🔬 condensed matter

Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media

Dieser Beitrag zeigt, dass die Kombination von topologischer Datenanalyse mit maschinellem Lernen die Permeabilität poröser Medien effektiv vorhersagt, indem strukturelle, topologische und netzwerkbasierte Merkmale aus synthetischen und experimentellen Daten genutzt werden.

Ursprüngliche Autoren: Ebru Dagdelen, Catherin Neena Lalu, Aakash Karlekar, Manav Arora, Matthew Illingworth, Jonathan Jaquette, Linda Cummings, Lou Kondic

Veröffentlicht 2026-05-19

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Ebru Dagdelen, Catherin Neena Lalu, Aakash Karlekar, Manav Arora, Matthew Illingworth, Jonathan Jaquette, Linda Cummings, Lou Kondic

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen riesigen, komplexen Schwamm vor, der aus Tausenden winziger, zufällig verteilter Kugeln besteht. Sie möchten wissen, wie leicht Wasser durch ihn hindurchfließen kann. In der realen Welt ist dies vergleichbar mit der Herausforderung, herauszufinden, wie schnell sich Öl durch unterirdisches Gestein bewegt oder wie gut ein Wasserfilter funktioniert.

Traditionell müssen Wissenschaftler extrem langsame, rechenintensive Computersimulationen durchführen, um diese Frage zu beantworten. Es ist so, als würde man versuchen, den exakten Pfad jedes einzelnen Wassertropfens zu berechnen, während er sich durch den Schwamm windet. Dies erfordert viel Zeit und enorme Rechenleistung.

Diese Arbeit stellt einen cleveren Abkürzungsweg vor: die Verwendung von Künstlicher Intelligenz (KI), um die Antwort zu erraten, anstatt sie zu berechnen.

Hier ist die Vorgehensweise, in einfache Schritte zerlegt:

1. Den „Schwamm" herstellen (Die Daten)

Zunächst verwendeten die Forscher keine echten Gesteinsproben oder Schwämme. Sie nutzten ein Computerprogramm, um 1.000 künstliche Schwämme zu generieren.

Das Rezept: Sie ließen zufällig Kugeln (wie Murmeln) in einen 3D-Kasten fallen. Die leeren Räume zwischen den Murmeln sind dort, wo das Wasser fließen würde.
Die Grundwahrheit: Für jeden einzelnen künstlichen Schwamm, den sie herstellten, führten sie die langsame, rechenintensive Simulation durch, um die exakte Antwort für seine Durchlässigkeit (Fließfreundlichkeit) zu erhalten. Dies lieferte ihnen einen „Lösungsschlüssel", um ihre KI später zu überprüfen.

2. Den Schwamm beschreiben (Die Merkmale)

Um die KI zu unterrichten, mussten sie jeden Schwamm in einer Weise beschreiben, die ein Computer verstehen konnte. Sie sagten nicht einfach nur „es ist ein Schwamm". Sie zerlegten die Beschreibung in drei verschiedene „Sprachen":

Die „Architekt"-Sprache (Strukturelle Merkmale): Dies ist die grundlegende Geometrie. Wie groß sind die Murmeln? Wie viel leerer Raum gibt es? Wie verschlungen sind die Pfade? Es ist vergleichbar mit dem Messen der Größe der Zimmer und der Breite der Flure in einem Haus.
Die „Kartenzeichner"-Sprache (Netzwerkmerkmale): Stellen Sie sich vor, Sie verwandeln den Schwamm in eine U-Bahn-Karte. Die „Stationen" sind die großen leeren Taschen, und die „Gleise" sind die schmalen Tunnel, die sie verbinden. Sie zählten, wie viele Stationen es gab, wie viele Gleise sie verbanden und wie weit die Stationen voneinander entfernt waren.
Die „Form-Beobachter"-Sprache (Topologische Merkmale): Dies ist der einzigartigste Teil. Sie verwendeten ein mathematisches Werkzeug namens Topologische Datenanalyse (TDA).
- Die Analogie: Stellen Sie sich den Schwamm als Landschaft vor. Die KI betrachtet nicht nur die Höhe der Hügel; sie betrachtet die Form des Landes. Sie zählt, wie viele separate Inseln es gibt, wie viele Schleifen oder Ringe in den Pfaden existieren und wie lange diese Schleifen bestehen, bevor sie sich schließen. Es ist so, als würde man zählen, wie viele Donuts in einem Haufen Teig sind, unabhängig davon, wie stark der Teig gequetscht ist.

