Apprentissage automatique et analyse de surface de réponse de la taille moyenne des gouttes et de la rétention de phase dispersée dans une colonne à plateaux à tamis pulsée en L

Nettoyer les matériaux nucléaires avec un mélange plus intelligent

Transformer le minerai d’uranium en combustible nucléaire exploitable exige de séparer avec soin les métaux de valeur d’un mélange complexe d’autres produits chimiques. Une des étapes clés utilise des colonnes spéciales où deux liquides s’écoulent l’un contre l’autre et des gouttelettes transportent le métal d’un liquide à l’autre. Cette étude examine une nouvelle version en L de ces colonnes et utilise des outils de données modernes pour prédire le comportement des gouttes à l’intérieur. Comprendre et maîtriser ces petites gouttes peut rendre la purification du combustible nucléaire plus sûre, plus efficace et plus facile à industrialiser.

Un virage latéral pour les colonnes de séparation

Les colonnes d’extraction par solvant traditionnelles sont verticales et utilisent la gravité pour aider à séparer deux liquides non miscibles, comme une solution aqueuse acide et un solvant organique. Les colonnes horizontales, en revanche, sont plus faciles à installer dans des enceintes blindées et plus simples à entretenir, mais elles perdent une partie de l’aide de la gravité. La colonne en L à plateaux à tamis pulsée combine les deux idées : une section horizontale reliée à une section verticale. À l’intérieur, des plateaux perforés et des impulsions de pression rythmiques fragmentent l’un des liquides en gouttelettes qui montent à travers l’autre liquide. Cette configuration hybride peut raccourcir la hauteur totale tout en améliorant la capacité, ce qui la rend intéressante pour le traitement de mélanges radioactifs utilisés dans la purification du yellowcake (uranium).

Pourquoi la taille des gouttes et l’encombrement importent

Dans ces colonnes, les performances dépendent de deux caractéristiques liées des gouttes. La première est leur taille moyenne, mesurée par le diamètre moyen de Sauter, qui pondère les gouttes en fonction de leur taille et de leur surface. De plus petites gouttes augmentent la surface de contact entre les liquides, accélérant le transfert des métaux d’un liquide à l’autre. La seconde caractéristique est la fraction du volume de la colonne occupée par les gouttes dispersées, appelée rétention de phase dispersée (holdup). Une forte holdup signifie beaucoup de gouttes et plus de contact, mais un excès peut entraver l’écoulement et entraîner des phénomènes d’inondation. Dans la colonne en L, la taille des gouttes et l’holdup varient entre les sections horizontale et verticale et dépendent de l’intensité de la pulsation, des débits des liquides et des propriétés physico-chimiques comme la densité, la viscosité et la tension interfaciale entre les deux liquides.

Explorer les gouttes dans un mélange pertinent pour le nucléaire

Les chercheurs ont étudié quatre paires de liquides choisies pour reproduire les conditions réelles de purification du yellowcake : un système simple kérosène–eau et trois mélanges d’acide nitrique avec du kérosène contenant différentes quantités de TBP, un solvant d’extraction classique pour l’uranium. Ils ont d’abord mesuré les propriétés clés de chaque système, telles que la densité, la viscosité et l’affinité mutuelle des liquides. Ensuite, ils ont fait fonctionner la colonne en L sur une gamme de débits et d’intensités de pulsation, en restant soigneusement en dessous du point d’inondation. À l’aide de photographies haute résolution à plusieurs emplacements dans les jambes horizontale et verticale, ils ont mesuré plus de 1500 gouttes par essai, y compris des formes légèrement aplaties et ellipsoïdales, pour calculer le diamètre moyen des gouttes. Pour déterminer la fraction de la colonne occupée par la phase dispersée, ils ont utilisé des méthodes de suivi d’interface et la géométrie de la section transversale de la colonne. Ensemble, ces expériences ont constitué un riche jeu de données reliant conditions opératoires et propriétés des fluides à la taille des gouttes et à l’holdup.

Apprendre aux modèles à prédire un comportement complexe

Parce que ces relations sont très intriquées et non linéaires, l’équipe a comparé deux approches modernes de modélisation. La méthodologie des surfaces de réponse utilise des expériences soigneusement planifiées pour ajuster des équations polynomiales lisses reliant entrées et sorties. Les réseaux de neurones artificiels, inspirés des réseaux cérébraux de nœuds interconnectés, peuvent apprendre des motifs plus complexes directement à partir des données. Ici, cinq entrées – les débits de chaque liquide, l’intensité de la pulsation, la tension interfaciale et la teneur en TBP – ont été utilisées pour prédire quatre sorties : la taille des gouttes et l’holdup dans les sections horizontale et verticale. Après avoir testé de nombreuses architectures, les auteurs ont constaté qu’un réseau compact à deux couches cachées fournissait des prédictions extrêmement précises, avec des coefficients de corrélation très proches de un. Les modèles statistiques de surface de réponse ont aussi donné de bonnes performances mais étaient généralement moins précis, surtout pour décrire l’évolution de l’encombrement des gouttes.

Des motifs de données aux règles pratiques

Au-delà de la prédiction boîte noire, les auteurs souhaitaient des formules que les ingénieurs puissent utiliser dans les calculs de dimensionnement. Ils ont employé l’analyse dimensionnelle pour combiner les grandeurs physiques les plus importantes en groupes adimensionnels, puis ajusté de nouvelles équations semi‑empiriques pour la taille des gouttes et l’holdup dans les jambes horizontale et verticale. Ces expressions simples reproduisent les expériences avec une erreur moyenne d’environ 7–9 %, bien mieux que les formules plus anciennes développées pour d’autres géométries de colonne. Les tendances captées sont intuitives : une pulsation plus forte tend à fragmenter les gouttes en plus petites tailles et réduit l’holdup ; une tension interfaciale plus élevée diminue la rupture des gouttes, augmentant leur taille et l’holdup ; et l’augmentation du débit de la phase dispersée agrandit les gouttes tout en en augmentant la quantité dans la colonne.

Ce que cela signifie pour le nettoyage en conditions réelles

Pour les non‑spécialistes, le message principal est que les auteurs ont établi une « carte » fiable reliant les conditions opératoires au comportement des gouttes dans un dispositif d’extraction prometteur pour le traitement du combustible nucléaire. Leurs expériences montrent comment ajuster la force de pulsation, les débits et la formulation du solvant pour trouver un compromis entre de nombreuses petites gouttes (favorable à l’extraction) et une holdup maîtrisée (favorable à un fonctionnement sûr et stable). Le modèle par réseau de neurones sert de prédicteur très précis pour des analyses détaillées, tandis que les équations plus simples peuvent guider les décisions d’ingénierie au quotidien et la mise à l’échelle depuis des colonnes de laboratoire vers des unités semi‑industrielles ou industrielles. En somme, ce travail aide à transformer un système complexe, pulsé et biphasique en un objet qui peut être conçu et optimisé en toute confiance.

Citation: 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

Mots-clés: extraction liquide-liquide, colonne à plateaux à tamis pulsée, taille des gouttes, réseaux de neurones artificiels, purification du yellowcake