuat di LC3sampel karena pencampuran dengan
butiran metakaolin halus. Hal ini dapat diamati di Gambar 8, di mana matriks CSH
bagian dalam diidentifikasi untuk LC3sampel memiliki rasio Al/Ca yang lebih tinggi,
dan dipindahkan ke arah metakaolin. Pemilihan ambang merupakan keuntungan
untuk identifikasi komposisi kimia, tetapi ketidaknyamanan untuk kuantifikasi
fraksi volume. Dengan demikian, pengguna harus memilih antara menetapkan
semua piksel ke fase, atau memisahkan fase dengan komposisi yang relatif murni.
Kedua ekstrem (fase yang sangat murni, atau semua piksel teridentifikasi) dapat
sesuai dengan masalah yang dihadapi. Pilihan ini intrinsik dengan keterbatasan
fisik percobaan. Dengan demikian, tidak unik untuk metode kami. Itu hadir dalam
semua metode, bahkan jika tidak dikenali.
Hanya perbandingan kualitatif yang telah dibuat sejauh ini. Bagian selanjutnya
akan fokus pada penggalian data kuantitatif dan perbandingan dengan metode
pengukuran lainnya.
4. Karakterisasi struktur mikro

Plot Al/Ca vs. Si/Ca adalah representasi yang paling berguna untuk
4.1. Kimia fase
memisahkan fase, tetapi itu tidak cukup. Sebagai contoh, kalsit dan
portlandit dipisahkan menggunakan plot BSE vs. SOX: kedua fase sangat
Setelah fase telah diidentifikasi, adalah mungkin untuk mempelajari
mirip dalam kontras hambur balik dan rasio kimiawi, tetapi keduanya
komposisinya. Sebagai contoh, komposisi larutan padat AFm yang terbentuk
menunjukkan kandungan absolut kalsium oksida yang berbeda (yaitu, SOX
selama masuknya klorida ditemukan sebagai studi kasus yang sangat baik
yang berbeda). Karena itu, mereka masih bisa dipisahkan. Pemisahan ini
untuk pendekatan edxia. Fase AFm adalah bagian dari keluarga hidroksida
dapat dibuktikan pada citra BSE karena adanya perbedaan morfologi antara
ganda berlapis. Interlayer mereka mengandung anion yang dapat ditukar
kalsit (partikel bulat) dan portlandit (gugus memanjang).
dengan larutan pori. Khususnya, dalam kontak dengan klorida, sulfat dan
Gambar 8c dan d menunjukkan perbedaan mikrostruktur utama antara
karbonat-AFm dari pasta semen dapat berubah menjadi garam Friedel.41,42
pasta OPC dan LC3tempel. CSH bagian dalam adalah fase hidrat utama
]. Konversi menjadi garam Friedel hanya sebagian pada konsentrasi yang
dalam pasta OPC dengan portlandit yang dihubungkan oleh matriks CSH
umum digunakan (misalnya NaCl 0,5 M) dan penting untuk mengukur
bagian luar. Butir AFm berukuran kecil dan mengendap di ruang yang
stoikiometri klorida dalam larutan padat untuk sepenuhnya mencirikan
ditinggalkan oleh butiran klinker terlarut. LC3pasta lebih heterogen dan
pengikatan klorida.
kompak pada skala ini. Salah satu perbedaan visual adalah dominasi rona
Sebuah metode berdasarkan analisis titik SEM-EDS baru-baru ini
kuning dan hijau dibandingkan biru dan ungu pasta OPC. Hal ini disebabkan
dikembangkan di Sui et al. [43]. Ini didasarkan pada ekstrapolasi garis
adanya metakaolin (Al, Si) dalam jumlah besar maupun kecil
campuran AFm/CSH menjadi Al/Ca = 0,5 dalam plot rasio Cl/Ca vs. Al/Ca,
memungkinkan estimasi rasio Cl/Ca larutan padat antara garam Friedel dan
Tabel 3
AFm lainnya ( Cl/Ca = 0, tetapi Al/Ca = 0,5). Menggunakan pendekatan edxia
Contoh definisi batas untuk fase umum dalam pasta semen.εmewakili toleransi
daripada analisis poin EDS untuk tugas ini memiliki dua keuntungan utama.
tergantung pada kebisingan di peta, fase dalam sampel, dan volume interaksi
Pertama, penting untuk memeriksa apakah titik yang dipilih benar-benar
berkas elektron.
AFm berdasarkan morfologi. Kedua, garis campuran ditangkap sepenuhnya,
Fase Si/Ca Al/Ca BSE SOX Yang lain
dan presisi yang lebih tinggi dapat diperoleh. Terakhir, peta selanjutnya
puncak
berisi informasi tambahan, seperti penyerapan klorida pada CSH. Sebagai
C3S 0,33±ε <0,1 Klinker 1±ε
ilustrasi,Gambar 9menunjukkan plot rasio Cl/Ca vs Al/Ca untuk LC3sampel
C2S 0,5±ε <0,1 Klinker 1±ε
C3AC4AF <0,2 > 0,5 Klinker 1±ε
sembuh 28 hari sebelum dan sesudah dipapar larutan NaCl 0,5 M. Dalam hal
AFm <0,2 0,5±ε Hidrat <0,8 S/Ca,Cl/Ca,… ini, rasio Cl/Ca sekitar 0,24±0,01 dalam fase AFm setelah pemaparan, yang
Portlandit <0,2 <0,2 Hidrat 0,76 sedikit kurang dari setengah kapasitas pengikatan maksimum dibandingkan
±ε dengan pembentukan garam Friedel murni. Rincian tambahan tentang
Kalsit <0,2 <0,2 Hidrat 0,48
penelitian ini tersedia di [44,45], seperti estimasi larutan padat oleh XRD
±ε
Stratlingite 0,5±ε 0,5<x < Hidrat <0,8 yang sangat baik dibandingkan dengan metode kami.
1
Metakaolin > 1.0±ε ∝Si/Ca Hidrat 1±ε 4.2. Fase sub-resolusi
Terak Variabel Variabel Hidrat 1±ε Mg dapat membantu [5]

Terak Variabel Variabel Hidrat <0,8 Mg dapat membantu [5]

hidrat Nilai tambah lain dari analisis kimia lengkap adalah kemungkinan untuk
Kuarsa > 1.0 <0,2 Hidrat 1±ε Dapat memfilter pada Si mendeteksi fase sub-resolusi. Ettringite adalah salah satu fase utama dalam
Abu terbang Variabel Variabel Hidrat 1±ε pasta semen. Namun, tidak teridentifikasi diGambar 8. Alasannya adalah
matriks CSH Variabel Variabel Hidrat <0,7 Tergantung pada
karena kristal ettringite berada di bawah resolusi hypermap tipikal, karena
campuran semen
ettringite biasanya mengendap dalam jarum kurang dari seratus

