⚡ electrical engineering

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

Deze studie toont aan dat een kunstmatig neuraal netwerk (ANN)-model de empirische correlaties en andere machine learning-algoritmen aanzienlijk overtreft in het nauwkeurig voorspellen van de volumetrische totale massatransportcoëfficiënt voor een nieuwe L-vormige gepulseerde zeefplaatextractiekolom, waarbij de holdup van de gedispergeerde fase en de druppelgrootte worden geïdentificeerd als de dominante beïnvloedende factoren.

Oorspronkelijke auteurs: vahid rafiei, sadegh moradi

Gepubliceerd 2026-08-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: vahid rafiei, sadegh moradi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je twee vloeistoffen probeert te mengen die elkaar haten, zoals olie en water, maar dat je een specifiek ingrediënt tussen hen moet uitwisselen. Dit is de taak van vloeistof-vloeistofextractie, een proces dat overal wordt gebruikt, van het maken van medicijnen tot het opruimen van nucleair afval. Om deze uitwisseling snel te laten verlopen, gebruiken ingenieurs hoge, schuddende torens gevuld met metalen platen. Binnenin breken de vloeistoffen af in piepkleine druppeltjes, waardoor er een enorm oppervlak ontstaat waar het ingrediënt van de ene naar de andere vloeistof kan springen. De snelheid van deze sprong wordt gemeten met iets dat de massaoverdrachtscoëfficiënt wordt genoemd. Beschouw dit als de "efficiëntiescore" van de toren: een hogere score betekent dat de toren kleiner, goedkoper en sneller is in het uitvoeren van zijn taak.

Decennialang hebben wetenschappers geprobeerd om eenvoudige wiskundige formules te schrijven om deze efficiëntiescore te voorspellen. Ze wilden een "one-size-fits-all" regel die zou werken voor elke torenvorm of vloeistofmengsel. Maar hier is het probleem: deze oude formules zijn als het proberen te navigeren door een jungle met een kaart van een stad. Ze werken geweldig voor standaard, rechte torens, maar ze vallen om wanneer de toren een vreemde vorm heeft of wanneer de vloeistoffen zich anders gedragen. Ze gokken vaak met enorme marges ernaast, wat riskant is bij het bouwen van nieuwe, betere machines. Dit is waar machine learning in beeld komt. In plaats van de data in een rigide, vooraf geschreven formule te dwingen, werkt machine learning als een super-slimme detective die naar duizenden aanwijzingen kijkt om de verborgen patronen op eigen kracht te ontdekken. Het hoeft de regels van de natuurkunde niet vooraf te kennen; het leert simpelweg van de data wat er daadwerkelijk gebeurt.

Dit artikel behandelt een zeer specifieke, lastige puzzel: een gloednieuw type extractietoren in de vorm van een L. In tegen tegenstelling tot de gebruikelijke rechte torens, heeft deze een horizontaal gedeelte waar de vloeistoffen zijwaarts glijden, gevolgd door een verticaal gedeelte waar ze naar beneden zakken. De onderzoekers ontdekten dat deze L-vorm twee volkomen verschillende werelden creëert binnen dezelfde machine. In het horizontale deel worden de vloeistoffen opgeklotst tot een chaotisch, hoogenergetisch "dispersie"-regime met veel kleine druppeltjes. In het verticale deel kalmeren ze af naar een "mixer-settler"-modus met minder, grotere druppels. Omdat de natuurkunde in elk deel zo verschillend is, faalden de oude "one-size-fits-all" formules volledig in het voorspellen van hoe goed de toren werkte; ze zaten er enorm naast.

Om dit op te lossen, probeerde het team van de Arak Universiteit niet een nieuwe wiskundige vergelijking op het probleem te dwingen. In plaats daarvan voedden ze experimentele data van twee verschillende chemische mengsels (tolueen-water en n-butylacetaat-water) aan drie verschillende machine learning "hersenen": een Artificial Neural Network (ANN), een Random Forest (RF) en een Support Vector Regression (SVR) model. Ze leerden deze modellen om de efficiëntiescore (de massaoverdrachtscoëfficiënt) te voorspellen op basis van echte metingen van hoe snel de vloeistoffen stroomden, hoe hard de toren pulseerde en exact hoe groot de druppels waren.

