Modélisation de la capacité de séparation du CO2 du poly(4

Rapports scientifiques volume 13, Numéro d'article : 8812 (2023) Citer cet article

152 accès

Détails des métriques

Les membranes sont une technologie potentielle pour réduire la consommation d'énergie ainsi que les défis environnementaux compte tenu des processus de séparation. Une nouvelle classe de cette technologie, à savoir la membrane à matrice mixte (MMM) peut être fabriquée en dispersant des substances solides dans un milieu polymère. Ainsi, les MMM à base de poly(4-méthyl-1-pentène) ont attiré l'attention sur la capture du dioxyde de carbone (CO2), qui est un polluant environnemental à effet de serre. La perméabilité au CO2 dans différents MMM constitués de poly (4-méthyl-1-pentène) (PMP) et de nanoparticules a été analysée de manière approfondie du point de vue expérimental. De plus, un modèle mathématique simple est nécessaire pour calculer la perméabilité au CO2 avant de construire le processus de séparation associé basé sur le PMP. Par conséquent, l'étude actuelle utilise des réseaux de neurones artificiels perceptrons multicouches (MLP-ANN) pour relier la perméabilité au CO2 dans les PMP/nanoparticules MMM à la composition de la membrane (type d'additif et dose) et à la pression. En conséquence, l'effet de ces variables indépendantes sur la perméabilité au CO2 dans les membranes à base de PMP est exploré à l'aide d'une analyse de régression linéaire multiple. Il a été découvert que la perméabilité au CO2 a une relation directe avec toutes les variables indépendantes, tandis que la dose de nanoparticules est la plus forte. Les caractéristiques structurelles du MLP-ANN ont efficacement démontré un potentiel attrayant pour obtenir la prédiction la plus précise pour la perméabilité au CO2. Un MLP-ANN à deux couches avec la topologie 3-8-1 formé par l'algorithme de régulation bayésien est identifié comme le meilleur modèle pour le problème considéré. Ce modèle simule 112 perméabilités au CO2 mesurées expérimentalement dans PMP/ZnO, PMP/Al2O3, PMP/TiO2 et PMP/TiO2-NT avec un excellent écart relatif moyen absolu (AARD) inférieur à 5,5 %, une erreur absolue moyenne (MAE) de 6,87 et un coefficient de corrélation (R) supérieur à 0,99470. Il a été constaté que la membrane à matrice mixte constituée de PMP et de TiO2-NT (nanotube fonctionnalisé avec du dioxyde de titane) est le meilleur milieu pour la séparation du CO2.

Récemment, la capture et la séquestration du CO2 (dioxyde de carbone)1,2 en tant qu'outil pratique contre le réchauffement climatique et le changement climatique ont suscité un intérêt considérable. Selon la littérature, la concentration de CO2 dans l'atmosphère depuis l'ère préindustrielle jusqu'à maintenant a considérablement augmenté de 280 à 420 ppm, alors que sa valeur maximale admissible est de 350 ppm3,4. D'autre part, il a été estimé que la concentration de CO2 dans l'atmosphère atteindra 570 ppm d'ici la hausse actuelle à la fin du 21 siècle5. Sur ce terrain, plusieurs accords sont établis pour réduire les émissions de CO2 d'ici 2050 en privilégiant le déploiement de stratégies de captage et de stockage du carbone (CSC)6. À cette fin, différentes technologies telles que l'absorption7, l'adsorption8,9, la cryogénie10 et les membranes11 ont été proposées. Cependant, l'absorption en tant que technologie la plus mature présente de sérieux inconvénients, notamment la corrosion des équipements12, les effets secondaires environnementaux13 et le coût14. La cryogénie comme une autre technologie mature consomme beaucoup d'énergie15. De plus, l'introduction d'un adsorbant stable à l'eau avec une sélectivité et une capacité de chargement élevées ainsi qu'une chaleur d'adsorption appropriée et un coût raisonnable pour l'application à grande échelle reste un défi sérieux7,16,17. Par conséquent, la technologie membranaire en termes de respect de l'environnement, d'efficacité, de flexibilité, de coût, de maturité et de simplicité est considérée comme l'une des stratégies intéressantes pour la séparation des gaz18 et la surveillance de la pollution19. Le captage et la séquestration du CO2 sont non seulement cruciaux pour les applications de post-combustion liées aux gaz de combustion pour la séparation CO2/N2, mais sont également nécessaires pour les processus de précombustion pour le développement de sources d'énergie renouvelables, y compris la valorisation du biogaz20 et l'adoucissement du gaz naturel pour la séparation CO2/CH421. Le dioxyde de carbone récupéré peut également être utilisé comme matière première pour synthétiser des produits chimiques à valeur ajoutée22.

De manière routinière, les membranes sont développées de manière naturelle ou synthétique23, et la dernière est classée comme organique et inorganique24. Pour améliorer les performances de séparation des gaz des membranes conventionnelles, l'accent est mis sur les supports polymères25. À cette fin, différents polymères, y compris les siloxanes26, les polyacétylènes27, les polyimides28, la polysulfone29 et les polymères basiques de silicium30 sont utilisés à différentes fins de séparation. Cependant, les membranes polymères ont encore des problèmes liés à leur perméabilité31, leur sélectivité32 et leur stabilité à haute pression33. En conséquence, les membranes nanocomposites sont fabriquées en ajoutant de l'amidon34, de la céramique35, une structure métallo-organique36, des nanotubes de carbone37 et des nanoparticules38,39,40 au corps de la membrane.

Pour ces motifs, Ahn et al. ajouté des échantillons de silice nano comme charges à la membrane de polysulfone pour améliorer les performances de la membrane à matrice mixte développée41. Ils ont rapporté que l'inclusion d'échantillons de nano silice dans la structure du polymère améliore la perméabilité. Aussi, Pechaf et al. appliqué une membrane de polyimide et de la zéolite comme MMM et évalué la perméabilité de He, CH4, CO2, N2 et O242. Ils ont affirmé que la membrane fabriquée augmentait la perméabilité au CO2 et au CH4, tandis qu'une certaine réduction était observée pour la perméabilité au N2 et à l'O2. De plus, Ismail et al. a synthétisé une membrane à matrice mixte en utilisant du poly-éther-sulfone et du Matrimid 5218 en utilisant la zéolite 4A43. L'étude a montré que l'ajout de zéolite peut améliorer la perméabilité de la membrane.

