Syst' Eme Interactif D'aide ' Alad Ecision Pour La Supervision Et La Formation Environnementale Appliqu Ees Aux Entreprises de Traitement de Surface

Système interactif d’aide à la décision pour la
supervision et la formation environnementale appliquées

aux entreprises de traitement de surface
Cécile Narce
To cite this version:

Cécile Narce. Système interactif d’aide à la décision pour la supervision et la formation environ-
nementale appliquées aux entreprises de traitement de surface. Ingénierie de l’environnement.
Ecole Nationale Supérieure des Mines de Saint-Etienne; Université Jean Monnet - Saint-Etienne,
2005. Français. <NNT : 2005EMSE0039>. <tel-00783795>
HAL Id: tel-00783795

https://tel.archives-ouvertes.fr/tel-00783795
Submitted on 1 Feb 2013
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N° Ordre : 393 SGE
Année 2005
THESE
présentée par
Cécile NARCE
Pour obtenir le grade de
Docteur
De l’Ecole Nationale Supérieure des Mines de Saint-Étienne
et de l’université Jean Monnet
Spécialité : Sciences et génie de l’Environnement
Système interactif d’aide à la décision pour

la supervision et la formation environnementale
appliquées aux entreprises de traitement de surface
Soutenue le 19 Décembre 2005 devant la commission d’examen :

Mr Yves PERRODIN Professeur Président
(Ecole Nationale des Travaux Publics de l’Etat)
Mme Catherine MASSIANI Professeur Rapporteur
(Université de Provence - Marseille)
Mr Valentin PLEŞU Professeur Rapporteur
(Université “Politehnica” de Bucarest)
Mr Jacques BOURGOIS Professeur Directeur de thèse
(Ecole Nationale Supérieure des Mines de Saint-Étienne)
Mr Konrad SZAFNICKI Chargé de Recherche Examinateur
Mr Eric PIATYSZEK Chargé de Recherche Examinateur
Mr Claude MARCHAND Responsable Méthodes - Procédés Invité
(Groupe PEM)
Mr Laurent BRUNON Responsable Environnement Invité
(Groupe Techniques Surface - HEF)
ISBN : 2-9507146-6-8
REMERCIEMENTS
REMERCIEMENTS
Le travail présenté dans ce mémoire a été effectué au sein du centre Sciences, Information et
Technologies pour l’Environnement (SITE) de l’Ecole Nationale Supérieure des Mines de Saint-
Etienne (ENSM-SE), sous la direction de Monsieur Jacques Bourgois, Professeur, Directeur
adjoint de la Recherche et sous la co-direction de Monsieur Konrad Szafnicki, Chargé de
recherche, Directeur adjoint de la Formation.
Je tiens tout d’abord à remercier Monsieur Didier Graillot, Directeur du centre SITE, pour
m’avoir acceptée dans son laboratoire.
Merci à mes encadrants, Messieurs Jacques Bourgois et Konrad Szafnicki pour m’avoir accordé
leur confiance en me confiant ce projet, et pour leurs conseils et leur patience.
Je souhaite témoigner toute ma gratitude à Madame Catherine Massiani et à Monsieur Valentin

Pleşu pour avoir accepté d’être les rapporteurs du présent travail. Je remercie très sincèrement
Monsieur Yves Perrodin pour sa contribution au jury de cette thèse.
Je remercie vivement tous nos partenaires professionnels, sans qui ce travail n’aurait pas pu voir
le jour, pour leur accueil chaleureux et leurs aides précieuses (Isabelle, Claude, Gérard, Christophe,
Joël, Sébastien, Laurent, …). A tous merci.
Ma reconnaissance s’adresse aussi à tous les partenaires du projet EuPaCE.net, pour m’avoir
confortée dant l’idée que l’acquisition de compétences débute par une formation de qualité.
Je tiens aussi à remercier tous les élèves qui ont accepté de me servir de “cobayes”, pour leur
participation à cette étude, mais surtout pour leur enthousiasme, leur motivation et leur
persévérance.
Pour leur généreuse assistance et leurs conseils précieux, je voudrais remercier Estelle Dupuit,
Valérie Laforest et Eric Piatyszek qui n’ont pas hésité à m’accorder un peu de leur temps.
Enfin, il m’est impossible d’exprimer toute ma gratitude à mes collègues et amis du centre SITE
(Nathalie, Adeline, Malgorzata, Christiane, Manu H., Manu G., Fred, Vincent, Igor, et les autres)
pour leur soutien et leur bonne humeur.
3
RESUME
RESUME
Le travail de recherche exposé dans ce mémoire s’intéresse à la problématique de l’eau, de ses
usages et de sa dépollution, dans le domaine des traitements de surface par voie aqueuse. Il résulte
de ce travail le développement d’un outil intégré de simulation (RESPECTS), à double vocation :
l’aide à la décision et la formation. Il est destiné aux professionnels et aux futurs professionnels du
secteur des traitements de surface.
Conçu sous la forme d’un Système Interactif d’Aide à la Décision (SIAD), le logiciel
RESPECTS est constitué d’un ensemble structuré de modèles de connaissance et de représentation
permettant la simulation en temps accéléré de l’évolution de certaines variables chimiques
caractéristiques (par exemple le pH) des effluents au cours de la détoxication. Ces modèles ont été
définis et validés sur des données industrielles réelles, des expériences sur site et des connaissances
de professionnels du traitement de surface.
Le volet “Aide à la Décision” du logiciel RESPECTS comporte un module de diagnostic de

défaillance. Il utilise une méthodologie basée sur l’analyse de l’évolution dans le temps de la
moyenne des écarts entre une variable chimique et sa consigne pour la détection. La simulation en
parallèle de divers scénarios de panne est utilisée pour la localisation des défauts.
En ce qui concerne le volet “Formation” du logiciel RESPECTS, l’utilisateur peut interagir avec
le système simulé grâce à une interface entièrement graphique, par exemple en modifiant les
caractéristiques des effluents ou les paramètres de contrôle, acquérant diverses connaissances sur
les aspects sécuritaires et environnementaux au fil de son expérimentation virtuelle. Des bases de
données industrielles réelles présentant des aléas de fonctionnement sont disponibles dans le
logiciel pour un entraînement à la conduite d’opérations.
MOTS CLES :
Effluents industriels, Supervision, Modélisation, Diagnostic, Simulateur pédagogique
4
ABSTRACT
ABSTRACT
Initially, the project’s objective was to build a simulator of a chemical detoxication stage for the
electroplating industry. Our guiding principle was to develop the simplest and most robust models
and then test them on real industrial databases. This confirmed that the models where applicable in
an industrial environment.
Developed as a Decision Support System (DSS), the software RESPECTS is made up of

knowledge-based models and empiric models, and simulates, in accelerated-time, the evolution of
some characteristic chemical variables (e.g. pH) in the wastewater detoxication process.
RESPECTS simulates a complexe environment to aid operators in the fault diagnosis procedures.
Because RESPECTS is a virtual experimental laboratory, it can be used in e-learning. We found
that students gained “hands on” knowledge of the security and environmental aspects of
wastewater management in plating shops.
One of the real benefits is that both students and operators get experience of industrial accidents
without having to live through them. Moreover, RESPECTS can be used as a fault locator.
KEYWORDS:
Industrial wastewater, Supervision, Modelling, Diagnosis, Pedagogical aid, RESPECTS
5
SOMMAIRE
SOMMAIRE
REMERCIEMENTS .................................................................................................... 3
RESUME ...................................................................................................................... 4
ABSTRACT ................................................................................................................. 5
SOMMAIRE ................................................................................................................ 7
LISTE DES ABREVIATIONS .................................................................................. 13
INTRODUCTION ...................................................................................................... 15
PREMIERE PARTIE : UN CONTEXTE INDUSTRIEL : LES « TRAITEMENTS

DE SURFACE » ......................................................................................................... 17
Chapitre I : Environnement et industrie des traitements de surface ....................... 19
I-1 Industrie et protection de l'environnement .................................................... 19
I-2 L'industrie du traitement de surface............................................................... 21
I-3 Cadre réglementaire ....................................................................................... 23
Chapitre II : L’eau dans l’industrie des traitements de surface .............................. 25
II-1 Les effluents aqueux issus du traitement de surface .................................... 25
II-2 Traitement des effluents ............................................................................... 26
II-3 Supervision de l'épuration ............................................................................ 27
Chapitre III : Nos partenaires industriels ................................................................ 29
III-1 L’entreprise EDC ........................................................................................ 29
III-1-i Son activité de traitement de surface .................................................... 29
III-1-ii Sa station de détoxication .................................................................... 32
III-2 L’entreprise TST ......................................................................................... 33
III-2-i Les chaînes de traitement ...................................................................... 33
III-2-ii Sa station de détoxication .................................................................... 34
Chapitre IV : Les questions étudiées ...................................................................... 37
IV-1 Origine des effluents ................................................................................... 37
IV-1-i Les bains usés........................................................................................ 37
7
SOMMAIRE
IV-1-ii Les rinçages ......................................................................................... 38

IV-1-iii Les eaux de nettoyage des ateliers ...................................................... 41
IV-2 Les traitements chimiques de détoxication ................................................. 42
IV-2-i La déchromatation ................................................................................ 43
IV-2-ii La décyanuration.................................................................................. 44
IV-2-iii La précipitation des métaux ................................................................ 45
IV-2-iv La neutralisation.................................................................................. 47
IV-3 Automatisation industrielle ......................................................................... 48
IV-3-i Automatisation du traitement de surface .............................................. 48
IV-3-ii Automatisation des rinçages ................................................................ 48
IV-3-iii Automatisation de la station d’épuration ............................................ 49
IV-4 Le rôle des opérateurs ................................................................................. 50
IV-4-i Sur les chaînes de traitement de surface ............................................... 50
IV-4-ii Dans la station d’épuration .................................................................. 51
Zoom sur l’eau dans l’industrie des traitements de surface en France ................... 52
DEUXIEME PARTIE : ACQUISITION DE CONNAISSANCES .......................... 53

Chapitre I : Acquisition et traitement des données numériques ............................. 55
I-1 Détermination de l’encodage ......................................................................... 55
I-1-i Données de EDC ...................................................................................... 55
I-1-ii Données de TST...................................................................................... 57
I-2 Extraction des données : exemple sur les fichiers fournis par EDC ............. 58
I-2-i Typologie des données à extraire............................................................. 58
I-2-ii Définition des données à extraire pour la cuve de décyanuration .......... 59
I-2-iii Définition des données à extraire pour la cuve de mise à pH /
précipitation ..................................................................................................... 60
I-3 Mise en forme des bases de données ............................................................. 61
I-4 Bilan ............................................................................................................... 63
Chapitre II : Mesures et expériences sur site .......................................................... 65
II-1 Les mesures de conductivité......................................................................... 65
II-1-i Détermination de la relation entre conductivité et dilution .................... 65
II-1-ii Constitution d’un abaque de dilution .................................................... 71
II-1-iii Mesure en continu de la conductivité................................................... 72
8
SOMMAIRE
II-1-iv Evolution de la conductivité dans le rinçage ........................................ 73

II-1-v Principe de calcul de l’entraînement ..................................................... 74
II-1-vi Problèmes rencontrés à la mise en œuvre des mesures de conductivité
.......................................................................................................................... 75
II-2 Les mesures de pH ....................................................................................... 76
II-2-i Précision de la mesure de pH ................................................................. 77
II-2-ii Erreur due à la calibration ..................................................................... 78
II-2-iii Comportement d’une sonde pH ........................................................... 79
II-2-iv Récapitulatif des données sur la mesure du pH.................................... 82
II-3 Dynamique de décomposition du peroxyde d’hydrogène (H2O2)................ 83
II-3-i Décroissance de la concentration en H2O2 en l’absence de cyanures .... 84
II-3-ii Décroissance de la concentration en H2O2 en présence de cyanures .... 86
II-3-iii Décroissance de la concentration en H2O2 en flux continu d’effluent. 88
II-4 Bilan ............................................................................................................. 89
Chapitre III : Exemples d’utilisations non optimales et de dysfonctionnements ... 91
III-1 Les rinçages ................................................................................................. 91
III-1-i Utilisation non optimale des rinçages ................................................... 91
III-1-ii Exemples de dysfonctionnement sur les rinçages................................ 93
III-2 Les stations de détoxication ........................................................................ 94
III-2-i Mauvaises pratiques perturbant la station ............................................. 94
III-2-ii Exemples de dysfonctionnements à la station ..................................... 95
Des connaissances à leur représentation ................................................................. 97
TROISIEME PARTIE : MODELISATION, SIMULATION ................................... 99

Chapitre I : Approche par modélisation ................................................................ 101
I-1 La modélisation scientifique ........................................................................ 101
I-1-i Définitions.............................................................................................. 101
I-1-ii Classes et structures de modèles ........................................................... 102
I-1-iii Intérêts de la modélisation scientifique ............................................... 104
I-2 Structuration du modèle pour la simulation des traitements chimiques de
détoxication des effluents de traitement de surface .......................................... 105
I-2-i Discrétisation du système ...................................................................... 105
I-2-ii Structure du modèle .............................................................................. 105
9
SOMMAIRE
I-3 Exemples de modèles élémentaires de connaissances................................. 108

I-3-i Modèle de transfert de pollution dans les rinçages courants ................. 108
I-3-ii Modèles hydrauliques ........................................................................... 110
I-3-iii Modèles de calcul du pH ..................................................................... 116
I-3-iv Modèle de calcul de la concentration résiduelle en métaux dissous après
précipitation des hydroxydes métalliques (solubilité) ................................... 129
I-4 Exemples de modèles élémentaires de représentation................................. 132
I-4-i Modèle de disparition de H2O2 dans le réacteur de décyanuration ....... 132
I-4-ii Modèles d'automatique ......................................................................... 136
I-5 Outils mathématiques .................................................................................. 141
I-5-i Recherche d’une racine réelle d’un polynôme ...................................... 141
I-5-ii Recherche opérationnelle...................................................................... 148
Chapitre II : Base de connaissances pour la supervision de procédés en continu 151
II-1 Notions de simulation ................................................................................. 151
II-1-i Définition et objectifs de la simulation ................................................ 151
II-1-ii Simulation discrète à partir de données réelles ................................... 152
II-1-iii Evaluation des résultats de simulation ............................................... 152
II-1-iv Commande prédictive ......................................................................... 153
II-2 Systèmes interactifs d'aide à la décision (SIAD) ....................................... 155
II-2-i Définition .............................................................................................. 155
II-2-ii Rôle des systèmes d'aide à la décision ................................................ 155
II-3 L’outil RESPECTS..................................................................................... 156
II-3-i Structure modulaire de RESPECTS ..................................................... 157
II-3-ii Interface utilisateur .............................................................................. 157
II-3-iii Organisation du logiciel ..................................................................... 161
Modèle et système intéractif d’aide à la décision ................................................. 162
QUATRIEME PARTIE : APPLICATIONS DE L'OUTIL DE SIMULATION .... 163

Chapitre I : Applications didactiques.................................................................... 165
I-1 Problématique et objectifs de formations .................................................... 165
I-1-i Sensibilisation aux problèmes d’épuration en milieu industriel et
diminution des mauvaises pratiques .............................................................. 166
10
SOMMAIRE
I-1-ii Entraînement des opérateurs et des ingénieurs à la supervision d’une

station d’épuration.......................................................................................... 167
I-1-iii Formation aux techniques d’épuration chimique sous contraintes
industrielles .................................................................................................... 167
I-2 Caractérisation des publics visés ................................................................. 168
I-2-i Les publics professionnels ..................................................................... 168
I-2-ii Les étudiants en formation initiale ....................................................... 170
I-3 Expérimentation de RESPECTS pour l’initiation à la supervision d’un
processus chimique en continu .......................................................................... 171
I-3-i Séance d’initiation en cycle ISTP .......................................................... 171
I-3-ii Caractéristiques des apprenants ISTP................................................... 172
I-3-iii Bilan de la formation ........................................................................... 173
I-4 Expérimentation de RESPECTS pour la formation aux techniques
d’épuration chimique sous contraintes industrielles ......................................... 175
I-4-i Session de formation en cycle ICM ....................................................... 175
I-4-ii Caractéristiques des élèves ICM........................................................... 177
I-4-iii Bilan de la formation ........................................................................... 178
I-5 Conclusion ................................................................................................... 180
Chapitre II : surveillance des systèmes de détoxication en continu ..................... 181
II-1 Définitions .................................................................................................. 181
II-1-i Surveillance d’un procédé .................................................................... 181
II-1-ii Détection et diagnostic ........................................................................ 181
II-1-iii Pannes et dysfonctionnements ........................................................... 182
II-1-iv Typologie des pannes ......................................................................... 183
II-2 Calcul des résidus ....................................................................................... 183
II-2-i Génération de résidu par observation directe ....................................... 184
II-2-ii Génération des résidus à partir du modèle analytique ........................ 184
II-3 Méthodes de détection ................................................................................ 186
II-3-i Détection par seuillage ......................................................................... 186
II-3-ii Détection par analyse de l’évolution de la moyenne .......................... 190
II-4 Localisation d’événement........................................................................... 197
Chapitre III : Perspectives d’amélioration des systèmes ...................................... 199
11
SOMMAIRE
III-1 Simulation parallèle pour l’analyse de l’efficience des procédés en vue de

leur rationalisation ............................................................................................. 199
III-1-i Exemple de rationalisation d’un rinçage cascade en continu ............. 199
III-1-ii Exemple de la détection des consommations parasites ..................... 201
III-1-iii Exemple de réglage des automates de régulation ............................. 202
III-2 Simulation prédictive pour l'implantation de nouvelles technologies ...... 203
III-2-i Exemple de tests de techniques différentes pour le contrôle des
régulations ...................................................................................................... 203
III-2-ii Aide à l’élaboration d’une procédure de secours (dite “mode dégradé”)
........................................................................................................................ 206
III-3 Perspectives : dimensionnement de procédés et promotion des MTD ..... 207
Un outil pour les professionnels ........................................................................... 209
CONCLUSIONS ...................................................................................................... 211
BIBLIOGRAPHIE ................................................................................................... 213
ANNEXES ............................................................................................................... 223
12
LISTE DES ABREVIATIONS
APP : Agence pour la Protection des Programmes
ASCII : American Standard Code for Information Interchange
(Code américain pour l’échange d’informations)
BREF : Best available technique REFerence document
(Document de référence sur les meilleures technologies disponibles)
CFSTR : Continuous flow stirred tank reactor
(Réacteur agité à flux continu)
EDC : Electrodéposition en continu
ERI : Eaux résiduaires industrielles
ERU : Eaux résiduaires urbaines
ICPE : Installation Classée pour la Protection de l’Environnement
IPPC : Integrated Pollution Prevention and Control
(Prévention et réduction intégrées de la pollution)
ISO : International Standard Organisation
(Organisme international de standardisation)
MATE : Ministère de l’Aménagement du Territoire et de l’Environnement
MES : Matières en suspension
MinEFI : Ministère de l'Economie, des Finances et de l'Industrie
P : Proportionnel (pour un contrôleur)
PI : Proportionnel-Intégral (pour un contrôleur)
13
PMI : Petites et moyennes industries (20 à 249 salariés)
RESPECTS : Rationalisation Et Supervision des Procédés d’Epuration en Continu en

Traitement de Surface
SESSI : Service des Etudes et des Statistiques Industrielles
SIAD : Système Interactif d’Aide à la Décision
TST : Traitement de surface en tonneaux
14
INTRODUCTION
INTRODUCTION
Il n’est plus besoin de rappeler aujourd’hui que l’eau est une ressource rare qui doit être protégée
à tous les niveaux où il en est fait usage. Si les médias œuvrent pour que cela soit l’affaire de tous
dans les gestes du quotidien, il est des domaines industriels où les bonnes pratiques n’ont pas
encore tout à fait réussi à se faire une place, comme les traitements de surface par voie aqueuse par
exemple.
Poussées par les contraintes réglementaires, la concurrence des pays émergents et l’atout
marketing d’une certification de type ISO 14 001, certaines entreprises se sont équipées de
systèmes d’épuration “clef en main”, ont investi dans des systèmes de recyclage des eaux de
process, etc. Mais la présence de tels outils ne fait pas tout, s’ils sont mal utilisés ou mal réglés ils
risquent de n’apporter aucun bénéfice par rapport aux procédés classiques, tant sur la gestion des
ressources que sur la protection des personnes et des biens alentours, c'est-à-dire l’environnement
au sens large.
L’objectif de cette étude, menée avec le concours de deux entreprises françaises des traitments de
surface, est d’apporter un outil pour répondre aux interrogations des professionnels de ce secteur
concernant l’usage de l’eau dans leur entreprise. Quelles sont les bonnes pratiques et les
technologies disponibles pour optimiser la consommation en eau de leurs ateliers ? Sont-elles
applicables à leur entreprise? Nos partenaires industriels ont partagé avec nous leurs connaissances
et points de vue sur la problématique de l’eau dans leur activité, mais surtout leur savoir-faire et
leur expérience de terrain, qui font de cette étude une recherche appliquée, développée pour et avec
les professionnels.
Dans la première partie, nous évoquons le contexte juridique, social et économique de cette
étude. Nous présentons les rinçages, processus fortement consommateur d’eau, et les effluents
générés au niveau des procédés de traitement de surface par voie aqueuse. Nous abordons la
problématique de détoxication de ces effluents et sa supervision. Enfin, les éléments
caractéristiques concernant cette étude des deux entreprises partenaires du projet sont décrits.
La seconde partie présente l’acquisition de connaissances de terrain chez nos partenaires, les
étapes de traitement des bases de données numériques de supervision, les protocoles
expérimentaux suivis, ainsi que les observations diverses qui permettent de mieux comprendre le
fonctionnement des systèmes.
15
INTRODUCTION
La troisième partie détaille la phase de modélisation des processus étudiés, l’élaboration des
différents modèles, leur structuration au sein d’une base de connaissances conduisant à la
construction de l’outil de simulation.
Enfin, la quatrième partie est consacrée à la présentation des applications de l’outil de simulation.
Différentes possibilités d’utilisation du logiciel sont présentées comme l’aide à la décision ou la
formation. Nous nous attachons aussi à montrer un éventail des possibilités d’évolution offertes par
cet outil pour répondre au mieux aux besoins des professionnels du traitement de surface.
16
PREMIERE PARTIE :
UN CONTEXTE INDUSTRIEL :
LES « TRAITEMENTS DE SURFACE »
17
Chapitre I : Environnement et industrie des traitements de surface
CHAPITRE I : ENVIRONNEMENT ET INDUSTRIE DES TRAITEMENTS DE SURFACE
Ce chapitre a pour ambition de donner une vision d’ensemble du cadre entourant notre
projet. Un parti pris environnementaliste influence volontairement cette présentation, car il
n’est pas dans notre intention de décrire de façon exhaustive l’industrie des traitements de
surface. Cependant l’environnement étant par définition “ce qui entoure un individu, une
entreprise”, autrement dit ce qui est susceptible d’influencer sa vie ou son fonctionnement, il
nous paraît important de présenter aussi ici quelques données socio-économiques ainsi que
législatives touchant au secteur du traitement de surface.
I-1 Industrie et protection de l'environnement
D’après les chiffres officiels diffusés par le Service des Etudes et des Statistiques
Industrielles (SESSI) du Ministère de l'Economie, des Finances et de l'Industrie (MinEFi)
[SESSI 04/05], il apparaît qu’entre 2002 et 2003 les investissements consentis par la globalité
de l'industrie française pour la protection de l'environnement (1,1 milliard d’Euros) ont subi
un léger repli (-2%). Néanmoins, une exception à cette tendance peut être notée concernant
l'industrie manufacturière qui au contraire augmente ses investissements pour protéger
l'environnement de 2% dans le même temps.
Il est par ailleurs intéressant de préciser que, toujours d’après les données officielles du
SESSI diffusées en 2005 [SESSI 04/05], bien que les investissements dans des procédés “de
bout de chaîne”1 (ou investissements spécifiques), qui sont des techniques curatives de
contrôle de la pollution, restent fortement prépondérants, représentant 84% de l’ensemble des
investissements pour la protection de l’environnement (soit 933 millions d’euros), Figure 1,
ils subissent un léger repli (-2% par rapport à 2002). Après un fort ralentissement en 2002, les
investissements intégrés représentés par les changements de procédés, qui traduisent un souci
de prévention et incluent particulièrement l’adoption des technologies propres2, se stabilisent
en 2003 autour de 173 millions d’euros, Figure 1. Le bilan sur la prévention des pollutions
industrielles est donc assez optimiste puisqu’il apparaît, chez les industriels français, un
regain d’intérêt pour les technologies préventives par rapport aux techniques curatives.
1
Réduction de la toxicité de la pollution et des déchets émis au terme d’un procédé de production.
2
Intégration d’opérations de réduction de la pollution au sein du processus de production industrielle.
19
Première Partie : Un contexte industriel : Les traitements de surface
Figure 1: Evolution des investissements protégeant l'environnement de 1996 à 2003 (en millions d’euros)
1200
1000
800 Investissements
spécifiques
M€
600
Investissements
intégrés
400
200
0
1996 1997 1998 1999 2000 2001 2002 2003
En ce qui concerne l’industrie métallurgique et de transformation des métaux, 515

établissements (sur les 762 interrogés pour l’enquête [SESSI 04/05]) ont participé à
l’investissement pour protéger l’environnement en 2003, à hauteur de 123 millions d’euros,
soit 11% des investissements de l’ensemble de l’industrie française. 46 % des investissements
du secteur concernent le domaine de l’air, 22% les eaux usées et 17% les déchets, Tableau 1.
Comme dans le reste de l’industrie française, les investissements spécifiques sont largement
majoritaires (86%).
Tableau 1 : Les investissements (en millions d’Euros) des industriels de la métallurgie et de la

transformationdes métaux pour protéger l'environnement par type et par domaine en 2003
Investissements Investissements
Totaux (M€)
spécifiques (M€) intégrés (M€)
Eaux usées 24,8 2,8 27,6
Déchets 18,2 2,4 20,6
Air 48 9,7 57,7
Bruit 1,5 0,4 1,9
Sols et eaux souterraines 11,8 1,8 13,6
Sites et paysages 1,5 0,1 1,6
Totaux 105,8 17,2 123
20
I-2 L'industrie du traitement de surface
Les traitements de surface ont pour objet de modifier la surface d’une pièce afin de lui
conférer des propriétés particulières : sur le plan esthétique par exemple, un aspect brillant,
mat, satiné, velours ou coloré est réalisé ; au plan technique, amélioration des capacités
anticorrosion, anti-usure, de dureté, de résistance aux frottements, de conductibilité, de
soudabilité de la pièce. Le traitement peut encore lui conférer des propriétés optiques,
magnétiques ou thermiques particulières. Les traitements de surface ont des applications dans
de très nombreux domaines, tels que l'automobile, l'aéronautique, l'ingénierie industrielle ou
électrique, le sport, l’électronique, l'armement, etc., permettant l’amélioration de la qualité et
des performances des pièces [Lacourcelle 96].
Parce que les traitements et revêtements des métaux sont devenus incontournables dans bon
nombre de processus industriels, certaines entreprises, dont ce n’est pas l’activité principale,
ont choisi d’intégrer cette activité dans leur process. Il est de coutume de distinguer ces
ateliers intégrés des façonniers qui sont des entreprises spécialisées.
Parmi les nombreuses techniques existant en traitements de surface, Figure 2, les procédés
les plus importants en terme de chiffre d’affaire sont : la peinture et laquage, les revêtements
électrolytiques, et la galvanisation. Les activités de dépôt par voie aqueuse (dépôts
électrolytiques et galvanotechnique) représentent 38% de l’ensemble du chiffre d’affaire de la
branche [SESSI 11/04]. Elles concernent l’élaboration, sur un substrat conducteur (ou rendu
conducteur), d’une ou plusieurs couches métalliques composées d’un ou plusieurs métaux.
Figure 2: Répartition du marché des traitements de surface par techniques [Sessi 11/04].
SESSI – Enquête de Branche 2003
21
L’activité du traitement et du revêtement des métaux en France s’appuie aussi bien sur des
entreprises importantes que sur de petits ateliers artisanaux, en passant par toute la gamme des
PMI [SESSI 11/04]. Les entreprises de moins de 20 salariés représentent 82% du nombre
d’entreprises du secteur et seulement 28% des effectifs, Figure 3.
Figure 3 : Part des entreprises de 1 à 19 salariés dans l’ensemble du secteur

traitement et revêtement des métaux en 2001 [SESSI 11/04]
Concernant les entreprises de plus de 20 salariés en 2003, 356 entreprises employaient

22 584 personnes et ont réalisé un chiffre d’affaire de presque 2 milliards d’Euros, [SESSI
EAE03]. Les PMI dominent toujours la profession, les structures de 20 à 249 personnes
représentant 97% du nombre d’entreprises de plus de 20 personnes pour 82% des effectifs et
génèrent 76% du chiffre d’affaire, Figure 4.
Figure 4: Structure du secteur des traitements de surface français en 2003

(entreprises de plus de 20 personnes)
70%
60%
20 à 49 salariés 50 à 99 salariés
100 à 249 salariés 250 salariés et plus
50%
40%
30%
20%
10%
0%
Nombre d'entreprises Effectif Chiffre d'affaire HT Exportations
356 22 584 personnes 1 990 M€ 316 M€
22
Cependant, une tendance à la concentration des activités apparaît depuis quelques années,
favorisant le développement des plus grosses entreprises qui voient leur part de marché
augmenter fortement depuis 8 ans, aussi bien en France que vers l’international. Avec 52% de
part de marché, les sociétés de plus de 250 salariés sont les mieux placées à l'exportation,
Figure 4. Le taux d’exportations a augmenté de 5,3% dans le secteur entre 2002 et 2003
[SESSI EAE03].
Les activités de traitement et de revêtement des métaux sont des secteurs industriels
polluants. Il est nécessaire pour les entreprises d’effectuer de lourds investissements pour
entrer en conformité avec les réglementations environnementales.
I-3 Cadre réglementaire
Comme le rappelle la circulaire du 10 janvier 2000 du Ministère de l’Aménagement du

Territoire et de l’Environnement (MATE) [Circulaire 00], les ateliers de traitement de surface
sont soumis en France à la législation des installations classées pour la protection de
l'environnement (ICPE) du 19 juillet 1976 [Loi 76] et son décret d’application [Décret 77] qui
sont maintenant codifiés aux articles L 511-1 et L 511-2 du code de l’environnement, ainsi
qu’à l’arrêté du 24 décembre 2002 concernant la déclaration annuelle des émissions
polluantes des ICPE soumises à autorisation [Arrêté 02].
Les activités qui nous intéressent, dans le cadre de cette étude, sont celles visées par la
rubrique n°2565 de la nomenclature des installations classées : Revêtement métallique ou
traitement (nettoyage, décapage, conversion, polissage, attaque chimique, etc.) de surfaces
(métaux, matières plastiques, semi-conducteurs, etc.) par voie électrolytique ou chimique, à
l’exclusion du nettoyage, dégraissage décapage de surfaces visées par la rubrique 2564 3.
Celles-ci sont plus particulièrement soumises aux dispositions de l’arrêté ministériel du 26
septembre 1985 relatif aux ateliers de traitement de surface [Arrêté 85] qui définit notamment
les limites autorisées de rejet en eau et en diverses substances, Tableau 2. L’évolution actuelle
vers une harmonisation des règlements au niveau européen laisse présager, dans un avenir
proche, un durcissement des contraintes environnementales pour les industries, qui conduirait
à abaisser les limites de rejet autorisé comme indiqué dans le Tableau 2.
En outre ces activités sont aussi soumises aux textes plus généraux tels que la loi 64-1245
de 1964 relative au régime et à la répartition des eaux et à la lutte contre leur pollution [Loi
64] ainsi que les législations sur l'eau de 1992 [Loi 1/92] et sur les déchets [Loi 7/92].
3
La rubrique 2564 concerne les traitements de surfaces faisant appel à des réactifs organo-halogénés.
23
Tableau 2 : Limites de consommation en eau et rejets autorisés pour les ateliers de traitement de surface
Eléments France, [Arrêté 85] (mg.L-1) UE, à venir (mg.L-1)

