MODELISATION DES EQUILIBRES DE PHASES A PRESSIONS ELEVEES

Abstract

L’objectif de cette thèse est le développement d’une méthodologie de calcul dans le but de modeler et/ou corréler la solubilité des solutés solides dans le dioxyde de carbone à l’état supercritique. L’application des deux équations cubiques Soave-Redlich-Kwong (SRK) et Peng- Robinson (PR) avec les deux règles de mélange Van Der Waals avec un paramètre d’interaction et Van Der Waals avec deux paramètres d’interaction et l’équation d’état Perturbed Chain Statistical Associated Fluid Theory (PC-SAFT) en utilisant la règle de mélange de Berthelot-lorentz pour l’estimation de la solubilité de huit solutés solides dans le CO2 supercritique ; le 1er système (I) qui contient trois équilibres binaires {(CO2 (1) + Nabumetone (2)), (CO2 (1) + Phénylbutazone (2)), (CO2 (1) + amide Salicylique (2))} où les substances en question sont des anti-inflammatoires non stéroïdiens; le 2ème système (II) se décompose de cinq équilibres de CO2-supercritique (1) + statines (2) où ces derniers sont prescrits pour diminuer le cholestérol et les risques des crises cardiaques. La comparaison des résultats obtenus en termes d’erreur moyenne a montré que l’équation d’état PC-SAFT (Erreur relative absolue moyenne (AARD) obtenues varient entre 2.9 % et 27.3 %) peut être utilisée pour la corrélation de la solubilité des solutés solides dans une phase supercritique avec une supériorité par rapport aux équations d’état cubiques (AARD varient entre 4.5 % et 74.7 % pour l’équation PR et entre 6.1 % et 75.6 % pour l’équation SRK) en utilisant un processus d’optimisation basé sur l’algorithme d’essaim. Le développement d’une stratégie adoptant les méthodes combinées basées sur les réseaux de neurones et l’algorithme d’essaim particulaire pour une modélisation simple, fiable et précise pour corréler et/ou prédire la solubilité des solutés solides dans CO2 supercritique avec un seul modèle neuronale. La comparaison en termes d’erreur entre le modèle neuronal formé avec l’algorithme d’essaim, le réseau de neurones formé avec l’algorithme de régularisation bayésienne et celui formé avec l’algorithme de levengberg-marquardt a démontré la grande capacité prédictive du modèle conçu avec une architecture de {7-(13,32)-1} en utilisant une méthode combinée de modélisation avec une erreur absolue relative globale de 1.86 % et ce par rapport aux modèles semi empiriques et aux équations d’état.