Chapitre I : Recherche Bibliographique
III. Matériaux semi-conducteurs supporté par du charbon actif
L’utilisation de matériaux semi-conducteurs supportés par du charbon actif peut être une
alternative efficace dans le traitement des eaux usées [40, 41]. Ces dernières années, le
charbon actif a été utilisé comme support de catalyseurs hétérogènes. Les propriétés
physiques du charbon actif comme la grande surface, la porosité élevée, le faible coût, la
facilité de récupération, et affinité plus élevée pour les matières organiques et les métaux
lourds, augmentent son utilisation comme matériau de support pour la synthèse de
photocatalyseurs. [80]
Dans le tableau
I.11, nous avons essayé de détailler les étapes de préparation de quelques
photocatalyseur (Zn, ZnO ou TiO
2supporté sur CA) ainsi que leurs capacités de dégradation
de polluants
Tableau
I. 11: Etapes de préparation de quelques photocatalyseurs a partir de Zn, ZnO, TiO
2supportés sur CA
Type
précurseur du
CA
Etapes de préparation Taux ou capacité d’élimination
Biomasse
secondaire des
boues
[81]
Imprégnation :-Acétate de Zinc +CA+ 50ml d’eau dionisée + agité pendant
10min (ZnO:CA (2 :3))
-ajout de NaOH (0.5mol.L
-1) jusqu'au pH=10
- Le mélange obtenu a été maintenu à 180°C pendant 12h puis refroidi à T
amb--lavage avec de l'éthanol et de l'eau désionisée.
-Filtrage puis séchage à 70 ° C pendant 12 h
Dose CA (g/L) :1
C
i(mg/L) :10
t (min) :360
Source de la lumière: UV
Taux d’élimination du Cr : 92%
CA-ZnO
[82]
-ZnO +CA dans une solution aqueuse+ agitation pendant 3h
- Filtrage et séchage
Ci = 3.10
-4mol. L
-1-Irradiation UV
Dégradation complète du 4-acetylphenol
pendant 150 min
-Irridiation solaire élimination totale
pendant 12 min
CA-ZnO
[83]
-ZnO +CA dans une solution aqueuse+ agitation pendant 3h
- Filtrage et séchage
Ci= 3.10
-4mol/L
Irradiation solaire
Colorant azoique (direct yellow 4)
Taux d’élimination= 95% pendant 120
min.
biomasse
déchet -2,74 g nitrate de zinc+ 0,25 g CA +100 ml eau distillée
+agitation pendant 20 min à T
ambCi=50 mg/L
Dose:1 g/ L
[84] -ajout de NaOH (1M) a été ajouté goutte à goutte dans la
solution pendant 20 min jusqu'à ce qu'un pH= 10.
- Chauffage pendant 6 h à 120 ° C
- centrifugation
-lavage et séchage à 60 ° C pendant une nuit.
UV et lumière visible
Colorant GO
Taux d’élimination 50%
CA
[85]
La méthode sol – gel a été utilisée pour déposer le TiO
2sur la
surface du CA. Le précurseur de titane a d'abord été dissous
dans une solution d'éthanol et dispersé avec l'addition d'une
quantité appropriée d'acide acétique, mélange pendant 1h.
-CA a été lavé avec HNO
36N et chargé dans la solution avec les
rapports TiO
2/ CA à 1:10 et mélangé pendant 10 h.
-séchage à 80 ° C pendant une nuit et calcination à 400 ° C
pendant 1 h pour obtenir des catalyseurs composites TiO
2/ AC.
2-chlorophenol
UV irradiation
Capacité d’élimination 550 mg/g
Pendant 200 min
Carbone noir
[86]
Méthode de sol-gel a été suivie à basse T(0°C) pour déposé le
TiO
2sur le carbone noir.
-2 ml de TiCl
4ont été ajouté goutte à goutte à 100 ml de HCl
(1M) solution aqueuse(pH=3)+ agitation pendant 24 h.
-'hydrolyse complète du précurseur a été suivie d'une lente
réaction de polycondensation.
Ci=26mg/L
UV irradiation
Section D : Modélisation par les plans d’expériences
I. Généralité
Lors de la conception ou la reconception, le comportement d’un produit industriel est
généralement fonction de nombreux paramètres, que l’on s’autorise à modifier, souvent dépendants
les uns des autres. Pour prévoir ce comportement, le produit et les paramètres sont modélisés, et des
simulations sont effectuées. La pertinence des résultats des simulations dépend évidemment de la
qualité des modèles.
Or, les essais expérimentaux sont coûteux, et ce d'autant plus que le nombre de paramètres à faire
varier est important. En effet, la modification d'un paramètre peut par exemple exiger un démontage
et un remontage du produit, ou bien la fabrication de plusieurs prototypes différents (cas d'une pièce
produite en série), ou encore l'interruption de la production pour changer d'outil (cas d'un processus
de fabrication)... Le coût d'une étude expérimentale dépend donc du nombre et de l'ordre des essais
effectués.
