Rapport de PFE

Rapport de PFE : Modlisation et Optimisation dun biomthaniseur Julien Eynard Ingnierie de la commande des Systmes Complexes ESISAR 2006/2007
RAPPORT DE PROJET DE FIN DETUDES ESISAR 2006/2007
Modlisation, optimisation dynamique et commande dun mthaniseur par digestion anarobie.
Laboratoire ELIAUS
Laboratoire d'ELectronique, Informatique, AUtomatique et Systmes Universit de Perpignan Via Domitia 52 Avenue Paul Alduy, F66860 Perpignan Cedex
EYNARD Julien
Dates du stage Module dapprofondissement Tuteur Entreprise Tuteur ESISAR
Du lundi 5 fvrier au vendredi 6 juillet 2007 ISC Ingnierie de la commande des Systmes Complexes Grgory Franois Laurent Lefvre
RAPPORT DE PROJET DE FIN DETUDES ESISAR 2006/2007

Mots cls :
Modlisation, Identification, Optimisation analytique, Principe du Maximum de Pontryaguine, Optimisation numrique, Rgulation, Bioracteur, Mthaniseur, Digesteur Anarobie, Biofilm, AM2
Rsum :
Les bioracteurs anarobies sont aujourdhui des moyens performants pour dpolluer les eaux uses des industries agro-alimentaires. Leur capacit transformer les polluants en biogaz tel que le mthane offre de plus un intrt cologique et nergtique non ngligeable puisquils sinscrivent aujourdhui dans les sources dnergies renouvelables. Cependant, la mise en uvre des bioracteurs anarobies reste souvent sous optimale, notamment pendant les phases de dmarrage pour lesquelles les modles disponibles sont insuffisamment prcis, notamment en ce qui concerne la prdiction des profils de biomasse. A partir dun modle existant, un modle de tendances a t dvelopp pour prdire de faon indpendante la biomasse en solution et la biomasse agglomre en biofilm. Lidentification des paramtres du modle a t ralise partir de donnes de dmarrage dun bioracteur appartenant au Laboratoire de Biotechnologie de lEnvironnement de lINRA de Narbonne. Ce modle a t utilis pour dterminer le profil de commande optimal du taux de dilution et de la concentration dalimentation en substrat appliquer au systme pour rduire le temps datteinte dun rendement puratoire pr-spcifi. Une tude sur la rgulation du rendement puratoire avec le taux de dilution a aussi t ralise et montre un bon compromis entre un excellent taux dpuration et une vitesse de dmarrage intressante.
Key words:
Modelling, Identification, Analytic Optimization, Pontryaguine Maximum Principle, Numerical Optimization, Control, Bioreactor, Methaniser, Anaerobic Digester, Biofilm, AM2
Abstract:
Today, anaerobic bioreactors are high-performance industrial facilities that are able to remove polluted wastewaters of the food-processing industries. Their capability to transform pollutant is interesting on an ecologic and energetic perspective, since biogases are deemed to be renewable energy sources. However, anaerobic digestion is often performed in a suboptimal manner, notably during the starting phases since biomass concentration transitory profiles are not correctly modelled. A tendency model has been developed on the basis of an existing dynamic model to predict independently bacteria in the solution and bacteria that are bound together in a biofilm. Model parameter identification has been performed using data obtained on the bioreactor of the Environmental Biotechnology Laboratory of the INRA of Narbonne. With this tendency model, optimal control profiles have been found, in terms of dilution rate and organic substrate inlet concentration. Applying this optimal profile to the system leads to a reducing of the time needed to reach a pre-specified yield. In addition, dilution rate was used to control the purification yield. This case study raised a good compromise between high purification rate and a significant final time reduction of the start-up phase.
Remerciements
Je souhaite exprimer ma reconnaissance M. Grgory FRANCOIS qui ma encadr durant ce stage. Les nombreuses connaissances scientifiques quil ma apportes tout au long de ce projet ont fortement contribu son bon droulement.
Je remercie Mme Monique POLIT qui en acceptant ma candidature ma permis de raliser ce stage dans le laboratoire ELIAUS de lUniversit de Perpignan.
Je remercie galement M. Eric LATRILLE et Jean-Philippe STEYER de lINRA pour leur collaboration scientifique ce projet. Leurs comptences scientifiques, notamment en biologie et au niveau du bioracteur ont t trs utiles pour guider nos recherches.
Enfin je souhaite remercier tous les membres du laboratoire ELIAUS pour leur accueil chaleureux au cours de mon stage.
Table des matires

Introduction ........................................................................................................................ 5 Prsentation de lentreprise ................................................................................................ 6 2.1 LUniversit de Perpignan Via Domitia..................................................................... 6 2.1.1 Historique et prsentation................................................................................... 6 2.1.2 Formations.......................................................................................................... 6 2.1.3 International ....................................................................................................... 6 2.1.4 Recherche ........................................................................................................... 7 2.2 Laboratoire ELIAUS .................................................................................................. 7 2.2.1 Objectifs scientifiques ........................................................................................ 7 2.2.2 Orientation des recherches ................................................................................. 7 2.2.3 Enseignement ..................................................................................................... 8 2.3 Equipe COSMOS ....................................................................................................... 8 2.3.1 Objectifs scientifiques ........................................................................................ 8 2.3.2 Procds de dpollution des eaux uses............................................................. 8 2.3.3 Energie solaire, habitat et production dlectricit............................................. 8 2.4 Laboratoire de Biotechnologie de l'Environnement de lINRA de Narbonne ........... 9 2.4.1 Objectifs scientifiques ........................................................................................ 9 2.4.2 Axes de recherche .............................................................................................. 9 3. Cahier des charges............................................................................................................ 10 3.1 Etude bibliographique .............................................................................................. 10 3.2 Modlisation et Identification .................................................................................. 10 3.3 Optimisation ............................................................................................................. 10 3.3.1 Optimisation analytique ................................................................................... 10 3.3.2 Optimisation numrique................................................................................... 11 4. Dveloppement du sujet de stage ..................................................................................... 12 4.1 Chronologie du travail effectu................................................................................ 12 4.2 Principes de fonctionnement et modlisation dun bioracteur mthaniseur anarobie. ............................................................................................................................. 13 4.2.1 Etude du fonctionnement des biomthaniseurs................................................ 13 4.2.2 Modles existants de bioracteur ..................................................................... 19 4.2.3 Positionnement du problme ............................................................................ 23 4.3 Principes thoriques de loptimisation ..................................................................... 24 4.3.1 Problme doptimisation dynamique ............................................................... 24 4.3.2 Algorithmes doptimisation numrique ........................................................... 27 4.4 Application de loptimisation au bioracteur anarobie de lINRA ........................ 31 4.4.1 Amlioration de la modlisation ...................................................................... 31 4.4.2 Identification des paramtres du modle.......................................................... 35 4.4.3 Recherche de profils de commande optimaux ................................................. 39 4.4.4 Rgulation pour loptimisation......................................................................... 45 4.5 Conclusion sur les rsultats du projet....................................................................... 48 5. Conclusion gnrale du projet.......................................................................................... 49 6. Estimation financire : prsentation dun compte dexploitation du projet ..................... 50 7. Bibliographie.................................................................................................................... 51 8. Annexes............................................................................................................................ 52 1. 2.
1.
Introduction
Aujourdhui, le retraitement des dchets, uvrant pour la sauvegarde de lenvironnement est devenu un des thmes prioritaire la fois pour lcologie, la politique et lindustrie. Leau, symbole de la vie par excellence, a t pendant des sicles utilise sans considration. Elle a t utilise, souille, puis rejete sans le souci de la gestion de la pollution occasionn dans le milieu naturel. Cependant, des avances importantes ont t ralises, depuis le sicle dernier pour la dpollution de cette ressource naturelle essentielle. Aprs une utilisation inconsidre pendant des sicles, une prise de conscience a favorise lessor des moyens de dpollution. Aujourdhui dans de nombreux pays, les industries se doivent de respecter cette ressource. Son utilisation des fins industrielles, par exemple, nest alors permise que si lentreprise qui lutilise fait en sorte de la rintroduire dans lenvironnement dbarrasse des principaux polluants qui pourraient empoisonner les sols, les nappes phratiques, les fleuves ou les ocans. Pour cela des stations dpurations, ou dautres moyens de dcontamination, ont t dvelopps et sont actuellement utiliss. Cependant, il y a encore de nombreux progrs faire dans ce domaine. Ce projet sintresse ltude et lamlioration de lun de ses moyens de dpollutions de leau use, sous la forme dun racteur biologique fonctionnement anarobie (sans oxygne) qui dgrade les polluants prsents dans les eaux. Ce procd est connu depuis longtemps mais reste encore marginal, malgr le dveloppement quasi-exponentiel du march. Pourtant il prsente des avantages certains par rapport aux procds arobies utiliss gnralement dans les stations dpuration. Ainsi, ce procd permet de fabriquer du biogaz qui peut tre rcupr et valoris pour faire de lnergie et entre de fait dans la catgorie des installations productrices dnergies renouvelables. Il permet en outre datteindre un taux dpuration trs important et rejette beaucoup moins de boues non biodgradables. Ce procd biologique est aujourdhui utilis principalement par les industries agro-alimentaires telles que les laiteries, les brasseries, les producteurs de vin Lobjectif principal de ce projet consistait amliorer la modlisation mathmatique de ce type de bioracteurs ainsi que de dterminer les profils dalimentation optimaux qui permettent damener le plus rapidement possible ce processus de dgradation biologique son rendement maximal, et de ly stabiliser, tout en respectant des contraintes dutilisation. Lide est de pouvoir dmarrer plus rapidement et plus efficacement les bioracteurs et donc damliorer le traitement des eaux uses pendant la phase de dmarrage, tout en rduisant les cots dexploitation. Ce stage sest droul au laboratoire ELIAUS de lUniversit de Perpignan en collaboration avec le Laboratoire de Biotechnologie et de lEnvironnement (LBE) de lINRA de Narbonne, ce dernier dtenant un de ces racteurs biologiques prindustriel. A partir des donnes de celui-ci, il a t possible deffectuer les travaux de modlisation, didentification, doptimisation et de rgulation. Ce document prsente en premier lieu lUniversit de Perpignan et plus particulirement lactivit du laboratoire ELIAUS. Ensuite, en seconde partie sont abords la thorie de loptimisation travers le principe du maximum de Pontryaguine, et les algorithmes doptimisation numrique utiliss. La troisime partie dfinit les problmes rsoudre et prsente les rsultats numriques obtenus au niveau de la modlisation, de loptimisation de la commande et de la rgulation dans le cas dun bioracteur anarobie.
2.
Prsentation de lentreprise
2.1 LUniversit de Perpignan Via Domitia

2.1.1 Historique et prsentation
LUniversit de Perpignan a t fonde voil plus de 650 ans par ltat Catalano-Aragonais pour concurrencer lUniversit de Montpellier. Cest en effet, le 20 mars 1350 que Pierre IV le crmonieux roi dAragon, fonde la 1re Universit de Perpignan. Ds la fin du XIVme sicle, lUniversit de Perpignan Via Domitia (UPVD) devient lune des 25 plus grandes universits au monde et se caractrise par sa pluridisciplinarit, qui subsiste encore aujourdhui. Oublie par le dcret de Napolon au XIXme sicle, elle ne sera rhabilite que dans les annes 1950 et obtiendra son indpendance financire, administrative et pdagogique en 1979. Actuellement, lUniversit de Perpignan accueille chaque anne environ dix mille tudiants dont plus de trois mille trangers.
2.1.2 Formations
LUPVD est une universit pluridisciplinaire dont les formations sarticulent autours de quatre grands ples de formation et de recherche qui sont : - Sciences et technologies - Droit - Sciences de lhomme et Humanits - Economie et management Chacun de ses ples de formation propose plusieurs mentions. Ces domaines sont au centre des formations des cinq facults et des trois instituts de luniversit. - La Facult Lettres et Sciences Humaines (LSH) - La Facult Sciences Juridiques et Economiques (SJE) - La Facult Internationale de Droit Compar des Etats Francophones (FIDCEF) - La Facult Sports, Tourisme, Htellerie Internationale (STHI) - La Facult Sciences Exactes et exprimentales (SEE) - LInstitut Universitaire de Technologie (IUT) - LInstitut dAdministration des Entreprises (IAE) - LInstitut Franco Catalan Transfrontalier (IFCT) Les diplmes dlivrs par lUPVD sont conformes lorganisation europenne des tudes, qui veut que les diplmes respectent 3 paliers diffrents : Licence, Master et Doctorat, en vue dune harmonisation internationale. Les formations proposes permettent aux tudiants de sorienter soit vers un parcours professionnel, soit vers la recherche. De nombreuses collaborations existent avec des entreprises, des universits trangres ou des laboratoires de recherche, notamment pour les coles doctorales.
2.1.3 International
LUniversit de Perpignan est rsolument tourne vers linternational. Elle soutient une politique de mobilit et daccueil puisquenviron un tiers des tudiants scolariss sont trangers. Ceux-ci sont originaires de 64 pays diffrents. Les tudiants ne sont pas les seuls concerns car lUPVD participe des changes de chercheurs, de formateurs, de responsables administratifs dans le cadre de sjours dtude, de recherche, denseignement ou de formation. LUPVD possde un service interne, le Service Universitaire des Relations Internationales (SURI) qui soccupe de promouvoir et de dvelopper les actions en directions des tudiants trangers, de dvelopper et de coordonner les actions internationales, et de grer les accords de coopration interuniversitaires et les formations dlocalises ltranger.
2.1.4 Recherche
La recherche scientifique sarticule autours des quatre domaines principaux de lUPVD, susmentionns prcdemment.
Laboratoire de recherche
LUPVD compte actuellement plus de 300 chercheurs rpartis dans 12 laboratoires de recherche dont 9 dans le domaine des sciences et technologies. Il y a en outre des units de recherche en collaboration avec le CNRS (Centre National de la Recherche Scientifique) et avec lIRD (Institut de Recherche pour le Dveloppement).
Ecoles doctorales
La formation doctorale est assure par deux coles doctorales au sein de lUPVD, lcole doctorale des Lettres et Sciences Humaines et lcole doctorale Energie et Environnement.
Ples de comptitivit
LUPVD est membre de deux ples de comptitivit en rgion Languedoc Roussillon. Un ple de comptitivit correspond un partenariat, dans un espace gographique donn, entre des entreprises, des centres de formation et des units de recherche publiques ou prives engags dans une synergie autour de projets communs au caractre innovant. LUPVD fait donc partie du ple de comptitivit DERBI (Dveloppement des Energies Renouvelables dans le Btiment et lIndustrie) et Q@limed (Systmes agroalimentaires durables et qualits de vie en Mditerrane).
2.2 Laboratoire ELIAUS

Le laboratoire ELIAUS (ELectronique, Informatique, AUtomatique et Systmes) est le laboratoire de lUPVD dans lequel jai effectu mon Projet de Fin dEtudes.
2.2.1 Objectifs scientifiques

Le laboratoire travaille sur des activits de recherche fondamentales et technologiques en relation avec le milieu industriel. Le laboratoire est trs souvent impliqu au sein du ple de comptitivit DERBI.
2.2.2 Orientation des recherches

Durant mon stage, trente trois personnes taient prsentes dans le laboratoire, dont seize enseignants chercheurs, un professeur dtach du CNRS, un technicien, une secrtaire, cinq doctorants et dix stagiaires. Le laboratoire ELIAUS sarticule autours de 3 quipes de recherches : - Lquipe COSMOS (COntrle Supervision MOdle Systmes) Cette quipe mne des travaux de recherche sur les sujets suivants : o Procds de dpollution des eaux uss o Energie solaire, habitat et production dlectricit Lquipe EPROM (Estimation des PROprits des Matriaux, Caractrisation de Composants) Les principaux axes de recherche de lquipe EPROM sont les suivants : o Caractrisation physique et thermique de matriaux multicouches o Matriaux de hautes performances thermolectriques, micro-capteurs o Composants et micro composants pour la microlectronique o Latmosphre et ses polluants - Lquipe DALI (Fiabilit numrique et haute performance informatique) Les quatre thmes de recherche sont : -
o o o o Augmenter le degr super scalaire des processeurs Exploiter les architectures mergentes hautes performances Amliorer la prcision des calculs Certifier les outils et les applications
2.2.3 Enseignement
Les permanents du laboratoire participent aux enseignements de lUniversit dans la filire scientifique. Les filires suivantes sont sous la responsabilit du laboratoire : - Master Informatique Automatique - Licence EEA (Electronique, Electrotechnique Automatique) - Licence Sciences Physiques - Diplme Accs Etudes Universitaire (Diplme qui permet une fois valid aux personnes qui nont pas pass le baccalaurat de pouvoir poursuivre leurs tudes luniversit) - Licence Pluridisciplinaire Scientifique L3
2.3 Equipe COSMOS

Mon sujet de stage traitant dautomatique et doptimisation, jai effectu celui-ci au sein de lquipe COSMOS.

Les thmes de travail de cette quipe de recherche sont orients vers lnergie et le dveloppement durable, dun point de vue automatique, c'est--dire, la modlisation, le contrle, loptimisation, la supervision, et la prdiction appliqus aux procds environnementaux. Les chercheurs de lquipe COSMOS interviennent plus prcisment dans deux domaines principaux, les procds de dpollution des eaux uss ainsi que lnergie solaire, lhabitat et la production dlectricit.
2.3.2 Procds de dpollution des eaux uses

Cette thmatique de recherche propose de modliser, de contrler et de superviser des procds de dpollution deaux uses. Les procds de dpollutions tudis sont des procds biochimiques difficiles modliser car ils sont complexes, non linaires et non stationnaires. Les modles dvelopps par les biologistes sont souvent composs dun nombre trop lev dquations diffrentielles et algbriques pour pouvoir les utiliser des fins de contrle. Les chercheurs de lquipe COSMOS utilisent trs souvent les rseaux de neurones et la logique floue pour modliser et contrler ces types de procds. Les principaux facteurs influents de ces procds sont le dbit gazeux en entre, le dbit dentre de leffluent industriel traiter, et la DCO (Demande Chimique en Oxygne) qui traduit le taux de pollution. Un des travaux effectus a permis de faire de lestimation de paramtres biochimiques qui se rvlent tre trs difficiles mesurer. Ces recherches destimation de paramtres et de diagnostique de capteurs ont par exemple t appliques sur des stations dpuration comme celle de Saint-Cyprien. Des travaux utilisant le clustering et lanalyse en composante principale ont permis doptimiser les paramtres de modlisation, damliorer la robustesse et les prdictions. Des commandes mixtes par logiques floue et adaptatives ont aussi t dveloppes pour contrler les procds de dpollution. Ces travaux ont ncessit un travail de coopration avec des laboratoires de recherche, notamment avec le LAAS de Toulouse, lUniversit de Grone, lUniversit Polytechnique de Catalogne.
2.3.3 Energie solaire, habitat et production dlectricit

Cet axe de recherche, bas sur la modlisation prvisionnelle de consommations nergtiques partir de prvisions mtorologiques, se traduit trs souvent par la ralisation de projets labelliss par le ple de comptitivit DERBI. Le travail porte sur loptimisation de lutilisation dinstallations nergies renouvelables. En fait, lobjectif est de faire de la prdiction mtorologique sur quelques jours pour savoir quelle quantit
dnergie sera fournie par les installations nergies renouvelables et optimiser leur utilisation avec les installations nergtiques classiques de type gaz ou fioul. Une bonne gestion de lutilisation des nergies renouvelables permet dviter de dclencher les installations lectriques nergies classiques quand ce nest pas ncessaire. La prdiction mtorologique est fate grce des traitements dimages satellites, des capteurs provenant de stations mtorologiques proches et de donnes Internet. En plus de la prdiction mtorologique, le travail porte aussi sur la prdiction de la consommation lectrique qui varie en fonction des saisons, des jours de la semaine, des heures de la journe. Pour prdire cette consommation en fonction des donnes passes, la logique floue, les rseaux de neurones et les statistiques sont trs souvent utiliss.
2.4 Laboratoire de Biotechnologie de l'Environnement de lINRA de Narbonne

Le laboratoire de Biotechnologie de lEnvironnement (LBE) est un laboratoire de lINRA (Institut National de Recherche Agronomique). Lobjectif scientifique de lINRA de Narbonne consiste mobiliser des sciences du vivant et des sciences pour l'ingnieur en vue d'explorer et d'exploiter le potentiel biochimique des microorganismes pour la protection des ressources physiques que sont l'eau, le sol et l'atmosphre.
2.4.2 Axes de recherche