Récemment, les modèles d'apprentissage automatique (ML) en raison de leur flexibilité, de leur robustesse, de leur précision et de leur adaptabilité ont suscité un intérêt considérable dans un large éventail d'applications allant de l'ingénierie à la médecine44,45,46,47. La conception de modèles, la reconnaissance de modèles, la détection de défauts, l'exploration de données et l'estimation de fonctions sont quelques-unes des principales applications de ML48,49. Récemment, le réseau de neurones artificiels (ANN)50, le système d'inférence neuro-flou adaptatif (ANFIS)51, la machine à vecteurs de support (SVM)52 et la programmation génétique (GP)53 ont été utilisés dans le domaine de la technologie membranaire. Pour ces motifs, Rezakazemi et al. ont utilisé le modèle ANFIS pour la séparation moléculaire dans des membranes microporeuses54. Dans une autre étude, Vural et al. ont utilisé la topologie ANFIS pour estimer les performances d'une pile à combustible à membrane échangeuse de protons55. De plus, Zhao et al. ont utilisé le paradigme ANN pour prédire les interactions interfaciales et l'encrassement dans un bioréacteur à membrane56. Ils ont déclaré que la fonction de base radiale a une excellente capacité à prédire les interactions interfaciales. De plus, Gasos et al. fait confiance aux réseaux de neurones artificiels pour créer les cartes de la technologie de séparation du CO2 à base de membranes18. De plus, Kazemian et al. ont utilisé les avantages de la méthodologie SVM et de l'algorithme génétique (GA) pour développer un algorithme pour les hélices membranaires dans les séquences d'acides aminés57.

Malgré la réalisation de nombreuses expériences sur la mesure de la perméabilité au CO2 dans le poly (4-méthyl-1-pentane) pur (PMP) et les membranes mixtes contenant du PMP, aucune corrélation n'a déjà été suggérée dans ce domaine. Étant donné que la perméabilité est un facteur crucial pour une séparation efficace du CO2 par les membranes à base de PMP, un modèle fiable est également nécessaire pour son estimation. Par conséquent, cette étude applique le MLP-ANN pour corréler la perméabilité au CO2 dans les membranes à matrice mixte PMP pure et PMP/nanoparticules au type de charge, à la dose de nanoparticules et à la pression. De plus, l'analyse de pertinence effectuée par le MLR (c'est-à-dire la régression linéaire multiple) clarifie l'effet de ces variables sur le niveau potentiel de perméabilité au CO2. Au meilleur de la connaissance des auteurs, il s'agit de la première tentative de prédire la perméabilité au CO2 dans les membranes contenant du PMP à partir de certains paramètres facilement et toujours disponibles. En outre, le MLP-ANN conçu peut aider les ingénieurs à fabriquer une membrane à base de PMP et à ajuster la pression de travail pour obtenir une séparation maximale du CO2 dans diverses industries, notamment le traitement du gaz, le pétrole, la pétrochimie, ainsi que la valorisation du biogaz.

Comme indiqué précédemment, la perméabilité est l'une des principales spécifications de la technologie membranaire pour la séparation des gaz, qui est souvent mesurée expérimentalement. D'autre part, plusieurs autres études ont étudié l'impact de l'utilisation de différentes nanoparticules pour améliorer les performances des membranes polymétriques à cette fin. En conséquence, cette étude a développé une topologie théorique robuste pour estimer la perméabilité au CO2 dans les membranes à matrice mixte PMP pure et PMP/nanoparticule, qui, à la connaissance des auteurs, est la première dans ce domaine. De cette façon, les types de nanoparticules, leur pourcentage en poids (wt%) dans la membrane fabriquée et la pression de fonctionnement sont les variables indépendantes pour estimer la perméabilité au CO2 dans une membrane spécifique. Le tableau 1 présente les principales caractéristiques statistiques des données expérimentales recueillies dans la littérature58,59,60,61.

Il est à noter que la littérature a ajouté jusqu'à 40 % en poids de quatre nanoparticules (c'est-à-dire, TiO2, ZnO, Al2O3 et TiO2-NT) à la structure PMP pour fabriquer différentes membranes à matrice mixte. En outre, 112 tests de perméabilité au CO2 ont été effectués dans une plage de pression de 2 à 25 bars. La perméabilité au CO2 de 18,01-570,90 barrer a été rapportée dans la littérature pour les membranes à matrice mixte PMP pure et PMP/ZnO, PMP/Al2O3, PMP/TiO2 et PMP/TiO2-NT58,59,60,61.

Comme cette étude comprend à la fois des variables indépendantes qualitatives (type additif) et quantitatives (dose et pression des nanoparticules), il est également nécessaire de représenter quantitativement les précédentes. Le tableau 2 présente les codes numériques utilisés à cet égard.

Les histogrammes de toutes les variables indépendantes (type d'additif, dose de nanoparticules et pression) et dépendantes (perméabilité au CO2) sont représentés sur la figure 1.

Histogramme des variables impliquées (type d'additif, dose de nanoparticules et pression) dans la modélisation de la perméabilité au CO2 dans les membranes PMP-nanoparticules58,59,60,61.