L'idée consiste alors à sélectionner et ordonner les essais afin d'identifier, à moindres coûts, les
effets des paramètres sur la réponse du produit. Il s'agit de méthodes statistiques faisant appel à des
notions mathématiques simples le plus souvent. La mise en œuvre de ces méthodes comporte trois
étapes :
1. Postuler un modèle de comportement du système (avec des coefficients pouvant être inconnus)
2. Définir un protocole d'expérience, c'est-à-dire une série d'essais permettant d'identifier les
coefficients du modèle
3. Faire les essais, identifier les coefficients et conclure.
Les plans d'expériences permettent d'organiser au mieux les essais qui accompagnent une recherche
scientifique ou des études industrielles. Ils sont applicables à de nombreuses disciplines et à toutes
les industries à partir du moment où l'on recherche le lien qui existe entre une grandeur d'intérêt, y
(quantité de rebus, défauts, détections, amplitude, etc.), et des variables x
i .II. Types des plans d’expériences
Il existe trois grandes familles de plans d'expériences:
Les "plans de criblages": dont l'objectif est de découvrir les facteurs les plus influents sur une
réponse donnée en un minimum d'expériences. C'est la plus simples des familles car proche de
l'intuition expérimentale (elle est parfois considérée comme une sous-famille de la deuxième
Les "plans de modélisation": dont l'objectif est de trouver la relation mathématique qui lie les
réponses mesurées aux variables associés aux facteurs soit via une démarche mathématique
analytique ou purement matricielle. Les plans factoriels complets et fractionnaires (2 niveaux par
facteurs avec modèles linéaires) ainsi que les plans pour surfaces de réponse (au moins 3 niveaux
par facteurs avec modèles du second degré) font partie de cette famille.
Les "plans de mélange": dont l'objectif est le même que la deuxième famille mais où les facteurs
ne sont pas indépendants et sont contraints (par exemple leur somme/ ou leur rapport doit être égale
à une certaine constante).
III. Modélisation
La modélisation mathématique consiste à trouver une fonction f telle que:
y = f (x
1, x
2…..)………..(22)
Où y est la réponse et x
1, ..., x
nsont les facteurs. Ce modèle est déterministe (la réponse dépend
uniquement des facteurs sans aucune incertitude possible, ce qui revient à ignorer les bruits tels que
les erreurs de mesure) et invariant (le comportement n'évolue pas au cours du temps).
Réponse
On qualifie de réponse la grandeur qui est observée pour chaque expérience réalisée. On supposera
toujours ici que cette grandeur est numérique et qu’une seule réponse à la fois est observée (des
techniques de planification multiréponses existent aussi). [87]
Facteur et niveaux
La valeur de la réponse dépend de plusieurs variables. Au lieu du terme "variable" on utilisera le
mot "facteur". La valeur donnée à un facteur pour réaliser un essai est appelée "niveau". Lorsqu'on
étudie l'influence d'un facteur, en général, on limite ses variations entre deux bornes appelées
respectivement: "niveau bas" et "niveau haut".
L'ensemble de toutes les valeurs que peut prendre le facteur entre le niveau bas et le niveau haut,
s'appelle le "domaine de variation du facteur" ou plus simplement le "domaine du facteur". Nous
avons l'habitude de noter le niveau bas par (-1) et le niveau haut par (+1) pour des raisons
d'approximation mathématiques.
III.1 Types de model
a) Modèle affine sans interactions
Un choix extrêmement simple est le suivant :
Il s'agit d'un modèle affine par rapport à chacun des facteurs (en fixant tous les facteurs autres que
xi, on a une relation du type f(x
i) = (Ax
i+ B). Notons que l'influence de chacun des facteurs sur la
réponse "va toujours dans le même sens" : si a
iest positif, la réponse sera toujours croissante en
fonction de xi. Mais en réalité, la forme ci-dessus est souvent insuffisante, car les facteurs agissent
rarement de manière indépendante les uns des autres.
b) Modèle affine avec interactions doubles
L'influence d'un facteur sur la réponse peut dépendre du niveau des autres facteurs. Supposons
l’existence de deux facteurs x
1, x
2a deux niveaux. L'influence de x
1sur la réponse dépend donc du
niveau de x
2. Or, ce type de comportement ne peut pas être représenté correctement par la forme
précédente : l'influence de x
1est uniquement déterminée par la valeur du coefficient a
1. Pour
introduire cette dépendance, on peut ajouter des termes "croisés" au modèle précédent ; on obtient
alors la forme suivante :
y = c++………….(24)
c) Modèle affine avec interactions d'ordre supérieur
La notion d'interaction peut se généraliser à plus de deux variables. Par exemple, un modèle avec
interactions d'ordre 3, ou interactions triples, s'écrira sous la forme suivante :
y= c + …………(25)
Les produits triples permettent de modéliser des phénomènes se produisant lorsque trois facteurs
sont à un niveau donné. On définit de même des interactions d'ordre 4, 5... Dans un modèle à n
facteurs, il existe ainsi des interactions jusqu'à l'ordre n.
