Пористые материалы играют важную роль в разных отраслях благодаря своей пористой структуре и большой площади поверхности, что влияет на процессы переноса и химические реакции. Эффективное моделирование этих процессов требует решения уравнений в частных производных, что затрудняется высокими вычислительными затратами традиционных методов, таких как метод конечных элементов.
Поэтому разработана модель глубокого обучения Porous-DeepONet, которая эффективно захватывает характеристики пористых структур. Эта усовершенствованная версия DeepONet использует сверточные нейронные сети для анализа операторов в контексте реакционно-диффузионных процессов. Результаты исследования опубликованы в научном журнале Engineering.
Исследования показывают, что Porous-DeepONet значительно ускоряет решение задач, превосходя традиционные методы в три раза, а для уравнений Пуассона-Нернста-Планка (PNP) — в 50 раз. Это делает Porous-DeepONet мощным инструментом для работы с параметризованными уравнениями в контексте пористых сред, особенно в сложных геометриях и мультифизических задачах, открывая возможности для дальнейших исследований и новых применений в смежных областях.