Les réseaux de neurones artificiels (RNA) en tant qu'approche computationnelle d'inspiration biologique sont une topologie non linéaire, qui a une grande capacité de traitement de données dans le domaine de l'ingénierie62. En réalité, les RNA sont un ensemble réduit de concepts dérivés des systèmes neuronaux biologiques basés sur la simulation du traitement des données du cerveau et des systèmes nerveux humains63. Les RNA ont déjà prouvé un potentiel robuste pour l'analyse statistique dans le domaine sans une large gamme de valeurs expérimentales concernant leur flexibilité et leur capacité62,63. Dans la manière de dériver un paradigme ANN, il est nécessaire de spécifier les principales variables indépendantes qui affectent la sortie du processus. Il convient de noter que les RNA ont le potentiel de corréler les variables dépendantes avec les variables indépendantes avec n'importe quel degré de complexité64. À cette fin, il est nécessaire de fournir un ensemble de données approprié pour concevoir une boîte noire pour l'estimation des facteurs dépendants en tenant compte des critères définis62. En conséquence, l'approche obtenue développe un signal parmi les facteurs d'entrée et de sortie, qui spécifie les détails dans différentes couches liées aux interactions neuronales.

À ce jour, plusieurs approches ANN ont été développées, notamment le perceptron multicouche (MLP-ANN)65, la fonction de base radiale (RBF-ANN)66, l'anticipation en cascade (CFF-ANN)67, la régression générale (GR-ANN)68, dont le MLP-ANN est le plus couramment utilisé. Généralement, le MLP-ANN est une procédure d'apprentissage en ligne supervisée qui utilise un ordre d'ajustement partiel avec des poids synaptiques réglables69. Pour ces raisons, cette topologie a été appliquée dans ce travail pour estimer la perméabilité du CH4 et du N2 dans les PMP. De manière routinière, un MLP-ANN est développé en définissant trois couches principales, dont la couche d'entrée, la couche cachée et la couche de sortie. De cette façon, la couche d'entrée est dérivée des valeurs brutes indépendantes (d'entrée) après un certain traitement des données, qui a déjà prouvé leur impact élevé sur le processus. Ensuite, le résultat de cette couche est introduit dans la couche cachée pour utiliser une analyse statistique et un traitement mathématique sur les données. Ensuite, les résultats de cette couche sont transférés à la couche de sortie qui spécifie les principaux résultats du modèle. Il faut considérer que le traitement mathématique majeur employé sur les neurones est déterminé par l'Eq. (1)70 :

ici \(b\) spécifie le biais du modèle, qui indique les seuils d'activation pour les valeurs d'entrée (\(x_{r}\)), et \(\omega_{jr}\) est les coefficients de pondération du modèle. De plus, la sortie nette des neurones (\(O_{j}\)) est reçue par une fonction de transfert (\(tf\)) pour calculer la sortie du neurone70. Dans ce travail, la sigmoïde tangente hyperbolique (Eq. 2) et la sigmoïde logarithmique (Eq. 3), qui sont parmi les fonctions de transfert les plus populaires, ont été incorporées respectivement dans les couches cachées et de sortie63,68 :

Les figures 2a, b montrent les formes générales des fonctions de transfert sigmoïde tangente hyperbolique et logarithmique sigmoïde, respectivement. Ce chiffre indique que le premier fournit une valeur comprise entre − 1 et + 1, tandis que le second produit une valeur comprise entre 0 et + 1.

Les fonctions de transfert sigmoïde tangente hyperbolique (a) et logarithme sigmoïde (b).

À cette fin, il est nécessaire de normaliser à la fois les variables indépendantes (IV) et dépendantes (DV) dans la plage [0 1] en utilisant les équations. (4) et (5), respectivement.

NoD désigne le nombre de jeux de données. X1, X2 et X3 indiquent la valeur normalisée du type d'additif, de la dose de nanoparticules et de la pression. De plus, Y représente la perméabilité au CO2 normalisée.

Il est souvent obligatoire de mesurer l'écart entre les valeurs expérimentales et prédites de la variable dépendante à l'aide de critères statistiques. Cette étude applique le coefficient de corrélation (R), le coefficient de détermination (R2), la somme de l'erreur absolue (SAE), l'erreur absolue moyenne (MAE), l'écart relatif moyen absolu (AARD) et l'erreur quadratique moyenne (MSE). En conséquence, les éqs. (6) à (11) présentent les formules de R, R2, SAE, MAE, AARD et MSE, en conséquence71.

Les équations ci-dessus nécessitent des variables dépendantes expérimentales (\(DV^{\exp }\)) et calculées (\(DV^{cal}\)) ainsi que la valeur moyenne de la \(DV^{\exp }\). L'équation (12) calcule cette valeur moyenne, c'est-à-dire \(\overline{{DV^{\exp } }}\).

Cette section présente les résultats de l'analyse de pertinence par MLR, le développement MLP-ANN et les investigations statistiques et graphiques du modèle proposé.

Avant de construire le MLP-ANN pour estimer la perméabilité au CO2 dans les membranes PMP/nanoparticules, la pertinence entre les variables dépendantes et dépendantes doit être explorée. La MLR est une méthode bien connue dans ce domaine72. L'équation (13) est un modèle MLR simple qui corrèle la perméabilité au CO2 normalisée (\(Y^{cal}\)) aux valeurs normalisées des variables indépendantes basées sur 112 ensembles de données expérimentales.

Le signe positif des coefficients X1, X2 et X3 suggère la dépendance directe de la perméabilité au CO2 sur les variables indépendantes impliquées. En outre, l'amplitude du coefficient montre la force de la relation entre les variables dépendantes et indépendantes. Comme l'illustre la figure 3, la perméabilité au CO2 dans les membranes PMP / nanoparticules dépend le plus de la dose de nanoparticules et la plus faible du type d'additif.

Pertinence entre la perméabilité au CO2 dans les MMM et le type d'additif, la dose de nanoparticules et la pression.

L'AARD observé = 88,24%, R2 = 0,40145 et SAE = 7634,84 barrer entre les perméabilités expérimentales au CO2 et les prédictions MLR montrent que le problème considéré est principalement régi par un modèle non linéaire.

La précision des indices est calculée après dénormalisation de la prédiction MLR pour la perméabilité au CO2 normalisée à l'aide de l'équation. (14).

