Chapitre 5

Analyse statistique des résultats par la méthodologie de surface de réponse

V.1. Introduction

Dans ce chapitre, nous présentons les résultats obtenus à partir des essais
expérimentaux sur l'inhibition de la corrosion de l'acier au carbone dans un milieu acide
chlorhydrique une fois molaire par l’extrait acétate d’éthyle de la plante Asphodelus ramosus
(AEAR) obtenue par des mesures de perte de poids. Différents paramètres influencent sur
l’inhibition de la corrosion en absence et en présence de l’AEAR, notamment la concentration
et la température. Une méthodologie des surfaces de réponse (RSM) basée sur le plan
composite centré (CCD) a été utilisée pour étudier et analyser statistiquement l’effet de
l’AEAR sur l'inhibition de la corrosion de l'acier dans un milieu acide HCl 1M. Ces méthodes
de modélisation permettent d’établir des modèles mathématiques faisant intervenir différents
paramètres qui affectent l'efficacité d’inhibition. Toutes les expériences planifiées et l'analyse
statistique des résultats sont réalisées à l'aide du logiciel Design-Expert (version 10), qui est
un logiciel spécialisé dans la planification et l'analyse des expériences. Une synthèse
bibliographique sur les méthodes statistiques (Méthodologie des plans d’expériences) a été
réalisé.
V.2. Définition
Un plan d’expérience est une approche statistique permettant de maîtriser un problème à
plusieurs paramètres (facteurs) tout en suivant un programme préconçu des différentes
expériences qu’on se doit effectuer. Il a pour but de minimiser le nombre d’essais pour obtenir
des résultats fiables qui reflètent la variation réelle du phénomène étudié en fonction de ses
diverses caractéristiques. Il est évident que si les expériences sont effectuées de manière
aléatoire, le résultat obtenu sera également aléatoire, alors, il est nécessaire de planifier les
expériences de telle manière à obtenir des informations intéressantes et avoir comment choisir
les expériences pour [3]:
 Avoir des meilleurs résultats,
Eviter de réaliser des expériences inutiles,
Obtenir la meilleure précision possible sur les résultats,
Permettre d’avancer à coup sûr,
Etablir la modélisation du phénomène étudié,
Apercevoir la solution optimale. [4]

1
 La résolution de ces problèmes se fait à l’aide des logiciels de construction des plans
d’expériences (comme SPSS, design-expert…) qui nous donne les résultats et les
représentations graphiques qui les illustrent [5].
V.3. Les principaux avantages des plans d’expériences
Les plans d'expérience offrent plusieurs avantages importants lors de la réalisation
d'expériences scientifiques ou industrielles. Voici quelques-uns des principaux avantages :
 Diminution du nombre d’essais ;
 Possibilité d’étudier un grand nombre de facteurs ;
 Détection des interactions entre facteurs ;
 Modélisation des réponses étudiées ;
 Une précision optimum des résultats.
La méthode des plans d’expériences permet une interprétation rapide et sans équivoque en
fournissant un modèle expérimental précis du système étudié.
V.4. Conditions d’application des plans d’expériences
Les plans d’expériences sont un instrument bien adapté à la recherche à chaque fois
qu’intervient un grand nombre de paramètres. Ils permettent de réduire fortement le nombre
d’essais, de gagner du temps et de l’argent, tout en parvenant à un meilleur résultat.
Pour appliquer la méthode des plans d’expériences et, en particulier, les méthodes appuyant
sur les régressions linéaires multiples, il faut que les deux conditions suivantes soient
réalisées :
 Condition 1 :
La valeur que prend chaque variable doit être connue sans erreur, or dans un travail
d’expérimentation on ne peut nier la présence d’erreur. Donc pour satisfaire cette condition on
doit s’assurer que l’erreur induite sur la valeur de la variable soit trèspetite, voire négligeable
devant la variation de cette même variable lorsqu’elle change de valeur.
 Condition 2 :
L’erreur de mesure de la réponse doit être la même sur tout le domaine expérimental. Pour
cela il appartient à l’expérimentateur de garder les mêmes gestes, le même matériel et la
même cadence lors de toute la compagne d’expérimentation.
V.5. Vocabulaire de base des plans d’expériences
Les scientifiques cherchent à comprendre comment un système réagit en fonction des
facteurs (Figure V.1). Pour visualiser cette évolution on mesure des réponses ensuit en essaie
d’établir une relation entre réponse et facteur [8].

