利用自监督预训练非常小的 CNN-transformer 模型来预测地层岩石的物理性质，具有高准确度且时间有效，可避免使用极小数据集的过度拟合。

May, 2022

用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。

Aug, 2023

使用人工神经网络、随机森林分类器和支持向量机等三种模型，以预测渗透率为主要目标，比较了三种机器学习算法的有效性，并利用 FZI 岩性分类技术对影响油藏质量的因素进行了分析，表明 FZI 模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。

May, 2023

通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

Apr, 2017

通过使用几何相关的连接子集描述孔隙空间，利用曲线骨架对土壤微生物分解进行数值模拟，验证模拟结果与其他几何表示方法（球体、体素）的比较。

Sep, 2023

使用图像识别神经网络实现了从图像直接预测渗透率的方法，其包括多个步骤，如：生成多孔介质样本，通过流体动力学模拟计算渗透率，使用卷积神经网络训练模拟数据，验证模拟，加入已知物理参数进入神经网络模型预测结果，得到优秀的预测性能，相对于使用传统方法识别含有许多扩散孔的高异质性多孔介质，机器学习方法的准确性更高，并且相较于流体动力学模拟计算，计算时间减少许多。

Sep, 2018

使用卷积神经网络对钛涂覆的镍线中 Kirkendall 气孔的体积分数进行了测量，预测了不同类型的气孔在均质化过程中的体积分数变化并通过分割模型对其进行了语义分割。

Jun, 2023

这项研究介绍了一种利用土壤的三维微计算机断层扫描图像模拟有机物质微生物分解的新的计算方法。该方法利用一个连接的体素的评估图来模拟微生物分解过程中涉及的转化和扩散过程。该模型可被用于模拟多孔介质中的任何扩散 - 转化过程。我们实施了并行化策略，并探索了不同的数值方法，包括隐式、显式、同步和异步方案。为了验证我们的方法，我们将模拟输出与 LBioS 和 Mosaic 模型提供的输出进行了比较。LBioS 使用晶格玻尔兹曼方法进行扩散，而 Mosaic 则利用了毛细管网络几何模型（PNGM）通过球体和椭球体等几何基元来获益。这种方法取得了与传统基于 LBM 的模拟相当的结果，但仅需四分之一的计算时间。与 Mosaic 模拟相比，所提出的方法速度较慢，但更准确且不需要任何校准。此外，我们提出了一个理论框架和一个应用示例来增强基于 PNGM 的模拟。这通过使用随机梯度下降和当前方法生成的数据来近似扩散传导系数来实现。

Jun, 2024

使用深度学习方法基于热图像进行反演定位激光粉床熔化成型制件外置孔隙率，该研究的目标是建立基于成型过程中获得的热图像的实时孔隙分布图。通过卷积神经网络模型来预测孔隙计数和通过视频视觉 Transformer 模型的时空注意机制来指示预期孔隙存在的区域。本研究在添加制造监测数据上奠定了基于部件孔隙率的 “数字孪生” 的基础，可以用于减少部件质量认证过程中耗时的后期检测和测试工作。此外，我们通过对成型过程监测数据的机器学习分析，希望加快获得通常仅通过外置部件评估获得的重要洞察。

Apr, 2024

本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。

Apr, 2023