Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Modélisation physicochimique et neuronale appliquée au contrôle du pH
Univ Europeenne - EAN : 9786138401513
Édition papier
EAN : 9786138401513
Paru le : 1 juil. 2018
61,90 €
58,67 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9786138401513
- Réf. éditeur : 6911979
- Editeur : Univ Europeenne
- Date Parution : 1 juil. 2018
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 156
- Format : H:229 mm L:152 mm E:9 mm
- Poids : 239gr
- Interdit de retour : Retour interdit
- Résumé : L'objectif de la présente thèse est d'assurer le contrôle du pH des eaux acidifiées d'extraction de sucre à partir de la betterave en testant l'approche neuronale. Le modèle neuronal développé est basé sur un réseau de neurones à trois couches dont l'apprentissage a été basé sur les résultats d'essais industriels effectués sur le procédé réel dans une sucrerie de betterave nationale. A cause des difficultés de réalisation d'un nombre suffisant d'essais industriels pour la validation du modèle neuronal, un modèle physico-chimique décrivant le comportement dynamique du procédé étudié a été développé. Celui-ci a été validé sur la base d'essais industriels et une étude de la sensibilité paramétrique. A cet effet, la validation du modèle neuronal a été réalisée sur la base des résultats d'essais industriels sur le procédé réel et d'autres simulés à l'aide du modèle physico-chimique. Le contrôleur prédictif à modèle inverse a été adopté en se basant sur le réseau neuronal direct précité et son réseau neuronal inverse. Ses performances ont été évaluées et comparées à celles du contrôleur PID. Les résultats obtenus montrent la grande fiabilité du contrôleur neuronal.