Modélisation neuronale du système calco-carbonique pur

Abstract

Le tartre composé principalement du carbonate de calcium CaCO3, constitue l’un des principaux problèmes des eaux. Ainsi, l'utilisation des anti-tartres peut être efficace mais elle engendre des effets indésirables vis-à-vis l'environnement, l'économie et l'énergie consommée. Dans cette étude nous nous intéressons à la précipitation du carbonate de calcium CaCO3 dans une eau calco-carbonique pure. L’objectif attribué à ce travail est de modéliser l’équilibre calco-carbonique de l’eau en fonction de la température, le pH, le titre calcique TCa et la conductivité de l’eau par réseau de neurones artificiels (RNA). Un modèle neuronal RNA caractérisé par une structure de quatre neurones a été utilisés dans la couche d’entrée correspondant aux quatre paramètres d’entrée (la température, le pH, le titre calcique et la conductivité), onze neurones dans la couche cachée et un seul dans la couche de sortie correspondant à la sursaturation par rapport au carbonate de calcium. L’algorithme d’apprentissage (BFGS) a été appliqué. Les fonctions de Transfert (tanh) et (exp) sont utilisés respectivement pour la couche cachée et la couche de sortie. Le meilleur partage de la base de de données était de 60%, 20% et 20% pour l’apprentissage, le test et la validation, respectivement du modèle. Le RNA optimal a donné de bons coefficients de corrélation de 0,913; 0,992 et 0,908 pour l’apprentissage, le test et la validation. Ces résultats montrent que le modèle proposé est capable de prédire avec précision le système calco-carbonique dans le but de prévoir le risque d’entartrage afin de le prévenir.