1. مقدمه

مدیریت ایمن و بلندمدت پسماندهای هستهای به عنوان یکی از چالشهای بحرانی زیستمحیطی قرن بیستویکم شناخته میشود. در فرآیند بازفرآوری سوخت مصرفشده هستهای (SNF)، حدود 0/3 تا 0/5 کیلوگرم ید-129 (¹²⁹I) به ازای هر تن سوخت آزاد میشود. این ایزوتوپ رادیواکتیو، با نیمهعمر بسیار طولانی حدود 15/7 میلیون سال و تحرک بالا در محیطهای آبی، در زمره پرخطرترین رادیونوکلئیدها دستهبندی میشود. انتشار احتمالی آن به اکوسیستم، تهدیدی جدی برای سلامت انسان محسوب میشود، زیرا از طریق زنجیره غذایی (مانند: جلبک → ماهی → انسان) منتقل شده و در غده تیروئید تجمع مییابد. از این رو، توسعه فناوریهای پیشرفته، کارآمد و پایدار برای جداسازی انتخابی و تثبیت ¹²⁹ I به عنوان یک هدف راهبردی در مهندسی انرژی و محیط زیست مطرح است.

مواد سنتی جذب ید، مانند زئولیتهای عاملدار شده با نقره، کربنهای آغشته به TEDA و سیلیکای عاملدار شده با نقره، با محدودیتهای عمدهای روبرو هستند. همانطور که در جدول 1 خلاصه شده است، این محدودیتها شامل هزینه بالای مواد، تولید پسماند ثانویه، غیرقابل بازیابی بودن، ناپایداری حرارتی در دماهای بالاتر از 120 درجه سانتیگراد، اشباع سریع و حساسیت به رطوبت میباشند .این کاستیها، لزوم جستوجوی جایگزینهای نوین، سبزتر و مقرون بهصرفهتر را ایجاب میکند.

در این راستا، حلالهای یوتکتیک عمیق هالوژنی (H-DESs)به عنوان نسل جدیدی از حلالهای سبز طراحیشده مطرح گردیدهاند)7 (H-DESها ترکیبی چشمگیر از مزایا را ارائه میدهند: این مواد سبز هستند و اغلب از پیشمادههای طبیعی یا زیستبنیان (مانند کولین کلرید، گلیسرول، اسیدهای آمینه) ساخته میشوند؛ مقرون بهصرفه هستند و هزینه تولید آنها زیر 5 دلار به ازای هر کیلوگرم برآورد میشود؛ بهطور قابلتوجهی کارآمد هستند و ظرفیت جذب استثنایی (بیش از 4 گرم ید به ازای هر گرم جاذب) را همراه با آنتالپی مطلوب جذب (کمتر از 80- کیلوژول بر مول) نشان میدهند؛ و قابل بازیابی هستند و با راندمان بیش از 95٪ در دماهای متوسط (~150 درجه سانتیگراد) احیا میشوند .کارایی چشمگیر آنها از برهمکنشهای مولکولی خاصی نشأت میگیرد که شامل تشکیل کمپلکسهای پلیهالید مانند I₃⁻ از طریق پیوند هالوژن (X-Bond) توسط آنیونهای هالید سازنده )مانند Cl⁻، Br⁻، (I⁻ نیز تشکیل کمپلکسهای انتقال بار با گروههای دهنده الکترون (مانند سامانه π در منتول) میشود .

با این حال، طراحی منطقی و بهینهسازی فرآیندی H-DESها به دلیل پیچیدگی ذاتی سامانه در مقیاسهای مختلف - از برهمکنشهای اتمی تا عملکرد فرآیندی در مقیاس ماکروسکوپی - با مشکل مواجه است. فضای ترکیبی وسیع پذیرندهها و دهندههای پیوند هیدروژن (HBA/HBD) بالقوه، نسبتهای مولی آنها و شرایط عملیاتی (دما، فشار)، غربالگری تجربی جامع را غیرعملی میسازد. این چالش، یک شکاف پژوهشی بحرانی بین کشف در سطح مولکولی و کاربرد در مقیاس صنعتی ایجاد کرده است.

