Le modèle hybride prédit la meilleure technologie pour réduire les émissions industrielles dans l’industrie chimique
La séparation et la purification des mélanges de molécules étroitement liés peut être parmi les processus les plus à forte intensité énergétique de l’industrie chimique et contribue à son empreinte carbone significative à l’échelle mondiale. Dans de nombreux cas, les protocoles traditionnels de séparation industrielle pourraient être remplacés en utilisant les dernières membranes de nanofiltration économes en énergie, mais tester la meilleure technologie de séparation pour chaque cas d’utilisation industrielle est lent et coûteux.
Un outil de calcul qui peut réduire ce travail en comparant les technologies de séparation pour un mélange chimique donné et prédire la technologie la plus efficace et peu coûteuse pour la tâche, a été développée par des chercheurs de KAUST. L’œuvre est publiée dans la revue Énergie de la nature.
« Nous sommes en mesure de prédire la séparation de millions de molécules pertinentes dans les industries telles que les produits pharmaceutiques, les pesticides et les pigments », explique Gyorgy Szekely, qui a mené la recherche.
Les membranes commerciales de nanofiltration peuvent réduire le coût énergétique des séparations chimiques, par rapport aux méthodes traditionnelles thermiques telles que l’évaporation et la distillation, en filtrant sélectivement le produit souhaité. Cependant, la nanofiltration ne fonctionne pas dans tous les cas.
« Prédire les performances de séparation des membranes pour différents mélanges chimiques est un défi notoirement difficile », explique Szekely.
Pour développer leur outil global de sélection de technologies de séparation chimique, Szekely et son équipe ont compilé une collection de près de 10 000 mesures de nanofiltration à partir de la littérature scientifique, en se concentrant sur les membranes disponibles dans le commerce.
Les chercheurs ont utilisé l’apprentissage automatique pour analyser les données, générant un modèle d’IA capable de prédire les performances de nanofiltration pour les mélanges chimiques non testés. Ces informations ont été combinées avec des modèles mécanistes pour estimer les besoins en énergie et en coût d’une séparation chimique si elles ont été effectuées par nanofiltration, évaporation ou extraction.
« Notre nouvelle approche de modélisation hybride nous permet d’évaluer des millions d’options de séparation potentielle, d’identifier la technologie la plus appropriée et économe en énergie pour une tâche de séparation chimique donnée », explique Gergo Ignacz, membre de l’équipe de Szekely. « Cela permettra à l’industrie de prendre des décisions mieux informées qui réduisent considérablement les coûts d’exploitation, la consommation d’énergie et les émissions de carbone. »
Le pouvoir prédictif du modèle hybride a été validé expérimentalement à l’aide de trois études de cas pertinentes industriellement, dit Szekely. « Nous avons trouvé une excellente correspondance entre les valeurs que notre modèle prédit et mesuré les valeurs pour ces processus. »
Les chercheurs ont montré que les émissions de dioxyde de carbone des purifications pharmaceutiques pouvaient être réduites jusqu’à 90% en sélectionnant la technologie la plus efficace pour la tâche. Dans l’ensemble, la consommation d’énergie et les émissions de dioxyde de carbone des séparations industrielles pourraient être réduites en moyenne de 40% en utilisant cette méthode, ont-ils estimé.
Une découverte surprenante a été la différence frappante entre la meilleure méthode et les deux autres méthodes pour une séparation donnée, dit Ignacz. « Dans la plupart des cas, la nanofiltration, l’évaporation ou l’extraction est apparue comme un gagnant clair, une méthode surpassant considérablement les autres en fonction des mesures économiques et énergétiques, laissant peu de terrain. »
Bien que le pouvoir prédictif du modèle se soit révélé élevé, il y a encore place à l’amélioration et à la validation supplémentaire, dit Szekely. « Nos outils sont disponibles en libre accès via la base de données OSN à www.osndatabase.com, et nous encourageons la communauté à les utiliser. »