La topologie générale du MLP-ANN pour relier la perméabilité au CO2 dans les MMM PMP / nanoparticules a été illustrée à la Fig. 4.

La structure MLP-ANN pour simuler la perméabilité au CO2 dans les MMM PMP/nanoparticules.

Cette étape construit 90 approches MLP-ANN avec différents nombres de neurones cachés. En effet, ces modèles MLP-ANN peuvent avoir un à neuf neurones dans leurs couches cachées. De plus, le MLP-ANN avec un nombre spécifique de neurones cachés est formé et testé 10 fois différentes.

La figure 5 montre les résultats du classement des 90 modèles MLP-ANN construits. Généralement, la précision MLP-ANN augmente (le rang diminue) en augmentant le nombre de neurones cachés. Cette observation est liée à la taille croissante des MLP-ANN ainsi qu'au nombre de leurs poids et biais. La figure indique que le deuxième MLP-ANN développé avec huit neurones cachés (rang = 1) est le meilleur modèle pour estimer la perméabilité au CO2 dans les MMM PMP/nanoparticules. De plus, le 9e MLP-ANN construit avec une seule couche cachée est le modèle le moins précis (rang = 90) pour la tâche considérée.

Classement global des 90 MLP-ANN construits avec 1 à 9 neurones cachés (10 modèles pour chaque neurone caché).

Le meilleur MLP-ANN est appliqué pour accomplir toutes les analyses ultérieures et les 89 modèles restants sont ignorés.

La figure 6 présente la forme générale de l'approche MLP-ANN construite pour estimer la perméabilité au CO2 dans les MMM. On peut voir que le MLP-ANN n'a qu'une seule couche cachée avec huit neurones, c'est-à-dire une topologie 3-8-1. Les fonctions de transfert sigmoïde tangente hyperbolique et sigmoïde logarithmique peuvent également être vues dans les couches cachées et de sortie. Il convient de noter que la phase de modélisation de la perméabilité au CO2 dans les membranes PMP et PMP/nanoparticules se fait dans l'environnement MATLAB (Version : 2019a)73.

Topologie du meilleur MLP-ANN73 pour prédire la perméabilité au CO2 dans les membranes PMP/nanoparticules.

Le tableau 3 indique la précision obtenue du MLP-ANN proposé dans les phases de formation et de test. Ce tableau montre également la précision du modèle MLP-ANN construit pour prédire la perméabilité au CO2 des ensembles de données globaux. Cinq critères statistiques (c'est-à-dire R, MAE, AARD, MSE et SAE) ont été utilisés à cet égard. Toutes ces précisions sont suffisamment acceptables du point de vue de la modélisation.

Le cross-plot qui inspecte graphiquement la corrélation linéaire entre les valeurs expérimentales et prédites d'une variable dépendante est une méthode pratique pour évaluer la fiabilité des modèles basés sur les données. Les figures 7a à c illustrent la corrélation linéaire entre les perméabilités expérimentales au CO2 et leurs valeurs calculées associées par l'approche MLP-ANN. Étant donné que les ensembles de données d'entraînement et de test sont principalement situés autour des lignes diagonales, la fiabilité MLP-ANN est approuvée par l'inspection visuelle. De plus, la proximité des coefficients de corrélation de la formation, des tests et de tous les ensembles de données avec R ~ 1 (c'est-à-dire 0,99658, 0,98433 et 0,99477) est une autre indication du modèle MLP-ANN.

Corrélations linéaires entre la perméabilité au CO2 expérimentale et calculée dans les MMM ; formation (a), test (b) et base de données globale (c).

Les perméabilités au CO2 réelles et prévues dans les membranes PMP pures et les MMM PMP/nanoparticules dans la formation, ainsi que les étapes de test sont illustrées à la Fig. 8. Cette analyse justifie les performances exceptionnelles du MLP-ANN pour modéliser à la fois les ensembles de données de formation et de test. De plus, la précision MLP-ANN pour prédire la formation (MAE = 5,28, AARD = 5,20 %, MSE = 100,54 et SAE = 501,84) et le groupe de test (MAE = 15,76, AARD = 6,88 %, MSE = 444,52 et SAE = 267,84) est approuvée par l'enquête statistique. De plus, les valeurs globales de MAE, AARD, MSE et SAE sont respectivement de 6,87, 5,46 %, 152,75 et 769,68.

Compatibilité entre la perméabilité au CO2 expérimentale et calculée dans les MMM.

La figure 9 explique l'effet de la concentration d'alumine sur la perméabilité au CO2 dans la membrane PMP/Al2O3 du point de vue de la modélisation et de l'expérimentation. L'accord exceptionnel entre les perméabilités au CO2 réelles et estimées dans les MMM PMP/Al2O3 peut être facilement trouvé dans cette figure. Le MLP-ANN apprend également avec précision l'effet croissant de la dose de charge sur la séparation du CO2 par le procédé à base de membrane. L'augmentation de la perméabilité au CO2 dans les membranes en augmentant la dose de remplissage a également été précédemment prévue par l'enquête de pertinence MLR.

L'effet de la dose d'additif sur la perméabilité au CO2 dans les membranes PMP/Al2O3 (pression = 10 bar).

La littérature a lié cette amélioration de la perméabilité aux interactions alumine-polymère et à l'augmentation du volume des pores due à la présence d'Al2O3 dans la chaîne polymère61.

L'effet de la pression de travail sur la séparation du CO2 par les membranes PMP/ZnO avec cinq niveaux de concentration de nanoparticules (2,5, 5, 8, 10 et 15 % en poids) a été présenté à la Fig. 10. Cette figure affiche à la fois les perméabilités au CO2 mesurées en laboratoire et leurs prédictions MLP-ANN associées. Un excellent accord entre les profils de perméabilité-pression expérimentaux et de modélisation est facilement observable à travers cette enquête. Le MLP-ANN identifie également correctement la pression ainsi que l'effet de remplissage sur la perméabilité au CO2 dans les membranes à matrice mixte PMP/ZnO.

