⚡ electrical engineering

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

Questo studio dimostra che un modello di Rete Neurale Artificiale (ANN) supera significativamente le correlazioni empiriche e altri algoritmi di apprendimento automatico nell'accuratezza della previsione del coefficiente di trasferimento di massa volumetrico globale per una nuova colonna di estrazione a piastra setacciata pulsante a forma di L, identificando al contempo la frazione di volume della fase dispersa e la dimensione delle gocce come i fattori d'influenza dominanti.

Autori originali: vahid rafiei, sadegh moradi

Pubblicato 2026-08-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: vahid rafiei, sadegh moradi

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover mescolare due liquidi che si odiano, come l'olio e l'acqua, ma devi scambiare un ingrediente specifico tra di loro. Questo è il compito dell'estrazione liquido-liquido, un processo utilizzato ovunque, dalla produzione di medicinali alla pulizia di rifiuti nucleari. Per far sì che questo scambio avvenga rapidamente, gli ingegneri utilizzano alte torri oscillanti riempite di piatti metallici. All'interno, i liquidi si frammentano in minuscole goccioline, creando una superficie enorme dove l'ingrediente può saltare da un liquido all'altro. La velocità di questo salto è misurata da qualcosa chiamato coefficiente di trasferimento di massa. Immaginalo come il "punteggio di efficienza" della torre: un punteggio più alto significa che la torre è più piccola, più economica e più veloce nel svolgere il suo lavoro.

Per decenni, gli scienziati hanno cercato di scrivere semplici formule matematiche per prevedere questo punteggio di efficienza. Volevano una regola "universale" che funzionasse per qualsiasi forma di torre o miscela di liquidi. Ma ecco il problema: queste vecchie formule sono come cercare di navigare in una giungla usando la mappa di una città. Funzionano molto bene per le torri standard, dritte verso l'alto, ma crollano quando la torre ha una forma strana o quando i liquidi si comportano diversamente. Spesso sbagliano le previsioni con margini enormi, rendendo rischioso costruire nuove, migliori macchine. È qui che entra in gioco il machine learning. Invece di forzare i dati in una formula rigida e pre-scritta, il machine learning agisce come un detective super intelligente che osserva migliaoli di indizi per scoprire da solo i modelli nascosti. Non ha bisogno di conoscere le regole della fisica in anticipo; impara semplicemente dai dati ciò che accade realmente.

Questo articolo affronta un enigma specifico e complicato: un nuovo tipo di torre di estrazione a forma di L. A differenza delle solite torri dritte, questa presenta una sezione orizzontale dove i liquidi scorrono lateralmente, seguita da una sezione verticale dove si assestano verso il basso. I ricercatori hanno scoperto che questa forma a L crea due mondi completamente diversi all'interno della stessa macchina. Nella parte orizzontale, i liquidi si agitano in un regime di "dispersione" caotico e ad alta energia con molte minuscole goccioline. Nella parte verticale, si calmano in una modalità "miscelatore-sedimentatore" con meno goccioline e più grandi. Poiché la fisica è così diversa in ciascuna metà, le vecchie formule "universali" sono fallite completamente nel prevedere quanto bene funzionasse la torre, mancando il bersaglio per quantità enormi.

Per risolvere questo problema, il team dell'Università di Arak non ha cercato di imporre una nuova equazione matematica al problema. Invece, ha inserito dati sperimentali di due diverse miscele chimiche (toluene-acqua e n-butil acetato-acqua) in tre diversi "cervelli" di machine learning: una Rete Neurale Artificiale (ANN), una Foresta Casuale (RF) e un modello di Regressione a Vettori di Supporto (SVR). Hanno insegnato a questi modelli a prevedere il punteggio di efficienza (il coefficiente di trasferimento di massa) basandosi su misurazioni reali di quanto velocemente scorressero i liquidi, quanto fosse forte la pulsazione della torre e quanto fossero esattamente grandi le goccioline.