De resultaten waren een duidelijke overwinning voor het Artificial Neural Network (ANN). Terwijl de andere modellen het wel oké deden, werd de ANN een kristallen bol die de prestaties van de toren met verbazingwekkende nauwkeurigheid voorspelde. Het kreeg het bijna altijd goed (een test R²-waarde boven de 0,98) en zat er gemiddeld minder dan 6% naast. In contrast hiermee waren de oude formules uit tekstboeken ergens tussen de 33% en 74% naast, wat ze in feite nutteloos maakt voor dit nieuwe L-vormige ontwerp. Het machine learning-model leerde dat de belangrijkste aanwijzingen de hoeveelheid vloeistof die in de toren gevangen zit (holdup) en de grootte van de druppels waren. Het ontdekte dat in het horizontale gedeelte, harder schudden de druppels kleiner maakte en de efficiëntie deed omhoog schieten. Maar in het verticale gedeelte zorgde harder schudden er juist voor dat de efficiëntie daalde, omdat de druppels niet genoeg tijd hadden om te bezinken.

Het artikel toonde ook aan dat de "beste" chemische mengeling afhing van welk deel van de toren je bekeek. Het tolueen-systeem werkte beter in het horizontale gedeelte, terwijl het n-butylacetaat-systeem superieur was in het verticale gedeelte. Het ANN-model begreep deze complexe overgang vanzelf, zonder expliciet de regels te krijgen verteld, wat bewees dat het werkelijk de onderliggende natuurkunde had geleerd. Om ingenieurs die geen computerprogramma kunnen gebruiken te helpen, heeft het team ook een nieuwe, eenvoudigere wiskundige formule gebaseerd op hun bevindingen gemaakt, die veel beter was dan de oude (hoewel nog steeds niet zo perfect als de AI).

Uiteindelijk bewijst dit onderzoek dat je voor vreemde, nieuwe machinevormen zoals de L-vormige toren niet kunt vertrouwen op de oude regelboeken. De "one-size-fits-all" formules zijn kapot voor deze geometrieën. In plaats daarvan is het gebruik van machine learning om direct van de data te leren de sleutel tot het ontwerpen van snellere, efficiëntere chemische fabrieken. De AI gokte niet alleen; het leerde de geheime taal van de L-vormige toren, waarmee het bewees dat wanneer je een nieuw ontwerp hebt, je ook een nieuwe manier van denken nodig hebt om het te laten werken.

Technische Samenvatting: Machine Learning Modellering van de Volumetrische Totale Massatransportcoëfficiënt in een Nieuwe L-vormige Gepulseerde Zeefplaat Extractiekolom

1. Probleemstelling

De volumetrische totale massatransportcoëfficiënt ( $K_{oca}$ ) is een kritische ontwerpparameter voor vloeistof-vloeistof extractiekolommen. Hoewel er empirische correlaties bestaan voor conventionele verticale gepulseerde zeefplaatkolommen (PSPC's), kampen deze met aanzienlijke beperkingen wanneer ze worden toegepast op nieuwe geometrieën. Specifiek kunnen correlaties die zijn ontwikkeld voor verticale configuraties niet betrouwbaar worden geëxtrapoleerd naar de L-vormige gepulseerde zeefplaat extractiekolom (LPSPC). De LPSPC kenmerkt zich door een unieke twee-regime operatie: een horizontaal gedeelte dat opereert in het dispersieregime met een hoge gedispergeerde fase holdup (16–27%) en een verticaal gedeelte dat opereert in het mixer-settler regime met een lage holdup (1–3%). Bestaande correlaties uit de literatuur, wanneer toegepast op deze geometrie, leveren voorspellingsfouten op (Average Absolute Relative Error, AARE) variërend van 33% tot meer dan 74%, waardoor ze ongeschikt zijn voor kwantitatief kolomontwerp. Bovereindens is er voorheen geen datagestuurd model gerapporteerd voor het voorspellen van $K_{oca}$ in de LPSPC.