L'effet de la pression sur la perméabilité au CO2 dans les membranes PMP/ZnO avec différents dosages d'additifs.

Comme prévu, la perméabilité au CO2 dans les membranes à matrice mixte augmente en augmentant la pression de travail. Cette observation est en relation directe avec l'amélioration de la force motrice due à l'augmentation de la pression.

L'effet du type de charge (ZnO, Al2O3, TiO2 et TiO2-NT) sur la capacité de séparation du CO2 des membranes à base de PMP à la même pression de travail est illustré à la Fig. 11. On peut voir que différentes charges représentent divers rôles dans l'interaction CO2-MMM. En effet, le PMP/TiO2 et le PMP-TiO2-NT confèrent à la molécule de CO2 des perméabilités minimales et maximales au sein de la structure membranaire. La littérature a justifié la perméabilité au CO2 plus élevée dans le PMP-TiO2-NT à l'expansion du volume libre et à l'augmentation de la porosité en raison de la présence de nanoparticules fonctionnalisées dans le corps de la membrane60.

L'effet du type d'additif sur la perméabilité au CO2 dans les membranes PMP/nanoparticule.

Cette étude utilise une méthodologie en deux étapes, c'est-à-dire la régression linéaire multiple et les réseaux de neurones artificiels perceptrons multicouches pour simuler la perméabilité au dioxyde de carbone dans les membranes à matrice mixte. La perméabilité au dioxyde de carbone dans les membranes pures de poly(4-méthyl-1-pentène) et de PMP/nanoparticule (c'est-à-dire PMP/ZnO, PMP/Al2O3, PMP/TiO2 et PMP/TiO2-NT) a été étudiée sur la base de 112 ensembles de données expérimentales recueillies dans la littérature. La méthode de régression linéaire multiple s'applique pour anticiper la dépendance de la perméabilité au dioxyde de carbone sur la composition de la membrane (type d'additif et dose) et la pression. Cette méthode montre que la perméabilité au dioxyde de carbone est directement liée à toutes les variables indépendantes et qu'elle a la plus forte corrélation avec la dose de nanoparticules dans la structure membranaire. Le MLP-ANN est ensuite utilisé pour construire une approche non linéaire pour estimer la perméabilité au dioxyde de carbone en fonction du type d'additif, de la dose de nanoparticules et de la pression. Ce MLP-ANN avec la topologie 3-8-1 a prédit 112 perméabilités expérimentales au dioxyde de carbone dans les MMM impliqués avec une excellente précision (c'est-à-dire R = 0,99477, MAE = 6,87, AARD = 5,46 %, MSE = 152,75 et SAE = 769,68). Les résultats de la modélisation précisent que le PMP/TiO2-NT présente une meilleure séparation du dioxyde de carbone que les membranes à matrice mixte PMP/ZnO, PMP/Al2O3 et PMP/TiO2. Enfin, les résultats obtenus dans ce travail ont démontré l'excellent potentiel de l'ANN pour estimer les facteurs de séparation des membranes à matrice mixte pour les applications de capture et de séquestration du carbone.

Tous les ensembles de données de la littérature analysés dans cette étude sont disponibles sur demande raisonnable de l'auteur correspondant (SA Abdollahi).

Wennersten, R., Sun, Q. & Li, H. Le potentiel futur du captage et du stockage du carbone dans l'atténuation du changement climatique - Un aperçu du point de vue de la technologie, de l'économie et du risque. J. Propre. Prod. 103, 724–736 (2015).

Article CAS Google Scholar

Du, L., Lu, T. & Li, B. Capture et séquestration du CO2 dans des milieux poreux avec des mousses stabilisées par nanoparticules d'aérogel de SiO2. Carburant 324, 124661 (2022).

Article CAS Google Scholar

Karimi, M. et al. Capture du CO2 dans les charbons actifs chimiquement et thermiquement modifiés à l'aide de mesures de rupture : étude expérimentale et de modélisation. Ing. ind. Chim. Rés. 57, 11154–11166 (2018).

Article CAS Google Scholar

Karimi, M. et al. MIL-160 (Al) comme candidat pour la valorisation du biogaz et la capture du CO2 par des procédés d'adsorption. Ing. ind. Chim. Rés. 62, 5216–5229 (2023).

Article CAS Google Scholar

Changement, impacts IC, adaptation et vulnérabilité. Contribution du Groupe de travail II au sixième rapport d'évaluation du GIEC du Groupe d'experts intergouvernemental sur l'évolution du climat; Pötner, HO, Roberts, DC, Tignor, M., Poloczanska, ES, Mintenbeck, K., Ale, A., Eds (2022).

Lu, J., Chen, H. & Cai, X. Des scénarios mondiaux aux scénarios nationaux : Exploration des émissions de carbone jusqu'en 2050. Energy Strateg. Rév. 41, 100860 (2022).

Article Google Scholar

Yu, C.-H., Huang, C.-H. & Tan, C.-S. Revue du captage du CO2 par absorption et adsorption. Aérosol Air Qual. Rés. 12, 745–769 (2012).

Article CAS Google Scholar

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Séparation et capture du dioxyde de carbone par adsorption : une revue. Environ. Chim. Lett. https://doi.org/10.1007/s10311-023-01589-z (2023).

Article Google Scholar

Xi, M. et al. Prédiction d'un BiC métallique en nid d'abeille et d'une monocouche de Bi2C semi-conducteur direct comme excellents adsorbants de CO2. Menton. Chim. Lett. 33, 2595-2599 (2022).

Article CAS Google Scholar

Xu, G. et al. Un nouveau système de liquéfaction et de séparation cryogénique du CO2. Énergie 42, 522–529 (2012).

Article CAS Google Scholar

Rafiq, S. et al. Réglage de la surface de la silice par un solvant eutectique profond pour synthétiser des membranes à base de biomasse pour la séparation des gaz afin d'améliorer la bioéconomie circulaire. Carburant 310, 122355 (2022).