Les principaux axes de recherche du LBE sont les suivants : La digestion anarobie Lcologie microbienne des procds de dpollution Les composs minoritaires des matrices Les biofilms et les flocs en racteur La matire biorfractaire solide ou soluble
Le LBE comporte 3 quipes de recherche : L'quipe Ecologie Microbienne tudie la microbiologie des procds de dpollution sous deux aspects, le rle de la microflore sur les procds (rendement, stabilit, rsilience) et l'impact de cette microflore lors de son rejet dans l'environnement (survie de micro-organismes indsirables) L'quipe Transfert Technologique a une double mission. D'une part assurer l'interface entre les quipes de recherche du LBE et le milieu industriel (transposition au stade prindustriel de rsultats de recherche) et d'autre part, rpondre des demandes en recherche applique ou en dveloppement, provenant des acteurs conomiques. L'quipe Ingnierie des Procds regroupe des comptences en gnie microbiologique, gnie des procds et automatique. Elle met en uvre et optimise sous l'angle cintique des ractions microbiennes afin de dvelopper sous contraintes conomiques et environnementales des bioprocds de traitement des effluents et des rsidus organiques solides. Ces bioprocds peuvent tre coupls des traitements physicochimiques dans le but d'amliorer les performances du traitement biologique. L'optimisation des procds tudis passe par la connaissance de l'hydrodynamique et des transferts de matire dans les racteurs, en particulier dans le cas des procds intensifs biomasse fixe (biofilm). Il est alors possible, en s'appuyant sur des modles, d'optimiser les performances et/ou garantir la stabilit des bioprocds de traitement, en se basant sur le dveloppement de nouveaux capteurs en ligne, la mise en uvre de lois de commande et de stratgies de supervision.
3.
Cahier des charges
Le LBE de lINRA a dj travaill exprimentalement sur la diminution du temps de monte en charge des digesteurs anarobies. Des rsultats intressants dun point de vue pratique ont t obtenus. Lobjectif principal de ce projet tait de dvelopper les outils de base (un modle de tendances fiable, et des premiers rsultats de contrle optimal sur le modle) permettant denvisager de dterminer de faon thorique ou numrique la meilleure faon de dmarrer un digesteur anarobie lit fixe, tel quutilis au LBE.
3.1 Etude bibliographique

Travail effectuer :
Le premier objectif de ce projet est de procder un tat de lart en ce qui concerne la modlisation des racteurs biologiques anarobies qui sont utiliss pour la dpollution des eaux uses et qui produisent du biogaz, essentiellement du mthane. Le travail consiste consulter tous les articles et publications scientifiques sur le sujet et rdiger une synthse bibliographique pour choisir le type de modle utiliser pour la suite du projet.
Dlivrables :
Un document rdig synthtisant les diffrents modles de bioracteurs mthaniseur digestion anarobie dvelopps ce jour. Un choix de modle partir de la synthse bibliographique
3.2 Modlisation et Identification

Travail effectuer
A partir de la synthse bibliographique et des donnes exprimentales disponibles lINRA, un modle dynamique du procd doit tre dvelopp, sous la forme dun systme algbro-diffrentiel dordre modr, permettant deffectuer efficacement des tudes de commande et doptimisation, avec les outils usuels (Matlab). Lidentification des paramtres se fait par optimisation numrique avec Matlab (minimisation de la distance entre les tats simuls et les donnes exprimentales).
Dlivrables
Un ou plusieurs modles de tendance. Des fichiers de simulation Matlab permettant de simuler le modle de mthaniseur choisi et didentifier les paramtres du modle.
3.3 Optimisation
Le travail doptimisation peut se dcomposer en deux tapes : une tude analytique, avec les outils de la gomtrie diffrentielle (crochets de Lie) sur un modle gnrique pour tudier la prsence darcs singuliers (cf. dfinition [4.3.1.3]), et une tude numrique, avec les outils doptimisation de Matlab, visant dterminer le profil de commande optimal dun modle ajust sur les donnes exprimentales.
3.3.1 Optimisation analytique

Travail effectuer
A partir du modle choisi la suite de la synthse bibliographique, le travail consiste calculer les arcs singuliers du modle. Les calculs doivent tre vrifis avec Matlab en utilisant la toolbox
10
symbolique. Si les rsultats sont assez simples ils pourront tre exploits lors de loptimisation numrique.
Dlivrables
des fichiers de calculs symboliques Matlab permettant de faire le calcul analytique des arcs singuliers du modle selon le type de commande utilis pour contrler le systme. des documents rdigs faisant tat des rsultats des calculs analytiques darcs singuliers et concluant lexistence ou non darcs singuliers (selon le type de commande utilis) et leurs potentielles utilisations lors de loptimisation numrique selon leur complexit
3.3.2 Optimisation numrique

Travail effectuer
Le travail consiste dfinir un problme doptimisation sous contraintes rsoudre. Pour cela, un travail de bibliographie doit permettre de savoir quel genre de problme doptimisation a t majoritairement tudi concernant les bioracteurs et quel formalisme mathmatique a t utilis. Ensuite il faut prdfinir des structures de commande appliquer et utiliser des algorithmes doptimisation numrique qui permettront de dterminer les paramtres optimaux. Enfin un travail de rgulation sera envisag selon les rsultats obtenus avec les profils optimaux de commande.
Dlivrables
un document de synthse bibliographique sur ltat de lart en ce qui concerne la dfinition des problmes doptimisation pour les bioracteurs. un document dfinissant le problme doptimisation choisit et les structures de commande choisies, ainsi que les rsultats numriques obtenus. un document dtaillant le type de rgulation choisi et les rsultats numriques obtenus. un document comparant les rsultats obtenus entre les profils : exprimental, optimal en boucle ouverte et rgul. des fichiers de Simulation Matlab permettant de dterminer le profil de commande optimal (instants de commutation entre les diffrents profils de commande et amplitudes des commandes) des fichiers de simulation Matlab avec des correcteurs permettant de rguler le systme
11
4.
Dveloppement du sujet de stage
4.1 Chronologie du travail effectu

Mon travail a dbut par une tude bibliographique sur la modlisation des mthaniseurs par digestion anarobie. Cette tude a permis de choisir un modle de tendance pour modliser le bioracteur de lINRA. A partir de ce modle un travail doptimisation analytique a permis de prouver lexistence de profils optimaux de commande pour le dmarrage de ce bioracteur. Le projet sest poursuivit par trois itrations dun travail en cinq tapes successives : - Une amlioration de la modlisation existante, - Une identification des paramtres du nouveau modle avec un jeu de donnes exprimentales partir des mesures effectues sur le bioracteur de lINRA - Une recherche de profils optimaux de commande pour acclrer le dmarrage du bioracteur - Une synthse simple de correcteur pour contrler le dmarrage du bioracteur. - Une comparaison des rsultats obtenus A chacune de ces itrations le modle a t modifi en vue de lamliorer. Les rsultats de modlisation, didentification, doptimisation, et de rgulation prsents dans le rapport sont les meilleurs qui ont t obtenus lors de la dernire itration. Tout au long du projet, les biologistes de lINRA ont t prsents pour nous fournir des donnes, nous guider dans nos recherches et analyser les rsultats qui ont t obtenus.
Janvier
Etude bibliographique sur les bioracteurs anarobies Modlisation numrique
Fvrier
Etude bibliographique sur loptimisation analytique Recherche des arcs singuliers du systme
Mars
Travail de modlisation et didentification
Travail doptimisation numrique Avril Runion lINRA et prsentation des rsultats Mai Amlioration de la Modlisation, Identification Optimisation numrique, Rgulation Juin Amlioration de la Modlisation, Identification Optimisation numrique, Rgulation Rdaction Rapport Projet de Fin dEtudes
12
4.2 Principes de fonctionnement et modlisation dun bioracteur mthaniseur anarobie.

Les deux parties suivantes prsentent ce quest un bioracteur digestion anarobie, quel est son fonctionnement biochimique et quelles sont les manires de modliser mathmatiquement ce genre de procd.
4.2.1 Etude du fonctionnement des biomthaniseurs

Ltat de lart sur les bioracteurs mthaniseurs anarobies ma permis de dcouvrir le fonctionnement de ces racteurs et les modles mathmatiques existants. Dans cette partie sera dtaill le fonctionnement biochimique de ce genre de racteur. Les modles associs seront abords dans la partie suivante qui traite de la modlisation.
4.2.1.1 Le bioracteur
4.2.1.1.1 Quest-ce quun bioracteur ?
Un bioracteur, ou racteur biologique est un contenant dans lequel un substrat, gnralement des dchets organiques solubiliss dans leau, sont rduits puis digrs par des organismes vivants, par exemple des bactries. [1] Le bioracteur permet donc de dpolluer diffrents types de dchets, tels que les eaux uses, les excrments animaux, etc. En sortie du racteur on obtient une eau plus ou moins dpollue, selon le choix des conditions opratoires, et pour nombre de bioracteurs, du biogaz (mthane, dioxyde de carbone) issu de la dcomposition organique peut tre rcupr et utilis des fins nergtiques pour produire de llectricit par exemple. Il existe dautres moyens bactriens utiliss pour la dpollution des eaux uses comme par exemple les procds de dpollution arobies majoritairement mis en uvre dans les stations dpuration. Cependant, la digestion anarobie prsente de nombreux avantages par rapport la digestion arobie [2] : - Le volume de boues non biodgradables produites est rduit dun facteur cinq dix. - La quantit de composants volatils est fortement rduite. - Le procd induit une production de mthane gazeux (75% du biogaz) pouvant tre rcupr et valoris. - Le cot de production est plus faible car il est inutile doxygner le systme en mettant en marche des machines pour arer la solution. - Ce procd permet de faire des traitements de charges organiques leves (jusqu 80kg de DCO par mtre cube de racteur et par jour). - Le taux dpuration trs lev est de lordre de 80 98%. - Ce procd peut traiter des effluents teneurs limits en azote et en phosphore. Cependant certains inconvnients sont considrer : - La vitesse de croissance des bactries est faible ce qui induit que les cintiques dpuration sont lentes et que les priodes de dmarrage des bioracteurs peuvent tre longues. - Les populations bactriennes sont sensibles aux perturbations (oxygne, mtaux lourds) et aux surcharges organiques ce qui peut rendre le procd instable - Le traitement lheure actuelle se rvle parfois insuffisant. Il y a donc ncessit de traiter leffluent de sortie avant le rejet dans la nature, pour liminer le reste de carbone, de lazote et du phosphore. Mais globalement, les avantages des digesteurs anarobies lemportent sur les inconvnients, ce qui explique le dveloppement exponentiel du march des digesteurs anarobies au cours des trente dernires annes.
13
4.2.1.1.2
Le bioracteur mthaniseur anarobie de lINRA de Narbonne
Le bioracteur sur lequel portait mon stage est un bioracteur de lINRA de Narbonne dont le synoptique de fonctionnement est prsent en annexe 8.[A.1.], tir de [3]. Il sagit dun bioracteur bactrien en ce sens quil sagit dune cuve de plusieurs centaines de litres ensemence avec plusieurs espces de bactries. La cuve est alimente de faon continue en eaux uses, de type vinasse de vin, effluents de laiterie, qui doivent tre dpollues. Les bactries se nourrissent du substrat organique prsent dans ces effluents et lutilisent dans leur mtabolisme pour crotre et se reproduire. Elles rejettent du biogaz, principalement du mthane, qui est rcupr, et un peu de dioxyde de carbone. Cette gnration de mthane gazeux justifie la dnomination de mthaniseur . Toutes ces ractions biochimiques entre les bactries et le substrat se font dans un milieu sans oxygne, do la dnomination anarobie . La digestion anarobie fait intervenir diffrentes tapes physicochimiques et biochimiques. Ce bioracteur est dit lit fixe car les bactries sont agglutines en un biofilm (voir partie suivante) sur des supports prvus cet effet 8.[A.2.] dans le bioracteur comme on peut le voir sur la photo 8.[A.3.] qui a t obtenue aprs 54 jours dutilisation du bioracteur. Il existe diffrents types de bioracteur lit fixe. Le flux de la solution entrante peut tre ascendant, ou descendant comme le prsente la figure 8.[A.4.]. On peut voir sur la photo 8.[A.5.] des bactries prleves sur le biofilm du support.
4.2.1.1.3
Les biofilms
On a vu que les bactries se dveloppes principalement sous la forme dun biofilm dans les racteurs lit fixe. Comme il a t dit, un biofilm est un agglomrat de bactries attaches sur un support.
Cration du biofilm
Le processus de cration du biofilm consiste en une succession de cinq tapes 8.[A.6.] :
A) Le conditionnement
Lorsque le support solide est immerg, ses surfaces sionisent et attirent les macromolcules organiques (le substrat organique), qui sont prsentes en phase liquide. Ainsi, les surfaces du support se recouvrent de substrat.
B) Le transport
Sous diffrents effets hydrodynamiques (convection, coulement) et gravitationnels les bactries entrent en contact avec les surfaces du support.
C) Ladhsion rversible
En raison de forces dattraction chimiques et lectrostatiques prsentes entre les bactries et les surfaces du support, les bactries se fixent au support. Celles-ci possdent galement des protubrances en forme de bras leur permettant de sapprocher au plus prs de la surface du support. Ces bras permettent de passer au travers du champ de rpulsion qui se cre entre une surface plane et un corps sphrique lchelle microscopique.
D) La co-adhsion co-agrgation
Les cellules qui ont adhr au support se nourrissent du substrat et secrtent une substance polysaccharidique leur permettant dadhrer de faon irrversible au support. Cest ce quon appelle le bio-attachement. Une fois que la premire couche de cellule a recouvert le support, de nouvelles cellules se dveloppent et adhrent leur tour la premire couche. Cest cette co-adhsion qui cre un biofilm.
E) Lancrage irrversible
Une fois que ltape prcdente a dbut et pour peu que ladhsion soit suffisamment forte, lancrage des cellules est irrversible.
14
Une fois les cellules attaches, elles se dveloppent et augmentent la taille du biofilm. Le biofilm organis en rseaux permet aux cellules de crotre dans un environnement optimal. Le substrat se diffuse lintrieur de ce rseau pour nourrir toutes les cellules. Cette croissance du biofilm seffectue cependant jusqu un maximum qui est limit par laccs au substrat des cellules situes dans les niveaux infrieurs du biofilm car au fur et mesure de la croissance du biofilm, les molcules de substrat ont plus de difficults diffuser lintrieur du biofilm. Ainsi, la concentration en substrat diminue dans les couches basses du biofilm.
Le dtachement
Les cellules qui forment le biofilm peuvent sen dtacher cause de trois phnomnes diffrents.
A) Lrosion
Lrosion peut tre lorigine du dtachement des bactries. En effet, les conditions dynamiques du fluide entranent des forces de cisaillement sur la surface du biofilm ce qui peut dtacher la partie suprieure du biofilm. De plus dans un racteur lit fixe, laugmentation de la taille du biofilm rduit le volume du racteur ce qui, dbit volumique constant, augmente la vitesse dcoulement du fluide et favorise le dtachement.
B) La mue
La mue, o dtachement massif du biofilm apparat lorsque le racteur est soumit des changements de conditions dfavorables telles la surcharge organique o la prsence de toxines dans le fluide. Une grosse partie du biofilm peut alors se dtacher et tre lessive.
C) La colonisation
Par ailleurs, lorsque la taille du biofilm atteint un maximum critique qui ne permet plus dalimenter en substrat de nouvelles bactries, celles-ci ne restent pas dans le biofilm mais rejoignent la solution pour aller coloniser de nouveaux emplacements favorables la cration dun biofilm.
4.2.1.1.4
Fonctionnement biochimique dun mthaniseur par digestion anarobie
Les tapes biochimiques font intervenir de nombreuses espces de bactries, jusqu plusieurs centaines selon le type deffluent. Il existe diffrents groupes de bactries qui participent des ractions biochimiques cibles. Le modle 8.[A.7.] inspir du modle de Zeikus (1980) schmatise les diffrentes tapes biochimiques impliques dans le processus anarobie.
La dsagrgation
La toute premire tape, la dsagrgation est une tape physico-chimique principalement non biologique. Les particules composites du substrat sont dcomposes en particules inertes qui sont des particules de composs carbons, des lipides et des protines. Les dchets de cette raction sont des particules inertes qui ne sont donc pas biodgradables et donc non traitables par la digestion anarobie.
Lhydrolyse
Ltape dhydrolyse est une tape enzymatique extracellulaire dans laquelle les macromolcules issues de ltape de dsagrgation sont rduites en monomres de la faon suivante : - Les polysaccharides sont transforms en monosaccharides - les lipides sont transforms en longues chanes dacides gras - les protines sont transformes en acides amins - les acides nucliques sont transforms en bases azotes
15
Lacidognse
Lors de cette tape, les produits de lhydrolyse sont absorbs par des bactries fermentaires qui mtabolisent les monomres pour produire des acides gras volatils (AGV) (actate, propionate, butyrate, isobutyrate, valrate et isovalrate), des alcools, du sulfure de dihydrogne, ( H 2 S ) responsable de lodeur caractristique des mthaniseurs, du dioxyde de carbone ( CO2 ), et de lhydrogne ( H 2 ) Ainsi, on obtient des produits ferments simplifis. Notons que cette tape est trs rapide et que les bactries y participant ont un temps de duplication trs court par rapport aux autres tapes et aux taux de duplications des autres populations de bactries. Ainsi, il peut y avoir une accumulation de ces produits intermdiaires de digestion anarobie qui peut dstabiliser et arrter les autres tapes cause du pouvoir inhibiteur dune trop grande concentration de ces lments.
Lactognse
Lors de cette tape, les produits issus de lacidognse sont transforms par les bactries actognes en actate, en dioxyde de carbone, et en hydrogne. Le temps de ddoublement de ces bactries est beaucoup plus long que ceux de lacidognse. On distingue 2 groupes de bactries qui participent cette tape : 1. Les premires sont les bactries productrices obliges dhydrogne qui produisent de lactate, de lhydrogne et du gaz carbonique partir des produits de lacidognse. Leur fonctionnement est dfavorable dun point de vue thermodynamique (consommation dnergie) avec une pression dhydrogne trop importante. Ainsi laccumulation dhydrogne peut conduire larrt de lactognse, ce qui implique que ce groupe de bactrie doit tre associ un groupe consommateur dhydrogne. Ci-dessous, les ractions chimiques mises en jeu lors de la dgradation : De lthanol : CH 3 CH 2 OH + H 2 O CH 3 COO + 2 H 2 + H + Du butyrate : CH 3 (CH 2 )2 COO + 2 H 2 O 2CH 3 COO + 2 H 2 + H + Du propionate : CH 3 CH 2 OO + 2 H 2 O CH 3 COO + 3H 2 + CO 2
2. Les secondes produisent principalement de lactate partir de lhydrogne et du dioxyde de carbone comme le montre la raction chimique suivante :
2 HCO 3 + 4 H 2 + H + CH 3 COO + 4 H 2 O
La mthanognse
Lors de cette tape, les produits des ractions prcdentes, principalement lactate, le formate, le dioxyde de carbone et lhydrogne, sont convertis en mthane par les bactries dites mthanognes. Leur temps de ddoublement est un peu plus rapide que les populations de bactries actognes. Deux familles principales de bactries mthanognes existent : 1. La premire population comprend les mthanognes hydrognophiles qui produisent du mthane partir dhydrogne : - et de dioxyde de carbone : 4 H 2 + HCO3 + H + CH 4 + 3H 2 O - et de formate : HCOO + H + + 3H 2 CH 4 + 2 H 2 O Ces bactries permettent donc lactognse de se drouler correctement en utilisant lhydrogne qui en trop grande quantit peut inhiber lactognse. 2. La deuxime population comprend les mthanognes actoclastes qui produisent le mthane partir dacide actique, de mthanol, et de mthylamine. On rencontre principalement deux types de bactries mthanognes actoclastes dans les digesteurs anarobies, les premires utilisent uniquement lactate pour produire le mthane alors que les secondes peuvent utiliser
16
lactate, le dioxyde de carbone, lhydrogne, le mthanol, et les mthylamines comme substrat pour produire le mthane. La raction suivante montre la conversion de lactate en mthane et en dioxyde de carbone :
CH 3 COO + H + CH 4 + CO 2
La sulfato-rduction
En marge de la digestion anarobie, conduisant la production de mthane et qui est intressante en terme de traitement des eaux pollues, une autre population de bactrie est prsente dans les digesteurs anarobies. Cette population bactrienne rduit diffrents types de molcules sulfates, le 2 2 2 sulfate SO4 , le sulfite SO3 , et le thiosulfate S 2 O3 en sulfure S 2 . Cette population bactrienne sulfato-rductrice (BSR) intervient au stade terminal de la dgradation anarobie, tout comme les mthanognes. Lacide sulfurique (H 2 S ) produit par cette raction possde un effet inhibiteur sur les mthanognes, soit de manire directe, soit en faisant prcipiter les mtaux essentiels ncessaires la mthanognse. Deux comportements de bactries sulfato-rductrices peuvent tre identifis : Le premier groupe utilise le lactate afin de loxyder en actate et en dioxyde de carbone. Ce groupe peut en outre utiliser certains produits de la premire tape de fermentation tels que lthanol, le fumarate, le malate, le pyruvate
( )
Le deuxime groupe utilise lactate, des acides gras longues chanes, certains composs aromatiques, et certains des substrats utiliss par le premier groupe, quil oxyde entirement jusqu lobtention de dioxyde de carbone. Les principales ractions chimiques des bactries sulfato-rductrices sont donnes ci-dessous : - Oxydation de lactate :
2 CH 3 COO + SO 4 2 HCO3 + HS
Oxydation de lthanol :
2 CH 3 CH 2 OH + 1 2 SO 4 CH 3 COO + 1 2 HS + 1 2 H + + H 2 O
Oxydation du propionate :
2 CH 3 CH 2 COOH + 3 4 SO 4 CH 3 COO + 3 4 HS + 1 4 H +
Oxydation du butyrate :
2 CH 3 CH 2 CH 2 COOH + 1 2 SO 4 2CH 3 COOH + 1 2 HS + 1 2
H+
Oxydation de lhydrogne :
2 4 H 2 + SO4 + H + HS + 4 H 2 O
Oxydation du thiosulfate :
2 S 2 O3 + H 2 O SO4 + HS + H + 2 4SO32 + H + 3SO4 + HS
Le principal problme est la comptition qui sopre entre les bactries mthanognes et les bactries sulfato-rductrices, car ces dernires possdent un meilleur taux de croissance et une limitation de leur croissance plus faible. Ainsi, les composs carbons utiles la mthanognse sont dtourns au profit de la sulfato-rduction. En effet, les bactries sulfato-rductrices, dans un milieu non limitant en terme de sulfate, utilisent lhydrogne, lactate, le dioxyde de carbone, ncessaires la mthanognse. En labsence de sulfate, ces bactries utilisent des acides organiques (lactate, pyruvate, formate, malate), des acides gras volatils (actate), et des alcools (thanol, propanol, mthanol, butanol). Dans ce cas, certaines populations peuvent changer de lhydrogne avec des bactries mthanognes. Dans le cas o le sulfate est prsent mais dans un aspect limitant, les bactries sulfato-rductrices peuvent oxyder le propionate, en syntrophie avec les bactries mthanognes. Cependant dans un biofilm les bactries sulfato-rductrices sont dsavantages en raison de moins bonnes proprits dagrgation.
17
Par ailleurs si le rapport entre la charge organique et la charge en sulfate est faible la mthanognse devient quasiment inexistante par rapport la sulfato-rduction. Le schma 8.[A.8.] permet de voir partir de quel rapport la mthanognse prdomine sur la sulfatorduction.
4.2.1.1.5
Conditions physico-chimiques
Pour comprendre les processus de la digestion anarobie il tenir compte de linfluence des conditions physico-chimiques suivantes : Prsence daccepteurs dlectrons Potentiels redox Temprature pH Concentration en nutriments.
Accepteurs dlectrons
Le tableau 8.[A.9.] permet de voir les accepteurs dlectrons utiles aux processus de digestion anarobie. Il apparat quil y a dabord une tape de dnitrification, puis de sulfato-rduction (avec la rduction du sulfate en sulfure), puis enfin la mthanognse, rendue possible par la rduction du dioxyde de carbone en mthane.
Potentiel redox
On voit sur le tableau redox 8.[A.10.] que les bactries mthanognes ne peuvent se dvelopper convenablement en milieu anarobie que pour des potentiels redox trs bas au alentour de -400mV.
Temprature
La temprature affecte le dveloppement des bactries ainsi que les ractions biochimiques et physico-chimiques. Ainsi, on distingue trois comportements bactriens diffrents, selon la temprature. - Les psychrophiles qui vivent dans des milieux de 4 30 C avec un optimum de 12 18C. - Les msophiles qui vivent dans des milieux de 20 50C avec un optimum autour de 35C - Les thermophiles qui vivent dans des milieux de 45 75 C avec un optimum autour de 65C. La figure 8.[A.11.] prsente le taux de croissance des bactries mthanognes selon la temprature et leur groupe daffinit thermique. Lactivit enzymatique subit elle aussi linfluence de la temprature, avec une augmentation de lactivit avec laugmentation de la temprature jusqu une activit optimale avant que des tempratures trop leves ne dnaturent et ne dtruisent lenzyme.
pH
Le pH influence les ractions biochimiques et le dveloppement des bactries. Il peut se rvler fortement inhibiteur. Les bactries des digesteurs anarobies peuvent gnralement vivre dans des conditions de pH compris entre 4 et 9 mais leur dveloppement est optimal entre 6.5 et 7.3 de pH. Lactivit enzymatique est elle aussi fortement influence par le pH car elle dpend fortement de la concentration du milieu en ions H + .
Concentration en nutriments
Afin de comprendre le comportement de croissance des bactries il est primordial de considrer les nutriments permettant aux bactries de se dvelopper. En effet, les bactries ont besoin 95% de carbone, doxygne, dazote, dhydrogne, et de phosphore pour se constituer. Ces matires sont puises directement dans les effluents pendant les fermentations anarobies. Cependant, les bactries ont besoin en petites quantits dautres lments plus rares : K+, Ca2+, Cu2+, Mo6+, Co2+, V2+, Mg2+, Fe2+, Fe3+, Mn2+, Zn2+, Ni2+, Na+, B3+, Se2-, Ag+, Au+, I-, Ti2+.
18
Ces lments sont prsents en quantits variables dans les effluents et donc parfois en quantits insuffisantes tout comme lazote et le phosphore. Il faut donc prvoir une alimentation des bactries par des mlanges de nutriments adapts. Cependant une concentration trop leve de ces minraux peut inhiber certaines ractions biochimiques et mme conduire larrt du bioracteur. A partir de toutes ces connaissances sur le fonctionnement biochimique et physico-chimique des bioracteurs, il est possible de crer des modles mathmatiques qui dcrivent les processus et les influences des conditions exprimentales.
4.2.2 Modles existants de bioracteur