Al 5,0 3,0-5,0
Cd 0,2 0,1-0,2
CrVI 0,1 0,1
CrIII 3,0 ...
Cr total 3,0 0,5-1,0
Cu 2,0 0,5-1,0
Fe 5,0 2,0-5,0
Ni 5,0 0,5-2,0
Pb 1,0 0,5
Zn 5,0 0,5-2,0
CN- 0,1 0,1-0,2
2
Rejet maximal : 8L d’effluents par m de surface traitée et par fonction de rinçage.
Bien que les ateliers de traitement de surface ne sont pas directement visés par l’arrêté
ministériel du 2 février 1998 relatif aux prélèvements et à la consommation d’eau ainsi qu’aux
émissions de toute nature des ICPE soumises à autorisation [Arrêté 98], le MATE
recommandait, par arrêté en 1998, aux préfets de s’inspirer de ce texte lors de la définition des
prescriptions des arrêtés d’autorisation. [Arr. type 2565]
Par ailleurs, toute analyse concernant la gestion et la protection de l’eau et des milieux
aquatiques se doit de vérifier la conformité des activités considérées vis à vis du code des
communes et du code de la santé publique. [Lamy 96]
Au niveau communautaire, les directives en vigueur relatives à la fabrication et au contrôle

des substances dangereuses sont nombreuses. Les traitements de surface sont particulièrement
concernés par la directive 76/769/CEE du Conseil, du 27 juillet 1976 qui a pour objet
l’homogénéisation des différentes réglementations des Etats membres concernant les
substances dangereuses, et la directive 96/61/CE du Conseil, du 24 septembre 1996. Cette
dernière, aussi appelée directive IPPC (Integrated Pollution Prevention and Control) est un
outil permettant, au travers des BREF (Best available technique REFerence document), de
prévenir et contrôler les émissions de produits dangereux pour l’environnement. En outre, le
stockage et l’utilisation de substances dangereuses ou toxiques étant directement induits par
l’activité de traitement de surface, la plupart des entreprises du secteur sont classées
“SEVESO” au titre de la directive 96/82/CE du 9 décembre 1996 (dite “Directive SEVESO
II”) concernant la maîtrise des dangers liés aux accidents majeurs impliquant des substances
dangereuses.
24
Chapitre II : L’eau dans l’industrie des traitements de surface
CHAPITRE II : L’EAU DANS L’INDUSTRIE DES TRAITEMENTS DE SURFACE
II-1 Les effluents aqueux issus du traitement de surface
L'activité des traitements de surface est responsable de plus de 30% des rejets aqueux
toxiques d’origine industrielle en France, [Chevalier 97]. Elle ne peut donc plus aujourd'hui
être envisagée sans considérer conjointement les moyens de réduire ses effets sur
l'environnement, la sécurité et la santé. Dans ce contexte, les concepts de réduction des
pollutions à la source4, de valorisation5, de recyclage6, doivent être systématiquement intégrés
aux outils de production [Lacourcelle 96].
De la rationalisation7 des rinçages par une simple restructuration des systèmes existants
[Laforest 99] à la mise en place de technique élaborées de recyclage/récupération des eaux de
rinçage [Lancy 72], de nombreuses méthodes sont à la disposition des industriels du
traitement de surface pour limiter leur consommation en eau et leurs émissions de polluants à
l'exutoire. Mais la mise en œuvre par les entreprises de ces dernières a souvent un coût qui
apparaît comme prohibitif, elles choisissent majoritairement de rationaliser les rinçages pour
satisfaire aux exigences administratives. Ainsi, il est possible d'obtenir une réduction de la
consommation d'eau à qualité de rinçage égale, donc une réduction des coûts à l'achat et à la
dépollution, ou d’aboutir à une amélioration de la qualité du rinçage sans augmenter la
consommation d'eau [Rhin-Meuse 98].
Les eaux résiduaires issues du traitement de surface par voie aqueuse sont très
caractéristiques. En effet, les ateliers de traitement de surface peuvent rejeter, entre autres, des
composés cyanurés, chromiques, tous types de métaux lourds8, et divers autres ions polluants
(phosphites, ammoniac, etc.) Ces effluents doivent en conséquence subir un certain nombre
de traitements particuliers visant à réduire leur toxicité. Il existe donc à la fois des normes
légales de rejet et des procédés de traitement des effluents spécifiques aux industries de
galvanotechnique - ces techniques sont généralement tirées des connaissances appliquées à
l'industrie minière [Weiner 75], [EPA 82], [Rigaud 98], [Schwitzgebel 92], [Winkel 92],
[Virnig 96], [Duverneuil 97], [Massové 00].
4
Modification d’un procédé de production visant à en limiter les émissions de polluants.
5
Utilisation du déchet issu d’un procédé de production comme matière première d’un autre procédé de
production.
6
Nouvelle utilisation d’un flux (d’eau, de matière, d’énergie, etc.) dans un usage autre que sa fonction initiale.
7
Action de rendre une installation plus fonctionnelle et son utilisation conforme au bon sens.
8
Terme usuellement associé aux métaux à caractère toxique. (NB : d’un point de vue scientifique les métaux
lourds ont une densité supérieure à 4,5 et un numéro atomique supérieur à 11)
25
II-2 Traitement des effluents
Les Eaux Résiduaires Industrielles (ERI) ne peuvent pas être assimilées à des effluents
“ordinaires” comme les Eaux Résiduaires Urbaines (ERU). En effet, leur toxicité et leur
charge polluante impliquent qu'elles ne peuvent le plus souvent pas être traitées par des
stations d'épuration collectives. Il se développe donc, dans les domaines des industries
chimiques et de traitement de surface notamment, de nombreuses unités de détoxication au
sein même des entreprises. Les effluents provenant des ateliers de production sont ainsi
souvent traités sur site, en général par voie physico-chimique Figure 5, avant d'être rejetés soit
dans le milieu naturel, soit dans un réseau de collecte urbain, [Boeglin 99a], [Boeglin 99b],
[Droste 97], [Degrémont 91], [Roques 90], [GTZ 90], [Stephenson 98], [Bourgois 00].
Figure 5: Schéma de principe d'une station d'épuration physico-chimique

dans une entreprise de traitements de surface
Ateliers de traitement de surface
Eaux usées Eaux usées cyanurées Eaux usées chromiques

acides (basiques) (acides)
Effluents DECYANURATION
acido-basiques DECHROMATATION
Mise à pH COAGULATION Rejet eau traitée

DECANTATION
PRECIPITATION FLOCULATION FILTRATION
Filière de traitement
des boues
Par ailleurs, les effluents issus des différents procédés de production du traitement de
surface n'ont pas tous les mêmes caractéristiques physico-chimiques, allant jusqu'à être
incompatibles entre eux, ce qui implique d'avoir recours à une collecte séparative et à des
traitements spécifiques. Il est par exemple indispensable, pour des raisons de sécurité, de
collecter les effluents contenant des cyanures et ceux qui ont un pH acide via deux réseaux
différents. De même, il est de coutume de séparer les eaux de rinçages (peu concentrées en
polluants) et les bains de traitement usés (concentrés en polluants), afin d'optimiser l'efficacité
de la dépollution.
26
Chapitre II : L’eau dans l’industrie des traitements de surface
Les traitements appliqués aux effluents issus du traitement de surface font appel à de
nombreuses réactions chimiques permettant de modifier les propriétés physico-chimiques des
polluants, afin de les détruire (par exemple : oxydation des cyanures), de les transformer en
composés moins ou non toxiques (e.g. : oxydation des phosphites et hypophosphites en
phosphates, réduction du chrome VI en chrome III), de les extraire de la phase aqueuse
(exemple : précipitation des métaux lourds sous forme d’hydroxydes). Leur étude fait donc
appel à des connaissances théoriques en thermodynamique, mécanismes réactionnels en
solutions aqueuses, et cinétique complexe faisant parfois intervenir l’effet catalytique d’une
substance ou au contraire intégrant la présence d’un élément inhibiteur de la réaction [Dean
72], [Van Luik 78], [Didier 81], [Rochaix 96], [Stumm 96], [Butler 98], [Mesplède 90].
Les étapes chimiques de cette filière (déchromatation, décyanuration et mise à pH) seront
détaillées dans le chapitre IV.
II-3 Supervision de l'épuration
Les procédés chimiques industriels sont majoritairement asservis, autrement dit automatisés.
Leur étude nécessite donc de connaître certaines notions de base d'automatique (telles que la
période d'échantillonnage ou les boucles de régulation, etc.) Les ouvrages de vulgarisation ou
d'initiation à l'automatique, sont très nombreux, nous n’en citerons que quelques-uns :
[Landau 93], [Levine 96], [Corriou 01], [Horch 01].
“Un système est dit asservi, s'il est capable de modifier lui même ses paramètres, afin
d'imposer à une de ses grandeurs une loi de variation déterminée” [Clerc 96]. Le principe de
la régulation d'un système chimique est donc de maintenir une variable mesurée proche d'une
valeur consigne par l'injection de réactifs de régulation [Becquette 91], [Pigeron 96]. Par
exemple, si la variable à réguler est le pH, le réactif sera un acide ou une base; si l'on souhaite
réguler le potentiel redox, alors le réactif sera un agent oxydant ou réducteur.
La régulation d'une variable chimique fait intervenir trois types d'outils : les capteurs, les
contrôleurs et les actionneurs. Les capteurs peuvent être par exemple des électrodes qui
mesurent une différence de potentiel électrique (entre deux électrodes l’une référence et
l’autre de mesure) représentative d'une concentration (techniques potentiométriques). Les
actionneurs quant à eux dépendent du type de réactif utilisé pour la régulation. Ainsi pour un
liquide c’est une pompe doseuse qui sera utilisée, et pour un gaz une électrovanne, Figure 6.
27
Figure 6 : Schéma d’une boucle simple de régulation.
Il existe de nombreux procédés de régulation des variables chimiques, faisant intervenir des
types de réactifs différents, ou des techniques d'injection et d'homogénéisation particulières
[Williams 90], [Wright 91].
Concernant la programmation des contrôleurs industriels, les techniques les plus communes
sont de type proportionnelle ou proportionnelle intégrale [Van Lith 01]. Toutefois de
nombreuses stratégies de régulation nouvelles sont en vogue à l'heure actuelle pour les
applications industrielles, certaines se rapprochant même de techniques d'intelligence
artificielle. Ainsi, des techniques de régulateurs auto-adaptatifs sont développées [Buchholt
79], [Gustafsson 83], [Gustafsson 92], [Henson 94], [Elbelkacemi 01], et il est aussi de plus
en plus courant de voir des systèmes basés sur la logique floue [Hu 99], [Chunhua Yang 01],
[Garcìa-Sanz 01], [Hiroya Seki 01].
28
Chapitre III : Nos Partenaires Industriels
CHAPITRE III : NOS PARTENAIRES INDUSTRIELS
Cette étude a été menée avec le concours de deux entreprises de traitement de surface
françaises, que nous ne citerons pas nominativement pour des raisons de confidentialité. Nous
les désigneront par les acronymes de leur activité caractéristique respective : EDC pour
électrodéposition en continu et TST pour traitement de surface en tonneaux. Comme
l’indiquent ces désignations, ces entreprises utilisent des techniques différentes, l’une
travaillant des feuillards de plusieurs dizaines de mètres de long qui traversent les différents
bains de traitement en continu, l’autre des pièces plus petites contenues dans des structures
grillagées (tonneaux ou paniers) immergées successivement dans les cuves de traitement.
Ces deux usines sont équipées d’un système performant de récupération et de traitement de
leurs effluents. Leurs filières d’épuration sont automatisées, ce qui nous a permis de recueillir
des bases de données informatiques sur leur fonctionnement en conditions réelles. De plus,
nous avons pu effectuer plusieurs tests “en conditions réelles” afin de récolter des données
pour valider nos modèles, comme nous le détaillerons dans la deuxième partie de ce mémoire.
III-1 L’entreprise EDC
III-1-i Son activité de traitement de surface
Comme nous l’avons évoqué plus tôt, l’entreprise EDC est spécialisée dans le dépôt de
couches métalliques par électrolyse en voie aqueuse sur feuillards. Différentes gammes de
traitement sont effectuées de façon courante, certaines lignes étant installées de façon
permanente dans les ateliers, tandis que d’autres traitements peuvent être mis en place
ponctuellement en fonction de la demande des clients.
Qu’est-ce qu’un feuillard ?
Le feuillard est la matière première du traitement de surface en continu. Il se présente sous

la forme d’un rouleau de métal, de l’ordre d’une dizaine de centimètres de large, quelques
millimètres d’épaisseur et plusieurs dizaines (voire centaines) de mètres de long.
29
Les feuillards ne sont pas toujours lisses mais ils peuvent présenter un profil, c’est à dire des
creux et des bosses qui jouent un rôle important dans la rétention des liquides et donc leur
entraînement d’une cuve à l’autre. Leur section présente alors un aspect caractéristique d’où
ils tirent en général leur dénomination. Lors de nos expériences sur site, nous avons pu
observer deux types de profils : les profils en U et ceux en T, Figure 7.
Figure 7 : Exemples de profils de feuillards.
Profil en U Profil en T
La forme du profil traité a son importance en ce qui concerne la gestion des rinçages, elle
conditionne la façon dont les liquides sont retenus, entraînés d’une cuve à l’autre. Les zones
de plus grande rétention sont donc placées différemment selon le profil, comme le montre la
Figure 8.
Figure 8 : Zones de rétention préférentielle sur les feuillards.
liquide
entraîné
Profil en U Profil en T
30
Qu’est-ce qu’une gamme ?
On appelle gamme de traitement l’ensemble formé du type de profil traité et des paramètres
du traitement qui lui est appliqué (séquence des bains et rinçages, ampérage, vitesse de
défilement, etc.)
Les bains de traitement et leurs fonctions de rinçage sont organisés en lignes. Comme le
montre la Figure 9, le feuillard en place sur une ligne traverse toujours la même séquence de
cuves, pourtant toutes les gammes effectuées sur une même ligne ne font pas appel à tous les
bains ou rinçages. En fait, les cuves ne sont pas entièrement remplies comme le montre la
Figure 10, seul le fond des bacs (ou bâches) contient la solution. Un petit réservoir (rétention)
dans la partie haute de la cuve, que traverse le feuillard, est maintenu plein grâce à une pompe
de relevage si le bain ou rinçage est nécessaire à la gamme. Des bavettes en matière plastique
souple confèrent aux différents compartiments une étanchéité relative et participent à limiter
l’entraînement depuis la cuve précédente et vers la cuve suivante.
Figure 9 : Schéma d’une ligne de traitement en continu
Rouleau de Rouleau de
feuillard AVANT feuillard APRES
traitement traitement
Sens de défilement du
feuillard
Cuve de Fonction de Cuve de Fonction de
traitement rinçage traitement rinçage
Figure 10 : Schéma d'une cuve de traitement en continu.
Rétention pour le
traitement
Bavettes
Feuillard
Bâche de récupération
du bain
Pompe pour relevage

du bain
31
La ligne de traitement sur laquelle nous avons effectué l’ensemble de nos tests chez EDC
est une chaîne d’argenture. Elle est constituée de six postes de traitement (bain et fonction de
rinçage associée). Les trois premiers postes sont des prétraitements. Ils sont destinés à
préparer la surface du feuillard à recevoir les dépôts, c’est à dire à la rendre parfaitement
propre et lisse afin que le dépôt puisse être le plus homogène et adhérent possible, comme par
exemple un dégraissage avec de la soude concentrée chaude, ou un décapage à l’acide
sulfurique. Ensuite viennent les postes de nickelage, de cuivrage et enfin le dépôt d’argent.
III-1-ii Sa station de détoxication
Les effluents sortant des ateliers de EDC sont acheminés par un réseau séparatif vers la
station d’épuration physico-chimique de l’entreprise, Figure 11. Les principaux polluants
présents dans ces effluents sont : des cyanures, des métaux lourds, des fluorures, des sulfates,
des phosphates, des nitrates, et des matières en suspension (MES).
Figure 11 : Schéma de la station de détoxication de EDC.
Rinçages alcalins
Rinçages
Caniveaux et cyanurés
acides
Bains Usés
alcalins et Bains Usés
cyanurés acides
concentrés concentrés
Bassin alcalin Bassin acide
Décanteur lamellaire
Décyanuration
Précipitation
Coagulation
Floculation
Filtre presse
Concentrateur
Lagunes
Cheminement de l’eau Sécheur à gaz
Circuits annexes
(boues de curage, eau de
décolmatage des filtres) Big Bag
Pompes Filtres
à sable
Contrôle final
(pH, T°, etc.)
Milieu naturel Eau de décolmatage
32
III-2 L’entreprise TST
III-2-i Les chaînes de traitement
Les pièces traitées sur les lignes que nous avons étudiées chez TST sont de petite taille.
Elles sont contenues tout au long du traitement dans une armature grillagée appelée tonneau
qui est manipulée par un robot entre les différents postes du traitement. La gamme de
traitement détermine la séquence des bains et rinçages, l’égouttage et le temps de séchage
entre les différents bains, etc. Le robot de manipulation est piloté par un ordinateur.
En considérant la Figure 12, il est aisé de s’imaginer que le tonneau ne passera pas
obligatoirement par toutes les cuves (contrairement au feuillard traité en continu), et un bain
ou rinçage pourra servir plusieurs fois pour une même gamme puisque des allers-retours du
tonneau sont possibles. Néanmoins, il est important de constater que plusieurs postes de
rinçage sont tout de même nécessaires car certains produits contenus dans les bains de
traitement peuvent être incompatibles.
Figure 12 : Schéma d'une chaîne de traitement en tonneau.
Tonneau
Bain de Bain de Bain de Chargement,

Rinçage Rinçage
traitement traitement traitement déchargement
33
III-2-ii Sa station de détoxication
Les effluents provenant des ateliers de TST contiennent principalement des cyanures, du
chromeVI, des phosphites et hypophosphites, de l’ammoniaque, des métaux lourds et des
MES. La Figure 13 montre un schéma de la station de détoxication qui traite ces effluents.
Figure 13 : Schéma de la station de détoxication de TST.
Eaux de rinçage
acido-basiques
Bains Usés Eaux de rinçage Effluents Effluents Nickel Bains usés Effluents
Acides des sols Chromiques chimique cyanurés cyanurés
Déchromatation Oxydation des phosphites Décyanuration
Stockage effluents
Acido-basiques
Coagulation
Filtre à sable
Précipitation
Floculation
Eaux décantées Eaux filtrées REJET FINAL

en réseau d’eaux
Décanteur Contrôle final pluviales
Filtre presse
Cuve à Boues
Cheminement de l’eau
Circuits annexes
Big Bag
(boues, eau de lavage des filtres)
Pompes
C.E.T I
34
Les différents types d’effluents subissent les prétraitements adéquats avant d’être rassemblés
dans une cuve de stockage tampon. Ainsi, les bains et eaux de rinçages issus de traitements
cyanurés sont oxydés par de l’hypochlorite de sodium ; il en est de même pour les effluents
sortant des traitement au “Nickel chimique” qui contiennent des phosphites, des
hypophosphites et de l’ammoniaque ; enfin, les effluents chromiques passent par une étape de
réduction au bisulfite de sodium.
Les eaux de rinçage des sols sont stockées dans une cuve particulière où l’opérateur effectue
une analyse et un prétraitement manuel éventuel (réduction ou oxydation en fonction de la
nature de l’effluent) avant de la vidanger vers le bassin tampon acido-basique.
35
Chapitre IV : Les questions étudiées
CHAPITRE IV : LES QUESTIONS ETUDIEES
IV-1 Origine des effluents
Les chaînes de dépôt électrolytique en voie aqueuse sont constituées d’une succession de bains
de traitement, contenant des solutions aqueuses d’éléments chimiques actifs, associés à leur
fonction de rinçage respective. Les effluents sortant de ces chaînes sont de deux types : les bains de
traitement en fin de vie, et les eaux de rinçage. Un troisième flux de pollution moins importante
doit être considéré, celui provenant de la maintenance dans les ateliers : nettoyage des sols, lavage
des cuves, etc.
IV-1-i Les bains usés
Deux types de bains de traitement peuvent être distingués en fonction des flux polluants qu’ils
provoquent :
 Les prétraitements : dégraissage, décapage, dépassivation-activation, polissage, qui

préparent la pièce à recevoir les traitements et dépôts suivants.
Ils servent par exemple en galvanotechnique à éliminer de la surface toute substance

pouvant diminuer l’adhérence du dépôt. Il convient alors de la débarrasser de toutes
particules métalliques ou métalloïdiques ; des sels ; des oxydes et hydroxydes ; des
carbures, sulfures, siliciures, etc. ; des corps gras ; des colles, encres, vernis, peintures.
Les prétraitements permettent aussi d’obtenir des liaisons de type métallique entre le
substrat et le dépôt, pour que l’adhérence soit maximale, [Lacourcelle 96].
Ces bains sont de manière générale composés d’acides ou bases très concentrés (soude,
acide sulfurique, acide chlorhydrique, etc.) et ils contiennent en fin de vie tous les
polluants dont ils ont débarrassé les pièces (e.g. particules métalliques en suspension,
graisses flottantes).
 Les bains de revêtement de surface : dorure, argenture, étamage, zingage, cadmiage,

cuivrage, nickelage, chromage, etc. ; et les bains de conversion : phosphatation,
anodisation, sulfuration, etc.
Ils contiennent en grandes quantités les matériaux d’apport ainsi que divers additifs
destinés à favoriser l’efficacité ou un aspect particulier du dépôt. Ils peuvent être
fortement acides ou basiques, et parfois cyanurés.
37
Ces bains lorsqu’ils sont usés, c’est-à-dire qu’ils ne permettent plus d’assurer un traitement de
qualité, ou lors d’un changement de gamme, sont rejetés pour être détoxiqués dans la station
d’épuration.
Ces vidanges sont des phénomènes ponctuels dont la fréquence varie en fonction de l’activité de
l’atelier. Elles provoquent une arrivée massive de polluants à la station en un laps de temps réduit,
car ces bains sont très concentrés en ions métalliques ainsi qu’en cyanures pour certains ou en
chrome hexavalent pour d’autres, ce qui peut perturber le traitement de détoxication. C’est
pourquoi ces effluents sont stockés dans des cuves dédiées, en fonction de leurs caractéristiques
chimiques (acides, bases, présence de cyanures, de chrome, etc.) puis réinjectées progressivement
dans les cuves de traitement spécifique appropriées.
Cette pratique permet de maintenir un flux de pollution homogène en entrée de station, donc elle
favorise l’efficacité de la détoxication.
IV-1-ii Les rinçages
Pourquoi rincer ?
En traitement de surface, le rinçage des pièces entre les différents bains de dépôt est une étape
très importante à la fois pour assurer la qualité du produit fini mais aussi pour éviter une rapide
pollution des bains successifs par ceux qui les précèdent, [Laforest 99]. Cette pollution est due au
phénomène d’entraînement, c’est à dire au fait que du liquide reste sur la pièce à la sortie de la
cuve de traitement. Il existe deux explications possibles à ce phénomène : d’une part le liquide peut
être piégé à cause de la forme des pièces (concavités, alvéoles ou moulures) ; et d’autre part un fin
film de liquide persiste sur l’ensemble de la pièce du fait de sa tension de surface.
Les résidus de bain restant sur les pièces peuvent par exemple conduire à ce que le dépôt
métallique ne soit pas homogène ou encore endommager la surface. Pour l’éviter, il est nécessaire
de rincer d’une façon suffisante, ce critère de suffisance étant lié au type de traitement et au niveau
de qualité visé. Le rinçage a pour effet de diluer la solution entraînée, permettant ainsi de diminuer
son agressivité vis à vis du support, de stopper les réactions et de prévenir les risques de
détérioration pour le bain suivant. Pour évaluer l’efficacité d’un rinçage, un rapport de dilution
(Rd) est déterminé entre le liquide entraîné en sortie de bain et celui après le rinçage, Eq. 1. Le
rapport de dilution est défini comme le rapport de la concentration d’une espèce chimique dans le
bain de traitement et de sa concentration dans le rinçage considéré.
38
Ci B
Rd  Eq. 1
Ci R
où CiB et CiR représentent respectivement les concentrations de
l’espèce chimique i dans le bain et dans le rinçage considérés
Selon le type de traitement qui suit, un seuil de rapport de dilution doit être atteint pour que le
rinçage soit considéré comme efficace. Par exemple, il est admis qu’avant un bain peu sensible
comme un dégraissage ou un décapage un rapport de dilution compris entre 500 et 1 000 est
suffisant. Par contre entre deux bains de dépôt il sera essentiel d’atteindre un rapport de dilution
compris entre 5 000 et 10 000. Enfin, si le dernier bain de traitement avant séchage est
autocatalytique, c’est à dire si ses composants peuvent continuer à être actifs en absence d’eau, un
rapport de dilution supérieur à 10 000 sera indispensable, [Lacourcelle 96].
Comment connaître le rapport de dilution ?
De façon rigoureuse, le calcul d’un rapport de dilution requiert la mesure des concentrations dans
le bain de traitement et dans le rinçage d’au moins une espèces chimique caractéristique du bain,
c'est-à-dire un élément dont la teneur dans l’eau brute alimentant le rinçage est négligeable devant
sa teneur dans le rinçage et a fortiori dans le bain. Les manipulations nécessaires pour déterminer
le rapport de dilution par cette méthode sont inapplicables en conditions industrielles car elles
impliquent un protocole différent pour chaque bain (l’espèce caractéristique étant spécifique du
traitement) et sont très fastidieuses.
Mais les bains de traitement de surface, et particulièrement les bains de galvanoplastie,

contiennent majoritairement des espèces chimiques sous forme ionique qui sont à la base des
procédés d’électrodéposition. Ces bains ayant la capacité de conduire le courant, il est par
conséquent possible de mesurer leur conductivité. La conductivité est une grandeur caractéristique
du bain qui dépend de sa concentration ionique. Elle permet, à l’aide d’abaques, de déterminer le
rapport de dilution par une mesure directe, simple et rapide (voir Partie 2, II-1).
Qu’est-ce qu’une fonction de rinçage ?
La fonction de rinçage est l’ensemble des rinçages intervenant après un bain de traitement et
avant le bain suivant (ou le séchage en fin de gamme). Elle est constituée d’un ou plusieurs
rinçages successifs, ils peuvent être de même type ou différents. La fonction de rinçage (séquence
et types de rinçages) dépend à la fois du traitement qui précède et de celui qui suit car c’est lui qui
impose le rapport de dilution à atteindre.
39
Il existe principalement deux grands principes de rinçage qui sont l’immersion et l’aspersion. Les
différents types de rinçages par immersion sont caractérisés par le mode de renouvellement de
l’eau : les rinçages morts ne sont jamais renouvelés et les rinçages courants sont alimentés en
permanence. Afin de rationaliser la consommation en eau au niveau des fonctions de rinçage, les
industriels ont de plus en plus recours aux rinçages de types cascade qui permettent d’utiliser
plusieurs fois la même eau en faisant cheminer les pièces à contre-courant. Ainsi pour une même
qualité de rinçage, la quantité d’eau consommée diminue si le nombre d’étages augmente,
[Laforest 99].
Les fonctions de rinçages que nous avons étudiées chez EDC sont de type immersion en cascade
double, avec une aspersion finale. La particularité de ces rinçages vient du principe même du
traitement de surface sur feuillard. En effet, comme pour les bains de traitement, le feuillard
traverse les cuves de rinçages en continu, Figure 14. Ces cuves sont donc très spécifiques, et les
“bavettes” servant à confiner les liquides jouent un rôle important dans la maîtrise de
l’entraînement mais peuvent aussi nuire à la qualité du traitement de surface en provoquant des
rayures sur le feuillard.
Figure 14 : Rinçage cascade en continu chez EDC.

Aspersion finale Alimentation en
Bavettes Rétentions eau industrielle
Sens de défilement
du feuillard
Sortie vers réseau de

Pompes de
collecte séparatif
relevage
Comme le montre la Figure 14, les cuves de rinçage en continu sont alimentées au niveau de
l’aspersion finale, c’est donc avec de l’eau propre que se fait le dernier rinçage. Puis l’eau est
relevée depuis le fond de la cuve par une pompe vers un compartiment traversé par le feuillard qui
lui est rincé ici pour la seconde fois, elle se charge en polluants apportés par l’entraînement. Par
débordement, cette eau se déverse de la première cuve vers la seconde, ou une pompe la remonte
vers le compartiment du premier rinçage. La bande à son entrée dans le rinçage est immergée dans
une eau qui a déjà servi deux fois, ce qui n’est pas gênant puisque la concentration en polluant de
cette eau est négligeable devant celle de la solution apportée par le feuillard.
40
Les rinçages que nous avons observés sur les chaînes de traitement par voie aqueuse chez TST
sont principalement des rinçages par immersion de tonneau en cascades doubles et triples. Les
principes et modèles concernant ce type de rinçages ayant été largement traités dans la
bibliographie, ils ne seront pas abordés plus avant dans notre étude. Nous renvoyons les lecteurs
intéressés à la thèse de V. Laforest [Laforest 99], ainsi qu’à l’article de J.B. Mohler [Mohler 82].
Quels types d’effluents génèrent les rinçages ?
Les rinçages courants provoquent un flux d’effluents relativement constant vers la station de
détoxication. Ces eaux sont faiblement concentrées mais leurs caractéristiques physico-chimiques
sont les mêmes que celles du bain qui précède. Elles sont donc acides ou basiques, parfois
cyanurées ou chargées en chrome VI, etc., et doivent donc subir les traitements spécifiques
adéquats avant de pouvoir être mélangées entre elles.
Les évacuations des cuves de rinçages sont directement branchées sur un réseau séparatif qui
permet d’effectuer le tri nécessaire à la source et achemine ces effluents en flux continu jusqu’à la
station d’épuration.
IV-1-iii Les eaux de nettoyage des ateliers
Les opérations de maintenance des chaînes comme le renouvellement des bains ou les
changements de gamme par exemple génèrent aussi de façon ponctuelle des effluents dilués
provenant du nettoyage des cuves. Leurs caractéristiques chimiques sont connues puisque ce sont
celles du bain vidangé, mais ils contiennent en plus des matières solides résultant de
l’accumulation au cours du temps de dépôts au fond des cuves. Ces eaux usées sont déversées dans
le réseau adéquat qui les emmène jusqu’à la station.
En outre, les égouttures, les déversements accidentels de produits sur le sol, etc., sont rincées
périodiquement. Les effluents résultant de ces opérations de nettoyage des sols ne sont pas faciles à
caractériser du point de vue physico-chimique, donc leur envoi en station nécessite quelques
précautions. Différentes procédures sont possibles en fonction des risques éventuels, nous ne
présenterons ici que celles utilisées par nos deux partenaires industriels.
41
Les “caniveaux” chez EDC
Dans les ateliers de traitement de surface de EDC, le seul polluant représentant un danger
important en cas de mélange est le cyanure. Le choix a donc été fait d’envoyer les eaux de
nettoyage vers le traitement de décyanuration par l’intermédiaire d’un réseau de caniveaux qui
sillonne les ateliers.
Le risque avec un tel système est que des résidus cyanurés se déposent dans les caniveaux. Or si
une cuve d’acide se déverse accidentellement sur le sol, son contenu ruissellera jusqu’aux
caniveaux où le contact avec les dépôts cyanurés pourra dégager de l’acide cyanhydrique à travers
les ateliers, mettant ainsi en danger les ouvriers.
La cuve de stockage chez TST
L’entreprise TST utilise des procédés de traitement de surface qui génèrent plusieurs types de
polluants à traiter spécifiquement. Il n’est donc pas possible de diriger les eaux de rinçage des sols
vers l’un des traitements chimiques a priori (décyanuration, déchromatation ou oxydation des
phosphites). Il existe donc au sein de la station une cuve destinée à recevoir ces effluents
indéterminés dans l’attente d’une analyse manuelle. L’opérateur de la station doit effectuer les tests
permettant de spécifier le type de traitement nécessaire. Cette cuve est équipée de moyens
d’injection de tous les réactifs utiles.
L’inconvénient de cette procédure est qu’elle monopolise l’attention de l’opérateur pendant un

laps de temps important, et qu’elle exige de sa part un certain niveau de qualification.
IV-2 Les traitements chimiques de détoxication
Les eaux usées sortant des ateliers de productions arrivent à la station d’épuration par le réseau
séparatif. Chaque effluent doit être traité en fonction du type de pollution qu’il contient.
Nous nous sommes plus particulièrement intéressés dans cette première approche aux traitements
des eaux cyanurées et chromatées et à l’élimination des métaux lourds car ce sont les polluants qui
posent les plus gros problèmes en matière d’environnement.
Il n’est pas question ici de dresser une liste exhaustive des différents traitements existants mais
de donner au lecteur un aperçu des techniques les plus couramment rencontrées dans l’industrie du
traitement de surface.
42
IV-2-i La déchromatation
Le chrome est un élément chimique dont les effets néfastes sur l'environnement et la santé sont
notoires, mais c'est un élément à multiples facettes. Plusieurs publications permettent de mieux
comprendre les comportements physiques et chimiques variables selon l'état d'oxydation, et donc
les effets des différentes formes du chrome, [Dhanpat Rai 87], [Richard 91], [Krishnamurthy 94].
En effet, seuls sont considérés comme très toxiques les composés du chrome VI : le trioxyde de
chrome CrO3 (également appelé anhydride chromique), les dichromates (ou bichromates) de
sodium et de potassium (Na2Cr2O7 et K2Cr2O7) sont classés T+ (très toxiques). Les composés du
chrome III eux ne sont pas considérés comme toxiques pour l’homme et pour l’environnement, de
même que le chrome métal.
La réduction du chrome hexavalent par le bisulfite de sodium, Eq. 2, est très répandue
(notamment dans l’industrie du traitement de surface) et bien connue depuis très longtemps. Elle
est présentée dans la plupart des ouvrages généraux sur le traitement chimique des effluents,
[Rigaud 98]. C’est la technique utilisée chez TST.
2 H2CrO4 + 3 NaHSO3 + 3 H2SO4  Cr2(SO4)3 + 3 HNaSO4 + 5 H2O

ou Eq. 2
2 CrO3 + 3 NaHSO3 + 3 H2SO4  Cr2(SO4)3 + 3 Na2SO4 + 3 H2O
Par contre, la réduction du chrome VI par les ions ferreux, Eq. 3, moins courante, est à l'origine
de nombreux articles, qui s'intéressent plus particulièrement à la cinétique de la réaction ainsi
qu'aux effets de différents paramètres du milieu (pH, oxygène dissous) [Eary 88], [Fendorf 96],
[Buerge 97], [Schlautman 01]. Les boues produites par cette technique sont très volumineuses (du
fait de la formation d’hydroxyde de fer en plus des hydroxydes de chrome).
Na2CrO4 + 3 FeSO4 + 4 NaOH + 4 H2O  Cr(OH)3 + 3 Fe(OH)3 + 3 Na2SO4 Eq. 3
43
IV-2-ii La décyanuration
La dangerosité des cyanures tant pour l’homme que pour l’environnement pousse à s’intéresser
de près à leur destruction. Leur traitement se fait en règle générale par oxydation en cyanates, Eq.
4, qui sont peu toxiques et sont aisément décomposés dans le milieu naturel pour libérer de l’azote
et du dioxyde de carbone.
CN- + H2O  CNO- + 2 H+ + 2 e- Eq. 4
Différentes techniques d'élimination des cyanures par méthodes oxydatives sont couramment
décrites, dans des publications émanant le plus souvent du milieu industriel [Henry 71],
[Zumbrunn 71], [Zumbrunn 73]. Les procédés mettant en jeux des produits peroxydés, seuls ou
couplés avec des rayonnements UV, sont beaucoup plus récents et de nombreux brevets d'invention
protègent ces techniques depuis les années 70, ce qui complique considérablement la recherche
d'informations précises concernant les mécanismes réactionnels notamment [Heidenreich 71],
[Mathre 71], [Fisher 74], [Zumbrunn 2/69], [Zumbrunn 3/69].
Le traitement à l’eau de javel (hypochlorite de sodium) est le plus répandu, c’est notamment la
technique appliquée chez TST. La réaction d’oxydation des cyanures en cyanates s’effectue en
deux étapes, Eq. 5, dont l’intermédiaire réactionnel est le chlorure de cyanogène CNCl qui est un
gaz extrêmement toxique. Les conditions de pH notamment, mais aussi une exothermicité
importante peuvent être la cause d’un dégazage de CNCl. Les conditions de la réaction doivent
donc être rigoureusement surveillées. Elles sont considérées comme favorables à une bonne
décyanuration si le pH est maintenu au dessus de 12 et si la concentration entrant en cyanures est
inférieure à 2 g/L, [Lacourcelle 96].
CN- + ClO- + H2O  CNCl + 2 OH-

puis Eq. 5
- - -
CNCl + 2 OH  CNO + Cl + H2O
Depuis les années 90, la décyanuration par les produits peroxydés est présentée comme une
meilleure alternative à l'hypochlorite de sodium [Struckul 92], [Tschiri 94], [Jones 99]. En effet,
elle permet de s'affranchir à la fois des risques (aucun composé intermédiaire de la réaction n'est
toxique) et du rejet de sels chlorés dans le milieu récepteur. L’entreprise EDC par exemple a choisi
d’expérimenter un procédé de décyanuration au peroxyde d’hydrogène, Eq. 6.
44
CN- + H2O2  CNO- + H2O Eq. 6
Néanmoins, les limites de cette technique sont situées à deux niveaux. D'une part dans la
difficulté de réguler les procédés, du fait de l'absence de paramètre “facilement” mesurable
indiquant la progression de la réaction [Weisz 76], [Goedecke 79]. D'autre part, l'effet catalytique
ou inhibiteur des ions métalliques sur l'activité et la décomposition du peroxyde d'hydrogène est
très souvent évoqué dans la littérature, mais assez peu développé [Leahy 90], [Gallard 99].
De plus, des difficultés pour le stockage sont liées à la stabilité et à la dangerosité du peroxyde
d’hydrogène, [Solvay Interox 01]. En effet, les solutions commerciales pures de peroxyde
d’hydrogène sont stables mais une contamination même très faible par un métal ou un sel
métallique (quelques ppm) suffit à provoquer une décomposition rapide. L’élévation de la
température, la lumière, et les pH supérieurs à 5 favorisent aussi la décomposition. Le peroxyde
d’hydrogène est fortement corrosif et donc toute exposition directe est dangereuse (contact avec la
peau, les muqueuses, les yeux, ingestion, inhalation, etc.) Bien qu’il ne soit ni inflammable ni
explosif lui-même, le peroxyde d’hydrogène peut provoquer ou aggraver les risques d’incendie car
c’est un comburant puissant. Si un résidu de peroxyde d’hydrogène sèche sur une matière
organique combustible comme le coton (blouses, bleus de travail), le papier, le bois, le cuir, il peut
en provoquer une ignition spontanée. Le dégagement d’oxygène par décomposition du peroxyde
d’hydrogène peut provoquer un éclatement de son container par surpression ou entretenir un
incendie voisin.
IV-2-iii La précipitation des métaux
L’élimination des métaux lourds de la phase aqueuse est une étape importante du traitement des
effluents issus du traitement de surface. Elle fait appel à la propriété chimique des cations
métalliques de former des précipités insolubles en se complexant avec les anions hydroxydes. Ces
précipités constituent alors une phase solide en suspension dans l’eau, qui peut être séparée de la
phase aqueuse (par exemple par décantation).
Le procédé consiste donc à ajouter à l’effluent à traiter une base forte, source d’ions OH -. Les
réactifs les plus couramment utilisés sont la soude NaOH et la chaux hydratée Ca(OH)2. L’Eq. 7
présente la réaction qui a lieu entre le cation d’un métal M et les ions hydroxydes.
Mn+ + n OH-  M(OH)n

