Modélisation de l'élimination du phénol à partir d'une phase aqueuse par une méthode d'intelligence artificielle

Abstract

Ce projet vise à utiliser une méthode d'intelligence artificielle pour modéliser le processus d'adsorption dynamique du phénol à partir d'une solution aqueuse en utilisant la résine NDA-100 et le charbon actif (charbon commercial et charbon de boue) utilisés comme des adsorbants sous différentes conditions opératoires. Le modèle de RNA comprend sept (07) neurones dans la couche d’entrée, 08 neurones dans la première couche cachée, 07 neurones dans la deuxième couche cachée et un seul dans la couche de sortie. L'algorithme d'apprentissage utilisé est de rétropropagation Levenberg-Marquardt . Les fonctions d’activations logarithmique sigmoïde (Logsig) et linéaire (purelin) ont été utilisées dans les couches cachées et la couche de sortie respectivement. Les résultats de la modélisation de réseau de neurone artificiel ont révélé un bon accord entre les données expérimentales et prédites, avec un coefficient de corrélation R de 0,9312 et une racine carrée de l’erreur quadratique moyenne REQM de 0,1490. De plus, la comparaison entre le modèle du RNA optimisé et les méthodes mathématiques telles que le modèle de Thomas et le modèle de Bohart-Adams a montré que le modèle neuronal prouvait des résultats plus élevés et plus précis, confirmant la robustesse du modèle de réseau de neurone artificiel pour prédire le processus d'adsorption dynamique du phénol à partir d'une solution aqueuse sous differents adsorbants et sous differentes conditions opératoires