⚡ electrical engineering

Machine Learning Modeling of the Volumetric Overall Mass Transfer Coefficient in a Novel L-Shaped Pulsed Sieve Plate Extraction Column

Este estudio demuestra que un modelo de Red Neuronal Artificial (ANN) supera significativamente a las correlaciones empíricas y a otros algoritmos de aprendizaje automático en la predicción precisa del coeficiente de transferencia de masa global volumétrico para una novedosa columna de extracción de placa de tamiz pulsante en forma de L, al tiempo que identifica el contenido de la fase dispersa y el tamaño de la gota como los factores influyentes dominantes.

Autores originales: vahid rafiei, sadegh moradi

Publicado 2026-08-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: vahid rafiei, sadegh moradi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando mezclar dos líquidos que se odian, como el aceite y el agua, pero necesitas intercambiar un ingrediente específico entre ellos. Este es el trabajo de la extracción líquido-líquido, un proceso utilizado en todas partes, desde la fabricación de medicinas hasta la limpieza de desechos nucleares. Para lograr que este intercambio ocurra rápidamente, los ingenieros utilizan altas torres que vibran, llenas de placas metálicas. En su interior, los líquidos se rompen en diminutas gotas, creando una superficie masiva donde el ingrediente puede saltar de un líquido al otro. La velocidad de este salto se mide mediante algo llamado coeficiente de transferencia de masa. Piensa en esto como la "puntuación de eficiencia" de la torre: una puntuación más alta significa que la torre es más pequeña, más barata y más rápida en realizar su trabajo.

Durante décadas, los científicos han intentado escribir fórmulas matemáticas simples para predecir esta puntuación de eficiencia. Querían una regla de "talla única" que funcionara para cualquier forma de torre o mezcla de líquidos. Pero aquí está el problema: estas viejas fórmulas son como intentar usar un mapa de una ciudad para navegar en una selva. Funcionan de maravilla para las torres estándar y rectas, pero se desmoronan cuando la torre tiene una forma extraña o cuando los líquidos se comportan de manera diferente. A menudo fallan por márgenes enormes, lo que hace que sea arriesgado construir nuevas y mejores máquinas. Aquí es donde entra en juego el aprendizaje automático (machine learning). En lugar de forzar los datos en una fórmula rígida y preescrita, el aprendizaje automático actúa como un detective superinteligente que observa miles de pistas para descubrir por sí mismo los patrones ocultos. No necesita conocer las reglas de la física de antemano; simplemente aprende de los datos qué es lo que realmente sucede.

Este artículo aborda un rompecabezas específico y complicado: un nuevo tipo de torre de extracción con forma de letra L. A diferencia de las torres rectas habituales, esta tiene una sección horizontal donde los líquidos se deslizan lateralmente, seguida de una sección vertical donde se asientan. Los investigadores descubrieron que esta forma de L crea dos mundos completamente diferentes dentro de la misma máquina. En la parte horizontal, los líquidos se agitan en un régimen de "dispersión" caótico y de alta energía con muchas gotas diminutas. En la parte vertical, se calman en un modo de "mezclador-decantador" con gotas más grandes y escasas. Debido a que la física es tan diferente en cada mitad, las viejas fórmulas de "talla única" fallaron por completo al predecir qué tan bien funcionaba la torre, errando el objetivo por cantidades enormes.

Para resolver esto, el equipo de la Universidad de Arak no intentó imponer una nueva ecuación matemática al problema. En su lugar, introdujeron datos experimentales de dos mezclas químicas diferentes (tolueno-agua y n-butil acetato-agua) en tres "cerebros" de aprendizaje automático distintos: una Red Neuronal Artificial (ANN), un Bosque Aleatorio (RF) y un modelo de Regresión de Vectores de Soporte (SV). Enseñaron a estos modelos a predecir la puntuación de eficiencia (el coeficiente de transferencia de masa) basándose en mediciones reales de la velocidad del flujo de los líquidos, la intensidad de la pulsación de la torre y el tamaño exacto de las gotas.

Los resultados fueron una victoria clara para la Red Neuronal Artificial (ANN). Mientras que los otros modelos lo hicieron aceptablemente, la ANN se convirtió en una bola de cristal, prediciendo el rendimiento de la torre con una precisión asombrosa. Obtuvo la respuesta correcta el 98% de las veces (un valor de R² superior a 0.98) y su error fue de menos del 6% en promedio. En contraste, las viejas fórmulas de los libros de texto fallaban entre un 33% y un 74%, siendo esencialmente inútiles para este nuevo diseño en forma de L. El modelo de aprendizaje automático aprendió que las pistas más importantes eran la cantidad de líquido atrapado en la torre (holdup) y el tamaño de las gotas. Descubrió que en la sección horizontal, sacudir la torre con más fuerza hacía que las gotas fueran más pequeñas y la eficiencia se disparara. Sin embargo, en la sección vertical, sacudirla con más fuerza hacía que la eficiencia cayera porque las gotas no tenían tiempo suficiente para asentarse.

El artículo también mostró que la "mejor" mezcla química dependía de qué parte de la torre se estuviera observando. El sistema de tolueno funcionaba mejor en la sección horizontal, mientras que el sistema de n-butil acetato era superior en la sección vertical. El modelo ANN descifró naturalmente este complejo cambio sin que se le explicaran las reglas explícitamente, demostrando que realmente había aprendido la física subyacente. Para ayudar a los ingenieros que no pueden usar un modelo computacional, el equipo también creó una nueva fórmula matemática más simple basada en sus hallazgos, la cual era mucho mejor que las antiguas (aunque no tan perfecta como la IA).

En última instancia, este estudio demuestra que para formas de máquinas extrañas y nuevas, como la torre en forma de L, no se puede confiar en los viejos manuales de reglas. Las fórmulas de "talla única" están rotas para estas geometrías. En su lugar, utilizar el aprendizaje automático para aprender directamente de los datos es la clave para diseñar plantas químicas más rápidas y eficientes. La IA no solo adivinó; aprendió el lenguaje secreto de la torre en forma de L, demostrando que cuando tienes un diseño novedoso, necesitas una forma de pensar novedosa para hacerlo funcionar.

Resumen Técnico: Modelado mediante Aprendizaje Automático del Coeficiente de Transferencia de Masa Global Volumétrico en una Novedosa Columna de Extracción de Placas Tamiz en Forma de L

1. Planteamiento del Problema

El coeficiente de transferencia de masa global volumétrico ( $K_{oca}$ ) es un parámetro de diseño crítico para las columnas de extracción de líquido-líquido. Aunque existen correlaciones empíricas para las columnas de placas tamiz pulsadas (PSPC) verticales convencionales, estas sufren limitaciones significativas cuando se aplican a geometrías novedosas. Específicamente, las correlaciones desarrolladas para configuraciones verticales no pueden extrapolarse de manera fiable a la columna de extracción de placas tamiz pulsadas en forma de L (LPSPC). La LPSPC presenta un régimen de operación único de dos etapas: una sección horizontal que opera en el régimen de dispersión con un alto contenido de fase dispersa (16–27%) y una sección vertical que opera en el régimen de mezclador-sedimentador con bajo contenido de fase dispersa (1–3%). Las correlaciones de la literatura existente, al aplicarse a esta geometría, arrojan errores de predicción (Error Absoluto Relativo Promedio, AARE) que oscilan entre el 33% y más del 74%, lo que las hace inadecuadas para el diseño cuantitativo de columnas. Además, no se había reportado previamente ningún modelo basado en datos para predecir el $K_{oca}$ en la LPSPC.

2. Metodología

Configuración Experimental y Recolección de Datos

El estudio utilizó una columna en forma de L equipada con placas tamiz, operando con dos sistemas químicos estándar recomendados por la EFCE:

Tolueno-Acetona-Agua (TAW)
n-Butil Acetato-Acetona-Agua (BAW)
Los experimentos se realizaron en 36 condiciones operativas (18 por sistema) variando la intensidad de pulsación ( $A_f$ ), el caudal de la fase continua ( $Q_c$ ) y el caudal de la fase dispersa ( $Q_d$ ).

Mediciones Hidrodinámicas: El contenido de fase dispersa ( $\phi$ ) se midió mediante el método de desplazamiento, y el tamaño medio de gota ( $d_{32}$ ) se determinó mediante técnicas fotográficas.
Determinación de la Transferencia de Masa: El coeficiente de transferencia de masa global volumétrico ( $K_{oca}$ ) no se midió directamente, sino que se derivó de los perfiles de concentración experimentales utilizando el Modelo de Flujo de Retroceso (BFM) para considerar la mezcla axial.

Marco de Aprendizaje Automático (Machine Learning)

Se desarrollaron, entrenaron y compararon tres algoritmos de aprendizaje automático para predecir el $K_{oca}$ tanto para las secciones horizontal como vertical:

Red Neuronal Artificial (ANN): Un Perceptrón Multicapa (MLP) con dos capas ocultas (10 y 5 neuronas), entrenado mediante Regularización Bayesiana para prevenir el sobreajuste (overfitting).
Bosque Aleatorio (RF): Un conjunto de 200 árboles de regresión.
Regresión de Vectores de Soporte (SVR): Utilizando un núcleo de Función de Base Radial (RBF).

Características de Entrada (Features): Los modelos utilizaron las condiciones operativas ( $A_f, Q_c, Q_d$ ) junto con los parámetros hidrodinámicos medidos directamente ( $d_{32}, \phi$ ). La inclusión de variables hidrodinámicas fue una elección estratégica para codificar el estado no lineal de la columna, en lugar de depender únicamente de las condiciones operativas como variables indirectas (proxies).

División de Datos: El conjunto de datos se estratificó en subconjuntos de entrenamiento (70%), validación (15%) y prueba (15%). El rendimiento se evaluó utilizando el coeficiente de determinación ( $R^2$ ), el Error Cuadrático Medio (MSE) y el AARE.