Eq. 7
45
La solubilité des précipités d’hydroxyde varie en fonction de l’élément métallique ainsi que du
pH de la solution, Figure 15. Dans le cas général, la solubilité de la plupart des hydroxydes
métalliques décroît quand le pH augmente, jusqu’à une valeur minimale appelée le point
isoélectrique. A partir de ce point, la solubilité peut croître de nouveau du fait des propriétés
amphotères des complexes hydroxydes.
Figure 15 : Courbes de solubilité des hydroxydes métalliques en fonction du pH

(en solutions monométalliques)
source : http://www.hofflandenv.com/img/pic_precipitation1.gif
Avantages de la précipitation des hydroxydes
Ce procédé est aisé à mettre en œuvre et son contrôle est lui aussi facile puisqu’il consiste en une
simple régulation du pH. C’est une technique bien connue et maîtrisée dans le secteur industriel.
De plus, le faible coût des réactifs est aussi un critère important dans le choix de cette méthode par
les industriels.
46
Inconvénients de la précipitation des hydroxydes
Les hydroxydes précipités ont tendance à être de nouveau dissous sous forme de complexes
ioniques si le pH varie. De plus, le pH optimal de précipitation est diffèrent pour chaque espèce
métallique, il est donc difficile de traiter les effluents contenant un mélange de nombreux métaux.
Il faudra dans ce cas chercher le meilleur compromis en fonction des espèces présentes. Enfin, la
précipitation des hydroxydes peut être gênée par la présence d’agents complexants ou chélatants
comme par exemple l’EDTA, les cyanures, les citrates ou encore les tartrates.
Par ailleurs, le chrome VI ne peut pas être insolubilisé par cette méthode, néanmoins, si elle est
précédée d’une déchromatation, le chrome III peut, lui, être éliminé sous forme d’hydroxyde.
IV-2-iv La neutralisation
Les effluents issus du traitement de surface ont des pH extrêmes, basiques ou acides selon les
cas. Pour être en conformité avec la législation, ils doivent donc être neutralisés avant rejet afin que
leur pH soit stabilisé entre 6,5 et 9 [Arrêté 85].
Le principe de cette neutralisation est une régulation du pH. Il s'agit d'injecter des réactifs, un
acide ou une base selon le besoin, de façon à ramener la valeur du pH proche d'une consigne. La
diversité des procédés concerne surtout le choix des réactifs: acide sulfurique, dioxyde de carbone,
soude, lait de chaux, etc. [Shinskey 96]. Cette opération est généralement automatisée, mais dans
certains cas, en fonction des procédés utilisés en amont dans la station, elle peut ne nécessiter
qu’une surveillance et des interventions ponctuelles de l’opérateur.
Une technique relativement récente utilisant l'injection de dioxyde de carbone à l'état gazeux
pour la régulation acide des effluents alcalins peut être utilisée aussi bien pour les différentes mises
à pH tout au long du traitement que pour la neutralisation finale. Ce procédé met en jeu des
processus physiques et chimiques complexes tels que la solubilité et les équilibres carboniques,
[Legrand 81], [Podhorecki 87], [Weisenberger 96], [MinEFI 97], [Volland 00], [Roux 01].
47
IV-3 Automatisation industrielle
IV-3-i Automatisation du traitement de surface
En premier lieu, les traitements de surface peuvent être effectués manuellement, c’est à dire
qu’un opérateur déplace les pièces à traiter d’une cuve à l’autre. Cette méthode ne peut
évidemment concerner que de très petites séries ou des traitements très spécifiques.
Par ailleurs, pour des séries de taille moyenne, notamment dans le cas où le traitement de surface
est intégré dans une entreprise dont ce n’est pas l’activité principale, il peut être semi-automatisé.
Dans ce cas un opérateur se déplace en actionnant un palan pour le transfert des pièces de cuve en
cuve, [Lacourcelle 96].
Mais dans la plupart des cas les traitements de surface sont entièrement automatisés. Un robot
manipulateur effectue les opérations de transfert, d’égouttage, etc., selon une séquence
préprogrammée définie pour chaque gamme de traitement.
IV-3-ii Automatisation des rinçages
Dans le cas des procédés discontinus (en tonneau ou à l’accroche), l’alimentation en eau des
rinçages est en général asservie à l’arrivée des pièces à rincer. C’est donc le même automate qui
gère le robot de manipulation et les vannes d’alimentation des rinçages. La mesure de la
conductivité n’est alors qu’un critère d’évaluation de la qualité et de l’efficacité du rinçage.
Pour les procédés de traitement en continu par contre, il n’existe pas d’événement susceptible
d’être utilisé comme déclencheur et les rinçages sont alimentés en permanence. Dans ce cas, la
mise en place d’une mesure en continu de la conductivité dans les rinçages est intéressante. Elle
permet de commander l’alimentation en eau propre seulement lorsqu’elle est nécessaire, c’est à
dire quand la mesure de conductivité dépasse un seuil correspondant au rapport de dilution
souhaité. Cette opération peut conduire à des économies d’eau en plus de l’amélioration de la
qualité et de l’efficacité du rinçage.
48
IV-3-iii Automatisation de la station d’épuration
Les stations d’épuration industrielles sont, dans le cas général, entièrement automatisées. Les
contraintes posées par le caractère agressif des effluents, ainsi que la faible valeur ajoutée de
l’épuration pour l’entreprise impliquent que les systèmes en place doivent être à la fois
performants, robustes, et nécessiter une maintenance minimale pour ne pas mobiliser trop de
personnel.
Les méthodes de suivi et de régulation les plus communément mises en œuvre concernent par
conséquent des grandeurs physiques ou chimiques faciles à mesurer telles que le pH, le potentiel
redox, la température ou encore la pression.
La régulation d’une variable chimique par exemple peut se faire selon trois principes :
 La variable chimique doit être maintenue en dessous d’une valeur consigne,
exemple : le pH dans le réacteur de déchromatation doit être inférieur à 2 ;
 La variable chimique doit être maintenue au dessus d’une valeur consigne,
exemple : la teneur en peroxyde d’hydrogène doit rester supérieure à 100 ppm dans le
réacteur de décyanuration ;
 La variable chimique doit être maintenue entre deux valeurs consignes,
exemple : le pH final doit se situer entre 6,5 et 9.
Les contrôleurs industriels utilisés chez EDC sont de type proportionnel (marque Yokogawa).
Leur intérêt tient dans la simplicité de leur configuration et la robustesse de leur fonctionnement.
Leur principe est de commander l’injection d’un réactif pendant un laps de temps proportionnel à
l’écart entre la valeur mesurée du paramètre régulé et une valeur consigne, Figure 16. Le détail du
fonctionnement de ces régulateurs sera donné dans la troisième partie.
Figure 16 : Schéma de fonctionnement d'un contrôleur de type industriel
49
Chez TST, le matériel de contrôle est de type proportionnel-intégral (PI) mais tous les régulateurs
sont paramétrés avec un coefficient proportionnel (KT) fort et un coefficient intégral (TI) nul,
Figure 17, donc seule la régulation proportionnelle est réellement sollicitée. Le fonctionnement
d’un régulateur PI sera détaillé en troisième partie.
Figure 17 : Paramètres des contrôleurs PI chez TST

(copie d’écran de la station de contrôle)
IV-4 Le rôle des opérateurs
IV-4-i Sur les chaînes de traitement de surface
Les chaînes étant majoritairement automatisées, les interventions des opérateurs sont ponctuelles
au cours du traitement de surface. Dans le cas de traitements en tonneau ou à l’accroche, il s’agit
principalement du montage et démontage des pièces, et pour le traitement de feuillard du
remplacement et raboutage de bande. Des actions préventives ou curatives sur les bains ou sur les
pièces peuvent éventuellement s’avérer nécessaires afin de maintenir la qualité du traitement.
Entre les différentes gammes mais aussi parfois en cours de traitement, il faut vidanger et rincer
les cuves de traitement avant d’y monter les bains neufs. Ces opérations demandent certaines
précautions, car il est important par exemple que les bains usés soient déversés dans le bon
dépotage afin de pallier les risques de réactions intempestives dangereuses mais aussi éviter
d’altérer l’efficacité de la détoxication en station.
La maintenance des chaînes en général nécessite donc une bonne connaissance du poste de la
part de l’opérateur car une formation trop rapide ou superficielle fait encourir des risques aussi bien
au niveau de la qualité des traitements que de la santé de l’opérateur lui-même et de ceux qui
travaillent avec lui.
50
IV-4-ii Dans la station d’épuration
En fonctionnement normal
Au cours de l’exploitation de la station de détoxication, les opérateurs sont chargés de la

maintenance habituelle comme le réapprovisionnement des différents réactifs, l’entretien des
sondes et capteurs, etc. Ils ont aussi à leur charge la surveillance du rendement épuratoire de la
station et de la conformité avec la législation des rejets en sortie. Ils effectuent les analyses et
tiennent les registres d’auto-surveillance.
Ils doivent en outre surveiller les automates et, si besoin est, modifier les paramètres des
régulateurs afin d’optimiser le traitement. Ces opérations demandent un certain savoir-faire et une
bonne connaissance du comportement général de la station, car toute modification du
fonctionnement d’une cuve se répercute systématiquement sur les cuves en aval du fait du
traitement au fil de l’eau.
En cas d’incident
Les incidents susceptibles d’altérer le fonctionnement de la station ont principalement deux

origines : la casse matérielle (e.g. casse du bras d’un agitateur, supprimant tout effet de mélange
dans la cuve touchée) et l’erreur humaine au niveau du dépotage des effluents (e.g. déversement
d’un bain usé dans une mauvaise cuve de stockage).
Les opérateurs intervenant en station doivent savoir gérer ces situations de crise car la
détoxication ne doit jamais s’arrêter, au risque de devoir stopper la production en amont ce qui
n’est pas acceptable. Ils doivent être à même de détecter et identifier l’incident afin de maintenir
une efficacité de traitement suffisante.
51
ZOOM SUR L’EAU DANS L’INDUSTRIE DES
TRAITEMENTS DE SURFACE EN FRANCE
Dans cette première partie, un éventail des nombreuses questions qui entourent la problématique
de gestion et d’épuration de l’eau dans les entreprises de traitement de surface en France a été
présenté. Un panorama de ses implications sur l’environnement, tant humain que naturel, a été
décrit.
Ainsi nous avons abordé le cadre socio-économique de l’industrie des traitements de surface sur
le territoire français, et le contexte réglementaire français et européen ayant trait à la protection de
l’environnement et à la gestion de l’eau. Les usages de l’eau et les caractéristiques des effluents
produits par les procédés de production en traitements de surface ont aussi été rappelés, tandis que
les techniques de détoxication et de supervision de l’épuration ont été évoquées pour être détaillées
plus loin dans cette étude.
Cette partie nous a en outre permis de présenter les caractéristiques et particularités dans leur
domaine de deux entreprises de traitement de surface françaises qui ont collaboré à notre étude.
Elles nous ont permis d’acquérir dans leurs locaux (ateliers, stations d’épuration, laboratoires) les
connaissances et données nécessaires à la validation de notre travail. La présentation de ces
connaissances récoltées sur le terrain et au cours d’expériences en laboratoire fait l’objet de la
prochaine partie.
52
DEUXIEME PARTIE :
ACQUISITION DE CONNAISSANCES
53
Chapitre I : Acquisition et traitement des données numériques
CHAPITRE I : ACQUISITION ET TRAITEMENT DES DONNEES NUMERIQUES
D’une manière générale, la supervision des procédés en traitement de surface, que ce soit au
niveau de la production ou de l’épuration, est gérée par des automates. Pour l’interface avec les
opérateurs, ces automates sont reliés à un système informatique de type PC (Personal Computer).
Ce système permet l’affichage en temps réel des paramètres de contrôle du processus, ainsi que
leur acquisition et stockage sous forme numérique.
Les logiciels permettant cet archivage de données sont en général de type propriétaire 9, et
diffèrent d’une entreprise à l’autre. Ainsi une étape préliminaire de notre projet a été de décoder et
d’extraire les données pertinentes pour nos objectifs d’analyse du comportement du processus et de
simulation. Afin de les rendre exploitables quels que soient le système d’exploitation et le logiciel
utilisés, nous avons effectué une mise en forme des données en format texte (ASCII).
I-1 Détermination de l’encodage
I-1-i Données de EDC
Soixante-sept grandeurs10 (variables et paramètres)11 de suivi du fonctionnement de la station de

détoxication des effluents de EDC sont enregistrées toutes les dix secondes, Annexe 1. Elles sont
archivées chacune sous la forme d’un jeu de données journalier suivant une structure particulière,
dans un fichier encodé en binaire.
Une première visualisation du code binaire composant l’un de ces jeux de données avec l’éditeur
FxEdit, [www.gregorybraun.com], nous a permis de déterminer la structure des fichiers de
données. Le choix de ce logiciel tient au fait que son interface permet d’afficher un même code
sous trois formes différentes (texte, hexadécimal, binaire) dans un même écran, comme le montre
la Figure 18. En effet le cadre de gauche présente une visualisation du code binaire en format
ASCII, le cadre de droite donne la représentation du même code en hexadécimal, pour 512 octets
simultanément. L’interface permet à l’utilisateur de sélectionner un octet dans l’un ou l’autre de
ces deux cadres pour en afficher le code binaire en bas à droite de la fenêtre. Par exemple sur la
Figure 18, le troisième octet du fichier correspond à la lettre T en format ASCII, et au code 54 en
hexadécimal, et à la séquence “01010100” en binaire.
9
Logiciel dont l’utilisation est subordonnée à l’acceptation d’un contrat de licence. Son contenu ne peut être étudié,
modifié ou distribué sans l’accord formel de son créateur.
10
Grandeur est pris ici dans le sens de ce qui est susceptible de mesure. Pour d’Alembert, « La grandeur abstraite
répond à la quantité discrète, et la grandeur concrète à la quantité continue »
11
Dans le cadre de cette étude, nous appelons variables les grandeurs dont les valeurs sont imposées par le
fonctionnement du système (exemple : variables chimiques) et paramètres les grandeurs fixées et pouvant être
modifiées par un opérateur (exemple : paramètres de contrôle).
55
Deuxième Partie : Acquisition de connaissances
Cette première visualisation nous a permis de repérer une en-tête de fichier codée en ASCII
contenant, outre les informations relatives à la propriété intellectuelle, des données concernant le
type de grandeur enregistrée, la date, et l’heure de début de l’enregistrement. Sur la Figure 18 par
exemple, la seconde ligne du code ASCII (cadre de gauche) laisse apparaître le nom de donnée
“CHGFLT” qui correspond au seuil de commande pour la permutation du traitement d’un filtre à
sable sur l’autre. Le texte de l’en-tête se poursuit par la date, l’heure de début de l’enregistrement,
et l’année. Le fichier présenté en Figure 18 correspond aux données enregistrées le mercredi 19
avril 2000 à partir de minuit passé de 10 secondes. C’est aussi dans cette en-tête que sont archivées
des données telles que l’unité de mesure, l’échelle, etc.
L’affichage hexadécimal nous a permis quant à lui de visualiser les données mesurées qui sont
encodées sur deux octets. En considérant une grandeur dont la valeur est fixe, comme le seuil de
changement des filtres à sables par exemple, nous avons remarqué que le maillon qui se répète,
correspondant aux enregistrements successifs d’une même valeur, est formé de deux octets. Sur la
Figure 18, cela se traduit par la redondance de la séquence “00 50” à partir du 225ème octet (premier
octet de l’avant dernière ligne) dans le cadre de droite. Chaque fichier de données contient dans ce
format les mesures d’une même grandeur toutes les 10 secondes pendant 24 heure, soit 8640
valeurs.
Figure 18 : Visualisation du code binaire composant un fichier de données brutes de EDC

(512 premiers octets)
Texte Code Code

hexadécimal binaire
56
I-1-ii Données de TST
Fichiers de données
Les paramètres de suivi de la station d’épuration enregistrés chez TST sont archivés en texte dans
des fichiers journaliers au format DBF (data base file), affichable par exemple sous Excel ®. Le
nom de chaque fichier correspond à sa date.
L’intervalle entre chaque acquisition des données qui nous intéressent (pH, redox, consignes,
etc.) est de 5 minutes en général, et les enregistrements sont faits par lots. Les différents paramètres
sont associés à un numéro les identifiant, Annexe 2. Les données à l’intérieur des fichiers sont
horodatées en secondes écoulées depuis minuit.
Le travail préliminaire sur ces données à été de déterminer à quel paramètre correspond chaque
identifiant car le logiciel qui effectue l’archivage ne le fait pas de manière transparente. Nous
avons procédé à une identification visuelle des courbes obtenues à partir des fichiers d’archives
grâce à des impressions d’écran de l’interface de supervision.
De cette façon nous avons pu déterminer sous quel identifiant étaient stockées les données des
différentes mesures (pH, potentiel redox, etc.) ainsi que les consignes de régulation.
Fichiers “alarmes”
Chaque fois que l’automate détecte le dépassement d’un seuil d’alarme excédant 10 minutes,
l’opérateur en est informé sur l’interface de supervision. Ces évènements sont archivés dans des
fichiers journaliers, Annexe 3, où apparaissent plusieurs informations sur l’incident :
 l’horaire de déclenchement,
 l’horaire d’achèvement,
 l’horaire d’intervention de l’opérateur pour acquitter l’alarme,
 un indicateur de gravité de l’événement (voir Annexe 3),
 une description de l’incident (exemples en Annexe 3).
Afin de pouvoir replacer chaque incident ayant déclenché une alarme dans son contexte, nous
avons dû déterminer l’horaire de ces événements. Par identification des événements donnant des
courbes caractéristiques avec leur signalisation dans les fichiers “alarmes”, nous avons constaté
que cet horaire utilise le timestamp Unix, c'est-à-dire qu’il est représenté par le nombre de
secondes écoulées depuis le 1er janvier 1970 à minuit GMT, [phpcodeur.net].
57
I-2 Extraction des données : exemple sur les fichiers fournis par EDC
Nous avons défini un exécutable sous Matlab de lecture des fichiers binaires enregistrés dans la
station de détoxication de EDC.
Ce programme permet tout d’abord de réunir les fichiers journaliers correspondant aux données à
extraire en fonction de leur date. Ensuite, il recueille et classe les informations sous forme d’une
base de données journalière. Enfin, il effectue la conversion de la base de données en format texte
(ASCII) pour qu’elle reste exploitable quel que soit l’environnement de simulation, Annexe 4.
I-2-i Typologie des données à extraire
Parmi les soixante-sept grandeurs disponibles, nous avons choisi de restreindre l’extraction aux
plus pertinentes d’entre elles vis-à-vis de notre objectif de validation des modèles et de simulation
des cuves de traitement chimique (principalement décyanuration et mise à pH), voir Annexe 1 et
Tableau 4, d’une part afin d’accélérer l’étape de traitement des données et d’autre part pour ne pas
alourdir les bases de données résultantes. A titre d’exemple, un fichier formaté contenant les
valeurs de 28 grandeurs acquises toutes les 10 secondes pendant 24 heures occupe environ un
mégaoctet.
Ainsi, nous avons limité à trois les types de données utilisés par le simulateur :
 Les états d’actionneurs qui correspondent aux fonctionnements de pompes, états de
vannes, etc. Les actionneurs en place dans la station de détoxication de EDC, Figure 19,
étant majoritairement de type “ tout ou rien ”, ces données peuvent prendre comme valeur
0 (actionneur fermé ou éteint) ou 1 (actionneur ouvert ou allumé).
 Les consignes qui déclenchent les processus de régulation. En fonctionnement normal,
une consigne a une valeur constante dans le temps, mais il est possible pour les opérateurs
de la modifier depuis l’interface de communication avec l’automate. Dans la base de
données, cela se traduit par une variation de la valeur en échelon.
 Les mesures des variables chimiques régulées. L’objectif de la simulation est de donner
une représentation virtuelle la plus fidèle possible de l’état du contenu de la cuve. Une
comparaison entre les mesures réelles de ces variables et leurs valeurs issues de la
simulation permet d’évaluer la qualité de nos modèles.
Le Tableau 3 récapitule les données à extraire pour la simulation des cuves de décyanuration et
de mise à pH / précipitation selon cette typologie.
58
Figure 19 : Position des actionneurs en décyanuration et mise à pH chez EDC
CO2 H2O2 NaOH H2SO4

Mélangeur
Bassin de
stockage des
effluents Décyanuration
alcalins
Bassin de
stockage des Mise à pH /
effluents Précipitation
acides
Pompes de relevage
Pompes doseuses
Electrovanne
I-2-ii Définition des données à extraire pour la cuve de décyanuration
Entrées pour la simulation
Dans la cuve de décyanuration, les perturbations influençant le fonctionnement ont deux

origines : les effluents entrants et les régulations (du pH et de la concentration en peroxyde
d’hydrogène).
Les effluents entrants sont représentés par trois données : deux états d’actionneurs et une
variable. Sur le plan quantitatif l’état de fonctionnement de chacune des deux pompes de relevage
des effluents alcalins permet d’évaluer le débit entrant, et le pH dans le bassin alcalin qualifie
l’effluent du point de vue qualitatif, Tableau 3.
59
La régulation du pH fait intervenir une pompe doseuse pour le réactif alcalin (soude) et la
régulation de la concentration en peroxyde d’hydrogène implique deux pompes doseuses. Il
convient de remarquer que l’électrovanne d’injection du CO2 pour la régulation acide n’était pas
reliée au système informatique pendant la période d’acquisition des données (1999 à 2002), ainsi
nous n’avons pas pu tenir compte de ce paramètre. Par ailleurs, pour chacune des régulations
(acide, basique et peroxyde d’hydrogène), deux consignes sont enregistrées correspondant aux
limites minimum et maximum de la zone proportionnelle des régulateurs industriels, (voir 1 ère
Partie, § IV-3-iii). Les grandeurs liées à la régulation sont donc archivées par neuf mesures : six
consignes et 3 états d’actionneurs, Tableau 3.
Données permettant la validation des modèles
La représentation de l’état de la cuve de décyanuration est fournie par les mesures du pH et de la

teneur en peroxyde, soit deux variables, Tableau 3.
I-2-iii Définition des données à extraire pour la cuve de mise à pH / précipitation
Entrées pour la simulation
Comme pour la cuve de décyanuration, les perturbations agissant sur le fonctionnement de la

cuve de précipitation proviennent des effluents entrants et des régulations.
Cette cuve est alimentée par la surverse de la cuve de décyanuration d’une part et par les
effluents acides relevés par deux pompes d’autre part. Ces effluents sont caractérisés par leur pH et
leur débit, lui-même représenté par l’état de fonctionnement des pompes de relevage. (Remarque :
l’une des hypothèses simplificatrices du modèle est de considérer le débit de la surverse égal à tout
instant au débit entrant en décyanuration, voir Partie III.)
Il existe dans la cuve de précipitation une régulation du pH qui met en jeu deux régulateurs
industriels. Deux paires de consignes constituent les limites des zones d’injection proportionnelle
de l’acide et de la base de régulation, (voir 1ère Partie, § IV-3-iii). Deux pompes doseuses procèdent
aux injections de ces réactifs.
Données permettant la validation du modèle
La mesure du pH dans la cuve de mise à pH / précipitation caractérise son état.
60
Tableau 3: Exemple de mesures d’une base de données journalière pour la simulation
Types de données Actionneurs Consignes Variables
Cuve
2 pompes de relevage 2 consignes régulation pH des effluents

des effluents alcalins basique alcalins
1 pompe doseuse base 2 consignes régulation pH cuve de
Décyanuration
de régulation (NaOH) acide décyanuration
2 pompes doseuses 2 consignes régulation résidu d’oxydant
oxydant (H2O2) oxydant
2 pompes de relevage 2 consignes régulation pH des effluents

des effluents acides basique décyanurés
1 pompe doseuse base 2 consignes régulation pH des effluents
Mise à pH /
de régulation (NaOH) acide acides
Précipitation
1 pompe doseuse pH cuve de
acide de régulation précipitation
(H2SO4)
I-3 Mise en forme des bases de données
Afin que la consultation des informations dans les bases de données journalières soit facilitée,
quels que soient l’environnement et le langage de programmation, elles sont construites sous forme
de matrices (tableaux).
Les colonnes de ces matrices correspondent aux différentes données extraites, tandis que les
lignes présentent les valeurs mesurées pour chaque donnée en fonction du temps. Ces informations
chez EDC sont enregistrées toutes les 10 secondes, une base de données journalière contient par
conséquent 8640 lignes. A chaque itération le simulateur n’aura à consulter qu’une seule ligne pour
recueillir toute les mesures relatives à l’instant considéré.
D’autre part, pour une meilleure lisibilité ainsi que pour favoriser le caractère évolutif du
simulateur, les données sont classées en modules, ordonnés suivant le plan de la station (e.g.
stockages, prétraitements spécifiques, traitements chimiques, etc.), Tableau 4. Chaque module
regroupe les états d’actionneurs, variables et consignes relatifs à un traitement donné dans une
cuve donnée. De cette façon, il est par exemple possible d’intégrer des modifications structurelles
éventuelles de la station, ou d’intégrer les traitements physiques au simulateur, en ajoutant
simplement les nouveaux modules au schéma de base.
61
Tableau 4 : Hiérarchisation des variables (voir Annexe 1) dans la base de données
Mesure pH effluents acides PHLU5
Bassin acide Consigne Régulation acide MAXP5

CRP1
Actionneurs Pompes de relevage
CRP2
Mesure pH effluents alcalins PHLU4
Régulation acide PHMAX
Consignes
Bassin alcalin
Régulation basique PHMIN

Pompe doseuse CRPD6
Actionneurs CRP3
Pompes de relevage
CRP4
Mesure pH en décyanuration PHLU1
MAXCO2
Régulation acide
Contrôle pH
CONCO2
Consignes
CONP1
Régulation basique
Décyanuration
MINP1
Actionneur Pompe doseuse CRPD1
Mesure Oxydant résiduel PHLU2
CONP2
Oxydation
Consignes Régulation oxydant

MINP2
CRPD3
Actionneurs Pompes doseuses
CRPD4
Mesure pH en précipitation PHLU3
Mise à pH / précipitation
MAXP3
Régulation acide
CONP3
Consignes
CONP4
Régulation basique
MINP4
CRPD5
Actionneurs Pompes doseuses
CRPD10
62
I-4 Bilan
Les données de supervision recueillies chez nos partenaires industriels ont dû faire l’objet d’un
travail significatif d’acquisition, de traitement et d’analyse avant de pouvoir être exploitées en
simulation.
Les phases de détermination de l’encodage et d’extraction doivent être adaptées pour

l’intégration des données de toute nouvelle entreprise du fait de la prépondérance des logiciels
propriétaires dans l’acquisition et l’archivage et leur diversité.
La mise en forme modulaire permet à la base de données d’évoluer en fonction des modifications
apportées aux procédés.
63
Chapitre III : Mesures et expériences sur site
CHAPITRE II : MESURES ET EXPERIENCES SUR SITE
II-1 Les mesures de conductivité
Pour comprendre la dynamique et l’efficacité des rinçages, il faut connaître l’évolution de la

charge polluante qu’ils contiennent, c'est-à-dire du rapport de dilution. L’analyse bibliographique
(1ère partie, § IV-1-ii) indique que la mesure de conductivité est une technique courante
d’acquisition de cette information.
Nous avons mis en œuvre plusieurs expériences pour nous procurer les informations nécessaires
à la simulation. D’une part nous avons constitué une série de courbes d’étalonnage pour déterminer
la correspondance entre la mesure de conductivité et le rapport de dilution. Puis nous avons
effectué des mesures en continu afin d’acquérir des données sur la dynamique du fonctionnement,
[Labat 00], [Pibolleau 02], [Bonner 02], [Bonnet 04].
II-1-i Détermination de la relation entre conductivité et dilution
Le modèle théorique généralisé de la conductivité d’une solution aqueuse selon Rochaix

[Rochaix 96] montre qu’il existe une fonction linéaire qui relie la conductivité sol et la
concentration ionique Ci, Eq. 8.
 sol  F   zi Ci u i Eq. 8
i
avec : zi : la charge de chaque élément de la solution

Ci : la concentration de chaque élément (mol/m3)
ui : la mobilité de chaque ion considéré (m²/s.V)
F : un faraday (96 500 coulombs).
Si la solution aqueuse considérée est un rinçage sur une chaîne de traitement de surface, cette
équation théorique peut être réécrite de façon à faire apparaître les deux composantes principales
de la solution qui sont l’eau brute (en général de l’eau industrielle) alimentant le rinçage et le bain
de traitement entraîné, comme indiqué par l’Eq. 9.
 rinçage  F   zi Ci u i  F   z j C j u j Eq. 9
i j
où : i représente les éléments apportés par le bain
j les éléments apportés par l’eau brute
65
Lors du processus de rinçage, l’entraînement apporte de la solution de bain de traitement qui est
diluée dans l’eau de rinçage. Le volume de liquide apporté dans le rinçage par entraînement est par
nature toujours négligeable par rapport au volume du rinçage. Les concentrations dans le rinçage
en éléments apportés par l’eau brute alimentant le rinçage ne sont par conséquent pas influencées
par l’entraînement. De plus, d’après la définition du rapport de dilution (voir 1ère Partie, § IV-1-ii),
les concentrations dans le rinçage des éléments apportés par la solution de bain entraînée peuvent
être écrites comme le rapport de leurs concentrations dans le bain sur le rapport de dilution. L’Eq.
9 peut par conséquent s’écrire sous la forme Eq. 10, indiquant que la mesure de conductivité dans
un rinçage est inversement proportionnelle à son rapport de dilution.
 bain
 rinçage    eau Eq. 10
Rd
Afin de vérifier si ce modèle théorique est extrapolable aux conditions industrielles, c’est à dire
pour des solutions complexes, nous avons effectué des mesures de conductivité () en fonction de
l’inverse du rapport de dilution (Rd) sur plusieurs bains d’une chaîne de traitement en continu de
EDC, [Bonnet 04].
Cette expérience a été menée sur les six bains composant une chaîne d’argenture. Il s’agissait de
trois bains de prétraitement et trois bains de dépôt. Le même protocole de manipulation a été suivi
pour les six bains : une quantité suffisante de solution de bain a été prélevée directement dans la
cuve de traitement, puis diluée pour former cinq échantillons de Rd connu (10, 100, 1 000, 5 000 et
10 000). Les mesures de conductivité ont été effectuées sans délai. Pour une cohérence maximale
entre ces manipulations et le fonctionnement réel de la chaîne de traitement, les conditions
opératoires ont été maintenues les plus proches possibles de la situation normale de production.
Ainsi, l’eau qui a été utilisée pour effectuer les dilutions est l’eau brute qui alimente les rinçages
des six postes de traitement. Elle provient de sources avoisinantes et est ferrugineuse par nature.
Tableau 5 : Mesures de conductivité en fonction du rapport de dilution

 (mS/cm)  (mS/cm)  (mS/cm)
C 1 Pré- Pré- Pré-  (mS/cm)  (mS/cm)  (mS/cm)
Rd  B
CR Rd traitement traitement traitement Dépôt A Dépôt B Dépôt C
1 2 3
Bain 1 1 254 165,4 29,8 58 262 262
Dilution 1 10 0,1 33,4 18,68 22,4 12,48 34,2 44,5
Dilution 2 100 0,01 3,44 2,26 3,84 2,13 3,72 5,54
Dilution 3 1 000 0,001 0,348 0,22 0,445 0,485 0,418 0,736
Dilution 4 5 000 0,002 0,225 0,212 0,254 0,266 0,229 0,312
Dilution 5 10 000 0,0001 0,218 0,206 0,23 0,233 0,214 0,253
Eau brute  0 0,208 0,224 0,218 0,217 0,208 0,225
66
A partir des données expérimentales présentées dans le Tableau 5, nous avons déterminé pour
chacun des bains de la chaîne de traitement une courbe étalon de la conductivité en fonction de
l’inverse du rapport de dilution par interpolation linéaire. La technique d’interpolation la plus
couramment appliquée, notamment par les logiciels Excel® et Matlab®, est celle des moindres
carrés, c’est donc celle que nous avons utilisée en premier lieu. Le résultat obtenu pour le bain de
dépôt B est présenté en Figure 20.
NB : La représentation en échelle logarithmique permet une meilleure visualisation des faibles

concentrations.
Figure 20 : Interpolation linéaire des mesures de conductivité en fonction de l’inverse du rapport de dilution
par la méthode des moindres carrés (bain de dépôt B)
Mais les résultats d’interpolation linéaire par la méthode des moindres carrés n’étaient pas tous
satisfaisants. En effet, cette technique a tendance à minimiser le poids des points de valeurs faibles
et à amplifier celui des points de valeur forte. Dans le cas qui nous intéresse, les points de mesures
sont placés à intervalles logarithmiques, les grandes dilutions (faibles concentrations) sont
négligées par la méthode. Le résultat obtenu par la technique des moindres carrés revient alors à
déterminer la droite de régression entre les deux points de mesure dont l’abscisse est la plus élevée,
comme le montre la Figure 21 sur l’exemple du bain de prétraitement 3.
67
Figure 21 : Interpolation linéaire non satisfaisante par la méthode des moindres carrés
(prétraitement 3)
Pour obtenir des résultats plus cohérents et plus fiables, nous permettant de valider de façon
claire l’hypothèse de relation linéaire entre la conductivité et l’inverse du rapport de dilution, nous
avons mis en œuvre une méthode d’interpolation qui prend en compte la disposition logarithmique
des points de mesure. Cette méthode consiste à minimiser l’écart quadratique entre les logarithmes
décimaux des points expérimentaux et de leur interpolation, Eq. 11. Le critère quadratique QLog
représente la distance entre le logarithme décimal des points de mesure et le logarithme décimal du
modèle interpolé donc il caractérise la qualité de l’approximation de la conductivité en fonction de
l’inverse du rapport de dilution par l’interpolation.
Q Log   Log( mesuré )  Log(  calculé ) 

