LABORATOIRE DE BIOMATÉRIAUX ET PHÉNOMÈNES DE TRANSPORT

Intitulé de l’équipe 5 :  Chimie Théorique et Computationnelle en Génie des Procédés

Acronyme et code:  CTCGP         C0560105

Domaine : Génie des procédés et environnement

Chef d’équipe:   Pr. LAIDI Maamar

Description scientifique du programme de recherche

La chimie théorique et computationnelle en génie des procédés est un domaine qui se situe à l’interface de la chimie, de la physique et de l’informatique. Il s’agit d’utiliser des méthodes de modélisation et de simulation informatiques pour étudier les propriétés et les comportements des molécules, des réactions chimiques et des processus impliqués dans le génie des procédés. En utilisant des approches théoriques et des calculs informatiques, la chimie théorique et computationnelle permet de prédire et de comprendre les propriétés des substances chimiques, telles que leur structure moléculaire, leur stabilité, leur réactivité chimique, leurs propriétés thermodynamiques et les phénomènes des processus, etc. Cela permet de rationaliser et de guider la conception de nouveaux matériaux, de catalyseurs et de produits chimiques, en minimisant les essais expérimentaux coûteux et en accélérant le processus de développement. Dans le contexte du génie des procédés, la chimie théorique et computationnelle est utilisée pour étudier les réactions chimiques qui se produisent dans les procédés industriels, afin d’optimiser leur efficacité, leur sélectivité et leur durabilité, ainsi que la prédiction de la phénoménologie des processus en question. Cela comprend la modélisation et la simulation des réactions chimiques, la prédiction des cinétiques réactionnelles, l’optimisation des conditions de réaction, etc. Ces informations permettent d’améliorer la conception des procédés, d’optimiser les paramètres de fonctionnement et de réduire les coûts de production.

 

 Nom et Prénom Grade Qualité Etablissement
1 LAIDI Maamar Pr. Chef d’équipe Fac. Technologie / UYFM
2 ABDALLAH EL HADJ Abdallah Pr. Membre Fac. Sciences / USDB1
3 RAHAL Soufiane MCA Membre Fac. Technologie / UYFM
4 REBHI Redha MCA Membre Fac. Technologie / UYFM
5 ALI AGHA Hamza MCA Membre Fac. Technologie / UYFM
6 SARRAI Abdelaziz MCA Membre Fac. Technologie / UYFM
7 CHABA-MOUNA Siham MCB Membre Fac. Technologie / UYFM
8 MOUMEN Riadh MAA Membre Fac. Biologie / UDBKM
9 AIT YAHIA Ahmed MAA Membre Fac. Sciences / USDB1
10 IBRIR Abdallah MAB Membre Fac. Technologie / USDB1

 

Publications :

