Maschinelles Lernen und Oberflächenantwort-Analyse der mittleren Tropfengröße und des dispergierten Phasenhalters in einer L-förmigen gepulsten Siebplattenkolonne

Reinigung von Nuklearmaterialien mit intelligenterem Mischen

Aus Uranerz brauchbarer Kernbrennstoff zu machen erfordert eine sorgfältige Trennung wertvoller Metalle aus einem Gemisch anderer Chemikalien. Ein zentraler Schritt nutzt spezielle Kolonnen, in denen zwei Flüssigkeiten aneinander vorbeiströmen und Tropfen das Metall von einer Phase in die andere transportieren. Diese Studie betrachtet eine neue L-förmige Variante solcher Kolonnen und nutzt moderne Datenwerkzeuge, um vorherzusagen, wie sich Tropfen darin verhalten. Das Verständnis und die Kontrolle dieser winzigen Tropfen kann die Reinigung von Kernbrennstoffen sicherer, effizienter und leichter skalierbar machen.

Eine seitliche Wendung für Trennkolonnen

Traditionelle Lösungsmittel-Extraktionskolonnen stehen senkrecht und nutzen die Schwerkraft, um zwei nicht mischbare Flüssigkeiten, wie wässrige Säure und ein organisches Lösungsmittel, zu trennen. Horizontale Kolonnen dagegen sind in abgeschirmten Gebäuden einfacher zu installieren und zu warten, verlieren jedoch etwas von der Unterstützung durch die Schwerkraft. Die L-förmige gepulste Siebplattenkolonne kombiniert beide Ideen: ein horizontaler Abschnitt ist mit einem vertikalen verbunden. Im Inneren zerlegen perforierte Platten und rhythmische Druckpulse eine Flüssigkeit in Tropfen, die durch die andere aufsteigen. Dieses Hybridlayout kann die Gesamthöhe verkürzen und gleichzeitig die Kapazität erhöhen, was es für die Handhabung radioaktiver Gemische in der Yellowcake-(Uran-)Reinigung attraktiv macht.

Warum Tropfengröße und Vernetzung wichtig sind

In diesen Kolonnen hängt die Leistung von zwei miteinander verbundenen Merkmalen der Tropfen ab. Das erste ist ihre mittlere Größe, erfasst durch die Sauter-Mittel-Tropfendurchmesser, der Tropfen sowohl nach Volumen als auch nach Oberfläche gewichtet. Kleinere Tropfen schaffen mehr Kontaktfläche zwischen den Flüssigkeiten und beschleunigen so den Metallextraktionsprozess. Das zweite Merkmal ist der Anteil des Kolonnenvolumens, der tatsächlich mit den dispergierten Tropfen gefüllt ist, eine Größe, die als dispergierter Phasenhalter (holdup) bezeichnet wird. Hoher Holdup bedeutet viele Tropfen und mehr Kontakt, aber zu viel kann den Durchfluss behindern und zu Überflutung führen. In der L-förmigen Kolonne ändern sich sowohl Tropfengröße als auch Holdup zwischen dem horizontalen und dem vertikalen Abschnitt und hängen davon ab, wie stark die Kolonne gepulst wird, wie schnell jede Flüssigkeit fließt und von Flüssigkeitseigenschaften wie Dichte, Viskosität und Interfacialspannung zwischen den beiden Flüssigkeiten.

Untersuchung von Tropfen in einem nuklearrelevanten Gemisch

Die Forschenden untersuchten vier Flüssigkeitspaare, die reale Bedingungen der Yellowcake-Reinigung nachahmen sollten: ein einfaches Kerosin–Wasser-System und drei Mischungen von Salpetersäure mit Kerosin, die unterschiedliche Mengen des Lösungsmittels TBP enthalten, eines standardmäßigen Uran-Extraktors. Zuerst bestimmten sie die wichtigsten Eigenschaften jedes Systems, etwa Dichte, Viskosität und gegenseitige Anziehung der Phasen. Dann betrieben sie die L-förmige Kolonne über einen Bereich von Durchflussraten und Pulsintensitäten und hielten die Bedingungen sorgfältig unterhalb der Überflutungsgrenze. Mit hochauflösender Fotografie an mehreren Stellen sowohl im horizontalen als auch im vertikalen Schenkel vermessen sie pro Test über 1500 Tropfen, einschließlich leicht abgeflachter, ellipsoidaler Formen, um den mittleren Tropfendurchmesser zu berechnen. Zur Bestimmung des von der dispergierten Phase eingenommenen Anteils nutzten sie Grenzflächenverfolgung und die Geometrie des Kolonnenquerschnitts. Zusammen bildeten diese Experimente einen umfangreichen Datensatz, der Betriebseinstellungen und Flüssigkeitseigenschaften mit Tropfengröße und Holdup verknüpft.

