Etude et modélisation des paramètres des équilibres et procédés de séparation

Abstract

Cette étude vise à développer des outils prédictifs robustes pour estimer la solubilité de composés pharmaceutiques dans le dioxyde de carbone supercritique (CO₂-SC), en réponse aux contraintes associées aux mesures expérimentales. Deux approches complémentaires ont été explorées : une corrélation semi-empirique améliorée et des techniques d’intelligence artificielle. La première approche repose sur l’exploitation d’une base de données regroupant 7469 points expérimentaux de solubilité pour 282 composés pharmaceutiques, extraits de la littérature entre 1994 et 2025. Un modèle basé sur la densité, dérivé de la corrélation à six paramètres de Si-Moussa et al., a été proposé. Ce modèle présente une excellente précision prédictive avec une erreur relative absolue moyenne ERAM de 7,24 %, un coefficient de corrélation R de 0,9987 et un coefficient de détermination R² de 0,994.La deuxième approche s’appuie sur une base de données de 939 points expérimentaux relatifs à 34 composés pharmaceutiques, incluant des anticancéreux et des antalgiques. Trois modèles ont été évalués : les réseaux de neurones artificiels (RNA), les machines à vecteurs de support avec noyau radial (SVM-RBF) et la corrélation semi-empirique proposée. Les résultats montrent que la corrélation semi-empirique se distingue par la meilleure précision avec une ERAM de 0,75 %, un R de 0,9980 et un R² de 0,9960. Les RNA confirment leur robustesse, atteignant une ERAM de 0,97 %, un R de 0,9962 et un R² de 0,9923, tandis que les SVM-RBF présentent des performances légèrement inférieures avec une ERAM de 1,50 %, un R de 0,9952 et un R² de 0,9904. Ces résultats confirment l’efficacité des approches développées et constituent un socle solide pour le développement futur de modèles prédictifs de solubilité dans le CO2 supercritique.