Wetenschappers in Zuid-Korea hebben een nieuw materiaal ontwikkeld dat in staat is om meer dan 90% van het radioactieve jodium uit kernafval te verwijderen, met behulp van kunstmatige intelligentie om het ontwerp te optimaliseren.
Volgens , het Korea Advanced Institute of Science and Technology (KAIST), betekent deze innovatie een belangrijke doorbraak in het beheer van nucleair afval en biedt het nieuwe mogelijkheden voor toepassingen in de industrie en het milieu.
De ontdekking werd gepubliceerd in het Journal of Hazardous Materials en is gebaseerd op een multi-metallisch dubbel lamellair hydroxide (LDH) met een specifieke samenstelling van koper, chroom, ijzer en aluminium (Cu₃(CrFeAl)). Volgens KAIST werd de combinatie van deze elementen geïdentificeerd met behulp van algoritmen voor machinaal leren, waardoor er aanzienlijk minder tests nodig waren om een materiaal te ontwerpen met een hoge adsorptiecapaciteit voor radioactief jodaat.
Radioactief jodium: een uitdaging voor nucleair beheer
Radioactief jodium, in het bijzonder de isotoop I-129, vormt een van de grootste uitdagingen bij het beheer van nucleair afval vanwege de halveringstijd van 15,7 miljoen jaar en het gemak waarmee het zich in het milieu verplaatst.
Volgens gegevens van KAIST komt deze isotoop voornamelijk voor in de vorm van jodaat (IO₃-) in waterige omgevingen, wat de verwijdering met conventionele technologieën bemoeilijkt.
De huidige methoden, zoals het gebruik van op zilver gebaseerde materialen, zijn niet erg efficiënt in het vangen van jodaat vanwege de beperkte chemische affiniteit tussen dit anion en de gebruikte verbindingen. Deze beperking motiveerde de zoektocht naar nieuwe materialen met betere prestaties en een lagere impact op het milieu.
Kunstmatige intelligentie toegepast op decontaminatie
Geconfronteerd met deze moeilijkheden koos het team onder leiding van Ho Jin Ryu, professor aan het Department of Nuclear and Quantum Engineering van KAIST, samen met Juhwan Noh, van het Digital Chemistry Research Center aan het Korea Research Institute of Chemical Technology, voor een aanpak op basis van machinaal leren om optimale combinaties van metalen in LDH’s te onderzoeken. Deze materialen staan bekend om hun veelzijdige samenstelling en hun vermogen om anionen te vangen.
Volgens KAIST vereiste het conventionele proces een groot aantal experimenten om alle mogelijke combinaties te evalueren. Met algoritmische ondersteuning heeft het team slechts 16% van de potentiële kandidaten gescreend, wat een aanzienlijke verbetering in efficiëntie en kosten betekent.
Materiaalsamenstelling en resultaten
Het geïdentificeerde materiaal behaalde een jodaatadsorptiecapaciteit van 91,0 ± 0,2%, wat de prestaties van conventionele adsorbentia overtreft. Het artikel in de Journal of Hazardous Materials legt uit dat de structuur van LDH’s de incorporatie van meerdere metalen mogelijk maakt, wat het aanpassen van hun eigenschappen aan het beoogde gebruik vergemakkelijkt.
Analyse door kunstmatige intelligentie met behulp van de SHAP-methode (Shapley Additive Explanations) stelde de fysisch-chemische factoren vast die de synthese en de prestaties van het materiaal bevorderen. Hiervan werd vastgesteld dat de overeenkomst in de ionengrootte van de metalen de stabiliteit bevordert, terwijl een groter verschil in elektronegativiteit de adsorptiecapaciteit van het jodaat verbetert.
Procesoptimalisatie door machine learning
De materiaalontwikkeling begon met een database van 24 binaire en 96 ternaire LDH-samenstellingen. Uit deze informatie selecteerden voorspellende modellen op basis van random forest algoritmen de meest veelbelovende combinaties uit 196 quaternaire en 244 quinitaire verbindingen. Volgens KAIST was het nodig om met slechts 16% van de kandidaten te experimenteren, vergeleken met traditionele trial-and-error methoden.
Door het gebruik van actief leren kon het model voortdurend worden bijgewerkt met nieuwe experimentele gegevens, waardoor de nauwkeurigheid van de voorspellingen verbeterde. Deze methodologische benadering opent nieuwe mogelijkheden voor het ontwerp van kunstmatige intelligentie-ondersteunde ontsmettingsmaterialen.
Industriële toepassingen en prognoses
KAIST meldde dat het nieuwe multi-metallische LDH-materiaal gebruikt kan worden in sectoren zoals de productie van adsorberende poeders of filtratiesystemen voor afvalwater dat besmet is met radioactief jodium. Het team verwacht dat samenwerking tussen de academische wereld en de industrie de sleutel zal zijn om de technologie op de markt te brengen en de impact op het milieu te maximaliseren.
Volgens Ho Jin Ryu biedt het gebruik van kunstmatige intelligentie een veelbelovende weg in de zoektocht naar oplossingen voor nucleaire milieusanering. “Deze studie toont het potentieel aan van het gebruik van kunstmatige intelligentie om effectief radioactieve decontaminatiematerialen te identificeren uit een breed scala van nieuwe kandidaatmaterialen,” zei hij, zoals geciteerd door het Korea Advanced Institute of Science and Technology.
De onderzoekers hebben een nationale patentaanvraag ingediend voor de ontwikkelde technologie en werken aan een internationale patentaanvraag. Tegelijkertijd werken ze aan het verbeteren van de prestaties van het materiaal onder verschillende omstandigheden en breiden ze de toepassingen uit door middel van samenwerkingsverbanden met particuliere organisaties.