2. Methodologie

Experimentele Opstelling en Datacollectie

De studie maakte gebruik van een L-vormige kolom uitgerust met zeefplaten, opererend met twee standaard chemische systemen aanbevolen door de EFCE:

Tolueen-Aceton-Water (TAW)
n-Butylacetaat-Aceton-Water (BAW)
Experimenten werden uitgevoerd onder 36 operationele condities (18 per systeem) waarbij de pulsatie-intensiteit ( $A_f$ ), de debiet van de continue fase ( $Q_c$ ) en het debiet van de gedispergeerde fase ( $Q_d$ ) varieerden.

Hydrodynamische Metingen: De gedispergeerde fase holdup ( $\phi$ ) werd gemeten via de verdunningsmethode, en de gemiddelde druppelgrootte ( $d_{32}$ ) werd bepaald met fotografische technieken.
Bepaling van Massatransport: De volumetrische totale massatransportcoëfficiënt ( $K_{oca}$ ) werd niet direct gemeten, maar afgeleid uit experimentele concentratieprofielen met behulp van het Back Flow Model (BFM) om rekening te houden met axiale menging.

Machine Learning Framework

Drie machine learning algoritmen werden ontwikkeld, getraind en vergeleken om $K_{oca}$ voor zowel de horizontale als de verticale secties te voorspellen:

Artificial Neural Network (ANN): Een Multilayer Perceptron (MLP) met twee verborgen lagen (10 en 5 neuronen), getraind met Bayesiaanse regularisatie om overfitting te voorkomen.
Random Forest (RF): Een ensemble van 200 regressiebomen.
Support Vector Regression (SVR): Gebruikmakend van een Radial Basis Function (RBF) kernel.

Input Kenmerken: De modellen maakten gebruik van de operationele condities ( $A_f, Q_c, Q_d$ ) naast de direct gemeten hydrodynamische parameters ( $d_{32}, \phi$ ). De inclusie van hydrodynamische variabelen was een strategische keuze om de niet-lineaire staat van de kolom te coderen, in plaats van uitsluitend te vertrouwen op operationele condities als proxies.

Data Splitsing: De dataset werd gestratificeerd in trainings- (70%), validatie- (15%) en test-subsets (15%). Prestaties werden geëvalueerd aan de hand van de coëfficiënt van determinatie ( $R^2$ ), de Mean Squared Error (MSE) en de AARE.

3. Belangrijkste Bijdragen

Eerste ML-toepassing op LPSPC: Deze studie presenteert de eerste machine learning modellen die specifiek getraind zijn om $K_{oca}$ in de nieuwe L-vormige kolomgeometrie te voorspellen, waarmee een gat wordt gedicht waar traditionele correlaties tekortschieten.
Multi-sectie Modellering: In tegenstelling tot eerdere studies die zich richten op enkelvoudige kolomtypen, modelleert dit werk simultaan twee hydrodynamisch verschillende secties (horizontale dispersie versus verticale mixer-settler) binnen één enkel framework.
Hybride Aanpak: De studie biedt zowel een hoog-nauwkeurig "black-box" ANN-model als een nieuwe semi-empirische dimensieloze correlatie voor het Sherwood-getal ( $Sh_{oc}$ ), wat flexibiliteit biedt voor verschillende ontwerpfases.
Mechanistisch Inzicht via Feature Belang: Het onderzoek kwantificeert het relatieve belang van inputvariabelen, waarmee wordt bevestigd dat hydrodynamische parameters (holdup en druppelgrootte) de dominante drijvers zijn van het massatransportprestaties.

