"La geometría de los huecos es una propiedad fundamental de los materiales porosos que gobierna su capacidad para almacenar y transportar fluidos", dijo el científico de Argonne Dongxiao Zhang, coautor del estudio. "Sin embargo, determinar con precisión la geometría de los espacios a partir de datos experimentales o simulaciones es una tarea desafiante, especialmente para materiales porosos complejos".
Los investigadores desarrollaron el algoritmo PGNet utilizando una técnica de aprendizaje automático llamada redes neuronales convolucionales (CNN). Las CNN son un tipo de algoritmo de aprendizaje profundo que es muy adecuado para tareas de reconocimiento y análisis de imágenes. Los investigadores entrenaron el algoritmo PGNet en un gran conjunto de datos de imágenes de materiales porosos simulados y demostraron que podía determinar con precisión la geometría de los espacios de estos materiales.
Luego, los investigadores utilizaron el algoritmo PGNet para estudiar la estructura de líquidos en materiales porosos. Descubrieron que la geometría de los espacios de los materiales porosos tiene un impacto significativo en la estructura de los líquidos confinados dentro de los poros.
Este trabajo fue financiado por la Oficina de Ciencias Energéticas Básicas del DOE. El equipo de investigación incluyó a Dongxiao Zhang, Yuan Cheng y Yongqiang Cheng del Laboratorio Nacional Argonne; y Jialin Li y Ruiqiang Li de la Universidad de Nebraska en Omaha.
El estudio se publica en la revista Nature Communications.
