Modélisation des phénomènes de transports lors de l’osmose inverse

Abstract

L’objectif assigné à ce travail est d’élaborer des modèles QSAR (réseaux de neurones et régressions linéaires multiples) pour la modélisation du processus de la rétention des composés organiques (neutres et ioniques) par les membranes d'osmose inverse et de nanofiltration. Trois modèles neuronaux de type feedforward (QSAR-RN) caractérisés par une structure similaire (onze neurones pour QSAR-RN1et QSAR-RN2 et douze neurones pour QSAR-RN3 dans la couche d'entrée, une couche cachée et un neurone dans la couche de sortie) sont construits dans le but de prédire la rétention des composés organiques (neutres et ioniques). Un ensemble de 956 points de données pour QSAR-RN1 et 701 points de données pour QSAR RN2 et QSAR-RN3 ont été utilisés pour tester les réseaux de neurones. 80%, 10% et 10% de l'ensemble des données ont été utilisées respectivement pour l’apprentissage, la validation et le test des trois modèles. Pour les modèles les plus prometteurs de réseau neuronal, les valeurs de la rétention prédite de la base de données totale ont été comparées aux valeurs de la rétention mesurées, de bonnes corrélations ont été trouvées (R = 0.9128 pour QSAR- RN1, R = 0.9419 pour QSAR-RN2 et R = 0.9527 pour QSAR-RN3). Les racines des erreurs quadratiques moyennes pour la base de données totale étaient de 11.2430% pour QSAR-RN1, de 9.0742% pour QSAR-RN2 et de 8.2047% pour QSAR-RN3. Les valeurs prédites par QSAR-RLM pour la rétention étaient en accord avec les valeurs expérimentales (les racines des erreurs quadratiques moyennes pour la base de données totale étaient de 19.7134 pour QSAR-RLM1, de 19.3437 pour QSAR- RLM2 et de 18.8702 pour QSAR-RLM3). En outre, la comparaison des résultats entre les modèles de QSAR-RN et les modèles QSAR-RLM a montrée la supériorité des modèles QSAR-RN. Une étude comparative entre les modèles QSAR développés dans ce travail et les modèles QSAR de Yangali-Quintanilla montre la priorité de nos modèles QSAR.