N Nom et prénom

 des auteurs

Titre de l’article Journal Catégorie

 A+/A/B/C

Lien sur net ou

 DOI

Année de publication
1 Soufiane Rahal,  Hadidi Noureddine,Mabrouk Hamadache, In silico prediction of critical micelle concentration (CMC) of classic and extended anionic surfactants from their molecular structural descriptors Arabian Journal for Science and Engineering A https://doi.org/10.1007/s13369-020-04598-0 2020
2 A Ibrir, Y Kerchich, N Hadidi, H Merabet, M Hentabli Prediction of the concentrations of PM1, PM2. 5, PM4, and PM10 by using the hybrid dragonfly-SVM algorithm Air Quality, Atmosphere & Health A https://link.springer.com/article/10.1007/s11869-020-00936-1 2020
3 A Ibrir, Y Kerchich, N Hadidi, R Rebhi Evaluation and prediction of the effects of the dispersion of (VOCs) on the population in urban air using ANSYS CFX Algerian Journal of Environmental Science and Technology B https://www.aljest.net/index.php/aljest/article/view/528 2021
4 A El Bey, M Laidi, A Yettou, S Hanini, A Ibrir, M Hentabli, H Ouldkhaoua Practical artificial neural network tool for predicting the competitive adsorption of dyes on gemini polymeric nanoarchitecture Kemija u industriji: Časopis kemičara i kemijskih inženjera Hrvatske B https://hrcak.srce.hr/clanak/380340 2021
5 A. Abdallah el Hadj, M. Laidi, S. Hanini New method based on neuro-fuzzy system and pso algorithm for estimating phase equilibria properties Chemical Industry and Chemical Engineering Quarterly A Doi.org/10.2298/CICEQ201104024A 2021
6 Y. Mesellem, A. Abdallah el Hadj, M. Laidi, S. Hanini, M. Hentabli Computational intelligence techniques for modeling of dynamic adsorption of organic pollutants on activated carbon Neural Computing and Applications A https://doi.org/10.1007/s00521-021-05890-2 2021
7 Y. Mesellem, A. Abdallah el Hadj, M. Laidi, S. Hanini, M. Hentabli Artificial Neural Network Modelling of Multi-system Dynamic Adsorption of Organic Pollutants on Activated Carbon KEMIJA U INDUSTRIJI B https://doi.org/10.15255/KUI.2020.011 2021
8 M. Moussaoui, M. Laidi, S. Hanini,  A. Abdallah El Hadj, M. Hentabli Critical Properties and Acentric Factors of Pure Compounds Modelling Based on  QSPR-SVM with Dragonfly Algorithm KEMIJA U INDUSTRIJI B https://doi.org/10.15255/KUI.2020.063 2021
9 M. Moussaoui, M. Laidi, S. Hanini,  A. Abdallah El Hadj, M. Hentabli CMC of diverse Gemini surfactants modeling using a hybrid approach combining SVR-DA Chemical Industry and Chemical Engineering Quarterly A https://doi.org/10.2298/CICEQ200907048L 2021
10  Sarrai Abdelaziz, Belaissa Yahia, Kirdi Rachida, Hanini Salah, Tibor Szabó, László Nagy Modeling and optimization of Tylosin adsorption using dehydrated wheat bran: adsorption behaviors, kinetic and thermodynamic studies Reaction Kinetics, Mechanisms and Catalysis  A DOI: 10.1007/s11144-022-02241-7 2022
11 Amina Ould Larbi, Redha Rebhi, Soufiane Rahal, Giulio Lorenzini, Laidi Maamar, Younes Menni, Hijaz Ahmad Impact of Non-Newtonian Fluids’ Rheological Behavior on Double-Diffusive Natural Convection in an Inclined Square Porous Layer Journal of Advanced Research in Fluid Mechanics and Thermal Sciences B https://doi.org/10.37934/arfmts.99.2.1747 2022
12 A. Abdallah el Hadj, M. Laidi, S. Hanini AI-PCSAFT approach: new high predictive method for estimating PC-SAFT pure component properties and phase equilibria parameters Fluid Phase Equilibria A Doi.org/10.1016/j.fluid.2021.113297 2022
13 Soufiane Rahal, Mabrouk Hamadache,  Hadidi Noureddine,  Moulai-Mostefa Nadji Remediation of crude oil polluted soil using washing process with surfactant in batch reactor Algerian Journal of Environmental Science and Technology B https://www.aljest.net/index.php/aljest/article/view/876 2023
14 Mohamed Hentabli & Salah Hanini Faiza Omari,Latifa Khaouane,Maamar, Laidi,Abdellah Ibrir,Mohamed Roubehie Fissa Dragonfly algorithm–support vector machine approach for prediction the optical properties of blood Computer Methods in Biomechanics and Biomedical Engineering A https://www.tandfonline.com/doi/abs/10.1080/10255842.2023.2228957 2023
15 R. Moumen, M. Laidi, S. Hanini, M. Hentabli and A. Ibrirb Multicomponent Adsorption Capacity Forecasting Based on Support Vector Machine with Dragonfly Algorithm KEMIJA U INDUSTRIJI B https://doi.org/10.15255/KUI.2022.048 2023
16 Esam Ahmed Saleh, latifa khaouane, Salah Hanini, Maamar Laidi Development of Novel Dimensionless Parameters for Accurate Estimation of Properties in Fluidized Beds Iranian Journal of Chemistry and Chemical Engineering B https://www.ijcce.ac.ir/article_709257.html 2023
17 Abouda L., Azizi A., Hanini S., Moussaoui M., Cherifi H. and Laidi M Fractional modelling of the reverse osmosis process used for dam water desalination Global NEST Journal B https://journal.gnest.org/sites/default/files/Submissions/gnest_05186/gnest_05186_draft.pdf 2023
18 Boucherit Nabila, Hanini Salah, Ibrir Abdellah,Laidi Maamar, Fissa Mohamed Roubehie Prediction of doxycycline removal by photo-fenton process using an artificial neural network – multilayer perceptron model Chemical Industry and Chemical Engineering Quarterly A https://doi.org/10.2298/CICEQ230824009B 2024
19 Mohamed Kouider Amar, Soufiane Rahal, Maamar Laidi, Ibtihal Kouar, Rym Farah El-Khansaa Bourahla, Youcef Akouche, Razki Bouaraba Balancing

 competing objectives in bigel formulations using many-objective

optimization algorithms and different decision-making methods

European Journal of Pharmaceutics and Biopharmaceutics A https://www.sciencedirect.com/science/article/abs/pii/S0939641123003314?via%3Dihub 2024
20 Nada Boukelkal, Soufiane Rahal, Redha Rebhi, Mabrouk Hamadache QSPR for the prediction of critical micelle concentration of different classes of surfactants using machine learning algorithms Journal of Molecular Graphics and Modelling A https://doi.org/10.1016/j.jmgm.2024.108757 2024