Contribution à la modélisation de l’extraction des plantes à intérêt environnemental : Etude comparative

Abstract

Contribution à la modélisation de l’extraction des plantes à intérêt environnemental : étude comparative Ce travail traite de la problématique de la prédiction des rendements d’extraction dans les procédés au dioxyde de carbone supercritique (CO2-SC) appliqués aux plantes médicinales et aromatiques, grâce à l’utilisation de la chimio-informatique et des techniques d’apprentissage profond. Deux contributions complémentaires sont proposées. La première contribution présente une approche prédictive hybride combinant réseaux de neurones convolutionnels et perceptrons multicouches (CNN-MLP). Cette architecture intègre les empreintes moléculaires des composés bioactifs ainsi que les principaux paramètres opératoires, et a été entraînée sur une base expérimentale de 694 expériences portant sur 21 espèces végétales. Les analyses comparatives avec des méthodes classiques d’apprentissage automatique, telles que la régression à vecteurs de support, les forêts aléatoires, la régression par processus gaussiens et XGBoost, mettent en évidence la supériorité du modèle CNN-MLP en termes de puissance prédictive et de robustesse (R² = 0,974 ; RMSE = 1,431 ; MAE = 0,728). Ces résultats confirment la pertinence de l’apprentissage profond pour modéliser les interactions non linéaires complexes inhérentes à l’extraction au CO2-SC, tout en réduisant les erreurs de prédiction et en améliorant la stabilité dans des conditions expérimentales variées. La seconde contribution s’appuie sur un ensemble indépendant de 502 échantillons issus de 26 espèces végétales pour évaluer trois architectures avancées d’apprentissage profond : MLP, CNN et autoencodeurs. Les résultats soulignent les performances remarquables du MLP, qui atteint R² = 0,961 ; RMSE = 2,1047 ; MAE = 1,2551 sur les données de test, confirmant ainsi sa forte capacité de généralisation à travers une grande diversité de conditions chimiques et opératoires. Dans l’ensemble, ces contributions démontrent l’efficacité des approches d’apprentissage profond pour appréhender la complexité des procédés d’extraction au CO2-SC, et ouvrent de nouvelles perspectives pour l’optimisation des conditions opératoires, l’accélération des stratégies d’extraction durable et la valorisation accrue des composés bioactifs dans les secteurs pharmaceutique, cosmétique et agroalimentaire.