I risultati sono stati una chiara vittoria per la Rete Neurale Artificiale (ANN). Mentre gli altri modelli se la cavavano discretamente, l'ANN è diventata una palla di cristallo, prevedendo le prestazioni della torre con un'accuratezza sorprendente. Ha dato la risposta corretta il 98% delle volte (un valore R² superiore a 0,98) ed è stata errata mediamente per meno del 6%. Al contrario, le vecchie formule dei libri di testo erano errate tra il 33% e il 74%, rendendole essenzialmente inutili per questo nuovo design a forma di L. Il modello di machine learning ha imparato che gli indizi più importanti erano la quantità di liquido intrappolato nella torre (holdup) e la dimensione delle goccioline. Ha capito che nella sezione orizzontale, scuotere la torre con più forza rendeva le goccioline più piccole e faceva schizzare alle stelle l'efficienza. Ma nella sezione verticale, scuotere più forte faceva effettivamente scendere l'efficienza perché le goccioline non avevano abbastanza tempo per sedimentare.

L'articolo ha anche dimostrato che la "migliore" miscela chimica dipendeva da quale parte della torre si stava osservando. Il sistema del toluene funzionava meglio nella sezione orizzontale, mentre il sistema dell'n-butil acetato era superiore nella sezione verticale. Il modello ANN ha compreso naturalmente questo passaggio complesso senza che gli venisse spiegata esplicitamente la regola, dimostrando di aver appreso davvero la fisica sottostante. Per aiutare gli ingegneri che non possono usare un modello informatico, il team ha anche creato una nuova formula matematica più semplice basata sulle loro scoperte, che era molto migliore di quelle vecchie (sebbene non perfetta come l'IA).

In definitiva, questo studio dimostra che per macchine dalle forme insolite e nuove, come la torre a forma di L, non ci si può affidare ai vecchi manuali. Le formule "universali" sono rotte per queste geometrie. Invece, utilizzare il machine learning per apprendere direttamente dai dati è la chiave per progettare impianti chimici più veloci ed efficienti. L'IA non ha solo tirato a indovinare; ha imparato il linguaggio segreto della torre a forma di L, dimostrando che quando si ha un design innovativo, serve un modo innovativo di pensare per farlo funzionare.

Sintesi Tecnica: Modellazione tramite Machine Learning del Coefficiente di Trasferimento di Massa Globale Volumetrico in una Nuova Colonna di Estrazione a Piastra a Setaccio Pulsata a Forma di L

1. Definizione del Problema

Il coefficiente di trasferimento di massa globale volumetrico ( $K_{oca}$ ) è un parametro di progettazione critico per le colonne di estrazione liquido-liquido. Sebbene esistano correlazioni empiriche per le convenzionali colonne a piastra a setaccio pulsate (PSPC) verticali, esse presentano limitazioni significative quando applicate a geometrie innovative. Nello specifico, le correlazioni sviluppate per configurazioni verticali non possono essere applicate in modo affidabile alla colonna di estrazione a piastra a setaccio pulsata a forma di L (LPSPC). La LPSPC presenta una gestione a due regimi unica: una sezione orizzontale operante nel regime di dispersione con un elevato contenuto di fase dispersa (16–27%) e una sezione verticale operante nel regime mixer-settler con basso contenuto di fase dispersa (1–3%). Le correlazioni della letteratura esistente, se applicate a questa geometria, producono errori di previsione (Errore Assoluto Relativo Medio, AARE) compresi tra il 33% e oltre il 74%, rendendole inadatte per la progettazione quantitativa della colonna. Inoltre, non era precedentemente stato riportato alcun modello basato sui dati per prevedere il $K_{oca}$ nella LPSPC.