4.2.2.1 Modlisation de processus biologiques
Les articles [4] et [5] prsentent de manire dtaille les quations permettant de modliser des processus biologiques de faon gnrale. Gnralement un processus biochimique dans un bioracteur parfaitement agit peut se modliser sous la forme :
& X = ( D )X & S = (S in S ) X - S : la concentration en substrat dans le bioracteur - S in : la concentration en substrat dentre X : la concentration de la biomasse - : le taux de croissance D : le taux de dilution (le rapport entre le dbit dentre et le volume du racteur) -
Plusieurs quations permettent de modliser des comportements de croissance diffrents. Par exemple le taux de croissance dune population de bactries peut tre modlis par : - Equation de Monod :
= max
S avec, max le taux de croissance maximal, K S la constante de demi saturation. S + KS
Cette quation permet de modliser la croissance dune population de bactries se nourrissant dun substrat et dont la croissance maximale est limite.8.[A.12.] Equation de Haldane :
= max
S S2 S + KS + KI
avec K I la constante dinhibition.
Cette quation permet de modliser en plus le fait quune trop grande concentration en substrat inhibe le dveloppement des bactries. Il y a donc un taux de substrat optimal pour la croissance des bactries.
4.2.2.2 Modles de bioracteurs anarobies

4.2.2.2.1 Premiers modles
Les premiers modles mathmatiques de bioracteurs anarobies ont t dfinis dans les annes 1970. De trs nombreux modles ont depuis t dvelopps. Le document [6] prsente les modles les plus connus. Ces modles sont plus ou moins complexes selon le nombre de processus biochimiques reprsents. Ils essayent de dcrire la croissance des bactries en fonction du substrat, linhibition de la croissance des bactries par le substrat La dpendance de la croissance des bactries vis--vis des
19
conditions de temprature et de pH est parfois explicite. Ces modles doivent pouvoir prdire une surcharge organique ou hydrodynamique pouvant altrer le fonctionnement du racteur, jusqu larrt.
4.2.2.2.2
Modle ADM1
Le modle ADM1 pour Anaerobic Digestion Model n1, est un modle qui a t dvelopp par les chercheurs de lIWA (International Water Association) dans le livre [7]. Le but tait de crer un modle trs complet bas au plus prs du modle phnomnologique, permettant de simuler au mieux les racteurs anarobies. Comme on peut le constater, par exemple sur le schma de modlisation 8.[A.13.], ADM1 est un modle complexe. En effet, il dcrit 19 processus biochimiques, 3 processus cintiques de transferts gaz-liquide et 7 populations bactriennes diffrentes. Pour tre utilis par des calculateurs numriques, il peut tre implant sous 2 formes diffrentes. Soit uniquement avec des quations diffrentielles, modle ODE, qui contient 32 variables dtat dynamiques et 6 processus cintiques dacide-base, soit avec des quations diffrentielles et des quations algbriques, modle ODE-DAE, qui contient 26 variables dtats dtat dynamique. [8] LADM1 permet daccder jusqu 32 sorties de simulation. Pour pouvoir utiliser ce modle qui dcrit trs gnralement les procds de digestion anarobie, il faut prvoir de rgler plus de 80 paramtres. Ce modle est donc trs compliqu identifier et demande une bonne connaissance des paramtres cintiques et stchiomtriques du bioracteur modliser.[9] Des extensions ont t dveloppes pour amliorer et largir encore la prdiction de lADM1, par exemple pour prendre en compte les sulfato-rductions, ou la dgradation de certains substrats.[10] et [11] Ce modle est donc trs intressant en ce qui concerne la prcision des simulations si le rglage des paramtres savre possible pour le type de substrat quon veut utiliser. Cependant, sa complexit est un gros handicap pour faire de loptimisation ou synthtiser des lois de commande bases sur le modle. De plus, sa complexit le rend difficile implanter numriquement [12]. Cest pour ces raisons que ce modle na pas t retenu.
4.2.2.2.3
Modle AM2
Un modle rcent, de bioracteur anarobie a t dvelopp par des chercheurs de lINRA de Narbonne et de lINRIA de Sophia-Antipolis, en 2001. [13] Ce modle appel AM2 pour Anaerobic Model n2, est un modle de tendance beaucoup plus simple utiliser que le modle ADM1, pour faire du contrle ou de loptimisation. Ce modle a t dvelopp partir des rsultats exprimentaux obtenus sur le racteur lit fixe de lINRA de Narbonne. La suite dcrit de manire dtaille ce modle de bioracteur.
A)
Processus biochimique
La modlisation comprend deux processus et deux populations bactriennes comme on peut le voir sur la figure 8.[A.14.]. La premire tape est celle de lacidognse modlise par une population de bactries acidoactognes de concentration X 1 qui dcompose le substrat carbon S1 en acides gras volatiles (AGV qui devient le substrat S 2 ), et en dioxyde de carbone. On considre dans ce modle simplifi que les AGV sont uniquement prsents sous forme non ionise et se comportent comme de lacide actique. Notons que les deux substrats sont aussi prsents dans lalimentation du racteur. La raction chimique modlise est donc la suivante : k1 S1 X 1 + k 2 S 2 + k 4 CO2 avec la vitesse de raction : r1 = 1 X 1 .
r1
20
La croissance de cette population suit une cintique de Monod: 1 = 1 max
S1 8.[A.15.] S1 + K S 1
La seconde tape est celle de la mthanognse modlise par une population de bactries mthanognes actoclastes de concentration X 2 qui transforment les AGV (substrat S 2 , provenant de lalimentation et/ou issu de lacidognse) en mthane et en dioxyde de carbone selon la raction chimique suivante : k 3 S 2 X 2 + k 5 CO 2 + k 6 CH 4 avec la vitesse de raction : r 2 = 2 X 2 . La croissance de cette population suit une cintique de Haldane: 2 = 2 max
r2
S2 S2 + KS2 S2 + 2 KI2
8.[A.16.] Linhibition de la mthanognse par laccumulation dAGV est donc modlise.
B)
Processus physico-chimiques
Carbone inorganique
Ce modle prdit la concentration de carbone inorganique. Pour un pH entre 6 et 8 celui-ci est gal la concentration en dioxyde de carbone et de bicarbonate tel que C C = C CO 2 + C B . Ces deux lments suivent les ractions suivantes en phase liquide : B + H + CO2 + H 2 O et K b =
[H ]B
+
CO2
avec
K b = 6.5 10 11 mol L1
Alcalinit totale
Lalcalinit totale est dfinie par la somme des acides dissocis dans le milieu liquide. Ainsi Z = S 2 + B . Cette hypothse nest cependant pas vrifie si le pH de leffluent est assez faible et il faut prendre en considration lalcalinit de leffluent Z in = Bin +
Ka S 2in avec K a + 10 pH
K a = 1.5 10 5 mol .L1
C)
Modle dtat dynamique
En considrant le vecteur de variables dtats suivantes :
X1 X 2 Z = S1 S 2 C C
Concentration de la population bactrienne mthanogne Alcalinit totale Concentration du substrat 1 de matire carbons Concentration du substrat 2 d' AGV Concentration totale de carbone inorganique Concentration de la population bactrienne acidogne
Le modle dynamique est alors le suivant :
21
& X 1 = [1 ( ) D ]X 1 & X 2 = [ 2 ( ) D ]X 2 Z = D[Z Z ] & in &= & S1 = D(S1in S1 ) k1 1 ( )X 1 S = D(S S ) + k ( )X k ( )X & 2 in 2 2 1 1 3 2 2 2 & = D(C C ) q ( ) + k ( )X + k ( )X C C Cin C CO2 4 1 1 5 2 2
Le terme reprsente le degr dagitation du bioracteur avec 0 1 . = 1 implique le racteur est compltement agit. = 0 implique que le racteur est parfaitement lit fixe.
D)
Sorties supplmentaires accessibles
Les sorties calculables sont donc les valeurs des 6 variables dtat. Il est galement possible de calculer les sorties associes au dbit de mthane, au dbit de dioxyde de carbone et le pH. Le dbit de mthane est calcul de la faon suivante : CH 4 = k 6 2 X 2 exprim en mmol L1 j 1 . Pour obtenir une valeur comparable avec les signaux
provenant
des
capteurs,
il
est
ncessaire
deffectuer
une
conversion
en
[L j ]
1
CH 4 VMolaire Vreacteur 1000 Avec Vreacteur = 528 L le volume du bioracteur et V Molaire = 24 L mol 1 le volume molaire. qCH 4 =
Le dbit de dioxyde de carbone est calcul avec la loi de Henry:
q CO2 = k L a C CO2 K H PCO2
- k L a est le coefficient de transfert liquide gaz. - K H est la constante de Henry pour le dioxyde de carbone - PCO2 est la pression partielle de CO2 Les pressions des gaz tant lquilibre on la relation entre la pression partielle et le dbit de gaz suivante :
PT PCO2 qCH 4
PCO2 qCO2
avec PT la pression totale applique au fermenteur donc la pression
atmosphrique. Ceci permet de dduire la pression partielle de CO2 : PCO2 =
2 4 K H PT CCO
2K H
avec
= CCO + K H PT +
2
qCH 4 kLa
et C CO2 = C C + S 2 Z
Il est aussi possible de calculer le pH : pH = log10 K b
CC Z + S 2 Z S2
E)
Paramtres
Les paramtres, identifis sur le bioracteur de lINRA de Narbonne, sont donns 8.[A.17.] et 8.[A.18.]. Cependant selon le type deffluent (vinasse, laiterie etc.) ces paramtres varient fortement. Il faut donc vrifier leurs valeurs et au besoin les ridentifier.
22
Rapport de PFE : Modlisation et Optimisation dun biomthaniseur Julien Eynard Ingnierie de la commande des Systmes Complexes ESISAR 2006/2007 F) Intrt et limites du modle
Ce modle prsente lintrt de reproduire 97.8% la variabilit du systme rel. [9] Son ordre dynamique modr facilite lestimation des paramtres cintiques et stchiomtriques. Les sorties principales les plus intressantes sont accessibles directement. Larticle [14] illustre la robustesse de ce modle ce qui rend sont utilisation possible pour des conditions exprimentales assez varies. Un des dfauts principaux de ce modle est quil ne prend pas en compte lactognse qui est implicitement intgre lacidognse. Ceci implique quil est impossible de prdire le taux des diffrents AGV, comme par exemple le propionate qui a un fort potentiel inhibiteur sur le processus gnral. Les AGV sont tous comptabiliss comme de lactate directement mthanisable. Un des autres dfauts majeurs du modle est que, lors des phases transitoires de dmarrage du bioracteur, la biomasse est mal prdite. Toutefois, la bonne reprsentation de la dynamique du systme rel et sa relative simplicit par rapport des modles beaucoup plus complexes comme lADM1 font de ce modle un trs bon candidat pour la synthse de commande ou des travaux doptimisation. Cest donc le modle que nous avons choisit pour ce projet. Une fois ce modle choisi, un modle numrique a t dvelopp sur Matlab pour pouvoir faire de la simulation en fournissant les entres de commande.
G)
Extensions, Amlioration
Depuis le dveloppement de ce modle, certains travaux de recherche ont cherch lamliorer. Par exemple, dans [15] les auteurs considrent que le milieu ractionnel nest pas homogne. Ainsi, le modle tient compte de la dpendance spatio-temporelle des variables dtat : les concentrations des lments ne sont pas ici rparties de manire uniforme dans le racteur mais obissent aux lois dun systme paramtres distribus. Un modle [16] a aussi t dvelopp sur la base de lAM2 pour permettre destimer la concentration en propionate.
4.2.3 Positionnement du problme

Nous venons de voir quel est le fonctionnement biochimiques et physico-chimique dun bioracteur anarobie, ainsi que plusieurs modles mathmatiques disponibles. Au vu des avantages que prsente le modle AM2 pour le contrle et la commande, nous avons dcid dutiliser ce modle pour simuler le bioracteur de lINRA de Narbonne. Cest donc sur ce modle que se baseront tous les autres travaux de ce projet. Lobjectif de ce projet est de dvelopper, sur la base dAM2, un modle capable de simuler le fonctionnement dynamique du bioracteur de lINRA de Narbonne et doptimiser son dmarrage et ses performances. La partie suivante prsente les principes mathmatiques de loptimisation ainsi que les algorithmes utiliss pour loptimisation numrique.
23
4.3 Principes thoriques de loptimisation

Dans cette partie sont prsents les principes mathmatiques des mthodes qui ont t employes dans le cadre de loptimisation du bioracteur anarobie, ainsi que les principes de fonctionnement des algorithmes doptimisation numrique utiliss.
4.3.1 Problme doptimisation dynamique

La premire tape dun problme doptimisation dynamique, et sans aucun doute la plus importante, consiste en la formulation mathmatique du problme. Le fait que cette formulation se traduise par une expression mathmatique formalise ne doit pas occulter la rflexion sous-jacente. En effet, avant de se lancer dans un tel type de problmes, il convient de sinterroger sur la notion mme de performance. De nombreux indicateurs peuvent traduire le bon ou le mauvais fonctionnement dun procd. Nanmoins, il convient den choisir un (ou plusieurs dans le cas de loptimisation multi-objectif) et de dfinir les contraintes associes au problme. Dans le cas dun procd soumis des entres de commande, le problme consiste dterminer les entres optimales qui permettent doptimiser le ou les objectifs fixs. En pratique, notamment pour les procds industriels ou semi-industriels, lexprience montre quil est difficile de mettre les diffrents acteurs (oprateurs, responsables de la production, chercheurs, ) daccord sur un problme unique. Cette tape est nanmoins cruciale, car les rsultats obtenus, sils permettent de dvelopper la comprhension que nous avons dun procd, dpendent toujours de la formulation choisie.
4.3.1.1 Formulation standard dun problme doptimisation [18] [19]

Lorsquon souhaite optimiser un procd dynamique, on cherche minimiser une fonction objectif ( x, t , u ) . Dans le cas de loptimisation dun procd dcrit par un modle dynamique,
& x = F ( x, t , u ) , celui-ci est alors considr comme un ensemble de contraintes respecter pour
lentre de commande et le temps ncessaire qui permettent de minimiser le critre J = ( x, t , u ) Le problme peut alors se formaliser sous une forme directe, o le critre J est minimis
tf ,u (t )
loptimisation. Si certaines conditions, en plus des quations du modle, doivent tre respectes au cours de lintgration numrique du modle, on ajoute des contraintes de chemin ( x, t , u ) pour dcrire ces conditions. De la mme faon, si certaines conditions doivent tre respectes la fin de lintgration numrique du modle, on ajoute des contraintes temps final T x t f . On cherche alors
( ( ))
min J = ( x, t , u )
( x, t , u ) 0
T (x(t f
sous contraintes & x (0 ) = x0 x = F ( x, t , u )
)) 0
tf 0
contraintes de chemin contraintes temps final

f
Avec, par exemple J = x t f
( ( )) + L(x, u )dt dans lequel (x(t )) est un cot terminal et L(x, u )
est le cot sur la dure dintgration. On peut rcrire le mme problme sous la forme dune minimisation du temps final, moyennant lajout dtats artificiels supplmentaires, daprs la thorie de loptimisation dynamique. Ceci amnera une solution identique au niveau des entres de commande.
24
tf ,u (t )
min t f
)) 0 (x(t )) J
f
( x, u ) 0
T (x(t f
sous contraintes & x = F ( x, u ) x (0) = x0 contraintes de chemin contraintes temps final
4.3.1.2 Principe du Maximum de Pontryaguine

Il est possible de reformuler le problme doptimisation prcdent en utilisant le Principe du Maximum de Pontryaguine.
u (t ), (t ),v
min H = T F (x, u ) + T (x, u )
sous contraintes & x (0) = x0 x = F ( x, u ) & T = H x T (t f ) = x
tf
T + vT x tf
Avec :
(t ) 0 le vecteur de taille n des tats adjoints (Multiplieur de Lagrange pour le systme
dquations)
(t ) 0 le vecteur de taille des multiplieurs de Lagrange pour les contraintes de chemin. v 0 le vecteur de taille des multiplieurs de Lagrange pour les contraintes temps terminal. Les multiplieurs et v sont non nuls quand les contraintes correspondantes sont actives et nuls T dans les autres cas. Ainsi on a toujours les galits suivantes : T ( x, u ) = 0 et v T (x(t f )) = 0 . La
x, u , , , v existent et vrifient les quations :
condition ncessaire doptimalit est dfinie par H u =
H = 0 . Cette condition implique que u
& x = F (x, u ), H F & = T T T = x x x T + vT T (t f ) = x tf x tf v T T (x(t f
T ( x, u ) = 0
)) = 0
H F = T + T =0 u u u
4.3.1.3 Expression analytique des entres optimales.