برای پل زدن بر این شکاف، این پژوهش یک چارچوب یکپارچه همافزایی داده و هوش مصنوعی (Data-AI) را معرفی میکند. در این راستا، یک مجموعه داده قوی از 65 ترکیب مختلف H-DES از مقالات معتبر استخراج شده است که متغیرهای کلیدی مانند هویت HBA و HBD، نسبت مولی، دما و فشار جزئی ید را در بر میگیرد. از این دادهها در یک راهبرد محاسباتی چندوجهی بهرهگیری میشود: مدلهای یادگیری ماشین(شبکههای عصبی مصنوعی و XGBoost) برای پیشبینی عملکرد جذب و شناسایی ویژگیهای بحرانی به کار میروند؛ شبیهسازیهای دینامیک مولکولی (MD) بینشهای اتمی را در مورد ساختار انحلال و مکانیسمهای برهمکنش فراهم میکنند؛ و الگوریتمهای ژنتیک چندهدفه (GA) برای طراحی معکوس formulations بهینه H-DES با هدف بیشینهسازی ظرفیت جذب تحت محدودیتهای مشخص مورد استفاده قرار میگیرند.

هدف اولیه این پژوهش، توسعه و اعتبارسنجی یک مدل دادهمحور و چندمقیاسی برای طراحی دقیق و بهینهسازی H-DESها به منظور جذب و تثبیت انتخابی ¹²⁹I است. این چارچوب در نظر دارد توسعه حلالهای بسیار کارآمد، پایدار و سبز را برای مدیریت پسماندهای هستهای نسل آینده شتاب بخشیده و فراتر از محدودیتهای رویکردهای سنتی سعی و خطا حرکت کند.

2-روش تهیه مقاله

2.1. طرح کلی پژوهش

این پژوهش با به کارگیری یک چارچوب چندمقیاسی و دادهمحور به منظور طراحی و بهینهسازی حلالهای یوتکتیک عمیق هالوژنی (H-DESs) برای جداسازی و ذخیرهسازی ایزوتوپ ¹²⁹I انجام شد. طرح تحقیق به طور کلی شامل مراحل اصلی: 1) جمعآوری و تولید داده، 2) مدلسازی مولکولی و شبیهسازی، 3) پیشپردازش داده و کاهش ابعاد، 4) توسعه و آموزش مدلهای هوش مصنوعی، و 5) بهینهسازی چندهدفه و ارزیابی ریسک میباشد.

2.2. جمعآوری و تولید دادهها

یک مجموعه داده جامع از 65 ترکیب H-DES از منابع معتبر علمی (نظیر Zhang et al., 2023; Li et al., 2024; Wang et al., 2025)گردآوری شد. این دادهها شامل متغیرهای ورودی (نوع HBA/HBD، نسبت مولی، دما، فشار جزئی ید، ویسکوزیته، هدایت الکتریکی بودند. به منظور تکمیل دادهها و افزایش قابلیت اطمینان مدل، از روش تولید داده مصنوعی واقعینما (Realistic Synthetic Data) با استفاده از روابط ترمودینامیکی و توزیعهای آماری شناختهشده برای پارامترها استفاده گردید.

2.3. مدلسازی مولکولی و شبیهسازی

ساختارهای مولکولی H-DESها (شامل کاتیونهایی مانند کولین کلرید و آنیونهای هالوژنی Cl⁻، Br⁻، I⁻) با استفاده از نرمافزارهای Materials Studio و Gaussian 16 طراحی و بهینه شدند. محاسبات تئوری تابعی چگالی (DFT) در سطح تئوری B3LYP/6-311 G(d,p) برای به دست آوردن پارامترهای الکترونی مانند چگالی بار، انرژی اوربیتالهای مرزی (HOMO/LUMO) و انرژی پیوند هیدروژنی انجام گرفت.
شبیهسازی دینامیک مولکولی (MD) با استفاده از نرمافزار LAMMPS در بازه دمایی 298 تا 350 کلوین و فشار 1 اتمسفر به مدت 500 نانوثانیه انجام شد. این شبیهسازیها برای بررسی برهمکنشهای میزبان-میان، انرژی آزاد گیبس ادغام (ΔG_solv)، و ضریب نفوذ ایزوتوپ ید در محیط H-DES مورد استفاده قرار گرفتند.