10
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 9.Komposisi larutan padat garam-hemikarbonat Friedel yang diukur dengan analisis SEM Image. Contoh LC3sampel sebelum dan sesudah terpapar larutan NaCl
0,5 M.

nanometer dibandingkan dengan volume interaksi skala mikrometer, dan resolusi BSE
sekitar setengah mikrometer. Beberapa kelompok ettringite dapat diidentifikasi pada
gambar BSE oleh ahli yang terlatih, khususnya dalam kasus OPC. Namun, ini tidak
memberi tahu kami tentang distribusi ettringite yang sebenarnya. Sub-resolusi di sini
mengacu pada fakta bahwa tidak ada ettringite murni
titik terdeteksi di plot rasio Al/Ca vs. Si/Ca, seperti yang ditunjukkan padaGambar 8.
Namun keberadaan ettringite masih dapat dideteksi melalui komposisi
kimia EDS. Proses tersebut disajikan dalamGambar 10. Pertama, gel CSH
bagian luar dipilih sebagai referensi dalam plot rasio Si/Ca vs Al/Ca.
Kemudian, dalam S/Ca vs. Al/Ca, garis campuran Ettringite/CSH adalah

Gambar 10.Deteksi subresolusi ettringite dalam sampel OPC pada 28 hari.

11
F. Georget et al.
diidentifikasi. Poin di sepanjang garis itu, tetapi di luar cluster matriks CSH utama
dipilih. Pixel yang dipilih tidak sesuai dengan piksel ettringite murni, tetapi dengan
campuran CSH dan ettringite. Proses ini tentu saja sangat bergantung pada
threshold yang dipilih. Namun, ada baiknya mendeteksi keberadaan fase sub-
resolusi. Dalam kasus ettringite, metode ini dapat digunakan untuk mempelajari
pembentukan ettringite tertunda atau serangan sulfat untuk mendeteksi pola
presipitasi. Meskipun fraksi tidak dapat dihitung secara akurat untuk fase-fase
yang saling bercampur ini, kerapatan titik dapat digunakan untuk
membandingkan sampel secara kualitatif. Deteksi ini tentu saja tergantung pada
tingkat pencampuran. Misalnya, dalam sampel OPC, butir ettringite kecil dapat
diamati seperti yang digambarkan padaGambar 10. Namun, di LC3sampel, daerah
yang terdeteksi dengan metode ini tidak mudah diidentifikasi hanya dengan
menggunakan BSE, seperti yang terlihat pada Gambar 11. Deteksi fase campuran
adalah penggunaan umum plot rasio. Nilai tambah dari kerangka kerja kami
adalah distribusi spasialnya juga dapat dipelajari.
4.3. Fraksi fase kuantitatif
Salah satu deskriptor struktur mikro sederhana yang dapat
diperoleh dari topeng fase adalah fraksi volume. Penggunaan analisis
gambar untuk mengukur fraksi volume fase anhidrat (dan derajat
reaksi) didokumentasikan dengan baik dalam literatur sejak tahun 1986
[3,5,46]. Fraksi volume hidrat kurang dipelajari. Alasan utamanya
adalah sulitnya memisahkan fase hidrat dengan mudah.
Sebagai ilustrasi potensi kerangka kami, kami mengusulkan cara
untuk menghitung volume dan fraksi massa fase AFm dalam LC3
pasta semen, yang umumnya dianggap sulit diukur. Fase-fase ini penting
karena mengisi ruang pori dalam struktur mikro, dan dengan demikian
berkontribusi pada kekuatan tekan. Mereka juga penting untuk masalah
terkait daya tahan karena merupakan fase utama yang dapat mengikat
klorida [41].
Tantangan utama adalah mendapatkan skala yang representatif untuk dianalisis. Itu
Gambar 11.Deteksi subresolusi ettringite di LC3sampel pada 28 hari.
12
Penelitian Semen dan Beton 141 (2021) 106327
luas yang diukur harus cukup besar untuk mendapatkan rata-rata yang cukup besar atas
material heterogen. Namun perbesaran harus cukup besar untuk dapat memisahkan
fase hidrat yang diinginkan. Sumber heterogenitas terbesar dalam pasta semen adalah
butiran anhidrat yang besar. Seperti yang Terlihat DiGambar 8, ada atau tidak adanya
butiran klinker akan memberikan perbedaan yang besar pada volume fraksi. Salah satu
cara yang sangat memakan waktu untuk menyelesaikan masalah ini adalah dengan
memperoleh banyak peta dengan perbesaran tinggi. Metode sederhana adalah dengan
memilih fase untuk menormalkan hasil ke kuantitas yang diketahui, dan dengan
demikian menghilangkan pengaruh butiran yang lebih besar. Jadi, pendekatan kami
adalah sebagai berikut: (1) pertama, kami memisahkan butiran besar, dan kami
menghitung fraksi permukaan di area yang tersisa; (2) dan kemudian, fase yang ada
dalam volume itu digunakan untuk menormalkan ulang data untuk memasukkan butiran
besar. Pendekatan ini memerlukan percobaan lain untuk melakukan normalisasi tetapi
menghindari pengambilan terlalu banyak peta beresolusi tinggi dengan bidang pandang
yang sangat tinggi.
Fraksi volume total partikel kecil dalam LC3sistem didefinisikan
sebagai:
ϕkecil≡1 -ϕklinker−ϕmetakaolin−ϕkuarsa−ϕpori-pori
Fraksi volume parsial fase X, dengan ukuran karakteristik yang kecil, kemudian
dapat dihitung dengan:
ϕkecil = ϕX
X ϕkecil
Faktor normalisasi dapat dihitung untuk mineral yang mudah
diukurYoleh XRD atau oleh TGA:
ρYϕkecil
αY= Y
wY
Di manaρYadalah densitas fase padatY, DanwYfraksi massa fase ini
yang diukur dengan metode lain.
Fraksi massa fase X kemudian diberikan oleh:
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

