Machine learning en response surface-analyse van gemiddelde druppelgrootte en holdup van de gedispergeerde fase in een L-vormige gepulseerde zevenplaatkolom

Het opruimen van nucleair materiaal met slimmer mengen

Het verwerken van uraanerts tot bruikbare splijtstof vereist het zorgvuldig scheiden van waardevolle metalen uit een mengsel van andere chemicaliën. Een van de essentiële stappen gebruikt speciale kolommen waarin twee vloeistoffen langs elkaar stromen en druppels het metaal van de ene vloeistof naar de andere transporteren. Deze studie bekijkt een nieuwe L-vormige variant van zulke kolommen en gebruikt moderne datatechnieken om te voorspellen hoe druppels zich daarin gedragen. Begrijpen en beheersen van deze kleine druppels kan de zuivering van kernbrandstof veiliger, efficiënter en makkelijker schaalbaar maken.

Een zijwaartse bocht voor scheidingskolommen

Conventionele oplosmiddelextractiekolommen staan rechtop en vertrouwen op zwaartekracht om twee niet-mengbare vloeistoffen, zoals waterige zuren en een organisch oplosmiddel, te scheiden. Horizontale kolommen zijn daarentegen gemakkelijker te installeren in afgeschermde gebouwen en eenvoudiger te onderhouden, maar ze verliezen een deel van dat zwaartekrachteffect. De L-vormige gepulseerde zevenplaatkolom combineert beide ideeën: een horizontaal gedeelte verbonden met een verticaal gedeelte. Binnenin breken geperforeerde platen en ritmische drukpulsen één vloeistof in druppels die door de andere vloeistof opstijgen. Deze hybride opstelling kan de totale hoogte verkorten terwijl de capaciteit verbetert, wat aantrekkelijk is voor de behandeling van radioactieve mengsels die gebruikt worden bij yellowcake (uraan) zuivering.

Waarom druppelgrootte en drukte belangrijk zijn

In deze kolommen hangt de prestatie af van twee onderling verbonden eigenschappen van de druppels. De eerste is hun gemiddelde grootte, vastgelegd door de Sauter-gemiddelde druppeldiameter, die druppels zowel naar volume als naar oppervlakte gewogen meeneemt. Kleinere druppels creëren meer contactoppervlak tussen de vloeistoffen, wat de snelheid verhoogt waarmee metalen van de ene naar de andere vloeistof overgaan. De tweede eigenschap is welk deel van het kolomvolume daadwerkelijk gevuld is met de gedispergeerde druppels, een grootheid die gedispergeerde fase-holdup wordt genoemd. Hoge holdup betekent veel druppels en meer contact, maar te veel kan de stroming hinderen en tot overstroming leiden. In de L-vormige kolom veranderen zowel druppelgrootte als holdup tussen het horizontale en verticale gedeelte en hangen ze af van de pulseringsintensiteit, de stroomsnelheden van elke vloeistof en van vloeistofeigenschappen zoals dichtheid, viscositeit en interfaciale spanning tussen de twee vloeistoffen.

Druppels onderzoeken in een voor nucleair relevante mix

De onderzoekers bestudeerden vier vloeistofparen die gekozen zijn om echte yellowcake-zuiveringscondities te imiteren: een eenvoudig kerosine–water systeem en drie mengsels van salpeterzuur met kerosine waarin verschillende hoeveelheden van het oplosmiddel TBP zijn opgelost, een gebruikelijke uraan-extractant. Ze maten eerst belangrijke eigenschappen van elk systeem, zoals dichtheid, viscositeit en wederzijdse aantrekking tussen de vloeistoffen. Vervolgens lieten ze de L-vormige kolom draaien over een bereik van stromings­snelheden en pulseringsintensiteiten, waarbij ze zorgvuldig binnen de grens van overstroming bleven. Met hogeresolutie­fotografie op meerdere locaties in zowel het horizontale als verticale been maten ze meer dan 1500 druppels per proef, inclusief licht afgeplatte, ellipsoïde vormen, om de gemiddelde druppeldiameter te berekenen. Om het deel van de kolom dat door de gedispergeerde fase wordt ingenomen te bepalen, gebruikten ze interface-tracking methoden en de geometrie van de kolomdoorsnede. Samen vormden deze experimenten een rijke dataset die bedrijfscondities en vloeistofeigenschappen koppelt aan druppelgrootte en holdup.

