⚡ electrical engineering

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

Este estudo demonstra que um modelo de Rede Neural Artificial (RNA) supera significativamente as correlações empíricas e outros algoritmos de aprendizado de máquina na previsão precisa do coeficiente de transferência de massa global volumétrico para uma nova coluna de extração de prato perfurado pulsante em formato de L, ao mesmo tempo em que identifica o acúmulo de fase dispersa e o tamanho da gota como os principais fatores influenciadores.

Autores originais: vahid rafiei, sadegh moradi

Publicado 2026-08-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: vahid rafiei, sadegh moradi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando misturar dois líquidos que se odeiam, como óleo e água, mas precisa trocar um ingrediente específico entre eles. Este é o trabalho da extração líquido-líquido, um processo usado em toda parte, desde a fabricação de remédios até a limpeza de resíduos nucleares. Para fazer essa troca acontecer rapidamente, engenheiros usam torres altas e vibratórias preenchidas com placas metálicas. Dentro delas, os líquidos se quebram em minúsculas gotículas, criando uma área de superfície massiva onde o ingrediente pode saltar de um líquido para o outro. A velocidade desse salto é medida por algo chamado coeficiente de transferência de massa. Pense nisso como a "pontuação de eficiência" da torre: uma pontuação mais alta significa que a torre é menor, mais barata e mais rápida em realizar seu trabalho.

Por décadas, cientistas tentaram escrever fórmulas matemáticas simples para prever essa pontuação de eficiência. Eles queriam uma regra de "tamanho único" que funcionasse para qualquer formato de torre ou mistura de líquidos. Mas aqui está o problema: essas fórmulas antigas são como tentar usar um mapa de uma cidade para navegar em uma selva. Elas funcionam muito bem para torres retas e padrão, mas desmoronam quando a torre tem um formato estranho ou quando os líquidos se comportam de maneira diferente. Elas frequentemente erram por margens enormes, tornando arriscado construir novas e melhores máquinas. É aqui que o aprendizado de máquina entra. Em vez de forçar os dados em uma fórmula rígida e pré-escrita, o aprendizado de máquina atua como um detetive superinteligente que observa milhares de pistas para descobrir os padrões ocultos por conta própria. Ele não precisa conhecer as regras da física de antemão; ele apenas aprende com os dados o que realmente acontece.

Este artigo aborda um enigma específico e complexo: um novo tipo de torre de extração com o formato da letra L. Ao contrário das torres retas usuais, esta possui uma seção horizontal onde os líquidos deslizam lateralmente, seguida por uma seção vertical onde eles se assentam. Os pesquisadores descobriram que este formato em L cria dois mundos completamente diferentes dentro da mesma máquina. Na parte horizontal, os líquidos se agitam em um regime de "dispersão" caótico e de alta energia, com muitas gotículas minúsculas. Na parte vertical, eles se acalmam em um modo de "misturador-decantador" com menos gotas e maiores. Como a física é diferente em cada metade, as antigas fórmulas de "tamanho único" falharam completamente em prever o quão bem a torre funcionava, errando o alvo por quantidades enormes.

Para resolver isso, a equipe da Universidade de Arak não tentou forçar uma nova equação matemática sobre o problema. Em vez disso, eles alimentaram dados experimentais de duas misturas químicas diferentes (tolueno-água e n-butil acetato-água) em três diferentes "cérebros" de aprendizado de máquina: uma Rede Neural Artificial (ANN), uma Floresta Aleatória (RF) e um modelo de Regressão de Vetores de Suporte (SVR). Eles ensinaram esses modelos a prever a pontuação de eficiência (o coeficiente de transferência de massa) com base em medições reais de quão rápido os líquidos fluíam, com quanta força a torre pulsava e o tamanho exato das gotículas.

Os resultados foram uma vitória clara para a Rede Neural Artificial (ANN). Enquanto os outros modelos foram razoáveis, a ANN tornou-se uma bola de cristal, prevendo o desempenho da torre com uma precisão impressionante. Ela acertou a resposta 98% das vezes (um valor de R² acima de 0,98) e errou por menos de 6% em média. Em contraste, as fórmulas antigas dos livros didáticos estavam erradas entre 33% e 74%, sendo essencialmente inúteis para este novo design em L. O modelo de aprendizado de máquina aprendeu que as pistas mais importantes eram a quantidade de líquido retido na torre (holdup) e o tamanho das gotículas. Ele descobriu que, na seção horizontal, sacudir a torre com mais força tornava as gotículas menores e fazia a eficiência disparar. No entanto, na seção vertical, sacudi-la com mais força na verdade fazia a eficiência cair, porque as gotículas não tinham tempo suficiente para se assentar.

