بهینه سازی چندمقیاسی فرآیند جداسازی و ذخیره سازی ایزوتوپ ¹²⁹I در مدیریت پسماندهای هسته ای با استفاده از حلال های یوتکتیک عمیق هالوژنی و چارچوب هم افزایی علوم داده – هوش مصنوعی (Data-AI Synergy Framework)

مدیریت ایمن و پایدار ایزوتوپ های رادیواکتیو بلند عمر، به ویژه ایزوتوپ ¹²⁹I با نیمه عمر حدود ۱٫۵۷×۱۰⁷ سال، یکی از چالش های اساسی در حوزه پسماندهای هسته ای به شمار می رود. در این پژوهش، یک رویکرد چندمقیاسی (multi-scale optimization) برای جداسازی و ذخیره سازی ایزوتوپ ¹²⁹I با استفاده از حلال های یوتکتیک عمیق هالوژنی (Halogen-based Deep Eutectic Solvents, H-DESs) ارائه شده است. هدف از این مطالعه، دستیابی به کارایی بالا در استخراج، پایداری شیمیایی بلندمدت، و کاهش مخاطرات زیست محیطی از طریق طراحی هوشمند سامانه های حلالی و بهینه سازی ساختار مولکولی آنهاست.در چارچوب هم افزایی علوم داده و هوش مصنوعی (Data–AI Synergy Framework)، مدل های ترکیبی شامل شبکه های عصبی عمیق (DNN)، الگوریتم های ژنتیک چندهدفه (MOGA) و تحلیل چندمقیاسی دینامیک مولکولی (MS-MD) توسعه داده شد تا همزمان اثرات پارامترهای ترمودینامیکی، انرژی پیوندهای هیدروژنی، و رفتار انتقال جرم در سامانه های یوتکتیک مورد بررسی و بهینه سازی قرار گیرد. نتایج شبیه سازی ها نشان داد که ترکیب [ChCl–Ionic Liquid] با نسبت مولی ۱:۲ و حضور افزودنی های Br⁻ و I⁻ بالاترین بازده جذب و گزینش پذیری را برای ایزوتوپ ¹²⁹I فراهم می کند. تحلیل چندهدفه مبتنی بر هوش مصنوعی منجر به بهبود ۳۴٪ی در پایداری حرارتی و کاهش ۲۷٪ی در انرژی آزاد گیبس سامانه شد.این پژوهش با ارائه ی مدلی داده محور برای طراحی و بهینه سازی فرآیندهای ذخیره سازی رادیونوکلئیدها، افق جدیدی در مدیریت پایدار پسماندهای هسته ای نسل آینده گشوده و نشان می دهد که ادغام روش های محاسباتی پیشرفته با علوم داده، می تواند راهکارهایی مقرون به صرفه و سبز برای حل چالش های هسته ای فراهم سازد.

کلیدواژه ها:

ایزوتوپ ¹²⁹I ، مدیریت پسماندهای هسته ای ، حلال های یوتکتیک عمیق هالوژنی (H-DESs) ، بهینه سازی چندمقیاسی ، هم افزایی علوم داده و هوش مصنوعی ، شبیه سازی دینامیک مولکولی