Machine Learning Modeling of the Volumetric Overall Mass Transfer Coefficient in a Novel L-Shaped Pulsed Sieve Plate Extraction Column
यह अध्ययन प्रदर्शित करता है कि एक आर्टिफिशियल न्यूरल नेटवर्क (ANN) मॉडल एक नवीन एल-आकार के पल्स्ड सीव प्लेट निष्कर्षण कॉलम के लिए आयतनी समग्र द्रव्यमान स्थानांतरण गुणांक की सटीक भविष्यवाणी करने में अनुभवजन्य सहसंबंधों और अन्य मशीन लर्निंग एल्गोरिदम की तुलना में काफी बेहतर प्रदर्शन करता है, जबकि यह बिखरे हुए चरण के होल्डअप और ड्रॉप आकार को प्रमुख प्रभावशाली कारकों के रूप में पहचानता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप दो ऐसे तरल पदार्थों को मिलाने की कोशिश कर रहे हैं जो एक-दूसरे को नापसंद करते हैं, जैसे तेल और पानी, लेकिन आपको उनके बीच एक विशिष्ट घटक (ingredient) को बदलना है। यह द्रव-द्रव निष्कर्षण (liquid-liquid extraction) का काम है, जो दवा बनाने से लेकर परमाणु कचरे की सफाई तक हर जगह उपयोग किया जाता है। इस बदलाव को तेजी से करने के लिए, इंजीनियर धातु की प्लेटों से भरे ऊंचे, हिलने वाले टावरों का उपयोग करते हैं। इसके अंदर, तरल पदार्थ छोटी बूंदों में टूट जाते हैं, जिससे एक विशाल सतह क्षेत्र बन जाता है जहाँ वह घटक एक तरल से दूसरे तरल में जा सकता है। इस कूदने की गति को मास ट्रांसफर कोएफिशिएंट (mass transfer coefficient) कहा जाता है। इसे टावर के "दक्षता स्कोर" के रूप में समझें: उच्च स्कोर का अर्थ है कि टावर छोटा, सस्ता और अपना काम करने में अधिक तेज़ है।
द दशकों से, वैज्ञानिकों ने इस दक्षता स्कोर की भविष्यवाणी करने के लिए सरल गणितीय सूत्र लिखने की कोशिश की है। वे एक ऐसा "एक-आकार-सभी-के-लिए" (one-size-fits-all) नियम चाहते थे जो किसी भी टावर के आकार या तरल मिश्रण के लिए काम कर सके। लेकिन समस्या यह है कि ये पुराने सूत्र एक शहर के मानचित्र का उपयोग करके जंगल में रास्ता खोजने जैसा है। वे मानक, सीधे टावरों के लिए बहुत अच्छे हैं, लेकिन जब टावर का आकार अजीब हो या तरल पदार्थ अलग तरह से व्यवहार करें, तो वे विफल हो जाते हैं। वे अक्सर बहुत बड़े अंतर से गलत अनुमान लगाते हैं, जिससे नए, बेहतर मशीन बनाना जोखिम भरा हो जाता है। यहीं पर मशीन लर्निंग (machine learning) काम आती है। डेटा को किसी कठोर, पूर्व-लिखित सूत्र में जबरदस्ती फिट करने के बजाय, मशीन लर्निंग एक सुपर-स्मार्ट जासूस की तरह कार्य करती है जो हजारों सुरागों को देखकर अपने आप छिपे हुए पैटर्न को पहचान लेती है। इसे पहले से ज्ञात भौतिकी के नियमों की आवश्यकता नहीं होती; यह डेटा से खुद सीख लेती है कि वास्तव में क्या होता है।
यह शोध पत्र एक बहुत ही विशिष्ट, जटिल पहेली को सुलझाता है: L अक्षर के आकार का एक बिल्कुल नया निष्कर्षण टावर। सामान्य सीधे टावरों के विपरीत, इसमें एक क्षैतिज (horizontal) भाग है जहाँ तरल पदार्थ बगल में फिसलते हैं, जिसके बाद एक ऊर्ध्धर (vertical) भाग है जहाँ वे नीचे बैठते हैं। शोधकर्ताओं ने पाया कि यह L-आकार एक ही मशीन के भीतर दो पूरी तरह से अलग दुनिया बनाता है। क्षैतिज भाग में, तरल पदार्थ एक अराजक, उच्च-ऊर्जा वाले "डिस्पर्शन" (dispersion) शासन में उथल-पुथल करते हैं जिसमें बहुत सारी सूक्ष्म बूंदें होती हैं। ऊर्ध्धर भाग में, वे कम और बड़ी बूंदों के साथ एक "मिक्सर-सेटलर" मोड में शांत हो जाते हैं। क्योंकि प्रत्येक आधे हिस्से में भौतिकी पूरी तरह से अलग है, पुराने "एक-आकार-सभी-के-लिए" वाले सूत्र यह भविष्यवाणी करने में पूरी तरह विफल रहे कि टावर कितनी अच्छी तरह काम करता है, और उन्होंने बहुत बड़ी गलतियाँ कीं।
