Apprendimento automatico e analisi della superficie di risposta della dimensione media delle gocce e del carico della fase dispersa in una colonna a piastre traforate pulsata a forma di L

Ripulire materiali nucleari con una miscelazione più intelligente

Trasformare il minerale di uranio in combustibile nucleare utilizzabile richiede di separare con cura i metalli preziosi da una miscela di altri composti chimici. Uno dei passaggi chiave usa colonne speciali in cui due liquidi scorrono uno rispetto all’altro e le gocce trasferiscono il metallo da un liquido all’altro. Questo studio esamina una nuova versione a forma di L di queste colonne e utilizza strumenti dati moderni per prevedere come si comportano le gocce al loro interno. Comprendere e controllare queste gocce microscopiche può rendere la purificazione del combustibile nucleare più sicura, più efficiente e più facile da scalare.

Una svolta laterale per le colonne di separazione

Le tradizionali colonne di estrazione con solvente stanno dritte in verticale, sfruttando la gravità per favorire la separazione di due liquidi immiscibili, come un acido acquoso e un solvente organico. Le colonne orizzontali, al contrario, sono più semplici da installare in edifici schermati e più facili da manutenere, ma perdono in parte l’aiuto della gravità. La colonna a piastre traforate pulsata a forma di L combina entrambe le idee: una sezione orizzontale collegata a una verticale. All’interno, piastre perforate e impulsi di pressione ritmici rompono un liquido in gocce che risalgono attraverso l’altro liquido. Questa configurazione ibrida può ridurre l’altezza complessiva migliorando la capacità, rendendola interessante per la gestione di miscele radioattive impiegate nella purificazione dello yellowcake (uranio).

Perché contano la dimensione delle gocce e l’affollamento

All’interno di queste colonne, la prestazione dipende da due caratteristiche correlate delle gocce. La prima è la loro dimensione media, espressa da una misura chiamata diametro medio di Sauter, che pesa le gocce sia per volume sia per area superficiale. Gocce più piccole creano più area di contatto tra i liquidi, accelerando il trasferimento dei metalli da un liquido all’altro. La seconda caratteristica è quanto del volume della colonna è effettivamente occupato dalle gocce disperse, una quantità chiamata carico della fase dispersa (holdup). Un holdup elevato significa molte gocce e più contatto, ma un eccesso può soffocare il flusso e portare a inondazioni. Nella colonna a forma di L, sia la dimensione delle gocce sia l’holdup cambiano tra le sezioni orizzontale e verticale e dipendono dall’intensità della pulsazione, dalle portate dei due liquidi e dalle proprietà dei fluidi come densità, viscosità e tensione interfacciale tra i due liquidi.

Esaminare le gocce in una miscela rilevante per il nucleare

I ricercatori hanno studiato quattro coppie di liquidi scelte per imitare condizioni reali di purificazione dello yellowcake: un semplice sistema cherosene–acqua e tre miscele di acido nitrico con cherosene contenente diverse quantità del solvente TBP, un estrattore standard per l’uranio. Hanno prima misurato le proprietà chiave di ciascun sistema, come densità, viscosità e tensione interfacciale. Poi hanno fatto funzionare la colonna a forma di L su una gamma di portate e intensità di pulsazione, mantenendo attentamente le condizioni al di sotto del punto di inondazione. Utilizzando fotografie ad alta risoluzione in più posizioni sia nella sezione orizzontale sia in quella verticale, hanno misurato oltre 1500 gocce per prova, comprese forme leggermente schiacciate ed ellissoidali, per calcolare il diametro medio delle gocce. Per trovare la frazione della colonna occupata dalla fase dispersa hanno usato metodi di tracciamento dell’interfaccia e la geometria della sezione trasversale della colonna. Insieme, questi esperimenti hanno costruito un dataset ricco che lega condizioni operative e proprietà dei fluidi alla dimensione delle gocce e all’holdup.

Insegnare ai modelli a prevedere comportamenti complessi

Poiché queste relazioni sono altamente intrecciate e non lineari, il team ha confrontato due approcci di modellazione moderni. La metodologia della superficie di risposta usa esperimenti pianificati per adattare equazioni polinomiali lisce che collegano input e output. Le reti neurali artificiali, ispirate a reti cerebrali di nodi interconnessi, possono apprendere pattern più complessi direttamente dai dati. Qui cinque input – le portate di ciascun liquido, la forza di pulsazione, la tensione interfacciale e il contenuto di TBP – sono stati usati per predire quattro output: dimensione delle gocce e holdup sia nella sezione orizzontale sia in quella verticale. Dopo aver testato molti progetti di rete neurale, gli autori hanno trovato che una rete compatta con due strati nascosti forniva previsioni estremamente accurate, con coefficienti di correlazione molto prossimi a uno. I modelli statistici a superficie di risposta hanno anch’essi dato buone prestazioni ma erano in generale meno precisi, soprattutto nel descrivere quanto le gocce si affollano.

Dai modelli di dati a regole pratiche

Oltre alla previsione a scatola nera, gli autori volevano formule che gli ingegneri potessero inserire nei calcoli di progetto. Hanno usato l’analisi dimensionale per combinare le quantità fisiche più importanti in gruppi adimensionali, quindi hanno adattato nuove equazioni semi‑empiriche sia per la dimensione delle gocce sia per l’holdup nelle gambe orizzontale e verticale. Queste espressioni semplici si accordavano con gli esperimenti con un errore medio di circa 7–9%, molto meglio delle formule più vecchie sviluppate per altre geometrie di colonna. Le tendenze catturate sono intuitive: pulsazioni più intense tendono a rompere le gocce in gocce più piccole e a ridurre l’holdup; una tensione interfacciale più alta rende le gocce più grandi e aumenta l’holdup; e aumentare la portata del liquido disperso sia ingrandisce le gocce sia ne aumenta la quantità nella colonna.

Cosa significa per la bonifica nel mondo reale

Per i non specialisti, il messaggio principale è che gli autori hanno creato una “mappa” affidabile che collega le condizioni operative al comportamento delle gocce in un promettente dispositivo di estrazione per il trattamento del combustibile nucleare. I loro esperimenti mostrano come regolare l’intensità di pulsazione, le portate e la formulazione del solvente per trovare un equilibrio tra molte gocce piccole (vantaggiose per l’estrazione) e un holdup gestibile (vantaggioso per un funzionamento sicuro e stabile). Il modello a rete neurale funge da predittore ad alta precisione per analisi dettagliate, mentre le equazioni più semplici possono guidare decisioni ingegneristiche quotidiane e la scalabilità da colonne di laboratorio a unità semi‑industriali o industriali. In breve, questo lavoro aiuta a trasformare un sistema complesso, pulsante e a due liquidi in qualcosa che può essere progettato e ottimizzato con fiducia.

Citazione: 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

Parole chiave: estrazione liquido-liquido, colonna a piastre traforate pulsata, dimensione delle gocce, reti neurali artificiali, purificazione dello yellowcake