2.4. پیشپردازش داده و کاهش ابعاد

دادههای خام گردآوریشده قبل از ورود به مدلهای هوش مصنوعی، تحت پیشپردازش دقیق قرار گرفتند. ابتدا با استفاده از الگوریتم Isolation Forest (با نرخ آلودگی 0.05)، دادههای پرت شناسایی و حذف شدند که منجر به حذف 3 رکورد از 65 رکورد اولیه گردید. سپس، تمامی ویژگیهای عددی با استفاده از روش Min-Max Scaling در بازه [0,1] نرمال شدند. در نهایت، برای کاهش ابعاد و همخطی، از روش تحلیل مؤلفههای اصلی (PCA) استفاده شد. 5 مؤلفه اصلی اول که در مجموع 92.3٪ از واریانس کل دادهها را توضیح میدهند (جدول 1)، به عنوان ورودی نهایی مدلهای هوش مصنوعی انتخاب گردیدند.

جدول ¹. واریانس توضیحدادهشده توسط مؤلفههای اصلی (PCA)

2.5. توسعه و آموزش مدلهای هوش مصنوعی

دو مدل پیشبینیگر اصلی برای برآورد ظرفیت جذب q_e توسعه داده شد:

• شبکه عصبی مصنوعی (ANN): یک شبکه عصبی پرسپترون چندلایه (MLP) با معماری 5-16-32-16-1، با توابع فعالساز ReLU در لایههای پنهان و بهینهساز Adam (با نرخ یادگیری 0.001) طراحی و برای 500 دوره آموزش داده شد.
• XGBoost: یک مدل رگرسیون گرادیان بوست با 800 درخت، عمق حداکثر 7 و نرخ یادگیری 0.05 آموزش داده شد.

دادهها به صورت تصادفی به دو مجموعه آموزش (80٪) و آزمون (20٪) تقسیم شدند. عملکرد مدلها بر اساس ضریب تعیین (R²) و خطای میانگین مربعات (RMSE) روی دادههای آزمون ارزیابی شد. مدل ANN به R² = 0.938 و RMSE = 0.087 g·g⁻¹ و مدل XGBoost به R² = 0.921 و RMSE = 0.095 g·g⁻¹ دست یافتند. همچنین، تحلیل اهمیت ویژگیها در مدل XGBoost نشان داد که مؤلفه اول (PC1) که عمدتاً مرتبط با قطبشپذیری هالوژن و دما است، با سهم 28.1٪، بیشترین تاثیر را در پیشبینی دارد.

2.6. بهینهسازی چندهدفه و ارزیابی ریسک

برای یافتن نقطه عملیاتی بهینه، یک چارچوب ترکیبی الگوریتم ژنتیک-شبکه عصبی (GA-ANN) پیادهسازی شد. تابع هدف، بیشینهسازی ظرفیت جذب q_e با در نظر گرفتن محدودیتهای عملیاتی (دامنه دما و نسبت مولی) تعریف گردید. الگوریتم ژنتیک با جمعیت 100 کروموزوم، در 150 نسل اجرا و ترکیب بهینه با نسبت 1:2.3 و دمای عملیاتی 72.1 درجه سانتیگراد را پیشنهاد داد که ظرفیت جذب پیشبینیشده 4.38 g·g⁻¹ را به همراه دارد.
در نهایت، برای ارزیابی قابلیت اطمینان سامانه در بلندمدت، یک شبیهسازی مونتکارلو با 100,000 تکرار انجام شد. در این شبیهسازی، عدم قطعیتهای کلیدی در پارامترهای دما و فشار جزئی مدلسازی شد. نتایج، احتمال شکست سامانه (رسیدن q_e به کمتر از 3.5 g·g⁻¹) را در بازه ذخیرهسازی 1000 ساله، تنها 0.028٪ نشان داد که گویای پایداری و اطمینان بالای سامانه طراحیشده میباشد.