Cependant, en pratique, les interactions d'ordre élevé ont souvent une influence très faible sur la
réponse. Il est donc possible de ne pas les inclure dans le modèle, ce qui conduit à faire moins
d'essais. [88]
III.2 Erreur
Cependant, une relation choisie pour expliquer un phénomène donné n'est que rarement exacte.
Tout d'abord, un modèle n'est en général qu'une approximation d'un phénomène beaucoup plus
complexe. De plus, toute expérience répétée deux fois dans des conditions que l'on croit identiques,
ne donne que rarement le même résultat. Les variations sont en général dues à une multitude de
facteurs extérieurs que l'on ne sait pas contrôler. Il est donc raisonnable d'attacher à tout modèle,
supposé refléter un phénomène complexe, un terme aléatoire qui représente l'écart entre le modèle
théorique choisi et l’observation. Ce terme aléatoire appelé terme d'erreur ou résidus, sera ajouté au
modèle comme le montre la relation suivante :
Y = f(x)+e………..(26)
e : terme d’erreur ou résidu.
Les résidus permettent de mesurer la qualité de l'ajustement et, plus précisément, d'analyser si les
réponses sont plus ou moins bien "expliquées par le modèle".
III.3 Plan optimal à deux niveaux (plan 2
k)
Dans cette méthode, le nombre de niveaux de variation pour chaque facteur est restreint à deux. Ces
plans sont les plus simples et les plus utilisés car ils forment la base de tous les débuts d’études. Les
premiers résultats obtenus grâce à ces plans peuvent toujours être complétés par de nouvelles
expériences permettant d’atteindre le degré de précision et d’information recherchée [89].
Si l’on conduit les expériences sur deux niveaux et si on réalise au cours d’une expérience toutes les
combinaisons possibles de K facteurs, l’organisation des essais selon un tel plan porte le nom
« d’expérience factorielle complète » ou plan 2
k.
Les niveaux des facteurs constituent alors les frontières étudiées selon un paramètre technologique
donné
De façon générale, on a pour tout facteur Zj
Z
j0= (27) j=1,2,3,...k
∆Z
j= (28) j= 1,2,3,...k
Le point coordonnées (; , ... ) est dénommé centre du plan ou , parfois, niveau fondamental ; ∆Z
jest l’unité ou l’intervalle de variation suivant l’axe des Z
j.Afin de passer du système de coordonnées Z
1,Z
2, ... Z
kà un nouveau système X
1, X
2, ... , X
kde
coordonnées sans dimension, il suffit d’utiliser la formule de passage (codage) qui est :
X
j= (29) j = 1,2,3,...,k
Dans le système de coordonnées sans dimension, le niveau supérieur est égal à (+1), le niveau
inférieur à (-1) et les coordonnées du centre du plan sont nulles et coïncident avec l’origine des
coordonnées.
Le nombre N de combinaisons possibles de k facteurs sur deux niveaux est égal à N = 2
koù k est le
nombre de facteurs indépendants.
Le plan d’exécution des expériences (matrice de planification) s’écrit sous la forme suivant
(Tableau
I. 12) :
Tableau I. 12: Matrice de planification des expériences pour un plan à 3 facteurs
Sortie
Valeurs des facteurs dans le
système des coordonnées
sans dimensions
valeur
fictiv
e
Valeurs des facteurs à l’échelle
naturelles
Y
X
3X
2X
1X
0Z
3Z
2Z
1N
ode
l’essai
Y
1Y
2Y
3Y
4Y
5Y
6Y
7Y
8-1
+1
-1
+1
-1
+1
-1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
Z
minZ
maxZ
minZ
maxZ
minZ
maxZ
minZ
maxZ
minZ
minZ
maxZ
maxZ
minZ
minZ
maxZ
maxZ
minZ
minZ
minZ
minZ
maxZ
maxZ
maxZ
max1
2
3
4
5
6
7
8
III.4 Calcul des effets des facteurs
L’effet de chaque facteur et l’interaction entre deux facteurs sont calculé à partir de la matrice de
calcul des effets.
Tableau I. 13 : Matrice de calcul des effets à deux facteurs
N° essai Moyenne
a
0effet du
facteur 1
a
1effet du
facteur 2
a
2effet d’interaction
entre 1 et 2
a
12réponse
1 +1 -1 -1 +1 y
12 +1 +1 -1 -1 y
23 +1 -1 +1 -1 y
34 +1 +1 +1 +1 y
4L’effet de facteur 1 est déterminé en multipliant chaque réponse yi par la valeur du signe figurant
dans la colonne du facteur 1 :
a
2=
1/4[-y
1-y
2+ y
3+y
4] (31)
L’interaction a
12est donnée par la même technique de calcul mais en employant la colonne des
signes de l’interaction :
a
12=
1/4[+y
1- y
2- y
3+ y
4] (32)
Ajoutons a
0la valeur de la réponse au centre du domaine d’étude :
a
0=
1/4[+y
1+ y
2+ y
3+ y
4] (33)
Dans le document
Étude de l’élimination de polluants dans l’eau sur des déchets valorisables par adsorption et catalyse hétérogène
(Page 62-70)