Maskininlärning och responsytanalys av medeldroppstorlek och dispergerad fas-uppehåll i en L-formad pulserande siktplattkolonn

Rensa upp kärnmaterial med smartare blandning

För att förvandla uranmalm till användbart kärnbränsle krävs noggrann separation av värdefulla metaller från en soppa av andra kemikalier. Ett av de viktigaste stegen använder speciella kolonner där två vätskor flyter förbi varandra och droppar förflyttar metallen från den ena vätskan till den andra. Denna studie undersöker en ny L-formad variant av dessa kolonner och använder moderna dataverktyg för att förutsäga hur dropparna beter sig inuti dem. Att förstå och kontrollera dessa små droppar kan göra rening av kärnbränsle säkrare, mer effektiv och enklare att skala upp.

En sidovändning för separationskolonner

Traditionella lösningsmedels-extraktionskolonner står rakt upp och förlitar sig på gravitationen för att hjälpa till att separera två icke-blandbara vätskor, som vattenbaserad syra och ett organiskt lösningsmedel. Horisontella kolonner är däremot lättare att installera i skyddade byggnader och enklare att underhålla, men de mister en del av gravitationens hjälp. Den L-formade pulserande siktplattkolonnen kombinerar båda idéerna: en horisontell sektion förenad med en vertikal. Inuti bryter perforerade plattor och rytmiska tryckpulser upp en vätska i droppar som stiger genom den andra vätskan. Denna hybrida layout kan förkorta den totala höjden samtidigt som kapaciteten förbättras, vilket gör den attraktiv för hantering av radioaktiva blandningar som används vid rening av gultkaka (uran).

Varför droppstorlek och trängsel spelar roll

Inne i dessa kolonner hänger prestandan på två relaterade egenskaper hos dropparna. Den första är deras genomsnittliga storlek, fångad av en storlek kallad Sauter medeldroppdiameter, som väger droppar både efter deras volym och yta. Mindre droppar skapar mer kontaktarea mellan vätskorna, vilket snabbar upp överföringen av metaller från den ena vätskan till den andra. Den andra egenskapen är hur stor del av kolonnvolymen som faktiskt fylls av de dispergerade dropparna, en kvantitet som kallas dispergerad fas-uppehåll. Hög uppehåll innebär många droppar och mer kontakt, men för mycket kan kväva flödet och leda till översvämning. I den L-formade kolonnen förändras både droppstorlek och uppehåll mellan den horisontella och vertikala sektionen och beror på hur kraftigt kolonnen pulseras, hur snabbt varje vätska flyter och på vätskornas egenskaper som densitet, viskositet och interfashytta mellan de två vätskorna.

Undersöka droppar i en kärnrelevant blandning

Forskarna studerade fyra vätskeparet valda för att efterlikna verkliga förhållanden vid gultkaka-rening: ett enkelt fotogen–vatten-system och tre blandningar av salpetersyra med fotogen innehållande olika mängder av lösningsmedlet TBP, en standardextraktant för uran. De mätte först nyckelparametrar för varje system, såsom densitet, viskositet och hur vätskorna ömsesidigt attraherar varandra. Sedan körde de den L-formade kolonnen över ett spektrum av flödeshastigheter och pulseringsintensiteter, noggrant så att förhållandena hölls under den punkt där kolonnen översvämmas. Med högupplöst fotografering på flera platser i både den horisontella och vertikala delen mätte de mer än 1500 droppar per test, inklusive något tillplattade, ellipsoidala former, för att beräkna medeldroppdiametern. För att bestämma andelen av kolonnen som upptas av den dispergerade fasen använde de gränsytspårningsmetoder och kolonnens tvärsnittsgeometri. Tillsammans byggde dessa experiment upp en rik datamängd som kopplar driftförhållanden och vätskegenskaper till droppstorlek och uppehåll.

Lära modeller att förutsäga komplext beteende

Eftersom dessa samband är starkt invecklade och icke-linjära jämförde teamet två moderna modelleringsmetoder. Responsytmetodik använder noggrant planerade experiment för att passa släta polynomekvationer som länkar indata och utdata. Artificiella neurala nätverk, inspirerade av hjärnliknande nätverk av sammankopplade noder, kan lära sig mer intrikata mönster direkt från data. Här användes fem indata – flödeshastigheter för varje vätska, pulseringsstyrka, interfashytta och TBP-innehåll – för att förutsäga fyra utdata: droppstorlek och uppehåll i både den horisontella och vertikala sektionen. Efter att ha testat många neurala nätverksdesigner fann författarna att ett kompakt nätverk med två dolda lager gav extremt noggranna förutsägelser, med korrelationskoefficienter mycket nära ett. De statistiska responsytmodellerna presterade också väl men var generellt mindre precisa, särskilt när det gällde att beskriva hur trångt det blev med droppar.

Från datapmönster till praktiska regler

Utöver svartlådeförutsägelser ville författarna ha formler som ingenjörer kan använda i konstruktionsberäkningar. De använde dimensionsanalys för att kombinera de viktigaste fysiska kvantiteterna till dimensionslösa grupper och anpassade sedan nya semi‑empiriska ekvationer för både droppstorlek och uppehåll i den horisontella och vertikala delen. Dessa enkla uttryck matchade experimenten inom ungefär 7–9 % i genomsnitt, mycket bättre än äldre formler utvecklade för andra kolonngeometrier. Trenderna de fångade är intuitiva: starkare pulsering tenderar att krossa droppar till mindre storlekar och minska uppehållet; högre interfashytta gör dropparna större och uppehållet högre; och att öka flödeshastigheten för den dispergerade vätskan både förstorar dropparna och packar fler av dem i kolonnen.

Vad detta betyder för verklig sanering

För icke-specialister är huvudbudskapet att författarna har skapat en tillförlitlig "karta" från driftförhållanden till droppbeteende i en lovande ny extraktionsapparat för kärnbränslehantering. Deras experiment visar hur man ställer in pulsens styrka, flödeshastigheter och lösningsmedelsformulering för att hitta en balans mellan många små droppar (bra för extraktion) och hanterbart uppehåll (bra för säker och stabil drift). Det neurala nätverksmodellen fungerar som en högprecision-förutsägare för detaljerade analyser, medan de enklare ekvationerna kan vägleda dagliga ingenjörsbeslut och uppskalning från laboratoriekolonner till halvindustriella eller industriella enheter. Kort sagt, detta arbete hjälper till att omvandla ett komplext, pulserande tvåvätskesystem till något som kan konstrueras och optimeras med förtroende.

Citering: 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

Nyckelord: vätske-vätske-extraktion, pulserande siktplattkolonn, droppstorlek, artificiella neurala nätverk, gultkaka-rening