2
 Figure V.1 : Formulation du problème expérimental
Parmi les facteurs on distinguera :
 les facteurs contrôlables qui dépendent directement du choix (pression, température,
matériau …)
 les facteurs non contrôlables qui varient indépendamment du choix (conditions
climatiques, environnement d'utilisation…)
 les facteurs d'entrée dont on cherche à analyser une influence (matière première,
vitesse d'agitation, température,…)
V.5.1 Facteur
Les facteurs sont les variables que l’on désire étudier et qui sont supposées avoir une
influence sur le système. Ils peuvent être quantitatifs ou qualitatifs, continues ou discrets,
contrôlables ou non contrôlables. Les facteurs sont limités par deux bornes, inférieure (bas) et
supérieure (haut).

Figure V.2: Domaine et niveaux du facteur

V.5.2 Niveau
Les niveaux sont les valeurs possibles d'un facteur. On désigne le niveau bas par le signe
(-1) et le niveau haut par le signe (+1) (FigureV.2).
V.5.3 Réponce
Une réponse expérimentale est une manifestation mesurable que l’on observe lorsque l’on
fait varier les paramètres étudiés. En d’autres termes, c’est le résultat mesuré d'une étude.
Sachant qu’à chaque point du domaine d'étude correspond une réponse. L'ensemble de ces
dernières, forme la surface de réponse [10] (Figure V.3).

3
Un phénomène peut être éventuellement décrit par plusieurs réponses expérimentales [11].

Figure V.3 : Surface de réponse

V.5.4 Surface de réponse

Une surface de réponse est une représentation graphique tridimensionnelle de la
relation entre deux facteurs et une réponse, permettant de visualiser les interactions (Figure
V.3).
V.5.5 Espace expérimental
Un espace expérimental dans un plan d'expériences représente toutes les combinaisons
possibles des niveaux de facteurs que l'on pourrait étudier. La figure V.4 représente un
espace expérimental à deux dimensions (facteur 1, facteur 2).

Figure V.4: Espace expérimental

V.5.6 Domaine d’étude
Le domaine d’étude est défini comme une zone de l’espèce expérimentale choisie par
l'expérimentateur pour faire ces essais. Il regroupe l’ensemble de points expérimentaux dans
un espace dimensionnel qui représente les différentes expériences réalisées au cours d’une
étude (Figure V.5) [12].

4
 Figure V.5 : Domaine d’étude
V.5.7 Matrice d’expérience
Une matrice d’expérience est un objet mathématique qui rassemble les niveaux pris
par les variables codées pour les différentes expériences à réaliser dans le cadre du plan
choisi. Elle est constituée de N lignes correspondants au nombre d’expériences et K colonnes
correspondantes au nombre de variables. Par exemple une expérience à 2 facteurs nécessitera
4 essais.
Un plan pour lequel nous avons k facteurs est appelé un plan 2k. Le nombre
d’expériences à réaliser sera donc 2k expériences. La figure V.6 montre les matrices
d’expérience pour deux plans factoriels complets 2² et 23.

N X1 X2 N X1 X2 X3
1 -1 1 -1 -1 -1
2 +1 2 +1 -1 -1
3 -1 3 -1 +1 -1
4 +1 4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1

Figure V.6 : Matrices d’expériences pour les plans factoriels complets 22 et 23

5
 V.5.8 Plan d’expérimentation
Un plan d’expérimentation correspond à la «traduction» de la matrice d’expérience en
une matrice directement utilisable par l’expérimentateur, car les variables seront exprimées en
variables naturelles (Figure V.7). Le plan d’expérimentation doit faire l’objet d’une analyse
minutieuse pour voir si toutes les expériences sont réalisables et si elles ne présentent aucun
risque [12].

Figure V.7: Les points expérimentaux sont disposés dans le domaine d'étude défini par
l'expérimentateur.
V.5.9 L’effet d’un facteur
L’effet d’un facteur [Xi] est la comparaison entre les valeurs prises par la réponse [Y]
lorsque ce dernier passe du niveau (-1) au niveau (+1). Il est caractérisé par une constante
notée « Ai» qui sera (Figure V. 8) :
o Positive si cette variation du facteur est favorable à l’accroissement de la réponse
(Figure V.8.a).
o Négative si elle est favorable à la diminution de la valeur de la réponse (Figure V.8.b).
o Nul si elle est sans influence sur le système (Figure V.8.c).
Cette constante intervient dans le modèle mathématique décrivant cette réponse.

6
 Figure V. 8 : Effet d’un facteur
k
Y = A 0 + ∑ Ai X i (V.1)
i=1

Y : Réponse prédite par le modèle.

A0 : Constante du modèle elle répond à la moyenne des résultats de mesure.
Xi: Facteur « i ».
Ai: Effet du facteur « i ».
k: Nombre de facteurs étudiés.
V.5.10 Interaction
Une notion importante est celle d'interaction entre deux facteurs d'entrées. On parle
d'interaction entre deux facteurs X i et Xj quand l'effet du facteur X i sur la réponse va dépendre
de la valeur du facteur Xj (Figure II. 9).