Modelle trainieren, um komplexes Verhalten vorherzusagen

Da diese Zusammenhänge stark verschränkt und nichtlinear sind, verglich das Team zwei moderne Modellierungsansätze. Die Response-Surface-Methodik verwendet sorgfältig geplante Experimente, um glatte Polynomgleichungen zu fitten, die Eingaben und Ausgaben verknüpfen. Künstliche neuronale Netze, inspiriert von gehirnähnlichen Netzwerken aus verbundenen Knoten, können komplexere Muster direkt aus Daten erlernen. Hier wurden fünf Eingaben – Durchflussraten beider Flüssigkeiten, Pulsstärke, Interfacialspannung und TBP-Gehalt – verwendet, um vier Ausgaben vorherzusagen: Tropfengröße und Holdup sowohl im horizontalen als auch im vertikalen Abschnitt. Nach Prüfung vieler Netzarchitekturen fanden die Autorinnen und Autoren, dass ein kompaktes Netzwerk mit zwei verborgenen Schichten extrem genaue Vorhersagen lieferte, mit Korrelationskoeffizienten sehr nahe bei eins. Die statistischen Response-Surface-Modelle lieferten ebenfalls gute Ergebnisse, waren aber insgesamt weniger präzise, insbesondere bei der Beschreibung, wie dicht die Tropfen wurden.

Von Datenmustern zu praktischen Regeln

Über die Black-Box-Vorhersage hinaus wollten die Autoren Formeln liefern, die Ingenieure in Entwurfsrechnungen verwenden können. Sie nutzten Dimensionsanalyse, um die wichtigsten physikalischen Größen zu dimensionslosen Kennzahlen zu kombinieren, und passten dann neue semi-empirische Gleichungen sowohl für Tropfengröße als auch für Holdup in den horizontalen und vertikalen Abschnitten an. Diese einfachen Ausdrücke stimmten im Mittel innerhalb von etwa 7–9 % mit den Experimenten überein, deutlich besser als ältere Formeln für andere Kolonnentopologien. Die erfassten Trends sind intuitiv: stärkere Pulsung zerkleinert Tropfen und reduziert Holdup; höhere Interfacialspannung führt zu größeren Tropfen und höherem Holdup; und eine Erhöhung der Durchflussrate der dispergierten Flüssigkeit vergrößert sowohl die Tropfen als auch deren Packungsdichte in der Kolonne.

Was das für reale Aufräumarbeiten bedeutet

Für Nichtfachleute lautet die Kernbotschaft, dass die Autoren eine verlässliche "Karte" von Betriebsbedingungen zu Tropfenverhalten in einem vielversprechenden neuen Extraktionsgerät für die Verarbeitung von Kernbrennstoffen erstellt haben. Ihre Experimente zeigen, wie sich Pulsstärke, Durchflussraten und Lösungsmittelzusammensetzung abstimmen lassen, um ein Gleichgewicht zwischen vielen kleinen Tropfen (gut für die Extraktion) und beherrschbarem Holdup (gut für sicheren, stabilen Betrieb) zu finden. Das neuronale Netzmodell dient als hochpräziser Prädiktor für detaillierte Analysen, während die einfacheren Gleichungen den täglichen Ingenieursentscheidungen und der Skalierung von Labor- zu halb-industriellen oder industriellen Einheiten als Leitfaden dienen können. Kurz gesagt hilft diese Arbeit, ein komplexes, gepulstes Zweiphasensystem in etwas zu verwandeln, das mit Vertrauen entworfen und optimiert werden kann.

Zitation: Ardestani, F., Bahmanzadegan, F. & Ghaemi, A. Machine learning and response surface analysis of mean drop size and dispersed phase holdup in an L-shaped pulsed sieve plate column. Sci Rep 16, 14555 (2026). https://doi.org/10.1038/s41598-026-40081-w

Schlüsselwörter: Flüssig-Flüssig-Extraktion, gepulste Siebplattenkolonne, Tropfengröße, künstliche neuronale Netze, Yellowcake-Reinigung