Uczenie maszynowe i analiza powierzchni odpowiedzi średnicy kropel oraz zajętości fazy rozproszonej w kolumnie z sitowymi płytami pulsującymi o kształcie litery L

Oczyszczanie materiałów jądrowych przez inteligentniejsze mieszanie

Przekształcenie rudy uranu w paliwo jądrowe nadające się do użycia wymaga starannego oddzielenia cennych metali od mieszaniny innych związków. Jednym z kluczowych etapów są specjalne kolumny, w których dwie ciecze przepływają obok siebie, a krople transportują metal z jednej fazy do drugiej. W tym badaniu rozważono nową, litery L wersję takich kolumn i zastosowano nowoczesne narzędzia analizy danych do przewidywania zachowania kropli wewnątrz nich. Zrozumienie i kontrola tych maleńkich kropli może uczynić oczyszczanie paliwa jądrowego bezpieczniejszym, bardziej wydajnym i łatwiejszym do skalowania.

Zmiana orientacji kolumn separacyjnych

Tradycyjne kolumny do ekstrakcji rozpuszczalnikowej ustawione są pionowo, wykorzystując grawitację do wspomagania rozdziału dwóch niemieszających się cieczy, takich jak wodny roztwór kwasu i rozpuszczalnik organiczny. Kolumny poziome są natomiast prostsze w instalacji w osłoniętych budynkach i łatwiejsze w konserwacji, lecz tracą część wsparcia od grawitacji. Kolumna z sitowymi płytami pulsującymi o kształcie L łączy oba podejścia: poziomy odcinek połączony z pionowym. Wewnątrz, perforowane płyty i rytmiczne pulsacje ciśnienia rozbijają jedną ciecz na krople, które wznoszą się przez drugą ciecz. Ta hybrydowa konfiguracja może skrócić całkowitą wysokość przy jednoczesnym zwiększeniu wydajności, co czyni ją atrakcyjną do obróbki radioaktywnych mieszanin stosowanych przy oczyszczaniu yellowcake (uranu).

Dlaczego rozmiar kropli i ich zagęszczenie są ważne

W tych kolumnach wydajność zależy od dwóch powiązanych cech kropli. Pierwszą jest ich średni rozmiar, określany miarą zwaną średnim średnicą Sautera, która waży krople zarówno pod względem rozmiaru, jak i powierzchni. Mniejsze krople tworzą większą powierzchnię kontaktu między cieczami, przyspieszając transfer metali z jednej fazy do drugiej. Drugą cechą jest to, jak dużą część objętości kolumny zajmują rozproszone krople — wielkość nazywana zajętością fazy rozproszonej (holdup). Wysoka zajętość oznacza dużo kropli i więcej kontaktu, ale jej nadmiar może utrudnić przepływ i doprowadzić do zalewania kolumny. W kolumnie o kształcie L zarówno rozmiar kropli, jak i holdup zmieniają się między odcinkami poziomym i pionowym oraz zależą od intensywności pulsacji, prędkości obu cieczy oraz właściwości płynów, takich jak gęstość, lepkość i napięcie międzyfazowe między dwiema cieczami.

Badanie kropli w mieszaninie istotnej dla przemysłu jądrowego

Naukowcy zbadali cztery pary cieczy dobrane tak, by naśladować rzeczywiste warunki oczyszczania yellowcake: prosty układ nafty–woda oraz trzy mieszaniny kwasu azotowego z naftą zawierające różne ilości rozpuszczalnika TBP, standardowego ekstraktora uranu. Najpierw zmierzono kluczowe właściwości każdego układu, takie jak gęstość, lepkość i napięcie międzyfazowe. Następnie uruchomiono kolumnę o kształcie L w różnych zakresach przepływów i intensywności pulsacji, pilnując, aby warunki pozostawały poniżej progu zalewania kolumny. Przy użyciu fotografii o wysokiej rozdzielczości wykonanej w kilku miejscach zarówno na odcinku poziomym, jak i pionowym zmierzono ponad 1500 kropli na test, wliczając lekko spłaszczone, elipsoidalne kształty, aby obliczyć średnią średnicę kropli. Frakcję kolumny zajętą przez fazę rozproszoną określono za pomocą metod śledzenia interfejsu i geometrii przekroju kolumny. Razem te eksperymenty stworzyły bogaty zestaw danych łączący warunki pracy i właściwości płynów z rozmiarem kropli i holdupem.