ρXkecil
ϕX 4.4. deskriptor struktur mikro
wX=
αY
Menggambarkan mikrostruktur bahan berpori heterogen acak
Selain kesalahan estimasi fraksi fasa dari hypermap, metode ini juga
adalah masalah yang menantang karena hanya pendekatan statistik
sensitif terhadap kesalahan yang dibuat selama analisis XRD dan
yang dapat mewakili [48]. Analisis pemisahan fase kami menyediakan
estimasi densitas. Dalam contoh ini, kami memilih kalsit sebagai fase
topeng biner yang mewakili setiap fase. Dari topeng ini, dimungkinkan
normalisasi, karena hadir dalam jumlah besar dan dapat diukur dengan
untuk menghitung representasi statistik dari struktur mikro. Misalnya,
XRD atau TGA. Kepadatannya juga terkenal. Untuk mendapatkan
fungsi korelasi titik-titik, S2, [11,48], atau fungsi distribusi panjang akor [
perkiraan perwakilan dari fraksi volume, analisis dilakukan pada bidang
48] dapat dengan mudah dihitung dalam kerangka kami. Fungsi ini
pandang yang lebih besar dari fitur yang diminati (di sini ~ 300 μm kali
memberikan informasi tentang fraksi volume, distribusi ukuran
200 μm) dan dengan jumlah ulangan yang cukup untuk menutupi
partikel, bentuk partikel dan distribusinya dalam material. Fitur ini
heterogenitas lokal material ( di sini 13 hypermap, set parameter F in
langsung tersedia di antarmuka grafis.
Meja 2). Kepadatan massa diperoleh dari Balonis dan Glasser [47].
Sebagai contoh,Gambar 12menyajikan perbandingan fungsi
korelasi S2 untuk portlandite dan fase AFm di OPC dan LC3
Fraksi massa yang diperkirakan dengan metode ini disajikan dalam Tabel 4.
sampel. S2(R) adalah probabilitas menemukan faseSayadi kejauhanR
Fraksi massa yang diperoleh untuk kalsit dan portlandit oleh XRD dan TGA sangat
dari lokasi acak dalam sampel. Dari topeng fase biner, mudah untuk
cocok. Fraksi massa portlandite yang ditemukan melalui analisis citra setelah
menghitung seperti yang dijelaskan dalam [48]. Dengan konstruksi, S2
(0) sesuai dengan fraksi volume (ϕ), dan S2(∞) =S2(0)2=ϕ Oleh karena 2.
normalisasi juga sangat dekat. Meskipun endapan portlandit dan kalsit sangat
dekat satu sama lain, dan batas-batasnya tidak terdefinisi dengan baik (lihat
itu, untuk lebih mengidentifikasi skala panjang,Gambar 12
Gambar 8), ini menunjukkan bahwa pemisahan fase kami menggunakan jumlah
menunjukkan S2(R) − S2(0) sebagai fungsi dari r. Dalam pandangan ini, S
oksida bekerja dengan baik.
2(R) − S2(0) = 0 sesuai dengan tidak adanya korelasi spasial, dimana
Karena puncak yang tumpang tindih, konten AFm tidak dapat diukur
probabilitas menemukan fase hanya ditentukan oleh fraksi volume.
secara akurat dari TGA, dan hanya nilai XRD yang dapat digunakan sebagai
Dari plot tersebut, kita dapat melihat bahwa portlandite memiliki
pembanding. Fraksi massa yang diperoleh dengan analisis citra lebih tinggi
panjang karakteristik yang sama di kedua sistem. Namun, fraksi
dari nilai XRD. Ada dua kemungkinan penjelasan untuk ini. Entah XRD
volumenya lebih rendah di LC3sampel karena reaksi pozzolan. Di sisi
meremehkan jumlah fase AFm. Puncak AFm sulit untuk disesuaikan secara
lain, fraksi volume AFm di LC3sistem lebih tinggi karena reaksi sinergis
akurat, dan pilihan untuk analisis Rietveld tidak jelas. Selain itu, beberapa
dengan batu kapur [22]. Butir AFm juga secara signifikan lebih besar di
AFm mungkin memiliki kristal yang buruk. Di sisi lain, analisis gambar juga
LC3sistem. Deskriptor struktur mikro ini (fraksi volume, fungsi
dapat melebih-lebihkan konten AFm. Pertama, AFm mengendap dalam pori-
korelasi,…)dapat digunakan untuk mempelajari pengaruh pengolahan
pori besar yang dulunya merupakan butiran klinker. Oleh karena itu, mereka
bahan baku atau kondisi curing dari kumpulan fase pada usia yang
dikelilingi oleh porositas yang dapat dimasukkan sebagian dalam analisis
berbeda untuk mengoptimalkan desain campuran untuk kekuatan
kami. Sumber kesalahan lainnya adalah porositas internal dari butir-butir ini.
tekan dan/atau daya tahan [49].
Meskipun butiran ini halus dalam wadah OPC,3kasus. Kepadatan yang
digunakan adalah kepadatan padat dari struktur kristal. Kepadatan yang
5. Melangkah lebih jauh
harus digunakan adalah kerapatan semu, dengan mempertimbangkan
porositas internal (karena butiran retak atau tidak kompak) dan fase
5.1. Profil
campuran. Namun, nilai ini tidak tersedia. Dampak dari kerapatan ini
penting sebagaimana disoroti oleh perbedaan antara mengasumsikan
Bidang pandang peta tipikal biasanya kurang dari beberapa ratus
hemikarbonat atau monokarbonat sebagai fase AFm.
mikrometer. Skala tipikal dari profil penetrasi, relevan untuk beberapa
sentimeter. Oleh karena itu, peta yang diambil sepanjang profil sampel
Dengan demikian, kuantifikasi dengan analisis gambar ini menarik
dapat dianggap homogen (sehubungan dengan masalah daya tahan).
karena beberapa alasan: (1) memberikan fraksi volume yang tampak secara
Akibatnya, semua analisis berbeda yang ditunjukkan pada bagian
langsung, dan bukan fraksi massa untuk diubah menjadi fraksi volume
sebelumnya dapat dilakukan pada kedalaman yang berbeda dalam sampel.
(fraksi volume menarik untuk memvalidasi model homogenisasi untuk
Ini dapat digunakan untuk mempelajari perubahan yang terjadi selama
memprediksi kekuatan tekan); (2) menyediakan pengukuran tambahan
paparan lingkungan. Sebagai contoh, kita dapat memperoleh komposisi
untuk memverifikasi/mengkonfirmasi metode lain; dan (3) memungkinkan
kimia dari AFm untuk sampel pasta semen yang dikenai uji elektro-migrasi [
estimasi fraksi volume untuk fase amorf yang tidak dapat diukur secara
50]. Detail spesifik dari uji coba tersedia di [45]. Hasil analisis sampel OPC 1
langsung dengan XRD-Rietveld, atau dengan TGA karena tumpang tindih
cm disajikan padaGambar 13. Metode tambahan (misalnya, microXRF) dapat
puncak. Jika pendekatan dicontohkan di sini untuk fase AFm, protokol
digunakan untuk memperoleh konsentrasi klorida total. Oleh karena itu,
serupa yang mempertimbangkan skala partikel dapat diadaptasi untuk fase
jumlah total dan komposisi fasa dapat diperoleh sebagai fungsi dari
hidrat dan anhidrat lainnya.
kedalaman benda uji. Selain itu, metode yang digunakan untuk
mendapatkan fraksi volume kuantitatif dapat digunakan dalam profil
tersebut untuk mendapatkan komposisi dan jumlah fase tertentu.
Kombinasi informasi ini diperlukan untuk memvalidasi model transpor
Tabel 4 reaktif dengan benar tanpa parameter overfitting.
Fraksi massa dan volume diperoleh dari 13 hypermap kecil dan faktor normalisasi yang
dihitung dengan XRD atau TGA. Ketidakpastian untuk XRD sesuai dengan standar deviasi 5.2. Menggunakan detektor EDS dengan efisiensi rendah
pada 5 pemindaian menggunakan proses pemasangan Rietveld yang sama.