2. Metodologia

Configurazione Sperimentale e Raccolta Dati

Lo studio ha utilizzato una colonna a forma di L dotata di piastre a setaccio, operando con due sistemi chimici standard raccomandati dall'EFCE:

Toluene-Acetone-Acqua (TAW)
n-Butil Acetato-Acetone-Acqua (BAW)
Gli esperimenti sono stati condotti su 36 condizioni operative (18 per sistema) variando l'intensità di pulsazione ( $A_f$ ), la portata della fase continua ( $Q_c$ ) e la portata della fase dispersa ( $Q_d$ ).

Misurazioni Idrodinamiche: Il contenuto di fase dispersa ( $\phi$ ) è stato misurato tramite il metodo dello spostamento, e la dimensione media delle gocce ( $d_{32}$ ) è stata determinata mediante tecniche fotografiche.
Determinazione del Trasferimento di Massa: Il coefficiente di trasferimento di massa globale volumetrico ( $K_{oca}$ ) non è stato misurato direttamente, ma derivato dai profili di concentrazione sperimentali utilizzando il Modello di Back Flow (BFM) per tenere conto del mixing assiale.

Framework di Machine Learning

Tre algoritmi di machine learning sono stati sviluppati, addestrati e confrontati per prevedere il $K_{oca}$ sia per le sezioni orizzontali che per quelle verticali:

Rete Neurale Artificiale (ANN): Un Perceptron Multistrato (MLP) con due strati nascosti (10 e 5 neuroni), addestrato utilizzando la Regolarizzazione Bayesiana per prevenire l'overfitting.
Random Forest (RF): Un insieme di 200 alberi di regressione.
Regressione a Support Vector (SVR): Utilizzando un kernel a Funzione di Base Radiale (RBF).

Caratteristiche di Input: I modelli hanno utilizzato le condizioni operative ( $A_f, Q_c, Q_d$ ) insieme ai parametri idrodinamici misurati direttamente ( $d_{32}, \phi$ ). L'inclusione delle variabili idrodinamiche è stata una scelta strategica per codificare lo stato non lineare della colonna, piuttosto che fare affidamento esclusivamente sulle condizioni operative come proxy.

Suddivisione dei Dati: Il dataset è stato stratificato in sottoinsiemi di addestramento (7%、15%) e test (15%). Le prestazioni sono state valutate utilizzando il coefficiente di determinazione ( $R^2$ ), l'Errore Quadratico Medio (MSE) e l'AARE.

3. Contributi Chiave

Prima Applicazione ML alla LPSPC: Questo studio presenta i primi modelli di machine learning addestrati specificamente per prevedere il $K_{oca}$ nella nuova geometria di colonna a forma di L, affrontando una lacuna dove le correlazioni tradizionali falliscono.
Modellazione Multi-Sezione: A differenza di studi precedenti focalizzati su un singolo tipo di colonna, questo lavoro modella simultaneamente due sezioni idrodinamicamente distinte (dispersione orizzontale vs. mixer-settler verticale) all'interno di un unico framework.
Approccio Ibrido: Lo studio fornisce sia un modello ANN "black-box" ad alta precisione, sia una nuova correlazione adimensionalizzata semi-empirica per il numero di Sherwood ( $Sh_{oc}$ ), offrendo flessibilità per diverse fasi di progettazione.
Intuizione Meccanicistica tramite l'Importanza delle Caratteristiche: La ricerca quantifica l'importanza relativa delle variabili di input, confermando che i parametri idrodinamici (contenuto di fase e dimensione delle gocce) sono i driver dominanti delle prestazioni del trasferimento di massa.

4. Risultati

Prestazioni del Modello

Il modello ANN ha dimostrato una capacità predittiva superiore rispetto a RF e SVR:

Sezione Orizzontale: $R^2_{test} = 0,9856$ , AARE = 4,83%.
Sezione Verticale: $R^2_{test} = 0,9812$ , AARE = 5,62%.

