Développement des modèles de type RQSPRNA pour la prédiction des propriétés critiques des hydrocarbures.

Abstract

L’objectif principal de cette étude est de développer des modèles mathématiques de type RQSP-RNA, pour prédire trois paramètres critiques des hydrocarbures purs, utilisant le Réseau de Neurone Artificiel-Perceptron Multi Couches (RNA-PMC). Trois modèles ont été élaboré pour prédire trois propriétés critiques des hydrocarbures purs : la température critique (Tc), pression critique (Pc) et volume critique (Vc). Une base de données contient 1520 points a été utilisés, pour chaque modèle, ensuite elle a été divisée de manière aléatoire en trois sous-ensembles : 70% pour l’ensemble d’apprentissage, 15% pour l’ensemble de test et 15% pour l’ensemble de validation. 1970 descripteurs moléculaires ont été calculées à partir du logiciel on ligne PaDEL Descriptor, et ensuite une méthodologie statistique de réduction a été adoptée afin de sélectionner les descripteurs pertinents. L’algorithme BFGS a été appliqué afin d’entraîner le RNA. L’architecture des meilleurs modèles obtenus était : (10-27-1), (13-15-1) et (06-27-1), respectivement pour les modèles de paramètres : Tc, Pc et Vc. Les résultats des modèles obtenus ont montré une haute précision confirmée par les valeurs des coefficients de régression (R) et de détermination (R2) élevées, qui dépassent 0.975 dans les trois modèles. En plus les faibles valeurs de l’Erreur Standard de Prédiction (ESP) qui ne dépassent pas 2.023% pour Tc, 5.999% pour Pc, et 3.680% pour Vc. Les résultats d’analyse de sensibilité (méthode de poids) ont montré l’importance de chaque descripteur utilisé, dans lequel la majorité de descripteurs ont une grande ou moyenne contribution par rapport la valeur du contribution moyenne (VCM) de chaque modèle. Cette approche computationnelle peut être appliquée en l’ingénierie pétrolier ou d’autres domaines reliés pour détermination précise des propriétés : Tc, Pc et Vc des hydrocarbures purs par l’utilisation leurs structures chimiques.