Pas d’interaction entre Xi et Xj Faible interaction entre Xi et Xj Forte interaction entre Xi et Xj

Figure V. 9 : Courbes d’interactions.

Noté « Aij » l’interaction intervient dans le modèle de la manière suivante :
k
(V.2)
Y = A 0 + ∑ Ai X i + ∑ Aij X i X j
i=1 ij

Aij : Effet d’interaction Xi Xj

V.6. Différents types de plan d’expérience
Il existe différents types de plans d'expérience, chacun adapté à des objectifs et à des
situations spécifiques. Voici quelques-uns des principaux types de plans d'expérience :
a) Plan factoriel complet : Dans un plan factoriel complet, tous les niveaux de chaque
facteur sont testés dans toutes les combinaisons possibles. Par exemple, dans un plan
2^2 (deux facteurs à deux niveaux), vous testez chaque combinaison de niveau des

7
 deux facteurs. C'est utile pour explorer tous les effets principaux et les interactions
entre les facteurs.
b) Plan factoriel fractionnaire : Les plans factoriels complets peuvent devenir très
volumineux lorsque vous avez de nombreux facteurs ou niveaux. Les plans
fractionnaires sont conçus pour réduire le nombre d'essais tout en conservant
l'information essentielle sur les effets principaux et les interactions. Ils permettent une
économie de ressources mais ne permettent pas toujours de déterminer tous les effets
de manière complète.
c) Plan central composite : Ce plan est utilisé pour optimiser une réponse en explorant
une gamme de niveaux de facteurs, y compris des niveaux centraux (typiquement des
niveaux moyens) et des niveaux axiaux (au-delà des niveaux centraux). Il est
couramment utilisé pour trouver des conditions de fonctionnement optimales dans le
cadre de la méthodologie de réponse surface.
d) Plan de mélange : Les plans de mélange sont utilisés lorsque les facteurs sont des
ingrédients ou des composants qui doivent être mélangés à des proportions spécifiques
pour atteindre un objectif donné. Ces plans aident à déterminer les proportions
optimales de chaque composant pour maximiser ou minimiser une réponse.
e) Plan de Taguchi : Le plan de Taguchi est utilisé pour l'optimisation robuste, en
particulier dans le domaine de l'ingénierie et de la fabrication. Il vise à minimiser la
variabilité des réponses par rapport à des facteurs de contrôle en utilisant une
combinaison de plans factoriels et de plans d'orthogonalité.
f) Plans séquentiels : Les plans séquentiels sont adaptatifs, ce qui signifie qu'ils sont
ajustés en fonction des résultats préliminaires de l'expérience. Ils sont souvent utilisés
dans le cadre de la recherche clinique ou lorsque les ressources sont limitées.
g) Plans d'expérience de surface de réponse (RSM) : Les plans de réponse surface sont
utilisés pour modéliser et optimiser des réponses complexes en utilisant des modèles
mathématiques. Ils combinent des plans factoriels avec des plans de central composite
pour explorer l'espace de réponse.
h) Plans d'expérience en blocs aléatoires : Lorsqu'il existe des sources de variation non
contrôlées, les plans en blocs aléatoires divisent l'expérience en blocs pour prendre en
compte ces variations, ce qui améliore la validité des résultats.
i) Plans d'expérience pour la robustesse (RE) et la tolérance (T) : Ces plans sont
utilisés pour garantir que les produits ou les processus restent robustes face à des

8
 variations dans les conditions ou les matériaux. Ils sont souvent utilisés dans le secteur
de la fabrication pour garantir la qualité et la fiabilité des produits.
Chaque type de plan d'expérience a ses propres avantages et inconvénients, et le choix
dépendra des objectifs spécifiques de l'étude, des ressources disponibles et du contexte de
l'expérience. L'objectif principal est d'obtenir des informations précieuses de manière efficace
tout en minimisant les ressources utilisées.
Optimisation des surfaces de réponses

Pour optimiser les réponses obtenues du modèle validé, il faut compléter le modèle avec
des expériences des points en étoiles. Il existe différents plans pour l’optimisation des
surfaces de réponses, et le choix du plan dépend de l’objectif recherché de l’étude. Les plans
sont nombreux, mais juste trois sont très utilisés pour l’optimisation, à savoir : Le plan
composite centré, plan de Box-Behnken et le plan de Doehlert.
Parmi les surfaces de réponses disponibles nous avons choisie dans cette étude les plans
composites centrés.

L'optimisation des surfaces de réponse (RSM, Response Surface

Methodology) est une approche statistique utilisée pour modéliser et
optimiser des systèmes complexes où plusieurs variables (facteurs)
influencent une ou plusieurs réponses (variables dépendantes). Cette
méthodologie est couramment utilisée dans divers domaines tels que
l'ingénierie, la conception de produits, la chimie, la biologie, la recherche
médicale et bien d'autres. Voici les étapes clés de l'optimisation des
surfaces de réponse :

1. Définition des objectifs : La première étape consiste à définir

clairement les objectifs de l'optimisation. Vous devez spécifier la
réponse que vous souhaitez maximiser (par exemple, le rendement,
la résistance, le profit) ou minimiser (par exemple, le coût, la
variabilité, la durée).
2. Sélection des facteurs et des niveaux : Identifiez les facteurs qui
peuvent influencer la réponse et déterminez les niveaux auxquels
ces facteurs seront testés. Vous pouvez utiliser des plans
d'expérience pour collecter des données à différents niveaux de
facteurs.
3. Construction du modèle de surface de réponse : À l'aide des
données expérimentales, un modèle mathématique est développé
pour représenter la relation entre les facteurs et la réponse. Les
modèles de surface de réponse peuvent être linéaires, quadratiques
ou même plus complexes, selon la nature du système étudié.
4. Vérification du modèle : Le modèle est vérifié pour s'assurer qu'il
reflète correctement la réalité. Cela peut être fait en utilisant des

9
 analyses statistiques telles que l'analyse de la variance (ANOVA)
pour évaluer la qualité du modèle.
5. Optimisation initiale : Une fois le modèle validé, des techniques
d'optimisation sont utilisées pour trouver les conditions (valeurs des
facteurs) qui maximisent ou minimisent la réponse souhaitée. Les
techniques couramment utilisées incluent la méthode des gradients,
la méthode de descente, les algorithmes génétiques, etc.
6. Vérification expérimentale : Les conditions optimales identifiées
par le modèle sont ensuite testées dans le monde réel pour vérifier
si elles conduisent réellement à l'amélioration souhaitée de la
réponse. Cela permet de s'assurer que le modèle est robuste et que
les conditions optimales sont valides.
7. Validation et mise en œuvre : Une fois les conditions optimales
validées, elles peuvent être mises en œuvre dans la pratique, que ce
soit dans la production, le développement de produits ou d'autres
domaines pertinents. Il est important de surveiller régulièrement les
performances pour s'assurer que les avantages de l'optimisation
sont maintenus.
8. Analyse de sensibilité : Une analyse de sensibilité peut être
effectuée pour évaluer la robustesse de la solution optimale par
rapport à de petites variations dans les facteurs. Cela peut aider à
identifier les facteurs critiques et les domaines d'incertitude.

L'optimisation des surfaces de réponse vise à trouver des conditions

opérationnelles qui maximisent ou minimisent une réponse tout en tenant
compte des facteurs et de leurs interactions. Cela permet d'obtenir des
produits ou des processus de meilleure qualité, de réduire les coûts,
d'optimiser les performances et d'atteindre d'autres objectifs spécifiques.
C'est une approche puissante pour l'amélioration et l'optimisation des
systèmes complexes.

Evaluation de la qualité du modèle mathématique

L’évaluation de la qualité globale du modèle mathématique ajusté permet de savoir si

le modèle établie résume correctement les résultats des essais du plan d’expériences, ou non.
Cette évaluation s’effectue par la vérification de la qualité d’ajustement du modèle établi par
rapport au modèle réel. Donc pour évaluer le choix du bon modèle, on utilise trois outils
statistiques : La régression linéaire, la régression ajustée et l’analyse de variance.
II.11.1 Analyse de la variance
L'analyse de la variance (ANOVA ou ANalysis Of VAriance) permet de comparer les
variances des valeurs calculées par le modèle et les résidus. Cette analyse constitue un test
statistique (test de Fisher - Snedecor).
II.11.2 Ficher (F-value)

10
 Le F de Fisher qui est le rapport du carré moyen du modèle à celui des résidus. Ce
rapport permet de calculer la probabilité que ces deux carrés ne soient pas égaux. En d’autres
termes, si le F de Fisher est élevé (faible probabilité que le modèle soit celui de la moyenne),
les variations des réponses mesurées sont bien dues aux variations des facteurs. Si le F de
Fisher est proche de 1 (forte probabilité que le modèle soit celui de la moyenne), les variations
des réponses mesurées sont comparables à celles des résidus.
II.11.3 Probabilité (P-value)
La statistique la plus importante dans le tableau de l'analyse de la variance est la valeur
de P. Cette valeur peut prendre des valeurs comprises seulement entre 0 et 1. Si elle est
inférieure à 0.05, on conclut que l’effet est significatif et si elle est inférieure à 0.01, il est
possible de conclure que le facteur est hautement significatif.
II.11.4 Coefficients de détermination (R2, R2 ajusté)
On définit le coefficient de détermination R2 comme étant la fraction des variations de
la réponse expliquée par le modèle seul. Ce coefficient est donné par la relation ci-dessous :
n

∑ (^y i− y ¿ )² (II.8)
2= i=1
¿¿
¿ n

∑ ( y i− y ¿ )² ¿
R i=1

^y i: Réponse calculée,

y i: Réponse mesurée

y : Réponse moyenne

Le R2 est donc une mesure de la qualité du modèle qui prend des valeurs comprises entre 0 et
1. S’il est proche de 1, le modèle permet de retrouver les valeurs des réponses mesurées. S’il
est égal à 0, le modèle n’explique rien.
n

∑ ( ^y i− yi ¿ )²
i=1 (II.9)
2 n−ϑ modèl
Raju = n
¿
∑ ( y i− y ¿ ) ²
i =1
¿
n−1
ϑ modèl: nombre de degrés de liberté (ddl) du modèle
Du fait de la prise en compte des degrés de liberté, on a toujours R2aju ≤ R2.
II.11.5. Résidus
C’est la différence entre la réponse mesurée et la réponse calculée. Le calcul de la moyenne
du résidu selon la relation suivante :

11
 Moy résidus =
∑ ei (II.10
N )
D’où :
e i: résidu
N : nombre des essais
Un des grands avantages des plans d'expériences est la présentation des résultats sous
forme graphique [26](voir Figure II.13)

Figure II.13: Courbe de contour et surface de réponses

Les graphiques sont avant tout un outil d'aide pour l'interprétation des résultats mais, ils
permettent également de manière plus communicative lors d'une réunion de tirer plus
rapidement les conclusions et ainsi d'orienter la poursuite d'une étude [26].

12
L'évaluation de la qualité d'un modèle mathématique, en particulier dans
le contexte de l'optimisation des surfaces de réponse (RSM), est une étape
cruciale pour s'assurer que le modèle reflète correctement la relation
entre les facteurs et la réponse. Voici quelques méthodes couramment
utilisées pour évaluer la qualité d'un modèle mathématique :

1. Coefficient de détermination (R²) : Le coefficient de

détermination mesure la proportion de la variance de la réponse qui
est expliquée par le modèle. Plus R² est proche de 1, plus le modèle
est capable de capturer la variabilité des données. Cependant, un R²
élevé ne garantit pas nécessairement un modèle de haute qualité,
car il peut être affecté par la complexité du modèle.
2. Erreur quadratique moyenne (EQM) : L'EQM mesure l'écart
moyen entre les valeurs prédites par le modèle et les valeurs réelles
observées dans les données expérimentales. Un EQM faible indique
que le modèle s'ajuste bien aux données.
3. Validation croisée (cross-validation) : La validation croisée
consiste à diviser les données en ensembles d'apprentissage et de
test. Le modèle est ajusté aux données d'apprentissage, puis ses
performances sont évaluées sur les données de test. Cela permet de
vérifier si le modèle généralise bien au-delà des données
d'apprentissage.
4. Graphiques de diagnostic : Des graphiques, tels que les
graphiques de résidus, peuvent aider à identifier des tendances ou
des motifs dans les erreurs du modèle. Des résidus aléatoires et
symétriques indiquent généralement un bon ajustement du modèle.
5. Analyse de la variance (ANOVA) : L'ANOVA peut être utilisée
pour évaluer la signification statistique des coefficients du modèle.
Un modèle avec des coefficients significatifs est plus susceptible de
bien représenter la relation entre les facteurs et la réponse.
6. Comparaison des modèles : Vous pouvez comparer plusieurs
modèles pour déterminer lequel offre le meilleur ajustement aux
données. Cela peut inclure des modèles linéaires, quadratiques ou
d'ordre supérieur, en fonction de la complexité du système étudié.
7. Analyse de sensibilité : L'analyse de sensibilité consiste à évaluer
comment de petites variations dans les valeurs des facteurs
affectent la réponse prédite par le modèle. Cela peut aider à
identifier les facteurs les plus influents.
8. Prévision et validation expérimentale : Une validation
expérimentale consiste à tester les prédictions du modèle dans le
monde réel. Si le modèle prédit correctement les réponses pour de
nouvelles conditions expérimentales, cela renforce sa validité.

13
Il est important de noter que l'évaluation de la qualité d'un modèle est un
processus itératif. Vous pouvez ajuster et améliorer le modèle en fonction
des résultats des évaluations initiales. De plus, la complexité du modèle
doit être prise en compte : un modèle trop complexe peut surajuster les
données d'apprentissage et ne pas généraliser correctement, tandis qu'un
modèle trop simple peut ne pas capturer la variation réelle dans les
données. Le choix du modèle doit être guidé par la compréhension du
système sous-jacent et les objectifs de l'étude.

IV.2. Efficacité de l’inhibition d’EAAR sur l’acier à l’aide de la méthodologie de la

surface de réponse (MSR)

Les données expérimentales générées ont été analysées à l’aide de Design-Expert pour
obtenir une analyse de la variance (ANOVA) avec un intervalle de confiance de 95 %. Les
niveaux des facteurs avec les valeurs réelles correspondantes sont présentés dans le tableau
IV.1, tandis que la matrice de la conception expérimentale est présentée dans le tableau IV.2
avec les valeurs réelles et codées.

Tableau IV.1 : Gamme expérimentale des variables indépendantes

Variable Symbole Niveau faible Niveau moyenne Niveau élevé

Concentration (ppm) A 100 (-1) 400 (0) 700 (+1)
Température (°C) B 20 (-1) 35 (0) 50 (+1)

Tableau IV.2 : Résultats de MSR de l’inhibition de la corrosion de l’acier dans HCl

1M par l’EAAR

Variables codées Valeurs réelles des facteurs

Ordre Réponse
Tem (°C)
d’exécution A B C (ppm) (A) IE %
(B)
1 0 0 400 35 68,09
2 0 0 400 35 67,81
3 0 0 400 35 68,05
4 -1 +1 100 50 49,75
5 0 +1 400 50 66,15
6 0 0 400 35 68,10
7 0 -1 400 20 76,48
8 0 0 400 35 76,48

14
 9 -1 -1 100 20 58,80
10 -1 0 100 35 53,06
11 +1 +1 700 50 80,62
12 +1 0 700 35 84,13
13 +1 -1 700 20 89,81

Dans cette étude, divers modèles mathématiques ont été proposés pour illustrer la
manière dont le meilleur modèle a été choisi pour décrire les données d’efficacité inhibitrice
de l’ARAE sur l’acier au carbone. Les modèles linéaires et polynomiaux ont été appliqués
comme deux ensembles principaux de modèles. En termes de réponse (Y) et de variables
indépendantes (Xi...Xn), ces modèles sont généralement définis par les équations (IV.1) à
(IV.6) :

Modèle linéaire :
n n
Y =a0 + ∑ ai X i+ ∑ ε i IV.1
i=1 i=1

Logarithmique - modèle linéaire :

n n
log Y =a0 + ∑ ai X i+ ∑ ε i IV.2
i=1 i=1

Modèle d’effet d’interaction linéaire :

n n 1 n
Y =a0 + ∑ ai X i+ ∑ ∑ ai X i X j ε i+ ∑ ε i IV.3
i=1 i=1 j=n i=1

Logarithmique- modèle d’effet d’interaction:

n n 1 n
log Y =a0 + ∑ ai X i+ ∑ ∑ ai X i X j ε i+ ¿ ∑ ε i ¿ IV.4
i=1 i=1 j =n i=1

Les modèles polynomiaux d’ordre 2 sont :

Modèle d’effet d’interaction polynomial

n n 1 n n
Y =a0 + ∑ ai X i+ ∑ ∑ ai X i X j ε i+ ∑ ai X i + ∑ ε i IV.5
i=1 i=1 j=n i=1 i=1

Logarithmique-Modèle d’effet d’interaction polynomial

15
 n n 1 n n
log Y =a0 + ∑ ai X i+ ∑ ∑ ai X i X j ε i+ ∑ ai X i + ∑ ε i IV.6
i=1 i=1 j =n i=1 i=1

Dans le cas présent, la méthodologie de la surface de réponse (MSR) a été employée pour
explorer l’interaction entre les facteurs, c'est-à-dire la concentration d’inhibiteur et la
température. Par conséquent, dans les équations (VI.1-VI.6), Y est l’efficacité de l’inhibition,
Xi sont des variables (X1 = A est la concentration d'inhibiteur, X2= B est la température), n est
le nombre de variables, ε est l'erreur standard, a 0 et ai sont des constantes [1]. Les équations
(IV.1) à (IV.6) peuvent être développées et une régression a été effectuée pour évaluer les
coefficients de ces équations. Design-Expert a été utilisé pour estimer les coefficients. Les
équations développées peuvent être réécrites comme présentées dans les équations (VI.1a) à
(VI.6a) :

Y =a0 +a 1 A+ a2 B+ ε total IV.1a

log Y =a0 +a 1 A+ a2 B+ ε total IV.2a
Y =a0 +a 1 A+ a2 B+a 3 AB+ε total IV.3a
log Y =a0 +a 1 A+ a2 B+ a3 AB+ε total IV.4a
2 2
Y =a0 +a 1 A+ a2 B+a 3 AB+a 4 A + a5 B + ε total IV.5a
2 2
log Y =a0 +a 1 A+ a2 B+ a3 AB+a 4 A + a5 B + ε total IV.6a

Pour un modèle réussi avec une efficacité prédictive élevée, la valeur de R 2- doit être proche
de 1,0 [2], pour une précision adéquate, l’estimation du rapport signal/bruit doit être
supérieure à 4, tandis qu’un modèle peut être considéré comme raisonnable si sa mesure
statistique du coefficient de variabilité relative (CV) n’excède pas 15 % [3]. En utilisant le
logiciel Design-Expert 10.0, les modèles proposés et les valeurs numériques de ces
coefficients ont été réécrits, équations (IV.1b) à (IV.6b) :

Y =69 ,12+15 , 49 A−4 ,76 B IV.1b

log Y =1, 83+ 0,099 A−0 , 03 B IV.2b
Y =69 ,12+15 , 49 A−4 ,76 B−0,035 AB IV.3b
−3
log Y =1, 83+ 0,099 A−0 , 03 B+ 6,426 ×10 IV.4b
2 2
Y =69 ,12+15 , 49 A−4 ,76 B−0,035 AB−0 , 43 A +2 ,29 B IV.5b
−3 2 2
log Y =1, 83+ 0,099 A−0 , 03 B+ 6,426 ×10 −0,014 A +0,013 B IV.6b

Les erreurs totales, la précision adéquate, le coefficient de variation et les coefficients de

corrélation ont été évalués, comme le montre le tableau IV.3.

16
 Tableau IV.3 : Erreur totale, précision adéquate, coefficient de variation et corrélation
des modèles proposés

Equation R2 Précision CV (%) ε total

adéquate
IV.1a 0,9881 61,120 2,00 0,38
IV.2a 0,9842 52,951 0,55 2,82×10-3

IV.3a 0,9881 50,222 2,10 0,40

IV.4a 0,9867 47,455 0,54 2,726×10-3

IV.5a 0,9975 79,496 1,09 0,31

IV.6a 0,9980 88,170 0,24 1,794×10-3

L’analyse de variance (ANOVA) (R², coefficient de variation et précision adéquate) des

différents modèles a indiqué que le modèle logarithmique-polynomial a le coefficient de
corrélation R² le plus satisfaisant (Eq. IV.6a). Selon le tableau IV.3, ce modèle est marqué par
un coefficient de variation (CV = 0,24 %), ce qui signifie que le modèle est approprié avec
une estimation fidèle. Le rapport de 88,170 % obtenu indique un signal adéquat. Par
conséquent, le choix du modèle logarithmique-polynomial est justifié.

IV.3. Analyse statistique

Les valeurs de "Prob > F" inférieures à 0,05 indiquent que les termes du modèle sont
significatifs à un niveau de confiance de 95 % [1, 3]. Dans le cas présent, A, B, AB, A 2 et B2
sont des termes significatifs du modèle. Les résultats de l’ANOVA relatifs à la réponse
d’efficacité inhibitrice de l’extrait sont résumés dans le tableau IV.4.

Tableau IV.4 : Résultats de l’ANOVA pour l’efficacité d’inhibitrice de l’EAAR sur la

corrosion de l’acier HCl 1M

Somme des Moyenne Valeur de Prob >

Source df
carrés du carré F F

Modèle 0,065 5 0,013 689,96 ˂0,0001 Significative

A 0,059 1 0,059 3149,01 ˂0,0001
B 5,550×10-3 1 5,550×10-3 297,42 ˂0,0001
AB 1,652×10-4 1 1,652×10-4 8,85 0,0207

A2 5,229×10-4 1 5,229×10-4 28,02 0,0011

17
 B2 4,974×10-4 1 4,974×10-4 26,65 0,0013
Résiduel 1,306×10-4 7 1,866×10-5
Absence
1,264×10-4 3 4,214×10-5 40,00 0,0019 Significative
d’ajustement
Erreur pure 4,214×10-6 4 1,054×10-6
Cor totale 0,065 12
Déviation
4,320×10-3 R2- 0,9980
standard
Moyenne 1,83 Adj R2 0,9966
CV (%) 0,24 0,9863
Précision
PRESS 8,927×10-4 88,170
de l'Adeq

La valeur F (rapport de Fisher) et la valeur p du modèle indiquent la signification statistique

du modèle dans son ensemble. La valeur F doit être supérieure à la valeur p pour déterminer si
le résultat est suffisamment significatif pour rejeter l'hypothèse nulle. Dans cette analyse, la
valeur F de 698,96 est supérieure à la valeur p de 0,0001. Par conséquent, nous pouvons
affirmer que ce modèle est significatif. Les statistiques d'ajustement pour les données de
réponse présentent une valeur R2 de 0,9980 et une valeur R2 ajustée de 0,9966. Cela indique
une bonne corrélation entre les résultats expérimentaux et ceux générés par le modèle. Le R 2
prédit de 0,9863 est en accord raisonnable avec le R 2 ajusté de 0,9966 puisque la différence
est inférieure à 0,2. Cela suggère que les données expérimentales obtenues pour l'efficacité
d'inhibition de l'extrait d’EAAR sur l’acier dans du HCl 1M étaient statistiquement cohérentes
et que le modèle log-polynomial de second ordre adopté était approprié pour la modélisation.
Le modèle sous forme décodée est donné ci-dessous par l'équation :
−4 −3 −6 −7 2 −
log EI w =1,8417+ 4,02214 ×10 C−6,77376 ×10 T +1,42791× 10 CT−1,52891 ×10 C +5,96428 ×10
IV.7

Une probabilité normale des résidus a été effectuée pour bien comprendre la nature de
l'ajustement. La figure IV.1 montre que l'ajustement des données de régression est proche
d'une ligne droite.

Figure IV.1 : Diagramme normal des résidus

18
Cela indique que l'hypothèse de l'analyse est satisfaite. En outre, les graphiques des valeurs
prédites par rapport aux valeurs expérimentales ont été utilisés pour s'assurer de la
prévisibilité des résultats expérimentaux. La figure IV.1 montre que les valeurs prédites de
l'efficacité d'inhibition obtenues à partir de l'équation (IV.7) sont en bon accord avec les
valeurs expérimentales.

Figure IV.2 : Corrélation entre les valeurs mesurées et prédites de l'efficacité inhibitrice

L'effet des deux facteurs (concentration de l'extrait EAAR et température) sur la réponse
(efficacité inhibitrice) est représenté par des courbes 3D dans la figure IV.3.

Figure IV.3 : Diagramme de surface de réponse 3D pour l'efficacité d'inhibitrice de l'extrait

d'EAAR sur l'acier dans HCl 1M : température vs. concentration de l'inhibiteur

Lorsque le temps est maintenu constant, l'efficacité inhibitrice diminue avec

l'augmentation de la température et de la concentration de l'extrait. La quantité d'hétéroatomes
responsables de l'inhibition dans la solution corrosive augmente avec la concentration de
l'extrait EAAR.

IV.4. Optimisation et détermination des résultats

Une étude d'optimisation de l'efficacité inhibitrice de l'extrait d'EAAR sur l'acier au

carbone dans un milieu acide HCl 1M a été réalisée. Son objectif est de prédire les conditions
optimales dans lesquelles l'efficacité d'inhibitrice maximale peut être atteinte. Les résultats
expérimentaux des 10 cas les plus intéressants sont sélectionnés et présentés dans le tableau
IV.5. La confirmation de ces résultats est illustrée par la figure IV.4. Les conditions optimales
de l'efficacité inhibitrice la plus élevée de 90,52 % sont atteintes pour une température égale à
20 °C et une concentration de l'extrait de 700 ppm.

Tableau IV.5 : Dix meilleures solutions pour les paramètres influençant l'inhibition
de la corrosion et l'efficacité inhibitrice pour l'acier en l'absence et en présence de
l’EAAR (désirabilité = 1,00)

Numéro C (ppm) Temp (°C) EI% Désirabilité

1 699,83 20,79 89,96 1,00

2 694,72 20,45 89,96 1,00

19
 3 695,10 20,03 90,27 1,00
4 695,68 20,72 89,82 1,00
5 698,00 20,21 90,28 1,00
6 693,16 20,15 90,10 1,00
7 700,00 20,20 90,52 1,00
8 699,30 20,93 89,84 1,00
9 696,34 20,60 89,93 1,00
10 688,47 20,20 89,85 1,00

Figure IV.4 : Conditions optimales sélectionnées pour les paramètres influençant

l'inhibition de la corrosion de l'acier au carbone dans du HCl 1M (concentration d’EAAR et
température) avec leurs réponses (efficacité inhibitrice).

La figure IV.5 montre le tracé des interactions entre la concentration et la température.

Elle montre que l'efficacité inhibitrice augmente avec l'augmentation de la concentration de
l'inhibiteur, mais qu'elle diminue avec l'augmentation de la température.

Figure IV.5 : Diagrammes 2D avec lignes de contour des interactions binaires entre la
concentration et la température sur l'efficacité inhibitrice

20
Référence bibliographique

1. Mongomery, D.J.J.W. and Sons, Montgomery: design and analysis of experiments. 2017.
2. Okewale, A., et al., Effect of Terminalia catappa Leaves Extract on Corrosion of Mild Steel
using Response Surface Methodology. 2019. 27(2): p. 47-56.
3. Yazici, E. and H.J.H. Deveci, Extraction of metals from waste printed circuit boards
(WPCBs) in H2SO4–CuSO4–NaCl solutions. 2013. 139: p. 30-38.

21