La condition ncessaire doptimalit pour lentre u i est donne par :
25
H F = T + T = T Fui + T ui = 0 u i u u Deux cas peuvent tre distingus, qui annulent H ui : H ui =
Solutions dtermines par les contraintes de chemin actives
T Fui 0 sur un certain intervalle ce qui implique pour respecter lgalit que 0 sur lintervalle
considr. Une des contraintes de chemin est active ce qui implique quon peut dterminer lentre de commande partir de cette contrainte active. Par exemple si on considre que les contraintes sont places uniquement sur lamplitude de lentre du systme, c'est--dire que u i u i max 0 et u i min u i 0 , tant donn que 0 alors u i = u i max pour T Fui < 0 et u i = u i min pour T Fui > 0 . Si on a des contraintes sur dautres variables que lentre du procd, et que lune dentre elle est active, alors on peut dterminer lentre optimale u i = u ipath qui permet de respecter de maintenir lentre u i sur cette contrainte.
Solutions lintrieur du domaine de faisabilit
Dans le cas o T Fui = 0 , on ne peut pas obtenir directement lexpression de lentre de commande u i . Dans ce cas la solution u icomp quon recherche est appele arc singulier. Cette solution reprsente un compromis entre les diffrentes contraintes et objectifs qui psent sur loptimisation. Pour rechercher cette solution on part du fait qu chaque instant t on a H ui = 0 . Sachant quune fonction nulle sur un intervalle a toutes ses drives temporelles successives qui sont nulles : alors montrer que
d j H ui = 0, j On peut dt j
dH ui S Fui = 0 = T Fui T x dt
g F v F g + (k ) u (k +1) avec x x 0 u
avec un oprateur bas sur les crochets de Lie tel que g =
u (k ) la kime drive de u par rapport au temps.
d j H ui j 1 = T j Fui T Fui = 0 avec Cette expression se gnralise lordre j : j x dt j g = ( j 1 g )

Afin de se librer de la contrainte de devoir calculer les multiplieurs de Lagrange, pour un systme dordre n on diffrencie Fui jusqu lordre i 1 , c'est--dire quon calcul les j Fui pour j = { ,..., i 1} . 1 On peut ainsi construire la matrice M i = Fui
Fui
... i 1 Fui
Le nombre i correspond au nombre de diffrentiation qui najoute plus de rang la matrice M i . Le rang de cette matrice est alors fonction des tats et des entres de commande du systme. Il a t montr que si la matrice perd un rang, cela signifie que la commande est lintrieur du domaine de faisabilit, c'est--dire quaucune des contraintes nest active. Si la commande u i apparat explicitement dans lune des diffrentiations j Fui alors on peut calculer la commande optimale sur cet intervalle qui annule le dterminant de la matrice M i . Si i = i 1 alors la commande est un retour de boucle statique dpendant uniquement des tats du systme.
26
En revanche si i < i 1 cela signifie que la perte de rang est fonction de la commande mais aussi de ses drives temporelles successives u , u 1 ,..., u
i 1 i
Si i > i 1 cela signifie que la perte de rang nest pas fonction de la commande. Dans le cas particulier o i = n , faire perdre un rang la matrice consiste dterminer lexpression qui annule le dterminant de la matrice. Cest gnralement le cas que nous avons eu traiter. Lentre de commande optimale u i est alors constitue dune squence des entres de commande qui annulent H ui . La commande optimale est donc scind en intervalles temporels sur lesquels lentre de commande est soit u i = u i max , soit u i = u i min , soit u i = u ipath , soit u i = u icomp . Il existe alors une unique squence dentre qui permet dobtenir la structure correcte de la commande u i . La connaissance de la structure de ces arcs dentre et de lordre de la squence permet de dterminer la structure de la commande optimale. La recherche des meilleures valeurs des instants de commutation entre chaque arc de la squence permet de dterminer la vritable commande optimale qui permet doptimiser le procd pour rpondre lobjectif fix et gnralement, dassurer le respect des contraintes temps final. La squence des arcs et la valeur des temps de commutation peuvent tre dtermines grce des considrations exprimentales bases sur lexprience des personnes ayant une bonne connaissance du procd et des considrations analytiques bases sur sa modlisation mathmatique et sur loptimisation numrique. Dans ce projet nous avons utilis loptimisation numrique des instants de commutation et des paramtres des arcs de commandes.
4.3.2 Algorithmes doptimisation numrique

processus est atteint en minimisant une fonction objectif f ( x ) . Le problme gnral doptimisation scrit donc :
x = {x1 , x 2 ,..., x n } qui rendent un processus optimal. Bien souvent, le caractre optimal dun min f ( x )
x
Les techniques doptimisation numrique visent dterminer un jeu de paramtres
s.c. Gi ( x ) = 0 i = 1,..., me Gi ( x ) 0 i = me ,..., m
Avec G ( x ) les contraintes dgalits et dingalits valus en x . Nous prsentons ici les deux mthodes doptimisation numrique implmentes dans la toolbox doptimisation de Matlab et qui ont t utilises au cours de ce projet.
4.3.2.1 Optimisation numrique contrainte et mono objectif

Les mthodes utilises dans loptimisation dune fonction objective avec des contraintes parfois non linaires sont bases sur les solutions des quations de Kuhn-Tucker. Ces quations reprsentent les conditions ncessaires doptimalits pour un problme doptimisation contraint. Dans le cas o f ( x ) et G ( x ) sont des fonctions convexes, les quations de Kuhn-Tucker sont la fois ncessaires et suffisantes pour la solution globale. Ces quations stablissent sous la forme :
27
f x * + * Gi x * = 0 i
i =1
* i
* i
( ) G (x ) = 0
m * i
( )
i = 1,..., m i = me + 1,..., m
La premire quation dcrit lannulation du gradient de la fonction objective et des contraintes actives au point de la solution. Le multiplicateur de Lagrange i , i = 1,..., m sert contrebalancer lamplitude du gradient de la fonction objectif et des contraintes actives. Les solutions de ces quations forment la base des algorithmes de programmation non linaires qui calculent directement les multiplicateurs de Lagrange. Ces mthodes sont appeles mthodes de programmation quadratiques successives (SQP pour Sequential Quadratic Programming). Ce sont des algorithmes itratifs qui rsolvent chaque itration un sous problme de Programmation Quadratique (QP pour Quadratic Programming). La mthode utilise par ces algorithmes se rapproche de la mthode du gradient de Newton. A chaque itration, la matrice hessienne du Lagrangien est approxime. Ceci gnre un sous problme QP dont les solutions servent dfinir la direction de recherche de la procdure SQP. A partir du problme gnral doptimisation, le principe de la formulation dun sous problme QP est bas sur lapproximation du Lagrangien :
L ( x, ) = f ( x ) + i g i ( x )
i =1
On obtient alors le sous problme QP en linarisant les contraintes non linaires.
1 T min d T H k d + f ( x k ) d n d R 2 s.c. g i ( x k ) d + g i ( x k ) = 0
T T
i = 1,..., me
g i ( x k ) d + g i ( x k ) 0 i = me + 1,..., m
Avec : d la direction de la recherche de la solution, H k lapproximation de la matrice hessienne du Lagrangien, dfinie positive lors de litration k . Ce problme QP est rsolu par un algorithme QP et la solution x k est rutilise pour une nouvelle itration : x k +1 = x k + k d k Avec k le pas de recherche qui est dtermin par une procdure base sur la dcroissance suffisante dune fonction mrite. La matrice hessienne du Lagrangien est adapte selon lquation (qui peut tre rapproche de la mthode classique de quasi-Newton BFGS):
H h +1 = H k +
Avec : s k = x k +1 x k
T qk qk HTH Tk k T qk sk sk H k sk
n n q k = f ( x k +1 ) + i g i ( x k +1 ) f ( x k ) + i g i ( x k ) i =1 i =1
28
4.3.2.2 Optimisation numrique contrainte et multi objectif

4.3.2.2.1
de
Dfinition du problme doptimisation multi objectif
F ( x ) = {F1 ( x ), F2 ( x ),..., Fm ( x )}
Souvent loptimisation dun procd quel quil soit ne peut pas se contenter dun unique objectif et contraintes. Le plus souvent il y a un vecteur dobjectifs optimiser.
Loptimisation concerne la minimisation du vecteur F ( x ) qui peut tre sujet des contraintes ou des limites.
min F ( x ) n
xR
Gi ( x ) 0
Gi ( x ) = 0 xl x x u
s.c.
i = 1,..., me i = me + 1,..., m
Lespace de faisabilit correspond lespace des paramtres x dans lequel x R n permet de satisfaire toutes les contraintes.
= x Rn s.c. g i (x ) = 0 i = 1,..., me g i (x ) 0 i = me + 1,..., m xl x xu
On peut dfinir alors lespace de faisabilit des fonctions objectif = y R m comme on peut le voir sur le graphique ci dessous.
Les solutions de cette minimisation sont appeles les solutions non infrieures. Elles correspondent aux solutions dont une variation de paramtre pour amliorer un objectif dgrade de manire plus importante les autres objectifs. Ainsi, x * est une solution non infrieur si il nexiste pas de petite variation x tel que x * + x et Fi x * + x Fi x * pour i = 1,..., m .
( )
Diffrentes mthodes doptimisation numrique multi objectif existent. Citons par exemple : - Weighted Sum Method, - Epsilon-Constraint Method, - Goal Attainment Method.
4.3.2.2.2
La Goal Attainment Method
La mthode que nous avons utilise est la Goal Attainment Method , [20].
29
* atteindre F * ( x ) = F1* ( x ), F2* ( x ),..., Fm ( x ) . Durant loptimisation, ces objectifs peuvent tre atteints entirement ou non selon leur importance. Celle-ci est dfinie par des coefficients de pondration
Pour le vecteur de fonctions objectifs F ( x ) = {F1 ( x ), F2 ( x ),..., Fm ( x )} on prdfinit des objectifs
w = {w1 , w2 ,..., wm }
Le problme multi objectif est alors reformul comme un problme doptimisation standard :
R , x
min
Fi ( x ) wi Fi*
R , x
i = 1,..., m
Par exemple dans le cas o on a deux fonctions objectif minimiser :
min
F1 ( x ) w1 F1*
F2 ( x ) w2 F2*
La procdure doptimisation est illustre sur la figure ci-dessous :
w dfini la direction de la recherche de P vers lespace de faisabilit ( ) . Pendant loptimisation,
La spcification des objectifs F1* , F2* dfinie le point objectif P . Le vecteur de pondration
varie ce qui change la taille de la rgion de faisabilit. Les contraintes permettent de converger vers lunique point de solution en {F1S , F2 S } La section suivante prsente le travail qui a t effectu partir du modle du bioracteur en terme damlioration de la modlisation, de lutilisation de loptimisation pour identifier les paramtres du modle, rechercher des profils de commande optimaux et amliorer la rgulation.
30
4.4 Application de loptimisation au bioracteur anarobie de lINRA

4.4.1 Amlioration de la modlisation
Comme cela a t mentionn prcdemment, AM2 est un bon modle de tendance en rgime tabli mais modlise mal la biomasse lors des phases transitoires pendant le dmarrage du bioracteur. Une partie du travail effectu durant ce stage a t de complter cette lacune. Les phases didentification ont t bases sur un jeu de donnes exprimentales, recueillies lors de dmarrages du bioracteur en 2005. Cette identification sest faite en plusieurs itrations. Lintroduction de nouveaux paramtres se faisant aprs une valuation du dernier modle et des essais doptimisation et de rgulation associs.
4.4.1.1 Dtermination du rendement puratoire

Le rendement puratoire se dfinit comme la diffrence en pourcentage entre la concentration totale en substrat en entre du bioracteur et la concentration totale en substrat lintrieur du bioracteur. Nous avons donc modlis ce rendement puratoire de la faon suivante : = Avec S Tin = 1 S1in + 2 S 2in et S T = 1 S1 + 2 S 2 Avec 1 , 2 les rapports de transformation qui permettent de revenir en g COD L1
S Tin S T S Tin
S1[gCODL1 ] = 1 S1[g L1 ] 1 = 1,07 g COD g 1
S 2[gCODL1 ] = 2 S1[mmolL1 ] 2 =
1 80% 20% 1000 + 1,07 M 1,51 M propionate acetate
0,07 g COD mmol 1
(pour 80% dactate et 20% de propionate) et M acetate = 60 g mol et M acetate = 74 g mol La proportion dactate et de propionate composant S 2 correspond la moyenne observe exprimentalement.
4.4.1.2 Prise en compte de la rgulation du pH pour lalcalinit

Sur le bioracteur de lINRA, le pH est autorgul par un contrleur de pH, une pompe soude, autours dune valeur de rfrence pH ref 7 . Il est alors possible de dterminer lalcalinit totale en fonction de cette valeur de rfrence et en fonction de la concentration du substrat S 2 et en fonction de la concentration de carbone inorganique C C . Aprs calcul, nous obtenons alors : Z =
S 2 K b + 10 10
pH ref
)+ K C
b
pH ref
+ Kb
Ceci permet donc de supprimer une des quations diffrentielles du modle. Lalcalinit totale peut donc se calculer directement aprs lintgration numrique.
4.4.1.3 Modlisation et identification du paramtre alpha

La premire piste sur laquelle nous avons travaill pour amliorer la modlisation de la biomasse a t de jouer sur le terme . En effet, cette constante permet de dcrire quel degr le bioracteur est plutt, compltement agit ( = 1 ), ou parfaitement lit fixe ( = 0 ). La ralit est intermdiaire, puisque la solution peut tre considre comme un racteur parfaitement agit, tandis que la croissance des bactries attaches se droule sur un lit fixe.
31
Des tudes biologiques ont montr quune valeur constante du degr dagitation du bioracteur, ne permettait pas de reprsenter le fonctionnement du bioracteur, notamment pendant les phases transitoires du dmarrage. Nous avons donc essay de faire varier ce paramtre en fonction du temps. Pour cela nous avons essay diffrentes structures didentification dans lesquelles tait fonction de la biomasse, du taux de dilution ou du substrat, avec une valeur de toujours comprise entre 0 et 1. Les diffrents essais didentification nont pas permis de dterminer une structure permettant de modliser correctement . Cest pourquoi, cette tape a t abandonne au profit dune rflexion sur une autre manire damliorer la modlisation du bioracteur. Cependant, cette tude a permis de conforter lide selon laquelle, une modlisation aussi sommaire quAM2 ne permettait pas de modliser correctement le dmarrage du mthaniseur considr.
4.4.1.4 Modlisation des bactries attaches et des bactries en solution

Un des problmes relatifs au modle AM2 est quil ne permet pas de simuler de faon diffrencie les populations de bactries libres et les populations de bactries attaches. Or cela peut savrer intressant pour lidentification car il est plus facile daccder des mesures de concentrations de biomasse en solution que de biomasse attache. De plus, les bactries en solution et les bactries attaches entrent en comptition pour consommer le substrat ncessaire leur mtabolisme et les bactries en solution vont tre lessives si le dbit dalimentation est fort, tandis que les bactries attaches non. En dautres termes, scinder la population bactrienne en deux est dun grand intrt pour loptimisation du dmarrage qui consistera vraisemblablement trouver un compromis entre des effets hydrodynamiques (essentiellement sur les bactries en solution) et des effets lis au mtabolisme des bactries attaches. Dans les bioracteurs une partie des bactries attaches au biofilm se dtachent de celui-ci pour aller coloniser dautres parties du racteur. Une partie des bactries attaches se dtachent donc pour rejoindre les bactries en solution. Nous avons donc ajout un coefficient de dtachement qui permet aux bactries attaches de passer la population dtache. Le dtachement peut aussi provenir de conditions hydrodynamiques. En effet, un fort dbit peut arracher certaines bactries du biofilm et les faire passer dans la solution. Ainsi, en plus dtre fonction du nombre de bactries le dtachement est aussi proportionnel au dbit. Il faut savoir que le bioracteur est soumis deux dbits. Le premier est li lentre qui amne du nouveau substrat purer. Ce dbit peut tre variable et reste gnralement assez faible, de lordre de 22L/h au maximum. Le second est li au circuit de recirculation de la solution prsente dans le bioracteur qui assure le mlangeage de la solution et permet une meilleure assimilation du substrat par les bactries. Ce dbit, constant, est beaucoup plus important puisquil vaut environ 600L/h, mais nintervient pas directement dans le bilan matire sur le racteur, puisquil est rinject 100%. Nous avons finalement dcid de modliser le dtachement comme tant proportionnel, la concentration de bactries attaches, et la somme des dbits dentre et de recirculation. Le dtachement reste donc principalement variant par rapport la concentration de bactries. Le dbit dentre ninflue rellement sur le dtachement que sil devient suffisamment important par rapport au dbit de recirculation. Ceci assure aussi un dtachement, dans le cas o le dbit dalimentation serait nul, ce qui correspond mieux la ralit biologique. Dtot = D + Drecirculation = D +
Qrecirculation Vreacteur
Des tudes biologiques ont par ailleurs montres que lorsque les bactries attaches forment un biofilm pais, le substrat natteint plus aussi bien les bactries lintrieur du biofilm que les bactries de la surface externe du biofilm. La croissance des bactries lintrieur du biofilm peut donc tre inhibe par la concentration de bactries attaches. En se basant sur les travaux de [17] nous avons inclut ce phnomne dans notre modle, de faon macroscopique, en considrant une inhibition de la croissance de toutes les bactries attaches, handicapes au niveau de la concentration bactrienne par une puissance comprise entre 0 et 1.
32
Pcr Ainsi en considrant la croissance des bactries attaches comme i X iA avec 1 > Pcr > 0 . On peut
reformuler cette expression de la faon suivante ' i X iA avec ' i =
i
1 X iA Pcr
. Linhibition de la
croissance par la concentration des bactries attaches apparat alors explicitement car 1 Pcr > 0 Le modle dynamique que nous avons obtenu est alors le suivant :
& X 1 A = 1 X 1Pcr k A DX 1 A A & = ( D ) X + k D X X 1D 1 1D A tot 1A & Pcr X 2 A = 2 X 2 A k A DX 2 A & X 2 D = ( 2 D )X 2 D + k A Dtot X 2 A & Pcr S1 = D(S1in S1 ) k1 1 X 1 A + X 1D S = D(S S ) + k X Pcr + X k X Pcr + X & 2 in 2 2 1 1A 1D 3 2 2A 2D 2 Pcr & C C = D(C Cin C C ) q CO2 + k 4 1 X 1 A + X 1D + k 5 2 X 2Pcr + X 2 D A
( )
Les chercheurs de lINRA sintressant de prs lvolution des bactries en solution un second modle un peu plus complexe a t dvelopp. Il permet de distinguer les bactries en solution qui se sont dtaches du biofilm et qui se reproduisent (les bactries dtaches), des bactries qui sont issues des bactries originellement en solution au dmarrage du bioracteur (bactries libres).
& X iD = ( i D )X iD + k A Dtot X iA & X iL = ( i D )X iL

Ainsi nous avons obtenu le modle gnral suivant :
& X 1 A = 1 X 1Pcr k A DX 1 A A & X 1D = (1 D )X 1D + k A Dtot X 1 A & X 1L = (1 D )X 1L & X = X Pcr k DX 2 2A A 2A 2A & X 2 D = ( 2 D )X 2 D + k A Dtot X 2 A & X 2 L = ( 2 D ) X 2 L & S = D(S S ) k (X Pcr + X + X ) 1in 1 1 1 1A 1D 1L 1 & = D(S S ) + k (X Pcr + X + X ) k (X Pcr + X + X ) S 2 2 in 2 2 1 1A 1D 1L 3 2 2A 2D 2L & Pcr Pcr C C = D(C Cin C C ) qCO2 + k 4 1 (X 1 A + X 1D + X 1L ) + k 5 2 (X 2 A + X 2 D + X 2 L )
On peut voir sur la figure 8.[A.19.] que diffrencier les bactries en solution permet de faire apparatre deux comportements compltement diffrents. Les bactries libres initialement trs nombreuses dans la solution sont au cours du temps lessives car leur taux de croissance est plus faible que la vitesse de lessivage taux de dilution maximal. Les bactries dtaches elles nexistent pas au dmarrage. Leur dveloppement suit proportionnellement lvolution des bactries attaches. Le dtachement toujours prsent leur permet de crotre sans quoi elles seraient entirement lessives comme les bactries libres.
33
4.4.1.5 Introduction de lhydrogne

4.4.1.5.1 Production de lhydrogne
Comme on peut le lire dans [3] et [7] : lors de lactognse, une partie des bactries actognes (les productrices obliges dhydrogne) produisent de lhydrogne pendant la dgradation de lthanol en actate selon la raction chimique : CH 3 COOH + H 2 O CH 3 COO + 2 H 2 + H + Lhydrogne produit est rutilis par une autre espce de bactries actognes (les bactries homoactognes) qui le convertissent en actate selon lquation chimique + suivante. 2 HCO 3 + 4 H 2 + H CH 3 COO + 4 H 2 O . Cette espce bactrienne est cependant minoritaire dans les bioracteurs. Lhydrogne est aussi rutilis par les bactries mthanognes hydrognophiles pour produire du mthane selon lquation chimique suivante :
2 HCO3 + 4 H 2 + H + CH 4 + 3H 2 O
Cependant, lhydrogne produit nest pas rutilis en entier car des mesures exprimentales ont montr sa prsence, certes limit mais vraisemblable, dans le gaz en sortie du racteur. Dans notre modle toutes les bactries acidognes et actognes sont regroupes sous la famille X 1 et dclin en X 1 A , X 1D et X 1L selon que ces bactries soient attaches, dtaches ou libres. On ajoute donc une production dhydrogne sur ces bactries acido-actognes sous la forme :
H 2 = k H 2 1 X 1Pcr + X 1D + X 1L A Avec k H 2 > 0 la constante de rendement de production dhydrogne. Lhydrogne prsent dans la phase liquide passe en phase gazeuse par un transfert qui dpend du coefficient k L a > 0 (transfert
liquide gazeux). On considrera en premire approximation que ce transfert est proportionnel, c'est-dire que la quantit dhydrogne en phase gazeuse est proportionnelle la concentration de lhydrogne en phase liquide. Ainsi H 2 = k 7 1 X 1Pcr + X 1D + X 1L avec k 7 = k L a k H 2 > 0 . A
Nayant pas dide prcise des valeurs de k L a pour lhydrogne et pas non plus pour k H 2 et disposant de donnes portant sur la quantit dhydrogne sous forme gazeuse, on entreprendra lors de lidentification de dterminer uniquement la valeur de k 7 . On propose de dterminer H 2 dans la mme unit que CH 4 , en mmol L1 j 1 Ainsi, k 7 sexprime en g mmol
Afin de connatre le dbit en L j 1
] ] on a la relation Q
H2
H 2 VMolaire Vreacteur 1000
4.4.1.5.2
Inhibition par lhydrogne
leur taux de croissance 1 . Le modle ADM1 et les biologistes de lINRA sont daccord sur la formulation de linhibition. Cette inhibition est non comptitive et sappuie sur une inhibition de la
Dans ces mmes documents, [3] et [7], on peut voir que la production dactate par les bactries productrices obliges dhydrognes (qui sont majoritaires dans les bioracteurs) se fait beaucoup mieux si la concentration dhydrogne est faible. En effet, on peut voir dans [3] que pour que la thermodynamique de la raction chimique soit favorable il faut que la concentration dhydrogne soit faible. En accord avec la raction chimique quilibre, on voit quune concentration leve de H 2 dj prsente en solution, empche la production dactate. Lune des consquences principales de cette inhibition est que les bactries produisent moins dnergie, et donc se dveloppent moins rapidement. Leur taux de croissance est donc ralenti. Cette inhibition par lhydrogne se portant principalement sur lactognse, nous lintroduisons donc dans notre modle au niveau du dveloppement des bactries X 1 A , X 1D et X 1L , c'est--dire sur
34
forme I H 2 =
1 avec K IH 2 > 0 la constante dinhibition. On obtient donc le taux de H2 1+ K IH 2 S S 1 croissance acido-actogne inhib suivant : 1 = 1 max 1 I H 2 soit 1 = 1 max 1 H S1 + K S 1 S1 + K S 1 1+ 2 K IH 2
4.4.2 Identification des paramtres du modle