Article Google Scholar

Zhao, B. et al. Étude sur la corrosion dans le procédé d'absorption chimique du CO2 en utilisant une solution d'amine. Énergie Procedia 4, 93–100 (2011).

Article ADS CAS Google Scholar

Lamy-Mendes, A. et al. Modification amine des aérogels/xérogels de silice pour l'élimination des polluants environnementaux pertinents. Molécules 24, 3701 (2019).

Article CAS PubMed PubMed Central Google Scholar

Lu, W., Bosch, M., Yuan, D. & Zhou, H. Synthèse rentable de matériaux poreux liés aux amines pour la capture du carbone. Chemsuschem 8, 433–438 (2015).

Article CAS PubMed Google Scholar

Song, C. et al. Réduire la consommation énergétique du captage hybride membrane-cryogénique du CO2 par l'optimisation des procédés. Énergie 124, 29–39 (2017).

Article CAS Google Scholar

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Matériaux de carbone de biomasse/biocharbon pour la capture et la séquestration du CO2 par des processus d'adsorption cyclique : un examen et des perspectives pour les orientations futures. J. CO2 Util. 57, 101890 (2022).

Article CAS Google Scholar

Siegelman, RL, Milner, PJ, Kim, EJ, Weston, SC & Long, JR Défis et opportunités pour la capture du CO2 par adsorption à partir des émissions du cycle combiné de gaz naturel. Énergie Environ. Sci. 12, 2161-2173 (2019).

Article CAS PubMed PubMed Central Google Scholar

Gasós, A., Becattini, V., Brunetti, A., Barbieri, G. & Mazzotti, M. Traiter les cartes de performances pour la séparation du CO2 à base de membranes à l'aide de réseaux de neurones artificiels. Int. J. Greenh. Contrôle des gaz 122, 103812 (2023).

Article Google Scholar

Lin, X. et al. Méthode de spectrométrie de masse en entrée de membrane (REOX/MIMS) pour mesurer le nitrate 15N dans les expériences d'enrichissement isotopique. Écol. indic. 126, 107639 (2021).

Article CAS Google Scholar

Miltner, M., Makaruk, A. & Harasek, M. Examen des technologies de valorisation du biogaz disponibles et des innovations vers des solutions avancées. J. Propre. Prod. 161, 1329-1337 (2017).

Article CAS Google Scholar

Uddin, MW & Hägg, M.-B. Effet de la contamination par le monoéthylène glycol et le triéthylène glycol sur la séparation CO2/CH4 d'une membrane de transport facilité pour l'adoucissement du gaz naturel. J.Memb. Sci. 423, 150-158 (2012).

Article Google Scholar

Zhao, C., Xi, M., Huo, J., He, C. & Fu, L. Conception informatique d'un catalyseur à un seul atome à base de BC3N2 pour une activation spectaculaire des gaz inertes CO2 et CH4 en CH3COOH avec une barrière de dissociation CH4 ultra-faible. Menton. Chim. Lett. 34, 107213 (2023).

Article CAS Google Scholar

Ahmad, A. et al. Tendances récentes et défis de la synthèse des membranes : Opportunités industrielles vers la dépollution environnementale. Chemosphere 306, 135634. https://doi.org/10.1016/j.chemosphere.2022.135634 (2022).

Article ADS CAS PubMed Google Scholar

Yeo, ZY, Chai, S.-P., Zhu, PW & Mohamed, AR Un aperçu : synthèse de couches minces/membranes de charpentes organométalliques et ses performances de séparation des gaz. RSC Adv. 4, 54322–54334 (2014).

Article ADS CAS Google Scholar

Dong, G., Li, H. & Chen, V. Défis et opportunités pour les membranes à matrice mixte pour la séparation des gaz. J. Mater. Chim. A 1, 4610–4630 (2013).

Article CAS Google Scholar

Jee, KY & Lee, YT Préparation et caractérisation de membranes composites de siloxane pour la concentration de n-butanol à partir d'une solution ABE par pervaporation. J.Memb. Sci. 456, 1–10 (2014).

Article CAS Google Scholar

Budd, PM & McKeown, NB Polymères hautement perméables pour les membranes de séparation des gaz. Polym. Chim. 1, 63–68 (2010).

Article CAS Google Scholar

Chen, XY, Hoang, V.-T., Rodrigue, D. & Kaliaguine, S. Optimisation de la phase continue dans des membranes à matrice mixte co-polyimide à fonction métal-organique (MIL-53) pour la séparation CO2/CH4. RSC Adv. 3, 24266–24279 (2013).

Article ADS CAS Google Scholar

Pereira, VR et al. Études de préparation et de performance de membranes de nanofiltration en polysulfone-sulfate de nano-titane (S-TiO2) pour l'élimination des colorants. RSC Adv. 5, 53874–53885 (2015).

Article ADS CAS Google Scholar

Bhadra, P. et al. Transport sélectif de nanoparticules de ZnO chargées et dialyse de micro-organismes à travers des membranes nanoporeuses de silicium. J.Memb. Sci. 503, 16–24 (2016).

Article CAS Google Scholar

Suleman, MS, Lau, KK & Yeong, YF Plastification et gonflement des membranes polymères lors de l'élimination du CO2 du gaz naturel. Chim. Ing. Technol. 39, 1604-1616 (2016).

Article CAS Google Scholar

Clarizia, G., Algieri, C. & Drioli, E. Combinaison charge-polymère : Une voie pour modifier les propriétés de transport de gaz d'une membrane polymère. Polymère (Guildf). 45, 5671–5681 (2004).

Article CAS Google Scholar

Ali, A., Mubashir, M., Abdulrahman, A. & Phelan, PE Membrane intelligente enracinée de nano-points polymères microporeux induits par des métaux intercalés ultra-perméables pour l'assainissement de l'environnement. Chimiosphère 306, 135482 (2022).

Article ADS CAS PubMed Google Scholar

Yang, GCC et Tsai, C.-M. Effets de l'ajout d'amidon sur les caractéristiques des substrats de membranes céramiques poreuses tubulaires. Dessalement 233, 129-136 (2008).