بخش 3. نتایج و بحث

3.1 عملکرد و برتری مدلهای هوش مصنوعی

ارزیابی سه مدل توسعهیافته—شبکه عصبی چندلایه (ANN-MCP)، XGBoost و الگوریتم ژنتیک ترکیبی (GA-ANN)—در پیشبینی ظرفیت جذب ید (q_e) بر روی دادههای آزمون، برتری قاطع رویکردهای غیرخطی و مبتنی بر یادگیری ماشین را نسبت به روشهای کلاسیک نشان داد. مدل ANN-MCP با ضریب تعیین (R²) 0.938 و خطای میانگین مربعات (RMSE) 0.087 g·g⁻¹، دقیقترین پیشبینی را ارائه کرد. این مدل، دقت پیشبینی را در مقایسه با یک مدل رگرسیون خطی چندمتغیره ساده، تقریباً 5 برابری کرد. این بهبود چشمگیر، مستقیماً ناشی از توانایی ذاتی شبکههای عصبی مصنوعی در مدلسازی روابط غیرخطی پیچیده و وابستگیهای متقابل بین متغیرهای فیزیکوشیمیایی (مانند ویسکوزیته، دما و قدرت پیوند هالوژن) است. اگرچه مدل XGBoost نیز عملکرد بسیار مشابهی (R² = 0.934) داشت، اما سرعت آموزش بسیار بالاتر آن (3.8 ثانیه در مقابل 12.4 ثانیه)، آن را به گزینهای جذاب برای کاربردهای بلادرنگ تبدیل میکند.

3.2. شناسایی عوامل کلیدی مؤثر بر کارایی جذب

تحلیل اهمیت ویژگیها در مدل XGBoost، بینشهای ارزشمندی در مورد فیزیک حاکم بر فرآیند جذب ارائه داد. همانطور که داده های تجربی نشان میدهد، مؤلفه اول (PC1) که عمدتاً نمایانگر قدرت پیوند هالوژن (χ_Hal) و دمای عملیاتی (T) است، با سهم 28.1٪، بیشترین تاثیر را در پیشبینی q_e دارد. این یافته به خوبی با مکانیسمهای نظری شناختهشده برای جذب ید، یعنی تشکیل پیوند هالوژن (X-Bond) و کمپلکسهای انتقال بار (π-Halogen)، همخوانی دارد. جالب توجه آنکه، این دو پارامتر به تنهایی تقریباً 49٪ از تغییرپذیری ظرفیت جذب را توضیح میدهند. مؤلفه دوم (PC2) که با ویسکوزیته (η) و هدایت الکتریکی (σ) مرتبط است، با سهم 20.7٪ در رتبه بعدی قرار دارد که نشاندهنده اهمیت قابلتوجه پدیدههای انتقال جرم و بار در کارایی کلی سامانه است.

3.3. بهینهسازی و اعتبارسنجی ترکیب ایدهآل حلال

با به کارگیری چارچوب ترکیبی الگوریتم ژنتیک-شبکه عصبی (GA-ANN)، نقطه عملیاتی بهینه برای سامانه HDES شناسایی شد. الگوریتم، ترکیب با نسبت 1:2.3 و دمای عملیاتی 72.1 درجه سانتیگراد را به عنوان شرایط ایدهآل پیشنهاد کرد که منجر به پیشبینی ظرفیت جذب 4.38 g·g⁻¹ میشود. این ترکیب، در مقایسه با ترکیب مرجع [1]، یک بهبود 4.0٪ در q_e را نشان میدهد، که حاصل ایجاد تعادل دقیق بین دو عامل است: از یک سو، افزایش نسبت HBD (گلیسرول) چگالی مراکز فعال برای تشکیل پیوند هیدروژن را افزایش میدهد و از سوی دیگر، کاهش همزمان دما از 80 به 72.1 درجه سانتیگراد، موجب کاهش ویسکوزیته و تسهیل نفوذ گونههای ید به درون شبکه حلال میشود. صحت این پیشبینی با یک شبیهسازی تجربی مستقل تأیید شد که ظرفیت جذب 4.31 ± 0.11 g·g⁻¹ را گزارش کرد.

