Prédire l'impact des variables de processus d'entrée sur les processus chimiques est essentiel pour évaluer leurs performances sur ces derniers. Les modèles expliquant cet impact par une approche mécaniste sont rarement facilement disponibles, de nature complexe et/ou nécessitent un long temps de développement. Avec une automatisation accrue dans les industries et la disponibilité de données expérimentales à haut débit, les modèles d'apprentissage automatique basés sur les données gagnent en popularité en raison de leur simplicité et de leur effort de calcul réduit. Dans ce travail, les données de synthèse Fischer – Tropsch à sorties multiples générées via le modèle mécaniste Single-Event MicroKinetic (SEMK) sont analysées avec différents modèles d'apprentissage automatique (ML) tels que Lasso, K Nearest Neighbors (KNN), Support Vector Regression (SVR) , et la régression du réseau de neurones artificiels (ANN). La température et la pression sont identifiées comme les variables d'entrée dominantes. Parmi les modèles ML considérés, ANN est apparu comme le plus performant en ce qui concerne les résultats SEMK de référence. De plus, la validité des prédictions du réseau de neurones est vérifiée à l'aide de la technique d'interprétation dite de Shap-value. L'impact relatif des variables d'entrée obtenues à l'aide des valeurs de Shap, sur la conversion suit l'ordre de température (1x) > pression (0,22x) > espace-temps (0,1x) > rapport de gaz de synthèse (0,03x). La température (1x) et la pression (0,26x) restent les variables d'entrée dominantes pour la sélectivité des oléfines légères, mais celles de l'espace-temps (0,03x) et du rapport de gaz de synthèse (0,03x) deviennent comparables. Ce travail fournit une méthode de référence pour l'identification de modèles ML appropriés pour la prédiction multi-sorties dans les processus chimiques.
L'article complet peut être trouvé dans https://www.sciencedirect.com/science/article/pii/S0921344922001045.