Peta yang disajikan sejauh ini diperoleh dengan detektor EDS kelas atas. Dalam praktiknya,
Fase padat (massa%) wXRD wTGA wXRD
IA wSAYA
A
TGA
ϕXSmall detektor dengan efisiensi lebih rendah mungkin merupakan satu-satunya perangkat keras yang
(massa%) (massa%) (massa%) (vol%) tersedia. Dengan efisiensi yang lebih rendah, yang kami maksud adalah detektor dengan
permukaan deteksi yang lebih rendah, sensitivitas yang lebih rendah, waktu mati yang lebih
Kalsit 9.7±0,2 9.9 9.7 9.9 10.9
Portlandit 3.2±0,3 3.3 3.1 3.2 4.2 tinggi, atau faktor lain apa pun yang memerlukan waktu eksposisi lebih tinggi untuk
AFm (sebagai hemicarbo) 9.8±0,5 12.4 12.7 19.1 mendapatkan jumlah hitungan yang sama. Pada bagian ini, kami membahas pengaruh detektor
AFm (sebagai 9.8±0,5 13.6 13.9 19.1 untuk memahami sejauh mana informasi dapat diperoleh dari peta berkualitas rendah.Gambar
monokarbonat)
15membandingkan sinyal yang berbeda diperoleh pada wilayah yang sama

13
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 12.S2fungsi korelasi untuk (a) portlandite dan (b) fase AFm dalam OPC dan LC3sampel.

Tabel 5
Rasio signal-to-noise puncak (dB) untuk berbagai peta LC3sampel sesuai
parameternya.

Peta Ca Al S

A 22.9 33.0 40.2

B 19.5 28.8 36.2
C 29.6 35.1 41.4
D 26.4 32.8 39.1
e 28.8 34.9 42.6

1∑ M ∑N
UMK = {SAYA(aku j) - D(aku j)}2
MN Saya=1 J=1

Efek dari parameter ditampilkan diGambar. 14 dan 15. Fitur utamanya

Gambar 13.Komposisi kimiawi AFm dalam sampel OPC yang menjalani uji
elektromigrasi.
menarik menggunakan dua detektor dan parameter instrumen yang berbeda
seperti yang dijelaskan dalamMeja 2DanBagian 2.2.2. Himpunan peta yang
dipelajari hingga saat ini adalah himpunan C. Himpunan C, D dan E diperoleh
dengan detektor EDS high-end yang sama, sedangkan himpunan A dan B
diperoleh dengan detektor dengan permukaan deteksi yang lebih rendah.Tabel 5
menunjukkan puncak signal-to-noise (PSNR) untuk peta ini. PSNR dari aM×NPeta
EDS diperkirakan dari petaSAYA, dan peta denoizedD. PSNR didefinisikan sebagai:
()
1
PSNR = 10⋅catatan10MSE
Dan mean squared error (MSE) didefinisikan sebagai
adalah bahwa nilai absolut (%Ca, SOX) jauh lebih sensitif daripada rasio (Ca/
Si) terhadap kualitas detektor. Sementara nilai absolut menyajikan bias yang
jelas setelah pemfilteran, rasio Ca/Si serupa antara peta A dan peta C.
Namun, rasio tersebut menyajikan sedikit bias untuk kumpulan hypermap
yang paling berisik, kumpulan B. Ini adalah pembenaran a posteriori utama
untuk pemilihan fase berdasarkan rasio dalam pendekatan umum kami:
bahkan jika peta cukup berisik, rasio tetap menjadi ukuran yang andal [36].
Namun demikian, nilai absolut memberikan informasi berharga untuk
karakterisasi struktur mikro. Misalnya, penjumlahan oksida adalah metode
yang paling andal untuk memisahkan portlandit dari batu kapur. Memilih
fase kalsium rendah (misalnya kuarsa) pada nilai kimia absolut juga lebih
dapat diandalkan daripada memilihnya pada rasio kimia (misalnya Si/Ca)
karena pembagian dengan nilai kecil.
5.3. Penyaringan pada tingkat spektrum
Pada bagian ini, kami menyajikan metode untuk meningkatkan rasio signal-to-noise.
Sumber utama kebisingan adalah jumlah elektron yang rendah selama kuantifikasi peta.
Proses pemfilteran mengurangi kesalahan, tetapi memang demikian

14
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

Gambar 14.Perbandingan peta Ca, dan Ca/Si (setelah denoising) untuk set B (noise tinggi) dan set C (noise rendah) dari hypermap.

Gambar 15.Perbandingan hypermap EDS dari wilayah yang sama dalam sampel yang sama dengan berbagai rasio signal-to-noise. Semua kurva diperoleh dari peta yang
difilter. Kurva putus-putus merah diperoleh dari spektrum yang disaring (lihatBagian 5.3). (Untuk interpretasi referensi warna dalam legenda gambar ini, pembaca dirujuk
ke versi web artikel ini.)

tidak mengatasi akar penyebab masalah. Metode yang lebih baik adalah
memfilter gambar hyperspectral secara langsung. Sayangnya hal ini sering
dibatasi oleh format hak milik yang digunakan oleh produsen mikroskop,
dan kesulitan penerapan algoritme kuantifikasi [51]. Namun, untuk
mendemonstrasikan potensi metode ini, kami menggunakan pendekatan
yang lebih sederhana namun efektif. Untuk himpunan A dari hypermap,
koordinat titik representatif diperoleh terlebih dahulu. Spektrum dari
piksel dari 5×5 persegi yang berpusat pada titik perwakilan kemudian dijumlahkan.
Kemudian, spektrum yang direkonstruksi dikuantifikasi menggunakan algoritma
kuantifikasi yang sama seperti yang digunakan untuk hypermap. Hasilnya ditampilkan
sebagai kurva putus-putus merah diGambar 15. Dapat diamati bahwa rasio Ca/Si serupa,
tetapi bias pada jumlah Ca telah sangat terkoreksi. Keterbatasan utama dari pendekatan
semacam itu di sini adalah waktu yang dibutuhkan untuk mengukur spektrum karena
analisisnya tidak dapat sepenuhnya