Article CAS Google Scholar

Maguire-Boyle, SJ et al. La fonctionnalisation superhydrophile des membranes céramiques de microfiltration permet la séparation des hydrocarbures de la fracturation et de l'eau produite. Sci. Rep. 7, 12267 (2017).

Article ADS PubMed PubMed Central Google Scholar

Lee, J.-Y., Tang, CY & Huo, F. Fabrication d'une membrane à matrice poreuse (PMM) utilisant un cadre métallo-organique comme modèle vert pour le traitement de l'eau. Sci. Rep. 4, 1–5 (2014).

CAS Google Scholar

Ismail, AF, Goh, PS, Sanip, SM & Aziz, M. Propriétés de transport et de séparation de la membrane à matrice mixte de nanotubes de carbone. Sept. Purif. Technol. 70, 12-26 (2009).

Article CAS Google Scholar

Talukder, ME et al. Des nanoparticules d'Ag ont immobilisé une membrane de nanofibre électrofilée en polyéthersulfone/polyéthersulfone sulfoné pour l'élimination des métaux lourds. Sci. Rep. 12, 5814 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Xue, B. et al. Un nanocomposite AuNPs/NiO mésoporeux/mousse de nickel comme électrode miniaturisée pour la détection de métaux lourds dans les eaux souterraines. Ingénierie. https://doi.org/10.1016/j.eng.2022.06.005 (2022).

Article Google Scholar

Wang, Z. et al. Amélioration des performances de dénitrification d'Alcaligenes sp TB par Pd stimulant pour produire un mécanisme d'adaptation membranaire couplé à du fer à valence nulle à l'échelle nanométrique. Sci. Environ. 708, 135063 (2020).

Article ADS CAS PubMed Google Scholar

Ahn, J., Chung, W.-J., Pinnau, I. & Guiver, MD Membranes à matrice mixte polysulfone/nanoparticules de silice pour la séparation des gaz. J.Memb. Sci. 314, 123-133 (2008).

Article CAS Google Scholar

Pechar, TW, Tsapatsis, M., Marand, E. & Davis, R. Préparation et caractérisation d'une membrane vitreuse à matrice polyimide fluorée mélangée à des zéolithes. Dessalement 146, 3–9 (2002).

Article CAS Google Scholar

Ismail, AF, Rahim, RA et Rahman, W. Caractérisation des membranes à matrice mixte mélange polyéthersulfone/Matrimid® 5218 pour la séparation des gaz O2/N2. Sept. Purif. Technol. 63, 200-206 (2008).

Article CAS Google Scholar

Tang, F., Niu, B., Zong, G., Zhao, X. & Xu, N. Conception de contrôle de suivi adaptatif déclenché par événement périodique pour les systèmes non linéaires à temps discret via l'apprentissage par renforcement. Réseau neuronal. 154, 43-55 (2022).

Article PubMed Google Scholar

Si, Z., Yang, M., Yu, Y. & Ding, T. Prévision de puissance photovoltaïque basée sur des images satellites prenant en compte les effets de la position solaire. Appl. Énergie 302, 117514 (2021).

Article Google Scholar

Guedes, IA et al. Nouvelles fonctions d'apprentissage automatique et de notation basées sur la physique pour la découverte de médicaments. Sci. Rep. 11, 1–19 (2021).

Article MathSciNet Google Scholar

Cheng, F., Liang, H., Niu, B., Zhao, N. & Zhao, X. Contrôle sécurisé bipartite neuronal adaptatif auto-déclenché pour les MAS non linéaires soumis à des attaques DoS. Inf. Sci. (New York) 631, 256-270 (2023).

Article Google Scholar

Bansal, M., Goyal, A. & Choudhary, A. Une analyse comparative des algorithmes K-Nearest Neighbour, Genetic, Support Vector Machine, Decision Tree et Long Short Term Memory dans l'apprentissage automatique. Décis. Anal. J. 3, 100071 (2022).

Article Google Scholar

Li, Z., Wang, J., Huang, J. & Ding, M. Développement et recherche d'un réseau de neurones à convolution à filtre triangulaire pour l'optimisation du rechargement de carburant des HTGR de type bloc. Appl. Calcul doux. https://doi.org/10.1016/j.asoc.2023.110126 (2023).

Article PubMed Google Scholar

Dragoï, E.-N. & Vasseghian, Y. Modélisation du transfert de masse dans le processus de distillation membranaire sous vide pour le traitement des eaux usées radioactives à l'aide de réseaux de neurones artificiels. Toxine Rev.40, 1526-1535 (2021).

Article CAS Google Scholar

Rezakazemi, M., Dashti, A., Asghari, M. & Shirazian, S. Modélisation sélective de membranes à matrice mixte H2 à l'aide d'ANFIS, PSO-ANFIS, GA-ANFIS. Int. J. Hydrogen Energy 42, 15211–15225 (2017).

Article CAS Google Scholar

Karimi, M., Hosin Alibak, A., Seyed Alizadeh, SM, Sharif, M. & Vaferi, B. Modélisation intelligente pour considérer l'effet du type de bio-source et de la forme d'apparence sur la capacité thermique de la biomasse. Mes. J. Int. Mes. Conf. 189, 110529 (2022).

Article Google Scholar

Chamani, H. et al. Modèle de programmation génétique basé sur CFD pour l'estimation de la pression d'entrée de liquide des membranes hydrophobes. Dessalement 476, 114231 (2020).

Article CAS Google Scholar

Rezakazemi, M., Mosavi, A. & Shirazian, S. Modèle ANFIS pour l'optimisation de la séparation des membranes moléculaires. J. Mol. Liquide. 274, 470–476 (2019).

Article CAS Google Scholar

Vural, Y., Ingham, DB et Pourkashanian, M. Prédiction des performances d'une pile à combustible à membrane échangeuse de protons à l'aide du modèle ANFIS. Int. J. Hydrogen Energy 34, 9181–9187 (2009).

