Nell'ambito dell'ingegneria chimica, i mezzi porosi rivestono un ruolo chiave in molte applicazioni per via delle loro peculiari proprietà come l'elevata superficie specifica e la possibilità di realizzare strutture differenti a seconda della forma scelta per la costruzione del mezzo. In questo lavoro è stato valutato l’utilizzo di modelli data-driven, per identificare relazioni funzionali in geometrie a microstruttura complessa e ad elevato grado di vuoto: le schiume solide a celle aperte (OCF). La generazione algoritmica di copie digitali delle schiume OCF, utile per il testing rapido di strutture diverse, è subordinata alla definizione di parametri geometrici. Il focus del lavoro è stato incentrato sullo svolgimento di campagne di simulazioni di Computational Fluid Dynamics (CFD) allo scopo di utilizzare i risultati come dataset di allenamento per un modello data-driven di tipo neural network, capace di predire accuratamente la permeabilità di nuove geometrie OCF a partire dal set di parametri geometrici di generazione.