15
F. Georget et al.
otomatis. Oleh karena itu, hanya satu contoh yang disajikan. Spektrum yang
direkonstruksi dibuat dengan kerangka kerja dan hyperspy kami [52] untuk
mengekstrak data dari hypermap mentah. Dengan analisis otomatis,
dimungkinkan hanya spektrum rata-rata di wilayah yang ditemukan oleh
segmentasi gambar komposit, menyediakan sarana untuk mendapatkan
data kuantitatif berkualitas tinggi dari detektor kelas bawah.
5.4. Kemungkinan ekstensi ke pembelajaran mesin
Untuk menyederhanakan analisis, wajar untuk memikirkan penggunaan salah satu
dari banyak algoritme pembelajaran mesin yang dikembangkan untuk memecahkan
masalah klasifikasi. Metode kami untuk mengekstrak poin representatif dapat digunakan
sebagai langkah pra-pemrosesan untuk algoritme ini. Pendekatan klasifikasi manual
lebih disukai karena alasan yang disorot dalam pendahuluan.
Sebagaimana diuraikan dalam artikel, tantangannya bahkan lebih besar jika
kita menyadari bahwa campuran dengan tiga fase atau lebih bisa eksis, dan
khususnya campuran dengan fase yang tidak dapat diamati secara langsung pada
skala volume interaksi SEM (misalnya ettringite). Selain itu, fasa utama pasta
semen yaitu C-(A-)SH sangat sensitif terhadap formulasi. Tidaklah mungkin untuk
menentukan batas yang akan bekerja untuk setiap formulasi pasta semen.
Akibatnya, ini berarti model klasifikasi kotak hitam harus dikalibrasi ulang untuk
setiap formulasi, kondisi curing, dan bahkan umur sampel. Namun, meskipun
kimia pasta semen secara intrinsik rumit, sekarang dimungkinkan untuk
mendapatkan prediksi yang masuk akal. Oleh karena itu, dengan memanfaatkan
pengetahuan domain, dimungkinkan untuk memperoleh distribusi fase a-priori.
Seperti yang ditekankan oleh Munch et al. [16], pengetahuan domain ini penting
untuk mendapatkan hasil yang baik dengan pendekatan pembelajaran mesin.
Daripada mengadaptasi pembelajaran mesin untuk memasukkan pengetahuan
domain, kami memilih untuk mengabaikannya agar hanya menggunakan
pengetahuan domain. Hasil yang disajikan dalam makalah ini harus menyoroti
kepraktisan pilihan kita.
Menurut pendapat penulis, langkah selanjutnya untuk meningkatkan metode
pembelajaran mesin adalah menangani campuran secara eksplisit dan
menggunakan informasi morfologi gambar BSE. Misalnya, deteksi partikel dapat
membantu menentukan batas fase yang lebih jelas. Ini relatif mudah untuk
partikel besar dan jernih seperti butiran klinker, tetapi ini merupakan tantangan
yang jauh lebih kompleks untuk partikel hidrat kecil. Meningkatkan pemisahan
fase adalah topik penelitian yang layak. Sebagai framework Python opensource,
alat kami adalah awal yang baik karena dapat dengan mudah diperluas dengan
framework pembelajaran mesin yang sudah mapan seperti scikit-learn [53].
6. Penutup
Kerangka kerja baru untuk menganalisis hypermap SEM-EDS terukur dari
bahan semen disajikan dalam makalah ini. Menggunakan subsampling
superpiksel dari peta komposit, titik representatif diekstrak dari peta kimia
terukur. Representasi plot rasio kemudian digunakan untuk mengklasifikasikan
poin secara manual dan membuat topeng fase. Pendekatan manual dapat
digunakan untuk menyesuaikan klasifikasi dengan masalah ilmiah yang dihadapi.
Komposisi kimia murni, identifikasi campuran atau fraksi volume kuantitatif
semuanya dapat diperoleh. Framework ini fleksibel dan mudah digunakan, karena
diimplementasikan sebagai plugin untuk Glue, antarmuka grafis eksplorasi data
multidimensi yang terhubung [20,21]. Antarmuka ini dapat digunakan oleh
pengguna untuk memilih fase dalam plot rasio dan mengamati secara langsung
topeng fase yang sesuai pada citra BSE. Alat analisis kuantitatif juga
diimplementasikan dalam antarmuka. Selain itu, analisis tambahan dapat dengan
mudah ditambahkan ke framework Python open source kami. Secara khusus,
pendekatan lain dapat ditambahkan untuk menyempurnakan pemisahan fasa.
Beberapa demonstrasi kemampuan kerangka kami disajikan.
Secara khusus, kami menganalisis fase AFm. Kami mendapatkan
komposisinya sebelum dan sesudah paparan klorida. Kami juga
mengukur volumenya, dan fraksi massanya, serta fungsi korelasi titik
ke titiknya. Analisis ini juga dapat dilakukan sepanjang kedalaman
sampel untuk mendapatkan profil kandungan fasa dan/atau kimia fasa
16
Penelitian Semen dan Beton 141 (2021) 106327
komposisi. Informasi ini diperlukan untuk memvalidasi model transpor reaktif
masuknya klorida dengan benar, karena memungkinkan memperbaiki model
kimia. Kami juga mempresentasikan cara mendapatkan informasi fase di bawah
resolusi analisis EDS. Akhirnya, efek dari peta yang berisik dibahas. Karena
pendekatan plot rasio kami, pemisahan fasa yang baik masih dapat diperoleh
meskipun nilai absolut tidak dapat diandalkan. Metode tambahan untuk
menyempurnakan rasio signal-to-noise diusulkan.
Pekerjaan di masa depan akan fokus pada penggunaan informasi
morfologi untuk lebih meningkatkan rasio signal-to-noise serta
memperluas analisis kuantitatif dari peta fase dengan alat analisis
khusus aplikasi tambahan.
Pernyataan kontribusi kepengarangan CRedit
Fabien Georget: Konseptualisasi, Metodologi, Perangkat Lunak,
Penulisan - draft asli.William Wilson: Konseptualisasi, Metodologi,
Investigasi, Penulisan - review & editing.Karen L. Scrivener: Penulisan -
review & editing, Pengawasan, Akuisisi pendanaan.
Deklarasi kepentingan bersaing
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan
keuangan yang bersaing atau hubungan pribadi yang dapat mempengaruhi
pekerjaan yang dilaporkan dalam makalah ini.
Terima kasih
Penulis mengucapkan terima kasih kepada anggota Laboratorium Bahan
Konstruksi yang telah memberikan data mentah dan umpan balik selama
tahap pengembangan proyek ini.
Lampiran A
A.1. Pengunduhan dan pemasangan kode
Kode tersedia dalam indeks paket python (https://pypi. org/proyek/
edxia/), distribusi Anaconda (https://anakonda. org/specmicp/edxia),
zenodo [30], atau repositori git yang tersedia secara terbuka (https://
bitbucket.org/specmicp/edxia/src/master/). Petunjuk instalasi dan
dokumentasi tersedia dengan kode, online (https://
edxia.readthedocs.io/en/latest/) atau di [31] untuk antarmuka yang
ramah pengguna. Dataset utama (set C inMeja 2) yang dianalisis dalam
penelitian ini tersedia [54] untuk menguji antarmuka.
Referensi
[1] J. Rossen, K. Scrivener, Optimalisasi sem-eds untuk menentukan komposisi c–
a–s–h dalam sampel pasta semen matang, Mater. Karakter. 123 (2017) 294–
306,https://doi.org/10.1016/j.matchar.2016.11.041.
[2]S. Meulenzyer, J. Chanussot, JJ Chen, S. Crombez, strategi pemrosesan gambar spektral-
spasial untuk mengklasifikasikan peta x-ray sem-eds multispektral dari bahan semen,
dalam: Euroseminar ke-14 tentang Mikroskopi yang Diterapkan pada Bahan Bangunan,
2013 (EMABM) , 2013.
[3] PT Durdziński, CF Dunant, MB Haha, KL Scrivener, Metode kuantifikasi baru berdasarkan
sem-eds untuk menilai komposisi fly ash dan mempelajari reaksi masing-masing
komponennya dalam menghidrasi pasta semen, Cem. Persetujuan Res. 73 (2015) 111–122,
https://doi.org/10.1016/j.cemconres.2015.02.008.
[4] X. Feng, E. Garboczi, D. Bentz, P. Stutzman, T. Mason, Estimasi tingkat hidrasi pasta
semen campuran dengan prosedur penghitungan titik mikroskop elektron
pemindaian, Cem. Persetujuan Res. 34 (10) (2004) 1787–1793,https://doi.org/
10.1016/j.cemconres.2004.01.014.
[5] V. Kocaba, E. Gallucci, KL Scrivener, Metode penentuan derajat reaksi terak dalam
campuran pasta semen, Cem. Persetujuan Res. 42 (3) (2012) 511–525, https://
doi.org/10.1016/j.cemconres.2011.11.010.
[6] KJ Krakowiak, W. Wilson, S. James, S. Musso, F.-J. Ulm, Inferensi tautan properti fasa-
tomekanis melalui spektrometri sinar-X dan analisis lekukan: aplikasi untuk bahan
berbasis semen, Cem. Persetujuan Res. 67 (2015) 271–285, https://doi.org/10.1016/
j.cemconres.2014.09.001.
[7] W. Wilson, L. Sorelli, A. Tagnit-Hamou, Kopling otomatis nanoindentasi dan
spektroskopi dispersif energi kuantitatif (ni-qeds): metode komprehensif untuk
mengungkap sifat mikro-kemo-mekanis pasta semen, Cem . Persetujuan Res. 103
(2018) 49–65,https://doi.org/10.1016/j.cemconres.2017.08.016.
F. Georget et al. Penelitian Semen dan Beton 141 (2021) 106327