Al contrario, i modelli RF e SVR hanno mostrato una precisione inferiore (AARE compresi tra il 7,34% e l'11,24%). L'analisi dei residui ha confermato che il modello ANN è privo di bias sistematici e soddisfa i presupposti di omoschedasticità.

Confronto con la Letteratura

Quando cinque correlazioni empiriche consolidate per PSPC verticali sono state applicate ai dati della LPSPC, esse sono fallite significativamente:

AARE Sezione Orizzontale: 47,3% – 74,1%.
AARE Sezione Verticale: 33,1% – 52,8%.
Il modello ANN ha ridotto questi errori di un fattore da 7 a 15 volte, dimostrando che le correlazioni esistenti non possono essere estrapolate alla geometria a forma di L.

Nuova Correlazione Adimensionale

Una nuova correlazione semi-empirica per $Sh_{oc}$ è stata sviluppata:

Orizzontale: $Sh_{oc} = 74,35 Re^{1,41} Sc^{0,583} (1-\phi)$
Verticale: $Sh_{oc} = 0,046 Re^{0,478} Sc^{0,763} (1-\phi)$
Questa correlazione ha raggiunto AARE del 9,30% (orizzontale) e del 10,17% (verticale), risultando significativamente migliore delle correlazioni in letteratura ma meno accurata dell'ANN.

Intuizioni Fisiche e Superfici di Risposta

Effetti Opposti della Pulsazione: Le superfici di risposta dell'ANN hanno rivelato che l'aumento dell'intensità di pulsazione ( $A_f$ ) aumenta il $K_{oca}$ nella sezione orizzontale (a causa della rottura delle gocce e dell'aumento dell'area interfacciale) ma diminuisce il $K_{oca}$ nella sezione verticale (a causa della soppressione del contenuto di fase nel regime mixer-settler).
Inversione del Sistema Chimico: I modelli hanno catturato correttamente un'inversione delle prestazioni tra i sistemi TAW e BAW. Il TAW ha performato meglio nella sezione orizzontale, mentre il BAW ha performito meglio nella sezione verticale. Ciò è stato attribuito all'interazione tra tensione interfacciale (che influenza la dimensione delle gocce) e coefficiente di distribuzione (che influenza la forza motrice), che si manifestano diversamente nei due regimi idrodinamici.
Importanza delle Caratteristiche: L'analisi di sensibilità ha identificato il contenuto di fase dispersa ( $\phi$ ) e la dimensione media delle gocce ( $d_{32}$ ) come i predittori più critici, spiegando collettivamente circa il 65–70% della varianza dell'output.

5. Significato e Rivendicazioni

Gli autori affermano che questo lavoro fornisce uno strumento predittivo pratico per la progettazione di colonne di estrazione a forma di L, una geometria che precedentemente mancava di metodi di modellazione affidabili. Lo studio dimostra che:

Il Machine Learning è Essenziale per Nuove Geometrie: Le correlazioni empiriche tradizionali sono insufficienti per la LPSPC a causa dei suoi unici transizioni idrodinamiche; i modelli basati sui dati addestrati su dati di geometria specifica sono necessari.
Gli Input Idrodinamici sono Critici: L'inclusione di parametri misurati come il contenuto di fase e la dimensione delle gocce migliora significativamente l'accuratezza del modello rispetto all'uso delle sole condizioni operative.
Capacità di Ottimizzazione: Le superfici di risposta basate su ANN permettono l'identificazione delle condizioni operative ottimali (ad esempio, un intervallo di $A_f$ tra 0,85 e 1,00 cm/s) che bilanciano le prestazioni di trasferimento di massa in entrambe le sezioni della colonna.

Il documento conclude che, mentre l'ANN offre la massima accuratezza per l'ottimizzazione del design, la nuova correlazione adimensionale funge da alternativa valida basata su equazioni esplicite per calcoli preliminari di scale-up dove i dati idrodinamici misurati potrebbero non essere ancora disponibili.