2
Eq. 11
En prenant comme point de départ les coefficients (pente et ordonnée à l’origine) de

l’interpolation linéaire obtenue par la méthode des moindres carrés, nous avons lancé une
recherche des coefficients qui permettent de minimiser le critère quadratique logarithmique (QLog)
par la méthode du simplex selon Nelder & Mead [Nelder 64] (décrite en 3 ème Partie, § II-1-ii de ce
mémoire). Le cheminement de cette recherche est présenté en Figure 22 (vue en trois dimensions)
et Figure 23 (projection en plane). Le Tableau 6 récapitule les critères QLog obtenus pour chaque
bain de la chaîne selon la méthode de détermination des coefficients de l’interpolation linéaire.
68
Figure 22 : Recherche par la méthode du simplex des coefficient optimaux de l’interpolation linéaire
(prétraitement 3)
Résultat par la méthode

des moindres carrés
Résultat par la minimisation

du critère QLog
Figure 23 : Projection plane du cheminement du simplex pour la recherche des coefficients optimaux
pour l’interpolation linéaire (prétraitement 3)
Résultat par méthode

des moindres carrés
Courbes isocritères calculées
Résultat par minimisation

du critère QLog
69
Tableau 6 : Valeur de QLog (100) en fonction de la méthode d’interpolation linéaire utilisée
Prétraitement Prétraitement Prétraitement

QLog (100) 1 2 3
Dépôt A Dépôt B Dépôt C
Moindres carrés 6 6,7 40,6 17,7 1,4 19
Simplex 2,7 5,8 2,25 3 1,2 0,4
Le Tableau 6 montre qu’il existe une amélioration systématique de la qualité de l’approximation

par interpolation linéaire grâce à la méthode de minimisation du critère QLog. Par exemple, pour le
bain de prétraitement 3, le critère QLog est amélioré de près de 95%.
La Figure 24 présente les résultats, en échelle logarithmique, des deux méthodes d’interpolation
pour le bain de prétraitement 3, les autres résultats sont reportés en Annexe 5. Ces résultats
permettent de valider l’hypothèse qu’il existe une relation linéaire qui relie la mesure de la
conductivité dans un rinçage à son rapport de dilution. De plus, dans chaque cas, l’ordonnée à
l’origine de l’interpolation linéaire est proche de la mesure de la conductivité de l’eau brute, et la
pente est du même ordre de grandeur que la conductivité du bain, ce qui confirme qu’il est possible
d’extrapoler le modèle théorique (Eq. 10) aux conditions industrielles.
Figure 24 : Interpolation linéaire des mesures de conductivité en fonction de l’inverse du rapport de dilution
par minimisation du critère quadratique logarithmique (bain de prétraitement 3)
70
II-1-ii Constitution d’un abaque de dilution
Les interpolations linéaires de la conductivité en fonction de l’inverse du rapport de dilution

(Figure 24) peuvent servir d’une part à évaluer l’efficacité et la qualité du rinçage de façon
ponctuelle par lecture graphique, et d’autre part à l’asservissement de la commande d’alimentation
en eau.
Afin de faciliter l’utilisation des résultats d’interpolation en conditions industrielles, il peut être
utile de les récapituler sous la forme d’un abaque spécifique à chaque chaîne de traitement. La
Figure 25 présente un exemple de présentation qui permet une lecture graphique rapide du rapport
de dilution d’un rinçage lorsque les mesures de conductivité dans le rinçage et de l’eau brute sont
connues. Le Tableau 7 présente des exemples de valeurs de Rd attendues en fonction du type de
traitement qui précède le rinçage [MATE 85].
Figure 25 : Abaque obtenu à partir des mesures de conductivité en fonction de l’inverse du rapport de dilution
Tableau 7 : Fourchettes de rapport de dilution acceptable en fonction des opérations de traitement de surface
Opération de traitement Rd
Préparation de surface (dégraissage, décapage, etc.) 500 à 5 000
Après passivation 1 000 à 2 000
Après les bains de phosphatation, d’oxydation anodique de l’aluminium, etc. 2 000 à 5 000
Entre les différents bains de dépôt multicouche(s) 5 000 à 10 000
Après la plupart des bains de dépôt 5 000 à 10 000
71
II-1-iii Mesure en continu de la conductivité
Pour acquérir des données sur la dynamique de la concentration en polluants dans les rinçages
cascade en continu, la mesure de conductivité apparaît d’après le paragraphe précédent comme une
technique à la fois efficace et simple à mettre en œuvre.
Le principe est de mesurer en parallèle la conductivité dans les rétentions des deux étages d’un
rinçage cascade. L’alimentation en eau est coupée à un instant t0 et l’on suit l’évolution de la
concentration dans les deux compartiments du rinçage en fonction de la surface de feuillard qui les
traverse (celle-ci dépend du profil et de la vitesse de défilement).
Mais les chaînes de traitement de surface chez EDC ne sont pas toutes équipées en
conductimètres fixes. Pour ces cas nous avons donc mis en place un système portatif de mesure. Il
est constitué de deux multimètres (Multi 340i® WTW™) équipés de cellules de conductivité
(Tetracon 325®). Les deux multimètres sont connectés à un ordinateur portable par le port RS232.
La Figure 26 montre l’exemple des données obtenues pour la fonction de rinçage après cuivrage.
Figure 26 : Exemple de mesures de conductivité (S/cm) dans un rinçage cascade en continu
Rinçage cascade après bain de dépôt B

1800
1600
1400
1200
Conductivité (S/cm)
1000
1er compartiment
800 2ème compartiment
600
400
200
0
0 1 2 3 4 5 6
temps (mn)
72
II-1-iv Evolution de la conductivité dans le rinçage
Le paramètre le plus important pour caractériser le transfert de polluants vers un rinçage est
l’entraînement (e). Il est défini comme la quantité de liquide qui est transportée par la pièce d’une
cuve à l’autre. Il peut être exprimé soit par unité de temps (pour les rinçages en continu
principalement) en L.h-1, soit en fonction de la surface de pièces traitées (pour les rinçages de
tonneaux) en L.m-2.
Les rinçages dans le cas de traitement en tonneau ou à l’accroche ont été largement étudiés et de
nombreuses connaissances sur le sujet sont disponibles, [Mohler 82], [Kushner 94], [Laforest 99].
Par contre il existe peu de littérature concernant les rinçages en continu. Afin de déterminer la
dynamique du transfert de pollution vers les rinçages en continu, nous avons mis en œuvre, sur les
rinçages d’une chaîne d’argenture chez EDC, une série d’expériences dont l’objectif est de
caractériser l’entraînement. Nous avons coupé l’alimentation en eau brute de chaque rinçage de la
chaîne de façon à les mettre en condition de rinçage mort, de telle sorte que la seule perturbation
intervenant soit due à l’entraînement, [Mohler 82]. Nous avons mesuré en continu l’évolution de la
conductivité dans chaque rinçage ainsi isolé. La Figure 27 présente l’exemple de données
observées dans le rinçage après cuivrage lors de cette expérience (l’alimentation a été coupée en A
et rétablie en B).
Figure 27 : Evolution de la conductivité dans un rinçage en continu

Rinçage cascade après bain de dépôt B (compartiment 1)
4
3,8 Alimentation Alimentation Alimentation

ouverte fermée ouverte
3,6
3,4
Conductivité (mS/cm)
3,2
B
3
2,8
A
2,6
2,4
2,2
2
0 4 9 13 17 21 26 30
Temps (mn)
73
La Figure 27 montre que la conductivité du rinçage après cuivrage est stable autour de 3 mS.cm -1
jusqu’à ce que l’alimentation en eau soit fermée. La conductivité se met alors à augmenter,
traduisant une accumulation de polluant dans le rinçage. A la réouverture de l’alimentation en eau,
la conductivité décroît lentement car l’excès de pollution est évacué par débordement vers le réseau
de collecte.
Grâce aux modèles d’interpolation linéaire présentés précédemment, il est possible de calculer
l’évolution du rapport de dilution en fonction du temps à partir des mesures en continu de
conductivité.
II-1-v Principe de calcul de l’entraînement
L’entraînement intervenant entre deux cuves données, pour une gamme de traitement donnée, est
constant. L’entraînement e dans les processus de traitement de surface en paniers peut être exprimé
en fonction de la concentration du bain précédent le rinçage (CB), les concentrations initiale et
instantanée du rinçage (CR0 et CR) le volume du rinçage (V) et la surface de pièce immergée (S),
Eq. 12, [Laforest 99].
CR  CR 0
e V Eq. 12
S  CB
En extrapolant ce modèle valable pour les rinçages discontinus aux rinçages en continu, nous
avons émis l’hypothèse que l’entraînement dans un rinçage en continu est proportionnel à la
surface de feuillard qui le traverse.
La section (Ls) d’un feuillard étant la même sur toute la longueur de la bande, l’entraînement est
alors proportionnel à la longueur (L) de feuillard qui a traversé le rinçage.
La longueur de feuillard qui traverse une cuve de rinçage est fonction de la vitesse (v) de
défilement de la bande. Par conséquent, L est variable en fonction du temps. Par contre, e est
constant en fonction de L car tous les paramètres influençant l’entraînement son homogènes pour
tout le feuillard. Afin de s’acquitter de l’effet de la vitesse du défilement sur le transfert de
pollution, il faut ramener les données expérimentales à une fonction de la longueur qui a traversé le
rinçage dans l’intervalle de temps dt telle que L = v  dt.
L’équation Eq. 12 conduit donc à définir l’entraînement des processus en continu en fonction des
rapports de dilution (initial Rd0 et instantané Rd) du rinçage consitéré, Eq. 13.
 1 1 
  
Rd Rd 0
e V Eq. 13
Ls  L
74
La figure Figure 28 est un exemple de représentation des mesures de conductivité enregistrées

lors d’une expérience en rinçage mort (alimentation du rinçage courant coupée entre A et B) sous
1
la forme  f (L) . L’équation Eq. 13 montre que la pente de la droite obtenue est égale à
Rd
e  Ls
 12,5  10 6 .
V
Figure 28 : Evolution du rapport de dilution en fonction de la longueur défilée, en conditions de rinçage mort
Rinçage cascade après cuivrage (compartiment 1)
0,015
0,014
0,013
1/Rd
0,012
0,011
A B
0,01
0 20 40 60 80 100 120 140 160 180
L (m)
II-1-vi Problèmes rencontrés à la mise en œuvre des mesures de conductivité
Système fixe de mesure en continu
Sur les chaînes de traitement équipées de matériel fixe de mesure en continu de la conductivité, il
est important de veiller à ce que les consignes d’installation du constructeur soient bien suivies.
Par exemple : « Le choix des câbles est très important. […] Concernant leur installation, ils
devront être séparés des câbles de puissance d’une distance d’au moins 20 cm et seront installés
dans une goulotte spécifique. En cas de croisement avec des câbles de puissance, il est
recommandé de les faire se croiser à angle droit afin de limiter au maximum les perturbations »,
[Bamo 01].
75
Or il s’est avéré que chez EDC certains câbles conduisant le signal des sondes vers le
conductimètre ont été installés par erreur dans les goulottes contenant les câbles d’alimentation des
cannes chauffantes des bains. Dans ces circonstances, le signal émis par les sondes est fortement
perturbé par le champ électromagnétique au passage dans les gaines, les mesures fournies par le
conductimètre sont alors aberrantes (valeur fixe à 0 ou hors gamme).
Système portatif de mesure en continu
Le montage de mesure portatif aussi présente de nombreuses difficultés et limitations. Dans un

premier temps, nous avons branché l’ordinateur portable sur le secteur afin d’effectuer des mesures
sur une durée importante. Mais l’isolation insuffisante des boîtiers des multimètres ainsi que de
l’ordinateur permet des retours et/ou fuites de courant vers le secteur. Ce phénomène perturbe les
mesures de façon importante. Le montage a donc été isolé du secteur en faisant fonctionner les
appareils uniquement sur leur batterie respective, la durée des expériences devant alors être
écourtée.
De plus, il s’est avéré que lorsque les deux multimètres sont connectés au même ordinateur,
même si celui-ci est isolé du secteur, les sondes se perturbent entre elles. Il semble qu’un circuit se
forme à travers la cuve de rinçage d’une part et l’ordinateur d’autre part. La solution utilisée pour
pallier à ce problème est de connecter chacun des multimètres à un ordinateur portable isolé, afin
qu’aucune boucle de courant ne puisse se former.
La mesure de conductivité est manifestement une technique pratique pour l’acquisition de

données sur la dynamique des rinçages, elle nécessite néanmoins de nombreuses précautions lors
de sa mise en œuvre, particulièrement en ce qui concerne l’isolation électrique de l’ensemble du
montage.
II-2 Les mesures de pH
La mesure pH est une mesure potentiométrique, c'est-à-dire que la différence de potentiel entre
une électrode de référence et une électrode de mesure, immergées dans une même solution, est
traduite par le pH-mètre en une valeur de pH.
Cette valeur expérimentale ne peut pas être considérée comme une valeur vraie car elle est par
nature entachée d’une incertitude. Pour la simulation, il est important d’avoir des bases de données
fiables, c’est pourquoi il est nécessaire de spécifier et d’évaluer l’erreur susceptible de s’appliquer
à toute mesure expérimentale. En ce qui concerne la mesure pH, plusieurs causes interviennent
76
dans l’erreur de mesure. Nous avons plus particulièrement étudié la précision, l’erreur due à la
calibration et le comportement de la sonde en réponse à une à une modification du pH du milieu.
Les appareils utilisés sont des multimètres Multi 340i® WTW™ équipés de sondes pH Sentix
41-3®. Ces sondes sont des électrodes combinées (électrode de référence et électrode de mesure) à
électrolyte gélifié.
II-2-i Précision de la mesure de pH
La précision de mesure traduit la qualité de l’estimation de la valeur du pH donnée par le pH-

mètre, par rapport à sa valeur théorique. Les caractéristiques commerciales du Multi 340i ®
WTW™ données par le constructeur indiquent une précision de 0,01 sur la mesure pH.
Afin de vérifier la fiabilité de cette donnée, nous avons effectué une série de cinquante mesures
sur une solution tampon pH 4. Les résultats présentés sur la Figure 29 montrent que la mesure a
une répartition plutôt gaussienne autour de la valeur cible, avec un écart type de 0,015 environ
correspondant à un intervalle de confiance à 95% de pH  0,03, soit trois fois plus grand que la
précision annoncée par le constructeur. Cette expérience a été réitérée sur une solution tampon pH
10. Les résultats sont similaires avec un intervalle de confiance à 95% inférieur à 0,05 unité pH.
Figure 29 : Estimation de la précision de mesure des sondes pH Sentix 41-3
Nous avons utilisé une sonde neuve afin que les résultats ne soient pas biaisés par l’usure ou
l’encrassement de la sonde. Néanmoins, nous pouvons raisonnablement considérer que la précision
observée en conditions de laboratoire est meilleure que celle qui serait obtenue avec des sondes
industrielles en conditions normales de fonctionnement.
77
II-2-ii Erreur due à la calibration
La calibration d’un pH-mètre consiste à associer une valeur de pH connue à une différence de
potentiel mesurée. Elle s’effectue grâce à des solutions tampon dont le pH est connu et supposé
stable. Le pH étant en théorie une fonction linéaire de la différence de potentiel, l’appareil utilise
ensuite la pente de Nernst (59,2 mV/pH à 25°C) pour extrapoler les mesures, Figure 30, [WTW
02].
Figure 30 : Effet de la calibration du Multi 340i® WTW™ sur la mesure pH
400
Calibration avec tampon pH 4 Point de référence pH 4

ddp = -59,2pH + 387,42
300
Calibration avec tampon pH 10 Point de référence pH 10
ddp = -59,2pH + 415,47
200
Différence de potentiel (mV)
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13
-100
-200
-300
-400
pH
Afin de minimiser l’erreur sur la mesure due à la calibration, le tampon servant à calibrer le pH-
mètre doit être choisi en fonction de la plage où l’on envisage de faire des mesures. En effet, la
pente de Nernst utilisée pour l’extrapolation est une valeur théorique donnée pour des conditions
standard (de température, de pression, etc.).
En environnement industriel, les conditions sont variables et ne peuvent pas être déterminées
facilement, la pente de Nernst constitue alors une approximation acceptable au voisinage du point
de référence.
L’écart relatif sur la mesure résultant de l’erreur sur la pente sera d’autant plus grand si la valeur
cherchée est éloignée du point de référence que constitue la calibration. D’après la Figure 30 cet
écart peut atteindre 0,5 unité pH.
78
Selon les données constructeur [WTW 02], il est possible de calibrer le Multi 340i ® avec deux
solutions de référence. Dans ce cas le multimètre calcule une pente qui tient compte des conditions
expérimentales. En potentiométrie, pour avoir une calibration deux points satisfaisante, il est
déconseillé de dépasser un rapport de 100 en concentration (soit deux unités pH) entre les des
solutions de référence utilisées. Les solutions tampons disponibles pour le Multi 340i® étant pH 4,
pH 7 et pH 10, la calibration deux points n’est jamais suffisamment fiable.
II-2-iii Comportement d’une sonde pH
Expérience
Une sonde pH Sentix 41-3® (calibrée à pH 7) est trempée successivement dans des solutions à
pH différents :
 Eau brute (pH 7,5),
 Tampon pH 4,
 Tampon pH 10.
La sonde est rincée à l’eau distillée et séchée à chaque changement de solution. Le séchage des
électrodes se traduit par l’enregistrement de quelques valeurs aberrantes dues à la mise à l’air des
électrodes. La Figure 31 présente les données collectées par le pH-mètre.
Figure 31 : Test de réponse d’une sonde pH (Sentix 41-3)
11
Rinçage
10
signal
réponse pHmètre
9
Rinçage
8
pH
6
Rinçage
Rinçage
3
00' 00'' 00' 20'' 00' 40'' 01' 00'' 01' 20'' 01' 40'' 02' 00'' 02' 20'' 02' 40'' 03' 00'' 03' 20'' 03' 40'' 04' 00''
durée
79
Analyse du comportement de la sonde pH
Le passage de la sonde d’une solution à une autre de pH très différent correspond à un

changement de signal de type échelon. D’après la Figure 31, on peut considérer qu’un tel signal
provoque une réponse de premier ordre de la part de la sonde pH.
Pour la modélisation, la mesure du pH peut donc être représentée par un modèle d’ordre 1 (voir
Partie III, § I-4-ii) dont il est nécessaire de déterminer les caractéristiques : la constante de temps ,
le gain G et le retard pur Td, [Landau 93].
Le retard pur Td correspond au temps de latence qui précède la réponse de la sonde après son
immersion dans une nouvelle solution.
Le gain G caractérise l’amplification ou affaiblissement du signal par le système de mesure

(idéalement G=1).
La constante de temps  est définie telle que 3 représente le laps de temps que met la sonde pour
atteindre 95% de la réponse attendue (temps de réponse).
La Figure 32 montre le détail du comportement de la sonde pH lorsqu’elle est déplacée de l’eau

vers la solution tampon à pH 4. La Figure 33 montre le détail correspondant à la transition vers la
solution à pH 10. Il apparaît sur ces figures que le temps de réponse de la sonde pH n’est pas le
même mais n’excède pas 10 secondes (respectivement 9,5 secondes pour la solution pH 4 et 4
secondes pour la solution pH 10).
L’instabilité des valeurs de  est peut être liée à la technique de mesure pH qu’utilise la sonde
(migration de charges à travers un électrolyte gélifié pour parvenir à la détection d’une différence
de potentiel), ainsi qu’à la non-linéarité du comportement dynamique de la sonde, différent en
milieu acide et basique.
Sondes industrielles
Deux sondes industrielles ont été trempées successivement dans une solution acide (à pH 4) et
dans une solution basique (pH 9,5). Le temps nécessaire à la stabilisation de la mesure, qui peut
être considéré comme approximation du temps de réponse de la sonde, a été observé dans les
différents cas. Cette expérience donne une estimation du temps de réponse (à 95%) entre 20 et 34
secondes, d’où une estimation de  pouir les sondes industrielles entre 7s et 11 s.
80
Figure 32 : Estimation du temps de réponse d’une sonde pH (Sentix 41-3) plongée dans un tampon pH 4
8
6
pH
95%
2
0'' 1'' 2'' 3'' 4'' 5'' 6'' 7'' 8'' 9'' 10'' 11'' 12'' 13'' 14'' 15''
durée (secondes)
Figure 33 : Estimation du temps de réponse d’une sonde pH (Sentix 41-3) plongée dans un tampon pH 10
12
11
95%
10
pH
6
0'' 1'' 2'' 3'' 4'' 5'' 6'' 7'' 8'' 9'' 10''
durée (secondes)
81
II-2-iv Récapitulatif des données sur la mesure du pH
L’analyse de la dynamique de la mesure du pH montre que l’incidence du comportement du

système de mesure sur la représentation d’un système chimique réel est non négligeable. Les
données de supervision sur lesquelles sont basées nos simulations étant des mesures, il est
important d’intégrer ce principe dans nos modèles.
Ainsi, les expériences menées sur la mesure du pH nous ont permis de déterminer les paramètres
suivants :
 L’incertitude sur la valeur d’une mesure pH est au mieux sur le chiffre des centièmes
(théorie).
 La calibration doit être effectuée dans le domaine des mesures attendues (ce que nous
avons pu vérifier chez nos partenaires industriels). Sinon les erreurs de mesure peuvent
atteindre 0,5 unité pH.
 La réponse de la sonde suit un modèle d’ordre 1 avec un retard pur quasiment nul, un
gain voisin de 1 et un temps de réponse allant de 4 à 9,5 s pour une sonde de laboratoire
et jusquà plus de 30 s poue une sonde industrielle.
82
II-3 Dynamique de décomposition du peroxyde d’hydrogène (H2O2)
La décyanuration chez EDC est effectuée par ajout de peroxyde d’hydrogène comme réactif
d’oxydation (voir Partie 1 § IV-2-ii), or c’est un composé très instable qui a tendance à se dissocier
naturellement, libérant de l’eau et de l’oxygène gazeux. Cette dissociation est accélérée en
présence d’ions de métaux lourds (fer, cuivre, nickel, zinc, manganèse, chrome, etc.) ou de leurs
oxydes ou hydroxydes, [www.sfc.fr]. Ces composés sont présents dans les effluents issus du
traitement de surface donc, dans une cuve de décyanuration, du peroxyde peut être consommé
indépendamment de la réaction d’oxydation des cyanures.
Afin de pouvoir tenir compte de ce phénomène dans la modélisation, nous avons effectué
plusieurs expériences pour déterminer le comportement du peroxyde d’hydrogène dans les cas
suivants :
 En l’absence de cyanures mais en présence de cations métalliques,
 En présence de cyanures mais sans apport d’effluent (conditions de “batch”),
 En conditions de fonctionnement normal (cuve alimentée en continu par les effluents
alcalins cyanurés).
Le matériel utilisé pour le suivi de la concentration en peroxyde d’hydrogène est du type

Dulcometer® D1C de Prominent™, équipé d’une sonde Perox®. La plage de mesures qui est
programmée chez EDC est [10 mg/L ; 200 mg/L]. Pour les valeurs comprises dans cette gamme, la
précision donnée par le constructeur est de 2%. Quant aux valeurs en dehors de la gamme, elles
doivent être considérées avec précaution car leur incertitude est inconnue, [Prominent 97].
Afin de déterminer le temps de réponse de la sonde utilisée, nous avons effectué une expérience
équivalente à celle décrite plus haut pour la sonde pH (§ II-2-iii). La sonde a été immergée dans
une solution fortement concentrée en peroxyde d’hydrogène (35% w/w soit 11,63 moles de H 2O2
par litre de solution), puis dans une solution ne contenant pas de peroxyde.
Les valeurs de concentration en peroxyde d’hydrogène supérieures à 200 ppm ne sont pas
affichables avec les équipements en place, par conséquent le temps de réponse de la sonde
lorsqu’elle est immergée dans une solution concentrée (supérieure à 0,2 g/L) n’a pas pu être évalué.
Néanmoins, l’exemple de la sonde pH vu précédemment indique que les temps de réponse de
sondes en mesures potentiométriques sont plus longs vers les faibles concentrations.
La manipulation a été renouvelée trois fois et la constante de temps du système de premier ordre
a de cette façon été évaluée à environ 1 minute, d’où un temps de réponse de 3 minutes, Figure 34.
83
Figure 34 : Estimation du temps de réponse d’une sonde à peroxyde d’hydrogène (Perox ®)

250
200
150
[H2O2] en ppm
100
50
95%
0
00:00 01:00 02:00 03:00 04:00 05:00 06:00 07:00
durée (minutes)
II-3-i Décroissance de la concentration en H2O2 en l’absence de cyanures
Dans une cuve isolée de 10 m3 contenant des effluents alcalins décyanurés, nous avons tout
d’abord éliminé tous les cyanures restant en apportant un excès significatif de peroxyde
d’hydrogène en versant environ 5,5 litres (un seau) d’une solution de H2O2 35% w/w12. Après un
temps suffisamment long (1 heure) nous considérons que tous les cyanures ont été oxydés.
Puis nous avons à nouveau injecté de la solution de peroxyde d’hydrogène de façon à atteindre
une concentration importante de peroxyde. La sonde de mesure de la concentration du peroxyde
d’hydrogène connectée à l’ordinateur de supervision a été installée à mi chemin entre le vortex dû
à l’agitation et la paroi de la cuve et à 1 mètre de profondeur (soit à mi-hauteur du liquide environ).
Cette manipulation a été menée deux fois, le 17 février 2003 et le 11 juin 2003. Les volumes de
peroxyde d’hydrogène versés étaient respectivement de 0,4 L le 17 février 2003 et 12 L le 11 juin
2003. L’évolution de la concentration en peroxyde d’hydrogène dans le réacteur au cours de ces
deux expériences a été archivée par le logiciel de supervision sous forme de bases de données. Ces
résultats sont présentés en Figure 35 ( a expérience du 17 février et b expérience du 11 juin).
12
La concentration en cyanures libres en entrée de station dépasse rarement 100 ppm. La cuve considérée est située
après l’étape de décyanuration. La concentration en cyanures libres dans cette cuve est par conséquent très inférieure à
100 ppm, ce qui correspond à une quantité de CN- libres dans le réacteur (10 m3) très inférieure à 38 moles. Un volume
de 5,5 L de solution de peroxyde d’hydrogène à 35% apporte 64 moles de H 2O2, soit un excès significatif.
84
Figure 35 : Suivi de la décomposition du peroxyde d’hydrogène en l’absence de cyanures

(expériences du 17 février et du 11 juin 2003)
a
Modèle
d’ordre 1
[H2O2]
Injection de 0,4 L de solution

de H2O2 35% w/w
[H2O2]
Modèle
d’ordre 1
Injection de 12 L de solution
de H2O2 35% w/w 85
Une analyse visuelle de l’évolution de la concentration en peroxyde d’hydrogène en fonction du

temps permet d’envisager que la réaction de décomposition, Eq. 14, suit une cinétique d’ordre 1
(décroissance exponentielle). Elle peut donc être représentée par un modèle comportemental de
premier ordre, qui est détaillé en Partie III, § I-4-i.
2 H2O2 (aq) → 2 H2O (l) + O2 (g) Eq. 14
L’identification par un modèle de premier des données expérimentales, Figure 35, fait apparaître
que la constante de temps  du système d’ordre 1 (voir III, § I-4-i) est de l’ordre de 30 minutes. La
valeur de [H2O2]finale est définie comme la concentration en peroxyde d’hydrogène à t infini. Elle
est fixée égale à la concentration présente avant l’injection manuelle de l’excès de peroxyde
d’hydrogène.
Remarque : Lors de l’expérience du 11 juin 2003, le volume de peroxyde d’hydrogène 35% w/w
qui a été versé conduit à un pic de concentration de 350 ppm (valeur relevée sur l’afficheur du
système de mesure). Or le système d’archivage des données n’enregistre pas les valeurs
supérieures à 200 ppm (valeur figée), ce qui se traduit sur le graphique par un plateau à 200 ppm
d’une vingtaine de minutes, jusqu’à ce que la concentration mesurée passe en dessous de cette
limite.
II-3-ii Décroissance de la concentration en H2O2 en présence de cyanures
Il s’agit d’étudier la décroissance de la concentration en peroxyde d’hydrogène en présence de

cyanures mais sans entrée d’effluents dans la cuve de décyanuration. Le contenu de la cuve n’est
alors pas renouvelé et ne surverse pas vers la cuve suivante, le processus se trouve alors dans des
conditions assimilables à un mode “batch”.
Pour étudier ce cas de figure, nous avons utilisé les archives de supervision de EDC. Nous avons
sélectionné plusieurs journées présentant un arrêt simultané des deux pompes de relevages des
effluents alcalins cyanurés alimentant la décyanuration pendant un laps de temps significatif
(supérieur à 30 minutes). Un exemple est présenté en Figure 36. Les autres données sélectionnées
sont en Annexe 6.
86
Figure 36 : Suivi de la décomposition de peroxyde d’hydrogène en présence de cyanures.
[H2O2]
Modèle
d’ordre 1
Les courbes en créneaux P au pied de la Figure 36 représentent le fonctionnement des pompes

de relevage des effluents alcalins de la manière suivante :
 Niveau 0 : Aucune pompe en fonctionnement ;
 Niveau intermédiaire : Une pompe en marche, la seconde arrêtée ;
 Niveau maximal : Les deux pompes en fonctionnement.
Les deux pompes de relevage sont restées éteintes pendant près de 85 minutes (entre les abscisses
425 min et 610 min), pendant ce temps les effluents de la cuve n’ont donc pas été renouvelés. De
plus, une grande quantité de peroxyde d’hydrogène a été injectée (manuellement ou
automatiquement), vraisemblablement à cause d’une panne de communication avec l’automate ou
d’une manipulation de la sonde hors de la solution, lors d’une maintenance par exemple, (abscisse
480 min). La teneur en peroxyde d’hydrogène a eu une décroissance exponentielle pendant près
d’une heure sans nouvelle injection du réactif (zone encadrée). Il n’y a donc eu aucune entrée de
cyanures, de peroxyde ou d’ions métalliques et le système a évolué en mode batch isolé pendant 1
heure
87
L’application d’un modèle linéaire de premier ordre apparaît là encore satisfaisante, Figure 36.
Les constantes de temps identifiées varient en fonction des concentrations en ions cyanures et
cuivre initiales. Elles vont de  ~ 40 minutes (absence de cyanures et autodissociation du peroxyde
d’hydrogène lente à cause d’une teneur en cuivre ionique faible) à  < 10 minutes (oxydation
rapide des cyanures grâce à une forte activité catalytique), Annexe 7.
II-3-iii Décroissance de la concentration en H2O2 en flux continu d’effluent
Une expérience a été menée le 8 avril 2004 afin de suivre l’évolution de la concentration en
peroxyde d’hydrogène après injection d’un excès de peroxyde dans une cuve de décyanuration en
fonctionnement normal, c'est-à-dire avec au moins une pompe de relevage en marche. L’injection
automatique de peroxyde de régulation a été stoppée et nous avons versé manuellement trois fois
de suite un volume suffisant de peroxyde d’hydrogène à 35% pour que la décroissance de la
concentration en peroxyde d’hydrogène dans le réacteur puisse être observée.
La concentration en peroxyde d’hydrogène maximale mesurable par le système de mesure en

place chez EDC est de 200 ppm, soit 0,2 g/L. Pour atteindre cette valeur dans la cuve de 8m3 il faut
en théorie apporter 1,6 kg de H2O2. La densité d’une solution de H2O2 35% w/w à 20°C est égale à
1,13 ; elle contient donc 395,5 g/L de H2O2. Par conséquent, 4,04 L de solution de peroxyde
d’hydrogène 35% sont nécessaires pour apporter les 1,6 kg de H2O2 permettant de saturer le
système de mesure. Nous avons donc versé à chaque essai un seau d’environ 5 L de solution de
H2O2 35% w/w.
La Figure 37 présente les données acquises lors de cette expérience. L’application d’un modèle
linéaire de premier ordre permet de calculer une constante de temps  de l’ordre de 6 minutes, soit
la valeur la plus faible rencontrée. Elle résulte de l’effet simultané de l’oxydation des cyanures, de
l’autodissociation du peroxyde d’hydrogène catalysée par les cations métalliques et de
l’entraînement du peroxyde d’hydrogène vers l’aval donc sa dilution par les effluents entrants dans
la cuve observée.
88
Figure 37 : Suivi de la décroissance de la teneur en peroxyde d’hydrogène en fonctionnement normal
Les différentes expériences et analyses qui ont été effectuées nous ont permis de compléter nos
connaissances concernant la dynamique de dissociation du peroxyde d’hydrogène au contact
d’effluents réels. Nous avons pu déterminer un type de modèle comportemental utilisable pour
simuler ce phénomène, ainsi qu’établir des bases de données pour paramétrer le modèle (voir
Partie III, § I-4-i).
II-4 Bilan
Les expériences que nous avons menées sur site nous ont permis de collecter de nombreuses
connaissances supplémentaires, complétant les bases de mesures de supervision. Elles contribuent
à établir des modèles cohérents avec les réalités industrielles.
Ces connaissances concernent particulièrement la technique d’évaluation du rapport de dilution

d’un rinçage par mesure de conductivité, le comportement d’un système de mesure du pH et la
dynamique de la dissociation du peroxyde d’hydrogène en décyanuration. Elles permettent, comme
les données de supervision, de comparer les résultats de la simulation à des données réelles.
89
CHAPITRE III : EXEMPLES D’UTILISATIONS NON OPTIMALES ET DE

