PREDICTION NEURONALE DES COEFFICIENTS PERTINENTS DES PHENOMENES DE TRANSPORT : VISCOSITE, CONDUCTIVITE ET DIFFUSION MOLECULAIRE.

Abstract

Dans cette étude, un réseau de neurones artificiels (RNA) a été utilisé pour développer des modèles prédictifs permettant d'estimer des propriétés de transport à des pressions multiples, sur une large plage de températures et de substances gazeuses. Dans ce contexte, nous avons développé sept modèles neuronaux du type feedforward. Deux modèles destinés au calcul de la viscosité des gaz polaires et des gaz non polaires, trois modèles neuronaux pour l’estimation de la conductivité thermique des gaz monoatomiques et des gaz polyatomiques (polaires et non polaires), et les deux derniers modèles réservés au calcul du coefficient de diffusion des gaz. Un ensemble de 243 points de données pour la viscosité, 338 points de données pour la conductivité thermique, 1252 points de données pour le coefficient de diffusion ont été utilisés pour tester les réseaux de neurones. 70%, 15% et 15% de l’ensemble des données ont été utilisés respectivement pour l’apprentissage, la validation et le test des sept modèles. Les résultats montrent un bon ajustement entre les valeurs prédites et expérimentales pour chaque modèle; de bonnes corrélations ont été trouvées ((R =0,992 pour les gaz non polaires, R=0,991 pour les gaz polaires) concernant la viscosité ; (R = 0,997 pour les gaz monoatomiques, R = 0,988 pour les gaz polyatomiques polaires, R =0,993 pour les gaz polyatomiques non polaires) concernant la conductivité; (R = 0,982 pour RN1, R = 0,984 pour RN2) concernant la diffusivité). En fin, nous avons effectué une étude comparative entre les modèles neuronaux et les modèles proposés dans la littérature. Cette étude a révélé la précision et l’efficacité des modèles neuronaux conçus et optimisés pour la prédiction des propriétés de transport.