"Gapgeometri är en grundläggande egenskap hos porösa material som styr deras förmåga att lagra och transportera vätskor", säger Argonne-forskaren Dongxiao Zhang, medförfattare till studien. "Men att exakt bestämma gapgeometri från experimentella data eller simuleringar är en utmanande uppgift, särskilt för komplexa porösa material."
Forskarna utvecklade PGNet-algoritmen med hjälp av en maskininlärningsteknik som kallas konvolutionella neurala nätverk (CNN). CNN är en typ av djupinlärningsalgoritm som är väl lämpad för bildanalys och igenkänningsuppgifter. Forskarna tränade PGNet-algoritmen på en stor datauppsättning av bilder av simulerade porösa material, och de visade att den exakt kunde bestämma gapgeometrin för dessa material.
Forskarna använde sedan PGNet-algoritmen för att studera strukturen hos vätskor i porösa material. De fann att spaltgeometrin hos porösa material har en betydande inverkan på strukturen hos vätskor som är inneslutna i porerna.
Detta arbete finansierades av DOE:s Office of Basic Energy Sciences. Forskargruppen inkluderade Dongxiao Zhang, Yuan Cheng och Yongqiang Cheng från Argonne National Laboratory; och Jialin Li och Ruiqiang Li från University of Nebraska i Omaha.
Studien är publicerad i tidskriften Nature Communications.