Une fois quon a spcifi la structure du modle, il est ncessaire dutiliser des donnes exprimentales pour faire une identification paramtrique des constantes du modle dynamique.
4.4.2.1 Utilisation des donnes exprimentales

Afin de procder lidentification des nouveaux paramtres du modle nous avons utilis des donnes exprimentales de dmarrage du bioracteur anarobie de lINRA de Narbonne. Un seul des jeux de donnes exprimentales qui nous ont t fournis sest rvl rellement utilisable. Celui-ci est un essai de dmarrage du bioracteur de novembre dcembre 2007. La stratgie de monte en charge est la suivante. Le taux de dilution est fix au maximum 1j-1 et la concentration totale en substrat dbute 0 g COD L1 et atteint 20 g COD L1 au bout de 26 jours en augmentant de faon exponentielle. Les variables du modle sont alors dtermines partir des variables mesures. Bien souvent les mesures obtenues ne sont pas directement des variables exprims dans la mme unit que dans le modle. Il a donc fallu transformer les donnes exprimentales pour pouvoir les comparer aux variables du modle. Le dtail complet de la mise en forme des donnes exprimentales est donn dans lannexe 8.[A.20.]. Le profil des entres est donn sur la figure 8.[A.21.].
4.4.2.2 Dfinition du problme didentification

Le critre pour lidentification des paramtres du modle a bien videmment t dfini comme la distance aux donnes exprimentales disponibles. Disposer de plus de donnes aurait certainement permis de pousser lidentification plus loin, mais linstrumentation reste un problme gnral sur de tels racteurs : mesurer une quantit de matire vivante est complexe et ne peut se faire en ligne, comme les donnes physico-chimiques courantes (temprature, pression, pH). Dans un premier temps on identifie avec un premier jeu de paramtres les concentrations bactriennes, les concentrations en substrat, le dbit dhydrogne et le dbit de mthane. Ensuite, on identifie avec un nouveau jeu de paramtres la concentration en carbone inorganique, lalcalinit totale et le dbit de dioxyde de carbone. Lidentification peut en effet tre scinde en deux parties, ce qui allge la difficult que prsente une identification exhaustive. En effet, la concentration en carbone inorganique, lalcalinit totale et le dbit de dioxyde de carbone ne modifient ni la concentration en bactries ni les concentrations en substrat, ni le dbit dhydrogne. On peut faire une remarque identique avec le dbit de mthane. Cependant, le fait didentifier la production de mthane en mme temps que les populations bactriennes mthanognes, permet de guider lidentification de cette population bactrienne. Cette sparation a aussi t ralise dans ce sens car lobjectif tait didentifier la biomasse, le substrat, le mthane et lhydrogne, la connaissance des autres variables tant moins pertinentes. Il sagit donc chaque fois dune identification multi objectif. Afin de pouvoir utiliser des algorithmes de minimisation de critre il a fallut normer le degr de corrlation de chaque variable. Pour cela un facteur de dissemblance a t introduit. Il caractrise en pourcentage le degr dcart entre les donnes de lobjet (donnes exprimentales) et les donnes du modle (donnes obtenues en simulation) :
Facteur de dissemblance =100
YM YO YO YO
35
Avec :
YM : les donnes issues de la simulation (Modle) YO : les donnes issues de lexprimentation (Objet)
YO : la valeur moyenne des donnes issues de lexprimentation (Objet)
Lutilisation dun algorithme doptimisation multi objectifs permet de faire varier les paramtres du modle pour minimiser le facteur de dissemblance de chaque variable. Pour cela on utilise la fonction fgoalattain de la toolbox doptimisation de Matlab. Des tests avec des jeux de paramtres ont montr quil est impossible de faire converger toutes les variables avec le mme degr de prcision. Pour contourner ce problme, et obtenir le meilleur jeu de paramtres possible, on dfinit pour chaque variable un facteur de dissemblance objectif atteindre bas sur ce qui a pu tre observ. Par exemple, la dynamique des bactries en solution est moins bien modlise que la dynamique du substrat mthanogne. Il convient donc de souhaiter une moins grande prcision sur la modlisation de la premire variable que sur la seconde. Ceci permet de guider lalgorithme de minimisation. Afin de faire converger lidentification et obtenir une bonne prdiction des mesures exprimentales finales, des contraintes finales sont ajoutes. Ceci permet de trouver un compromis entre qualit de prdiction pendant le transitoire et linstant final. Les valeurs affectes aux contraintes temps finales sont bases sur la prcision quon peut souhaiter et ce qui semblait pouvoir tre obtenu de faon raisonnable.
Problme didentification 1 : biomasse, substrat, mthane, hydrogne

Dans ce premier cas, les variables du modle qui sont mesurables exprimentalement, ou bien quil est possible de reconstituer sont les suivantes : - la concentration du substrat acidogne S1 (t ) la concentration du substrat mthanogne S 2 (t ) la concentration totale de bactries en solution
le dbit dhydrogne QH 2 (t )
VSS (t ) = X 1D (t ) + X 2 D (t ) + X 1L (t ) + X 2 L (t ) le dbit de mthane QCH 4 (t )
la concentration finale des bactries attaches X A t f = X 1 A t f + X 2 A t f
( )
( )
( )
Lobjectif a donc t dapprocher de faon gnrale les courbes des 5 variables mesurables S1 (t ) , S 2 (t ) , VSS (t ) , QCH 4 (t ) , QH 2 (t ) et darriver au temps final au plus prs de la valeur de la variable X A t f . - Lcart objet modle temps final pour les bactries en solution est infrieur 20% : - Lcart objet modle temps final pour les bactries attaches est infrieur 10% : - Lcart objet modle temps final pour le substrat acidogne est infrieur 10% : - Lcart objet modle temps final pour le substrat mthanogne est infrieur 10% : - Lcart objet modle temps final pour le dbit de mthane est infrieur 10% - Lcart objet modle temps final pour le dbit dhydrogne est infrieur 10% Le problme se formalise alors ainsi :
( )
36
s.c. & = F ( , u )
S S1sim F = 1 exp 1 S1 exp S1 exp S 2 exp S 2 sim F2 = S 2 exp S 2 exp VSS exp VSSsim min F3 = VSS exp VSS exp QCH 4 exp QCH 4 sim F4 = QCH 4 exp QCH 4 exp QH 2 exp QH 2 sim F5 = Q H 2 exp Q H 2 exp
X A _ exp (tf ) X A (tf ) 10 % X A _ exp (tf ) V SS _ exp (tf ) V SS (tf ) 20 % V SS _ exp (tf ) S (tf ) S1 (tf ) 1 _ exp 10 % S1 _ exp (tf ) T ( (tf ), u (tf )) S 2 _ exp (tf ) S 2 (tf ) 10 % S 2 _ exp (tf ) Q CH 4 _ exp (tf ) QCH 4 (tf ) 10 % QCH 4 _ exp (tf ) Q H 2 _ exp (tf ) Q H 2 (tf ) 10 % Q H 2 _ exp (tf )
Avec le jeu de paramtres suivant identifier :
[k A
Pcr
1 max
2 max
k1
k2
k3
k6
k7
K IH 2 ]
Problme didentification 2 : Carbone, Alcalinit totale, CO2

Dans ce deuxime cas, les variables exprimentales utilises pour lidentification sont les suivantes : - la concentration en carbone inorganique C C (t ) le dbit de dioxyde de carbone C CO 2 (t ) lalcalinit totale Z (t )
Z (t ) , C CO 2 (t ) .
-
Lobjectif a donc t dapprocher de faon gnrale les courbes des 3 variables mesurables C C (t ) , Lcart objet modle temps final pour les bactries en solution est infrieur 20% : Lcart objet modle temps final pour le carbone inorganique est infrieur 10% : Lcart objet modle temps final pour lalcalinit totale est infrieur 10% : Lcart objet modle temps final pour le CO2 est infrieur 10% :
S (n ) S1sim (n ) F = 1exp 1 S1 exp (n ) S1 exp S 2 exp (n ) S 2 sim (n ) min F2 = S 2 exp (n ) S 2 exp (n ) VSSsim (n ) V F = SS exp 3 VSS exp (n ) VSS exp
s.c. & = F ( , u ) Z _ exp (tf ) Z (tf ) 10% Z _ exp (tf ) CC _ exp (tf ) CC (tf ) T ( (tf ), u (tf )) 20% CC _ exp (tf ) QCO 2 _ exp (tf ) QCO 2 (tf ) 10% QCO 2 _ exp (tf )
37
Avec le jeu de paramtres suivant identifier : [k L a
k4
k5 ]
4.4.2.3 Rsultats didentification

De trs nombreux essais didentification ont t raliss au cours de ce projet. Nous prsenterons ici les meilleurs rsultats didentification obtenus la fin du projet et qui sont considrs comme tant les plus pertinents. Cependant, de nombreuses volutions au niveau du modle, lutilisation dune quantit plus importante de donnes, le choix didentifier plus ou moins de paramtres, ont augment le temps consacr lidentification. La figure 8.[A.22.] galement prsent ci-dessous, prsente les variables simuls en bleu et les variables identifier en vert du premier problme didentification.
Concentration du substrat S1 4 S1 en g/L 3 2 1 0 0 5 15 20 25 Temps en jours Concentration des bactries libres VSS 10 30 S2 en mmol/L S1 simul AM2 modifi S1 exprimental 100 S2 simul AM2 modifi S2 exprimental 50 Concentration du substrat S2
15 20 25 Temps en jours Concentration des bactries attaches
10
30
3 VSS en g/L 2 1 0 XA en g/L VSS simul AM2 modifi VSS exprimental
4 3 2 1 0 0 5 10 15 20 Temps en jours Dbit d'hydrogne 25 30 XA simul AM2 modifi XAtf exprimental
10
15 20 Temps en jours Dbit de mthane
25
30
1500 Qch4 en L/j 1000 500 0 Qch4 simul AM2 modifi Qch4 exprimental
4 3 H2 en L/j 2 1 0 0 5 10 15 20 Temps en jours 25 30 H2 simul AM2 modifi H2 exprimental
10
15 20 Temps en jours
25
30
On voit que le dbit de mthane et le substrat mthanogne sont bien modliss et suivent bien la progression exprimentale. De mme, la concentration des bactries attaches la fin de la simulation est trs proche de sa valeur exprimentale. Au niveau des bactries en solution on voit quon suit la tendance gnrale, un lessivage au dpart puis une croissance due laugmentation des bactries attaches qui se dtachent pour obtenir in fine une valeur proche de la valeur exprimentale. Cependant, on voit quil existe des dynamiques transitoires qui ne peuvent pas tre modlises avec ce modle. Il faut cependant considrer que la prcision de la mesure sur ces bactries en solution nest pas connue mais est faible ce qui explique aussi que le modle suive assez mal les donnes exprimentales. Le substrat mthanogne prsente une surestimation qui na pas pu tre diminue sans diminuer la prcision des autres variables modliss. De plus si on diminue cette surestimation, la qualit de lestimation de la valeur finale atteinte en fin de simulation dcrot. Lintroduction de lhydrogne dans le modle a permis cependant damliorer la modlisation de ce dernier substrat. La figure 8.[A.23.] prsente les variables simuls en bleu et les variables identifier en vert du second problme didentification.
38
La modlisation de la concentration en carbone inorganique total et de lalcalinit totale semble trs correcte. Le dbit de carbone quand a lui est bon sur la premire partie de la simulation mais se dgrade au fur et mesure. Il y a une surestimation de la croissance du dbit de dioxyde de carbone. En fin de simulation on voit quil y a un arrt de la croissance de ce dbit qui nest pas observ en pratique. Les valeurs finales des paramtres qui ont t identifis sont reportes dans le tableau 8.[A.24.]. Une comparaison avec le modle AM2 initial 8.[A.25.] montre que les paramtres identifis permettent de faire une bien meilleure estimation des variables modlises. En appliquant ces paramtres au modle AM2 on saperoit que le travail de modlisation a permis damliorer la dynamique du systme 8.[A.26.] puisque les rsultats avec notre modle semblent meilleurs et permettent de modliser un plus grand nombre de variables.
4.4.2.3.1
Robustesse du modle
Une des grandes incertitudes du modle concerne les conditions initiales en concentration de bactries attaches. Sil est connu que cette valeur est trs faible, elle doit cependant tre non nulle pour que la reproduction bactrienne puisse tre active. Nous avons donc caractris la robustesse du modle cette incertitude. Dun commun accord avec les chercheurs de lINRA, la condition initiale utilise pour lidentification a t de 0.001g/L de bactrie attache pour chacune des deux types de bactries. Une fois lidentification termine nous avons test la robustesse de prvision du modle avec des conditions initiales diffrentes. Les rsultats obtenus montrent que pour des valeurs initiales comprises entre 0.1g/L et 10-7g/L le modle permet de modliser trs correctement les variables identifier. Assurment, les valeurs initiales relles se situent dans cette fourchette de valeur, ce qui montre la robustesse de notre modle cette forte incertitude de modlisation.
4.4.2.4 Conclusion
Les rsultats obtenus dans cette partie ont t avaliss par les biologistes de lINRA comme pouvant dcrire correctement le fonctionnement du bioracteur anarobie. Il accrot lestimation de la biomasse pendant les phases transitoires du dmarrage du bioracteur. Lajout de lhydrogne ouvre des perspectives nouvelles, notamment pour la ralisation dautres projets sur le domaine. Cependant, le risque vouloir intgrer trop deffets et de nouvelles variables dtat autour dAM2 ou dune version modifie, serait dau final, de reconstruire un modle comparable (en taille) ADM1, ce qui nest pas le but. Cette premire partie permet donc de dterminer un modle suffisamment fiable sur lequel sappuyer pour faire de loptimisation et du contrle.
4.4.3 Recherche de profils de commande optimaux

4.4.3.1 Recherche analytique darcs singuliers
Le travail doptimisation analytique consistait rechercher les arcs singuliers du modle AM2. Ce travail a t ralis sur le modle initial parce quil est intervenu avant le travail de modlisation et que les modles amliors dcoulant du modle AM2 initial commencent devenir trop complexes pour envisager une rsolution analytique de ce type. On se rendra compte par la suite que le modle AM2 est dj suffisamment complexe pour ce genre danalyse mathmatique.
4.4.3.1.1
Dfinition du problme doptimisation
Objectif :
On dsire minimiser le temps de dmarrage t f du processus. Le temps de dmarrage est atteint quand la charge volumique applique est gale la consigne quon sest fix, gnralement, quand elle est maximale et que les contraintes temps final sont respectes (rendement puratoire) en rgime tabli.
39
Variable manipule
La variable manipule est donc soit : - le taux de dilution donc D = u - la concentration du substrat S 2in = u la concentration du substrat S1in = u la concentration du substrat total S Tin = u
Contraintes
Diffrentes contraintes seront appliques au systme, mais pour la recherche darcs singuliers, les contraintes nentrent pas en ligne de compte. Celles-ci seront abordes lors de loptimisation numrique.
Modle simplifi
On peut simplifier le modle AM2 car lalcalinit totale Z et la concentration totale de carbone inorganique C C ninfluent pas sur le problme doptimisation et ninfluent pas les autres tats. On obtient alors le modle simplifi :
& X1 = [1 D]X 1 & X 2 = [2 D]X 2 & S1 = D(S1in S1 ) k11 X 1 S = D(S S ) + k X k X & 2in 2 2 1 1 3 2 2 2
avec 1 = 1max
avec 2 = 2 max
S1 S1 + K S 1 S2
2 S2 S2 + K S 2 + KI 2
4.4.3.1.2
Quelques exemples de rsultats
Diffrents exemples ont t traits. Le premier exemple concerne la recherche darcs singuliers dans un systme o les concentrations dentre sont constantes et o la variable manipule est le taux de dilution. Lexpression obtenue est trs complique et pour dterminer la commande D(t ) optimale il est ncessaire de faire une intgration numrique. Cet arc singulier nest pas utilisable en pratique car beaucoup trop complexe. Cependant cela prouve mathmatiquement quil existe bel et bien un arc singulier dans le domaine de faisabilit du systme. Le second exemple concerne la recherche darcs singuliers dans un systme o le taux de dilution et la concentration dentre du substrat mthanogne sont constants. La variable manipule est alors la concentration en substrat acidogne. Le rsultat de ce calcul dmontre mathmatiquement quil ny a pas darc singulier associ cette commande. Cela signifie que si lon dsire faire de loptimisation il ny aura pas dautre arc que des arcs dfinis par le respect de contraintes de chemin (sils existent) dans le domaine de faisabilit et que donc la structure de la commande optimale ne dpendra que des contraintes. Par exemple, si on souhaite favoriser la croissance de la biomasse, il faut maximiser la concentration du substrat acidogne. Cest donc la contrainte de lactionneur dterminant la concentration maximale de ce substrat qui sera active. Ce rsultat sexplique par le fait que les bactries acidognes possdent un taux de croissance strictement croissant en fonction du substrat acidogne. Ainsi plus ces bactries sont nourries, plus elles se dveloppent rapidement, comme on peut le voir sur la figure 8.[A.15.]. Cependant, cette tude reste assez thorique car en ralit on ne peut pas contrler uniquement la concentration du substrat acidogne en conservant une concentration de substrat mthanogne constant.
40
Le troisime exemple concerne la recherche darcs singuliers dans un systme o le taux de dilution et la concentration en substrat acidogne sont constants. La variable manipule est alors la concentration en substrat mthanogne. Aucun arc singulier na pu tre obtenu. Ce rsultat sexplique par le fait que le substrat mthanogne ne permet pas lui seul de commander le systme. En effet, en agissant uniquement sur cette concentration on ne peut pas agir sur les bactries acidognes, ni sur le substrat acidogne. Une autre approche consiste dterminer quelle est la concentration optimale pour la croissance des bactries mthanognes. En effet, le taux de croissance de cette population bactrienne varie fortement, non linairement, en fonction du substrat mthanogne. Le taux de croissance commence par voluer de faon strictement croissante avant datteindre un maximum au alentour de 50mmol/L avant de diminuer cause de linhibition par le substrat comme on peut le voir sur la figure 8.[A.16.]. Il y a donc une valeur optimale de concentration en substrat mthanogne pour nourrir les bactries. Ce rsultat reste aussi assez thorique car en pratique on ne peut pas contrler la concentration du substrat mthanogne en conservant une concentration acidogne fixe. Le quatrime exemple concerne la recherche darcs singuliers dans un systme o le taux de dilution est constant. La variable manipule est la concentration en substrat total qui contient une fraction fixe de substrat acidogne et une fraction fixe de substrat mthanogne. Cette manire de concevoir lalimentation en substrat est plus proche de la ralit en ce sens o il est impossible de contrler de faon indpendante la proportion de substrat acidogne et la proportion de substrat mthanogne. La proportion est fixe et dpend du type deffluent que lon traite (vinasse, laiterie). Lalimentation se fait exprimentalement avec le contrle de la concentration du substrat total. Le rsultat de ce calcul est plus simple que celui obtenu en contrlant le taux de dilution mais reste trop compliqu pour pouvoir tre utilis numriquement. Lexpression obtenue dpend de la concentration totale ainsi que de sa drive premire par rapport au temps. Il faudrait donc ici aussi intgrer cette quation pour obtenir larc singulier. Ainsi, suivre cet arc au moyen dun contrleur durant un ou plusieurs intervalles correctement choisis, permettrait dassurer le respect des diffrents compromis du systme. Cest en effet la vocation des arcs singuliers. Mme si ce rsultat nest pas exploitable en pratique il dmontre quil existe mathmatiquement un arc singulier au niveau de lalimentation totale en substrat lintrieur du domaine de faisabilit du systme.
4.4.3.1.3
Conclusion sur loptimisation analytique
Le travail doptimisation a permis de dmontrer mathmatiquement lexistence ou linexistence darcs singuliers dans le systme selon la variable quon dcide dutiliser pour contrler le systme. Cependant ces rsultats mathmatiques, de part leur complexit ne permettent pas une utilisation pratique lors de loptimisation numrique. Ils justifient cependant lexistence de trajectoires de commande optimale pendant la monte en charge.
4.4.3.2 Optimisation numrique