O artigo também mostrou que a "melhor" mistura química dependia de qual parte da torre você estava observando. O sistema de tolueno funcionava melhor na seção horizontal, enquanto o sistema de n-butil acetato era superior na seção vertical. O modelo ANN descobriu naturalmente essa troca complexa sem ser explicitamente informado sobre as regras, provando que realmente havia aprendido a física subjacente. Para ajudar engenheiros que não podem usar um modelo computacional, a equipe também criou uma nova fórmula matemática mais simples baseada em suas descobertas, que era muito melhor que as antigas (embora ainda não fosse tão perfeita quanto a IA).

Em última análise, este estudo prova que, para máquinas de formatos estranhos e novos, como a torre em L, você não pode confiar nos velhos manuais de regras. As fórmulas de "tamanho único" estão quebradas para essas geometrias. Em vez disso, usar o aprendizado de máquina para aprender diretamente com os dados é a chave para projetar plantas químicas mais rápidas e eficientes. A IA não apenas adivinhou; ela aprendeu a linguagem secreta da torre em L, mostrando que, quando você tem um design inovador, precisa de uma forma inovadora de pensar para fazê-lo funcionar.

Resumo Técnico: Modelagem por Aprendizado de Máquina do Coeficiente Volumétrico Global de Transferência de Massa em uma Nova Coluna de Extração de Pratos Peneira Pulsante em Formato de L

1. Definição do Problema

O coeficiente volumétrico global de transferência de massa ( $K_{oca}$ ) é um parâmetro de projeto crítico para colunas de extração líquido-líquido. Embora existam correlações empíricas para colunas de pratos peneira pulsantes (PSPCs) verticais convencionais, elas sofrem de limitações significativas quando aplicadas a geometrias inovadoras. Especificamente, as correlações desenvolvidas para configurações verticais não podem ser extrapoladas de forma confiável para a coluna de extração de pratos peneira pulsante em formato de L (LPSPC). A LPSPC apresenta uma operação de dois regimes única: uma seção horizontal operando no regime de dispersão com alto teor de fase dispersa (16–27%) e uma seção vertical operando no regime de misturador-decantador com baixo teor de fase dispersa (1–3%). As correlações da literatura existente, quando aplicadas a esta geometria, geram erros de previsão (Erro Absoluto Relativo Médio, AARE) variando de 33% a mais de 74%, tornando-as inadequadas para o dimensionamento quantitativo da coluna. Além além disso, nenhum modelo baseado em dados havia sido relatado anteriormente para prever o $K_{oca}$ na LPSPC.

2. Metodologia

Configuração Experimental e Coleta de Dados

O estudo utilizou uma coluna em formato de L equipada com pratos peneira, operando com dois sistemas químicos padrão recomendados pela EFCE:

Tolueno-Acetona-Água (TAW)
n-Butil Acetato-Acetona-Água (BAW)
Experimentos foram conduzidos em 36 condições operacionais (18 por sistema) variando a intensidade de pulsação ( $A_f$ ), a vazão da fase contínua ( $Q_c$ ) e a vazão da fase dispersa ( $Q_d$ ).

Medições Hidrodinâmicas: O teor de fase dispersa ( $\phi$ ) foi medido via método de deslocamento, e o diâmetro médio das gotas ( $d_{32}$ ) foi determinado por técnicas fotográficas.
Determinação da Transferência de Massa: O coeficiente volumétrico global de transferência de massa ( $K_{oca}$ ) não foi medido diretamente, mas derivado de perfis de concentração experimentais usando o Modelo de Fluxo de Retorno (BFM) para contabilizar a mistura axial.

Estrutura de Aprendizado de Máquina

Três algoritmos de aprendizado de máquina foram desenvolvidos, treinados e comparados para prever o $K_{oca}$ para ambas as seções, horizontal e vertical:

Rede Neural Artificial (ANN): Um Perceptron Multicamadas (MLP) com duas camadas ocultas (10 e 5 neurônios), treinado usando Regularização Bayesiana para evitar o sobreajuste (overfitting).
Random Forest (RF): Um conjunto de 200 árvores de regressão.
Regressão de Vetores de Suporte (SVR): Utilizando um núcleo de Função de Base Radial (RBF).

Atributos de Entrada: Os modelos utilizaram as condições operacionais ( $A_f, Q_c, Q_d$ ) juntamente com os parâmetros hidrodinâmicos medidos diretamente ( $d_{32}, \phi$ ). A inclusão das variáveis hidrodinâmicas foi uma escolha estratégica para codificar o estado não linear da coluna, em vez de depender apenas das condições operacionais como variáveis substitutas (proxies).

Divisão de Dados: O conjunto de dados foi estratificado em subconjuntos de treinamento (70%), validação (15%) e teste (15%). O desempenho foi avaliado utilizando o coeficiente de determinação ( $R^2$ ), Erro Quadrático Médio (MSE) e AARE.

