32
Équation 9 : Formules
des fonction d'erreurs
(tab.16).
II.3.3 Validation des modèles appliqués
Au cours des dernières décennies, la régression linéaire a été l'un des outils les plus viables
définissant la relation la mieux adaptée (Kumar, 2006) quantifier la distribution des adsorbats,
analyser mathématiquement les systèmes d'adsorption (Cheung et al., 2002) et vérifier la
cohérence et les hypothèses théoriques d'un modèle d'isotherme (Kapoor et al., 1989). Par
conséquent, un certain nombre de fonctions d'erreur mathématiquement robustes ont récemment
été proposées.
La progression de la modélisation d'isotherme non linéaire a été largement facilitée (Kapoor &
Yang, 2008). Contrairement aux modèles de linéarisation, la régression non linéaire implique
généralement la minimisation ou la maximisation de la distribution d'erreur (entre les données
expérimentales et l'isotherme prédit) en fonction de ses critères de convergence (Marquardtet al.
1963).
Sum squares errors
ERRSQ/SSE
(Kumar &
Sivanesan,2006)
Hybrid fractional error
function
HYBRID
(Cheung &
McKay,2002)
Average relative error
ARE
(Kapoor &
Yang,1989)
Marquardt’s percent
standard deviation
MPSD
(Marquardt,1963)
Tableau 8 : Fonctions d’erreurs