DYSFONCTIONNEMENTS
III-1 Les rinçages
III-1-i Utilisation non optimale des rinçages
Rinçages cascades chez TST
Les fonctions de rinçage les plus couramment utilisées en traitement de surface sont de type
rinçage cascade double ou triple, [Laforest 99]. Que ce soit pour les traitements en tonneaux ou en
continu, ces fonctions de rinçage doivent permettre de fortes économies d’eau à qualité de rinçage
égale par rapport aux rinçages courants simples, (1ère Partie, § -1-ii).
Or il est apparu chez TST que les économies d’eau attendues n’étaient pas toujours observées.
Un suivi de la consommation en eau d’une chaîne de phosphatation a clairement montré une
mauvaise utilisation des fonctions de rinçage en place, [Pibolleau 2002].
D’une part, ce sont des rinçages cascades triples qui, dans la plupart des gammes de production
programmées, sont utilisés comme des cascades doubles. Comme le montre l’équation Eq. 15, pour
obtenir un rapport de dilution donné (Rd), le débit d’eau (Q) nécessaire dépend de l’entraînement
(e) et du nombre d’étages (n) du rinçage cascade, [Mohler 82].
Q  en Rd
Eq. 15
D’autre part, les rapports de dilution observés sont beaucoup trop grands par rapport aux seuils
d’efficacité présentés par Lacourcelle, [Lacourcelle 96], dans la plupart des gammes. Cela traduit
une surconsommation importante en eau.
Le réglage des débits d’arrivée d’eau des rinçages est manuel sur cette chaîne, ce sont les
opérateurs qui interviennent “au jugé” pour les modifier, ce qui nécessite un certain savoir-faire
pour obtenir le meilleur rapport entre consommation et efficacité. Or la formation des opérateurs à
ce type de réglages particuliers est souvent insuffisante, particulièrement en ce qui concerne les
intérimaires, car elle mobilise pendant un certain temps à la fois l’opérateur inexpérimenté et un
opérateur qualifié, ce qui n’est pas toujours compatible avec les contraintes de production. Dans ce
type de cas, la modélisation et la simulation pourraient intervenir comme outil de sensibilisation et
d’apprentissage.
91
Alimentation en eau à débit constant chez EDC
Lors du traitement de surface en continu, le défilement des feuillards est très rapide, de l’ordre de
500 m/h en moyenne. Cette vitesse est incompatible avec certaines opérations comme le raboutage
pour le changement de rouleau (le début du nouveau feuillard est riveté à la fin du précédent), ou
avec des incidents survenant sur le poste de désadhésivage. Afin de laisser le temps à l’opérateur
d’intervenir, le défilement est automatiquement ralenti, ce qui correspond au mode “tortue”. Selon
le type de profil et de gamme, ces épisodes sont plus ou moins fréquents et de durée variable.
L’entraînement étant directement proportionnel à la surface de feuillard qui traverse les rinçages,
en mode “tortue” la quantité de bain transférée en un temps donné est donc diminuée du fait du
ralentissement du défilement des feuillards. Le débit d’arrivée d’eau dans les rinçages quant à lui
ne varie pas. La Figure 38 montre les changements dans l’évolution du rapport de dilution au
ralentissement du feuillard.
Figure 38 : Evolution du rapport de dilution lors de passages en mode “tortue”
Rinçage après argenture (Compartiment 1)
530
520
Défilement à vitesse normale
Mode tortue
510
Rapport de dilution
500
490
480
470
460
0 20 40 60 80 100 120
Surface traitée (m2)
Les données présentées par la Figure 38 suggèrent que le débit d’entrée de l’eau dans le rinçage
n’est pas adapté au défilement normal, puisque le rapport de dilution diminue progressivement. Ce
débit n’est pas optimal pour le mode “tortue” non plus puisque le rapport de dilution augmente
rapidement dès le ralentissement du feuillard.
92
En moyenne, les consommations et rapport de dilution résultant de l’alimentation à débit

constant des rinçages sont cohérents avec les diverses contraintes. Il est cependant possible que les
variations observées du taux de rinçage provoquent une hétérogénéité du traitement, donc une
diminution de la qualité du produit fini.
Afin de pallier à ce phénomène, il serait possible d’envisager de coupler au déclenchement du

mode “tortue” une variation du débit d’alimentation en eau des rinçages. Une telle opération aurait
cependant un coût puisqu’elle nécessiterait l’achat, l’installation et la maintenance de systèmes de
contrôle du débit au niveau de l’alimentation en eau des rinçages. De plus, les travaux
d’installation occasionneraient une immobilisation du personnel et de l’outil de production. C’est
pourquoi il serait intéressant de pouvoir en évaluer les bénéfices avant toute mise en œuvre. La
simulation peut permettre ce type d’analyse préliminaire.
III-1-ii Exemples de dysfonctionnement sur les rinçages
Mauvais positionnement d’une cuve de rinçage en continu
Dans le cas de rinçages en continu, une étape importante pour la prévention de l’entraînement est
l’essuyage au niveau des bavettes en caoutchouc. Elles sont disposées en entrée et en sortie de
chaque cuve de traitement et de rinçage et ont pour rôle de retenir un maximum de liquide entraîné.
Pour obtenir une efficacité optimale de cet essuyage, il faut que les cuves de la chaîne de
traitement soient correctement alignées entre elles. En effet, si une cuve est désaxée, cela provoque
une déformation du feuillard au niveau des bavettes qui ne peuvent alors plus jouer leur rôle.
Comme le montre la Figure 39, un côté du feuillard n’est pas en contact avec la bavette, tandis que
l’autre côté s’appuie fortement sur la bavette en vis-à-vis, causant son usure de façon prématurée.
L’entraînement n’est alors plus limité de façon optimale et le rinçage se concentre plus rapidement
en polluants.
Figure 39 : Schéma d’une mauvaise position d’une cuve de rinçage en continu
Bavettes
Feuillard
Bain de
traitement Cuve de
rinçage
Gouttières
93
Vidange intempestive ou fuite d’un compartiment de rinçage cascade
Dans un rinçage cascade, les compartiments successifs sont alimentés en eau par la surverse du
compartiment précédent. Si le niveau d’eau dans un compartiment amont est insuffisant, à la suite
d’une vidange ou à cause d’une fuite, l’eau des compartiments suivants n’est plus renouvelée, ils
deviennent alors des rinçages morts et se concentrent en polluants.
La mise en place d’un suivi en continu de la conductivité, associé à une simulation prédictive,
peut permettre de détecter et d’identifier les dysfonctionnements pour en limiter la durée et donc
l’impact.
III-2 Les stations de détoxication
III-2-i Mauvaises pratiques perturbant la station
Dilution des effluents
Une surconsommation d’eau au niveau des rinçages, en plus d’aller à l’encontre des contraintes
légales, provoque une dilution de la pollution avant son arrivée en station d’épuration ce qui gène
la détoxication. En effet, il est admis qu’il est plus difficile de traiter une eau faiblement chargée en
polluants qu’un effluent fortement concentré.
Erreur de tri des effluents
La station de détoxication d’un atelier de traitement de surface est directement influencée par les
pratiques des opérateurs de production, même si ces derniers n’en sont pas toujours conscients. Les
risques pour la santé des opérateurs station et pour la fiabilité de la détoxication sont importants si
les consignes de dépotage et de connexion au réseau ne sont pas respectées. En effet, il est trop
fréquent d’observer l’arrivée à la station par le réseau dédié aux effluents alcalins cyanurés des
solutions fortement acides, que ce soit à cause d’une erreur de connexion au réseau, ou par
déversement accidentel dans les caniveaux. Le résultat est une chute rapide du pH dans tout le
bassin de stockage des effluents alcalins, et sa propagation rapide dans le réacteur de décyanuration
puis plus tard dans celui de mise à pH / précipitation, comme le montre la Figure 40.
Une forte chute de pH dans le bassin alcalin représente un risque important de dégagement
d’acide cyanhydrique toxique. Elle risque en outre de perturber la détoxication car le pH est un
paramètre important dans les traitements chimiques utilisés en épuration des effluents de traitement
de surface, notamment il influence la vitesse des réactions redox. Une présentation visuelle et
interactive des répercutions de ces comportements aux opérateurs des ateliers sur un simulateur
permettrait de les informer et de les sensibiliser.
94
Figure 40 : Exemple de pH bas dans le bassin alcalin

(Base de données de supervision de la station d’épuration de EDC)
Fonctionnement des pompes de relevage des effluents alcalins cyanurés

Chute du pH des Chute du pH dans la Chute du pH dans la cuve de
effluents alcalins cuve de décyanuration mise à pH / précipitation
pH dans la cuve mise à

pH dans la cuve de pH / précipitation
décyanuration
pH des effluents
alcalins cyanurés
III-2-ii Exemples de dysfonctionnements à la station
Agitateur défectueux
Les cuves des traitements chimiques de la station d’épuration de TST sont couvertes, afin de
limiter les émanations toxiques. Mais ceci a pour effet de masquer à l’opérateur ce qui se passe
dans la cuve.
Une illustration de ce fait est l’incident survenu entre le 14 avril et le 28 mai 2002 : le pH dans la
cuve de coagulation est devenu très instable, et très difficile à réguler. L’opérateur responsable de
la station à cette période était un remplaçant, peu habitué à s’occuper de la station, il n’a donc pas
su trouver la panne. Il a fallu attendre le retour de l’opérateur habituel, un mois et demi plus tard,
pour que le problème soit résolu.
En fait, l’axe de l’agitateur de la cuve de coagulation s’est détaché du moteur qui entraîne sa
rotation et est tombé au fond de la cuve. Le moteur est la seule partie visible du système
d’agitation, car le réacteur de coagulation est couvert. Puisqu’il continuait à fonctionner,
l’opérateur ne s’est pas aperçu de la chute de l’hélice et l’automate n’a pas signalé d’alarme.
Pourtant les variations importantes du pH coïncidant exactement avec les entrées d’effluents
étaient caractéristiques, pour un opérateur aguerri, d’un problème d’homogénéisation du contenu
95
de la cuve. Une détection de panne par la simulation, intégrant les connaissances d’experts
permettrait d’épauler les opérateurs inexpérimentés (par exemple les ouvriers intérimaires) qui se
retrouvent dans de telles circonstances.
Pannes de systèmes de régulation
La régulation d’un paramètre chimique fait intervenir l’injection de réactifs par des pompes
doseuses. Il arrive que cette injection soit interrompue à cause d’une panne ou parce que la pompe
est désamorcée. Cette absence d’injection de réactif se traduit par une évolution du paramètre
régulé au-delà des consignes de régulation.
La Figure 41 montre une panne d’injection du réactif acide dans la cuve de décyanuration chez
EDC. Le pH dans la cuve de décyanuration suit celui des effluents alcalins lorsque celui-ci
augmente, signifiant qu’aucun acide de régulation n’est injecté. Puis ce défaut se propage dans la
cuve de mise à pH / précipitation. La simulation permet d’identifier les pannes de ce type.
Figure 41 : Exemple de panne de régulation acide en décyanuration

(Base de données de supervision de la station d’épuration de EDC)
pH dans la cuve
pH des effluents de décyanuration
alcalins cyanurés
pH dans la cuve de mise

à pH / précipitation
96
DES CONNAISSANCES A LEUR REPRESENTATION
Dans cette partie, nous avons donné un aperçu des méthodes et techniques que nous avons
utilisées pour acquérir et mettre en forme un maximum de connaissances sur les procédés qui
génèrent ou traitent des effluents aqueux dans les usines de traitement de surface.
Ces connaissances se déclinent sous différentes formes : bases de données numériques

issues de la supervision des procédés ; observations expérimentales de comportement de
certains systèmes complexes comme la réponse d’une sonde de mesure potentiométrique, ou
la dynamique de disparition d’un réactif au cours d’une réaction chimique ; observations
directes du fonctionnement normal et de quelques dysfonctionnements sur les procédés aux
cours de leur exploitation.
Les bases de connaissances ainsi constituées nous ont permis de décrire l’ensemble des
sytèmes dont elles sont issues par des modèles analytiques, et de valider ces modèles. Ces
derniers ainsi que leur développement sont décrits dans la partie suivante.
97
TROISIEME PARTIE :
MODELISATION, SIMULATION
99
Chapitre I : Approche par modélisation
CHAPITRE I : APPROCHE PAR MODELISATION
I-1 La modélisation scientifique
I-1-i Définitions
Le terme “modèle” en général désigne une “représentation simplifiée, souvent formalisée,

d’un processus ou d’un système”, (Dictionnaire le Robert 2003). Un modèle scientifique est
une “représentation abstraite des relations entre les paramètres caractéristiques d’un
phénomène ou d’un processus”, (le Grand Larousse Universel 1984). Dans le cadre de cette
étude, nous appelons modèle une structure mathématique qui donne une représentation des
systèmes réel étudiés (pollution des rinçages, traitements chimiques de détoxication, réacteurs
agités à flux continu, capteurs chimiques, etc.), voir Partie 1 Chapitre IV.
Une description exhaustive de ces systèmes serait non seulement laborieuse, du fait de leur
complexité, mais bien souvent impossible car de nombreuses variables nous sont totalement
inconnues, comme par exemple la composition précise des effluents qui entrent en station de
détoxication à tout instant. La modélisation débute donc par la mise en place d’un cadre
d’hypothèses (souvent simplificatrices), basé sur l’observation de chaque système, qui fixe
notamment les limites de validité du modèle.
Le choix d’une structure pour le modèle et l’identification des grandeurs influentes nécessite
de fixer au préalable les objectifs de la modélisation, [Brunet 90]. Les bases de données
disponibles sur le système modélisé (données de supervision) constituent les entrées possibles
du modèle et les bases de connaissances (bibliographiques, expérimentales ou d’expert)
permettent de définir les variables d’état13 du système. Les sorties du modèle doivent apporter
une réponse claire en fonction des objectifs de la modélisation (aide à la décision, commande
prédictive, entraînement, formation, etc.)
Le processus de modélisation comporte trois étapes principales:

 identification d'un modèle potentiel pour décrire le système ;
 estimation des paramètres du modèle retenu, définition du cadre d’hypothèses et des
limites de validité pour une estimation donnée des paramètres ;
 validation du modèle estimé par comparaison avec des données réelles.
13
Grandeurs macroscopiques qui permettent de décrire l’état du système à tout instant.
101
Troisième Partie : Modélisation, simulation
L’amélioration progressive du modèle est obtenue en bouclant le processus sur lui-même,

c'est-à-dire que les résultats de validation permettent de remettre en question la structure
choisie pour le modèle, puis les paramètres et le cadre d’hypothèse, et ce jusqu’à ce que
l’étape de validation montre l’efficacité du modèle dans sa représentation du système réel.
Idéalement, un modèle se doit d’être autant que possible indépendant des modalités
d’implémentation (plateforme et logiciel), c’est pourquoi il est important de veiller à bâtir un
modèle conceptuel14, [Vetter 92]. Nous prendrons donc soin dans cette partie de présenter
parallèlement aux modèles de simulation, les outils et méthodes de calcul, basés sur les
fonctions mathématiques élémentaires, qui sont nécessaires pour permettre l’implémentation
quel que soit le système d’exploitation utilisé ou le langage de programmation choisi.
I-1-ii Classes et structures de modèles
Brunet [Brunet 90] propose de classer les modèles en fonction des propriétés qu’ils ont ou
n’ont pas. Par exemple, on distinguera les modèles monovariables et multivariables, les
modèles qualitatifs et quantitatifs, etc.
Ainsi, les modèles déterministes pour lesquels il n’y a pas d’aléas sont opposés aux modèles
stochastiques dont les variables admettent une moyenne et une variance (ces modèles
permettent de tenir compte des bruits du système).
On distingue les modèles dynamiques des modèles statiques, et les modèles continus des
modèles discrets ou échantillonnés. Les modèles discrets sont basés sur l’hypothèse qu’un
phénomène dynamique continu peut être approximé par une suite d’états stables qui permet de
l’assimiler à un phénomène discret, ils font intervenir la notion de petit “batch” qui sera
détaillée plus loin. Les modèles échantillonnés, quant à eux, correspondent à une observation
périodique de phénomènes continus, ils ont pour point de départ un modèle continu qui est
discrétisé pour l’implémentation.
Les modèles linéaires sont ceux dont toute combinaison linéaire d’entrées est associée à la
même combinaison linéaire de sorties, contrairement aux modèles non linéaires. Enfin, sont
dits stationnaires les modèles pour lesquels les relations entrée-sortie sont invariantes dans le
temps.
14
Modèle basé sur une idée générale et abstraite de représentation d’un procédé, permettant d’en organiser les
connaissances indépendamment du langage de programmation utilisé.
102
Les modèles peuvent en outre se différencier par leur structure. Les modèles dont le
comportement externe est analogue au comportement du système malgré le fait que les
mécanismes intérieurs de ce dernier ne soient pas pris en compte sont appelés modèles de
représentation ou comportementaux. Ils fonctionnent comme une “boîte noire” dont la
mécanique est inconnue, ils font simplement correspondre des entrées avec des sorties par
l’intermédiaire d’équations plus ou moins complexes. Ils sont déterminés par la technique
d’identification à partir de mesures expérimentales d’entrées-sorties du système, [Ljung 87]
[Szafnicki 91] [Landau 93].
Par opposition, les modèles de connaissance sont ceux construits à partir de l’analyse de la
structure du système et de la logique de ses mécanismes internes. Ils nécessitent de connaître
les variables d’état du système et les paramètres introduits ont une signification physique. Ils
sont définis à partir d’équations connues telles que les lois physiques ou les relations
chimiques par exemple (qui sont elles même des modèles de représentation issus de processus
séculaires de modélisation de l’univers et de la matière).
Enfin, depuis peu, les techniques d’intelligence artificielle basées sur l’apprentissage, telles
que les réseaux de neurones, sont appliquées à la modélisation des processus chimiques [You
93], mais elles sont beaucoup plus complexes dans la mise en oeuvre et donc difficilement
adaptables au contexte industriel.
A l'usage, il apparaît souvent que la complexité et le grand nombre de phénomènes

élémentaires intervenant dans un système rendent l'interprétation physique très difficile. Pour
les procédés complexes (comme les traitements chimiques de détoxication), il est judicieux
alors de décomposer le système en plusieurs sous-systèmes, chacun d'eux étant décrit par un
modèle de représentation, tandis que la réunion de ces sous-systèmes, les liens et les règles
qui les unissent, est représentée par un modèle de connaissance. On parle alors de modèle
mixte.
Selon cette typologie, nous avons choisi de construire un modèle mixte pour la simulation
du système d’épuration des effluents industriels. Il est de type déterministe, dynamique et
discret, non linéaire et non stationnaire. Ce modèle est composé de modèles de connaissance
simplifiés pour représenter les phénomènes chimiques notamment, et de modèles de
représentation pour les sous-systèmes physiques (par exemple : sonde pH, sonde H2O2).
103
I-1-iii Intérêts de la modélisation scientifique
La modélisation donne en premier lieu la possibilité d’acquérir des connaissances sur les
procédés et systèmes étudiés et de mieux les comprendre. Par exemple, la recherche des
entrées réellement influentes sur le système, l’écriture des équations représentant
l’agencement et l’articulation des phénomènes dans un modèle de connaissance, ou
l’estimation des paramètres d’un modèle de représentation, conduisent à une meilleure
connaissance des relations entrées-sorties qui caractérisent le système.
D’autre part, la modélisation trouve une application directe dans la conception de systèmes
de régulation et de commande, et dans leur optimisation ainsi que dans l’établissement de
diagnostics et pronostics de performance par le biais de la simulation prédictive. C’est un outil
intéressant pour les industriels car elle permet de s’épargner des expérimentations souvent
coûteuses, ne serait-ce qu’en terme d’immobilisation du process, voire même impossibles
pour des raisons de sécurité.
Il est possible de tester virtuellement le comportement du système devant des situations

atypiques, sa sensibilité face à des reconfigurations de paramètres, etc. Par exemple, la
simulation d’un traitement chimique de détoxication avec un réactif différent du réactif
réellement utilisé donne une idée des performances envisageables par cette modification. Si la
simulation ne montre a priori aucune amélioration de l’efficacité du procédé par ce
changement de réactif, une diminution des performances ou pire une atteinte à la sécurité du
système (e.g dégazages toxiques), l’industriel peut décider de ne pas effectuer les tests in situ
qui seraient incontournables sans simulation.
104
I-2 Structuration du modèle pour la simulation des traitements chimiques de

détoxication des effluents de traitement de surface
I-2-i Discrétisation du système
Dans le cas de notre application, le process de détoxication au fil de l’eau des effluents de
traitement de surface est un phénomène physico-chimique continu. Pour l’implémentation
informatique il nous a donc été nécessaire de définir un système discret permettant de
représenter de façon suffisamment fidèle le système réel continu.
Nous avons considéré l’hypothèse que le traitement en flux continu peut être représenté par
une série d’états stables. Si l’on considère un instant t, et t+dt l’instant suivant dans la série,
alors à t+dt la variation de la valeur des variables du système par rapport à celle à t résulte de
l’intégration des changements et perturbations intervenus pendant l’intervalle dt. Cette
hypothèse revient à considérer le traitement comme une succession de “petits batch”. Plus
l’intervalle de temps dt est petit, plus la représentation est proche du système continu réel.
Pour la simulation de la détoxication chimique chez EDC par exemple, l’intervalle de temps
discret dt a été fixé à 10 secondes, ce qui correspond au pas d’archivage des données de
supervision (voir Partie II,I-1-i).
Le débit maximum des effluents entrant en station est de l’ordre de 30 m3/h pour les alcalins
(2 pompes de relevage de 15 m3/ environ chacune) et 20 m3/h pour les acides (2 pompes de
relevage de 10 m3/h environ chacune) soit 50 m3/h au total. Dans le “pire des cas”
correpondant à l’arrivée simultanée de ces 50m3/h dans une cuve (cas possible dans la cuve la
mise à pH / précipitation par exemple), chaque “petit batch” de 10 s correspond à un volume
dV de 0,14 m3 qui est négligeable devant le volume des réacteurs (10 m3) donc l’hypothèse
des “petits batchs” est acceptable pour la modélisation discrète de ce système continu.
I-2-ii Structure du modèle
La représentation du système de détoxication des effluents industriels est approximée par un

“méta-modèle15”, Figure 42, englobant plusieurs modèles mixtes qui correspondent chacun à
une étape du traitement. Chaque sous-modèle de ce système estime une variable
représentative de l’état du système, telle que le pH et la concentration en peroxyde dans la
cuve de décyanuration, ou encore le pH dans la cuve de mise à pH / précipitation. Ces
15
Dans les néologismes scientifiques, méta- indique ce qui englobe, dépasse l’objet ou la science dont il est
question (Grand Larousse Universel)
105
modèles peuvent être liés entre eux par des relations de dépendance, les variables de sortie de
l’un servant d’entrées à un ou plusieurs autres.
Figure 42 : Exemple de structure du méta-modèle de détoxication chimique pour EDC
pH dans le pH dans le
bassin alcalin bassin acide
Relevage
alcalin
Relevage acide
Régulation
acide/base
Modèle dit du
“pH en décyanuration”
Surverse
pH
Modèle dit d’
Régulation
Régulation
acide/base
peroxyde
“Oxydation en Modèle dit du

décyanuration” “pH en précipitation”
Peroxyde pH
résiduel
Légende : Modèle dit de

“Précipitation des
de matière
Transferts
Variables Variables hydroxydes”

mesurées estimées
Métaux dissous
Paramètres résiduels
Modèles de régulation
Au sein de chaque modèle interviennent plusieurs sous-modèles représentant les différents

phénomènes qui modifient l’état du système considéré. Par exemple, les concentrations des
polluants dans une cuve de traitement varient en fonction des transferts d’effluents (entrées et
sorties de la cuve), de l’ajout de réactifs de régulation, des réactions chimiques qui se
106
produisent, de dégazages éventuels, etc. L’état du système dépend à chaque instant t de son
état à l’instant t-dt et des modifications intervenues dans l’intervalle de temps dt, Figure 43.
Figure 43 : Exemple de structure du sous-modèle général “pH”
Régulation
d’effluent
acide
Entrée
Consignes
pH
Injection du Bilan de Réaction Comportement

+/- réactif matière chimique sonde pH
d’effluent
Sortie
Régulation
basique Valeur de pH
modélisée
Légende :
de matière
Transferts
Paramètres Variable
Modèles de régulation estimée
La Figure 43 montre que la valeur de pH issue du modèle au pas de temps précédent est
comparée aux consignes de régulation issues des données de supervision. A partir du résultat
de cette comparaison, une règle déclenche le choix du type de régulation à appliquer (acide si
le pH est trop élevé, basique s’il est trop faible). Le modèle de régulation calcule alors la
quantité de réactif de régulation correspondant à l’écart entre la mesure et la consigne.
L’injection du réactif est traitée dans le bilan de matière, avec l’entrée et la sortie éventuelles
d’effluents. Le modèle chimique simule les modifications de l’état du système (e.g.
concentration en ions H3O+ de la cuve). Après application du modèle de comportement de la
sonde (modèle de premier ordre), le résultat peut être comparé aux consignes pour initier le
calcul du pas de temps suivant.
Les modèles mixtes représentant les phases de traitement de détoxication sont ainsi
composés de modèles élémentaires qui peuvent être comportementaux ou de connaissance,
liés entre eux par des procédures et/ou desbases de règles. L’ensemble de ces modèles
fragmentaires est structuré au sein d’une architecture plus vaste représentant le système de
détoxication chimique.
107
I-3 Exemples de modèles élémentaires de connaissances
I-3-i Modèle de transfert de pollution dans les rinçages courants
Rappelons que l’entraînement constitue le principal mode de transfert de pollution entre les
bains et les rinçages d’une chaîne de traitement de surface. Il correspond à la quantité de
liquide transportée par un feuillard entre les cuves successives d’une chaîne de traitement. Il
dépend de plusieurs paramètres difficilement quantifiables tels que la forme, la nature et la
rugosité du profil traité, la tension de surface ou la viscosité des solutions.
Sous l’hypothèse d’un mélange homogène de la solution de rinçage, la variation de la teneur

en polluants dans un rinçage courant est égale à la différence entre la quantité de polluants
entrant et la quantité de polluants sortant, Eq. 16. Pour les rinçages courants en continu, la
pollution entrante est celle entraînée par la surface de feuillard qui a traversé le rinçage. La
solution contenue dans le rinçage sort par débordement donc le volume du rinçage est
constant. On peut noter qu’une partie de la solution de rinçage est entraînée par le feuillard
vers la cuve suivante mais la pollution entraînée (CReLsv) étant toujours négligeable devant
la pollution sortant par surverse (CRQ), ce phénomène sera la plupart du temps négligé dans
le bilan de matière.
dC R C B  e  L s  v  C R  Q
 Eq. 16
dt V
CB : teneur des polluants dans le bain de traitement précédent (en mol/L ou g/L)
CR : teneur des polluants dans le rinçage (en mol/L ou g/L)
e : entraînement (en L/m2)
Ls : périmètre de la section du feuillard (en m)
v : vitesse de défilement du feuillard (en m/h)
Q : débit d’alimentation du rinçage (en L/h)
V : volume du rinçage (en L)
Il est possible d’évaluer la quantité de pollution d’une cuve de rinçage par le rapport de
dilution Rd, Eq. 1, dont la connaissance ne nécessite qu’une simple mesure de conductivité
grâce aux courbes étalons décrites en Partie 2, § II-1-i.
108
D’après les équations Eq. 1 et Eq. 16, la relation de récurrence représentant l’évolution du
rapport de dilution dans un rinçage courant en continu est donnée par Eq. 17.
1
V  Q  dt   e  L s  v  dt
1 Rd t 1
 Eq. 17
Rd t V
Les courbes étalons donnant la relation entre l’inverse du rapport de dilution et la
conductivité permettent de transposer le résultat de Eq. 17 pour obtenir une valeur de
conductivité modélisée. La Figure 44 présente la comparaison entre données réelles et
estimées à l’aide du modèle défini en Eq. 17 pour l’évolution de la conductivité en fonction
du temps dans un rinçage courant en continu. Dans la première partie du graphique, la
conductivité augmente, ce qui signifie que le rinçage se concentre en polluants. Cela traduit le
fait que le débit d’alimentation est insuffisant pour compenser le transfert de pollution, depuis
le bain précédent, par entraînement. Puis la diminution de la vitesse du feuillard lors du
passage en mode “tortue” provoque une diminution de la conductivité, le débit d’alimentation
étant constant il est cette fois trop important par rapport à l’entraînement. Lorsque le
défilement du feuillard repasse en vitesse normale, le rinçage se concentre à nouveau donc la
conductivité augmente. Le modèle permet de reproduire correctement cette dynamique.
Figure 44 : Evolution
Evolution de la conductivité en fonction du temps
de la conductivité dans le rinçage après argenture
dans un rinçage courant en continu (mesures et modèle)
770
760
750
conductivité mesurée
conductivité (µS/cm)
conductivité modélisée
740
730
720
Défilement à vitesse normale Tortue Vitesse normale
710
700
0 5 10 15 20 25 30 35
temps (min)
Sur la Figure 44, les écarts entre le modèle et les mesures entre 15 et 22 min, et au-delà de
30 min, peuvent être liés au fait que le débit d’alimentation des rinçages chez EDC n’est pas
constant, il varie en fonction de l’utilisation du réseau d’eau dans tout l’atelier.
109
I-3-ii Modèles hydrauliques
Modèle du réacteur parfaitement agité
Une station d’épuration “au fil de l’eau” est pour partie constituée d’une succession de
réacteurs agités à flux continu (en anglais continuous flow stirred tank reactor – CFSTR), où
prennent place les traitements chimiques (décyanuration, déchromatation, mise à pH /
précipitation). Les cuves, d’une contenance moyenne de 5 à 10 m3, sont généralement en
poly(éthylène) haute densité (PEhd) car ce matériau résiste aux agents chimiques susceptibles
d’y être déversés. L’homogénéisation se fait grâce à un agitateur rotatif et à la présence de
brises-vortex (baffles) au bord des cuves, Figure 45.
Figure 45 : Schéma simplifié d'un réacteur à flux continu avec son agitateur.
Entrée des effluents :

débit q, concentration Cin
Sortie des effluents :
débit q (surverse),
concentration C
Baffle
volume V,
concentration C
De nombreux auteurs se sont penchés sur la modélisation de ces réacteurs, comme par
exemple Olsson et Newell qui décrivent un modèle de connaissance hydraulique
correspondant à la variation de concentration au sein d’un réacteur parfaitement agité à
volume constant, Eq. 18, [Olsson 99]. Ce modèle admet l’hypothèse que la concentration d’un
élément à l’instant t dans le réacteur est homogène et ne dépend que de sa concentration à
l’instant t-1, de sa concentration dans le liquide entrant et de la quantité de liquide qui entre et
sort par surverse. La relation de récurrence correspondante est donnée en Eq. 19.
dC q
 (Cin  C) Eq. 18
dt V
(où C représente la concentration en mol/L, q le débit en m3/h, V le volume en m3 et t le temps en h)
q  dt
C ( t )  C ( t 1)  Cin  C( t 1)  Eq. 19
V
110
Modèle du réacteur partiellement agité présentant un court-circuit et

une zone de stagnation avec effet piston
Différentes théories peuvent améliorer la représentation du système réel. Par exemple,

Cholette et Cloutier, [Cholette 59], se sont intéressés à l'efficacité du mélange dans les
réacteurs continus, montrant qu'il existe une part de l'effluent qui passe directement à
l'exutoire, une zone où l'effluent est parfaitement mélangé (mV) et une autre ou l'effluent
stagne ((1-m)V). Ils se sont aussi penchés sur l'effet piston dû au débit entrant qui provoque
un renouvellement partiel de l'effluent stagnant, Figure 46.
Sur la Figure 46, un effluent de concentration Cin entre dans le réacteur à un débit q. Une
fraction n du débit q gagne la zone de mélange tandis que le reste (1-n)q rejoint directement
la surverse. L’entrée d’effluent dans la zone de mélange provoque le déplacement d’une
proportion s du débit nq d’effluent de la zone de mélange, dont la concentration C[A] résulte
du mélange précédent, vers la zone de stagnation. En contrepartie, de l’effluent de la zone de
stagnation se déplace vers la zone de mélange avec un débit snq. La concentration Cr[A] de ce
liquide est égale à la concentration du liquide déplacé de la zone mélangée vers la zone de
(1  m)V
stagnation à l’instant r = t - t, avec t  . A l’exutoire, l’effluent de concentration
n sq
Cout est composé d’une part nq provenant de la zone de mélange à concentration C[A] et de la
partie de l’effluent entrant ayant court-circuité le réacteur (1-n)q de concentration Cin.
Figure 46: Réacteur continu imparfaitement mélangé avec effet piston selon Cholette et Cloutier.
Une fraction s de l’effluent de la zone parfaitement mélangée [A] est transférée en [B] et est remplacée
par un volume équivalent provenant de la zone de stagnation [B]
q, Cin
(1-n)q, Cin
nq, Cin nq, C[A]

[A]
q, Cout
C[A], mV
nsq nsq
C[A]’ Cr[A]
[B]
Cr[A], (1-m)V
111
L’expression de la concentration en sortie du réacteur à l’instant t est donnée par l’Eq. 20.
Elle dépend de la concentration de l’effluent qui court-circuite la cuve et de la concentration
dans la zone de mélange.
C out( t )  nC[ A ] ( t )  (1  n)C in ( t ) Eq. 20
q  dt
Notons   . A chaque instant, la concentration de l’effluent dans la zone de mélange
mV
[A] est la résultante des entrées et sorties de la cuve, ainsi que des transferts avec la zone de
stagnation [B], Eq. 21. Elle peut être exprimée comme indiqué par l’Eq. 22.
Effluents présents Effluents Effluents

dans [A] sortant de [A] transférés de
précédemment par surverse [A] vers [B]
C[ A ]( t )  C[ A ]( t 1)  C[ A ]( t 1) n     C[ A ]( t 1) s  n     C[ A ]( t  t ) (s  n  )  Cin ( t ) (n  ) Eq. 21
Effluents transférés Effluents entrant en

de [B] vers [A] [A] au niveau de
l’alimentation
C[ A ] ( t )  C[ A ] ( t 1) 1  n  1  s   C[ A ] ( t t ) (s  n  )  C in ( t ) (n  ) Eq. 22
Remarque : m, n, s  [0,1].
La Figure 47 compare les résultats de simulation de l’évolution du pH dans un réacteur avec

le modèle simplifié de réacteur à flux continu d’une part, [Olsson 99], et avec le modèle du
réacteur imparfaitement agité avec court-circuit et effet piston d’autre part, [Cholette 59].
Il apparaît sur la Figure 47 deux phases de différenciation entre les deux modèles. La
réponse du modèle du réacteur imparfaitement agité à une modification du pH entrant est
d’abord plus rapide, puis rapidement elle devient plus lente que celle du modèle simplifié.
Les paramètres m, n et s ont été fixés ici respectivement à 50%, 90% et 20% afin d’obtenir
un graphique suffisamment parlant pour permettre une bonne compréhension des résultats.
112
Figure 47 : Comparaison des modèles simple et imparfaitement agité pour la simulation

de l’évolution du pH dans un les réacteur continu
Ces différences sont le résultat de l’effet conjugué du court-circuit et de l’existence d’une

zone de stagnation avec effet piston. La Figure 48 et la Figure 49 présentent séparément les
répercussions de ces deux phénomènes sur l’évolution du pH dans le CFSTR.
La Figure 48 montre qu’il existe une légère influence du court-circuit sur l’accélération de
la réponse du modèle du réacteur imparfaitement mélangé lors des variations du pH de
l’effluent entrant. Mais le principal effet du court-circuit est de provoquer un ralentissement
notable du renouvellement du réacteur. En effet, le pH en sortie met plus de temps à atteindre
la valeur du pH en entrée, ce qui signifie que le contenu de la cuve met plus longtemps à être
entièrement remplacé par de l’effluent entrant. Ceci s’explique par le fait que la partie de
l’effluent entrant qui passe par le court-circuit ne participe pas au renouvellement de la cuve.
De la même façon, la Figure 49 indique que l’existence d’une zone de stagnation avec effet
piston participe en premier lieu à l’accélération de l’évolution du pH en sortie du réacteur,
puis rapidement elle contribue à ralentir le renouvellement du contenu de la cuve en
séquestrant plus longtemps une part de l’effluent de départ.
113
Figure 48 : Répercussion du court-circuit seul sur l’évolution du pH dans un CFSTR
Figure 49 : Répercussion de la zone de stagnation avec effet piston sur l’évolution du pH dans un CFSTR
114
La principale difficulté rencontrée pour l’intégration du modèle de réacteur partiellement

agité avec effet piston et court-circuit dans nos simulations est l’estimation des paramètres m,
n et s. En effet, nous ne possédons pas de données industrielles correspondant, et les résultats
de la simulation d’un système réel ne varient pas de façon significative avec ces paramètres.
Par ailleurs, le modèle du réacteur parfaitement agité donne des résultats de simulation
satisfaisants (critère quadratique normé inférieur à 5% lors du calage du modèle, voir 3 ème
Partie §II-1-iii). Par conséquent, nous avons choisi en première approche d’implémenter dans
notre simulateur le modèle simplifié, sous hypothèse de mélange homogène [Olsson 99].
115
I-3-iii Modèles de calcul du pH
Il existe deux grandes tendances pour la modélisation chimique des systèmes aqueux, à
savoir les modèles formulés à partir des constantes d'équilibres, et ceux basés sur l'enthalpie
libre ( G 0r ) du système réactif, [Nordstrom 78]. Ces deux approches sont soumises aux
mêmes conditions de conservation de la matière et d'équilibres chimiques. Dans l'approche
par les constantes d'équilibre, les lois d'action de masse sont réécrites en fonction des
conditions de conservation de la matière, ce qui résulte en un système d'équations non
linéaires à résoudre simultanément. La méthode faisant appel à l'enthalpie libre consiste à
minimiser la fonction G 0r (qui est nulle à l'équilibre).
La principale contrainte pour l'implémentation de ces modèles est la nécessité de connaître

soit les constantes d'équilibre intervenant dans le système chimique pour la première
technique, ou alors les enthalpies libres standard pour la seconde, or il s'avère que les bases de
données sur les constantes d'équilibre sont plus fournies et fiables que celles sur les enthalpies
[Nordstrom 78].
Les réactions acido-basiques en solution aqueuse sont caractérisées par un échange de

protons (H+) entre un donneur (l’acide) et un accepteur (la base), Eq. 27, Eq. 28, Eq. 38, Eq.
39, Eq. 49, [Didier 81]. Elles conduisent à un équilibre faisant intervenir le comportement
ampholyte du solvant eau. Le principe de l’électroneutralité, Eq. 23, régit cet équilibre. Selon
le type des couples acido-basiques en jeu (forts ou faibles), cette équation peut être réécrite en
fonction du principe de conservation de la matière, du produit ionique de l’eau Ke, Eq. 24, et
des lois d’action de masse correspondant aux équilibres entre les acides faibles (HA) et leurs
bases conjuguées
(A-), Eq. 25, et entre les bases faibles (B) et leurs acides conjugués (BH+), Eq. 26.
H O  nCations   OH  mAnions 