Aprs le travail doptimisation analytique et la phase de modlisation, le travail doptimisation numrique peut dbuter. En effet, le travail doptimisation doit se faire partir dun modle mathmatique, donc il est ncessaire davoir un modle le plus prcis possible. De plus, en thorie les arcs singuliers dtermins lors de loptimisation analytique doivent servir dfinir la structure du profil optimal de commande. Cependant, en pratique, les rsultats des calculs darcs singuliers tant extrmement complexes, il nest pas vraiment possible de les intgrer la structure de la commande.
4.4.3.2.1
Dfinition du problme doptimisation numrique
Objectif :
On dsire minimiser le temps de dmarrage t f du processus. Le temps de dmarrage est atteint quand la charge volumique applique est gale la consigne quon sest fix, gnralement, quand elle
41
est maximale et que les contraintes temps final sont respectes (rendement puratoire) en rgime tabli.
Variables manipules
Les variables manipulables sont le taux de dilution et la concentration totale dentre du substrat. Pour loptimisation nous essayerons successivement de jouer dabord tour tour sur chacune de ses deux variables puis sur les deux en mme temps. - le taux de dilution donc u (t ) = D(t ) et S Tin (t ) = cte la concentration du substrat total donc u (t ) = S Tin (t ) et D(t ) = cte les deux variables en mme temps donc u (t ) =
D(t ) S Tin (t )
Contraintes de chemin
Le systme est contraint par les actionneurs, du systme, c'est--dire par la commande choisie maximale et la commande minimale, c'est--dire u Min u (t ) u MAX , ce qui signifie que :
S Tin MiIN S Tin (t ) S Tin MAX et que DMiIN D(t ) DMAX
Avec : S Tin MiIN = 0.1g COD L1 , S Tin MiAX = 20 g COD L1 , D MiIN = 0 j 1 , D MiAX = 1 j 1 Ces valeurs sont les valeurs limites applicables des actionneurs du systme, fournis par le LBE de lINRA. On dsire pendant le dmarrage toujours conserver un rendement puratoire suprieur 50% donc :
S Tin [gCOD. L1 ] (tf ) S T [gCOD.L1 ] (tf ) S Tin [gCOD.L1 ] (tf )
50% . La valeur de cette contrainte a t dfinie en accord avec
les chercheurs de lINRA, non pas comme une contrainte rglementaire respecter mais comme une valeur minimale qui permette lors de loptimisation de ne pas pousser le systme numrique dans des conditions trop radicales qui pourraient ne pas faire fonctionner en pratique le bioracteur.
Contraintes temps final

A la fin du dmarrage on dsire que certains objectifs fixs soit On dsire obtenir au temps final t f : Un rendement puratoire suprieur 80% donc
S Tin [gCOD. L1 ] (tf ) S T [gCOD. L1 ] (tf ) S Tin [gCOD. L1 ] (tf )
80%
La valeur du rendement puratoire finale a t dfinie en accord avec les chercheurs de lINRA et des exprimentations qui ont eu lieu sur le bioracteur et qui ont montr que le systme en rgime tabli avait un rendement puratoire suprieur 80%. Cest aussi une des contraintes que doit respecter le bioracteur lorsquil est utilis des fins commerciales pour traiter des effluents industriels. En effet, un rendement lev assure que les rejets en sortie de mthaniseur peuvent tre envoys dans le milieu naturel ou dans le rseau deau, avec une dpollution efficace. Garantir ce rendement durant le dmarrage permet de diminuer la pollution qui pourrait apparatre, compte tenu de la difficult de monter en charge et de stabiliser ces installations. Une charge volumique applique maximale gale la consigne :
CVA(tf ) = CVAref D(tf ) S Tin (tf ) = Dref S Tin ref
1 1 Avec CVAref = 20 g COD L j Cette consigne a t fixe cette valeur car elle correspond
la valeur maximale de CVA quil est possible de fournir au systme ainsi qu la valeur qui est utilise en rgime continu par lINRA. La concentration maximale en substrat dentre tant de 20 g COD L1 et le taux de dilution maximal applicable tant de 1 j 1 . En effet, pour rendre lexploitation du
42
mthaniseur, le meilleur possible, il faut que celui-ci puisse traiter le maximum de dchets, aux dbits les plus intressants.
Formalisation du problme
Le problme doptimisation numrique dcrit ci-dessus, se formalise de la faon suivante :
D , STin
min t f
s.c. & x = F ( x, t , u ) D CVA(t f ) = 20 MiIN D(t ) DMAX S Tin MiIN S Tin (t ) S Tin MAX (t f ) 80% (t ) 50%
4.4.3.2.2
Procdure doptimisation numrique
A partir de la dfinition de lobjectif atteindre et des contraintes respecter on dfinit une structure de commande en boucle ouverte quon souhaite optimiser. On paramtre ensuite lamplitude de la commande sur diffrents intervalles temporels. Lutilisation dun optimiseur numrique permet ensuite, grce des algorithmes doptimisation, de dterminer la longueur des intervalles temporels ainsi que les amplitudes des commandes sur chacun de ces intervalles. Le choix de la structure est alors dterminant pour les rsultats de loptimisation. Une mauvaise structure mme optimise peut se rvler bien moins bonne quune structure diffrente non optimise. De la mme faon, pour une paramtrisation du vecteur dentre choisie, on obtient sous rserve de convergence, la meilleure commande correspondant cette paramtrisation. Ces rsultats ne doivent pas occulter que loptimisation dun vecteur de commande paramtr diffremment pourrait conduire de meilleurs rsultats. Gnralement les structures de commandes optimales sont composes de phases o la commande atteint ses limites maximales ou minimales, de phases o la commande permet de faire un compromis entre diffrents objectifs ou contraintes, et de phases o la commande permet datteindre certaines contraintes. Il y a donc des phases durant laquelle la commande est constante et des phases durant laquelle la commande suit des trajectoires sous forme darcs singuliers qui traduisent gnralement des compromis. Afin de procder loptimisation numrique de la commande du systme, nous avons dvelopp des fichiers Matlab qui utilisent la fonction fmincon de la toolbox doptimisation de Matlab. Cette fonction permet de faire de loptimisation multi variables dune fonction objective scalaire sous des contraintes non linaires. Trois types de structures ont t essays, une structure constante par morceaux, une structure linaire par morceaux et une structure avec une transition exponentielle. Pour chacune de ces structures de commande il a t essay de commander le systme soit uniquement avec le taux de dilution, soit uniquement avec la concentration en substrat, soit en jouant sur les deux commandes la fois. De mme que pour les travaux didentification, de trs nombreux essais doptimisation numrique ont t effectus. Nous ne prsenterons ici que les essais les plus pertinents.
Optimisation constante par morceaux

La premire des structures de commande que nous avons essaye est une structure constante par morceaux. Nous avons donc permis loptimiseur de dterminer la longueur de quatre intervalles temporels ainsi que lamplitude constante sur chacun de ces intervalles. La figure 8.[A.27.] prsente le meilleur rsultat qui a t obtenu avec une commande constante par morceaux au niveau de la concentration en substrat dentre et au niveau du taux de dilution. On voit que la concentration en substrat et le taux de dilution augmente de faon rgulire. Au bout du 20me jour, la concentration et le taux de dilution deviennent maximaux, ce qui amne la CVA au maximum. En comparaison avec le profil de commande exprimental 8.[A.21.] on voit que la phase de dmarrage
43
est rduite de 10,5 jours. Le dbit journalier de mthane pendant le dmarrage est beaucoup plus important, de lordre de +42%. Le taux dpuration au cours de cette dure est amlior de 10%.
Optimisation linaire par morceaux

La deuxime des structures de commande que nous avons essay est une structure linaire par morceaux. Nous avons ici permis loptimiseur de dterminer la longueur de quatre intervalles temporels ainsi que lamplitude de dbut et de fin de la commande sur chacun des quatre intervalles. Une interpolation linaire de la commande entre ses deux points permet dobtenir une commande linaire par morceaux. Le dernier intervalle est dfini comme tant constant. La figure 8.[A.28.] prsente le meilleur rsultat qui a t obtenu avec une commande linaire par morceaux au niveau de la concentration en substrat dentre et au niveau du taux de dilution. On voit quil y a aussi trois phases principales qui apparaissent. Durant une premire phase de 10,5 jours, la concentration et le taux de dilution sont constants et pas trop levs permettant de conserver un rendement puratoire suffisant. Ensuite le taux de dilution devient maximal alors que la concentration augmente jusqu atteindre le maximum le 18me jour. En comparaison avec le profil de commande exprimental 8.[A.21.] on voit que la phase de dmarrage est rduite de 10,6 jours. Le dbit journalier de mthane pendant le dmarrage est beaucoup plus important, de lordre de +43%. Le taux dpuration moyen au cours de cette dure est amlior en moyenne de 11%.
Optimisation avec transition exponentielle

La troisime des structures de commande que nous avons essay est une structure avec une transition exponentielle. Nous avons ici permis loptimiseur de dterminer la longueur de trois intervalles temporels ainsi que lamplitude constante sur le premier intervalle, les paramtres de la monte exponentielle sur le deuxime intervalle et lamplitude constante sur le troisime intervalle. La figure 8.[A.29.] et la figure ci-dessous prsente le meilleur rsultat qui a t obtenu avec une commande avec transition exponentielle au niveau de la concentration en substrat dentre et au niveau du taux de dilution.
Taux de dilution D 1.5 STin en gCOD/L 1 0.5 0 D opt D exp 20 CVA en /j 15 10 5 0 0 20 40 Temps en jours Concentration du substrat S1 60 STin opt STin exp Concentration en substrat 20 15 10 5 0 0 CVA opt CVA exp Charge Volumique Applique CVA
D en /j
20 40 Temps en jours Rendement puratoire
60
20 40 Temps en jours Concentration du substrat S2
60
100 S1 en g/L 80 en % 60 40 20 0 REp opt REp exp 20 40 Temps en jours Dbit de mthane 60
4 3 2 1 0 0 S1 opt S1 exp S2 en mmol/L
80 60 40 20 20 40 60 Temps en jours Concentration des bactries attache XA 15 XA en g/L 10 5 0 0 0 S2 opt S2 exp
3000 2000 1000 0 Qch4 opt Qch4 exp 0 20 40 Temps en jours 60 VSS en g/L
en L/j
20 40 60 Temps en jours Concentration des bactries libres VSS 3 VSS opt VSS exp 2 1 0
XA opt XA exp 0 20 40 Temps en jours 60
60
44
On voit quil y a aussi trois phases principales. Durant une premire phase de denviron 1 jour, la concentration est conserve un niveau lev de 20gCOD/L Ceci permet de charger le racteur en substrat pour favoriser le dveloppement des bactries. Ensuite, la concentration est ramen autours de 13gCOD/L et augmente exponentiellement jusqu atteindre son maximum aux alentours du 18me jour. Le taux de dilution, permet de respecter un bon rendement puratoire. Il dmarre autours de 0,5/j et augmente exponentiellement jusqu 1/j. Ceci permet de respecter la contrainte sur le rendement puratoire. En comparaison avec le profil de commande exprimental 8.[A.21.] on voit que la phase de dmarrage est rduite denviron 10,8 jours. Le dbit journalier de mthane pendant le dmarrage est beaucoup plus important, de lordre de +44%. Le taux dpuration moyen au cours de cette dure est amlior en moyenne de 13,7%.
Etude de sensibilit sur le profil optimal

A partir du profil optimal avec transition exponentielle, une tude de sensibilit a t ralise. Cette tude montre quune concentration initiale en substrat fait baisser de faon importante le rendement minimal atteint par le systme pendant le dmarrage 8.[A.30.]8.[A.31.]. On remarque aussi quen augmentant la concentration traiter par le bioracteur en rgime permanent, cela ncessite dadapter le profil optimal 8.[A.34.] et daugmenter le temps de dmarrage.8.[A.32.] La contrainte sur le rendement minimal respecter influe trs peu sur la dure du dmarrage en lui-mme mais modifie lamplitude de la variation du taux de dilution et de la concentration en substrat dentre 8.[A.33.].
4.4.3.3 Conclusion sur les rsultats doptimisation numrique

Il apparat que ces diffrents profils prsents ici ainsi que les nombreux autres essais qui ont amens ces rsultats finaux, apportent une amlioration du dmarrage du bioracteur. En effet, on voit que de faon gnrale, on gagne environ dix jours par rapport la mthode exprimentale. On voit cependant quun profil, continu, linaire ou exponentiel napporte pas damlioration de la dure totale, les uns par rapport aux autres. Ils convergent tous vers une limite minimale de dmarrage de lordre de 28 jours pour arriver un rendement puratoire de 80% CVA maximale. Ceci est du au fait quil y a des contraintes respecter et quil est impossible de faire crotre ces bactries plus vite en respectant ces contraintes. Cependant on voit que du profil constant au profil linaire et du profil linaire au profil exponentiel, on augmente le gain en termes de dbit de mthane journalier ainsi que du taux dpuration. Il est donc prfrable dutiliser le profil exponentiel qui permet pendant le dmarrage, de mieux valoriser conomiquement le bioracteur par une plus forte production de mthane, et qui permet damliorer lcologie du procd par un meilleur rendement puratoire.
4.4.4 Rgulation pour loptimisation

Une autre approche de loptimisation est de synthtiser un rgulateur qui puisse contrler le systme et doptimiser ses performances pour rendre le dmarrage le plus rapide possible.
4.4.4.1 Rgulation PI du taux dpuration avec le taux de dilution

Synthse du rgulateur
La premire approche qui a t essaye est une rgulation de type proportionnelle intgrale du rendement puratoire par une commande en taux de dilution. En effet, suite aux essais doptimisation numrique il apparat quau dmarrage du bioracteur, cest la variation du taux de dilution qui influence le plus le rendement puratoire. Or, en rgime nominal, au dpart, le rendement puratoire diminue de faon significative avant de crotre nouveau pour atteindre un maximum. Le temps que met le rendement puratoire pour atteindre une valeur suprieure 80%, correspond au temps pendant lequel le bioracteur ne respecte pas les contraintes industrielles. Paralllement, si la contrainte est de 80%, il serait sous optimal de forcer le systme effectuer une puration plus pousse puisque cela limiterait laugmentation de la charge applique au racteur (soit en dbit, soit en concentration) et donc induirait une augmentation du temps de monte. Ainsi, il est intressant de vrifier si contrler le rendement puratoire amliore le dmarrage, et en mme temps dtudier la contrlabilit du rendement.[22]
45
On peut donc esprer quune rgulation du rendement puratoire soit possible par la manipulation du taux de dilution : au travers de cette variable, on contrle la charge totale applique au systme, et pour une quantit de biomasse donne, le rendement puratoire. On synthtise donc un correcteur proportionnel intgral qui permet de faire cette rgulation. Daprs la dfinition du rendement puratoire, rguler le rendement puratoire pour une concentration de substrat dentre donne, est quivalent contrler la concentration totale en substrat lintrieur du bioracteur. La correction proportionnelle K p et intgrale K i se fait donc sur lcart entre la consigne de substrat total S Tconsigne et la valeur relle S T . On fixe en premier lieu la consigne cons telle que S T cons = (1 cons )S Tin cons La correction se fait autours du point de fonctionnement nominal D0 = 1 . On sait quau dpart pour augmenter le rendement puratoire il faut diminuer le taux de dilution donc si S T S Tconsigne on diminue D . Les gains K p et K i sont donc positifs. On obtient donc la structure de rgulation suivante : D = D0 + K p S Tconsigne S T + K i
(S
Tconsigne
S T )dt
Le taux de dilution applique au systme est satur ses valeurs thoriques maximales et minimales : Si D 1 D = 1 et si D 0 D = 0 .
Rsultats de simulation
Les figures 8.[A.35.] et 8.[A.36.] prsentent un essai avec ce type de contrleur avec les valeurs suivantes K p = 1 et K i = 1 . 4 phases principales se dgagent. Durant la premire phase trs courte du dbut, le rendement puratoire est suprieur 80% donc le taux de dilution reste maximal. Ensuite le taux de dilution passe par une phase transitoire qui permet de limiter la chute du rendement puratoire. Le retour 80% se fait en cinq jours. Ensuite, le systme converge, par laction du rgulateur, vers un rendement puratoire constant de 80%. Une fois que le taux de dilution arrive sa valeur maximale de 1 j 1 , donc CVA maximale le rendement puratoire tend doucement vers sa valeur maximale de 86%. Le temps de dmarrage est donc estim 30 jours soit 2 de plus quavec un profil optimal mais 8 jours de moins quavec le profil exprimental. Le taux dpuration pendant le dmarrage est trs proche de 80% ce qui est une amlioration trs importante par rapport aux autres profils optimaux ou exprimentaux. Le dbit de mthane moyen est trs proche de celui obtenu avec le profil exprimental. Un biais positif sur le taux de dilution le 70me jour montre que le systme peut rejeter les perturbations constantes de la commande. La perturbation fait que le systme natteint plus son rendement puratoire maximal, mais reste la consigne car la commande ne sature plus. De plus, le rgulateur semble assez robuste aux bruits de commande qui ont t ajouts avec des amplitudes de lordre de ceux enregistrs en pratique. Labsence de terme driv dans le rgulateur explique principalement cette robustesse.
4.4.4.2 Autre type de rgulateur

Au cours de cette tude, dautres structures de rgulateur ont t essayes. Citons entre autre quune action drive 8.[A.37.] na pas apport damlioration au niveau de la rgulation, quun effet anti-windup 8.[A.38.] permet dliminer quasiment toute la saturation mais ralentit le dmarrage du bioracteur, comme on pouvait sy attendre. Un correcteur non linaire a galement t synthtis, bas sur une linarisation exacte entre sortie 8.[A.39.]. Ce rgulateur fonctionne aussi bien que le Proportionnel Intgral (voir figure 8.[A.40.] et 8.[A.41.]). Il apparat donc quun rgulateur PI est suffisant pour contrler le systme.
4.4.4.3 Optimisation de la rgulation

Dans un objectif doptimisation du fonctionnement du bioracteur, des tests ont t raliss pour dterminer des conditions optimales au niveau du substrat. Pour cela, la limite maximale de concentration en substrat dentre a t limine. Nous avons dtermin successivement la concentration en substrat optimal qui permet en rgime continu de : - de maximiser le dbit de mthane
46
Rapport de PFE : Modlisation et Optimisation dun biomthaniseur Julien Eynard Ingnierie de la commande des Systmes Complexes ESISAR 2006/2007 min J = QCH 4 (t f
STin
s.c. & = F ( ) D = D0 + K p (S Tconsigne S T ) + K i (S Tconsigne S T )dt Dmin D(t ) Dmax

de maximiser la quantit de biomasse mthanogne :
min J = (X 2 A (t f ) + X 2 D (t f ) + X 2 L (t f ))
STin
STin
(mmes contraintes)
de maximiser la CVA :
min J = D (t f ) S Tin (t f
STin
de maximiser le rendement puratoire : min J = t f
( )
(mmes contraintes) (mmes contraintes)
de maximiser la concentration en substrat dentre avec un taux de dilution final maximal :
min J = S Tin (t f
STin
s.c. D(t f ) = Dmax
(et mmes contraintes)
Les rsultats sont regroups dans le tableau 8.[A.42.]. Il ressort que le rendement puratoire maximal est atteignable pour une concentration denviron 20 g COD L1 et dun taux de dilution unitaire. Cette concentration est donc la plus cologique puisque le traitement est le plus efficace. Si on regarde dun point de vu conomique, on voit que loptimum est atteint pour des valeurs de concentration au moins gales 65 g COD L1 . En effet, ce niveau de concentration en substrat le rendement puratoire est seulement de 80% mais le dbit de mthane est maximal grce la concentration maximale de bactries mthanognes. Le gain conomique se mesure donc avec la production journalire de mthane qui peut tre valoris. Le gain conomique apparat aussi avec la CVA qui est aussi maximale autours de cette concentration.
4.4.4.4 Conclusion sur la rgulation

Les rsultats de simulation obtenus avec le rgulateur proportionnel intgral sont intressant car ils montrent quil est possible de faon trs simple dadapter le taux de dilution pour avoir un rendement puratoire suprieur 80% en un nombre de jours trs court et de converger long terme vers un rendement puratoire maximal CVA maximal aprs 30 jours. Ainsi, en acceptant de ne pas arriver CVA maximale dans le dlai le plus court, on garantit en cinq jours un rendement puratoire toujours suffisant. Ce rgulateur permet donc assurer le respect des contraintes sur le bioracteur pendant les phases de dmarrage.
47
4.5 Conclusion sur les rsultats du projet