3. Der KI-Lehrer (Maschinelles Lernen)

Sie fütterten all diese Beschreibungen (Architekt, Kartenzeichner und Form-Beobachter) in ein Neuronales Netz (eine Art KI-Gehirn).

Das Training: Sie zeigten der KI die Beschreibung eines Schwamms und seinen „Lösungsschlüssel" (die exakte Fließrate).
Das Lernen: Die KI suchte nach Mustern. Sie lernte: „Ah, wenn die Schleifen in der Sprache des Form-Beobachters lang sind und die Tunnel in der Sprache des Kartenzeichners kurz sind, fließt das Wasser schnell."
Der Test: Sobald sie trainiert war, gaben sie der KI neue Schwämme, die sie noch nie gesehen hatte, und baten sie, die Fließrate zu erraten.

4. Die Ergebnisse: Geschwindigkeit vs. Genauigkeit

Die Arbeit vergleicht drei Methoden, um die Antwort zu erhalten:

Der alte Weg (Direkte Simulation): Extrem genau, benötigt aber etwa 25 Stunden, um alle 1.000 Schwämme zu verarbeiten.
Der KI-Weg (Verwendung aller Beschreibungen): Fast genauso genau wie der alte Weg (nur etwa 5 % Fehler), benötigt aber weniger als 5 Sekunden, um alle 1.000 Schwämme zu verarbeiten.
Der „Nur-Karte"-Weg: Wenn man nur die U-Bahn-Karte (Netzwerkmerkmale) verwendet, ist die KI etwas weniger genau, aber immer noch ziemlich gut.
Der „Nur-Form"-Weg: Wenn man nur die Daten des Form-Beobachters (Topologische Daten) verwendet, ist die KI überraschend genau und sehr schnell zu berechnen.

Die große Erkenntnis

Die Arbeit behauptet, dass die Topologische Datenanalyse (TDA) ein leistungsfähiges Werkzeug ist. Indem sie die „Form" und „Vernetzung" der Löcher betrachten (wie das Zählen von Schleifen und Inseln), kann die KI vorhersagen, wie Flüssigkeiten fließen, fast so gut wie die detailliertesten geometrischen Messungen, jedoch viel schneller.

Kurz gesagt: Anstatt jeden Wassertropfen zu simulieren (was langsam ist), lehrten sie einen Computer, auf die „Form der Löcher" und die „Karte der Tunnel" zu schauen, um sofort zu erraten, wie schnell das Wasser fließen wird. Dies könnte Wissenschaftlern enorme Zeitersparnisse beim Entwurf von Filtern, bei der Untersuchung von Ölreservoiren oder beim Verständnis von Grundwasser bringen.

Hinweis: Die Arbeit konzentriert sich ausschließlich auf synthetische (künstliche) Daten und behauptet nicht, dies bereits an realen klinischen oder industriellen Proben getestet zu haben, obwohl sie darauf hindeutet, dass dies eine vielversprechende Richtung für zukünftige Arbeiten ist.

Technischer Überblick: Topologische Datenanalyse kombiniert mit maschinellem Lernen zur Vorhersage der Permeabilität poröser Medien

Problemstellung
Die Vorhersage der Permeabilität poröser Medien ist eine kritische Herausforderung in Bereichen von der Grundwasserfiltration bis zur Ölgewinnung. Traditionelle Methoden stützen sich auf Laborexperimente oder die Lösung partieller Differentialgleichungen (PDEs) mittels numerischer Simulationen (z. B. unter Verwendung der Stokes-Gleichungen). Obwohl diese PDE-basierten Simulationen genau sind, sind sie rechenintensiv und erfordern feinmaschige Gitter sowie erhebliche Verarbeitungszeit, insbesondere für große oder strukturell komplexe Proben. Die Autoren gehen davon aus, dass die zunehmende Verfügbarkeit digitalisierter Darstellungen poröser Medien dieses Problem gut für datengesteuerte Ansätze, speziell maschinelles Lernen (ML), geeignet macht, um die Rechenkosten der direkten Simulation zu umgehen und dabei die Vorhersagegenauigkeit zu bewahren.