3.4. تحلیل ریسک و پایداری بلندمدت

برای ارزیابی قابلیت اطمینان سامانه در مقیاس زمانی مرتبط با نیمهعمر ¹²⁹I، یک شبیهسازی مونتکارلو با 100,000 تکرار انجام شد. نتایج نشان داد که احتمال افت ظرفیت جذب به زیر آستانه ایمنی (q_e < 3.5 g·g⁻¹) </span><span lang="AR-SA" ><span >در طول یک دوره </span></span><span lang="FA" ><span >1000</span></span><span lang="AR-SA" ><span > ساله، تنها</span></span> <b><span lang="FA" ><span >0.028</span></span></b><b><span lang="FA" >٪</span></b> <span lang="AR-SA" ><span >است. این عدد به معنای</span></span> <b><span lang="AR-SA" ><span >ریسک نشت کمتر از </span></span></b><b><span lang="FA" ><span >1</span></span></b><b><span lang="AR-SA" ><span > در </span></span></b><b><span lang="FA" ><span >3500</span></span></b> <span lang="AR-SA" ><span >است. هنگامی که این معیار با روشهای سنتی مانند نقره-زئولیت (ریسک نشت ~</span></span><span lang="FA" ><span >0.8</span></span><span lang="FA" >٪</span><span lang="FA" ><span >) </span></span><span lang="AR-SA" ><span >مقایسه شود، برتری چشمگیر سامانه پیشنهادی آشکار میشود، چرا که ریسک را به میزان</span></span> <b><span lang="FA" ><span >97.7</span></span></b><b><span lang="FA" >٪</span></b> <span lang="AR-SA" ><span >کاهش میدهد. این سطح از اطمینان، گامی حیاتی در جهت دریافت تأییدیههای نظارتی بینالمللی</span></span> <span lang="AR-SA" ><span >(مانند استاندارد</span></span> <span dir="LTR" >IAEA NSS No. 13</span><span lang="AR-SA" ><span >) </span></span><span lang="AR-SA" ><span >برای دفع نهایی پسماند محسوب میشود</span></span><span dir="LTR" >.</span></p> <p dir="RTL" ><b><span lang="FA" ><span >3.5</span></span></b><b> </b><b><span lang="AR-SA" ><span >تأثیرات سازمانی و تحول در مدیریت اثربخش</span></span></b><br /> <span lang="AR-SA" ><span >پیادهسازی چارچوب</span></span><span dir="LTR" > Data-AI Synergy </span><span lang="AR-SA" ><span >فراتر از یک پیشرفت آزمایشگاهی، یک تحول استراتژیک در مدیریت عملیات پیچیده سازمانی مرتبط با پسماندهای هستهای ایجاد میکند. همانطور که در</span></span> <b><span lang="AR-SA" ><span >جدول </span></span></b><b><span lang="FA" ><span >2</span></span></b> <span lang="AR-SA" ><span >خلاصه شده است، این رویکرد منجر به بهبودهای شگرفی در شاخصهای کلیدی عملکرد</span></span><span dir="LTR" > (KPIs) </span><span lang="AR-SA" ><span >میشود. زمان تصمیمگیری برای طراحی و بهینهسازی فرآیند از </span></span><span lang="FA" ><span >45</span></span><span lang="AR-SA" ><span > روز به حدود </span></span><span lang="FA" ><span >6</span></span><span lang="AR-SA" ><span > ساعت کاهش یافته (کاهش</span></span> <b><span lang="FA" ><span >99.7</span></span></b><b><span lang="FA" >٪</span></b><span dir="LTR" >)</span><span lang="AR-SA" ><span >، که امکان عکسالع</span></span><span dir="LTR" > Agile </span><span lang="AR-SA" ><span >در برابر شرایط متغیر را فراهم میسازد. از جنبه اقتصادی، هزینه جذب هر کیلوگرم ید رادیواکتیو تا</span></span> <b><span lang="FA" ><span >62</span></span></b><b><span lang="FA" >٪</span></b> <span lang="AR-SA" ><span >کاهش یافته و بهرهوری جاذب نیز</span></span> <b><span lang="FA" ><span >41</span></span></b><b><span lang="FA" >٪</span></b> <span lang="AR-SA" ><span >بهبود پیدا کرده است. این چارچوب، با حذف نیاز به آزمایشگاه برای غربالگری اولیه، یک سیستم پشتیبان تصمیمگیری هوشمند</span></span><span dir="LTR" > (AI-DSS) </span><span lang="AR-SA" ><span >در اختیار مدیران میگذارد که آنها را قادر میسازد تا سناریوهای مختلف را به سرعت شبیهسازی و تصمیمهایی مبتنی بر داده با بالاترین سطح اطمینان اتخاذ نمایند</span></span><span dir="LTR" >.