ELIMINATION DU PHÉNOL PAR UN PROCÉDÉ HYBRIDE FENTON// PEROXYDASE

Abstract

.Ce travail consiste à l’élaboration d’un modèle théorique destiné à prédire la perméabilité des différents polymères aux gaz (O2, N2, CO2, CH4). Pour chaque gaz, une base de données a été collectée à partir de la bibliographie comprenant 150 polymères, regroupés en familles, ainsi que leurs coefficients de perméabilité à une température données. Cette base a été utilisée dans deux études théoriques exploitant la relation quantitative structure-propriété. La première a été basée sur la méthode de contribution des groupes de YAMPOLSKII et a permis d’établir établi un modèle non linéaire en employant la méthode des réseaux de neurones artificiels (RNA) dans le but de prédire la perméabilité des polymères aux gaz. Quatre modèles neuronaux de type « feed-forward » ont été construits et optimisés. Ils se caractérisent par une structure similaire : le nombre de neurones dans la couche d'entrée selon le nombre des groupements de Yampolskii, les couches cachées avec leur nombre de neurones optimisé au cours du processus d’apprentissage et un neurone dans la couche de sortie. Une bonne concordance entre les valeurs des perméabilités expérimentales et prédites pour chaque modèle neuronal a été obtenue (les racines des erreurs quadratiques moyennes pour la base de test étaient respectivement de 150, 5.18, 5.5 et 2.2 pour le réseau de neurones décrivant la perméabilité de CO2, CH4, O2 et N2). Par ailleurs, la comparaison entre les modèles neuronaux optimisés et les modèles publiés de prédiction de la perméabilité a démontré la supériorité des modèles neuronaux. En plus de l’excellente corrélation des données expérimentales, les quatre modèles neuronaux utilisés ont montré une bonne capacité prédictive d’interpolation La deuxième partie de cette étude, a porté sur le calcul d’un nombre important de descripteurs moléculaires des structures 3D optimisées des polymères suivie d’une méthodologie d’optimisation, combinant une méthode de sélection des variables et un réseau de neurones artificiel (RNA). La fiabilité, la stabilité et le pouvoir prédictif des modèles sont évalués et prouvés par la validation externe et les paramètres statistique