Ett team av forskare från U.S. Department of Energys (DOE) Argonne National Laboratory har utvecklat en ny maskininlärningsalgoritm som snabbt och exakt kan bestämma geometrin för luckor i porösa material. Algoritmen, kallad PGNet (Pore Geometry Network), skulle kunna användas för att bättre förstå strukturen hos vätskor och hur de strömmar genom porösa medier, som har tillämpningar inom ett brett spektrum av områden, såsom energi, miljövetenskap och läkemedelstillverkning.

"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.