Een team van onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) heeft een nieuw machine-learning-algoritme ontwikkeld dat snel en nauwkeurig de geometrie van gaten in poreuze materialen kan bepalen. Het algoritme, genaamd PGNet (Pore Geometry Network), zou kunnen worden gebruikt om de structuur van vloeistoffen beter te begrijpen en hoe ze door poreuze media stromen, wat toepassingen heeft op een breed scala aan gebieden, zoals energie, milieuwetenschappen en farmaceutische productie.

"Spleetgeometrie is een fundamentele eigenschap van poreuze materialen die hun vermogen bepaalt om vloeistoffen op te slaan en te transporteren", zegt Argonne-wetenschapper Dongxiao Zhang, co-auteur van de studie. "Het nauwkeurig bepalen van de geometrie van de opening op basis van experimentele gegevens of simulaties is echter een uitdagende taak, vooral voor complexe poreuze materialen."

De onderzoekers ontwikkelden het PGNet-algoritme met behulp van een machinale leertechniek genaamd convolutionele neurale netwerken (CNN's). CNN's zijn een soort deep learning-algoritme dat zeer geschikt is voor beeldanalyse en herkenningstaken. De onderzoekers trainden het PGNet-algoritme op een grote dataset met afbeeldingen van gesimuleerde poreuze materialen, en ze toonden aan dat het de spleetgeometrie van deze materialen nauwkeurig kon bepalen.

Vervolgens gebruikten de onderzoekers het PGNet-algoritme om de structuur van vloeistoffen in poreuze materialen te bestuderen. Ze ontdekten dat de spleetgeometrie van poreuze materialen een aanzienlijke invloed heeft op de structuur van vloeistoffen die zich in de poriën bevinden.

Dit werk werd gefinancierd door het DOE's Office of Basic Energy Sciences. Het onderzoeksteam bestond uit Dongxiao Zhang, Yuan Cheng en Yongqiang Cheng van het Argonne National Laboratory; en Jialin Li en Ruiqiang Li van de Universiteit van Nebraska in Omaha.

De studie is gepubliceerd in het tijdschrift Nature Communications.