CONTRIBUTION À LA MODÉLISATION DU COEFFICIENT D'ACTIVITÉ À DILUTION INFINIE DES SOLUTÉS ORGANIQUES ET DE L'EAU DANS LES LIQUIDES IONIQUES

Abstract

Contribution à la modélisation du coefficient d'activité à dilution infinie de l'eau et des solutés organiques dans les liquides ioniques Le coefficient d'activité à dilution infinie (IDAC) des solutés dans les liquides ioniques (LIs) est une propriété thermodynamique d'une importance primordiale dans les processus de séparation. Cependant, la modélisation précise de ce paramètre reste une tâche ardue en raison du comportement hautement non linéaire des systèmes soluté/LI. De plus, les modèles disponibles prennent en compte un grand nombre d'entrées généralement difficiles d'accès et nécessitent des techniques d'utilisation compliquées. Par conséquent, l'objectif principal de cette thèse est d'utiliser des techniques d'intelligence artificielle pour proposer des modèles (basés sur un nombre réduit d'entrées facilement accessibles) afin d’améliorer la précision de la performance corrélative d'IDAC des solutés organiques et de l'eau dans les LIs. Le présent travail porte sur l'application de réseaux de neurones artificiels, d'un système d'inférence neuro-floue adaptatif, d'une machine à vecteurs de support (SVM) et d'une machine à vecteurs de support aux moindres carrés (LSSVM), parmi des méthodes pilotées par données, pour la modélisation du coefficient d'activité à dilution infinie de l'eau dans des liquides ioniques. Globalement, les modèles proposés permettent de corréler avec précision les données expérimentales recueillies dans la littérature. Selon les résultats, l’ANN est une machine d’apprentissage informatique plus puissante et plus efficace que les deux machines restantes. Les coefficients de corrélation R et les écarts exprimés en écart relatif absolu moyen pour le modèle de réseau neuronal sont estimés à 0,99997 et 0,56%, respectivement. En outre, les capacités d’interpolation et d’extrapolation du modèle d'ANN sont démontrées et sa précision est comparée à d’autres modèles proposés dans la littérature sur la base de la régression multilinéaire, de la machine à vecteurs de support des moindres carrés et d’un autre réseau neuronal à action directe. Ce travail comprend également une interface utilisateur graphique pour le modèle proposé, ainsi qu’une analyse de sensibilité des entrées. Une autre contribution à la modélisation du coefficient d'activité à la dilution infinie de l'eau et des solutés organiques dans les liquides ioniques d'imidazolium est apportée à l'aide de 2666 points de données expérimentaux de la littérature. Les modèles sont développés par SVM et les libellules associées aux algorithmes SVM (Da-SVM). Les résultats montrent une meilleure performance de prédiction de modèle du Da-SVM par rapport à celle du SVM avec une erreur quadratique moyenne de 0,1785 et 0,2421 pour le Da-SVM et le SVM, respectivement.