Modélisation de l’adsorption multi-composants. Etude comparative

Abstract

La présence de métaux lourds dans les eaux usées et effluents industriels augmente ce qui conduit à un déséquilibre écologique. La solution de ce problème est de trouver une technique meilleure et plus efficace pour séparer ces contaminants (multi-métal) des eaux usées. La technique de séparation la plus utilisée est la méthode d'adsorption en raison de son coût réduit et de son faible entretien. Le but de ce travail est de modéliser le système d’adsorption multi-composant tertiaire (multi-métal) en utilisant des modèles basés sur l'intelligence artificielle. Dans ce travail la base de données a été recueillie à partir de documents scientifiques qui contiennent la cinétique d'adsorption de divers adsorbats sur différents adsorbants. Trois modèles ont été appliqués à savoir : les réseaux de neurones artificiels (RNA), machines à vecteurs de support (SVM), machine à vecteur de support moindre carré (LS-SVM), afin de prédire la quantité adsorbée de chaque ion. Cette étude regroupe deux contributions dont la première en utilisant les modèles RNA, SVM et LS-SVM. capablent de prédire les quantités adsorbées des métaux lourds pour un système ternaire. Les résultats montrent que le réseau neuronal statique optimisé a été trouvé avec une structure de {8-6-3}, fonction d'activation sigmoïde tangente pour le caché et le linéaire pour la couche de sortie, algorithme d'apprentissage Levenberg-Marquardt. Le meilleur RNA a été trouvé avec un coefficient de détermination R2 = [0,9960, 0,9957, 0,9958] et une erreur quadratique moyenne EQM= [1,4898, 0,1780, 0,1912] pour les trois sorties de l'ensemble de données global. Le modèle de machine à vecteur de support moindre carré optimisé a été trouvé avec un coefficient de détermination R2= [0,9964, 0,9969, 0,9939] et une erreur quadratique moyenne EQM= [1,3571, 0,1364, 0,2826] pour les trois sorties de l'ensemble de données global. Le modèle de machine à vecteur de support optimisé a été trouvé avec un coefficient de détermination R2= [0,9977, 0,9955, 0,9989] et une erreur quadratique moyenne EQM= [0,8983, 0,1957, 0,0482] pour les trois sorties et pour l'ensemble de données global. Les résultats obtenus ont montré que les trois modèles présentent de bonnes aptitudes pour prédire les quantités adsorbées, même si une légère préférence va pour le modèle SVM. Dans la deuxième contribution nous avons modélisé le phénomène de l’adsorption multi-composants des métaux lourds en utilisant la méthode SVM. Les résultats montrent que la performance de ce modèle été validée sur des données réelles et en employant quelques critères statistiques tels que EQM= [1.136, 0.694, 3.362], EAM= [0.547,0.478, 2.135] et R²= [0.9963, 0.9963, 0.9963], les résultats montrent que ce modèle est capable de prédire les trois quantités adsorbées avec de très grande précision.