Methodik
Die Studie etabliert einen Workflow, um ein ML-Modell zu trainieren, das die Permeabilität unter Verwendung geometrischer, topologischer und netzwerkbasierter Deskriptoren vorhersagt, die von synthetischen porösen Strukturen abgeleitet werden.

Datengenerierung:
- Die Autoren generierten 1.000 synthetische 3D-poröse Strukturen mit der Software Porous Microstructure Analysis (PuMA).
- Diese Strukturen bestehen aus zufällig verteilten festen Kugeln (Durchmesser 5–15 Voxel) innerhalb eines $50 \times 50 \times 50$ Voxel-Domänen, mit dem Ziel einer Porosität von 0,5.
- Ground Truth: Die Permeabilität für jede Struktur wurde direkt unter Verwendung der integrierten Funktionen von PuMA berechnet, indem die Stokes-Gleichungen gelöst und die diagonalen Komponenten des Permeabilitätstensors gemittelt wurden.
Merkmalsextraktion:
Die Autoren extrahierten drei Kategorien von Merkmalen, die als Eingangsvariablen für das ML-Modell dienen:
- Strukturelle Merkmale: Messbare Eigenschaften der Geometrie des Hohlraums, einschließlich Kugeldurchmesser, Hohlraumdiffusivität, spezifische Oberfläche und Tortuosität. Diese wurden unter Verwendung der integrierten Funktionen von PuMA berechnet.
- Topologische Merkmale: Abgeleitet unter Verwendung von Topologischer Datenanalyse (TDA), speziell Persistenter Homologie (PH). Zwei Methoden kamen zum Einsatz:
  - Alpha-Complex-Ansatz: Eine Punktwolke wurde durch Unterabtastung von Hohlraum-Pixeln erstellt. $\alpha$ -Komplexe wurden konstruiert, und Persistenzdiagramme (PDs) wurden generiert, um die Geburt und den Tod von verbundenen Komponenten (Dimension-0) und Schleifen (Dimension-1) zu verfolgen.
  - Euklidischer Distanz-Transform (EDT)-Ansatz: Der vorzeichenbehaftete euklidische Abstand von jedem Hohlraum-Pixel zur nächsten festen Grenze wurde berechnet. Auf diese Werte wurde eine Superlevel-Filtration angewendet, um PDs zu generieren.
  - Skalare Umwandlung: Die PDs wurden zu skalaren Merkmalen aggregiert, speziell Total Persistence (TP), das die Lebensdauern (Tod minus Geburt) aller topologischen Merkmale summiert.
- Netzwerkmerkmale: Die porösen Strukturen wurden unter Verwendung des SNOW2-Algorithmus (implementiert in PoreSpy) zu Porennetzwerken vereinfacht. Dieser Algorithmus identifiziert Hohlraumzentren (Knoten) und verbindende Engstellen (Kanten). Deskriptoren umfassten die Netzwerkkonnektivität (geschlossene Triaden, Pfade der Länge zwei, Kantenzahlen) und Netzwerkabstandsmaße (Kantenlängen, Nachbarschaftsabstände, Closeness-Zentralität).
Maschinelles Lernmodell:
- Ein feedforward-neuronales Netz wurde mit TensorFlow implementiert.
- Architektur: Eine Eingabeschicht, drei dichte versteckte Schichten (jeweils 128 Knoten) und eine Ausgabeschicht, insgesamt etwa 50.000 Parameter.
- Training: Der Datensatz wurde in 700 Trainings-, 150 Validierungs- und 150 Teststichproben aufgeteilt. Das Modell wurde über 1.000 Epochen mit dem Adam-Optimierer und dem Mean Squared Error (MSE)-Verlust trainiert. Die Rectified Linear Unit (ReLU)-Aktivierungsfunktion wurde verwendet, um Nichtlinearität einzuführen.
- Ziel: Vorhersage der logarithmischen Permeabilität ( $\log_{10} k$ ) basierend auf den extrahierten Merkmalsvektoren.