Nauczanie modeli przewidywania złożonych zachowań

Ponieważ zależności są wysoce splątane i nieliniowe, zespół porównał dwa nowoczesne podejścia modelowe. Metodologia powierzchni odpowiedzi wykorzystuje starannie zaplanowane eksperymenty do dopasowania gładkich wielomianowych równań łączących wejścia i wyjścia. Sztuczne sieci neuronowe, inspirowane sieciami podobnymi do mózgu z połączonymi węzłami, potrafią wyłapywać bardziej złożone wzorce bezpośrednio z danych. Tutaj pięć wejść — przepływy obu cieczy, siła pulsacji, napięcie międzyfazowe i zawartość TBP — posłużyło do przewidzenia czterech wyjść: rozmiaru kropli i holdupu zarówno w odcinku poziomym, jak i pionowym. Po przetestowaniu wielu architektur sieci autorzy stwierdzili, że kompaktowa sieć z dwiema ukrytymi warstwami dawała wyjątkowo dokładne przewidywania, z współczynnikami korelacji bardzo bliskimi jedności. Statystyczne modele powierzchni odpowiedzi również dobrze się spisywały, ale generalnie były mniej precyzyjne, zwłaszcza w opisie stopnia zagęszczenia kropli.

Od wzorców w danych do praktycznych reguł

Ponad przewidywaniami w trybie „czarnej skrzynki” autorzy chcieli opracować wzory, które inżynierowie mogli by bezpośrednio wykorzystać w obliczeniach projektowych. Wykorzystali analizę wymiarową, łącząc najważniejsze wielkości fizyczne w bezwymiarowe grupy, a następnie dopasowali nowe równania półempiryczne zarówno dla rozmiaru kropli, jak i holdupu w odcinkach poziomym i pionowym. Te proste wyrażenia odpowiadały eksperymentom średnio w granicach około 7–9%, znacznie lepiej niż starsze formuły opracowane dla innych geometrii kolumn. Trendy, które uchwycono, są intuicyjne: silniejsze pulsacje mają tendencję do rozbijania kropli na mniejsze i zmniejszania holdupu; wyższe napięcie międzyfazowe powoduje większe krople i wyższy holdup; zwiększenie przepływu cieczy rozproszonej zarówno powiększa krople, jak i zwiększa ich zajętość w kolumnie.

Co to znaczy dla rzeczywistego oczyszczania

Dla osób niezajmujących się na co dzień tą dziedziną przesłanie jest takie, że autorzy stworzyli wiarygodną „mapę” od warunków pracy do zachowania kropli w obiecującym, nowym urządzeniu ekstrakcyjnym do przetwarzania paliwa jądrowego. Ich eksperymenty pokazują, jak dostroić siłę pulsacji, przepływy i skład rozpuszczalnika, aby znaleźć równowagę między wieloma małymi kroplami (korzystnymi dla ekstrakcji) a kontrolowalnym holdupem (ważnym dla bezpiecznej, stabilnej eksploatacji). Model sieci neuronowej służy jako bardzo dokładny predyktor do analiz szczegółowych, podczas gdy prostsze równania mogą kierować codziennymi decyzjami inżynierskimi i skalowaniem z kolumn laboratoryjnych do półprzemysłowych lub przemysłowych jednostek. Krótko mówiąc, praca ta pomaga przekształcić złożony, pulsujący system dwu‑fazowy w coś, co można z powodzeniem projektować i optymalizować z pewnością.

Cytowanie: 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

Słowa kluczowe: ekstrakcja ciecz–ciecz, kolumna z sitowymi płytami pulsującymi, rozmiar kropli, sztuczne sieci neuronowe, oczyszczanie yellowcake