Video Experimental Relacionado
Updated: Feb 10, 2026

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
Diseño de disolventes de extracción de oro utilizando modelos de aprendizaje automático.
Takuto Tsunemi1, Tatsuya Oshima2, Hiroki Yokota2
1Department of Applied Chemistry, School of Science and Technology, Meiji University, 1-1-1 Higashi-Mita, Tama-ku, Kawasaki, Kanagawa 214-8571, Japan.
Los investigadores desarrollaron modelos predictivos para encontrar nuevos disolventes para la extracción de oro. Estos modelos identificaron la (-) -fencona y la 4-fenil-2-butanona como alternativas efectivas al dibutilcarbitol (DBC) con una menor solubilidad en agua, reduciendo la contaminación acuosa.
Área de la Ciencia:
- * Química computacional y ciencias de los materiales.
- * Centrarse en la extracción de disolventes y la optimización de procesos químicos.
Sus antecedentes:
- * El dibutil carbitol (DBC) es un disolvente convencional para extraer oro (Au-III) después de la cloración, pero su alta solubilidad en agua causa contaminación de la fase acuosa.
- * La necesidad de disolventes eficientes para la extracción de oro con un impacto ambiental mínimo es fundamental en la hidrometalurgia.
Objetivo del estudio:
- * Desarrollar modelos predictivos para la extractabilidad del oro y la solubilidad del solvente en agua basados en descriptores moleculares.
- * Para identificar nuevos disolventes con alta eficiencia de extracción de oro y baja solubilidad en agua, superando las limitaciones de DBC.
Principales métodos:
- * Construcción de un modelo cuantitativo de relación estructura-propiedad (QSPR) utilizando descriptores moleculares (perfiles de densidad de carga COSMO-RS) y datos experimentales.
- * Aplicación de la selección de longitudes de onda basada en algoritmos genéticos para la selección de variables en los modelos predictivos.
- * Análisis inverso de los modelos establecidos para seleccionar candidatos óptimos a disolventes.
Principales resultados:
- * Los modelos predictivos para la extractabilidad del oro y la solubilidad en agua demostraron una alta precisión (coeficientes de correlación > 0,9).
- * La (-) -fencona y la 4-fenil-2-butanona fueron identificadas como disolventes prometedores.
- * Estos nuevos disolventes exhiben una extractabilidad del oro comparable al DBC pero con una solubilidad en agua significativamente menor.
Conclusiones:
- * El modelado predictivo es una herramienta poderosa para diseñar disolventes eficientes y respetuosos con el medio ambiente para la extracción de oro.
- * La (-) -fencona y la 4-fenil-2-butanona representan alternativas viables al DBC, ofreciendo una contaminación acuosa reducida.
- * El estudio proporciona un marco para el descubrimiento de nuevos disolventes en aplicaciones hidrometalúrgicas.
Videos de Conceptos Relacionados
Solvents
A...
Simplified Synchronous Machine Model
In this model, each generator is connected to a...
Wind Turbine Machine Models
Induction machines interact through the rotating magnetic field generated by the stator and the rotor. The key parameter is slip, which is the difference between synchronous speed and rotor speed relative to synchronous speed. Slip is...
Titration in Nonaqueous Solvents
Machines
A free-body diagram of the...
Group Design

