Gap-geometri forstået:Ny algoritme kan hjælpe med at forstå strukturen af ​​væsker, hvordan de strømmer gennem porøse medier

Et team af forskere fra U.S. Department of Energy's (DOE) Argonne National Laboratory har udviklet en ny maskinlæringsalgoritme, der hurtigt og præcist kan bestemme geometrien af ​​huller i porøse materialer. Algoritmen, kaldet PGNet (Pore Geometry Network), kunne bruges til bedre at forstå strukturen af ​​væsker, og hvordan de strømmer gennem porøse medier, som har applikationer inden for en lang række områder, såsom energi, miljøvidenskab og farmaceutisk fremstilling.

"Gap geometri er en grundlæggende egenskab ved porøse materialer, der styrer deres evne til at opbevare og transportere væsker," sagde Argonne-forsker Dongxiao Zhang, en medforfatter af undersøgelsen. "Men præcis bestemmelse af spaltegeometri fra eksperimentelle data eller simuleringer er en udfordrende opgave, især for komplekse porøse materialer."

Forskerne udviklede PGNet-algoritmen ved hjælp af en maskinlæringsteknik kaldet konvolutionelle neurale netværk (CNN'er). CNN'er er en type deep learning-algoritme, der er velegnet til billedanalyse- og genkendelsesopgaver. Forskerne trænede PGNet-algoritmen på et stort datasæt af billeder af simulerede porøse materialer, og de viste, at den nøjagtigt kunne bestemme mellemrumsgeometrien af ​​disse materialer.

Forskerne brugte derefter PGNet-algoritmen til at studere strukturen af ​​væsker i porøse materialer. De fandt ud af, at spaltegeometrien af ​​porøse materialer har en betydelig indvirkning på strukturen af ​​væsker, der er indespærret i porerne.

Dette arbejde blev finansieret af DOE's Office of Basic Energy Sciences. Forskerholdet omfattede Dongxiao Zhang, Yuan Cheng og Yongqiang Cheng fra Argonne National Laboratory; og Jialin Li og Ruiqiang Li fra University of Nebraska i Omaha.

Undersøgelsen er publiceret i tidsskriftet Nature Communications.