[8] DP Bentz, PE Stutzman, Analisis SEM dan Pemodelan Komputer Hidrasi Partikel [29] S. van der Walt, JL Schönberger, J. Nunez-Iglesias, F. Boulogne, JD Warner, N. Yager,
Semen Portland Petrografi Bahan Semen, ASTM Int. doi: https://doi.org/10.1520/ E. Gouillart, T. Yu, kontributor gambar scikit, gambar scikit: pemrosesan gambar di
STP12645S. Python, PeerJ 2 (2014) e453. doi:https://doi.org/10.7717/peerj.453.
[9] UH Jakobsen, KD Weerdt, MR Geiker, Zonasi unsur dalam beton laut, Cem. [30] F. Georget, W. Wilson, edxia (Jan. 2020). doi:https://doi.org/10.5281/zenodo.
Persetujuan Res. 85 (2016) 12–27,https://doi.org/10.1016/j. cemconres.2016.02.006 3492220.
. [31] F. Georget, W. Wilson, K. Scrivener, edxia melalui antarmuka glueviz (Feb. 2020).
[10] F. Georget, W. Soja, KL Scrivener, Panjang karakteristik bagian depan karbonasi doi:https://doi.org/10.5281/zenodo.3686068.
dalam pasta semen berkarbonasi alami: implikasi untuk model transpor reaktif, [32] A. Chambolle, Algoritma untuk minimisasi dan aplikasi variasi total,
Cem. Persetujuan Res. 134 (2020) 106080,https://doi.org/10.1016/j. J. Matematika. Pencitraan Vis. 20 (1) (2004) 89–97,https://doi.org/10.1023/B:
cemconres.2020.106080. JMIV.0000011325.36760.1e.
[11] PE Stutzman, JW Bullard, P. Feng, Pencitraan kuantitatif struktur mikro klinker dan [33] E. Eisemann, F. Durand, Peningkatan fotografi flash melalui pencahayaan ulang intrinsik,
semen, Tech. Rep. 1877 (April 2015). doi:https://doi.org/10.6028/NIST. TN.1877. ACM Trans. Grafik. 23 (3) (2004) 673–678,https://doi.org/10.1145/ 1015706.1015778.

