MODELISATION DES PHENOMENES D’ADSORPTION DYNAMIQUE

Abstract

Modélisation des phénomènes d'adsorption dynamique L'objectif principal de cette thèse est l’application des techniques d'intelligence artificielle pour prédire avec précision l'adsorption dynamique de polluants organiques en présence de charbon actif dans différentes conditions opératoires dont les points des données expérimentales ont été tirés directement de la littérature. Dans ce travail, deux contributions ont été apportées, la première concerne l’application de réseaux de neurones artificiels pour prédire l’adsorption dynamique des multi-systèmes constitués de 15 composés organiques sur le charbon actif comprend une base de données de 5951 valeurs expérimentales. L’architecture optimisé du RNA contient huit neurones dans la couche d’entrée correspond aux huit paramètres d’entrés, quarante-cinq neurones dans la couche cachée et un seul dans la couche de sortie correspond à la concentration réduite de polluants organiques. L’algorithme de retro-propagation Levenberg-Marquardt (LM) a été appliqué. Les fonctions de transfert sigmoïde logarithmique (Logsig) et tangente hyperbolique (Tansig) sont utilisées respectivement pour la couche cachée et la couche de sortie. Les résultats obtenus montrent la grande capacité d’estimation de modèle neuronal conçu avec un coefficient de corrélation (R=0,997) et la racine carrée de l’erreur quadratique moyenne (REQM=0,029). Une analyse de la sensibilité de l’importance relative des variables d'entrée sur la sortie montre que tous les paramètres d'entrées ont une influence considérable sur la concentration réduite. Où ils ne pouvaient pas être négligés. La deuxième contribution comprend également une étude comparative de l'efficacité de trois techniques d'intelligence computationnelle pour la modélisation d'adsorption dynamique multisystèmes sur le charbon actif contient 34 composés avec 11763 valeurs expérimentales. Six paramètres d'entrée ont été utilisés. Les techniques comparées sont les réseaux neuronaux artificiels (RNA), le système d'inférence neuro-floue adaptatif (ANFIS) et la machine à vecteurs de support (SVM). Cinq modèles ont été développés : RNA avec des fonctions conventionnelles, RNA avec une nouvelle fonction de transport appelée "SPOCU", (SVM), (SVM) les libellules associées aux algorithmes (DA) et ANFIS. Les résultats obtenus montrent la supériorité du modèle (SVM-DA) avec R=0,99 par rapport aux performances des autres modèles (MLP-RNA avec R=0,975), (MLP-RNA-SPOCU avec R=0,979) et (SVM avec R=0,987) (ANFIS avec R=0,813). Une étude de la sensibilité des paramètres d'entrées et une étude de données probablement douteuse. Montrent que tous les paramètres d'entrées ont une influence considérable sur la concentration réduite pour la base de données. Pour garder une trace des résultats prédits, un programme informatique a été conçu pour exécuter le programme optimisé pour ce modèle. Enfin une application réelle du modèle SVM-DA montre sa capacité à prédire la quantité adsorbée de l'hypochlorite de sodium sur GAC avec REQM=2,52 acceptable et R=0,981.