Reconstrucción 3D y caracterización de materiales usando algoritmos de aprendizaje supervisado aplicados a espectroscopía terahertz

Abstract

RESUMEN: Revisar por dentro piezas de plástico y materiales compuestos, sin cortarlas, se complica cuando sus densidades son parecidas. Los rayos X no las separan bien y los métodos destructivos obligan a cortar la pieza. Frente a eso, esta tesis evalúa otra vía: combinar espectroscopía de Terahertz en el dominio del tiempo (THz-TDS) con aprendizaje automático para reconstruir el interior de un objeto en tres dimensiones y estimar, punto por punto, su índice de refracción n y su coeficiente de absorción α(f). El modelo se llama NeuralFieldTHz. Se entrenó con 500 piezas que generó un simulador físico de la medición — 19 ángulos y 13 frecuencias entre 0.1 y 1.5 THz— y se evaluó sobre 150 piezas nuevas, frente a dos métodos clásicos, la retroproyección filtrada (FBP) y la reconstrucción algebraica simultánea (SART). Sobre datos simulados el resultado no deja dudas: ubica la forma del objeto con un solapamiento de 0.849, ahí donde los clásicos quedan en casi cero, y reduce el error del índice de 0.111 a 0.028. La prueba decisiva llegó con una pieza real, un cubo de polipropileno impreso en 3D. Y ahí el modelo falló. Recuperó una forma equivocada: solapamiento 0.079, centro corrido 4.67 mm. El índice del material sí lo recuperó —predijo el polipropileno del que está hecho el cubo—; la geometría, no. La pieza impresa trae huecos de aire del relleno e interfaces que reflejan y refractan el haz, y eso produce una medición que el simulador idealizado no reproduce. Dentro de su simulación el método promete, pero llevarlo a una medición real deja todavía muchos desafíos por delante. Cerrar esa brecha permitiría extender la caracterización THz tridimensional por composición a los plásticos y compuestos de las industrias aeroespacial y automotriz. Palabras clave: espectroscopía de Terahertz, THz-TDS, representación neural implícita, reconstrucción tomográfica, caracterización no destructiva de materiales.

ABSTRACT: Inspecting the inside of plastic and composite parts without cutting them is difficult when the materials have similar density: X-rays do not separate them well, and destructive methods require cutting the part. This thesis evaluates an alternative: combining terahertz time-domain spectroscopy (THz-TDS) with machine learning to reconstruct the interior of an object in three dimensions and to estimate, at each point, its refractive index n and its absorption coefficient α(f). The model, NeuralFieldTHz, was trained on 500 parts generated by a physical simulator of the measurement—19 angles and 13 frequencies between 0.1 and 1.5 THz—and was evaluated on 150 new parts against two classical methods: filtered back-projection (FBP) and the simultaneous algebraic reconstruction technique (SART). On simulated data the result is decisive: it locates the object’s shape with an overlap of 0.849 where the classical methods stay near zero, and it lowers the index error from 0.111 to 0.028. The decisive test was a real part: a 3D-printed polypropylene cube. There the model failed—it recovered a wrong shape (overlap 0.079, centroid shifted by 4.67 mm). It did recover the material’s index—it predicted the polypropylene the cube is made of—but not the geometry: the printed part, with air gaps from its infill and interfaces that reflect and refract the beam, produces a measurement that the idealized simulator does not reproduce. The method shows promise within its simulation, but transferring it to a real measurement still has many challenges to overcome; bridging that gap would extend three-dimensional, composition-based THz inspection to the plastics and composites of the aerospace and automotive industries. Keywords: terahertz spectroscopy, THz-TDS, implicit neural representation, tomographic reconstruction, non-destructive material characterization.