3
 n  m
Eq. 23
Ke  H 3O   OH   10 14 (à 25°C) Eq. 24
Ka 
A  H O 

3

Eq. 25
AH
Kb 
BH  OH 
 
Eq. 26
B
116
Les effluents de traitement de surface ont une composition complexe et variable dans le
temps en fonction des gammes traitées par les ateliers. Cependant les acides et bases qu’ils
contiennent sont forts pour la plupart, en provenance des prétraitements tels que les lessives
de soude concentrée ou les décapages à l’acide sulfurique. Par souci de simplification, nous
avons choisi de considérer systématiquement ces effluents comme des acides et bases forts,
caractérisés par leur pH. Les réactifs quant à eux ont une composition et des caractéristiques
bien déterminées, qui constitueront les paramètres du modèle de connaissance, Annexe 8.
NB : dans la suite de cette description, les concentrations des acides et bases fortes sont
représentées avec une majuscule en indice (resp. CA pour les acides forts et CB pour les bases
fortes), les concentrations des acides et bases faibles sont indiquées par une minuscule en
indice (resp. Ca pour les acides faibles et Cb pour les bases faibles).
Modèle (mono-)“Acide fort / Base forte”
Si l’on considère le mélange de deux solutions diluées de mono-acide fort et/ou mono-base
forte, trois cas de figure peuvent se présenter :
 Mélange de deux acides forts ;
 Réaction acide fort / base forte ;
 Mélange de deux bases fortes.
Les acides et bases fortes en solutions diluées sont considérés comme infiniment dissociés
dans l’eau, c’est-à-dire que les molécules d’acide fort (HA) ou de base forte (B) n’existent pas
en solution, Eq. 27 et Eq. 28, [Didier 81].
Eq. 27
HA  H 2 O  A   H 3 O 
B  H 2 O  BH   OH  Eq. 28
Les ions accessoires A- et BH+ formés par la dissociation des acides et bases fortes ne
réagissent pas. D’après le principe de conservation de la matière, leurs concentrations dans la
solution peuvent être directement déduites de la quantité d’acide fort ou de base forte qui a été
apportée par unité de volume de la solution finale (respectivement CA et CB), Eq. 29 et Eq. 30.
C A  A   Eq. 29
C B  BH   Eq. 30
117
Le modèle pH pour les acides forts et bases fortes dilués est obtenu en réécrivant l’équation
Eq. 23 sous la forme d’un polynôme du second degré à une seule inconnue en utilisant le
produit ionique de l’eau, Eq. 24, et le principe de conservation de la matière, Eq. 29 et Eq. 30,
selon le cas de figure considéré, Eq. 31 à Eq. 33.
 Mélange de deux acides forts (HA + HA) ;
H O 
3
 2
  

 CA  C A  H 3O    Ke  0 Eq. 31
 Réaction acide fort / base forte (HA + B) ;
H O   C
3
 2
B  CA   H 3O    Ke  0 Eq. 32
 Mélange de deux bases fortes (B+ B).
H O 
3
 2
  

 C B  C B  H 3O    Ke  0 Eq. 33
Les équations Eq. 31 à Eq. 33 montrent que seul le coefficient du premier degré dépend du
cas de figure considéré. Afin d’implémenter un modèle général, valable pour les trois cas de
figure, nous avons défini une variable I qui représente les charges excédentaires provenant des
ions accessoires A- et BH+. La concentration CI correspond à la somme des concentrations en
ions accessoires affectées d’un coefficient représentant le type de charge : (-1) pour les anions
(ions chargés négativement) et (+1) pour les cations (ions chargés positivement). Les
différentes valeurs de CI selon les cas de figure sont résumées dans le Tableau 8.
Tableau 8 : Variable CI pour le modèle acide fort / base forte
CI HA B
HA  CA  CA CB  CA
   
B CB  CA CB  CB
   
Les équations Eq. 31 à Eq. 33 peuvent être réécrites sous la forme d’une seule équation en
fonction de CI, Eq. 34
H O 3
 2
 C I  H 3O    Ke  0 Eq. 34
118
Le polynôme du second degré Eq. 34 admet deux racines réelles opposées. La solution de
cette équation représente une concentration (en ions H3O+), donc seule la racine positive est
solution du problème, Eq. 35.
2
 C I  C I  4Ke
H O  
3
 Eq. 35
2
De l’Eq. 35 il est possible de déduire le pH d’un mélange acide fort / base forte dilués, il est
défini selon Eq. 36. La Figure 50 présente le résultat de l’implémentation de ce modèle pour
un mélange Acide fort / Base forte.
pH   logH 3O   Eq. 36
Figure 50 : Résultat d’implémentation du modèle Acide fort / Base forte
Modèle général “Acides faibles”
Les acides faibles ne sont pas entièrement dissociés dans l’eau, il existe un état d’équilibre
où coexistent la molécule acide (HA) et sa base conjuguée (A-). Cet équilibre est caractérisé
par une constante d’acidité Ka définie selon la loi d’action de masse, Eq. 25.
HA  H 2 O A   H 3O  Eq. 37
119
Les polyacides faibles possèdent plusieurs acidités, caractérisées chacunes par une constante
Kai , l’acide carbonique (diacide), l’acide phosphorique (triacide), etc. La dissociation des
polyacides passe par une succession d’états d’équilibres entre les différentes formes acides et
bases conjuguées. Les équations Eq. 38 et Eq. 39 présentent deux exemples des équilibres
successifs qui existent pour un polyacide faible à n acidités ainsi que l’expression de leur
constante d’acidité respective.
H n 1 A   H 3 O  
H n A  H2O 
H n 1A  H 3 O 
Ka1  Eq. 38
H An

H n 1A  H 2 O H n 2 A 2
 H 3O  H n 2 A 2  H 3 O   Eq. 39
Ka 2 
H n 1 A 

Le principe de conservation de la matière permet d’écrire l’Eq. 40 telle que Ca est la
concentration de l’acide faible versé ramenée au volume total de solution.
Ca  H n A  H n1A    H n2 A 2     A n  Eq. 40
A partir des équations Eq. 38 à Eq. 40, l’électroneutralité Eq. 23 peut être réécrite pour le
cas du mélange d’un acide faible avec un acide fort et/ou une base forte de façon à faire
apparaître comme seule inconnue la concentration en ions H3O+ comme indiqué par les
équations Eq. 41 à Eq. 43. Pour un monoacide faible tel que l’acide acétique (CH3COOH)
l’équation d’électroneutralité prend la forme Eq. 41, pour un diacide faible comme l’acide
carbonique (H2CO3) elle s’écrit Eq. 42, et dans le cas d’un triacide faible, par exemple l’acide
phosphorique (H3PO4) elle devient Eq. 43.
 
H O   C

Ke
 C  Ka1  Eq. 41
3 I
H 3O   H 3O    Ka1
 a  

 Ka1 H 3 O    2Ka1 Ka 2 
H O   C


Ke
 C
  Eq. 42
3 I
H 3O   a  H 3O  2  Ka1 H 3O    Ka1 Ka 2 

 Ka1 H 3 O    2Ka1 Ka 2 H 3 O    3Ka1 Ka 2Ka 3 

2
H 3O   C I 
 Ke 
 Ca 

Eq. 43
H 3O   H 3O   Ka1 H 3O   Ka1 Ka 2 H 3O   Ka1 Ka 2Ka 3 
  3  2 
En développant Eq. 41, un polynôme du troisième degré en [H3O+] est obtenu, Eq. 44. De la
même façon, Eq. 42 peut être développée sous la forme d’un polynôme du quatrième degré,
Eq. 45, et Eq. 43 donne un polynôme de degré 5, Eq. 46. Les coefficients de ces polynômes
120
ne dépendent que du produit ionique de l’eau Ke, Eq. 24, des constantes d’acidité Kai de
l’acide faible, Eq. 38 et Eq. 39, et de CI qui correspond à l’excès de charges portées par les
ions accessoires libérés lors de la dissociation des acides et bases forts (de concentrations
respectives CA et CB), comme décrit précédemment, Tableau 8.
H O   H O  C
3
 3
3
 2
I  Ka1   H 3 O  C I Ka1  Ke  C a Ka1   KeKa1  0 Eq. 44
H O   H O  C  Ka   H O  Ka Ka  C Ka
3
 4
3
 3
I 1 3
 2
1 2 I 1  Ke  C a Ka1   ...
...H O C Ka Ka  KeKa  2C Ka Ka   KeKa Ka
3

I 1 2 1 a 1 2 1 2 0 Eq. 45
H O   H O  C  Ka   H O  Ka Ka  C Ka  Ke  C Ka   ...
3
 5
3
 4
I 1 3
 3
1 2 I 1 a 1
...H O  Ka Ka Ka  C Ka Ka  KeKa  2C Ka Ka   ...

3
 2
1 2 3 I 1 2 1 a 1 2
...H O C Ka Ka Ka  KeKa Ka  3C Ka Ka Ka   KeKa Ka Ka  0

3

I 1 2 3 1 2 a 1 2 3 1 2 3
Eq. 46
Il est possible de généraliser ce modèle pour tout acide faible à n acidités sous la forme d’un
polynôme de degré n+2, décrit par l’équation Eq. 47, dont les coefficients sont données par
l’équation Eq. 48.
pn1 H 3O    pn H 3O  
n 2 n 1
   p0  0 Eq. 47
 
 1 0 0  0
 
 Ka1 1 0 0 
 
 
 Ka1 Ka 2 Ka1 1 Ka1 
 
   1  
 Ka1 Ka 2 Ka 3 Ka1 Ka 2 Ka1 2Ka1 Ka 2   pn  2 
CI  
    
  Ke   Eq. 48
3Ka1 Ka 2 Ka 3  
  C   p0 

 Ka1 Ka 2 Ka 3 Ka1 Ka 2

 n   a
  Ka i  Ka1 Ka 2 Ka 3  
 i 1 
 n n 
 0  Ka i  n Ka i 
 i 1 i 1 
 n



0 0  Ka
i 1
i 0 

121
D’après Eq. 48, il apparaît que la mise à jour du polynôme pour le calcul du pH à chaque
instant nécessite seulement d’actualiser les concentrations C I et Ca, car tous les autres
paramètres sont constants. Pour l’implémentation de ce modèle, de simples bilans de matière
sur les différentes solutions composant le mélange (acide fort et/ou base forte, acide faible)
suffisent pour le calcul du pH à chaque itération.
Il n’existe pas de méthode analytique pour la détermination des racines d’un polynôme de
degré supérieur à 3. Cependant, comme pour le modèle Acide fort / Base forte, une seule des
racines du polynôme peut être solution de notre problème. Or nous connaissons son ordre de
grandeur car l’échelle de pH des solutions diluées va de 0 à 14, donc d’après la définition du
pH la concentration en H3O+ se trouve dans l’intervalle [10-14 ; 10-0].
Plusieurs méthodes de recherche itératives permettent la recherche d’une racine particulière

d’une fonction quelconque, nous avons implémenté deux d’entre elles : la dichotomie et la
méthode de Newton-Raphson, [www.wikipedia.com]. Leur description fait l’objet du § I-5-i
de cette troisième Partie.
La valeur de pH est finalement déduite de la concentration en ions H3O+ constituant la

solution du modèle polynomial selon l’équation Eq. 36. La Figure 51 montre le résultat de
l’implémentation de ce modèle pour un mélange Acide faible / Base forte.
Remarque : Il suffit de considérer le Ka d’un mono-acide fort comme nul pour retrouver
l’équation Eq. 34 à partir du modèle général de l’Eq. 48. Ce dernier permet donc aussi de
résoudre le cas particulier du mélange Acide fort / Base forte.
Figure 51 : Résultat d’implémentation du modèle général Acides faibles
122
Modèle général “Bases faibles”
Comme les acides faibles, les bases faibles ne sont pas entièrement dissociées dans l’eau et
il existe un état d’équilibre où coexistent la molécule de base (B) et son acide conjugué (BH+),
Eq. 49. Cet équilibre est caractérisé par une constante Kb définie selon la loi d’action de
masse, Eq. 26.
B  H 2O BH   OH  Eq. 49
Le principe de conservation de la matière pour l’exemple d’une polybase faible pouvant

capter n protons s’écrit comme indiqué en Eq. 50.
Cb  B  BH   BH22     BHnn   Eq. 50
En utilisant le même raisonnement que pour les polyacides faibles, nous avons défini un
modèle général permettant de calculer le pH d’un mélange entre une base faible et un acide
fort et/ou une base forte. Ce modèle prend la forme d’un polynôme, Eq. 51, dont l’inconnue
est la concentration en ions OH-. La variable n représente le nombre maximal de protons H+
qu’une molécule de la base faible peut capter, et C I correspond à l’excès de charges portées
par les ions accessoires libérés lors de la dissociations des acides et bases forts (voir modèle
Acide fort / Base forte). Les coefficients du polynôme sont estimés selon l’équation Eq. 52.
Les hypothèses pour la détermination de la solution sont les mêmes que pour le modèle
acide faible, car nous pouvons déduire du produit ionique de l’eau, Eq. 24, et de l’hypothèse
sur la concentration en H3O+ ([H3O+][10-14 ; 1], que la concentration en ions OH- appartient
elle aussi à l’intervalle [10-14 ; 1]. La racine du polynôme appartenant à cet intervalle est donc
solution du problème. L’expression du pH en fonction de [OH-] est donnée par Eq. 53.
m n1 OH    mn OH 

n 2 n 1
   m0  0 Eq. 51
 
 1 0 0 0 
 
 Kb  1 0 0 
 1

 
 Kb1 Kb 2 Kb1 1 Kb1    1
    mn 2 
  C  
  Kb1 Kb 2 Kb1 2Kb1 Kb 2    I      Eq. 52
 n  Ke  m 
  C b   0 
 
Kb i  Kb1 Kb 2 
i 1

 n n 


0  Kb
i 1
i  n Kb i 
i 1 
 n 


0 0  Kb i 0 

i 1 123
pH  14  logOH  Eq. 53
Le modèle Acide fort / Base forte peut là encore être retrouvé en considérant les Kb des
réactifs forts comme nuls. La Figure 52 montre le résultat obtenu par l’implémentation de ce
modèle pour un mélange Base faible / Acide fort.
Figure 52 : Résultat d’implémentation du modèle général Bases faibles
Modèle général “Deux réactifs faibles”
Le constat du fait que tous les modèles qui viennent d’être définis sont basés sur des calculs
matriciels simples, et que leur résolution par méthode itérative ne nécessite pas de grande
capacité de calcul, nous a permis d’envisager la définition d’un modèle encore plus général,
qui permet d’ajouter à tous les cas de figure présentés jusqu’ici celui du mélange de deux
réactifs faibles acides ou basiques (R1 et R2), avec un acide fort et/ou une base forte.
D’après les équations Eq. 24 à Eq. 26, Eq. 37 et Eq. 49, il apparaît que tout réactif faible est
constitué d’un couple acide / base qui peut être décrit indifféremment par son Ka ou son Kb,
puisque Ka  Kb = Ke. Une précaution doit cependant être prise dans la numérotation pour les
polyacides à n acidités telle qu’indiquée par l’Eq. 54.
124
Ka 1  Kb n  Ke

Ka i  Kb n i 1  Ke Eq. 54

Ka n  Kb1  Ke
Nous avons choisi de construire le modèle généralisé sous la forme d’un polynôme
d’inconnue [H3O+] en ne faisant intervenir que les Ka des réactifs dans le coefficient.
NB : Un résultat tout à fait équivalent peut être obtenu avec un polynôme d’inconnue [OH-] et
mettant en jeu les Kb dans ses coefficients.
Pour la suite de la description du modèle général, nous considérons un mélange contenant

un acide fort de concentration CA et/ou une base forte de concentration CB et deux réactifs
faibles, R1 qui peut échanger n1 protons, et R2 qui peut échanger n2 protons. Trois cas de
figure peuvent se présenter :
 R1 et R2 sont deux acides faibles,
 R1 et R2 sont deux bases faibles,
 R1 et R2 sont respectivement un acide faible et une base faible.
Le modèle généralisé est un polynôme de degré n 1+n2+2 présenté par Eq. 55, dont la racine
appartenant à l’intervalle [10-14 ; 1] est solution du problème, le pH étant alors calculé grâce à
l’équation Eq. 36. Les coefficients du polynôme font intervenir le produit ionique de l’eau Ke,
Eq. 24, l’excès de charges CI défini pour le modèle Acide fort / Base forte, Tableau 8, C R et
1
C R qui représentent les concentrations des deux réactifs dans le mélange, Eq. 56, et les
2
matrices M, M R et M R qui représentent la contribution des constantes d’acidité, Eq. 59.

1 2
rn n
1 2 2
H O 
3
 n1  n 2  2
   r1 H 3O    r0  0 Eq. 55
 1   r( n  n  2) 
   1 2 
M  CI  M R  CR  M R  CR     Eq. 56
  1 1 2 2
 Ke  r0 
L’écriture de l’équation d’électroneutralité pour le cas d’un mélange entre deux réactifs
faibles fait apparaître toutes les combinaisons obtenues par multiplication des constantes
d’acidité des deux réactifs.
Notons  i , i  [1, n1 ] les constantes d’acidité de R1 et i j, j [1, n 2 ] celles de R2.
125
La matrice P définie par l’équation Eq. 57, est une matrice de taille (n1+1, n2+1) qui contient
toutes les combinaisons de produits des constantes d’acidité de R1 et R2 nécessaires à la
détermination de la matrice M, Eq. 58, qui caractérise la partie des coefficients du polynôme
qui ne dépend pas des concentrations des réactifs faibles.
 1    
     
 1   
      
n2

P   1 2   1 1 1  2    j     Eq. 57
 n    j1     P( l, c ) 
 1   
 i   
i 1  
  P( l, c ) 0 0 
 l  c 2 
  P( l, c )  P( l, c ) 0 
 l  c 3 l  c 2 


 
l  c 3
P( l, c ) 
l  c 2
P( l, c ) 
 Eq. 58
M
 P(l, c )
 l  c  n 1 n 2  2
 
l  c 3
P( l, c ) 

 
 0  P(l, c )  
 l  c  n1 n 2  2

 0 0  P ( l, c ) 
 l  c  n 1 n 2  2 
Les paramètres C R et C R dépendent du type de réactif faible considéré. Le Tableau 9

1 2
résume les valeurs attribuées à C R et C R selon le type de réactif faible (acide ou base)
1 2
correspondant à R1 et R2. Pour les acides faibles, la concentration est notée Ca, pour une base
faible la concentration est notée Cb.
126
Tableau 9 : Valeurs de C R et C R selon le type des réactifs R1 et R2

1 2
R1 est un acide faible R1 est une base faible
CR  Ca CR  Cb
1 1 1 1
R2 est un acide faible
CR  Ca CR  Ca
2 2 2 2
CR  Ca CR  Cb
1 1 1 1
R2 est une base faible
CR  Cb CR  Cb
2 2 2 2
Pour la détermination des matrices M R et M R qui correspondent aux pondérations

1 2
respectives des concentrations des deux réactifs faibles dans le calcul des coefficients du
polynôme, Eq. 56, il faut tenir compte du cas de figure considéré. M R et M R sont des
1 2
matrices construites selon l’équation Eq. 59 où P’ prend la forme indiquée par le Tableau 10.
 0 
 PR' ( l, c ) 
 l  c 2
k 
 
MR
 
  l  c 3 k
P R
'
( l, c ) 
k
  Eq. 59
 
  PR ( l, c ) '
 l  c n1  n 2  2 k 
 0  avec k = 1 ou 2
Tableau 10 : Calculs16 de PR' en fonction du type des réactifs Rk (k=1 ou 2)

k
R1 est un acide faible R1 est une base faible
R2 est PR'   0 1  n 1   [10  1 2 ]   P PR'   n 1  1 0  [10  1 2 ]   P

T n T n
un 1   1  
PR'   0 1  n 2   [10  1 1 ]   P T PR'   0 1  n 2   [10  1 1 ]   P T
acide T n T n
faible 2   2  
R2 est PR'   0 1  n 1   [10  1 2 ]   P PR'   n 1  1 0  [10  1 2 ]   P

T n T n
une 1   1  
PR'   n 2  1 0  [10  1 1 ]   P T PR'   n 2  1 0  [10  1 1 ]   P T
base T n T n
faible 2   2  
16
Rappel : le produit terme à terme, noté ici , de deux matrices de même type A=(aij) et B=(bij) est défini tel
que : A  B  a ij  b ij 
127
Un exemple d’écriture de ce modèle pour un mélange entre deux effluents forts et deux réactifs
faibles est développé en Annexe 9.
Champs d’application des modèles pH
A leur entrée en station d’épuration, les eaux usées rejetées par les lignes de traitement de
surface d’un atelier sont mélangées entre elles. Le mélange constitué n’est connu que par un
nombre réduit de mesures caractéristiques, principalement le pH et parfois la température.
L’acheminement séparatif permet néanmoins de distinguer les effluents “potentiellement
cyanurés”.
Toutefois, compte tenu des types de traitements de surface effectués dans les ateliers et des
réactifs utilisés, nous pouvons raisonnablement poser l’hypothèse que les effluents sont des
acides forts et bases fortes, donc leur pH est indépendant des molécules d’acide ou de base
qu’ils contiennent car ils sont entièrement dissociés. Il est alors possible d’appliquer le
modèle Acide fort / Base forte aux mélanges entre effluents
Par contre, les réactifs utilisés pour les régulations acide et basique du pH, que ce soit dans
la cuve de décyanuration, celle de mise à pH/précipitation, ou au niveau de la neutralisation
finale, sont bien caractérisés. En général, leur composition et leur concentration sont connues
de façon précise. Il est possible alors d’utiliser le modèle correspondant au type de mélange
résultant de la régulation. Par exemple, pour la simulation du pH dans la cuve de
décyanuration chez EDC, nous utilisons le modèle “Acide faible” puisque les réactifs sont
l’acide carbonique (diacide faible) pour la régulation acide et la soude (base forte) pour la
régulation basique.
Le modèle “Deux réactifs faibles” décrit précédemment constitue un généralisation du

modèle “Acide faible”. Il permet la simulation d’une régulation du pH étendue à tous les
types de réactifs, forts ou faibles, mono- ou multi- acides ou bases. Pour être réellement
rigoureux, ce modèle devrait faire intervenir les constantes d’acidité des ions H3O+ et OH-,
mais cette précision n’influence les résultats que pour les valeurs de pH proches des
extrémités de l’intervalle [0 et 14] or ces zones ne sont pas intéressantes dans le cadre de la
simulation de données d’épuration industrielle car elles correspondent à des conditions de
concentration jamais atteintes par les effluents.
128
I-3-iv Modèle de calcul de la concentration résiduelle en métaux dissous après précipitation

des hydroxydes métalliques (solubilité)
Equilibres en phases hétérogènes
D’après [Didier 81], les réactions de précipitation des métaux dissous sous forme
d’hydroxydes sont des réactions ioniques hétérogènes, c'est-à-dire mettant en jeu deux
phases : une phase liquide et une phase solide (voir Partie I, §IV-2-iii), Eq. 60.
La loi d’action de masse pour ces réactions permet de caractériser l’équilibre mis en jeu par
son produit de solubilité Ks1. En solutions diluées, le produit de solubilité s’écrit comme
indiqué par l’équation Eq. 61.
NB : la loi d’action de masse relative au produit de solubilité ne peut s’appliquer que si la

solution est saturée, c'est-à-dire si le solide est en équilibre avec les espèces en solution. Dans
le cas contraire, il n’y a pas de précipité et la solution est homogène.
Mn+ + n OH- M(OH)n Eq. 60
Ks1  [M n  ]  [OH  ] n Eq. 61
Les hydroxydes peuvent en outre avoir un comportement amphotère, c'est-à-dire qu’ils

forment des complexes hydroxydes ioniques en solution alcaline, Eq. 62. Le produit de
solubilité Ks2 caractéristique de cet équilibre est défini en Eq. 63.
M(OH)n + m OH- M(OH) mm n Eq. 62
[M(OH) mm  n ]
Ks 2   m
Eq. 63
[OH ]
La quantité totale d’un métal M dans une solution aqueuse est par conséquent égale à la
somme des quantités de ses formes ioniques (Mn+ et M(OH) mm n ) et solide (M(OH)n), comme
indiqué en Eq. 64.
m (MOHn )
n(M)  M n   V  
 MOHm  n  V
m
 Eq. 64
M (MOHn )
n : quantité de matière (nombre de moles)

V : volume de solution
m : masse
M : masse molaire moléculaire
129
Solubilité des hydroxydes métalliques
La solubilité d’un précipité correspond à la quantité maximale de ce solide qui peut être
dissoute dans une solution aqueuse donnée. Elle représente la part des métaux dissous
contenus dans les effluents de traitement de surface qu’il n’est pas possible d’extraire par la
méthode conventionnelle de précipitation à la soude. L’objectif de la détoxication est de
minimiser cette part résiduelle de métaux dans l’effluent épuré. Pour les hydroxydes, la
solubilité est égale à la somme des concentrations des formes ioniques, Eq. 65.
s  [Mn  ]  [M(OH)mm  n ] Eq. 65
Comme le montrent les équations Eq. 60 et Eq. 62, l’ion OH- participe aux équilibres de
solubilisation des hydroxydes métalliques, par conséquent le pH a une influence importante
sur leur précipitation. A partir du produit ionique de l’eau, Eq. 24 et des lois d’actions de
masse régissant les équilibres de solubilisation des hydroxydes, Eq. 61 et Eq. 63 , la solubilité
en fonction du pH s’écrit selon l’équation Eq. 66.
s  Ks1  10 n (14pH)  Ks 2  10 m( pH14) Eq. 66
Les valeurs de pKsi de quelques métaux sont présentées en Tableau 11. La Figure 53
présente les courbes théoriques de solubilité de quelques métaux lourds en fonction du pH.
D’après l’équation Eq. 66, il est important de noter que la solubilité ne dépend pas de la
quantité totale des métaux dans la solution mais seulement du pH. Par conséquent quelle que
soit la teneur en métaux des effluents entrants, la régulation à un pH donné permet de garantir
une concentration fixe en métaux dissous dans les effluents sortants. Seule la masse de
précipité formé varie, Eq. 67.
m(MOHn )  n (M)  s  V  M(MOHn ) Eq. 67
n : quantité de matière (nombre de moles)

V : volume de solution
m : masse
M : masse molaire moléculaire
Ainsi, si la concentration dans un effluent entrant en station est supérieure à sa solubilité,
alors sa concentration après traitement sera égale à sa solubilité au pH fixé dans la cuve de
mise à pH / précipitation. Sinon, il n’y aura pas de précipitation et la teneur en sortie sera la
même qu’en entrée.
130
Tableau 11 : Récapitulatif des valeurs des valeurs de pKsi de quelques métaux, [Didier 81]
pKs1 pKs2
Plomb 15,3 1,3
CromeIII 30 0,4
Cuivre 19,7 5
Aluminium 32,5 -2
Zinc 17 16
Fer(II) 15,1 5,1
Figure 53 : Solubilité théorique des hydroxydes de métaux lourds en fonction du pH

([Mtotal] = 100 mg/L pour chacun des métaux présentés)
131
I-4 Exemples de modèles élémentaires de représentation
I-4-i Modèle de disparition de H2O2 dans le réacteur de décyanuration
La décyanuration des effluents issus des traitements de surface par le peroxyde d’hydrogène
est pratiquée en milieu alcalin pour prévenir le risque de dégagement d’acide cyanhydrique
toxique. L’efficacité de cette décyanuration est maximale à un pH compris entre 9 et 10,
[Lacourcelle 96].
La disparition du peroxyde d’hydrogène lors de la décyanuration d’effluents chargés en

cations de métaux lourds est le résultat de deux réactions parallèles qui sont l’oxydation des
cyanures et la décomposition de H2O2 [Bonan 93]. Ces deux réactions sont fortement
catalysées par les ions cuivre notamment.
L’automatisation de l’injection du réactif peroxyde d’hydrogène dans la cuve de

décyanuration chez EDC est asservie à la quantité résiduelle du réactif mesurée par technique
potentiométrique (voir Partie 2, § II-3). Etant donné les réactions complexes qui interviennent
dans la disparition du peroxyde d’hydrogène, il paraît difficile de construire un modèle de
connaissance précis.
Bonan et al [Bonan 93] ont développé un modèle semi-empirique incluant les réactions
d’oxydation et de décomposition du peroxyde d’hydrogène mais selon eux, le fait que les
constantes de leur modèle ne peuvent pas être exprimées en fonction des variables du système
implique que ce modèle semi-empirique n’apporte pas d’amélioration par rapport à un modèle
de représentation simple comme un modèle de premier ordre par exemple.
Par ailleurs, Leahy a décrit un modèle de représentation basé sur la corrélation de données
expérimentales de l'oxydation des cyanures par le peroxyde d'hydrogène, [Leahy 90].
Nous avons choisi de coupler deux modèles de représentation afin de faire apparaître
séparément les deux principales réactions consommatrices de peroxyde d’hydrogène dans le
réacteur de décyanuration. Le premier modèle, basé sur la cinétique réactionnelle a été décrit
par Beattie et Polyblank [Beattie 95], il permet de représenter la consommation de peroxyde
d’hydrogène par la réaction d’oxydation catalytique des cyanures. Le second modèle estime la
décomposition catalytique du peroxyde d’hydrogène par un modèle de premier ordre (voir
Partie II, § II-3). Ces deux modèles sont définis à partir de données expérimentales.
132
Modèle de l’oxydation des cyanures par H2O2 catalysée par le cuivre
La vitesse de la réaction d’oxydation des cyanures par le peroxyde d’hydrogène, Eq. 68, est
fortement influencée par la présence de cations lourds tels que Ni2+ ou Fe2+ et
particulièrement par Cu2+ qui est considéré comme le catalyseur privilégié de la réaction,
[Zumbrunn 3/69].
CN- + H2O2 CNO- + H2O Eq. 68
Les cations de métaux lourds sont l’un des principaux polluants rencontrés dans les
effluents issus des traitements de surface. S’ils sont en quantité suffisante pour permettre la
catalyse de la décyanuration il n’est pas nécessaire d’ajouter d’autre catalyseur, [Zumbrunn
3/69].
Beattie et Polyblank [Beattie 95] ont décrit le mécanisme réactionnel de la réaction

d’oxydation des cyanures par le peroxyde d’hydrogène en solution alcaline en présence de
cuivre ionique. D’après leurs expériences, l’oxydation des cyanures par le peroxyde
d’hydrogène en solution alcaline se déroule en trois étapes :
 Tout d’abord le cuivre ionique à l’état d’oxydation II est réduit et participe à la

formation du complexe Cu(CN)32-, Figure 54. Cette phase ne nécessite pas la
présence de peroxyde d’hydrogène, nous faisons l’hypothèse qu’elle est entièrement
achevée dans le bassin de stockage des effluents alcalins cyanurés.
Remarque : La décyanuration commencerait donc dès le stockage des effluents.
Figure 54 : Première étape de la décyanuration au peroxyde d’hydrogène,

formation des complexes Cu(CN)32-
CuII CuI Cu(CN)32-
3
(CN)2 CN-
H2O
CNO-
OH-
133
 Puis l’oxydation des Cu(CN)32- par le peroxyde d’hydrogène s’effectue de façon

stoechiométrique, Figure 55. Cette réaction se poursuit tant qu’il reste des cyanures
libres pour reformer les complexes Cu(CN)32-.
Figure 55 : Deuxième étape de la décyanuration au peroxyde d’hydrogène,

oxydation des complexes Cu(CN)32- par H2O2
Cu(CN)32- H2O2
CN- Cu(CN)2- CNO-
H2O
D’après ce mécanisme réactionnel, sous l’hypothèse que seuls les complexes

Cu(CN)32- sont oxydés par le peroxyde d’hydrogène à cette étape et tant qu’il existe
un excès d’ions CN- dans la solution, la concentration en Cu(CN)32- est constante et
indépendante de la concentration en CN- [Beattie 95].
La vitesse de formation (apparition) de Cu(CN)32- par complexation de CN- et