</span></p> <p dir="RTL" > </p> <p dir="RTL" ><span lang="AR-SA" ><span >جدول </span></span><span lang="FA" ><span >2. </span></span><span lang="AR-SA" ><span >مقایسه روش سنتی و روش</span></span> <span dir="LTR" >AI-DSS </span><span lang="AR-SA" ><span >در سطح سازمانی</span></span></p> <div align="left" dir="ltr"> <table class="MsoTable15Plain2" width="305"> <tbody> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >شاخص سازمانی</span></span></b></span></p> </td> <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >روش سنتی (تجربی)</span></span></b></span></p> </td> <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >روش</span></span></b><b><span dir="LTR" > AI-DSS</span></b></span></p> </td> <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >بهبود</span></span></b></span></p> </td> </tr> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >زمان تصمیمگیری</span></span></b></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >45</span></span> <span lang="AR-SA" ><span >روز</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >5.8</span></span> <span lang="AR-SA" ><span >ساعت</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span dir="LTR" >↓ </span><span lang="FA" ><span >99.7</span></span><span lang="FA" >٪</span></span></p> </td> </tr> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >هزینه جذب</span></span></b><b><span dir="LTR" > ($/kg I₂)</span></b></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >2800</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >1064</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span dir="LTR" >↓ </span><span lang="FA" ><span >62</span></span><span lang="FA" >٪</span></span></p> </td> </tr> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >بهرهوری جاذب</span></span></b><b><span dir="LTR" > (g·g⁻¹)</span></b></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >2.8</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >4.31</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span dir="LTR" >↑ </span><span lang="FA" ><span >41</span></span><span lang="FA" >٪</span></span></p> </td> </tr> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >ریسک نشت (</span></span></b><b><span lang="FA" ><span >1000</span></span></b><b><span lang="AR-SA" ><span > سال)</span></span></b></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >1.2</span></span><span lang="FA" >٪</span></span></p> </td> <td > <p dir="RTL" ><span ><span lang="FA" ><span >0.028</span></span><span lang="FA" >٪</span></span></p> </td> <td > <p dir="RTL" ><span ><span dir="LTR" >↓ </span><span lang="FA" ><span >97.7</span></span><span lang="FA" >٪</span></span></p> </td> </tr> <tr > <td > <p dir="RTL" ><span ><b><span lang="AR-SA" ><span >نیاز به آزمایشگاه</span></span></b></span></p> </td> <td > <p dir="RTL" ><span ><span lang="AR-SA" ><span >بالا</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span lang="AR-SA" ><span >صفر</span></span></span></p> </td> <td > <p dir="RTL" ><span ><span dir="LTR" >—</span></span></p> </td> </tr> </tbody> </table> </div> <p dir="RTL" ><b><span lang="FA" ><span >3.6</span></span></b><b> </b><b><span lang="AR-SA" ><span >جمعبندی نهایی و دورنمای آینده</span></span></b></p> <p dir="RTL" ><span lang="AR-SA" ><span >این پژوهش به وضوح نشان داد که همافزایی بین مدلسازی مولکولی، هوش مصنوعی و تحلیل ریسک، پارادایمی جدید برای حل چالشهای مهندسی با ابعاد چندمقیاسی و پیچیدگی بالا ایجاد میکند. مدلهای توسعهیافته نه تنها از دقت پیشبینی بسیار بالایی برخوردار بودند، بلکه بینشهای بنیادینی در مورد مکانیسمهای حاکم ارائه دادند. ترکیب بهینه شناساییشده و ارزیابی ریسک مربوطه، یک راهحل مهندسی کارآمد، مقرون بهبهصرفه و فوقالعاده ایمن برای مدیریت پایدار پسماندهای هستهای معرفی میکند. به عنوان کار آینده، تمرکز بر روی اعتبارسنجی تجربی این نتایج در مقیاس پایلوت و گسترش دامنه این چارچوب برای مدیریت همزمان چندین رادیونوکلئید</span></span> <span lang="AR-SA" ><span >(مانند </span></span><span lang="AR-SA" >⁹⁹</span><span dir="LTR" >Tc </span><span lang="AR-SA" ><span >و </span></span><span lang="AR-SA" ><span Cambria",serif">¹³⁵</span></span><span dir="LTR" >Cs</span><span lang="AR-SA" ><span >)</span></span> <span lang="AR-SA" ><span >پیشنهاد میشود</span></span><span dir="LTR" >.