Voici de faon rsume quels ont t les rsultats obtenus Pour la partie de modlisation nous avons obtenu un modle assez simple en comparaison du modle ADM1 mais qui permet de modliser correctement la biomasse sous ses diffrentes formes (attache et en solution). Un des rsultats de modlisation qui pourrait avoir de grandes rpercussions sur la faon dont sont commands et dmarrs les digesteurs anarobies comme celui du LBE concerne labsence dobservation dinhibition par le substrat. Les spcialistes de lINRA pensaient que linhibition par les AGV tait linhibition dominante. A prsent, le modle simplifi dvelopp au cours de ce projet et qui ne considrait que cette forme dinhibition, a montr que le substrat seul ne pouvait inhiber la croissance bactrienne, au niveau des concentrations en AGV observes. Les recherches futures essaieront (toujours au travers du dveloppement dun modle de tendances) de vrifier lhypothse selon laquelle, ce niveau de concentrations en AGV, lhydrogne ne serait pas le principal inhibiteur. Pour la partie doptimisation analytique, les rsultats qui ont t obtenus dmontrent lexistence ou non darcs singuliers selon la stratgie de commande utilise. Cependant, lexpression analytique de ses arcs sest rvl tre trop complique pour pouvoir tre implment dans une commande. L encore, cette tude a montr que la reprsentation dun tel racteur en deux compartiments (acidognse, mthanognse) ne permettait pas, malgr lextrme simplification que cela induit), dexhiber un optimum thorique typique pour ces racteurs. En ce qui concerne loptimisation numrique, les simulations qui ont t ralises prfigurent quil est possible de dmarrer rapidement le bioracteur avec des profils de commande exponentiels la fois en taux de dilution et en concentration. Les profils obtenus suggrent que le gain en termes de temps serait de lordre de deux semaines, pendant lesquelles, le rendement puratoire et le dbit de mthane seraient meilleurs par rapport aux essais exprimentaux. Lapport est donc cologique et conomique. Lutilisation de la rgulation pour loptimisation nous a permis de dvelopper un rgulateur trs simple qui permet dassurer un rendement puratoire presque toujours optimal en contrepartie dun faible allongement du temps ncessaire pour mettre le systme en fonctionnement maximal.
48
5.
Conclusion gnrale du projet
Ce projet ma beaucoup intress car il sinscrit dans une thmatique environnementale qui est aujourdhui dactualit et plus encore ncessaire. Le contexte du sujet, le bioracteur mthaniseur, est nouveau pour moi et sloigne des types de systmes classiquement tudis lESISAR de type lectromcaniques. Il ma donc permis de concevoir lutilisation des techniques de lautomatique dans des domaines trs varies tel que les biotechnologies au service de lenvironnement. Dun point de vue acadmique ce projet ma permis daccrotre mes connaissances en automatique puisquil ma fait dcouvrir loptimisation dynamique, la fois sous un formalisme mathmatique et une approche numrique. Effectuer ce stage dans un laboratoire universitaire ma fait dcouvrir le principe de la recherche universitaire, travers la faon de travailler, les moyens disposition Mon travail en collaboration avec lINRA, a ajout une dimension pratique ce projet. Mes rsultats ont t discuts avec des chercheurs de lINRA qui travaillent directement sur le bioracteur, ce qui donne au projet un intrt pratique. Ce projet a permis dobtenir des rsultats intressants pour les personnes qui continueront travailler sur ce racteur anarobie. En effet, au cours de cinq mois de travaux, nous avons obtenu un modle de tendances avec une meilleure prdiction, notamment au niveau de la biomasse attache et dtache qui tait mal ou pas du tout modlise. Ce modle se rvle suffisamment prcis et robuste pour faire des travaux de contrle. A ce titre nous avons pu montrer quil est possible damliorer la phase de dmarrage des bioracteurs anarobie par une squence optimale des entres de commande du systme. Une meilleure comprhension du dmarrage du bioracteur permet maintenant de gagner du temps et de guider les travaux de recherche futurs. Un des points ngatifs que jai a dplor est le temps quil a fallu pour obtenir des donnes exprimentales utilisables pour procder au travail didentification, dont le rsultat est essentiel pour la suite du projet. Finalement, il apparat que sur de telles installations, la difficult obtenir des donnes exprimentales interdit en pratique le dveloppement dalgorithmes de commande avance et rend le travail doptimisation bien plus difficile. En effet, sans un modle correct, le travail doptimisation ne peut se faire dans de bonnes conditions et les rsultats obtenus ne seraient pas exploitables. Le modle dvelopp ainsi que les rsultats doptimisation obtenus sur ce bioracteur seront rutiliss dans le cadre dun projet collaboratif entre LINRIA de Lille, de Sophia Antipolis et le LBE de lINRA Narbonne, portant sur les bioracteurs mthaniseur.
49
6.
Estimation financire : prsentation dun compte dexploitation du projet
Ce stage sest effectu au sein dun laboratoire de recherche universitaire but non lucratif sur un projet de recherche un peu indpendant au sein du laboratoire ELIAUS. Aucun budget na t allou par le laboratoire ELIAUS sur le projet sur lequel jai travaill. En effet, aucun matriel na du tre achet, aucun matriel na t dvelopp, aucun produit na t construit, aucun dplacement important na t ncessaire. Aucun fond dinvestissement na t vers au laboratoire par une institution ou une entreprise extrieure au laboratoire pour dvelopper ce projet de recherche. Ce projet auquel jai particip sinscrivait dans une coopration entre le laboratoire ELIAUS, le LBE de lINRA de Narbonne et lINRIA. Ces deux institutions ont chacune des budgets propres allous aux projets de recherche concernant loptimisation du dmarrage des bioracteurs anarobies. Cependant, je nai pu recueillir aucune donne financire concernant ces projets de recherches, ni dlment financier en ce qui concerne lutilisation du bioracteur de lINRA de Narbonne. Ce stage ne me permet donc pas de prsenter dans ce document une estimation financire du compte dexploitation du projet.
50
7.
[1]
Bibliographie
C. Henry & R. Koelsch, What is an Anaerobic Digester?, Manure Matters, vol. 7, n10, Nebraska, 2001. [2] J. Mata-Alvarez, S. Mac & P. Llabrs, Anaerobic digestion of organic solid wastes. An overview of research achievements and perspectives, Bioresource Technology, Elsevier 2000. [3] R. Cresson, Etude du dmarrage de procds intensifs de mthanisation, Impact des conditions hydrodynamique et de la stratgie de monte en charge sur la formation et lactivit du biofilm, Thse de lUniversit de Montpellier, France, 2006. [4] Bioprocessing Process Kinetics and Modelling. [5] O. Bernard, Mass Balance Modelling of Bioprocesses, Mathematical control theory, France, INRIA, 2001. [6] G. Lyberatos & I.V. Skiadas, Modelling of Anaerobic Digestion A Review, Global Nest: the International. Journal, vol. 1, n2, p. 63-76, Greece, 1999. [7] Iwa Task Group, D. J. Batstone, International Water Association, The IWA Anaerobic Digestion Model No 1, IWA Publishing, 2002. [8] C. Rosen & U. Jeppsson, Aspects on ADM1 implementation within the BSM2 framework, Sude, 2006. [9] O. Bernard, B. Chachuat, A. Hlias & J. Rodriguez, Can we assess the model complexity for a bioprocess? Theory and example of the anaerobic digestion process, Water Science & Technology, 2006. [10] A. Wolfsberger & P. Holubar WP7 Biokinetic Data, Modelling and Control 2nd year CROPGEN meeting, Vienne, 2006. [11] D. J. Batstone, Mathematical modelling of anaerobic reactors treating domestic wastewater: Rational criteria for model use, Environmental Science and Bio/Technology, vol. 5 p. 5771, Danemark, 2006. [12] U. Jeppsson, Problems and Progress with Implementation of the ADM1 into the COST 624 Benchmark Simulation Model, COST 624 WG1 Meeting, Belgique, 2002. [13] O. Bernard, Z. Hadj-Sadock, D. Dochain, A. Genovesi & J-P. Steyer, Dynamical Model Development and Parameter Identification for an Anaerobic Wastewater Treatment Process, Biotechnology and Bioengineering, vol. 75 n4, France, INRIA, 2001. [14] J.P. Steyer & O. Bernard, An example of the benefits obtained from the long term use of mathematical models in wastewater biological treatment, 4th MATHMOD International Symposium on Mathematical Modelling,Vienne, 2003 [15] O. Schoefs, D. Dochain, H. Fibrianto, & J.P. Steyer, Modelling and identification of a distributed-Parameter system for an anaerobic wastewater treatment process, France, [16] V. Alcaraz, R. Salazar, V. Gonzlez & O. Bernard, Dynamic Modelling of Wastewater Treatment by Anaerobic Digestion Considering Propionic Acid Accumulation, Informacin Tecnolgica, vol. 15 n 2, p. 63-68, 2004 [17] J. Harmanda, Dmarrage des racteurs lits fixes, France, 2007 [18] B. Srinivasan, S. Palanki & D. Bonvin, Dynamic Optimization of Batch Processes: I. Characterization of the Nominal Solution, Computers and Chemical Engineering vol. 27, n1, p. 1-26, 2003 [19] B. Srinivasan, D. Bonvin, E. Visser & S. Palanki, Dynamic Optimization of Batch Processes: II. Handling Uncertainty Using Measurements, Computers and Chemical Engineering, vol. 27, n1, p. 27-44, 2003 [20] F.W. Gembicki, Vector Optimization for Control with Performance and Parameter Sensitivity Indices, Ph.D. Thesis, Case Western Reserve Univ., Cleveland, Ohio, 1974. [21] The MathWorks, Optimization Toolbox 3, Users Guide, MATLAB, 2007 [22] G. Franois, B. Srinivasan & D. Bonvin, Use of measurements for enforcing the necessary conditions of optimality in the presence of constraints and uncertainty, Journal of Process Control, vol. 15, p. 701-712, 2005
51
8.
Annexes
[A.1.] Schma synoptique du bioracteur lit fixe de lINRA de Narbonne.
[A.2.] Support de type CloisonyleTM non colonis
52
[A.3.] Photo du biofilm sur le support du bioracteur aprs 54 jours dexploitation
[A.4.] Schma de configuration des racteurs lit fixe : (1) flux ascendant (2) flux descendant G : Gaz, S : Sortie de leffluantA : Alimentation
R : Recirculation
53
[A.5.] Photo microscopique des bactries prsentes dans le biofilm
[A.6.] Reprsentation schmatique des phases successives de la formation dun biofilm (Bos et al. 1999)
54
[A.7.] Schma du fonctionnement biochimique dun bioracteur anarobie.
[A.8.] Prdominance des populations bactriennes en fonction du rapport entre la DCO et le sulfate.
55
[A.9.] Tableau des principaux accepteurs dlectrons inorganiques participant au processus dattnuation naturelle (Quintard et al 2004)
[A.10.] Potentiel Redox des demi couples impliqus dans les ractions biochimiques.
56
[A.11.] Taux de croissance des bactries mthanognes en fonction de la temprature
[A.12.] Taux de croissance en fonction du substrat dune population bactrienne rgit par une cintique de Monod
Taux de croissance des bactries en fonction du substrat mu1
1.2 Taux de croissance par jour 1 0.8 0.6 0.4 0.2 0
Mu max
Mu max/2
Ks
0 50 100 Concentration du substrat 150
57
[A.13.] Modlisation des processus biochimique dans lADM1
(1) (2) (3) (4) (5) (6) (7)
Acidognse partir des sucres Acidognse partir des acides amins Actognse partir des longues chanes dacides gras (LCFA) Actognse partir du propionate Actognse partir du butyrate et du valerate Mthanognse actoclastique Mthanognse hydrognotrophique
58
[A.14.] Schma de fonctionnement biochimique du modle AM2
Substrat S carbon 1
Acidognse
Acides gras volatiles AGV
S2
Mthanognse
Dioxyde de carbone
Mthane CH 4
CO2
59
[A.15.] Trac du taux de croissance des bactries acidognes

Taux de croissance des bactries acidognes en fonction du substrat S1 1.4 mu1 1.2
Taux de croissance par jour
0.8
0.6
0.4
0.2
50
100
150 200 250 300 350 400 Concentration du substrat S1 en mmol/l
450
500
[A.16.] Trac du taux de croissance des bactries mthanognes

Taux de croissance des bactries mthanognes en fonction du substrat S2 0.7 mu2 0.6
Taux de croissance par jour
0.5
0.4
0.3
0.2
0.1
50
100
150 200 250 300 350 400 Concentration du substrat S2 en mmol/l
450
500
60
[A.17.] Tableau destimation des paramtres cintiques du modle AM2
Paramtres
Signification
Units
Valeur
1 max
K S1
Dviation standard
2 max
KS2
KI2
kLa
Taux de croissance maximale de la population bactrienne acidogne Constante de demi saturation associe au substrat acidogne S1 Taux de croissance maximale de la population bactrienne mthanogne Constante de demi saturation associe au substrat mthanogne S 2 Constante dinhibition associe au substrat mthanogne S 2 Proportion du taux de dilution pour les bactries Taux de transfert Liquide/Gaz
j 1 g L1 j 1
mmol L1 mmol L1
1.2 7.1 0.74 9.28 256 0.5 19.8 5.0 0.9 13.7 320 0.4 3.5
s.u.
j 1
[A.18.] Tableau destimation des coefficients de rendement du modle AM2 Paramtres Signification Units Valeur Dviation standard 18.94 113.6
k1 k2
k3
Rendement pour la dgradation de la DCO Rendement pour la production dAGV Rendement pour la consommation dAGV Rendement pour la production de dioxyde de carbone CO2 Rendement pour la production de dioxyde de carbone CO2 Rendement pour la production de mthane CH 4
s.u.
mmol g 1 mmol g 1 mmol g 1 mmol g 1 mmol g 1
42.14 116.5 268 50.6 343.6 453.0
52.31 143.6 75.8 90.9
k4
k5 k6
61
[A.19.] Trac de la concentration des bactries en solution
Bactries en solution 2.5 Bactries libres Bactries dtaches Bactries en solution
2 Concentration bactrienne en g/L
1.5
0.5
10
15 Temps en jour
20
25
30
[A.20.] Exploitation des donnes exprimentales

Afin de procder lidentification des nouveaux paramtres du modle nous avons utilis des donnes exprimentales de dmarrage du bioracteur anarobie de lINRA de Narbonne. Un seul des jeux de donnes exprimentales qui nous ont t fournis sest rvl rellement utilisable. Celui-ci est un essai de dmarrage du bioracteur de novembre dcembre 2007. La stratgie de monte en charge est la suivante. Le taux de dilution est fix au maximum 1j-1 et la concentration totale en substrat dbute 0 g COD L1 et atteint 20 g COD L1 au bout de 26 jours en augmentant de faon exponentielle. Les variables du modle sont alors dtermines partir des variables mesures de la faon suivante :
Taux de dilution :
Le taux de dilution est calcul directement partir dbit dentre et du volume du racteur qui vaut Vreacteur = 528 L , soit : D[ j 1 ] =
Qin [L. j 1 ] Vracteur [L ]
Substrat acidogne dentre
Le substrat acidogne est calcul partir de la concentration totale en substrat dentre S Tin . On considre que 25/34me de lalimentation S Tin [gCOD.L1 ] correspond au substrat S1in [gCOD.L1 ] donc :
S1in [gCOD . L1 ] =
25 S Tin [gCOD . L1 ] . Cette fraction correspond aux observations ralises par les chercheurs 34
de lINRA en analysant leffluant de vinasse de vin, utilis pour cet essai.
62
On considre alors que le substrat S1in est constitu 33% de glucose dont le rapport de transformation entre les g COD .L1 et les g .L1 est de 1.07 donc :
[ [
] ]
[ [
] ]
S1inGLUCOSE [g .l1 ] =
1 S1in [g COD .l1 ] 3 1.07
On considre que les 67% restant sont constitus dacide lactique dont le rapport de transformation entre les g COD .L1 et les g .L1 est de 1.07 donc :
S1inAC . LACT [g .l1 ] =
2 S1in [g COD .l1 ] . 3 1.07 S1in [g COD .l1 ] 1.07
La fraction de glucose et dacide lactique ainsi que les rapports de transformation ont t fournis par les biochimistes de lINRA. Le rapport de transformation tant quivalent on a donc : S1in [g .l1 ] = .
Substrat mthanogne dentre

25 CODin [g .l1 ] COD 34
On considre que 9/34me de lalimentation correspond au substrat S 2in [gCOD.L1 ] donc :
S 2in [g COD .l1 ] =
A partir des donnes mesures dans le substrat de sortie S 2 on considre que ce substrat se compose approximativement : - 80% dactate C2 dont le rapport de transformation des g COD .L1 en g .L1 est de
] [
1.07 et dont la masse molaire est M C 2 = 60 g .mol -
20% de propionate C3 dont le rapport de transformation des g COD .L1 en g .L1 est
1
] [
de 1.51 et dont la masse molaire est M C 3 = 74 g .mol Cette fraction entre lactate et le propionate a t dtermine approximativement comme tant la moyenne en proportion observe entre ces molcules au niveau du substrat mthanogne dans le bioracteur. On considre que cette proportion moyenne est approximativement celle du substrat mthanogne dentre, conformment aux recommandations des biochimistes de lINRA. On obtient donc : S 2in [mmol .l1 ] = 1000 S 2in [gCOD .l1 ]
0.8 0.2 soit : + 1.07 M C 2 1.51 M C 3
0 .2 0 .8 + S 2in [mmol .l1 ] = 1000 S 2in [g COD .l1 ] 1.07 60 1.51 74
Concentration en carbone inorganique total dentre :
La concentration en carbone inorganique total dentre est mesure en g L1 . Afin davoir cette donne en mmol L1 on utilise la masse molaire du carbone M C = 12 g mol :
CCin [mmolL1 ] = 1000

-
CCin [g L1 ] MC
Dbit de recirculation :
Le dbit de recirculation est mesur en L h 1 donc :
Qrecirculation [L j 1 ] = 24 Qrecirculation [Lh 1 ]
63
Rapport de PFE : Modlisation et Optimisation dun biomthaniseur Julien Eynard Ingnierie de la commande des Systmes Complexes ESISAR 2006/2007 Alcalinit totale dentre :
Lalcalinit totale dentre nest pas mesure. Dans le cas o le pH nest pas autorgul, cette donne est ncessaire. Le seul moyen davoir une approximation de cette donne est dutiliser la formule donne dans le modle AM2 dans le cas o le pH est assez faible :
ka S2 . Cependant, Bin , la concentration en bicarbonate dentre nest pas k a + 10 pH mesure. Si on suppose que le pH de leffluent est faible, Bin = 0 . Dans notre cas le pH est autorgul donc la variable dentre Z in nest pas utile. Z in [mmolL1 ] = Bin +
Substrat mthanogne du bioracteur
Un capteur permet de mesurer la concentration dAGV prsent dans la solution du bioracteur. Pour cela, cet appareil mesure la concentration dactate en mg / L . On peut donc calculer le substrat mthanogne : S 2 [mmol .l1 ] =
S 2 [mg . L1 ] M C2
Substrat acido-actogne du bioracteur
Un capteur permet de connatre la concentration totale en substrat de la solution du bioracteur. Comme on connat galement la concentration du substrat mthanogne, par soustraction on peut dterminer la concentration de substrat acido-actogne. En considrant que le rapport de transformation de g COD L1 en g L1 est de 1,07 pour les 2 substrats on a :
S1[g .L1 ] =
-
S T [gCOD.L1 ]
1,07 S 2 [mg . L1 ] 1000
1,07
Concentration en carbone inorganique total dans le bioracteur :
La concentration en carbone inorganique total dans le bioracteur est mesure en g L1 . Afin davoir cette donne en mmol L1 on utilise la masse molaire du carbone M C = 12 g mol :
CCin [mmolL1 ] = 1000

-
CCin [g L1 ] MC
Alcalinit totale dans le bioracteur : La concentration en alcalinit totale Z dans le bioracteur est mesure en mmol L1 . Bactries en solution
Des prlvements journaliers sont faits sur la matire en suspension. Cette matire en suspension inclue les minraux et la biomasse. Pour mesurer cette matire on tuve le prlvement 100C pendant 24h pour vaporer leau et on pse la matire sche obtenue. En rapportant au volume de liquide considr on en dduit donc la concentration de matires en suspension totale MES . Ensuite on porte le rsidu sec 400C pendant 24h. Durant cette tape, tous les composs organiques carbons se volatilisent et il ne reste donc que les minraux. En faisant la diffrence entre la masse obtenue sur les deux rsidus obtenus successivement on en dduit la masse de la biomasse et donc la concentration de la biomasse en suspension VSS . Ici on ne dispose que de la mesure de MES . On considre ici que 90% de la masse sche correspond de la biomasse donc : VSS = 0,9 MES
Bactries attaches au support
A la fin de lessai de dmarrage, un prlvement est effectu pour mesurer la concentration de biomasse attache. Lapproche est la mme que pour dterminer la biomasse en suspension sauf que
64
dans ce cas, on racle la totalit des supports prsents dans le bioracteur et on rapporte la masse au volume total du racteur. On obtient aprs le premier tuvage 100C la concentration du biofilm (biomasse et minraux). Cependant, le biofilm est compos de bactries et de particules organiques qui relient les bactries et les aident former des couches qui restent colles au support. Sur cette concentration totale, 56,5% de la masse correspond de la biomasse effective, donc :
X A (t f ) = 56,5% Concentrat ion Biofilm
Dbit de mthane
Le dbit de biogaz qui sort du bioracteur est mesur par un dbitmtre en L h 1 et par des analyseurs de gaz (mthane, dioxyde de carbone et hydrogne). Lanalyseur de mthane donne le pourcentage de mthane qui constitue le biogaz. On obtient donc le dbit de mthane de la faon suivante : QCH 4 [L j 1 ] = 24 QGaz [Lh 1 ] Proportion CH 4[% ]
LHydrogne
Un capteur mesure la proportion dhydrogne H 2 qui est prsente dans le biogaz en sortie du bioracteur. Cette mesure se fait en ppm (parties par millions : 1000 ppm = 0.1% ). En raison dun problme li au CAN reli au capteur, nous ne disposions que des 17 premiers jours de lessai. De plus, en raison dune saturation du capteur 1000 ppm , seuls les 12 premiers jours de donnes sont utilisables.
Q H 2[L j 1 ] =
24 QGaz [Lh 1 ] Proportion H 2 ppm 1000000
[A.21.] Tracs des entres exprimentales du systme