3. Principais Contribuições

Primeira Aplicação de ML à LPSPC: Este estudo apresenta os primeiros modelos de aprendizado de máquina especificamente treinados para prever o $K_{oca}$ na nova geometria de coluna em formato de L, abordando uma lacuna onde as correlações tradicionais falham.
Modelagem de Múltiplas Seções: Diferente de estudos anteriores focados em tipos únicos de colunas, este trabalho modela simultaneamente duas seções hidrodinamicamente distintas (dispersão horizontal vs. misturador-decantador vertical) dentro de uma única estrutura.
Abordagem Híbrida: O estudo fornece tanto um modelo de alta precisão de "caixa-preta" (ANN) quanto uma nova correlação adimensional semi-empírica para o número de Sherwood ( $Sh_{oc}$ ), oferecendo flexibilidade para diferentes estágios de projeto.
Insight Mecanístico via Importância de Atributos: A pesquisa quantifica a importância relativa das variáveis de entrada, confirmando que os parâmetros hidrodinâmicos (teor de fase e tamanho de gota) são os principais impulsionadores do desempenho da transferência de massa.

4. Resultados

Desempenho do Modelo

O modelo ANN demonstrou capacidade preditiva superior em comparação ao RF e SVR:

Seção Horizontal: $R^2_{test} = 0,9856$ , AARE = 4,83%.
Seção Vertical: $R^2_{test} = 0,9812$ , AARE = 5,62%.

Em contraste, os modelos RF e SVR mostraram menor precisão (AAREs variando de 7,34% a 11,24%). A análise de resíduos confirmou que o modelo ANN estava livre de viés sistemático e satisfazia as suposições de homocedasticidade.

Comparação com a Literatura

Quando cinco correlações empíricas estabelecidas para PSPCs verticais foram aplicadas aos dados da LPSPC, elas falharam significativamente:

AARE da Seção Horizontal: 47,3% – 47,1%.
AARE da Seção Vertical: 33,1% – 52,8%.
O modelo ANN reduziu esses erros por um fator de 7 a 15, demonstrando que as correlações existentes não podem ser extrapoladas para a geometria em formato de L.

Nova Correlação Adimensional

Uma nova correlação semi-empírica para $Sh_{oc}$ foi desenvolvida:

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 correlação alcançou AAREs de 9,30% (horizontal) e 10,17% (vertical), sendo significativamente melhor que as correlações da literatura, mas menos precisa que a ANN.

Insights Físicos e Superfícies de Resposta

Efeitos Opostos da Pulsação: As superfícies de resposta da ANN revelaram que o aumento da intensidade de pulsação ( $A_f$ ) aumenta o $K_{oca}$ na seção horizontal (devido à quebra de gotas e aumento da área interfacial), mas diminui o $K_{oca}$ na seção vertical (devido à supressão do teor de fase no regime de misturador-decantador).
Inversão do Sistema Químico: Os modelos capturaram corretamente uma inversão de desempenho entre os sistemas TAW e BAW. O TAW apresentou melhor desempenho na seção horizontal, enquanto o BAW apresentou melhor desempenho na seção vertical. Isso foi atribuído à interação entre a tensão interfacial (afetando o tamanho da gota) e o coeficiente de distribuição (afetando a força motriz), que se manifestam de forma diferente nos dois regimes hidrodinâmicos.
Importância de Atributos: A análise de sensibilidade identificou o teor de fase dispersa ( $\phi$ ) e o diâmetro médio das gotas ( $d_{32}$ ) como os preditores mais críticos, respondendo coletivamente por ~65–70% da variância da saída.

5. Significância e Alegações

Os autores afirmam que este trabalho fornece uma ferramenta preditiva prática para o projeto de colunas de extração em formato de L, uma geometria que carecia de métodos de modelagem confiáveis. O estudo demonstra que:

Aprendizado de Máquina é Essencial para Geometrias Novas: As correlações empíricas tradicionais são insuficientes para a LPSPC devido às suas transições hidrodinâmicas únicas; modelos baseados em dados treinados em dados de geometria específica são necessários.
Inputs Hidrodinâmicos são Críticos: A inclusão de parâmetros medidos como o teor de fase e o tamanho de gota melhora significativamente a precisão do modelo em comparação ao uso apenas de condições operacionais.
Capacidade de Otimização: As superfícies de resposta baseadas em ANN permitem a identificação de condições operacionais ideais (por exemplo, uma faixa de $A_f$ de 0,85–1,00 cm/s) que equilibram o desempenho da transferência de massa em ambas as seções da coluna.

O artigo conclui que, embora a ANN ofereça a maior precisão para otimização de projeto, a nova correlação adimensional serve como uma alternativa valiosa, baseada em equações explícitas, para cálculos preliminares de escala (scale-up) onde os dados hidrodinâmicos medidos podem ainda não estar disponíveis.