[12]S. Meulenzyer, B. Eric, L. Didier, R. Barbarulo, Sem mengawasi kontribusi analisis citra untuk [34] G. Petschnigg, R. Szeliski, M. Agrawala, M. Cohen, H. Hoppe, K. Toyama, Fotografi digital
memahami serangan sulfat pada mortar semen campuran, dalam: 15th Euroseminar on dengan pasangan gambar flash dan tanpa flash, ACM Trans. Grafik. 23 (3) (2004) 664–672,
Microscopy Applied to Building Materials, 2015 (EMABM), 2015. https://doi.org/10.1145/1015706.1015777.
[13] DP Bentz, PE Stutzman, CJ Haecker, S. Remond, pencitraan Sem/x-ray dari bahan [35]H. Taylor, Kimia Semen, Thomas Telford, 1997.
berbasis semen, Prosiding Euroseminar ke-7 tentang Mikroskopi yang Diterapkan [36] Harrisson AM, Winter NB, Taylor HFW, X-ray microanalysis of microporous materials,
pada Bahan Bangunan (1999) 457–466. Journal of Material Science Letters 6 (11) (1987) 1339–1340. doi:https://doi.org/
[14]T. Ding, M. Colpan, Induksi pohon keputusan pada citra semen hiperspektral, Int. 10.1007/BF01794611.
J.Komput. Intell. 2 (3) (2006). [37] W. Wilson, J. Rivera-Torres, L. Sorelli, A. Durán-Herrera, A. Tagnit-Hamou, Tanda
[15] L. Drumetz, MD Mura, S. Meulenyzer, S. Lombard, J. Chanussot, klasifikasi semiotomatis tangan mikromekanis dari beton pozzolan alami bervolume tinggi dengan
bahan semen menggunakan pemindaian gambar mikroskop elektron, kombinasi nanoindentasi statistik dan analisis SEM-EDS, Cem . Persetujuan Res. 91
J. Elektron. Pencitraan 24 (6) (2015) 1–19,https://doi.org/10.1117/1. (2017) 1–12,https://doi.org/10.1016/j.cemconres.2016.10.004.
JEI.24.6.061109. [38] D. Damidot, B. Lothenbach, D. Herfort, F. Glasser, Termodinamika dan ilmu semen,
[16] B. Münch, L. Martin, A. Leeman, Segmentasi peta eds unsur melalui beberapa Penelitian Semen dan Beton 41 (7) (2011) 679–695, Edisi khusus: Kongres
pengelompokan yang dikombinasikan dengan identifikasi fase, J. Microsc. 260 (3) Internasional ke-13 tentang Kimia Semen . doi:https://doi.org/10.1016/j.
(2015) 411–426,https://doi.org/10.1111/jmi.12309. cemconres.2011.03.018.
[17] W. Rasband, Imagej,https://imagej.nih.gov/ij/(1997–2018). [39] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Süsstrunk, superpiksel Slic
[18] A. Schneider Caroline, S. Rasband Wayne, W. Eliceiri Kevin, Nih gambar ke gambarj: dibandingkan dengan metode superpiksel canggih, IEEE Trans. Pola Anal. Mesin
25 tahun analisis gambar, Nat. Metode 9 (7) (2012) 671–675,https://doi.org/ Intell. 34 (11) (2012) 2274–2282,https://doi.org/10.1109/TPAMI.2012.120.
10.1038/nmeth.2089. [40] B. Lothenbach, DA Kulik, T. Matschei, M. Balonis, L. Baquerizo, B. Dilnesa, G.
[19]K. Scrivener, R. Snellings, B. Lothenbach, Panduan Praktis untuk Analisis Struktur D. Miron, RJ Myers, Cemdata18: database termodinamika kimia untuk semen
Mikro Bahan Semen, Taylor & Francis, 2016. portland terhidrasi dan bahan aktif alkali, Cem. Persetujuan Res. 115 (2019) 472–
[20] C. Beaumont, A. Goodman, P. Greenfield, Antarmuka pengguna yang dapat diretas dalam 506,https://doi.org/10.1016/j.cemconres.2018.04.018.
astronomi dengan lem, dalam: AR Taylor, E. Rosolowsky (Eds.), Perangkat Lunak Analisis [41] M. Balonis, B. Lothenbach, GL Saout, FP Glasser, Dampak klorida pada mineralogi
Data Astronomi dan Sistem XXIV (ADASS XXIV), Vol. 495 dari Astronomical Society of the sistem semen portland terhidrasi, Cem. Persetujuan Res. 40 (7) (2010) 1009–1022,
Pacific Conference Series, 2015, hlm. 101. https://doi.org/10.1016/j.cemconres.2010.03.002.
[21] T. Robitaille, C. Beaumont, P. Qian, M. Borkin, A. Goodman, glueviz v0.13.1: [42] A. Mesbah, C. Cau-dit Coumes, F. Frizon, F. Leroux, J. Ravaux, G. Renaudin,
eksplorasi data multidimensi (Februari 2017). doi:https://doi.org/10. 5281/ Investigasi baru substitusi Cl-CO3 dalam fase afm, J. Am. Seram. Soc. 94 (6) (2011)
zenodo.1237692. 1901–1910,https://doi.org/10.1111/j.1551-2916.2010.04305.x.
[22] M. Antoni, J. Rossen, F. Martirena, K. Scrivener, Substitusi semen dengan [43] S. Sui, W. Wilson, F. Georget, H. Maraghechi, H. Kazemi-Kamyab, W. Sun,
kombinasi metakaolin dan batugamping, Cem. Persetujuan Res. 42 (12) K. Scrivener, Metode kuantifikasi pengikatan klorida dalam sistem semen portland dan
(2012) 1579–1589,https://doi.org/10.1016/j.cemconres.2012.09.006. batu kapur, Cem. Persetujuan Res. 125 (2019) 105864,https://doi.org/10.1016/
[23] D. Jansen, F. Goetz-Neunhoeffer, C. Stabler, J. Neubauer, Metode standar eksternal j.cemconres.2019.105864.
remaster yang diterapkan pada kuantifikasi hidrasi opc awal, Cem. Persetujuan [44] Karakterisasi Lanjutan Pengikatan Klorida dalam Pasta OPC dan LC3, TU Delft, 2020.
Res. 41 (6) (2011) 602–608,https://doi.org/10.1016/j.cemconres.2011.03.004.
[24] X. Li, R. Snellings, KL Scrivener, Kuantifikasi abu terbang silika amorf dalam pasta [45] W. Wilson, F. Georget, K. Scrivener, Pendekatan migrasi mini: karakterisasi
semen campuran terhidrasi dengan difraksi bubuk sinar-x, J. Appl. Crystallogr. komprehensif dari masuknya klorida yang dipercepat pada skala pasta semen
52 (6) (2019) 1358–1370,https://doi.org/10.1107/S1600576719013955. campuran, (dalam persiapan).
[25] TE Oliphant, Python untuk komputasi ilmiah, Comput. Sains. Eng. 9 (3) (2007) 10– [46] KL Scrivener, HH Patel, PL Pratt, LJ Parrott, Analisis fasa dalam pasta semen
20,https://doi.org/10.1109/MCSE.2007.58. menggunakan citra elektron hamburan balik, adsorpsi metanol dan analisis
[26] E. Jones, T. Oliphant, P. Peterson, dkk., SciPy: alat ilmiah open source untuk termogravimetri, MRS Proc. 85 (1986) 67,https://doi.org/10.1557/ PROC-85-67.
Python, [online; diakses 11-06-2019] (2001–). URLhttp://www.scipy.org/.
[27] Virtanen Pauli, Gommers Ralf, Oliphant Travis E., Haberland Matt, Reddy Tyler, [47] M. Balonis, F. Glasser, Kepadatan fasa semen, Cem. Persetujuan Res. 39 (9)
Cournapeau David, Burovski Evgeni, Peterson Pearu, Weckesser Warren, Bright (2009) 733–739,https://doi.org/10.1016/j.cemconres.2009.06.005.
Jonathan, WS van der J., Brett Matthew, Wilson Joshua, Millman K. Jarrod, Mayorov [48]S. Torquato, Bahan Heterogen Acak: Struktur Mikro dan Properti Makroskopis,
Nikolay, Nelson Andrew RJ, Jones Eric, Kern Robert, Larson Eric, Carey Springer, New York, 2002.
de Vinicius, Miranda Cardoso José, Reimer Joscha, Harrington Joseph, Rodriguez Juan Luis Cano, Nunez-Iglesias Juan, Kuczynski Justin, Tritz Kevin, Thoma Martin, Newville Matthew, Kümmerer [49] F. Zunino, K. Scrivener, Assessing the effect of alkanolamin grinding aids in
Matthias, Bolingbroke Maximilian, Tartre Michael, Pak Mikhail, Smith Nathaniel J ., Nowaczyk Nikolai, Shebanov Nikolay, Pavlyk Oleksandr, Brodtkorb Per A., Lee Perry, McGibbon Robert T., Feldbauer limestone kalsinasi semen hidrasi, Constr. Membangun. Mater. (2020), 121293,
Roman, Lewis Sam, Tygier Sam, Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya , Pingel Thomas J., Robitaille Thomas P., Spura Thomas, Jones Thouis R., https://doi.org/10.1016/j.conbuildmat.2020.121293.
Cera Tim, Leslie Tim, Zito Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, Kontributor S.1.0, Scipy 1.0: algoritme fundamental untuk komputasi ilmiah dengan [50] E. Samson, J. Marchand, KA Snyder, Perhitungan koefisien difusi ion berdasarkan
python, Metode Alam (2020). doi: Harrington Joseph, Rodriguez Juan Luis Cano, Nunez-Iglesias Juan, Kuczynski Justin, Tritz Kevin, Thoma Martin, Newville Matthew, Kümmerer Matthias, Bolingbroke hasil tes migrasi, Mater. Struktur. 36 (3) (2003) 156–165,https://doi.org/10.1007/
Maximilian, Tartre Michael, Pak Mikhail, Smith Nathaniel J., Nowaczyk Nikolai, Shebanov Nikolay, Pavlyk Oleksandr , Brodtkorb Per A., Lee Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam, BF02479554.
Tygier Sam, Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel Thomas J., Robitaille Thomas P. , Spura Thomas, Jones Thouis R., Cera Tim, Leslie [51] GF Bastin, HJM Heijligers, Analisis mikro probe elektron kuantitatif elemen ultralight
Tim, Zito Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, S.1.0 Kontributor, Scipy 1.0: algoritme fundamental untuk komputasi ilmiah dengan python, Metode (boron-oksigen), Pemindaian 12 (4) (1990) 225–236,https://doi. org/10.1002/
Alam (2020). doi: Harrington Joseph, Rodriguez Juan Luis Cano, Nunez-Iglesias Juan, Kuczynski Justin, Tritz Kevin, Thoma Martin, Newville Matthew, Kümmerer Matthias, Bolingbroke Maximilian, sca.4950120408.
Tartre Michael, Pak Mikhail, Smith Nathaniel J., Nowaczyk Nikolai, Shebanov Nikolay, Pavlyk Oleksandr , Brodtkorb Per A., Lee Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam, Tygier Sam, [52] F. de la Peña, E. Prestat, VT Fauske, P. Burdet, P. Jokubauskas, M. Nord, T.
Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel Thomas J., Robitaille Thomas P. , Spura Thomas, Jones Thouis R., Cera Tim, Leslie Tim, Zito Ostasevicius, KE MacArthur, M. Sarahan, DN Johnstone, J. Taillon, J. Lähnemann, V.
Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, S.1.0 Kontributor, Scipy 1.0: algoritme fundamental untuk komputasi ilmiah dengan python, Metode Alam Migunov, A. Eljarrat, J. Caron, T. Aarholt, S. Mazzucco, M. Walls, T. Slater, F. Winkler,
(2020). doi: Thoma Martin, Newville Matthew, Kümmerer Matthias, Bolingbroke Maximilian, Tartre Michael, Pak Mikhail, Smith Nathaniel J., Nowaczyk Nikolai, Shebanov Nikolay, Pavlyk Oleksandr, pquinn dls, B. Martineau, G. Donval, R. McLeod, ER Hoglund, I. Alxneit, D. Lundeby,
Brodtkorb Per A., Lee Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam , Tygier Sam, Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel T. Henninen, LF Zagonel, A. Garmannslund, hyperspy/hyperspy: Hyperspy v1.5.2
Thomas J., Robitaille Thomas P., Spura Thomas, Jones Thouis R., Cera Tim, Leslie Tim, Zito Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, Kontributor S.1.0, (Sep. 2019). doi:https://doi.org/10. 5281/zenodo.3396791.
Scipy 1.0: algoritme fundamental untuk komputasi ilmiah dengan python, Metode Alam (2020). doi: Thoma Martin, Newville Matthew, Kümmerer Matthias, Bolingbroke Maximilian, Tartre Michael,

