Prédiction du flux d'eau et du flux inverse de soluté dans les processus d'osmose directe

Abstract

L’objectif de ce travail est d’élaborer deux modèles de réseaux de neurones artificiels (RNA) optimaux pour prédire le flux d’eau et le flux inverse de soluté dans les procédés d’osmose directe. Deux modèles neuronaux optimaux de type feedforward, caractérisés par une structure comprenant huit neurones dans la couche d’entrée, seize ou dix-sept neurones dans la couche cachée pour le flux de l’eau ou le flux inverse respectivement, et un neurone dans la couche de sortie, ont été construits afin de modéliser les transferts au sein des membranes. Un ensemble de 354 points de données a été utilisé. Pour les modèles les plus prometteurs, les valeurs prédites ont été comparées aux mesures expérimentales. De très bonnes corrélations ont été observées lors de la phase de test, avec un coefficient de corrélation R = 0.9237 et une REQM de 3.0500 L/m²·h pour le flux de l’eau, ainsi qu’un R = 0.9602 et une REQM de 7.5342 g/m²·h pour le flux inverse de soluté. L’analyse de sensibilité, effectuée selon la méthode des poids, a révélé que la prédiction de ces flux dépend fortement du paramètre structurel de la membrane, suivi des concentrations des solutions et du type de membrane, tandis que les températures exercent une influence moindre