Modélisation de la solubilité de dioxyde de carbone dans les fluides supercritiques

Abstract

L’objectif de ce mémoire est le développement d’une méthodologie de calcul dans le but de modeler et/ou corréler la solubilité des CO2 dans les fluides supercritiques. Notre contribution a porté sur le développement d’une stratégie adoptant une méthode combinée basée sur les Réseau de Neurones Artificiel et les algorithmes d’optimisation par essaim particulaire (PSO) pour une modélisation simple, fiable et précise dans le but de corréler et/ou prédire la solubilité de CO2 dans 12 composés. Les RNA sont utilisés pour la modélisation de procédure non linéaire tandis que l’algorithme d’optimisation par essaim particulaire (PSO) a été appliqué pour deux fins : remplacement de l’algorithme de rétro-propagation standard dans l’apprentissage de réseau de neurones et l’optimisation du modèle neuronal obtenu. La comparaison en termes d’erreur entre le modèle neuronal formé avec l’algorithme de PSO (RNSO-PSO) et les modèles classiques, a démontré la grande capacité prédictive de modèle conçu par une architecture de [5, (10) ,1] en utilisant une méthode combinée de modélisation RNA avec PSO avec une erreur absolue relat ive moyenne maximale (AARD) de 1.88%.