Article CAS Google Scholar

Zhao, Z. et al. Prédiction des interactions interfaciales liées à l'encrassement de la membrane dans un bioréacteur à membrane basée sur le réseau de neurones artificiels à fonction de base radiale (ANN). Bioressource. Technol. 282, 262–268 (2019).

Article CAS PubMed Google Scholar

Kazemian, HB, White, K. & Palmer-Brown, D. Applications de la SVM évolutive à la prédiction des hélices alpha membranaires. Système expert. Appl. 40, 3412–3420 (2013).

Article Google Scholar

Saeedi Dehaghani, AH & Pirouzfar, V. Préparation de membranes hautes performances dérivées de particules de poly (4-méthyl-1-pentène)/oxyde de zinc. Chim. Ing. Technol. 40, 1693–1701 (2017).

Article CAS Google Scholar

Alihosseini, A., Zergani, D. & Saeedi Dehaghani, AH Optimisation des paramètres affectant la séparation du mélange gazeux d'O2, N2, CO2 et CH4 par membrane PMP modifiée avec des nanoparticules de TiO2, ZnO et Al2O3. Polyoléfines J. 7, 13–24 (2019).

Google Scholar

Saeedi Dehaghani, AH, Pirouzfar, V. & Alihosseini, A. De nouvelles membranes nanocomposites dérivées de poly (4-méthyl-1-pentène)/dioxyde de titane fonctionnalisé pour améliorer les propriétés de transport des gaz et les performances de séparation. Polym. Taureau. 77, 6467–6489 (2020).

Article CAS Google Scholar

Nematollahi, MH, Dehaghani, AHS, Pirouzfar, V. & Akhondi, E. Membranes à matrice mixte comprenant un polymère PMP avec des charges de nanoparticules d'alumine dispersées pour séparer le CO2/N2. Macromol. Rés. 24, 782–792 (2016).

Article CAS Google Scholar

Guidotti, R. et al. Une enquête sur les méthodes d'explication des modèles de boîte noire. Calcul ACM. Surv. 51, 1–42 (2018).

Article Google Scholar

Leperi, KT, Yancy-Caballero, D., Snurr, RQ & You, F. 110e anniversaire : modèles de substitution basés sur des réseaux de neurones artificiels pour simuler et optimiser les cycles d'adsorption par variation de pression pour la capture du CO2. Ing. ind. Chim. Rés. 58, 18241–18252 (2019).

Article CAS Google Scholar

Waqas, S. et al. Approche de modélisation SVM et ANN pour l'optimisation de la perméabilité membranaire d'un contacteur biologique rotatif à membrane pour le traitement des eaux usées. Membranes (Bâle). 12, 821 (2022).

Article CAS PubMed PubMed Central Google Scholar

Ke, K.-C. & Huang, M.-S. Prédiction de la qualité pour le moulage par injection à l'aide d'un réseau de neurones perceptrons multicouches. Polymères (Bâle). 12, 1812 (2020).

Article CAS PubMed Central Google Scholar

Pu, L., Li, Y., Gao, P., Zhang, H. et Hu, J. Un modèle de prédiction du taux photosynthétique utilisant un réseau neuronal RBF amélioré. Sci. Rep. 12, 9563 (2022).

Article ADS CAS PubMed Central Google Scholar

Ren, K., Jiao, Z., Wu, X.-L. & Han, H.-G. Identification multivariable de l'encrassement membranaire basée sur un réseau de neurones en cascade compacté. Menton. J. Chem. Ing. 53, 37–45 (2023).

Article Google Scholar

Fulcher, JA Un examen comparatif des simulateurs ANN commerciaux. Calcul. Rester. interfaces 16, 241–251 (1994).

Article Google Scholar

Curteanu, S. & Cartwright, H. Réseaux de neurones appliqués à la chimie. I. Détermination de la topologie optimale des réseaux de neurones perceptrons multicouches. J. Chemom. 25, 527–549 (2011).

Article CAS Google Scholar

Díez, J.-L., Masip-Moret, V., Santafé-Moros, A. & Gozálvez-Zafrilla, JM Comparaison des stratégies de contrôle de l'intelligence artificielle pour un processus membranaire à basse pression à pompage péristaltique. membranes (Bâle). 12, 883 (2022).

Article PubMed PubMed Central Google Scholar

Abdollahzadeh, M. et al. Estimation de la densité de solvants eutectiques profonds en appliquant des techniques d'apprentissage automatique supervisé. Sci. Rép. 12, 1–16 (2022).

Article Google Scholar

Wang, J. et al. Prédiction de la solubilité du CO2 dans les solvants eutectiques profonds à l'aide d'un modèle de forêt aléatoire basé sur des descripteurs dérivés de COSMO-RS. Chimie Verte. Ing. 2, 431–440 (2021).

Article Google Scholar

Boîte à outils MATLAB et réseaux de neurones artificiels (version 2019a), The MathWorks, Inc., Natick, Massachusetts, États-Unis. (2019).

Télécharger les références

Faculté de génie mécanique, Université de Tabriz, Tabriz, Iran

Seyyed Amirreza Abdollahi et Seyyed Faramarz Ranjbar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SAA : préparation du projet original, collecte des données de la littérature, conservation des données, construction du modèle, analyse formelle. SFR : préparation du projet original, analyse de pertinence, conceptualisation, approbation finale, supervision.

Correspondance à Seyyed Amirreza Abdolahi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Abdollahi, SA, Ranjbar, SF Modélisation de la capacité de séparation du CO2 d'une membrane de poly(4-méthyl-1-pentane) modifiée avec différentes nanoparticules par des réseaux de neurones artificiels. Sci Rep 13, 8812 (2023). https://doi.org/10.1038/s41598-023-36071-x

Télécharger la citation

Reçu : 22 mars 2023

Accepté : 29 mai 2023

Publié: 31 mai 2023

DOI : https://doi.org/10.1038/s41598-023-36071-x

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.