MODÉLISATION DE L’ADSORPTION MULTI-COMPOSANTS PAR LES TECHNIQUES D’INTELLIGENCE ARTIFICIELLE.

Abstract

L'objectif principal de cette thèse est l’application des techniques d'intelligence artificielle pour prédire avec précision la capacité d'adsorption du système d’adsorption multi-composants des polluants (métaux lourds, colorants et composés organiques) en présence des matériaux adsorbants. Cette prévisibilité a été modélisée en utilisant les réseaux de neurones artificiels "RNA" et les machines à vecteurs de support "DA-SVM". Les deux méthodes "RNA" et "DA-SVM" ont été construites et comparées. Dans le premier modèle, la méthode "RNA" a été utilisée avec un algorithme d'optimisation intégré. Cependant, dans le second modèle, la méthode "DA-SVM" a été utilisée en s’articulant sur un algorithme d'optimisation très récent et efficace "l'optimiseur de libellule (DA)". La précision des deux modèles a été évaluée à l'aide de trois critères de performances statistiques (erreur quadratique moyenne "RMSE", coefficient de détermination "R2" et coefficient de corrélation "R"). Les données expérimentales utilisées ont été collectées à partir d'articles précédemment publiés dans la littérature après avoir menées un test de sensibilité qui a été implémentée au moyen d’un diagramme de violant. La base des données regroupe certains adsorbats (polluants), notamment des ions de métaux lourds, des colorants et des composés organiques, ainsi que différents adsorbants naturels/synthétiques. L'ensemble de données s’articule sur cinq variables importantes englobant 1023 points expérimentaux ; les variables sont divisées en quatre entrées qui sont (le poids moléculaire, les concentrations d'équilibre de l'adsorbant, la surface spécifique de l'adsorbant et la température) et une seule sortie qui est la capacité d'adsorption à l'équilibre. Les données ont été divisées en utilisant la fonction "hold-out" en deux sous-ensembles (80 % pour l'ensemble d'entraînement et 20 % pour l'ensemble de test). La programmation a été effectuée à l'aide du logiciel MATLAB®. Les résultats obtenus montrent que le modèle optimisé "SVM-DA" avec une fonction de noyau RBF-Gaussien présente une bonne capacité de reproductibilité et de prédiction, avec un coefficient de détermination R2 = 0.997, un coefficient de corrélation R = 0.998 et une erreur quadratique moyenne RMSE Le meilleur modèle "SVM-DA" obtenu peut être utilisé pour prédire la capacité d'adsorption du système testé et fournir un outil d'optimisation des processus en réponse aux changements des conditions opératoires. Deux interfaces conviviales graphiques (GUI) ont été développées à partir de l'interface GUI MATLAB® pour estimer avec précision les réponses souhaitées en s’articulant sur les deux modèles "RNAO" et "SVMO-DA".