Contribution à la modélisation des propriétés physiques et thermodynamiques des liquides ioniques purs et leurs mélanges

Abstract

Contribution à la modélisation des propriétés physique et thermodynamiques des liquides ioniques purs et leurs mélanges. Les liquides ioniques (LIs) constituent une nouvelle classe de liquides considérés comme des solvants verts innovants revêtant une grande importance du point de vue académique, industriel et environnemental, en raison de leurs propriétés attrayantes. Pour concevoir tout processus impliquant des LIs à l'échelle industrielle, il est nécessaire de connaître une gamme de propriétés physico-chimiques et thermodynamiques. Par conséquent, sa modélisation est extrêmement importante. L’objectif de ce travail était de développer des modèles QPSR contribuant à la modélisation de deux propriétés des liquides ioniques à savoir la tension superficielle de mélanges binaires et la solubilité du CO2 dans les LIs à l'aide des algorithmes d'apprentissage automatique. La première contribution a porté sur la prédiction de la tension de 62 mélanges binaires ( LI+Eau /différents solvants organiques ) pour une base de 1623 points de données expérimentales collectés à partir de la littérature par l'application des trois techniques d’intelligences computationnelles, le réseau neuronal artificiel prédictif (RNA), les machine à vecteurs de support des moindres carrés (LSSVM) et la machine à vecteurs de support optimisée par optimisation par essaim de particules (SVM-PSO). Globalement, les modèles proposés ont permis de corréler avec précision les données expérimentales. Cependant, la prédiction par le RNA était meilleure que les deux autres approches. Les coefficients de corrélation R et les écarts exprimés en écart relatif absolu moyen ERAM% pour le modèle de réseau neuronal sont estimés à 0.9979 et 0.8466%, respectivement. La deuxième contribution a porté sur la prédiction de la solubilité du CO2 dans 124 LIs pour une base de 10 116 données expérimentales à l'aide de réseau neuronal artificiel prédictif (RNA) et Machine à vecteurs de support optimisée par l'algorithme de libellule (DA-SVM). Les résultats obtenus ont montré que les deux modèles peuvent prédire de manière fiable la solubilité du CO2 dans les LI avec une légère supériorité du modèle RNA avec un coefficient de corrélation global R et un erreur absolue moyenne EAM de 0,9906, et 0,0199, respectivement