Pak Mikhail, Smith Nathaniel J., Nowaczyk Nikolai, Shebanov Nikolay, Pavlyk Oleksandr, Brodtkorb Per A., Lee Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam , Tygier Sam, Sievert Scott, [53]F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel,
Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel Thomas J., Robitaille Thomas P., Spura Thomas, Jones Thouis R., Cera Tim, Leslie Tim, Zito Tiziano, Krauss M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos,
Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, Kontributor S.1.0, Scipy 1.0: algoritme fundamental untuk komputasi ilmiah dengan python, Metode Alam (2020). doi: Lee D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay, Scikit-learn: pembelajaran
Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam, Tygier Sam, Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel Thomas J., Robitaille mesin dengan Python, J. Mach. Mempelajari. Res. 12 (2011) 2825–2830.
Thomas P., Spura Thomas, Jones Thouis R., Cera Tim, Leslie Tim, Zito Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, Kontributor S.1.0, Scipy 1.0: algoritme [54] F. Georget, W. Wilson, K. Scrivener, contoh edxia (Mei 2020). doi:https://doi. org/
10.5281/zenodo.3862958.
fundamental untuk komputasi ilmiah dengan python, Metode Alam (2020). doi: Lee Perry, McGibbon Robert T., Feldbauer Roman, Lewis Sam, Tygier Sam, Sievert Scott, Vigna Sebastiano, Peterson Stefan, More Surhud, Pudlik Tadeusz, Oshima Takuya, Pingel Thomas J., Robitaille Thomas P., Spura Thomas, Jones Thouis R., Cera Tim, Leslie Tim, Zito Tiziano, Krauss Tom, Upadhyay Utkarsh, Halchenko Yaroslav O., Vázquez-Baeza Yoshiki, Kontributor S.1.0, Scipy 1.0:

[28] JD Hunter, Matplotlib: lingkungan grafis 2d, Comput. Sains. Eng. 9 (3) (2007) 90–95,
https://doi.org/10.1109/MCSE.2007.55.

17