ML en Adsorption

Résumé du Projet : Ce projet met en avant l'application du machine learning pour modéliser, prédire et optimiser les processus d'adsorption de différents polluants à l'aide de biosorbants et matériaux synthétiques.

Contributions Clés :

• Auteur principal d'un article combinant expériences et modélisation par ML de la biosorption de bleu de méthylène par farines d'os
• Application du plan d'expériences, réseaux de neurones (ANN) et analyse de variables pour interprétation des performances d'adsorption
• Co-auteur d'une étude utilisant ML, plan d'expériences et clustering pour la biosorption de l’uranium par hydroxyapatite et farines d'os
• Développement en cours d'une approche prédictive basée sur Random Forest pour l’adsorption de colorants (Reactive Black 5) sur biochars

Publications :

• Biosorption of methylene blue by bone meal: experimental and modeling with machine learning and full factorial design – Front. Environ. Chem. (2024)
• Uranium biosorption by hydroxyapatite and bone meal: evaluation of process variables through experimental design – ESPR (2021)
• Removal of Reactive Black 5 Dye by Biochars: Experimental and Data-Driven Modeling Approaches (en cours de rédaction)

Figure 1 : Architecture ANN et importance des variables pour la biosorption de bleu de méthylène

Figure 2 : Clustering et analyse de variables pour l’adsorption d’uranium par hydroxyapatite et farines d’os

Figure 3 : Prédiction par Random Forest de l’adsorption du colorant Reactive Black 5 (en préparation)