Techniques d'intelligence artificielle dans la modélisation du processus électrochimique pour le traitement des eaux résiduaires.

La transcription des symboles et des caractères spéciaux utilisés dans la version originale de ce résumé n’a pas été possible en raison de limitations techniques. La version correcte de ce résumé peut être lue en PDF. Les technologies électrochimiques sont connues et utilisées pour le traitement des eaux usées contenant des polluants organiques récalcitrants car les traitements conventionnels tels que les méthodes physico-chimiques ou biologiques ne sont pas capables de les dégrader complètement. Cependant, pour rendre ces technologies compétitives par rapport aux technologies conventionnelles utilisées aujourd'hui (par exemple, la coagulation ou les procédés d'oxydation avancée), il est nécessaire de concevoir correctement les procédés et les conditions d'exploitation par le biais de la modélisation et de l'optimisation des procédés. Les processus électrochimiques sont des processus non linéaires compliqués, ce qui rend difficile la description du comportement du processus à l'aide de méthodologies de modélisation phénoménologiques ou empiriques conventionnelles. Dans ce travail, les techniques d'intelligence artificielle, incluant les réseaux de neurones artificiels (RNA), les systèmes à inférences floues à réseaux adaptatifs (SIFRA), la régression des vecteurs de support (RVS), les algorithmes génétiques (AG) et l'optimisation par essaims particulaires (OEP) ont été utilisées comme alternatives pour la modélisation et l'optimisation des procédés électrochimiques. Dans la première partie de cette thèse, le développement des modèles RNA et l'optimisation multi-objectifs basée sur un algorithme génétique ont été réalisés pour la production de chlore actif en utilisant le procédé d'électrolyse. Afin de diagnostiquer et de prévenir le problème de sur-ajustement pendant le processus d'apprentissage des modèles RNA, des courbes d'apprentissage et le facteur de régularisation ont été utilisés. Les résultats ont montré que les modèles RNA formés étaient capabl