3. Contribuciones Clave

Primera Aplicación de ML a la LPSPC: Este estudio presenta los primeros modelos de aprendizaje automático entrenados específicamente para predecir el $K_{oca}$ en la novedosa geometría de columna en forma de L, abordando una brecha donde las correlaciones tradicionales fallan.
Modelado de Multi-sección: A diferencia de estudios previos centrados en tipos de columnas únicas, este trabajo modela simultáneamente dos secciones hidrodinámicamente distintas (dispersión horizontal frente a mezclador-sedimentador vertical) dentro de un mismo marco.
Enfoque Híbrido: El estudio proporciona tanto un modelo de ANN de alta precisión de tipo "caja negra", como una nueva correlación adimensional semiempírica para el número de Sherwood ( $Sh_{oc}$ ), ofreciendo flexibilidad para diferentes etapas de diseño.
Perspectiva Mecanística vía Importancia de Variables: La investigación cuantifica la importancia relativa de las variables de entrada, confirmando que los parámetros hidrodinámicos (contenido de fase y tamaño de gota) son los impulsores dominantes del rendimiento de la transferencia de masa.

4. Resultados

Rendimiento del Modelo

El modelo ANN demostró una capacidad predictiva superior en comparación con RF y SVR:

Sección Horizontal: $R^2_{test} = 0.9856$ , AARE = 4.83%.
Sección Vertical: $R^2_{test} = 0.9812$ , AARE = 5.62%.

En contraste, los modelos RF y SVR mostraron una menor precisión (AAREs que oscilan entre 7.34% y 11.24%). El análisis de residuos confirmó que el modelo ANN está libre de sesgo sistemático y cumple con los supuestos de homocedasticidad.

Comparación con la Literatura

Cuando se aplicaron cinco correlaciones empíricas establecidas para las PSPC verticales a los datos de la LPSPC, estas fallaron significativamente:

AARE Sección Horizontal: 47.3% – 74.1%.
AARE Sección Vertical: 33.1% – 52.8%.
El modelo ANN redujo estos errores por un factor de 7 a 15, demostrando que las correlaciones existentes no pueden extrapolarse a la geometría en forma de L.

Nueva Correlación Adimensional

Se desarrolló una nueva correlación semiempírica para $Sh_{oc}$ :

Horizontal: $Sh_{oc} = 74.35 Re^{1.41} Sc^{0.583} (1-\phi)$
Vertical: $Sh_{oc} = 0.046 Re^{0.478} Sc^{0.763} (1-\phi)$
Esta correlación alcanzó AAREs de 9.30% (horizontal) y 10.17% (vertical), siendo significativamente mejor que las correlaciones de la literatura, pero menos precisa que la ANN.

Perspectivas Físicas y Superficies de Respuesta

Efectos Opuestos de la Pulsación: Las superficies de respuesta de la ANN revelaron que aumentar la intensidad de la pulsación ( $A_f$ ) aumenta el $K_{oca}$ en la sección horizontal (debido a la ruptura de gotas y el aumento del área interfacial) pero disminuye el $K_{oca}$ en la sección vertical (debido a la supresión del contenido de fase en el régimen de mezclador-sedimentador).
Inversión del Sistema Químico: Los modelos capturaron correctamente una inversión de rendimiento entre los sistemas TAW y BAW. El TAW funcionó mejor en la sección horizontal, mientras que el BAW funcionó mejor en la sección vertical. Esto se atribuyó a la interacción entre la tensión interfacial (que afecta el tamaño de gota) y el coeficiente de distribución (que afecta la fuerza impulsora), los cuales se manifiestan de manera distinta en los dos regímenes hidrodinámicos.
Importancia de las Características: El análisis de sensibilidad identificó el contenido de fase dispersa ( $\phi$ ) y el tamaño medio de gota ( $d_{32}$ ) como los predictores más críticos, explicando colectivamente aproximadamente el 65–70% de la varianza de la salida.

5. Significado y Reivindicaciones

Los autores afirman que este trabajo proporciona una herramienta predictiva práctica para el diseño de columnas de extracción en forma de L, una geometría que carecía de métodos de modelado fiables. El estudio demuestra que:

El Aprendizaje Automático es Esencial para Geometrías Novedosas: Las correlaciones empíricas tradicionales son insuficientes para la LPSPC debido a sus transiciones hidrodinámicas únicas; son necesarios modelos basados en datos entrenados con datos específicos de la geometría.
Las Entradas Hidrodinámicas son Críticas: La inclusión de parámetros medidos como el contenido de fase y el tamaño de gota mejora significativamente la precisión del modelo en comparación con el uso exclusivo de condiciones operativas.
Capacidad de Optimización: Las superficies de respuesta basadas en la ANN permiten identificar las condiciones operativas óptimas (por ejemplo, un rango de $A_f$ de 0.85–1.00 cm/s) que equilibran el rendimiento de la transferencia de masa en ambas secciones de la columna.

El artículo concluye que, si bien la ANN ofrece la mayor precisión para la optimización del diseño, la nueva correlación adimensional sirve como una alternativa de ecuación explícita valiosa para cálculos preliminares de escalado donde los datos hidrodinámicos medidos aún no estén disponibles.