Browsing by Author "Mougari, Nour Elislam"

Now showing 1 - 2 of 2

A machine learning and Particle Swarm Optimization approach for desiccant wheel modeling and performance prediction
(Elsevier, 2025) Ghersi, Djamal Eddine; Mougari, Nour Elislam; Loubar, Khaled; Amoura, Meriem; Desideri, Umberto
Accurate modeling of desiccant wheels (DWs) is critical for the design and optimization of energy-efficient dehumidification systems. This study presents a novel approach for predicting DW performance by coupling machine learning (ML) models with Particle Swarm Optimization (PSO) for hyperparameter tuning. To validate the effectiveness of this metaheuristic approach, the performance of the PSO-optimized models was rigorously benchmarked against counterparts tuned using conventional Bayesian Optimization (BO). Four distinct ML models, including Artificial Neural Network (ANN), k-Nearest Neighbors (KNN), Random Forest (RF), and Support Vector Regressor (SVR), were developed to predict the process air outlet temperature (Tp,out) and humidity ratio (ωp,out). The models were trained and validated on a comprehensive dataset, uniquely expanded to include experimental data from low-humidity and low-temperature deep dehumidification conditions. The results demonstrate that the PSO-optimized Artificial Neural Network (PSO-ANN) model provides superior predictive accuracy. For the process outlet temperature, the PSO-ANN model achieved a Coefficient of Determination (R2) of 0.9985 and a Root Mean Square Error (RMSE) of 0.3204 °C. For the outlet humidity ratio, it achieved an R2 of 0.9984 and a RMSE of 0.1497 g/kg. Furthermore, a SHAP (SHapley Additive exPlanations) analysis confirmed that the model’s predictions are physically consistent and interpretable. The developed high-fidelity model serves as a robust and reliable tool for the advanced analysis and design of desiccant air conditioning systems across a wide range of operational scenarios
Micro-méthanisation à la ferme
(Université M'Hamed Bougara : Faculté de Technologie, 2021) Mougari, Nour Elislam; Hachemi, Madjid( Directeur de thèse)
La méthanisation ou digestion anaérobie (DA) est l’une des techniques les plus avantageuses pour la fourniture d'énergie durable et l’élimination des déchets. Cependant, la production de biogaz par une telle pratique est complexe et repose sur l'interaction de plusieurs facteurs physiques, chimiques et opérationnels. Il est nécessaire de comprendre la dynamique des processus avant la mise en échelle de la DA. De nombreux modèles mathématiques mécanistes (boîte blanche) ont été proposés pour obtenir un processus de DA optimal. Malgré les avantages de ces modèles, leur utilisation peut être limitée par la complexité des processus de DA. Pour surmonter leurs limites, l'utilisation de modèles empiriques est envisagée. Parmi divers modèles empiriques, nous trouvons des techniques d'intelligence computationnelle (CI), y compris les réseaux de neurones artificiels (ANN), la logique floue (FL), les algorithmes évolutionnaires (EA) et l'hybridation de ces techniques, qui sont adoptées dans la présente thèse. L’objectif du travail est de développer des modèles robustes, rapides et précis, contenant une base de données de différents types et mélanges de déchets organiques, en appliquant des techniques d'intelligence Computationnelle (IC) hybrides. Dans un premier lieu, les techniques des réseaux de neurones artificiels (RNA) et l’algorithme génétique (AG) ont été combinées, pour développer deux modèles globaux multi-entrées, permettant la prédiction de la production de biogaz et de méthane de différents substrats organiques. Le rapport solides volatiles et solides totaux (SV/ST), la teneur en Carbon (C), le rapport C/N et le temps de digestion (TD) ont été pris en compte. De plus, des modèles cinétiques basés sur l’Equation de Gompertz modifiée (EGM) ont été développés pour prédire la production de biogaz et de méthane, en optimisant leurs paramètres cinétiques à l’aide de l’AG. Ces résultats ont prouvé l’efficacité des modèles basés sur les RNA (empiriques) par rapport aux modèles cinétique basés sur l’EGM (mécanistes), validant la possibilité d’utiliser les RNA comme technique performante, pour développer un modèle global qui permet de prédire la production de biogaz et de méthane à partir d’une grande variété de mélanges de déchet organiques. Dans un deuxième lieu, en plus des RNA, une nouvelle technique hybride qui est, système d'inférence neuro floue adaptatif (ANFIS), couplés à l’AG ont été employés pour prédire et optimiser la production du biogaz et de méthane, à partir de la codigestion des fumiers de vaches et de la paille de blé. La teneur en solides totaux (TS %), le rapport de mélange (RM) et le temps de digestion (TD) ont été sélectionnés comme entrées aux modèles. Les résultats ont montré que l'hybridation du RNA et d'ANFIS avec l’AG (AG-RNA et AG-ANFIS), a rendu la détermination de leurs architectures optimales faciles et moins chronophages par rapport à la méthode traditionnelle « Essais et Erreurs ». AG-ANFIS a fourni une précision de prédiction légèrement meilleure que AG-RNA indiquant un petit avantage d'ANFIS sur les RNA. Cependant, les approches développées peuvent à la fois être utilisées comme des outils efficaces pour la prédiction de la production de biogaz et de méthane. Enfin, les modèles hybrides AG-RNA et AG-ANFIS ont permis d’optimiser les meilleurs paramètres de fonctionnement, pour une production maximale de méthane. Ces modèles permettraient aux opérateurs de processus de digestion anaérobie de contrôler, d'évaluer et de prédire les paramètres opérationnels à l'avance, sans compromettre la stabilité du processus pour une production de biogaz améliorée et efficace. Ceci est important pour la sécurité environnementale future et la prospérité économique des systèmes de DA.