Concentration du substrat S1in 15 S2in en mmol/L S1in en g/L 10 5 0 80 60 40 20 0 0 5 10 15 20 Temps en jours Dbit de recirculation 25 30 Concentration du substrat S2in
10
15 20 Temps en jours Taux de dilution D
25
30
1 D en /j
Qrecirculation en L/h 0 5 15 20 Temps en jours Carbone inorganique Ccin 10 25 30
650 600 550 500 450 0 5 10 15 20 Temps en jours Pression totale 25 30
0.5
30 Ccin en g/L 20 10 0 PT en atm 0 5 10 15 20 Temps en jours 25 30
1.06 1.04 1.02 1
10
25
30
65
[A.22.] Tracs des variables principales identifier
Concentration du substrat S1 4 S1 en g/L 3 2 1 0 0 5 15 20 25 Temps en jours Concentration des bactries libres VSS 10 30 S2 en mmol/L S1 simul AM2 modifi S1 exprimental 100 S2 simul AM2 modifi S2 exprimental 50 Concentration du substrat S2
10
30
3 VSS en g/L 2 1 0 XA en g/L VSS simul AM2 modifi VSS exprimental
4 3 2 1 0 0 5 10 15 20 Temps en jours Dbit d'hydrogne 25 30 XA simul AM2 modifi XAtf exprimental
10
25
30
1500 Qch4 en L/j 1000 500 0 Qch4 simul AM2 modifi Qch4 exprimental
4 3 H2 en L/j 2 1 0 0 5 10 15 20 Temps en jours 25 30 H2 simul AM2 modifi H2 exprimental
10
25
30
[A.23.] Tracs des variables supplmentaires identifier

Alcalinit totale 200 Z simul AM2 modifi Z exprimental Cc en mmol/L 120 100 80 60 40 20 0 0 Cc simul AM2 modifi Cc exprimental Concentration en carbone inorganique
150 Z en mmol/L
100
50
10
15 20 Temps en jours pH
25
30
10
15 20 Temps en jours Dbit de CO2
25
30
9.5 500 9 8.5 pH 8 7.5 7 6.5 pH simul AM2 modifi pH exprimental CO2 en L/j 400 300 200 100 0 CO2 simul AM2 modifi CO2 exprimental
10
25
30
10
25
30
66
[A.24.] Tableau des paramtres identifis du modle final Paramtres Signification Puissance dinhibition des bactries Pcr attaches Coefficient de dtachement kA Taux de croissance maximale de la 1 max population bactrienne acidogne Taux de croissance maximale de la 2 max population bactrienne mthanogne Rendement pour la dgradation de la DCO k1 Rendement pour la production dAGV k2 Units Valeurs 0.6083
s.u. s.u.
j 1 j 1
0.002817 1.468 0.3811 28.02 209.2 154.2 38.61 73.25 212.3 0.835
s.u.
mmol g mmol g
1
k3
Rendement pour la consommation dAGV Rendement pour la production de dioxyde de carbone CO2 Rendement pour la production de dioxyde de carbone CO2 Rendement pour la production de mthane CH 4 Rendement pour la production dhydrogne H 2 Constante dinhibition des bactries acidognes par lhydrogne Taux de transfert Liquide/Gaz
mmol g 1
1
k4
k5 k6 k7
mmol g 1 mmol g 1 mmol g 1
K IH 2 kLa
mmol L1 j 1 0.3467 j 1 1.638
67
[A.25.] Comparaison de la prdiction du modle amlior et du modle AM2 initial
Concentration du substrat S1 15 S2 en mmol/L S1 simul AM2 modifi S1 exprimental S1 simul AM2 100 S2 simul AM2 modifi S2 exprimental 50 Concentration du substrat S2
S1 en g/L
10
15 20 25 Temps en jours Concentration des bactries libres VSS
10
30
10
30
3 VSS en g/L VSS simul AM2 modifi VSS exprimental
4 3 2 1 0 XA simul AM2 modifi XAtf exprimental
10
25
30
XA en g/L
10
15 20 Temps en jours Dbit d'hydrogne
25
30
1500 Qch4 en L/j Qch4 simul AM2 modifi Qch4 exprimental Qch4 simul AM2
4 3 H2 en L/j 2 1 0 H2 simul AM2 modifi H2 exprimental
1000
500
10
25
30
10
25
30
Alcalinit totale 200 Z simul AM2 modifi Z exprimental Z simul AM2 120 100 Cc en mmol/L 80 60 40 20 0 0
Concentration en carbone inorganique
150 Z en mmol/L
Cc simul AM2 modifi Cc exprimental Cc simul AM2
100
50
10
25
30
10
25
30
pH 9.5 9 8.5 pH 8 7.5 7 6.5 -500 pH simul AM2 modifi pH exprimental pH simul AM2 1000 Qco2 en L/j 1500
Dbit de CO2 Qco2 simul AM2 modifi Qco2 exprimental Qco2 simul AM2
500
10
25
30
10
25
30
68
[A.26.] Comparaison de la prdiction du modle amlior et du modle AM2 calibr avec les paramtres identifis
Concentration du substrat S1 4 S2 en mmol/L 3 S1 en g/L 2 1 0 S1 simul AM2 modifi S1 exprimental S1 simul AM2 100 S2 simul AM2 modifi S2 exprimental 50 Concentration du substrat S2
15 20 25 Temps en jours Concentration des bactries libres VSS
10
30
10
30
3 VSS en g/L
4 3 2 1 0 XA simul AM2 modifi XAtf exprimental
VSS simul AM2 modifi VSS exprimental
10
25
30
XA en g/L
10
15 20 Temps en jours Dbit d'hydrogne
25
30
1500 Qch4 en L/j Qch4 simul AM2 modifi Qch4 exprimental Qch4 simul AM2
4 3 H2 en L/j 2 1 0 H2 simul AM2 modifi H2 exprimental
1000
500
10
15 20 Temps en jours Alcalinit totale
25
30
10
25
30
Concentration en carbone inorganique 120 Cc simul AM2 modifi Cc exprimental Cc simul AM2
200 Z simul AM2 modifi Z exprimental Z simul AM2 Cc en mmol/L 0 5 10 15 20 Temps en jours 25 30
100 80 60 40 20
150 Z en mmol/L
100
50
10
25
30
pH 9.5 500 9 8.5 pH 8 7.5 7 6.5 pH simul AM2 modifi pH exprimental pH simul AM2 400 Qco2 en L/j 300 200 100 0
Dbit de CO2
Qco2 simul AM2 modifi Qco2 exprimental Qco2 simul AM2
10
25
30
10
25
30
69
[A.27.] Rsultats doptimisation numrique pour une commande constante par morceaux (taux de dilution et concentration totale en substrat dentre)
D en /j
60
60
en L/j
60
Les entres de commande associes sont les suivantes : D = 0,65 j 1 D = 0,85 j D =1j
1 1
et et et et
S Tin = 12,61g COD L1 S Tin = 13,94 g COD L S Tin = 20 g COD L1

1 1
pour t [0; 7]
S Tin = 19,04 g COD L
D = 1 j 1
pour t [19,6; 28]
pour t [14; 19,6]
pour t [7; 14]
Qrecirculation = 600 L h 1
La phase de dmarrage dure 28 jours.
70
[A.28.] Rsultats doptimisation numrique pour une commande linaire par morceaux (taux de dilution et concentration totale en substrat dentre)
Taux de dilution D 1.5 STin en gCOD/L 1 0.5 0 D opt D exp 0 20 40 Temps en jours Rendement puratoire 60 20 CVA en /j 15 10 5 0 0 STin opt STin exp Concentration en substrat 20 15 10 5 60 0 0 CVA opt CVA exp Charge Volumique Applique CVA
D en /j
60
80 60 40 20
S2 opt S2 exp
3000 VSS en g/L 2000 1000 0 Qch4 opt Qch4 exp 0 20 40 Temps en jours 60
XA en g/L
en L/j
20 40 60 Temps en jours Concentration des bactries attache XA 15 10 5 0
60
Les entres de commande associes sont les suivantes : D = 0,6 j 1 D =1j

1
et et et et
S Tin = 13,96 g COD L1 S Tin = 0,44t + 9,74 g COD L S Tin = 20 g COD L1

1
pour t [0; 9,62]
D = 1 j 1 D = 1 j 1
S Tin = 1,09t + 0,49 g COD L1 pour t [14,9; 17,6]
pour t [9,62; 14,9]
pour t [17,6; 27,9]
La phase de dmarrage dure 27,9 jours.
71
[A.29.] Rsultats doptimisation numrique pour une commande avec transition exponentielle (taux de dilution et concentration totale en substrat dentre)
D en /j
60
60
en L/j
60
Les entres de commande associes sont les suivantes : D = 0,71 j 1 et D = 0,34 + 0,18 exp(0,14 (t 1)) j et S Tin = 12,83 + 0,06 exp(0,3 (t 1))g COD L1
1
S Tin = 19,94 g COD L1
pour t [0; 1] pour t [1; 22,7]
D = 1 j 1
et
S Tin = 20 g COD L1
pour t [22,7; 27,7]
La phase de dmarrage dure 27,7 jours.
72
[A.30.] Rendement puratoire minimal en fonction des conditions initiales appliques au profil optimal avec transition exponentiel dtermin pour S T 0 = 0,1g COD L1
ST (t = 0) en g COD L1 0,1 5 10 15 20
min en %
50 40,58 26,6 10,22 -4,72
Rendement puratoire en fonction de ST0 50
40 Rendement Epuratoire en %
30
20
10
-10
8 10 12 ST0 en gCOD/L
14
16
18
20
73
[A.31.] Influence des conditions initiales sur le profil optimal

Taux de dilution D 1.5 STin en gCOD/L 40 CVA en /j 30 20 10 0 0 4 6 8 Temps en jours Concentration du substrat S1 0gCOD/L 5gCOD/L 10gCOD/L 15gCOD/L 20gCOD/L 2 10 Concentration en substrat 40 30 20 10 0 0 4 6 8 Temps en jours Concentration du substrat S2 2 10 Charge Volumique Applique CVA
D en /j
0.5
4 6 8 Temps en jours Rendement puratoire
10
100
15 S2 en mmol/L
150
S1 en g/L
50 en %
10
100
50
-50
4 6 8 Temps en jours Dbit de mthane
10
1000 VSS en g/L
4 6 8 10 Temps en jours Concentration des bactries libres VSS 3
4 6 8 10 Temps en jours Concentration des bactries attache XA 2 1.5 1 0.5 0
500
4 6 Temps en jours
10
4 6 Temps en jours
10
XA en g/L
en L/j
4 6 Temps en jours
10
74
[A.32.] Variation du temps de dmarrage en fonction de la concentration finale en substrat et de la contrainte de chemin au niveau du rendement puratoire minimal (temps en jour)
50gCOD/L 40gCOD/L 30gCOD/L 20gCOD/L 10gCOD/L S Tin (t f )
impossible 57,6 39,3 27,6 20,7 10%
impossible 57,6 39,3 27,6 20,7 20%
impossible 57,6 39,3 27,7 20,7 30%
impossible 57,6 39,3 27,6 21 40%
impossible 57,6 39,3 27,7 21,7 50%
impossible 576 39,3 28,2 impossible 60%
min
Temps de dmarrage en fonction de STin 60 55 50 45 40 35 30 25 20 10
temps en jour
15
20
25 STin en gCOD/L
30
35
40
75
[A.33.] Evolution du profil optimal en fonction des contraintes avec concentration finale exige 20gCOD/L
Taux de dilution D 1.5 20 STin en gCOD/L CVA en /j 1 15 10 5 0 0 10% 20% 30% 40% 50% 60% 20 40 Temps en jours Concentration du substrat S1 60 20 15 10 5 0 0 20 40 Temps en jours Concentration du substrat S2 60 Concentration en substrat Charge Volumique Applique CVA
D en /j
0.5
60
100
6 S2 en mmol/L 0 XA en g/L 0 20 40 Temps en jours 60
80 60 40 20 0
50
S1 en g/L 0 20 40 Temps en jours Dbit de mthane 60
en %
3000 VSS en g/L
20 40 60 Temps en jours Concentration des bactries libres VSS 3
20 40 60 Temps en jours Concentration des bactries attache XA 15
2000 en L/j
10
1000
60
60
76
[A.34.] Evolution du profil optimal en fonction de la concentration finale en substrat exige et contrainte 50% sur le rendement puratoire
Taux de dilution D 1.5 40 STin en gCOD/L
Concentration en substrat 40 CVA en /j 30 20 10 0 40 60 Temps en jours Concentration du substrat S1 20 80 0 0
Charge Volumique Applique CVA
D en /j
1 10gCOD/L 20gCOD/L 30gCOD/L 40gCOD/L 0 40 60 Temps en jours Rendement puratoire 20 80
30 20 10 0
0.5
20
80
100
6 S2 en mmol/L 0 20
100
S1 en g/L
80 en %
50
60
40
20
80
6000 VSS en g/L
40 60 80 Temps en jours Concentration des bactries libres VSS 3
40 60 80 Temps en jours Concentration des bactries attache XA 30
20
4000 en L/j
XA en g/L 0 20 40 60 Temps en jours 80
20
2000
10
20
80
20
80
77
[A.35.] Entres du systme avec rgulation Proportionnelle Intgrale du rendement puratoire avec le taux de dilution
Taux de dilution D 3.5 3 STin en gCOD/L 2.5 D en /j 2 1.5 1 0.5 0 0 50 Temps en jours 100 150 D calcul D rel 30 25 20 15 10 5 0 STin calcul STin rel Concentration total de substrat STin
50 Temps en jours
100
150
Concentration du substrat S1in 120 20 100 S1in en g/L 15 S2in en mmol/L 80 60 40 20 0 0
Concentration du substrat S2in
10
S1in calcul S1in rel
50 Temps en jours
100
150
50 Temps en jours
100
150
[A.36.] Sorties du systme avec rgulation Proportionnelle Intgrale du rendement puratoire avec le taux de dilution
6000 Rendement Epuratoire en % Dbit de mthane CH4 Rendement puratoire 100 90 80 70 60
4000
j Q
2000
100 Temps en jours Concentration du substrat S1
50
150
100 Temps en jours Concentration du substrat S2
50
150
4 S2 en mmol/L 0 50 100 Temps en jours Dbit d'hydrogne H2 150 3 S1 en g/L 2 1 0
60
40
20
50 Temps en jours
100
150
8 6 4 2 0
Qh2 en L/j
50 Temps en jours
100
150
78
[A.37.] Rgulateur PID
Equation du rgulateur : dt (S Tconsigne S T ) D = D0 + K d + K p (S Tconsigne S T ) + K i (S Tconsigne S T )dt dt Des valeurs typiques sont : K p = 5 , K i = 5 , K d = 1
[A.38.] Rgulateur PI avec Anti-Windup
Equation du rgulateur : T 1 D = D0 + K (S Tconsigne S T ) + S Tconsigne S T + i [sat (D ) D ]dt Ti KTaw Une faible saturation de la commande est atteinte pour les valeurs suivantes : K = 1 , Ti = 1 , Taw = 0,1 , sat (D ) = 1 mais prsente un faible rendement puratoire minimal.
[A.39.] Rgulateur par linarisation exacte entre sortie
La sortie commander est y = S T = 1 S1 + 2 S 2 On calcul le degr relatif du systme & & & y = 1 S1 + 2 S 2
& y = 1 X 1Pcr + X 1D + X 1L ( 2 k 2 1 k1 ) 2 k 3 2 X 2Pcr + X 2 D + X 2 L + D(1 (S1in S1 ) + 2 (S 2in S 2 )) A A
Le degr relatif du systme est donc de 1. Il a t vrifi que le systme linaris autours du point de fonctionnement en rgime tabli, tait minimum de phase. (v ) Avec y = + D tels que : & D=
= 1 X 1Pcr + X 1D + X 1L ( 2 k 2 1 k1 ) 2 k 3 2 X 2Pcr + X 2 D + X 2 L A A = ( 1 (S 1in S 1 ) + 2 (S 2in S 2 ))
Les valeurs typiques sont p = 10 et i = 10
Et v commande auxiliaire du systme telle que : & v = S Tconsigne + p (S Tconsigne S T ) + i (S Tconsigne S T )dt
79
[A.40.] Entres du systme avec rgulation par linarisation exacte entre sortie du rendement puratoire avec le taux de dilution
Taux de dilution D 3.5 20 3 STin en gCOD/L 2.5 D en /j 2 1.5 1 0.5 0 0 20 40 60 Temps en jours 80 100 0 0 20 40 60 Temps en jours 80 100 D calcul D rel 15 Concentration total de substrat STin
STin calcul STin rel
10
Concentration du substrat S1in 15 80
Concentration du substrat S2in
S1in en g/L
10
S2in en mmol/L
60
40
20
20
80
100
20
80
100
[A.41.] Sorties du systme avec rgulation par linarisation exacte entre sortie du rendement puratoire avec le taux de dilution
3000 Qch4 en L/jour Rendement Epuratoire en % Dbit de mthane CH4 Rendement puratoire 100
2000
90
X: 4.195 Y: 79.96
1000
80
20
40 60 80 Temps en jours Concentration du substrat S1
100
70
20
40 60 80 Temps en jours Concentration du substrat S2
100
3 S2 en mmol/L 0 20 40 60 Temps en jours Dbit d'hydrogne H2 80 100
60
S1 en g/L
40
20
20
80
100
Qh2 en L/j
20
80
100
80
[A.42.] Tableau des rsultats doptimisation de la rgulation avec PI
En rgime statique Maximum de bactries mthanognes Dbit de mthane maximal CVA maximale CVA maximale avec D (t f ) = 1 Rendement puratoire maximal
[g
S Tin en
COD
L1 63.3
] [
CVA en g COD L1 j 1 58.9 59.7 59.5 57 20.1
Dbit mthane En L j 1
Rendement puratoire en % 80 80 80 80 86.9
7258.6 7289.6 7284.3 7055.5 2707.6
66.1 67.3 57 20.1
81

Rapport de PFE

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Rapport de PFE

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Rapport de PFE

Transféré par

Droits d'auteur :

Formats disponibles

Rapport de PFE : Modlisation et Optimisation dun biomthaniseur Julien Eynard Ingnierie de la commande des Systmes Complexes ESISAR 2006/2007

RAPPORT DE PROJET DE FIN DETUDES ESISAR 2006/2007

Modlisation, optimisation dynamique et commande dun mthaniseur par digestion anarobie.

Dates du stage Module dapprofondissement Tuteur Entreprise Tuteur ESISAR

RAPPORT DE PROJET DE FIN DETUDES ESISAR 2006/2007

Table des matires

2.1 LUniversit de Perpignan Via Domitia

2.2 Laboratoire ELIAUS

2.2.1 Objectifs scientifiques

2.2.2 Orientation des recherches

2.3 Equipe COSMOS

2.3.1 Objectifs scientifiques

2.3.2 Procds de dpollution des eaux uses

2.3.3 Energie solaire, habitat et production dlectricit

2.4 Laboratoire de Biotechnologie de l'Environnement de lINRA de Narbonne

2.4.2 Axes de recherche

Cahier des charges

3.1 Etude bibliographique

3.2 Modlisation et Identification

3.3.1 Optimisation analytique

3.3.2 Optimisation numrique

Dveloppement du sujet de stage

4.1 Chronologie du travail effectu

Etude bibliographique sur les bioracteurs anarobies Modlisation numrique

Travail de modlisation et didentification

4.2 Principes de fonctionnement et modlisation dun bioracteur mthaniseur anarobie.

4.2.1 Etude du fonctionnement des biomthaniseurs

Le bioracteur mthaniseur anarobie de lINRA de Narbonne

Fonctionnement biochimique dun mthaniseur par digestion anarobie

4.2.2 Modles existants de bioracteur

S avec, max le taux de croissance maximal, K S la constante de demi saturation. S + KS

avec K I la constante dinhibition.

4.2.2.2 Modles de bioracteurs anarobies

8.[A.16.] Linhibition de la mthanognse par laccumulation dAGV est donc modlise.

K a = 1.5 10 5 mol .L1

Modle dtat dynamique

En considrant le vecteur de variables dtats suivantes :

Le modle dynamique est alors le suivant :

Sorties supplmentaires accessibles

q CO2 = k L a C CO2 K H PCO2

avec PT la pression totale applique au fermenteur donc la pression

atmosphrique. Ceci permet de dduire la pression partielle de CO2 : PCO2 =

Il est aussi possible de calculer le pH : pH = log10 K b

4.2.3 Positionnement du problme

4.3 Principes thoriques de loptimisation

4.3.1 Problme doptimisation dynamique

4.3.1.1 Formulation standard dun problme doptimisation [18] [19]

sous contraintes & x (0 ) = x0 x = F ( x, t , u )

contraintes de chemin contraintes temps final

Avec, par exemple J = x t f

( ( )) + L(x, u )dt dans lequel (x(t )) est un cot terminal et L(x, u )

sous contraintes & x = F ( x, u ) x (0) = x0 contraintes de chemin contraintes temps final

4.3.1.2 Principe du Maximum de Pontryaguine

min H = T F (x, u ) + T (x, u )

sous contraintes & x (0) = x0 x = F ( x, u ) & T = H x T (t f ) = x

(t ) 0 le vecteur de taille n des tats adjoints (Multiplieur de Lagrange pour le systme

condition ncessaire doptimalit est dfinie par H u =

H = 0 . Cette condition implique que u