Hauptergebnisse
Die Studie bewertete die Leistung des Modells unter Verwendung des Mean Absolute Percentage Error (MAPE) und der Rechenzeit über verschiedene Merkmalssets hinweg:

Genauigkeit:
- Die Verwendung aller Deskriptoren (strukturell, topologisch und netzwerkbezogen) ergab einen MAPE von 4,70 %.
- Nur strukturelle Merkmale erreichten einen MAPE von 4,75 %.
- Topologische Merkmale (Total Persistence) erreichten einen MAPE von 4,72 % (für $\alpha$ -Complex) und 6,31 % (für EDT).
- Nur Netzwerk-Konnektivitätsmerkmale resultierten in einem MAPE von 6,78 %, während Netzwerk-Abstandsmerkmale mit einem MAPE von 11,60 % schlecht abschnitten.
- Die Ergebnisse zeigen, dass topologische und strukturelle Merkmale eine nahezu optimale Vorhersagekraft bieten, während Netzwerk-Abstandsmaße wenig nützliche Informationen beitragen.
Rechenleistung:
- Ground Truth-Berechnung: Die Berechnung der Permeabilität für 1.000 Strukturen via PuMA dauerte 92.480 Sekunden.
- ML-Vorhersage: Nach dem Training sagte das neuronale Netz die Permeabilität für 1.000 Strukturen in 4,7 Sekunden voraus (unter Verwendung aller Merkmale).
- Merkmalsextraktion: Die Extraktion struktureller Merkmale dauerte am längsten (18.040 Sekunden), während die Extraktion von Netzwerkmerkmalen am schnellsten war (820 Sekunden). Die Extraktion topologischer Merkmale (EDT) war mit 312 Sekunden bemerkenswert effizient.

Bedeutung und Behauptungen
Das Papier behauptet, dass die Topologische Datenanalyse (TDA) eine nützliche Menge an Merkmalen liefert, die in Kombination mit ML zu aussagekräftigen Ergebnissen für die Permeabilitätsvorhersage führen. Insbesondere:

Validierung der TDA: Die Studie zeigt, dass Persistenz-Homologie-Maße gültige Prädiktoren für die Permeabilität sind und eine Leistung bieten, die mit traditionellen strukturellen Deskriptoren vergleichbar ist.
Kompromiss zwischen Effizienz und Genauigkeit: Während strukturelle Merkmale das beste Gleichgewicht zwischen Fehler und Extraktionszeit bieten, bieten topologische Merkmale (insbesondere über EDT) einen „Mittelweg", der genaue Vorhersagen mit deutlich niedrigeren Rechenkosten als vollständige Strukturanalyse oder direkte Simulation ermöglicht.
Bildungsnutzen: Die Autoren betonen, dass die Arbeit diese Techniken in einer zugänglichen Weise unter Verwendung gut dokumentierter Software präsentiert und als Ressource für Lehrende und Forscher dienen soll, die Studierende in ML und TDA in den Materialwissenschaften einführen.
Bescheidener Umfang: Die Autoren stellen fest, dass die aktuelle Studie auf synthetische Daten ( $50 \times 50 \times 50$ Domänen) beschränkt ist und dass die Netzwerkvereinfachung (SNOW2) mit einem gewissen Genauigkeitsverlust verbunden ist. Sie schlagen vor, dass die aktuellen Ergebnisse zwar vielversprechend sind, zukünftige Arbeiten jedoch größere Domänen und experimentelle Datensätze untersuchen sollten, um statistische Homogenität und Generalisierbarkeit zu bestätigen.

Das Papier schließt, dass ML-Modelle, die auf diesen Deskriptoren trainiert wurden, eine hocheffiziente Alternative zu traditionellen simulationsbasierten Methoden bieten, die Rechenkosten drastisch reduzieren und gleichzeitig zuverlässige Permeabilitätsschätzungen liefern.