ETUDE ET MODELISATION DE L’ADSORPTION COMPETITIVE

Abstract

Dans cette étude, nous avons modélisé le phénomène d’adsorption compétitive pour différents composés afin de prédire la quantité adsorbée de chaque constituant. Cette étude regroupe trois contributions dont la première consiste à établir un modèle neuronale capable de prédire les quantités adsorbées des colorants pour un système ternaire. Les résultats montrent que le réseau de neurones statiques optimisé (RNSO) a une architecture de neurones (9-11- 4-3) pour la couche d'entrée, la première couche cachée, la deuxième couche cachée et la couche de sortie respectivement. Le RNSO reproduit fidèlement les données expérimentales tirées de la littérature avec une très bonne précision : une erreur quadratique moyenne MSE = 0.3682 et un coefficient de corrélation R2 = 0.9998, ces résultats confirme la robustesse du modèle neuronal établi. Dans la deuxième contribution nous avons modélisé le phénomène de l’adsorption compétitive des composés organiques pour un système ternaire afin de prédire la quantité adsorbée, en utilisant une méthode basée sur l'intelligence artificielle. Cette méthode a été programmée en utilisant le logiciel MATLAB. Les résultats montrent que le réseau de neurone statiques optimisé (RNSO) a une architecture de neurones {5-9-3} pour la couche d'entrée, couche cachée et la couche de sortie respectivement. Le modèle RNSO est précis, stable et rapide où nous avons obtenu une erreur quadratique moyenne MSE = 0,52. Dans la même perspective, La troisième contribution consiste à faire une étude comparative entre deux modèles proposés de l’adsorption compétitive et neuf modèles proposés dans littérature. Les résultats montrent que le modèle de Freundelich et le modèle proposé 1 sont les plus appropriés à décrire la cinétique de phénomène de l’adsorption compétitive de système sélectionné, ce qui a été expliqué par une erreur absolue relative moyenne minimale AARD = 14.94% et 17.56% et un coefficient de régression R = 0.8174 et 0.8009 respectivement.