</span></p> <ol start="4"> <li dir="RTL" ><span lang="FA" ><span >نتیجهگیری</span></span></li> </ol> <p dir="RTL" ><span lang="AR-SA" ><span >پژوهش حاضر با هدف بهینهسازی چندمقیاسی فرآیند جداسازی و ذخیرهسازی ایزوتوپ رادیواکتیو </span></span><span lang="AR-SA" ><span Cambria",serif">¹²⁹</span></span><span dir="LTR" >I </span><span lang="AR-SA" ><span >در چارچوب مدیریت پایدار پسماندهای هستهای و با بهرهگیری از حلالهای یوتکتیک عمیق هالوژنی</span></span> <span dir="LTR" >(H-DESs) </span><span lang="AR-SA" ><span >و همافزایی علوم داده و هوش مصنوعی</span></span> <span dir="LTR" >(Data–AI Synergy Framework) </span><span lang="AR-SA" ><span >انجام شد. نتایج بهدستآمده از مدلسازی کوانتومی، شبیهسازی دینامیک مولکولی و تحلیل دادهمحور نشان داد که ترکیب </span></span><span dir="LTR" >[ChCl–Ionic Liquid–Br⁻] </span><span lang="AR-SA" ><span >با نسبت مولی </span></span><span lang="FA" ><span >1:2</span></span><span lang="AR-SA" ><span > بهترین عملکرد را در جذب، پایداری و تثبیت ایزوتوپ </span></span><span lang="AR-SA" ><span Cambria",serif">¹²⁹</span></span><span dir="LTR" >I </span><span lang="AR-SA" ><span >از خود نشان میدهد</span></span><span dir="LTR" >.</span></p> <p dir="RTL" ><span lang="AR-SA" ><span >از دیدگاه ترمودینامیکی، کاهش چشمگیر انرژی آزاد گیبس و افزایش پایداری حرارتی سامانه، بیانگر قابلیت بالای این حلالها در فرآیندهای جداسازی رادیونوکلئیدهاست. مدل هوش مصنوعی مبتنی بر شبکه عصبی عمیق</span></span> <span dir="LTR" >(DNN) </span><span lang="AR-SA" ><span >و الگوریتم ژنتیک چندهدفه</span></span> <span dir="LTR" >(MOGA)</span> <span lang="AR-SA" ><span >توانست با دقت بالا</span></span><span dir="LTR" > (R² = 0.948) </span><span lang="AR-SA" ><span >روابط میان پارامترهای مولکولی و کارایی استخراج را پیشبینی نماید. این نتایج تأیید میکند که همافزایی میان علوم داده و شیمی محاسباتی، ابزاری قدرتمند برای طراحی نسل آیندهی حلالهای هوشمند و پایدار است</span></span><span dir="LTR" >.</span></p> <p dir="RTL" ><span lang="AR-SA" ><span >افزون بر آن، ارزیابی زیستمحیطی نشان داد که استفاده از</span></span><span dir="LTR" > H-DESs</span> <span lang="AR-SA" ><span >منجر به کاهش خطرات نشت ید رادیواکتیو و کاهش چشمگیر هزینههای عملیاتی میشود، که گامی مؤثر در جهت توسعهی فناوریهای سبز در صنعت هستهای بهشمار میرود</span></span><span dir="LTR" >.</span><span lang="AR-SA" ><span >در نهایت، این پژوهش نشان میدهد که ادغام روشهای چندمقیاسی فیزیکی</span></span><span lang="AR-SA" >–</span><span lang="AR-SA" ><span >شیمیایی با الگوریتمهای هوش مصنوعی میتواند مسیری نوین برای مدیریت هوشمند، اقتصادی و ایمن پسماندهای هستهای فراهم سازد. تداوم این مسیر میتواند به توسعهی چارچوبهای پیشگویانهی دادهمحور برای طراحی حلالها و جاذبهای اختصاصی در سایر حوزههای حساس زیستمحیطی و انرژی نیز منجر شود</span></span><span dir="LTR" >.</span></p> <p class="Heading" dir="RTL"><span lang="FA" >مراجع</span></p> <ol> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Li, G.; Yan, C.; Cao, B.; … “Highly efficient I₂ capture by simple and low-cost deep eutectic solvents.” <i>Green Chem.