4. Resultaten

Modelprestaties

Het ANN-model vertoonde een superieure voorspellende capaciteit vergeleken met RF en SVR:

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

In contrast hiermee vertoonden de RF- en SVR-modellen een lagere nauwkeurigheid (AARE's variërend van 7,34% tot 11,24%). Residuele analyse bevestigde dat het ANN-model vrij was van systematische bias en voldeed aan de aannames van homoscedasticiteit.

Vergelijking met Literatuur

Wanneer vijf gevestigde empirische correlaties voor verticale PSPC's werden toegepast op de LPSPC-data, faalden deze significant:

Horizontale Sectie AARE: 47,3% – 74,1%.
Verticale Sectie AARE: 33,1% – 52,8%.
Het ANN-model reduceerde deze fouten met een factor 7 tot 15, wat aantoont dat bestaande correlaties niet kunnen worden geëxtrapoleerd naar de L-vormige geometrie.

Nieuwe Dimensieloze Correlatie

Een nieuwe semi-empirische correlatie voor $Sh_{oc}$ werd ontwikkeld:

Horizontaal: $Sh_{oc} = 74,35 Re^{1,41} Sc^{0,583} (1-\phi)$
Verticaal: $Sh_{oc} = 0,046 Re^{0,478} Sc^{0,763} (1-\phi)$
Deze correlatie bereikte AARE's van 9,30% (horizontaal) en 10,17% (verticaal), wat aanzienlijk beter is dan de literatuurcorrelaties, maar minder accuraat dan de ANN.

Fysische Inzichten en Response Oppervlakken

Tegenstrijdige Effecten van Pulsatie: De ANN-response oppervlakken onthulden dat het verhogen van de pulsatie-intensiteit ( $A_f$ ) de $K_{oca}$ in de horizontale sectie verhoogt (door druppelbreking en verhoogd grensvlakoppervlak) maar de $K_{oca}$ in de verticale sectie verlaagt (door holdup-onderdrukking in het mixer-settler regime).
Chemisch Systeem Inversie: De modellen legden correct de prestatie-inversie tussen de TAW- en BAW-systemen vast. TAW presteerde beter in de horizontale sectie, terwijl BAW beter presteerde in de verticale sectie. Dit werd toegeschreven aan de interactie tussen grensvlakspanning (beïnvloedt druppelgrootte) en de distributiecoëfficiënt (beïnvloedt drijvende kracht), die zich verschillend manifesteren in de twee hydrodynamische regimes.
Feature Belang: Sensitiviteitsanalyse identificeerde de gedispergeerde fase holdup ( $\phi$ ) en de gemiddelde druppelgrootte ( $d_{32}$ ) als de meest kritische voorspellers, die gezamenlijk ~65–70% van de outputvariantie verklaren.

5. Betekenis en Claims

De auteurs claimen dat dit werk een praktisch voorspellend instrument biedt voor het ontwerp van L-vormige extractiekolommen, een geometrie die voorheen een gebrek had aan betrouwbare modelleringsmethoden. De studie toont aan dat:

Machine Learning Essentieel is voor Nieuwe Geometrieën: Traditionele empirische correlaties zijn onvoldoende voor de LPSPC vanwege de unieke hydrodynamische transities; datagestuurde modellen getraind op specifieke geometrie-data zijn noodzakelijk.
Hydrodynamische Inputs Kritisch zijn: Het opnemen van gemeten parameters zoals holdup en druppelgrootte verbetert de modelnauwkeurigheid aanzienlijk vergeleken met het gebruik van enkel operationele condities.
Optimalisatie Mogelijkheid: De ANN-gebaseerde response oppervlakken maken de identificatie van optimale operationele condities mogelijk (bijv. een $A_f$ -bereik van 0,85–1,00 cm/s) die de massatransportprestaties over beide secties van de kolom balanceren.

Het artikel concludeert dat hoewel de ANN de hoogste nauwkeurigheid biedt voor ontwerpoptimalisatie, de nieuwe dimensieloze correlatie dient als een waardevol, expliciet vergelijking-gebaseerd alternatief voor voorlopige opschalingsberekeningen waarbij gemeten hydrodynamische data mogelijk nog niet beschikbaar zijn.