Aprendizaje automático y análisis de superficie de respuesta del tamaño medio de gota y la retención de fase dispersa en una columna de platos perforados pulsada en L

Limpiar materiales nucleares con mezclado más inteligente

Convertir el mineral de uranio en combustible nuclear utilizable exige separar con cuidado metales valiosos de una mezcla de otros compuestos. Uno de los pasos clave emplea columnas especiales donde dos líquidos fluyen uno junto al otro y gotas transportan el metal de un líquido al otro. Este estudio examina una nueva versión en forma de L de estas columnas y utiliza herramientas modernas de datos para predecir cómo se comportan las gotas en su interior. Entender y controlar estas pequeñas gotas puede hacer la purificación del combustible nuclear más segura, eficiente y más fácil de escalar.

Un giro lateral para las columnas de separación

Las columnas tradicionales de extracción con disolvente están orientadas verticalmente, confiando en la gravedad para ayudar a separar dos líquidos inmiscibles, como agua ácida y un disolvente orgánico. Las columnas horizontales, en cambio, son más fáciles de instalar en edificios blindados y más sencillas de mantener, pero pierden parte del auxilio de la gravedad. La columna pulsada de platos perforados en L combina ambas ideas: una sección horizontal unida a una vertical. En su interior, placas perforadas y pulsos de presión rítmicos rompen un líquido en gotas que ascienden a través del otro líquido. Esta disposición híbrida puede acortar la altura total a la vez que mejora la capacidad, lo que la hace atractiva para manejar mezclas radiactivas usadas en la purificación de yellowcake (uranio).

Por qué importan el tamaño y el hacinamiento de las gotas

En el interior de estas columnas, el rendimiento depende de dos características relacionadas de las gotas. La primera es su tamaño medio, capturado por una medida llamada diámetro medio de Sauter, que pondera las gotas por su volumen y superficie. Gotas más pequeñas crean más área de contacto entre los líquidos, acelerando la transferencia de metales de un líquido al otro. La segunda característica es qué fracción del volumen de la columna está ocupada por las gotas dispersas, una magnitud llamada retención de fase dispersa. Alta retención significa muchas gotas y más contacto, pero un exceso puede obstruir el flujo y provocar inundación. En la columna en L, tanto el tamaño de las gotas como la retención cambian entre las secciones horizontal y vertical y dependen de la intensidad de pulsación, las velocidades de flujo de cada líquido y de propiedades fluidas como densidad, viscosidad y tensión interfacial entre los dos líquidos.

Sondeando gotas en una mezcla relevante para la industria nuclear

Los investigadores estudiaron cuatro pares de líquidos elegidos para imitar condiciones reales de purificación de yellowcake: un sistema sencillo queroseno-agua y tres mezclas de ácido nítrico con queroseno que contenían distintas cantidades del disolvente TBP, un extractante estándar de uranio. Primero midieron propiedades clave de cada sistema, como densidad, viscosidad y afinidad mutua de los líquidos. Luego operaron la columna en L en un rango de caudales e intensidades de pulsación, manteniendo cuidadosamente las condiciones por debajo del punto de inundación. Usando fotografía de alta resolución en varios puntos de las patas horizontal y vertical, midieron más de 1.500 gotas por ensayo, incluidas formas algo aplastadas y elipsoidales, para calcular el diámetro medio de las gotas. Para obtener la fracción de la columna ocupada por la fase dispersa, emplearon métodos de seguimiento de la interfaz y la geometría de la sección transversal de la columna. En conjunto, estos experimentos generaron un conjunto de datos rico que relaciona condiciones de operación y propiedades de los fluidos con el tamaño de gota y la retención.

Enseñar a modelos a predecir comportamientos complejos

Dado que estas relaciones son muy enredadas y no lineales, el equipo comparó dos enfoques modernos de modelado. La metodología de superficie de respuesta usa experimentos cuidadosamente planificados para ajustar ecuaciones polinómicas suaves que vinculan entradas y salidas. Las redes neuronales artificiales, inspiradas en redes neuronales biológicas, pueden aprender patrones más intrincados directamente a partir de los datos. Aquí, cinco entradas —caudales de cada líquido, intensidad de pulsación, tensión interfacial y contenido de TBP— se usaron para predecir cuatro salidas: tamaño de gota y retención tanto en la sección horizontal como en la vertical. Tras probar muchos diseños de redes, los autores hallaron que una red compacta con dos capas ocultas ofrecía predicciones extremadamente precisas, con coeficientes de correlación muy próximos a uno. Los modelos estadísticos de superficie de respuesta también rindieron bien pero, en general, fueron menos precisos, especialmente al describir el grado de hacinamiento de las gotas.

De patrones de datos a reglas prácticas

Más allá de la predicción en caja negra, los autores buscaron fórmulas que los ingenieros pudieran introducir en cálculos de diseño. Usaron análisis dimensional para combinar las magnitudes físicas más relevantes en grupos adimensionales y luego ajustaron nuevas ecuaciones semiempíricas para el tamaño de gota y la retención en las patas horizontal y vertical. Estas expresiones simples coincidieron con los experimentos en torno al 7–9% de error medio, mucho mejor que fórmulas anteriores desarrolladas para otras geometrías de columna. Las tendencias que capturaron son intuitivas: pulsos más fuertes tienden a romper las gotas en gotas más pequeñas y reducir la retención; mayor tensión interfacial hace que las gotas sean más grandes y aumenta la retención; y aumentar el caudal del líquido disperso tanto agranda las gotas como hace que haya más de ellas en la columna.

Qué significa esto para la limpieza del mundo real

Para los no especialistas, la conclusión es que los autores han creado un “mapa” fiable desde las condiciones de operación hasta el comportamiento de las gotas en un dispositivo de extracción prometedor para el procesamiento de combustible nuclear. Sus experimentos muestran cómo ajustar la intensidad de pulsos, los caudales y la formulación del disolvente para equilibrar entre muchas gotas pequeñas (bueno para la extracción) y una retención manejable (bueno para una operación segura y estable). El modelo de red neuronal funciona como un predictor de alta precisión para análisis detallados, mientras que las ecuaciones más sencillas pueden guiar decisiones de ingeniería diarias y la escalación de columnas de laboratorio a unidades semiindustriales o industriales. En resumen, este trabajo ayuda a convertir un sistema complejo de dos líquidos pulsantes en algo que puede diseñarse y optimizarse con confianza.

Cita: 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

Palabras clave: extracción líquido-líquido, columna de platos perforados pulsada, tamaño de gota, redes neuronales artificiales, purificación de yellowcake