微流控实验和过程模型广泛用于研究多孔介质中的孔隙尺度运移现象。然而，由于物理理论和现实之间的差异（即模型系统误差），经典的过程模型有时无法准确预测实际的运移行为。我们提出了一种机制-数据驱动的方法来解决这个问题，即采用机制融合的神经网络，并通过微流控实验评估了数据驱动、混合驱动、二维和三维运移模型等方法的精度。结果表明，在具有足够图像数据的情况下，数据驱动和混合驱动模型在时间插值和短期预测方面表现良好。即使存在偏差的物理机制下，混合驱动模型在长期预测中表现出更高的准确性，而数据驱动模型无法提供合理的长期预测。 三维运移模型在所有时期都给出了较为准确的结果，而二维模型由于模型偏差而误差很大。本研究提出的混合驱动建模方法对于数据稀缺误差大，机制不明确的多孔介质中运移研究提供了新的方法工具。
 

多孔介质,微流控,溶质运移,深度学习