| dc.description.abstract | Le craquage catalytique fluidisé (FCC) est un procédé essentiel dans le raffinage du pétrole
brut, transformant les hydrocarbures lourds en produits légers à plus haute valeur ajoutée.
Traditionnellement, la prédiction et l’optimisation des performances des unités FCC reposent
sur une modélisation physique complexe et laborieuse. L’avènement de l’apprentissage
automatique (ML), en particulier des réseaux de neurones artificiels (ANN), offre une
opportunité d’améliorer la précision prédictive, d’optimiser les paramètres opérationnels et de
réduire les coûts. Cette étude applique les ANN pour simuler et prédire les performances du
FCC dans un contexte de raffinage. Des indicateurs clés tels que le débit de pétrole brut, le
rendement en coke, le ratio catalyseur/huile, la désactivation du catalyseur et la qualité des
produits ont été modélisés avec une grande précision. Le modèle RNA développé a atteint une
erreur quadratique moyenne (RMSE) de 1.4305x10-05et un coefficient de détermination (R) de
0.99973, démontrant des performances supérieures aux approches traditionnelles. Ces résultats
soulignent le potentiel des méthodes basées sur les RNA pour révolutionner l’optimisation du
procédé FCC, permettant un contrôle plus précis, une meilleure efficacité opérationnelle et des
gains économiques accrus dans les raffineries modernes. | en_US |