Cu(CN)2- est donc égale à sa vitesse d’oxydation (disparition) par H2O2, ce qui
permet de déduire que les vitesses de disparition de CN- et H2O2 sont égales, Eq. 69.
d[CN] d[Cu(CN)32]
  v1
dt dt
d[H 2 O 2 ] d[Cu (CN) 32 ]

   v2 Eq. 69
dt dt
or v1 v2
d’oùd[CN] d[H2O2]

dt dt
Les expériences de Beattie et Polyblank [Beattie 95] montrent que la réaction
d’oxydation des complexes Cu(CN)32- est d’ordre 1 par rapport à H2O2 ainsi que par
rapport au cuivre total, ce qui permet d’écrire la relation Eq. 70, [Didier 81]. La
constante de vitesse kexp de la réaction est déterminée expérimentalement (environ
0,1 mol-1.s-1), [Beattie 95].
d[CN] d[H2O2]
  kexp[H2O2][Cu] Eq. 70
dt dt
134
 Enfin, les complexes Cu(CN)2- sont à leur tour oxydés par le peroxyde d’hydrogène,
libérant du cuivre II qui précipite sous forme d’hydroxyde, Figure 56. Cette réaction
est fortement concurrencée par la réaction de décomposition catalytique du peroxyde
d’hydrogène, et nécessite par conséquent un excès de peroxyde d’autant plus grand
que la concentration en cuivre est importante.
Figure 56 : Troisième étape de la décyanuration au peroxyde d’hydrogène,

oxydation des complexes Cu(CN)2- par H2O2
Cu(CN)2- H2O2
OH-
CuII
Cu(OH)2 H2O CNO-
Modèle de la décomposition de H2O2 catalysée par les ions Cu2+
L’activité catalytique du cuivre dans la réaction de dissociation du peroxyde d’hydrogène a

été signalée depuis très longtemps. Un mécanisme de décomposition du peroxyde
d’hydrogène catalysée par Cu2+ mettant en jeu des superoxydes de cuivre et les radicaux
HO2, O2– et OH a été décrit par Luo et al, [Luo 88]. Les très nombreux paramètres influents
de ce mécanisme très complexe ne sont pas tous mesurables en conditions industrielles.
Nous avons donc construit un modèle de représentation, basé sur des observations de
l’évolution de la teneur en peroxyde d’hydrogène en présence d’ions cuivre, dans un réacteur
isolé (aucun débit entrant) ne contenant pas de cyanures (oxydation préalable des cyanures par
injection d’un excès de peroxyde d’hydrogène). Ces expériences ont été effectuées sur
effluents réels au sein de la station de détoxication de EDC (Partie 2, § II-3).
A partir de l’analyse des données issues de ces expériences, nous avons pu déterminer que
la décroissance de la concentration en peroxyde d’hydrogène est exponentielle et tend vers
une valeur non nulle. Ces observations nous ont conduits à procéder à une identification des
données par un modèle linéaire de premier ordre, Eq. 71. Les résultats d’identification pour la
détermination des paramètres de ce modèle sont présentés en Annexe 7.
t

[H 2 O 2 ] t  C  e 
 [H 2 O 2 ]finale Eq. 71
C : constante du modèle de premier ordre
 : constante de temps
t : temps
[H2O2]finale : Concentration théorique du peroxyde d’hydrogène à t infini.
135
I-4-ii Modèles d'automatique
Afin d'être cohérent vis à vis du système réel considéré, le modèle doit tenir compte des
dynamiques de fonctionnement des différents capteurs, contrôleurs et actionneurs. En effet,
les sorties du modèle ne pourront être comparées à d'autres valeurs réelles que celles affichées
par la supervision (mesures pH, potentiels redox, état des actionneurs, etc.). La modélisation
de ces sous-systèmes met en jeu des structures classiques d'automatique telles que par
exemple les fonctions de transfert, les réponses impulsionnelles, [Clerc 96].
Modèle de réponse des régulateurs, exemple des régulateurs Yokogawa® EXA pH400
Les régulateurs généralement utilisés pour le contrôle des réacteurs agités à flux continu en
épuration des effluents industriels sont de type proportionnel. Chez EDC par exemple ce sont
des contrôleurs Yokogawa® EXA pH400, configurés en fonctionnement temporel.
Les contrôleurs ont pour rôle d’ajuster la quantité de réactif à injecter en fonction du
décalage entre la mesure d’une variable chimique et une valeur consigne. Une régulation
stable correspond à une mesure qui s’écarte peu de la consigne (en valeur absolue) et avec une
fréquence faible de permutation d’état (marche/arrêt) des pompes.
Une régulation proportionnelle consiste à calculer la quantité de réactif à injecter comme

une proportion de l’écart entre la moyenne des mesures prises pendant un cycle de régulation
et la consigne. En régulation proportionnelle temporelle, la quantité de réactif à injecter est
ramenée à une durée d’injection à débit constant proportionnelle à la durée des cycles de
régulation. La durée d’injection calculée par le contrôleur prend effet au cycle de régulation
suivant, Figure 57.
Figure 57 : Schéma du principe d’une régulation proportionnelle temporelle
Cycle n Cycle n+1 Cycle n+2 temps
Mesure en Mesure en Mesure en

continu continu continu
moyenne moyenne
Calcul de la % %
proportion pour
injection au cycle
suivant
Durée d’injection =
proportion du cycle
(0 à 100%)
temps
136
Cycle n Cycle n+1 Cycle n+2
Régulation à une seule consigne :

Exemple de la régulation du minimum de [H2O2], Figure 58.
Figure 58 : Schéma d’une régulation à une seule consigne du minimum de [H2O2]

% de la durée
du cycle
Moyenne des mesures
100
sur le cycle précédent
90
Proportion du cycle Écart à la consigne

pour injection au
cycle suivant P
50
Valeur consigne
(exemple : 150 ppm)
10
[H2O2]
0
(ppm)
Zone
Injection continue proportionnelle Zone morte
(Exemple : 50 ppm)
Lors d’une régulation à une seule consigne, le contrôleur déclenche l’injection du réactif
lorsque la mesure de la variable chimique régulée est inférieure (ou supérieure) à une
consigne.
Par exemple, si la quantité de peroxyde d’hydrogène résiduel doit être maintenue supérieure
à une consigne égale à 150 ppm, alors l’injection de réactif n’est déclenchée que si la
moyenne des valeurs envoyées au contrôleur par le système de mesure pendant un cycle de
régulation est inférieure à 150 ppm.
Si la moyenne des mesures de la teneur en peroxyde d’hydrogène se situe dans l’intervalle

correspondant à la zone proportionnelle (paramètre de réglage, fixé par un opérateur de la
station, située par exemple entre 100 ppm et 150 ppm), alors la durée de l’injection de réactif
au cycle suivant est inférieure à la durée du cycle.
Si la teneur en peroxyde d’hydrogène se situe en dessous de la zone proportionnelle (par

exemple < 100 ppm), alors l’injection de réactif au cycle suivant est continue sur toute la
durée du cycle.
137
Afin d’éviter les démarrages et arrêts rapprochés des pompes doseuses injectant le réactif,
des garde-fous existent de part et d’autre de la zone proportionnelle. Ainsi, un écart inférieur à
10% de la zone proportionnelle ne déclenche pas d’injection, et un écart supérieur à 90%
produit une injection continue. Ceci permet par exemple, pour un cycle de régulation de 10
secondes, d’éviter les fonctionnements et arrêts de pompes inférieurs à 1 secondes.
Le modèle correspondant à la régulation schématisée en Figure 58 est représenté par les

règles Eq. 72.
Si moyenne(mesures) > consigne, alors temps d’injection = 0,

Sinon, Eq. 72
Si moyenne(mesures) < (consigne – zone proportionnelle),
alors temps d’injection = durée cycle,
Sinon temps d’injection = max(min(0,9 ; P ); 0,1)durée cycle.
Régulation à deux consignes :

Exemple de la régulation du pH en mise à pH / précipitation, Figure 59.
Figure 59 : Schéma d’une régulation à deux consignes pour le pH
% de la durée
du cycle
100
50
Régulation Régulation
basique acide
0
pH
Zone proportionnelle Zone morte Zone proportionnelle

basique acide
Consigne Consigne
basique acide
138
Lors d’une régulation à deux consignes, deux contrôleurs commandent l’injection de deux
réactifs afin de maintenir la valeur de la variable chimique régulée dans un intervalle précis.
Par exemple la valeur du pH dans une cuve de mise à pH / précipitation doit être proche de 10
pour que la précipitation des hydroxydes métalliques (e.g. Cu(OH)2, Zn(OH)2, Ni(OH)2) soit
optimale. Si le pH augmente au-delà de la consigne acide, un contrôleur commande l’injection
d’un réactif acide, et s’il diminue en deça de la consigne basique le second contrôleur dirige
l’injection d’un réactif basique. Le pH objectif se trouve dans la zone morte où aucun réactif
n’est injecté.
Configuration des paramètres des contrôleurs industriels :

Une zone morte suffisante, ménagée entre les consignes des deux régulateurs pour une
régulation à deux consignes, permet d’éviter les rebonds entre les deux régulations qui
provoquent surconsommation de réactifs et usure prématurée des pompes doseuses.
Les deux contrôleurs d’une régulation à deux consignes peuvent être paramétrés
différemment, en fonction des caractéristiques chimiques de leur réactif respectif (réactif fort
ou faible, concentration, etc.)
Une zone proportionnelle trop grande a pour résultat une régulation plus “douce” mais lente
et moins précise, incapable de pallier aux fortes perturbations et donc moins efficace. Une
zone proportionnelle trop petite provoque une régulation rapide mais souvent trop “raide”,
proche d’un mode “tout ou rien” (TOR).
Modèles des contrôleurs proportionnel et proportionnel – intégral discrets
La mise en place d’un contrôleur proportionnel ou proportionnel – intégral suppose la mise

en œuvre de vannes ou de pompes doseuses permettant de jouer sur le débit d’injection des
réactifs de manière proportionnelle, et pas seulement sur l’état “marche/arrêt”.
La réponse d’un contrôleur proportionnel à un écart () entre une mesure et sa consigne est
une proportion (Y) d’ouverture de vanne (ou de débit d’injection) en fonction du coefficient
proportionnel (KP), Eq. 73.
Y( t )  K P  ( t 1) Eq. 73
Le contrôleur proportionnel – intégral permet d’affiner cette régulation en intégrant l’erreur
statique passée, Eq. 74. Il est plus efficace (rapide, précis) dans le rejet des perturbations de
type “continu” (échelon ou créneau) que le contrôleur proportionnel pur.
t
Y( t )  K P  ( t 1)  K I  ( i ) Eq. 74
i 0
139
Modèle de comportement des sondes
Les expériences menées sur les sondes de mesure de pH (Partie 2, § II-2-iii) montrent que la
réponse d’une mesure de type potentiométrique suit un modèle linéaire de premier ordre.
D’après Landau [Landau 93] un modèle continu d’ordre 1 est caractérisé par la fonction de
transfert Eq. 75.
 sTd
Ge Eq. 75
H(s) 
1 s
G : Gain
 : Constante de temps
Td : Retard pur
Comme nous l’avons montré expérimentalement (voir Partie 2, § II-2-iii) les sondes pH
n’ont pratiquement pas de retard pur. Le temps de réponse (à 95%) des sondes industrielles
est de l’ordre de 30 secondes, soit une constante de temps  de 10 secondes.
L’expression de récurrence donnant la réponse discrète de y (e.g valeur de pH affichée) à un

signal u (e.g acido-basicité de la solution) d’une sonde pH est présentée en Eq. 76, où dt
représente la période d’échatillonnage.
  
dt

dt
y( t )  G1  e  u ( t 2)  e  y ( t 1) Eq. 76
 
140
I-5 Outils mathématiques
I-5-i Recherche d’une racine réelle d’un polynôme
Comme nous l’avons vu en § I-3-iii, le calcul du pH fait appel à la recherche d’une racine
particulière d’un polynôme qui constitue le sous-modèle. Pour assurer la transposabilité de
notre modèle nous avons décidé d’y intégrer une fonctionnalité permettant la recherche de
cette racine quel que soit l’environnement informatique (plateforme et logiciel). Nous avons
choisi de tester deux algorithmes qui ont fait leurs preuves dans le même genre de
problématique, à savoir la dichotomie et la méthode dite de Newton-Raphson,
[www.wikipedia.org].
Dichotomie
Du grec “couper en deux”, la dichotomie est un processus itératif qui restreint à chaque
étape un espace fini de recherche à l’une de ses deux moitiés : en supposant bien entendu qu’il
existe un élément unique dans l’espace de recherche qui soit solution du problème, le principe
de la méthode est de couper l’espace de recherche en son milieu, et d’éliminer la partie où la
solution ne se trouve pas grâce à un test élémentaire, et ainsi de suite pour chaque itération N.
Ainsi, pour la recherche de racine d’un polynôme, le test élémentaire est de déterminer le
signe de la valeur en x (f(x)) du polynôme pour chacune des extrémités de l’espace de
recherche [x1 ; x2], dont on sait qu’il contient une racine unique, ainsi que pour sa médiane
(x3). La racine se trouve dans la partie de l’espace bordée par les deux valeurs dont les
solutions sont de signes différents, Figure 60. Cette méthode est décrite par les règles
présentées en Eq. 77.
Figure 60 : Exemple de recherche d'une racine par dichotomie.
f(x) f(x)
f(x2)
f(x3) x1 f(x2) x1
x3 x2 x f(x3) x
f(x1) f(x1) x2
x3
Itération N Itération N+1
141
L’interruption de la recherche est déclenchée soit quand le nombre maximal d’itérations

(Nmax) fixé est atteint, soit lorsque la précision (p) voulue est acquise. Pour l’arrêt par la
précision, la taille de l’espace de recherche résiduel (x2–x1) doit donc être évaluée à chaque
itération. Sa moitié correspondant à la distance maximale entre la solution réelle et les bornes
cet l’intervalle, elle est comparée à la précision désirée, Eq. 77.
Tant que N < Nmax
x 2  x1
dx 
2
Eq. 77
Si dx  p
x3  x1 + d x
Si f(x1) et f(x3) sont de signe opposé, alors x2  x3,
Sinon x1  x3
Si N > Nmax OU dx  p, alors arrêt de la recherche
Méthode de Newton-Raphson
Définition :
C’est un algorithme de premier ordre bien connu pour la recherche d’une racine réelle d’une
fonction définie et dérivable. Elle consiste à remplacer de manière itérative la fonction par
l’estimée de sa tangente. A chaque étape, le zéro de l’approximation affine associée à la
tangente est calculé, ce zéro étant généralement plus proche de la racine de la fonction qu’à
l’itération précédente.
Figure 61 : Exemple de recherche de racine par la méthode de Newton-Raphson.
f(x)
 x2 x1 x0 x
142
Formulation de la méthode de Newton-Raphson :

Pour une fonction f définie, dérivable et à valeurs réelles, on définit par récurrence pour
chaque nombre naturel n, Eq. 78 :
f(x n )
x n 1  x n  où f’ est la dérivée première de f.
Eq. 78
f'(x n )
Comme pour la dichotomie, la recherche est interrompue quand le nombre maximal
d’itération (Nmax) fixé est atteint, afin d’écarter le risque de boucle infini qui peut survenir si
la recherche est initialisée trop loin de la racine. Lorsque la précision (p) est atteinte, c'est-à-
f(x n )
dire quand  p , la recherche s’arrête.
f'(x n )
Tant que N < Nmax

f(x)
dx  
f'(x)
Si f’(x)  0 ET |dx|  p Eq. 79
x  x+dx
Si N > Nmax OU f’(x) = 0 OU |dx|  p, alors arrêt de la recherche
Remarques :
L’abscisse de départ doit être raisonnablement proche de la solution réelle () car sinon
l’algorithme risque de diverger. Cette méthode peut donc difficilement être mise en œuvre si
l’on n’a pas une idée suffisamment précise de la solution à trouver.
Par contre, c’est une méthode qui converge très rapidement si les bonnes conditions sont
réunies (valeur de départ x0 suffisamment proche de , fonction strictement monotone entre
x0 et  et de dérivée non nulle en ). La convergence est alors quadratique, ce qui signifie que
le nombre de chiffres corrects est approximativement doublé à chaque itération.
Dans les cas où la dérivée ne peut pas être calculée et doit être estimée par la pente entre
deux points de la fonction, cette méthode est appelée méthode de la sécante, et elle est moins
efficace.
143
Application au calcul de pH
Choix de la précision
Comme nous l’avons vu en Partie II § II-2-i, la précision d’une mesure pH se situe au mieux
sur le chiffre des centièmes, il n’est pas nécessaire alors que nos estimations aient une
précision de moins de 1% pour pouvoir les comparer aux bases de données industrielles. La
valeur minimale pouvant être attribuée à la racine cherchée dans notre cas étant 10-14, une
précision de 10-16 aura l’avantage d’être valable sur tout l’intervalle de recherche [10-14 ; 1]
mais aura l’inconvénient de ralentir fortement le calcul dans les cas où la concentration en
ions H3O+ recherchée est plus importante (c’est à dire pour des pH bas).
Initialisation de la recherche
Comme nous l’avons vu plus tôt, quel que soit le problème dont on cherche la solution et la
méthode utilisée, il est indispensable de s’assurer que cette solution est unique dans l’espace
de recherche défini.
Dans le cas du modèle de calcul du pH, la racine recherchée correspond à une concentration
en ions H3O+ dans le domaine d’existence du pH [0 ;14] : cette valeur appartiendra donc à
l’intervalle [10-14 ; 1].
Pour la dichotomie, l’espace de recherche initial sera donc choisi tel que x1=10-14 et x2=1.
En ce qui concerne la méthode de Newton-Raphson, le point de départ peut a priori être

choisi au “milieu” de l’intervalle logarithmique, c’est à dire à 10-7 (soit pH=7) afin de réduire
d’emblée l’espace de recherche.
Résultats
Ces deux méthodes ont été implémentées en tant que fonctions en langage interprété de
Matlab afin que leurs performances (justesse des résultats mais aussi vitesse de calcul)
puissent être comparées. La courbe de référence est obtenue avec la routine ‘roots’ de
Matlab (utilitaire de recherche des racines d’un polynôme ; écrit et compilé en C).
La Figure 62 montre les réponses des deux méthodes présentées lors de la simulation du
dosage d’une base forte (soude 0,1M) par un triacide faible (acide phosphorique 0,1M) avec
une précision de 10-16 pour la recherche des racines et une initialisation à 10-7 pour la méthode
de Newton-Raphson.
144
Figure 62 : Résultats de simulation du dosage de la soude par l’acide phosphorique en fonction

de la méthode de recherche de racine d’un polynôme (Newton-Raphson initialisée à 10-7)
A C
B D
 Le graphique Figure 62 A présente la courbe de référence obtenue avec ‘roots’, le temps

de calcul est inférieur à 1 seconde pour l’ensemble de la courbe, soit 2000 points (avec un
ordinateur équipé d’un processeur Pentium 4 (3GHz) et de 512 Mo DDRAM).
 Le graphique Figure 62 D est une comparaison des performances de la dichotomie et de la

méthode de Newton-Raphson. Il présente le nombre d’itérations utilisées par les deux
méthodes pour parvenir à une réponse pour chaque point de la courbe de dosage. Les
temps de calcul globaux pour chaque méthode sont indiqués sous le graphique.Au premier
abord, il apparaît que la méthode de Newton-Raphson nécessite un plus petit nombre
d’itérations pour le calcul de chaque point de la courbe mais les calculs sont plus longs.
 Le graphique Figure 62 C présente la courbe de dosage obtenue par la méthode de

Newton-Raphson. La première partie de la courbe, pour laquelle les racines du polynôme
sont inférieures à la valeur d’initialisation (10-7), la méthode de Newton-Raphson permet
d’obtenir une réponse comparable à la routine ‘roots’. Cependant, pour la seconde partie
de la courbe (racines supérieures à l’initialisation), cette méthode donne des réponses
erronées (racines hors du domaine de recherche, nombres complexes). Il semble que la
méthode de Newton-Raphson ne soit performante sur le type de polynômes considéré
(voir § I-3-iii, modèle acide faible) que dans le cas ou la valeur de x0 est supérieure à .
145
 Le graphique Figure 62 B est le résultat obtenu avec la méthode de la dichotomie. Bien

que moins rapide, cette méthode est plus robuste que celle de Newton-Raphson. La courbe
de dosage est comparable à celle obtenue avec ‘roots’, et le nombre d’itérations est le
même (54) pour tous les points.
Afin de déterminer pourquoi la méthode de Newton-Raphson donne des résultats erronés

lorsque x0 est inférieure à , nous avons analysé le comportement du polynôme aux abords de
la réponse donnée par les deux autres méthodes (‘roots’ et dichotomie), Figure 63. Sur cet
exemple, la racine recherchée  est égale à 0,018 d’après la méthode dichotomique.
Figure 63 : Comportement du polynôme (modèle général “acide faible”)

au voisinage de la racine réelle cherchée
f(x)
A

x1 x0 
Il apparaît sur la Figure 63 A que la pente pour les x compris entre -0,04 et 0,04 est très
faible et on pourrait situer à première vue un point d’inflexion pour x = 0, laissant supposer
que sur l’intervalle de recherche conidéré [10-14 ; 1] la fonction est strictement croissante.
146
Mais en se rapprochant de la valeur de , il apparaît que la fonction atteint un minimum en

, situé dans l’intervalle [0 ; ], Figure 63 B. Par conséquent, si le point x0 est choisi dans
l’intervalle [10-14 ; ], la méthode de Newton-Raphson trouve une valeur de dx négative et
s’oriente vers la racine du polynôme inférieure (située à -0,13 environ sur la Figure 63 A ). En
outre, si x0 se situe au voisinage de , dx devient très grand en valeur absolue donc x1 sera très
éloigné.
Afin de garantir que la racine du polynôme trouvée par la méthode de Newton-Raphson soit
toujours celle qui se situe dans l’intervalle [10-14 ; 1], il faut choisir un x0 qui soit toujours
situé sur la branche parabolique à droite de . Il suffit pour cela de choisir x0  1.
Figure 64 : Résultats de simulation du dosage de la soude par l’acide phosphorique en fonction

de la méthode de recherche de racine d’un polynôme (Newton-Raphson initialisée à 1)
A C
B D
La Figure 64 montre que la méthode de Newton-Raphson initialisée à 1 (soit pH=0) est

encore moins rapide que la dichotomie. De plus, le nombre d’itérations nécessaires dans la
partie de la courbe des pH supérieurs à 7 est plus important avec la méthode de Newton-
Raphson que par dichotomie. Or dans le cadre de la simulation du pH en décyanuration ou en
mise à pH / précipitation, le pH objectif est la plupart du temps supérieur à 7.
La méthode de Newton-Raphson ne présente par conséquent aucun avantage par rapport à la

dichotomie dans le cadre de notre projet. Nous avons choisi d’utiliser désormais la dichotomie
pour les simulations qui nécessitent la recherche d’une racine de polynôme, pour sa
robustesse et la régularité de ses performances (précision, rapidité).
147
I-5-ii Recherche opérationnelle
L’optimisation ou recherche opérationnelle regroupe l’ensemble des techniques disponibles

pour trouver les valeurs des paramètres à appliquer à un processus industriel pour que son
fonctionnement soit optimal. Il s’agit de déterminer l’extremum d’une fonction objectif qui
peut-être : le rendement opératoire (maximum), le coût de fonctionnement (minimum),
l’occurrence d’une caractéristique du produit (maximum, minimum, ou valeur nominale selon
les cas), etc.
Par exemple, dans le cas d’un procédé chimique d’épuration, l’optimisation peut consister à
déterminer les paramètres de régulation qui permettent de minimiser l’écart entre la réponse
du système aux perturbations qu’il subit et sa consigne.
Il existe plusieurs types d’algorithmes permettant d’atteindre cet objectif. Les plus
communément utilisés sont :
 la méthode du simplex modifié, d’ordre 0, [Nelder 65] ;
 la méthode du gradient ou de la plus grande pente (steepest descent), d’ordre 1,
[Rosenbrock 65] ;
 la méthode de Newton, d’ordre 2, [Levary 88].
Pour résoudre un problème d’optimisation, il est important de trouver un compromis entre

la complexité, la rapidité et l’efficacité des méthodes de résolution. Parce que les modèles
implémentés dans le simulateur requièrent déjà une capacité de calcul importante, nous avons
choisi d’utiliser la méthode du simplex qui est à la fois robuste et la moins “gourmande” en
effort calculatoire. En effet, l’utilisation de la méthode de la plus grande pente nécessite
d’alourdir le calcul par l’estimation du gradient de la fonction objectif (estimation des
dérivées premières), et celle de la méthode de Newton par l’estimation de l’inverse du
Hessien de la fonction objectif (estimation des dérivées secondes).
En outre, nous ne connaissons pas a priori le conditionnement des problèmes d’optimisation

que nous avons à traiter, particulièrement en commande prédictive (par exemple présence de
discontinuités d’ordre 1 ou 2). Il vaut mieux alors commencer la recherche avec une méthode
ne faisant appel qu’aux évaluations de la fonction estimée.
148
La méthode du simplexe
L’objectif de l’optimisation est de trouver les valeurs des paramètres d’un processus qui
permettent d’atteindre une réponse optimale de la fonction objectif. Le principe de la méthode
du simplex est de réaliser une suite de transformations géométriques d’un ensemble de points,
appelé simplex, de façon à cerner un voisinage restreint de l’optimum de la fonction objectif.
Le simplexe est une figure géométrique dont les sommets sont définis par des points
représentant les expériences, c'est-à-dire que leurs coordonnées sont les valeurs des
paramètres et la réponse de la fonction objectif qui en résulte, [Porte 02(1)]. Pour un
processus à k paramètres, une expérience est définie par un point dans l’espace à k+1
dimensions et le simplex est une figure à k+1 sommets correspondant à k+1 expériences. Par
exemple, pour un processus à deux paramètres, le simplex est un triangle dans un espace à
trois dimensions.
Le principe de la méthode est de s’éloigner du point du simplex qui est le plus “mauvais”
(réponse de la fonction objectif la moins satisfaisante) par des transformations géométriques.
Pour cela, un nouveau simplex est formé en remplaçant le point le plus mauvais par son
symétrique par rapport au barycentre des deux autres, cette transformation est appelée
réflexion, Figure 65 A.
Si le nouveau point est meilleur qu’au moins un des deux autres, le simplex progresse par
remplacement du point le plus mauvais de ce nouveau simplex par son symétrique, et ainsi de
suite, Figure 65 B.
Si le nouveau point est à son tour le plus mauvais point du nouveau simplexe, la progression
est bloquée (oscillation perpétuelle entre les deux points symétriques). C’est alors le
symétrique du “second plus mauvais point” dans le “meilleur des deux simplex” qui est
utilisé.
Figure 65 : Méthode du simplexe, exemple d’optimisation à deux paramètres
x2 x2
A B
3 4 5 6
1 2
x1 x1
Réflexion Progression du simplexe
149
La méthode de Nelder et Mead [Nelder 65] est une méthode du simplex modifiée par l’ajout
de deux transformations géométrique : l’extension et la contraction, [Porte 02(2)].
L’extension, Figure 66 A, permet d’accélérer la progression du simplexe lorsque la bonne
direction a été trouvée, c'est-à-dire lorsque le symétrique est le meilleur point dans le nouveau
simplexe. La contraction permet de revenir sur ses pas si l’optimum a été dépassé, Figure 66
B.
Figure 66 : Méthode de Nelder et Mead, progression du simplex par extension ou contraction
x2 x2
A B
x1 x1
Extension Contraction
Au cours de notre étude, la méthode du simplex modifié de Nelder et Mead a été

implémentée pour la recherche des coefficients optimaux de l’interpolation linéaire des
mesures expérimentales de conductivité en fonction du rapport de dilution lors de la
constitution des courbes étalon, voir Partie II § II-1-i, ainsi que pour la détermination des
paramètres de régulation optimaux en commande prédictive, voir Partie III § II-1-iv.
150
Chapitre II : Base de connaissances pour la supervision de procédés en continu
CHAPITRE II : BASE DE CONNAISSANCES POUR LA SUPERVISION DE PROCEDES

EN CONTINU
II-1 Notions de simulation
II-1-i Définition et objectifs de la simulation
Définitions
D’après Jolivalt, « toute activité peut être représentée par des algorithmes, c’est-à-dire des
modèles théoriques qui reproduisent ou résument le comportement du modèle dans la
réalité », [Jolivalt 95]. ces modèles permettent donc de simuler les processus industriels.
La simulation est devenue un outil très performant grâce à l’implémentation informatique

des modèles.
Objectifs
Jolivalt distingue différents objectifs poursuivis par la simulation, parmi lesquels nous nous
intéressons, dans le cadre de cette étude, [Jolivalt 95] :
 à la simulation d’études, qui permet grâce à la modélisation

mathématique, d’évaluer les performances d’un système en cours de conception. Il
s’agit là d’une sorte de prototypage virtuel qui contribue à accélérer la conception
et le dimensionnement d’un système complexe tout en limitant les coûts et les
délais ;
 à la simulation d’entraînement, qui a pour vocation d’assurer une

formation ou le perfectionnement des opérateurs devant intervenir sur le système
réel, sans immobiliser le matériel, et en excluant tous les dangers liés à la
manipulation, elle inclut l’aide à la décision ;
 à la simulation scientifique, qui est un outil de formation et

d’enseignement, par le fait que le simulateur reproduit les aspects de la réalité, les
procédures et les équipements nécessaires à l’appréhension d’un contexte
industriel. Elle permet d’éviter des essais réels sur site auxquels sont liés des coûts
et parfois des risques.
151
II-1-ii Simulation discrète à partir de données réelles
Sur la plupart des systèmes récents de supervision des unités de traitement des effluents qui
nous intéressent il est possible de recueillir des données pour la modélisation et la simulation.
En effet, en règle générale l’automate enregistre les variables de surveillance du système de
façon périodique et les archive dans des bases de données. Ces dernières se présentent donc
sous la forme de séries chronologiques multivariées (i.e. plusieurs variables sont observées et
enregistrées simultanément dans le temps).
La simulation discrète utilise ces bases de données pour définir les variables d’entrée des
modèles discrets visant à reproduire le comportement des systèmes réels (voir Partie 3,
Chapitre 1). Les variables obtenues en sortie des modèles sont comparées à leurs homologues
contenues dans les bases de données.
Le pas de temps discret de la simulation doit coïncider avec l’intervalle d’échantillonnage

des données réelles.
II-1-iii Evaluation des résultats de simulation
La simulation à partir de données réelles présente deux niveaux où il est intéressant de tester
la qualité statistique de la réponse des modèles.
Tout d’abord, au cours de la modélisation du système ; il est important de vérifier la

cohérence entre la réponse simulée, tous les paramètres du système étant fixés comme dans le
cas réel (paramètres contrôleurs, états des actionneurs, etc.) et le comportement réel des
variables de sortie du système. C’est le calage du modèle.
Ensuite, lorsque il est admis que la simulation reflète bien le comportement du système, il
est possible d’évaluer la performance de ce dernier par rapport aux objectifs qu’il vise
(consignes, consommations, stabilité, robustesse de la régulation, etc.).
Calage des modèles
Le critère quadratique normé Qmes permet d’évaluer l’écart entre un ensemble X̂ de valeurs
estimées par simulation et son homologue X mesuré in situ, Eq. 80.
Q mes 

norme 2 X  X̂  Eq. 80
norme 2 X 
152
norme2 étant une norme quadratique, Qmes représente l’écart quadratique normé entre le
modèle et la mesure. On considère qu’un modèle de simulation est validé pour un critère Qmes
de l’ordre de (ou inférieur à) 10%, [Szafnicki 91].
Evaluation de performance
Le critère quadratique normé Qréal permet d’évaluer l’écart entre les mesures d’une variable
de supervision (X) et la consigne (X*) qui s’y applique, Eq. 81.
norme 2 X *  X  Eq. 81
Q réal 
norme 2 X * 
Ce critère permet d’évaluer les performances de la régulation d’un procédé. Un système est
considéré comme performant en régulation pour un critère Qcons inférieur à 10%.
De la même façon, le critère quadratique normé Qcons permet d’évaluer l’écart entre une
valeur estimée par simulation ( X̂ ) et l’objectif visé (consigne) par le système (X*), Eq. 82.
Q cons 

norme 2 X *  X̂  Eq. 82
norme 2 X * 
Pour un modèle validé, l’estimation d’une variable par simulation est peu différente de sa
valeur réelle. Le critère Qcons représente l’écart quadratique normé entre le modèle et la
consigne. Ce critère permet d’évaluer la performance de la régulation simulée d’un procédé,
par exemple au cours de la phase de conception d’un système.
En conditions normales de fonctionnement, dans le cas de modèles validés, les critères Qréal
et Qcons sont peu différents. Leur comparaison peut permettre de détecter un
dysfonctionnement, car toute divergence de leurs valeurs respectives entre elles doit faire
suspecter un fonctionnement anormal.
II-1-iv Commande prédictive
Il est possible d’extrapoler l’évaluation de performance d’un procédé à un système identique

mais configuré différemment. En effet, la simulation permet d’intégrer des modifications par
exemple sur le réglage des contrôleurs, les caractéristiques des réactifs, etc., afin de tester la
possibilité d’améliorer le système réel.
La commande prédictive consiste à minimiser l’écart entre la valeur désirée (consigne) de la

variable régulée et sa valeur simulée grâce au modèle, [Richalet 93] [Chagneau 00], c'est-à-
dire à minimiser Qcons en jouant sur les paramètres du système modélisé.
153
A cette fin les techniques de recherche opérationnelle peuvent intervenir pour faciliter la
recherche d’une configuration optimale. En effet, les paramètres des systèmes que nous
simulons sont le plus souvent interdépendants, l’optimisation doit par conséquent être menée
par une approche multicritère.
Nous avons choisi d’utiliser la méthode du simplex modifiée de Nelder et Mead [Nelder 64]
dans le cadre de cette étude pour sa robustesse et sa commodité d’implémentation (voir Partie
3, § I-5-ii).
154
II-2 Systèmes interactifs d'aide à la décision (SIAD)
II-2-i Définition
Apparus au début des années 70, les “Systèmes Interactifs d'Aide à la Décision” (SIAD) ou
decision support systems (DSS) sont aujourd’hui largement utilisés dans les entreprises. Ce
sont des logiciels dont la vocation est d'aider au traitement de l'information et à la prise de
décision. La principale caractéristique des SIAD est l'interactivité. En effet, la demande des
utilisateurs a poussé vers la conception de systèmes conviviaux, simples d'utilisation. Une
qualité importante des SIAD est qu'ils peuvent à la fois se présenter comme des systèmes
avancés pour utilisateurs confirmés, et comme des systèmes simples pour utilisateurs novices.
Parmi les SIAD, on peut distinguer ceux qui sont basés sur la recherche opérationnelle, donc
qui ont un objectif d'optimisation, de ceux qui gèrent des flux d'informations, des fichiers, ou
des bases de données. Les systèmes experts quant à eux font appel à la connaissance humaine,
formalisée par des règles et faits. Un système expert est conçu pour une tâche précise au sein
d'une entreprise, comme par exemple le diagnostic de panne ou la maintenance d'un matériel
donné [Benchimol 90].
II-2-ii Rôle des systèmes d'aide à la décision
Comme nous l'avons vu, les processus chimiques industriels sont majoritairement
automatisés, ce qui permet aux opérateurs chargés de la surveillance d'obtenir des
informations sur les paramètres du système. Mais les informations fournies par l'automate
sont souvent très abondantes, et parfois redondantes, ce qui ne facilite pas leur analyse en
temps réel, particulièrement pour des opérateurs occasionnels qui n'ont ni l'expérience ni une
connaissance du système très approfondie. Le rôle des systèmes d'aide à la décision est
d'assister les utilisateurs dans le traitement de l'information et la prise de décision in situ, en
temps réel.
La décision est un processus qui ne peut pas être entièrement automatisé, car elle est le
résultat d'une succession d'événements, qui peuvent être résumés en quatre phases: la prise
d'informations, la conception de scénario, la phase de choix et la phase d'évaluation du choix.
Les deux phases préparatoires à la prise de décision ainsi que l'évaluation de cette décision
peuvent être facilitées par l'utilisation d'un SIAD. Celui-ci, en augmentant la rapidité d'accès
aux informations pertinentes, ou en fournissant, par le biais de la simulation, des indicateurs
pour l'évaluation des scénarii choisis, va rendre le travail de l'opérateur plus efficace. La phase
de choix, par contre, ne relève en général que du décideur seul, [Lévine 89].
155
II-3 L’outil RESPECTS
Le SIAD RESPECTS (Rationalisation Et Supervision des Procédés d’Epuration en Continu

