Contribution A La Modelisation De L’adsorption Dynamique : Etude Comparative

Résumé: Contribution à la modélisation de l’adsorption dynamique : Etude comparative L’objectif de ce travail est de développer un réseau de neurone artificiel (RNA) pour prédire l’adsorption dynamique de trois systèmes d’adsorbants-adsorbats organiques dans la phase solide liquide sous différents conditions opératoires. Trois systèmes ont été étudiés : Le premier système simple constitue de p-nitrophénol /résine NDA 100. Neuf neurones ont été utilisés dans la couche d’entrée correspond aux neuf paramètres d’entrés, quatre neurones dans la couche cachée et un seul dans la couche de sortie correspond à la concentration réduite. L’algorithme de retro-propagation Levenberg-Marquardt a été appliqué. Les fonctions de transfert tangent sigmoïde et linéaire sont utilisées respectivement pour la couche cachée et la couche de sortie. Les résultats obtenus par le RNA présentent un coefficient de corrélation R2 = 0.9992 avec une erreur quadratique moyenne EQM = 0.00028. Une interpolation et une prédiction sont faites pour tester la fiabilité de notre réseau. Les résultats montrent que le modèle proposé est capable de prédire avec précision la concentration réduite du phénomène d’adsorption dynamique de pnitrophénol à l’aide d’une résine NDA-100. Le deuxième système est un système complexe comprend une base de données dimensionnelle de 2007 valeurs expérimentales. Neuf neurones ont été utilisés dans la couche d'entrée, quatorze neurones et dix neurones ont été utilisés respectivement dans la première et la deuxième couche cachée. Un neurone a été utilisé dans la couche de sortie. L'algorithme d’apprentissage Levenberg-Marquardt (LM) a été appliqué. Les fonctions de transfert logarithmique sigmoïde et linéaire ont été utilisées respectivement pour la couche cachée et la couche de sortie. Les résultats avec le RNA ont montré un coefficient de corrélation R2 = 0,9976 avec une racine carrée de l’erreur quadratique moyenne REQM = 0,0268. En outre, pour déterminer le modèle le plus approprié, les modèles Thomas et Bohart-Adams ont été appliqués. Les résultats ont montré que le modèle du réseau neuronal donne des résultats plus satisfaisants. Le troisième système est un système complexe comprend une base de données adimensionnelle de 1859 valeurs expérimentales. Pour ce système un réseau de neurone artificiel de perceptron multicouche (MLPRNA) et un modèle de régressions linéaires multiples (MLR) ont été développés. Pour le (MLP-RNA), neuf neurones ont été utilisés dans la couche d'entrée, seize neurones dans la couche cachée et un neurone à été utilisé dans la couche de sortie. L'algorithme Levenberg-Marquardt (LM) a été appliqué. Les fonctions de transferts logarithmiques sigmoïdes et linéaires ont été utilisées dans la couche cachée et la couche de sortie respectivement. Les résultats statistiques ont montré un coefficient de corrélation R = 0.991 avec une racine carrée de l’erreur quadratique moyenne R EQM = 0.0521 pour le modèle (MLP-RNA) et R = 0.80 avec REQM= 0.237 pour le modèle de (MLR). Ces résultats ont révélé la supériorité du modèle (MLP-RNA) dans la prédiction du processus d'adsorption dynamique.

Publié dans la revue: