Revue sur la modélisation du rejet des PFAS par les membranes NF/RO : avancées, défis et perspectives

Introduction

Les substances per- et polyfluoroalkylées (PFAS) constituent une famille de contaminants émergents au centre des préoccupations environnementales mondiales. Leur persistance, leur mobilité et leur toxicité nécessitent des méthodes de traitement de l'eau efficaces, parmi lesquelles les procédés par membranes telles que la nanofiltration (NF) et l'osmose inverse (RO) s'imposent. Ce document propose une analyse détaillée de la modélisation du rejet des PFAS par ces membranes, en s'appuyant sur les avancées récentes, les défis persistants et les futures perspectives du secteur.

Caractéristiques et comportement des PFAS dans l'eau

Les PFAS présentent une large hétérogénéité structurale, allant des chaînes courtes aux chaînes longues, avec des groupements fonctionnels variés. Cette diversité modifie significativement leur interaction avec les membranes NF et RO. De nombreux paramètres – masse moléculaire, longueur de la chaîne, hydrophobicité et charge – influencent leur perméation à travers les membranes. Afin de prédire l'efficacité des traitements, il est crucial de mieux comprendre comment ces facteurs interagissent dans des conditions réelles.

Fondements de la séparation membranaire NF/RO

Les systèmes de nanofiltration et d'osmose inverse reposent sur des principes de séparation basés sur la taille moléculaire, la charge électrostatique et, dans une moindre mesure, l'affinité hydrophobe. Les membranes RO offrent généralement une rétention supérieure des PFAS par rapport aux membranes NF en raison de leur taille de pores réduite et de leur potentiel de surface plus élevé. La compréhension des mécanismes de séparation – exclusion stérique, interactions électrostatiques, adsorption et diffusion – constitue un pilier fondamental pour la modélisation du rejet des PFAS.

Modèles empiriques et mécanistiques pour la prédiction du rejet de PFAS

Modélisation empirique

Les premières approches de modélisation du rejet des PFAS utilisaient des relations empiriques, basées sur des corrélations entre la taille des molécules (masse molaire, rayon hydrodynamique) et le pourcentage de rejet observé. Bien que ces méthodes offrent une certaine simplicité et une flexibilité d'adaptation selon les types de PFAS et les caractéristiques du module membranaire, elles peinent à appréhender la complexité des interactions dynamiques en présence de mélanges de contaminants et dans des conditions de fonctionnement variables.

Approches mécanistiques

Les modèles mécanistiques, eux, s'appuient sur une compréhension physique des phénomènes de transport et de séparation. Ils intègrent des éléments tels que :

• Le modèle solution-diffusion : considéré comme le cadre de référence pour la modélisation du transport à travers les membranes RO, il envisage que les solutés dissous traversent la membrane par dissolution puis diffusion, la vitesse du transport dépendant du gradient de concentration et des propriétés de la membrane.
• Le modèle de sieving par taille : particulièrement pertinent pour la NF, où la taille des pores contrôle le passage des PFAS.
• Les effets de charge et d'électrostaticité : l'interaction entre la charge de la membrane et celle des PFAS, notamment pour les PFAS anioniques, module le degré de rejet.

Influence des conditions opératoires et composition de l'eau

La performance de la séparation membranaire vis-à-vis des PFAS est hautement conditionnée par les paramètres opérationnels tels que la pression d'alimentation, la température, la composition ionique du milieu et la présence de matières organiques dissoutes. Les ions multivalents et la compétition entre contaminants peuvent réduire l'efficacité de rejet. Par ailleurs, le colmatage et l'adsorption sur la surface de la membrane impactent significativement la prédiction du taux d'élimination des PFAS.

Défis persistants dans la modélisation du rejet des PFAS

Parmi les principaux obstacles figurent :

• La variabilité structurelle des PFAS : le large éventail de structures chimiques requiert des modèles adaptatifs capables de capturer la diversité comportementale des différentes classes de PFAS.
• La rareté des données expérimentales standardisées : elle complique la validation des modèles et la comparaison inter-études.
• L'influence des phénomènes secondaires : adsorption, interaction membrane-contaminant combinées, et dégradation potentielle sous conditions extrêmes.

Innovations récentes et avenir de la modélisation

L'intégration de l'intelligence artificielle et des approches de machine learning dans la prédiction du comportement des PFAS gagne en importance. Ces méthodes permettent de tirer parti de vastes corpus de données expérimentales afin de développer des modèles prédictifs robustes et auto-apprenants. Parallèlement, l'amélioration de la caractérisation in situ des PFAS et le couplage de modèles multi-échelles offrent une granularité accrue dans la compréhension des mécanismes de rejet.

Des efforts sont également déployés pour inclure dans les modèles l'effet de l'encrassement membranaire, les interactions synergiques entre PFAS et autres micropolluants, ainsi que l'impact des modifications chimiques de surface des membranes visant à accroître la sélectivité.

Perspectives pour la recherche et l'industrie

Pour progresser dans la gestion durable des PFAS, une collaboration étroite entre chercheurs, ingénieurs et fabricants de membranes est indispensable. La mise à disposition de bases de données accessibles et la standardisation des protocoles expérimentaux sont essentielles pour affiner les modèles existants. Les enjeux sanitaires et environnementaux imposent une optimisation continue des modèles afin de garantir la sécurité de l'eau potable et la protection des ressources aquatiques.

Conclusion

La modélisation du rejet des PFAS par les membranes NF/RO représente un défi aussi crucial que complexe pour l'avenir du traitement de l'eau. Une approche multidisciplinaire, impliquant l'usage d'outils numériques avancés, le développement de membranes innovantes et une caractérisation expérimentale fine, est la clé pour transformer la compréhension actuelle en solutions pratiques et fiables.

Source : https://awwa.onlinelibrary.wiley.com/doi/abs/10.1002/aws2.70057