Badanie właściwości ośrodków porowatych

Miło nam poinformować o ostatniej publikacji zespołu z Instytutu Fizyki Teoretycznej Wydziału Fizyki i Astronomii UWr w czasopiśmie Scientific Reports, które należy do grupy Nature:

K. Graczyk, D. Strzelczyk, M. Matyka, Deep learning for diffusion in porous media, Scientific Reports, 13, 9769 (2023)

Tekst artykułu (Open Access) dostępny jest pod linkiem:

https://www.nature.com/articles/s41598-023-36466-w

Praca została wykonana w całości przez naukowców naszego Uniwersytetu. Grupa pod kierunkiem prof. K. Graczyka zastosowała splotowe sieci neuronowe (Convolutional Neural Network), aby przewidywać podstawowe właściwości ośrodków porowatych naśladujących upakowanie piasku i przestrzeni pozakomórkowej tkanek biologicznych. Sieć neuronowa, biorąc na wejściu zdjęcie ośrodka porowatego zwraca porowatość, współczynnik dyfuzji lub rozkład koncentracji.

Aby nauczyć sieć prawidłowo rekonstruować makroskopowe i mikroskopowe cechy ośrodka wygenerowano kilka zbiorów zawierających dyskutowane geometrie. Dla każdego obrazka geometrii wyliczono, wykorzystując metodę gazu sieciowego Boltzmanna, współczynnik dyfuzji oraz rozkład koncentracji.  

Rozważono dwa rodzaje sieci: kodującą – do przewidywania współczynnika dyfuzji oraz sieć U-Net (auto-enkoder) do przewidywania rozkładów koncentracji. W przypadku pierwszego z zadań wykorzystany został również moduł samo-normalizacji zaproponowany przez prof. Graczyka [Graczyk i in., Sci Rep 12, 10583 (2022)].

Praca ta stanowi część cyklu prac zespołu i jest kontynuacją poprzedniej publikacji: Graczyk, K. M. and Matyka, M., Predicting Porosity, Permeability, and Tortuosity of Porous Media from Images by Deep Learning, Sci Rep 10, 21488 (2020), która aktualnie osiągnęła już 66 cytowań wg. Google Scholar.

Dla obu typów danych, przeprowadzona została skutecznie analiza krętości i dopasowanie wyników danych pomiarowych z sieci neuronowych do klasycznego prawa Archiego zależności efektywnej dyfuzji od porowatości.