Aprendizado de máquina e análise de superfície de resposta do diâmetro médio de gotas e holdup da fase dispersa em uma coluna em L com chapas peneira pulsadas

Limpeza de materiais nucleares com mistura mais inteligente

Transformar minério de urânio em combustível nuclear utilizável exige separar cuidadosamente metais valiosos de uma mistura complexa de outras substâncias. Uma das etapas-chave usa colunas especiais nas quais dois líquidos escoam um ao lado do outro e gotículas transferem o metal de um líquido para o outro. Este estudo examina uma nova versão em L dessas colunas e utiliza ferramentas de dados modernas para prever como as gotas se comportam dentro delas. Entender e controlar essas microgotas pode tornar a purificação do combustível nuclear mais segura, eficiente e mais fácil de ampliar.

Uma curva lateral para colunas de separação

Colunas tradicionais de extração por solvente ficam na posição vertical, contando com a gravidade para ajudar a separar dois líquidos imiscíveis, como água ácida e um solvente orgânico. Colunas horizontais, por outro lado, são mais fáceis de instalar em instalações blindadas e mais simples de manter, mas perdem parte do auxílio da gravidade. A coluna em L com chapas peneira pulsadas combina ambas as ideias: uma seção horizontal unida a uma vertical. No interior, placas perfuradas e pulsos de pressão rítmicos fragmentam um dos líquidos em gotas que sobem através do outro. Esse arranjo híbrido pode reduzir a altura total enquanto melhora a capacidade, tornando‑o atraente para manipular misturas radioativas usadas na purificação de yellowcake (urânio).

Por que o tamanho das gotas e o enchimento importam

No interior dessas colunas, o desempenho depende de duas características relacionadas das gotas. A primeira é seu tamanho médio, capturado por uma medida chamada diâmetro médio de Sauter, que pondera as gotas tanto pelo volume quanto pela área de superfície. Gotas menores criam mais área de contato entre os líquidos, acelerando a transferência de metais de um líquido para o outro. A segunda característica é quanto do volume da coluna é ocupado pelas gotas dispersas, uma grandeza chamada holdup da fase dispersa. Holdup alto significa muitas gotas e mais contato, mas excesso pode estrangular o escoamento e levar ao alagamento. Na coluna em L, tanto o tamanho das gotas quanto o holdup mudam entre as seções horizontal e vertical e dependem da intensidade da pulsação, das vazões de cada líquido e de propriedades dos fluidos como densidade, viscosidade e tensão interfacial entre os dois líquidos.

Investigando gotas em uma mistura relevante para o setor nuclear

Os pesquisadores estudaram quatro pares de líquidos escolhidos para imitar condições reais de purificação de yellowcake: um sistema simples querosene–água e três misturas de ácido nítrico com querosene contendo diferentes teores do solvente TBP, um extrator padrão de urânio. Primeiro mediram propriedades-chave de cada sistema, como densidade, viscosidade e atração mútua entre os líquidos. Em seguida, operaram a coluna em L em uma faixa de vazões e intensidades de pulsação, mantendo cuidadosamente as condições abaixo do ponto de alagamento. Usando fotografia de alta resolução em vários pontos tanto na perna horizontal quanto na vertical, mediram mais de 1500 gotas por ensaio, incluindo formas ligeiramente achatadas e elipsoidais, para calcular o diâmetro médio das gotas. Para determinar a fração da coluna ocupada pela fase dispersa, usaram métodos de rastreamento de interface e a geometria da seção transversal da coluna. Juntos, esses experimentos construíram um conjunto de dados rico que relaciona condições operacionais e propriedades dos fluidos ao tamanho das gotas e ao holdup.

Treinando modelos para prever comportamento complexo

Como essas relações são altamente entrelaçadas e não lineares, a equipe comparou duas abordagens modernas de modelagem. A metodologia de superfície de resposta usa experimentos planejados para ajustar equações polinomiais suaves que relacionam entradas e saídas. Redes neurais artificiais, inspiradas em redes cerebrais de nós interconectados, podem aprender padrões mais intrincados diretamente a partir dos dados. Aqui, cinco entradas — vazões de cada líquido, intensidade de pulsação, tensão interfacial e teor de TBP — foram usadas para prever quatro saídas: tamanho das gotas e holdup tanto na seção horizontal quanto na vertical. Depois de testar muitos formatos de rede neural, os autores descobriram que uma rede compacta com duas camadas ocultas forneceu previsões extremamente precisas, com coeficientes de correlação muito próximos de um. Os modelos estatísticos de superfície de resposta também tiveram bom desempenho, mas geralmente foram menos precisos, especialmente para descrever quão congestionadas as gotas se tornavam.

De padrões de dados a regras práticas

Além da previsão em caixa‑preta, os autores queriam fórmulas que engenheiros pudessem usar em cálculos de projeto. Eles empregaram análise dimensional para combinar as quantidades físicas mais importantes em grupos adimensionais e, em seguida, ajustaram novas equações semi‑empíricas tanto para o tamanho das gotas quanto para o holdup nas pernas horizontal e vertical. Essas expressões simples concordaram com os experimentos em cerca de 7–9% em média, muito melhor do que fórmulas antigas desenvolvidas para outras geometrias de coluna. As tendências capturadas são intuitivas: pulsações mais fortes tendem a fragmentar as gotas em tamanhos menores e reduzir o holdup; maior tensão interfacial torna as gotas maiores e aumenta o holdup; e aumentar a vazão do líquido disperso tanto aumenta o tamanho das gotas quanto ocupa mais volume da coluna com elas.

O que isso significa para a limpeza no mundo real

Para não especialistas, a mensagem principal é que os autores criaram um “mapa” confiável das condições operacionais para o comportamento das gotas em um dispositivo de extração promissor para processamento de combustível nuclear. Seus experimentos mostram como ajustar a intensidade de pulso, as vazões e a formulação do solvente para equilibrar muitas gotas pequenas (bom para extração) e um holdup manejável (bom para operação segura e estável). O modelo de rede neural serve como um preditor de alta precisão para análise detalhada, enquanto as equações mais simples podem orientar decisões de engenharia do dia a dia e a ampliação de colunas de laboratório para unidades semi‑industriais ou industriais. Em suma, este trabalho ajuda a transformar um sistema complexo, pulsante e bicomponente em algo que pode ser projetado e otimizado com confiança.

Citação: 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

Palavras-chave: extração líquido-líquido, coluna com chapas peneira pulsadas, tamanho de gotícula, redes neurais artificiais, purificação de yellowcake