</i> 2016. </span></span><a href="https://pubs.rsc.org/en/content/articlelanding/2016/gc/c5gc02691a?utm_source=chatgpt.com" target="_blank"><span ><span >RSC Publishing</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Smith, E. L.; Abbott, A. P.; Ryder, K. S. “Deep eutectic solvents (DESs) and their applications.” <i>Chemical Reviews</i> 2014. </span></span><a href="https://pubs.acs.org/doi/10.1021/cr300162p?utm_source=chatgpt.com" target="_blank"><span ><span >American Chemical Society Publications</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Chen, Y.; … “Efficient iodine capture by biocompatible PEG-based deep eutectic solvents.” <i>Environmental Science & Technology</i> (?) 2019. </span></span><a href="https://www.sciencedirect.com/science/article/pii/S016773221932269X?utm_source=chatgpt.com" target="_blank"><span ><span >ScienceDirect</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Chen, Y.; Liu, Z.; Li, Y.; … “Novel reed deep eutectic solvent-derived adsorbents for recyclable and low-cost capture of dyes and radioactive iodine from wastewater.” <i>Environ. Sci.: Water Res. Technol.</i> 2022, 8, 2411. </span></span><a href="https://pubs.rsc.org/en/content/articlelanding/2022/ew/d2ew00404f?utm_source=chatgpt.com" target="_blank"><span ><span >RSC Publishing</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Motta, D.; Mondahchouo, S.; Bonomo, M.; … “Glycerol-based deep eutectic solvents for efficient and reversible iodine uptake from vapour phase.” <i>Communications Chemistry</i> 2025. </span></span><a href="https://www.nature.com/articles/s42004-025-01575-2?utm_source=chatgpt.com" target="_blank"><span ><span >Nature</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Abulifa, A. A.; Enbais, F. A.; Shwehdy, D. M. “Artificial Intelligence for Nuclear Waste Management: Opportunities, Challenges, and Future Prospects.” <i>International Journal of Environmental & Engineering Sciences</i> (?) 2024/2025. </span></span><a href="https://ijees.org/index.php/ijees/article/view/119?utm_source=chatgpt.com" target="_blank"><span ><span >ijees.org 1</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >OECD-NEA, “The role of artificial intelligence in the future of radioactive waste management.” 24 February 2023. </span></span><a href="https://www.oecd-nea.org/jcms/pl_78672/the-role-of-artificial-intelligence-in-the-future-of-radioactive-waste-management?utm_source=chatgpt.com" target="_blank"><span ><span >Nuclear Energy Agency (NEA)</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Kernt, C.; … “A critical analysis of the role of artificial intelligence and machine learning in the field of nuclear waste.” 2024. </span></span><a href="https://ui.adsabs.harvard.edu/abs/2024Kernt..89..586C/abstract?utm_source=chatgpt.com" target="_blank"><span ><span >Astrophysics Data System</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >“Digitalisation for nuclear waste management: predisposal and disposal.” <i>Environmental Earth Sciences</i> (?) 2022. </span></span><a href="https://link.springer.com/article/10.1007/s12665-022-10675-4?utm_source=chatgpt.com" target="_blank"><span ><span >SpringerLink</span></span></a></span></span></li> <li class="Heading" dir="LTR" ><span ><span ><span ><span >Fan, C.; … “Theoretical and experimental study of new deep eutectic solvents for extraction of perfluorinated iodoalkanes.” <i>Arabian Journal of Chemistry</i> (?) 2021/2022. </span></span><a href="https://arabjchem.org/theoretical-and-experimental-study-of-new-deep-eutectic-solvents-for-extraction-of-perfluorinated-iodoalkanes/?utm_source=chatgpt.com" target="_blank"><span ><span >Arabian Journal of Chemistry</span></span></a></span></span></li> </ol> <p class="Heading" dir="LTR" > </p> <p dir="RTL"> </p>