Résumé:
L’objectif de cette thèse vise à développer des méthodologies basées sur la
modélisation et la détermination des quelques propriétés thermo physico-chimiques de certains fluides frigorigènes (R32, R125, R134a, R152a, R143a), et leurs mélanges binaires et ternaires, parmi les plus utilisés actuellement dans le domaine du froid et de la climatisation à l'état liquide et vapeur, par les réseaux de neurones artificiels et ce dans le but de la prédiction. Ce travail est basé sur deux contributions:
La première contribution a porté sur la modélisation de la conductivité thermique utilisant la modélisation par réseau de neurone artificiel RNA. La méthodologie englobe 11 systèmes pour un ensemble de 3227 points de données (BD1) répartis comme suit:1817 points de données pour les systèmes purs, 794 points de données pour les systèmes binaires et 616 points de données pour les systèmes ternaires.
Les valeurs prédites obtenues ont été comparées aux valeurs de la conductivité thermique mesurées, et de bonnes corrélation ont été trouvées (R =0.996 pour les systèmes purs, R=0.998 pour les systèmes binaires, R = 0.998 pour les systèmes ternaires et R =0.996 pour le système global (RN0). Neuf neurones ont été utilisés dans la couche d’entrée, treize dans
la couche cachée et un seul dans la couche de sortie. L’algorithme de Levenberg- Marquardt a été appliqué. La fonction de transfert tangent sigmoïde a été utilisée simultanément pour la couche cachée et la couche de sortie. Ensuite, on a utilisé de nouvelles techniques (valeurs réduites) afin de calculer les propriétés pseudo-critiques pour améliorer la performance des résultats précédents de la modélisation. De plus, une
nouvelle base de donnée (BD2) concernant des réfrigérants nocifs (660 points de données)a été collectée. Cette base englobe trois systèmes purs (R22, R124, R142b), deux systèmes binaires (R22+R142b, R22+R152a), et un système ternaire (R142b+R124+R22). Une bonne corrélation a été trouvée pour le système global avec R=0.953 et RMSE= 0.0123.
L a seconde contribution a traité la modélisation par la technique neuronale. Une première étude a été dédiée à la prédiction de la densité volumique en utilisant une base de données provenant de 777 points expérimentaux. Cette méthodologie est basée sur deux axes principaux: la sélection des paramètres d’entrées et de sortie, et la sélection de la structure du RNA. Nous nous sommes focalisés surtout sur le choix de l’algorithme
d’apprentissage, la technique de normalisation et l’architecture du réseau. Cela nous a permis d’atteindre un modèle optimal avec des résultats très satisfaisants (R2 = 0.997 et RMSE = 0.0022). La seconde étude concernait la prédiction de l'enthalpie et de l'entropie (7646 points générés).Une architecture (9-15-2) a été adoptée, les fonctions de transferts
logarithmiques sigmoïdes et linéaires ont été utilisées dans la couche cachée et la couche de sortie respectivement. Les résultats obtenus sont très satisfaisants et très précis avec un coefficient de détermination de 99,99% et une erreur quadratique moyenne MSE très petite.