Modellen leren complex gedrag te voorspellen

Aangezien deze relaties sterk verknoopt en niet-lineair zijn, vergeleek het team twee moderne modelleerbenaderingen. Response surface-methodologie gebruikt zorgvuldig geplande experimenten om vloeiende polynomiale vergelijkingen te passen die ingangen en uitgangen verbinden. Kunstmatige neurale netwerken, geïnspireerd op hersenachtige netwerken van onderling verbonden knooppunten, kunnen direct uit data meer ingewikkelde patronen leren. Hier werden vijf ingangsvariabelen – stromings­snelheden van beide vloeistoffen, pulseringssterkte, interfaciale spanning en TBP-gehalte – gebruikt om vier uitgangen te voorspellen: druppelgrootte en holdup in zowel het horizontale als verticale gedeelte. Na het testen van veel neurale-netwerkontwerpen vonden de auteurs dat een compact netwerk met twee verborgen lagen zeer nauwkeurige voorspellingen gaf, met correlatiecoëfficiënten heel dicht bij één. De statistische response-surface modellen presteerden ook goed maar waren over het algemeen minder precies, vooral bij het beschrijven van hoe dicht de druppels opeengepakt raakten.

Van datapatronen naar praktische formules

Buiten black-box voorspelling wilden de auteurs ook formules die ingenieurs in ontwerpberekeningen kunnen gebruiken. Ze gebruikten dimensionale analyse om de belangrijkste fysieke grootheden te combineren tot dimensieloze groepen en pasten vervolgens nieuwe semi-empirische vergelijkingen aan voor zowel druppelgrootte als holdup in het horizontale en verticale been. Deze eenvoudige uitdrukkingen kwamen in de experimenten gemiddeld binnen ongeveer 7–9% uit, veel beter dan oudere formules die voor andere kolomgeometrieën ontwikkeld zijn. De trends die ze vingen zijn intuïtief: sterke pulsering breekt druppels doorgaans in kleinere druppels en vermindert holdup; hogere interfaciale spanning vergroot druppels en verhoogt holdup; en het verhogen van de stroming van de gedispergeerde vloeistof vergroot zowel de druppels als de hoeveelheid daarvan in de kolom.

Wat dit betekent voor echte sanering

Voor niet‑specialisten is de kernboodschap dat de auteurs een betrouwbaar "kompas" hebben gemaakt van bedrijfscondities naar druppelgedrag in een veelbelovend nieuw extractieapparaat voor verwerking van kernbrandstof. Hun experimenten tonen hoe je pulskracht, stroomsnelheden en oplosmiddelformulering kunt afstemmen om een balans te vinden tussen veel kleine druppels (gunstig voor extractie) en beheersbare holdup (belangrijk voor veilige, stabiele werking). Het neurale-netwerkmodel dient als een voorspellingsinstrument met hoge nauwkeurigheid voor gedetailleerde analyse, terwijl de eenvoudigere vergelijkingen de dagelijkse ingenieursbeslissingen en opschaling van laboratoriumkolommen naar semi-industriële of industriële eenheden kunnen begeleiden. Kortom, dit werk helpt om een complex, pulserend tweevloeistof­systeem om te zetten in iets dat met vertrouwen ontworpen en geoptimaliseerd kan worden.

Bronvermelding: 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

Trefwoorden: vloeistof-vloeistof extractie, gepulseerde zevenplaatkolom, druppelgrootte, kunstmatige neurale netwerken, yellowcake zuivering