基于机器学习的拓扑数据分析用于预测多孔介质的渗透性
软凝聚态物质
2026-05-19 v1 机器学习
摘要
多孔介质中的流动由于其复杂性，难以使用标准的解析或数值方法来处理。然而，由于人工表示的多孔介质容易生成，且来自物理实验的数据正变得越来越广泛可用，该问题非常适合包含机器学习(ML)技术的研究。我们讨论了可以从此类数据中提取的各种特征，以及它们作为标准 ML 算法输入变量的实用性。这些特征包括描述多孔介质几何结构的结构度量、描述连通性的拓扑度量，以及通过将多孔介质建模为简化孔隙网络来获得的网络度量。这些特征使我们能够使用 ML 技术预测所考虑的(人工)多孔材料的渗透性，而这些技术还利用独立计算的准确渗透性(ground truth)。通过比较使用不同输入变量获得的结果，有助于更好地理解各种度量对于基于多孔介质结构预测渗透性的实用性。我们特别表明，拓扑数据分析(TDA)提供了一组有用的特征，这些特征可以轻易地与 ML 结合，以产生有意义的结果。
引用
@article{arxiv.2605.17581,
title = {Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media},
author = {Ebru Dagdelen and Catherin Neena Lalu and Aakash Karlekar and Manav Arora and Matthew Illingworth and Jonathan Jaquette and Linda Cummings and Lou Kondic},
journal= {arXiv preprint arXiv:2605.17581},
year = {2026}
}