इसे हल करने के लिए, अराक यूनिवर्सिटी की टीम ने इस समस्या पर एक नया गणितीय समीकरण थोपने की कोशिश नहीं की। इसके बजाय, उन्होंने दो अलग-अलग रासायनिक मिश्रणों (टोल्यूनि-वॉटर और n-ब्यूटिल एसीटेट-वॉटर) से प्राप्त प्रयोगात्मक डेटा को तीन अलग-अलग मशीन लर्निंग "मस्तिष्क" में डाला: एक आर्टिफिशियल न्यूरल नेटवर्क (ANN), एक रैंडम फॉरेस्ट (RF), और एक सपोर्ट वेक्टर रिग्रेशन (SVR) मॉडल। उन्होंने इन मॉडलों को यह भविष्यवाणी करने के लिए प्रशिक्षित किया कि तरल पदार्थ कितनी तेजी से बह रहे थे, टावर कितनी जोर से धड़क रहा था (pulsing), और बूंदों का आकार वास्तव में कितना बड़ा था, के आधार पर दक्षता स्कोर (मास ट्रांसफर कोएफिशिएंट) क्या होगा।
परिणाम आर्टिफिशियल न्यूरल नेटवर्क (ANN) की स्पष्ट जीत थे। जबकि अन्य मॉडल ठीक-ठाक थे, ANN एक भविष्यवक्ता बन गया, जिसने आश्चर्यजनक सटीकता के साथ टावर के प्रदर्शन की भविष्यवाणी की। इसने 98% बार सही उत्तर दिया (एक मान 0.98 से ऊपर) और औसतन 6% से भी कम की त्रुटि की। इसके विपरीत, पाठ्यपुस्तकों के पुराने सूत्र 33% से 74% तक गलत थे, जो इस नए L-आकार के डिजाइन के लिए लगभग बेकार थे। मशीन लर्निंग मॉडल ने सीखा कि सबसे महत्वपूर्ण सुराग टावर में फँसे तरल की मात्रा (holdup) और बूंदों का आकार थे। इसने पता लगाया कि क्षैतिज भाग में, टावर को जोर से हिलाने से बूंदें छोटी हो जाती हैं और दक्षता आसमान छू लेती है। लेकिन ऊर्ध्धर भाग में, टावर को जोर से हिलाने से दक्षता वास्तव में गिर जाती है क्योंकि बूंदों के पास बैठने के लिए पर्याप्त समय नहीं होता है।
शोध पत्र ने यह भी दिखाया कि "सर्वश्रेष्ठ" रासायनिक मिश्रण इस बात पर निर्भर करता है कि आप टावर के किस भाग को देख रहे हैं। टोल्यूनि सिस्टम क्षैतिज भाग में बेहतर काम करता था, जबकि n-ब्यूटिल एसीटेट सिस्टम ऊर्ध्धर भाग में श्रेष्ठ था। ANN मॉडल ने बिना यह बताए कि नियम क्या हैं, स्वाभाविक रूप से इस जटिल बदलाव को समझ लिया, जिससे सिद्ध हुआ कि इसने वास्तव में अंतर्निहित भौतिकी को सीख लिया था। इंजीनियरों की मदद के लिए जो कंप्यूटर मॉडल का उपयोग नहीं कर सकते, टीम ने अपने निष्कर्षों के आधार पर एक नया, सरल गणितीय सूत्र भी बनाया, जो पुराने सूत्रों की तुलना में बहुत बेहतर था (हालांकि अभी भी AI जितना सटीक नहीं था)।
अंततः, यह अध्ययन साबित करता है कि L-आकार के टावर जैसे अजीब, नए मशीन आकारों के लिए, आप पुराने नियम-पुस्तकों पर भरोसा नहीं कर सकते। "एक-आकार-सभी-के-लिए" वाले सूत्र इन ज्यामितियों के लिए टूट चुके हैं। इसके बजाय, डेटा से सीधे सीखने के लिए मशीन लर्निंग का उपयोग करना तेज़, अधिक कुशल रासायनिक संयंत्रों को डिजाइन करने की कुंजी है। AI ने केवल अनुमान नहीं लगाया; इसने L-आकार के टावर की गुप्त भाषा सीखी, यह दिखाते हुए कि जब आपके पास एक नवीन डिजाइन हो, तो इसे सफल बनाने के लिए आपको सोचने के एक नवीन तरीके की आवश्यकता होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।