CONTRIBUTION A LA MODELISATION DE L’ADSORPTION MULTI COMPOSANTS. ETUDE COMPARATIVE

Abstract

Ce travail examine l'utilisation des réseaux de neurones, de la regression linéaire multiple et des réseaux de neurones de type Bootstrap pour la modélisation du processus d'adsorption de mélanges de gaz (CO2, CH4 et N2) sur différents charbons actifs. Sept modèles de réseau de neurones feed-forward, caractérisés par des structures différentes, sont construits dans le but de prédire l'adsorption de mélanges de gaz. Un ensemble de 417, 625, 143, 87, 64, 64 et 40 points de données pour RN1 à RN7 respectivement ont été utilisés pour tester les réseaux de neurones. 60%, 20% et 20% du total des données ont été utilisés, respectivement, pour l’apprentissage, la validation et le test. Pour chaque modèle, les résultats montrent un bon ajustement entre les valeurs prédites et expérimentales. De bonnes corrélations ont été trouvées (R = 0,99656 pour RN1, R = 0,99284 pour RN2, R = 0,99388 pour RN3, R = 0,99639 pour Q1 pour RN4, R = 0,99472 pour Q2 pour RN4, R = 0,99716 pour Q1 pour RN5, R = 0,99752 pour Q3 pour RN5, R = 0,99746 pour Q2 pour RN6, R = 0,99783 pour Q3 pour RN6, R = 0,9946 pour Q1 pour RN7, R = 0,99089 pour Q2 pour RN7 et R = 0,9947 pour Q3 pour RN7). La comparaison entre les résultats prédits et les modèles classiques (modèle de Gibbs, modèle de Langmuir généralisé à double site et la théorie de la solution idéale adsorbée) montre que les modèles neuronaux ont donné de meilleurs résultats. De plus, les valeurs prédites par les modèles RLM pour l’adsorption étaient en accord avec les valeurs expérimentales. La comparaison entre le modele (RNTB), le réseau neuronal singulier (RNS) et la régression linéaire multiple de type bootstrap (RLMTB) a révélé la supériorité du modèle RNTB