Implementazione di modelli data-driven per applicazioni cromatografiche basati su simulazioni fluidodinamiche = Computational fluid dynamics based data-driven models for chromatographic applications

La previsione della capacità di separazione e la definizione delle condizioni operative di un’apparecchiatura cromatografica trovano attualmente fondamento in una forte base empirica. In un’ottica di ottenimento di modelli ai principi primi o semi-empirici con validità più generale, si rende necessario affrontare gli elementi critici della descrizione dei fenomeni che si verificano all’interno di una colonna cromatografica, legati in particolar modo alle scale dimensionali estremamente diverse alla quale avvengono questi fenomeni, alle interazioni complesse tra micro e macro scale e alle particolari strutture di flusso che si generano nella colonna. In questa Tesi viene proposta una metodologia innovativa per il calcolo di alcune proprietà di interesse (porosità esterna, area interfacciale specifica, permeabilità e coefficiente di scambio termico) relative al bulk di letti impaccati non strutturati di colonne cromatografiche, attraverso la costruzione di un modello predittivo basato su reti neurali. In particolare, viene proposto un workflow per la generazione e l’elaborazione in silico di geometrie assimilabili a porzioni di letto impaccato non strutturato di particelle sferiche, le quali sono impiegate in simulazioni CFD necessarie alla costruzione del dataset alla base del modello predittivo. I risultati ottenuti indicano che è possibile costruire reti neurali con sufficiente accuratezza, specialmente per quanto riguarda quantità come la porosità esterna del letto e l’area interfacciale specifica, anche utilizzando insiemi relativamente modesti di dati. Vengono inoltre delineate alcune strategie per un futuro perfezionamento del workflow qui proposto.