La séparation de gaz par membrane est une technologie utilisée dans des applications industrielles de grand intérêt, telles que la récupération de l’hydrogène des usines d’ammoniac et des raffineries, ou la capture du CO₂ des émissions industrielles et des centrales électriques. Dans ces procédés, des matériaux avec une perméabilité spécifique sont utilisés pour séparer différents composés.

La performance de cette technologie dépend de divers facteurs tels que les propriétés du matériel, la surface de la membrane, la pression, etc. De plus, plusieurs étapes de séparation peuvent être nécessaires lorsque des niveaux élevés de récupération et de pureté sont requis. L’objectif de la conception du processus est de déterminer la configuration ayant un coût de séparation minimal. Dans ce travail, le problème est modélisé comme un problème d’optimisation globale, où le comportement de chaque étape de séparation est représenté par un réseau de neurones artificiels (ANN). Un problème similaire a été étudié (Knitro – Artelys) avec une méthodologie différente. Dans ce nouveau travail, les auteurs proposent une méthode d’augmentation des données efficace pour améliorer la prédiction du ANN, basée sur la simulation autour de solutions optimales locales.

Les auteurs utilisent Artelys Knitro pour résoudre les problèmes non linéaires (NLP), qui surviennent à la fois dans la stratégie d’optimisation globale (multistart) et dans la procédure d’augmentation des données. Cela montre comment Artelys Knitro peut être utilisé pour la conception de ces processus et pour guider l’algorithme d’augmentation de données.