en Traitement de Surface) est né de la collaboration entre le centre SITE de l’Ecole Nationale
Supérieure de Mines de Saint-Étienne et deux entreprises de traitement de surface partenaires.
L’objectif était de développer un logiciel de simulation (des rinçages et de la station de
détoxication) qui puisse à la fois servir de système d’aide à la décision et d’outil de
communication pour la formation et l’information environnementale. Cette étude représente la
première phase de développement du logiciel RESPECTS qui se limite à l’heure actuelle à la
simulation des étapes chimiques de décyanuration et mise à pH / précipitation de la
détoxication des effluents.
Le développement de RESPECTS a dû prendre en compte le fait que les stations de

détoxication des effluents en traitement de surface sont toutes différentes, du point de vue des
procédés qui la composent ainsi que dans les modes et formats d’archivage des données de
supervision.
Afin que le logiciel RESPECTS puisse être adapté au cas particulier de chaque entreprise,
nous l’avons conçu de façon modulaire, ce qui le rend facilement compréhensible, adaptable
et modifiable. Il a tout d’abord été développé sous Matlab®, Annexe 10, puis transposé en
Java™ pour une raison de portabilité et d’accessibilité par internet, [Szafnicki 3/05].
Les trois objectifs de simulation présentés précédemment (simulation scientifique,

simulation d’entraînement et simulation d’études, cf. Partie 3, § II-1-i) peuvent être atteints
avec RESPECTS, et différents degrés d’informations sont disponibles selon le niveau de
compétences de l’utilisateur. Il peut de ce fait être à la fois un outil de sensibilisation à la
problématique de l’épuration en milieu industriel, un outil d’apprentissage, un outil
d’optimisation et d’aide à la décision.
156
II-3-i Structure modulaire de RESPECTS
Les phénomènes chimiques intervenant dans la détoxication des effluents seront simulés
sous forme de modules :
 Régulation du pH en décyanuration ;
 Oxydation des cyanures ;
 Réduction du chromeVI ;
 Régulation du pH en mise à pH / précipitation ;
 Précipitation des métaux ;
 etc.
Chaque module constitue un système dont l’utilisateur peut déterminer les paramètres :
qualité et quantité des effluents entrant, caractéristiques des réactifs, paramétrage des
contrôleurs, etc.
Des bases de données industrielles sont également disponibles, permettant d’effectuer des
simulations sur cas réels.
II-3-ii Interface utilisateur
Nous ne présenterons ici que l’interface de la version Java™ de RESPECTS qui est plus
conviviale et permet à l’utilisateur d’intervenir en temps réel sur la simulation (contrairement
à la version Matlab® qui a servi au développement et à la validation des modèles). Nous
décrirons particulièrement la simulation de l’évolution du pH dans un réacteur mélangé à flux
continu (Continuous flow stirred tank reactor : CFSTR).
L’interface utilisateur du logiciel RESPECTS est entièrement graphique, son utilisation ne

nécessite donc aucune connaissance en programmation.
Le lancement du logiciel avec un navigateur Internet quelconque ouvre la page html

principale, Figure 67. Elle présente tout d’abord le schéma synoptique d’un CFSTR pouvant
recevoir deux effluents distincts (effluents A et B) alimentés chacun par deux pompes de
relevage “tout ou rien” (resp. a1, a2 et b1, b2). Deux réactifs sont disponibles pour la
régulation du pH, un acide et une base, injectés par des pompes doseuse.
157
Sur ce schéma apparaissent aussi les valeurs de pH des effluents entrant et sortant du
CFSTR, ainsi que les pourcentages en masse des réactifs. Le schéma du CFSTR est animé, les
différentes pompes peuvent ou être déclenchées par un clic simple en mode manuel, ou
afficher les fonctionnements issus soit des bases de données industrielles (e.g. pour les
pompes de relevage), soit calculées par la simulation de la régulation en mode automatique
(e.g. les injections des pompes doseuses).
La seconde partie de la fenêtre fait apparaître plusieurs variables (pH des effluents entrants,
concentrations en masse des réactifs, pH objectif), que l’utilisateur peut ajuster directement
grâce à des “Scroll bars”. D’autres informations sont affichées en temps réel durant la
simulation comme le temps de fonctionnement de la station simulé, les volumes d’effluents
traités (en m3), les volumes de réactifs consommés (en L) et le coût estimé engendré par cette
consommation (en €), le critère quadratique normé représentant l’efficacité de la régulation.
Les actions de mise en marche de la simulation, arrêt, remise à zéro, validation des
modifications, sont commandées par un clic sur des boutons dédiés dans la fenêtre principale.
La simulation de l’évolution du pH dans un CFSTR en fonctionnement manuel

(déclenchement manuel des pompes de relevage et pompes doseuses) avec les réactifs par
défaut (acide sulfurique et soude) est possible à partir de cette fenêtre principale.
Figure 67 : Fenêtre principale de RESPECTS
pH des effluents Pourcentages massiques

entrants des réactifs (%) Réglage du pH des
effluents entrants
Pompes de relevage de Pompes

l’effluent B doseuses
pH de
l’effluent
sortant Volume
d’effluents
traités
Pompes de Consommations
relevage de et coût des
l’effluent A réactifs
Réglage des
pourcentages
Critère des réactifs
quadratique
normé Réglage du pH
objectif pour le
calcul de QN
158
Pour les utilisateurs intéressés par la simulation sur données réelles, le bouton “Fichier” de
la fenêtre principale donne accès à un choix de bases de données, archivées par date,
correspondant à des journées de fonctionnement de la station de EDC comportant un ou
plusieurs aléas intéressants, Figure 68 A, par exemple un pH inférieur à 7 dans le bassin de
stockage des effluents alcalins et/ou cyanurés, un pH d’effluent entrant extrême (acide à pH <
2 ou base à pH > 12), une panne d’injection d’un réactif de régulation, Figure 68 B, etc.
L’utilisateur peut visionner des graphiques commentés correspondant aux fichiers industriels,
qui présentent de façon synthétique leur contenu et résument les aléas présents.
Cette fenêtre, Figure 68 A, permet aussi à l’utilisateur de déterminer la configuration de

cuve qu’il souhaite simuler en déterminant le type des effluents entrant. Ainsi, l’interface
donne le choix entre une cuve de décyanuration reçoit seulement des effluents basiques, une
cuve de mise à pH / précipitation après décyanuration qui reçoit des effluents acides et des
effluents décyanurés, ou une cuve de mise à pH / précipitation sans décyanuration alimentée
par des effluents acides et des effluents alcalins.
Enfin, cette le choix de l’algorithme de calcul de racine des polynômes pour le calcul pH,
entre la méthode de la dichotomie et la méthode de Newton Raphson, est possible sur cette
fenêtre Figure 68 A.
Figure 68 : Fenêtre “Fichier” de RESPECTS
A B
PH20000427.txt : pHa variable. Panne régul. pH décyan
159
Tous les paramètres et réglages ayant trait à la régulation sont regroupés dans une fenêtre
“Configuration régulation” accessible depuis la fenêtre principale par un bouton dédié. Les
types (industriel ou PI) et paramètres (consigne et écart, KP et KI) des contrôleurs acide et
basique peuvent être modifiés de façon indépendante. Les réactifs acide et basique sont à
choisir dans des listes déroulantes. La sélection par un clic d’un réactif permet d’afficher ses
caractéristiques (pourcentage massique, constante(s) d’acidité, estimation de prix), Figure 69.
Figure 69 : Fenêtre “Configuration régulation” de RESPECTS
Les résultats de simulation sont récapitulés sur une fenêtre dédiée (accessible par le bouton
“Graphiques” de la fenêtre principale), Figure 70. Le graphique est similaire à ce qui peut être
vu sur un écran de supervision. Les courbes d’évolution des paramètres chimiques en fonction
du temps s’affichent au fur et à mesure de la progression de la simulation
Les informations présentées sur la fenêtre “Graphiques” à chaque itération de la simulation

sont celles affichées en temps réel au niveau du synoptique de la fenêtre principale.
L’utilisateur peut donc choisir de suivre les données dans leur contexte et de manière
instantanée, comme s’il intervenait dans une station de détoxication réelle, avec pour seules
informations les valeurs affichées sur les systèmes de mesure des variables chimiques, ou de
suivre leur évolution comme il le ferait à un poste de supervision.
160
Figure 70 : Fenêtre “Graphiques” de RESPECTS
pH de l’effluent B
pH simulé de
l’effluent sortant
pH de l’effluent A
Fonctionnement des pompes de

relevage b1 et b2
Fonctionnement des pompes de

relevage a1 et a2
Fonctionnement simulé de la
pompe doseuse du réactif alcalin
Fonctionnement simulé de la
pompe doseuse du réactif acide
II-3-iii Organisation du logiciel
La valeur de chaque variable du système à un instant donné dépend de sa valeur à l’instant

précédent et des perturbations intervenues dans l’intervalle de temps entre les deux. Par
conséquent l’évolution des variables est simulée par itérations successives.
Les différents modules sont programmés en blocs, facilement repérables dans le code
source. Ils peuvent être activés ou désactivés selon le contexte à simuler.
Les fonctions élémentaires (calcul pH, recherche de racine, etc.) sont programmées sous
forme de fonctions, ainsi elles peuvent être appelés par plusieurs modules au cours d’une
même itération.
Les différentes fonctionnalités du logiciel seront détaillées sur des cas d’application en
quatrième partie.
161
MODELE ET SYSTEME INTERACTIF D’AIDE A LA
DECISION
Dans cette partie, nous avons présenté notre démarche de modélisation pour aboutir à la
construction d’un logiciel de simulation. Nous avons abordé les types de modèles utilisés
(modèles de connaissance, modèles de représentation) et leur structuration au sein du SIAD.
Nous avons décrit les systèmes élémentaires composant les procédés étudiés (par exemple
réacteur, réaction chimique, système de mesure, etc., pour un procédé chimique de
détoxication) et les modèles que nous utilisons pour leur simulation.
Le résultat matériel de cette étude est la création du logiciel RESPECTS, qui (en l’état) est
un outil intéractif de simulation du traitement chimique des effluents aqueux issus du
traitement de surface. Ses possibilités d’application sont nombreuses. Il a particulièrement été
développé pour remplir des fonctions d’aide à la décision, mais il peut aussi être utilisé
comme outil d’enseignement. C’est ce que nous nous proposons de développer dans la partie
qui suit.
Le logiciel RESPECTS a été référencé par l’APP (Agence pour la Protection des
Programmes) au n° IDDN.FR.001.410001.000.R.P.2004.000.30625
162
QUATRIEME PARTIE :
APPLICATIONS DE L'OUTIL
DE SIMULATION
163
Chapitre I : Applications didactiques
CHAPITRE I : APPLICATIONS DIDACTIQUES

I-1 Problématique et objectifs de formations
Par nature, l’enseignement est un phénomène très complexe qui fait intervenir deux parties,
l’enseignant et l’apprenant, qui ont des points de vue différents sur le cours ou la formation
qui est dispensée. Il peut être utile d’apporter un catalyseur pour les faire concorder, et c’est
un rôle qui peut être joué par un simulateur.
Comme l’écrit Ramsden [Ramsden 92], il existe une dissemblance entre le message que
cherche à transmettre le formateur et ce que les apprenants acquièrent comme connaissance.
Tandis que les derniers ont tendance à considérer qu’apprendre se résume à mémoriser une
grande quantité de connaissances nouvelles comme un lexique approprié, des formules, des
méthodes, des procédures, le premier essaie en général de leur transmettre une vision plus
conceptuelle, une compréhension plus globale des phénomènes. Cette distinction est d’autant
plus forte que le niveau académique des apprenants est bas, car ils ne sont alors pas habitués à
conceptualiser le discours qu’ils entendent.
En proposant l’utilisation d’un outil de simulation pour l’apprentissage, notre objectif n’est
pas de remplacer les cours en présentiel. Il ne s’agit pas de mettre les apprenants seuls devant
un logiciel qui tiendrait lieu de formateur, mais au contraire d’enrichir les échanges entre
formateur et apprenants réunis autour du simulateur, ainsi qu’au sein du groupe d’apprenants,
en développant les mises en situation et le travail collaboratif. Ramsden indique à ce sujet,
[Ramsden 92], que l’utilisation d’une simulation par ordinateur peut inciter les étudiants à
travailler ensemble, à tester leurs connaissances, à chercher l’information qui leur fait défaut,
etc.
« Dis-moi et j’oublierai, montre-moi et je me souviendrai, implique-moi et je comprendrai »

Confucius (551-479 av. J.-C.) [www.confucius.org]
Pour être efficace l’apprentissage doit être actif, il faut mettre l’apprenant dans une situation
où il veut apprendre. Pour créer ce besoin d’apprendre, le simulateur place l’apprenant devant
un problème qui est en lien direct avec des connaissances qu’il doit acquérir pour résoudre le
problème. Ce schéma didactique met en place une dynamique, une motivation par un
mécanisme d’appropriation du savoir, comme le confirment les deux expériences développées
plus loin dans ce chapitre.
165
Quatrième Partie : Applications de l’outil de simulation
Le travail en groupe autour du simulateur permet aussi de dynamiser l’acquisition de

connaissances et la compréhension, car il conduit les apprenants à reformuler leurs
connaissances pour les transmettre aux autres, ce qui nécessite une bonne appropriation
préalable des savoirs.
Nous avons distingué, dans le cadre de cette étude, trois objectifs didactiques pouvant
intéresser différents publics : La sensibilisation, qui à pour vocation de présenter
sommairement les procédés pour mettre en exergue les problématiques de sécurité et de
protection de l’environnement ; l’entraînement, qui s’adresse à des professionnels qualifiés du
domaine souhaitant se perfectionner et se préparer à réagir à des événements particuliers ; et
la formation, qui apporte des connaissances de base et/ou approfondies sur les procédés et les
techniques à un public novice.
I-1-i Sensibilisation aux problèmes d’épuration en milieu industriel et diminution des

mauvaises pratiques
Dans toute entreprise industrielle, le secteur production représente en général la majorité de

l’effectif et surtout la principale source de déchets solides et liquides. La quantité et la qualité
des effluents produits dépendent des habitudes de travail et méthodes appliquées au sein des
ateliers de production et elles influencent directement le fonctionnement de la station
d’épuration. De ce fait, lors de la mise en place d’une politique environnementale par exemple
dans une entreprise de traitement de surface, les opérateurs de production sont les principaux
acteurs concernés par la modification de leurs pratiques.
Cependant il n’est pas aisé de changer les habitudes, particulièrement dans des domaines où
les méthodes de production sont historiquement ancrées comme dans les traitements de
surface. La mise en œuvre de nouvelles pratiques nécessite la participation de tous les
intervenants sur les outils de production, des chefs d’ateliers aux opérateurs sur machines.
Toutefois en conditions industrielles, le temps imparti à la formation doit être réduit pour ne
pas ralentir la cadence de production et pour accélérer le processus, elle se limite souvent à
répondre à une question essentielle : « Comment changer ? ». Cependant, pour obtenir une
réelle implication de la part de tous les acteurs, il serait nécessaire avant tout de répondre à
une autre interrogation légitime : « Pourquoi changer ? »
166
Une responsabilisation des personnels travaillant dans les ateliers peut être obtenue avec
l’utilisation d’un outil de simulation. En effet, il permet de sensibiliser les opérateurs aux
conséquences sur le procédé d’épuration de leurs actions effectuées dans l’atelier.
L’interactivité du SIAD autorise les utilisateurs à simuler des situations qui les concernent,
leurs propres pratiques ou des cas de figure sur lesquels ils s’interrogent. Exemples :
« Pourquoi ne pas déverser un effluent dans le mauvais réseau si cela me fait gagner du temps
et augmente ma productivité ? » « Pourquoi prévenir quand j’ai fait une erreur de dépotage
puisque je prendrai alors le risque de me faire réprimander ? »
D’une simple augmentation des coûts de détoxication à l’arrêt total de l’usine, d’un rejet
non autorisé à une émanation toxique, les conséquences des mauvaises pratiques sur
l’efficacité et la sécurité du personnel de la station et/ou du processus d’épuration sont
nombreuses. Leur simulation permet de donner une représentation concrète des effets d’un
acte pour responsabiliser ceux qui pourraient en être les auteurs.
I-1-ii Entraînement des opérateurs et des ingénieurs à la supervision d’une station

d’épuration
La simulation d’entraînement a pour objectif la formation ou le perfectionnement

d’opérateurs devant intervenir sur le procédé [Jolivalt 95]. L’outil de simulation est un moyen
largement utilisé dans de très nombreux domaines (simulateurs de vol, simulateurs de
conduite d’unité de production électrique nucléaire, etc.) pour tester les comportements et
réactions des hommes face à des situations particulières, que ce soit en fonctionnement
normal ou en cas de défaillance. Il permet par exemple de préparer les opérateurs en charge de
la station d’épuration à détecter les signes de fonctionnements anormaux pouvant conduire à
une situation accidentelle, afin de les familiariser avec les procédures d’urgence par exemple.
I-1-iii Formation aux techniques d’épuration chimique sous contraintes industrielles
Célestin Freinet pose le “tâtonnement expérimental” comme principe fondamental de

l’apprentissage naturel, [Legrand 96]. Cette pédagogie alternative place l’apprenant en tant
qu’acteur de son apprentissage, contrairement aux méthodes “classiques” qui en font plutôt un
spectateur. L’élève construit lui-même son savoir en trouvant des réponses aux questions
sollicitées par un problème posé. Pour cela il doit être guidé par le formateur, qui met à
disposition les ressources et oriente ses pistes de recherches.
167
Concernant l’apprentissage du fonctionnement d’un procédé d’épuration industriel, il est

très difficile de mettre en place des sessions d’expérimentation en conditions réelles pour les
étudiants, pour des raisons évidentes de sécurité, de logistique et de coûts. La simulation
scientifique [Jolivalt 95] peut apporter une réponse à ce problème par le fait que le
“tâtonnement expérimental” dans une station d’épuration virtuelle permet aux étudiants de
découvrir le comportement des procédés de détoxication dans les situations qu’ils provoquent
et en tenant compte des contraintes industrielles. De ce point de vue, l’outil de simulation
trouve sa place au sein de l’enseignement académique parmi les nouvelles technologies de
l’enseignement (NTE).
Outre son utilisation comme laboratoire d’expériences virtuelles, le simulateur a la

particularité, par son aspect convivial et ludique, d’inciter à la communication et les échanges
entre les apprenants. Il facilite la mise en place spontanée d’un apprentissage coopératif, où
les étudiants n’hésitent pas à échanger des informations. Ils sont responsables de leur
apprentissage et impliqués dans celui des autres.
I-2 Caractérisation des publics visés
Selon l’objectif didactique visé, l’outil de simulation s’adresse à des publics très différents
par leurs compétences initiales. Par exemple dans le cas du perfectionnement des opérateurs
station nous avons affaire à des apprenants qui connaissent très bien le procédé d’épuration,
les contraintes industrielles, etc., mais qui sont assez peu familiers avec les outils
informatiques ; alors que dans le cadre d’un cours en génie des procédés sur l’épuration
industrielle pour des élèves ingénieurs, les apprenants ont peu de connaissances des procédés
mais maîtrisent bien les outils informatiques. C’est pourquoi l’outil RESPECTS est construit
de façon à permettre à l’utilisateur de choisir lui-même le niveau de précision et la quantité
des informations affichées.
I-2-i Les publics professionnels
Opérateurs production
Les opérateurs travaillant dans les ateliers de production ont un rôle non négligeable à jouer
pour optimiser le fonctionnement et les performances de la station d’épuration. En effet, une
bonne gestion des rinçages, une exécution consciencieuse des procédures de dépotage, etc.,
sont des conditions nécessaires pour un fonctionnement sûr et efficace de la station
d’épuration.
168
Mais dans un contexte dominé par la contrainte de production et du fait de l’absence de

connaissances a priori de la problématique de détoxication, les opérateurs de production ont
tendance à donner la priorité à la qualité de production et au rendement. De plus, les
entreprises de traitement de surface, qui sont soumises à des fluctuations importantes de leur
charge de travail en fonction des marchés, ont souvent recours à l’embauche d’ouvriers
intérimaires. Ces personnes ne restent que peu de temps dans l’entreprise, c’est pourquoi elles
doivent être opérationnelles le plus rapidement possible.
L’intégration d’un module de sensibilisation à la problématique d’épuration des effluents

dans les formations sur l’hygiène et la sécurité sur le lieu de travail, dispensées à chacun des
salariés des entreprises de traitement de surface, permettrait de toucher l’ensemble des
personnes intervenant en production.
Le niveau académique des ouvriers travaillant sur les chaînes de traitement de surface est
souvent assez bas, ils sont de ce fait assez réticents devant des formations traditionnelles de
type cours magistral où ils ont tendance à rester des auditeurs passifs. De plus ils peuvent
éprouver une gêne à poser des questions devant une assemblée, et leur apprentissage reste très
superficiel.
Opérateurs station
Les techniciens qui travaillent de façon habituelle dans la station d’épuration sont en général
peu nombreux et ils ont un niveau de qualification et de spécialisation important, ils sont par
conséquent très difficiles à remplacer en cas d’absence (maladie, congés, formations, etc.) Il
peut donc être intéressant pour l’entreprise d’avoir la possibilité de former rapidement un
autre opérateur. L’utilisation du simulateur pour ce type de formation a l’avantage de
permettre à l’apprenant de voir en un temps restreint, grâce à la simulation en temps accéléré,
un panel important des situations auxquelles il aura à faire face. Il peut par exemple apprendre
à réagir à une arrivée d’effluent hors normes, ou encore apprendre à détecter certaines
défaillances du système.
Par ailleurs, les intervenants usuels à la station peuvent exprimer un besoin d’entraînement
face à des circonstances exceptionnelles. En effet, il leur est possible avec l’outil de
simulation de tester la stabilité et la robustesse du procédé mais aussi de se familiariser avec
certaines procédures et protocoles, comme par exemple un fonctionnement en “mode
dégradé” en cas de pannes.
169
Responsables sécurité / environnement
Comme les techniciens qualifiés intervenant habituellement dans les stations, les ingénieurs
responsables de la sécurité et de l’environnement dans les entreprises de traitement de surface
peuvent souhaiter s’entraîner à réagir en cas de crise au niveau de la station. Le simulateur
leur donne un accès rapide à l’ensemble des données archivées du fonctionnement de la
station, leur permettant de s’entraîner à résoudre plus rapidement des problèmes déjà
rencontrés. Il leur permet en outre de tester des situations qui n’ont jamais eu lieu mais qui
pourraient présenter des risques, afin d’en tenir compte par exemple dans l’organisation du
travail dans les ateliers (e.g. vidanges de bains échelonnées, alternance des gammes, etc.)
I-2-ii Les étudiants en formation initiale
Comme nous venons de le mentionner concernant les publics professionnels, divers degré
d’apprentissage sont envisageables avec l’outil de simulation RESPECTS, en tenant compte
des différents niveaux de compétences préalables. Pour les élèves en formation initiale aussi,
différents niveaux de formation sont possibles, permettant l’utilisation de l’outil à tous les
degrés académiques : CAP (certificat d’aptitude professionnelle) suivi par de futurs
opérateurs, Baccalauréat professionnel et BTS (brevet de technicien supérieur) préparant aux
postes de chef d’équipe ou de chef d’atelier, Ecole d’ingénieur, etc.
Dès la parution dans Galvano-Organo (revue mensuelle spécialisée destinée aux
professionnels du traitement de surface) d’un article présentant le logiciel RESPECTS
[Szafnicki 3/05], un enseignant de filière “traitement de surface” dans un lycée professionnel
nous écrit : « […] cela fait quelques années déjà que je cherche à acquérir un logiciel
simulant un système d’épuration des eaux […] ». Le besoin d’un outil de simulation utilisable
dans le cadre d’une formation dans le domaine du traitement de surface est donc réel, puisque
des enseignants en sont demandeurs mais ne trouvent pas d’offre adéquate sur le marché.
Comme l’ont affirmé Crampes et Saussac, le simulateur pédagogique permet de

« développer certaines compétences des apprenants en les plaçant en situation d’opérateur »,
[Crampes 99]. C’est un outil qui séduit les élèves, car il leur « permet de changer des
habituels travaux dirigés écrits et de se rapprocher de cas d’utilisation concrets », comme
nous l’a écrit un élève ayant suivi le module de formation en axe PSI (voir plus loin, § II-4).
170
Les sessions de formation avec le simulateur doivent être accompagnées d’une présentation
du contexte sur l’industrie des traitements de surface et l’épuration des effluents qui doit être
adaptée au niveau des élèves. Puis le corps de l’apprentissage se construit comme un jeu de
rôle scénarisé, où le simulateur guide les apprenants dans leur recherche d’informations en les
incitant par exemple à poser des questions aux encadrants pour résoudre un problème.
Les étudiants, que ce soit dans le secondaire ou dans l’enseignement supérieur, sont
habitués à suivre des cours structurés, présentant un plan et une logique propre à l’enseignant.
Le jeu de rôle assisté par un simulateur permet aux élèves de suivre leur propre logique, de
structurer eux-mêmes leur cheminement par le principe du “tâtonnement expérimental”.
Cette méthodologie peut dérouter certains étudiants qui n’arrivent pas à se détacher de la
dialectique linéaire d’un cours traditionnel. Un élève par exemple nous a demandé “une
correction du simulateur”, voulant connaître “la logique de raisonnement la plus judicieuse”
pour résoudre le problème, alors que le principe même d’une telle formation est de laisser les
apprenants trouver leur propre méthodologie selon leur propre raisonnement (avec l’aide de
l’encadrant si besoin est), il n’existe donc pas de “meilleure solution universelle”.
I-3 Expérimentation de RESPECTS pour l’initiation à la supervision d’un

processus chimique en continu
I-3-i Séance d’initiation en cycle ISTP
Dans le cadre du module de chimie de l’option environnement, dispensée en deuxième

année aux élèves en formation alternée (FA) de l’Institut Supérieur des Techniques de
Productique (ISTP, www.istp-france.com), nous avons mis en place pour la session 2005 une
séance d’initiation à la supervision d’un processus chimique en continu utilisant le simulateur
RESPECTS.
Le module de chimie comporte 32 heures de cours magistraux reprenant les bases de chimie
générale dont 12 heures de chimie en solution. Ce module insiste particulièrement sur les
aspects environnementaux et sécuritaires de la chimie en milieu industriel. Les cours
magistraux sont illustrés par des travaux dirigés sous forme d’exercices (4 heures). Treize
élèves de ce module ont participé à la séance de simulation avec l’outil RESPECTS.
171
Cette séance d’initiation à la supervision de processus en continu dure deux heures :
Elle débute par une présentation/discussion d’une quinzaine de minutes sur le traitement de
surface et l’épuration afin de déterminer les connaissances préalables des élèves sur le sujet.
Après une brève explication du fonctionnement du simulateur, les élèves doivent optimiser
le fonctionnement d’une cuve de mise à pH/précipitation virtuelle en choisissant les réactifs
appropriés et en configurant les régulateurs pour un objectif donné de pH en sortie. Pour
l’optimisation ils doivent tenir compte de l’efficacité, des coûts, et de la robustesse de leur
procédé virtuel.
I-3-ii Caractéristiques des apprenants ISTP
Les élèves en FA de l’ISTP sont de jeunes professionnels, occupant en alternance un poste

de technicien supérieur dans le secteur production ou dans le bureau d’étude d’une entreprise
industrielle. Le recrutement à l’ISTP se fait à Bac+2 sans discrimination de discipline ou sur
le type de diplôme (Diplômes universitaires, BTS, etc.)
Le cursus FA de l’ISTP permet l’obtention en trois ans d’un diplôme d’ingénieur

généraliste. Il est basé sur l’alternance de périodes de formation académique et de périodes de
travail en entreprise. Les acquis professionnels sont évalués au même titre que les
apprentissages académiques pour la délivrance du diplôme d’ingénieur.
Le profil des élèves de l’ISTP est très différent des élèves ingénieurs en formation initiale
de l’Ecole des Mines, qui sont eux aussi recrutés à Bac+2, mais majoritairement après deux
années de classes préparatoires aux grandes écoles. Chez les élèves de l’ISTP, le processus
d’apprentissage est fortement influencé par leur expérience, ils essaient de ramener
systématiquement les notions qu’ils découvrent à une réalité qu’ils connaissent afin de
s’approprier la connaissance et de comprendre ses applications potentielles. Durant les
séances de cours magistraux, ce sont des élèves très réactifs, qui posent de nombreuses
questions pratiques et sont demandeurs d’exemples concrets d’applications.
Par ailleurs, les élèves de l’ISTP sont issus de cursus très divers, les uns plutôt axés sur la
mécanique et la productique, d’autres entièrement spécialisés en chimie, etc. Il est en général
délicat d’enseigner à des groupes aussi hétérogènes car il est difficile de trouver un rythme
approprié. Certains élèves sont très rapidement dépassés tandis que d’autres s’ennuient, ce qui
peut conduire à une perte de motivation, pour les uns comme pour les autres.
172
Dans le cas de la formation qui nous concerne, au contraire, cette diversité est un atout très
intéressant à exploiter car les multiples aspects de la supervision de procédé chimique en
continu font appel aux diverses connaissances du groupe : les “chimistes” décrivent les
réactions aux “mécaniciens” qui en retour leur expliquent le fonctionnement des automates,
actionneurs (pompes, électrovannes, …), etc.
I-3-iii Bilan de la formation
A la fin de la séance, les treize élèves ont été invités à remplir un questionnaire anonyme
(Annexe 11) pour donner leur avis sur l’utilisation de l’outil RESPECTS dans le cadre de leur
formation. Cette démarche de questionnement a été inspirée d’une large étude menée auprès
d’étudiants et enseignants de plusieurs établissements européens sur leurs habitudes
d’utilisation des outils multimédias, dans le cadre du projet EuPACE.net (projet européen de
recherche sur le e-learning dans l’enseignement du génie des procédés et du génie chimique).
Il a été demandé aux étudiants de noter de 0 (pas d’accord du tout) à 3 (tout à fait d’accord)
leur agrément vis-à-vis de différentes affirmations portant sur plusieurs aspects de l’utilisation
du simulateur pour une initiation à la supervision des procédés chimiques d’épuration. Les
moyennes des réponses à ce questionnaire (Annexe 12) sont présentées en Figure 71.
Tous les élèves ont affirmé trouver l’utilisation d’un outil de simulation adapté aux objectifs
du cours. La Figure 71 montre que les élèves ont dans l’ensemble apprécié la séance
puisqu’une note supérieure à 2 est attribuée à la motivation induite par l’utilisation du
simulateur.
D’un point de vue pédagogique, le simulateur a provoqué de nombreuses interactions entre

les étudiants et les enseignants, ainsi qu’au sein du groupe d’étudiants (notes de 1,9 et 2,1
respectivement). En effet, la séance s’est rapidement orientée, à partir des premiers résultats
de simulation, vers un échange de connaissances visant à résoudre le problème
d’optimisation, c'est-à-dire vers un apprentissage coopératif défini par Lopriore comme une
« activité d’apprentissage en groupe, organisée de façon à ce que l’apprentissage soit
dépendant de l’échange d’informations socialement structuré qui s’effectue entre les
apprenants du groupe. C’est également une activité dans laquelle l’apprenant est responsable
de son propre apprentissage et motivé pour participer à l’apprentissage des autres »
[Lopriore 99].
173
Figure 71 : Moyennes des réponses des élèves FA-ISTP au questionnaire sur l’utilisation d’un simulateur
pour une initiation à la supervision des procédés chimiques d’épuration (13 réponses).
3
Temps d'apprentissage
Mise en situation des
Préférence pour cours

Incitation à poser des
Vision plus concrète du
d'étude suffisante
Illustration du cas
Compréhension de la
Motivation
Incitation à collaborer
Adéquation volume
Facilité d'utilisation
horaire / objectifs
notions du cours
entre apprenants
problématique
questions aux
encadrants
traditionnel
cas d'étude
long
En ce qui concerne l’initiation à la supervision, le simulateur a globalement rempli ses
objectifs puisque les élèves trouvent qu’il leur a permis de mettre en situation les notions
apprises en cours (note de 2,2), d’avoir une vision plus concrète du procédé industriel (note de
2,1) et qu’il illustre de façon satisfaisante le cas d’étude (note égale à 2).
Seule la compréhension des différents aspects de la problématique d’épuration (efficacité,

coûts, risques) ne paraît pas avoir été atteinte (note de 1,2), un élève nous précisant que les
contraintes liées aux risques n’apparaissaient pas suffisamment clairement. Cet aspect doit
être amélioré au niveau de l’interface du logiciel. L’affichage de messages d’alerte, comme
par exemple ceux utilisés pour la détection de pannes, constitue une possibilité
d’amélioration.
Sur les aspects plus fonctionnels de l’outil RESPECTS, les élèves n’ont dans l’ensemble eu
aucun mal à utiliser le simulateur (note de 2,6) et la familiarisation avec les commandes a été
assez rapide (note égale à 0,8 pour un temps d’apprentissage long). Tous les élèves ont préféré
l’utilisation du simulateur à l’apprentissage des mêmes connaissances à travers des exercices
écrits seulement (0,2 point attribué à un TD classique).
174
Bien que les élèves aient trouvé la durée du cours adéquate (note égale à 2), leurs remarques
et propositions d’amélioration montrent qu’ils auraient apprécié pouvoir aller plus loin dans
leur apprentissage par cette méthode. Certains d’entre eux par exemple proposent la mise en
place d’un projet plus construit, scénarisé, comportant un cahier des charges et des objectifs,
c'est-à-dire une véritable formation approfondie telle que celle proposée aux élèves de l’axe
PSI du cycle ICM et qui est présentée dans le paragraphe suivant. D’autres élèves proposent
« d’automatiser des événements aléatoires (pollution…) pour qu’on apprenne à réagir,
trouver les solutions pour être les plus efficaces possibles », ce qui ne s’apparente pas à de
l’initiation mais bien à un entraînement avancé, y compris à la conduite en cas de pannes.
I-4 Expérimentation de RESPECTS pour la formation aux techniques

d’épuration chimique sous contraintes industrielles
I-4-i Session de formation en cycle ICM
Une vingtaine d’élèves ingénieurs suivent chaque année l’axe de Procédés des systèmes
industriels (PSI) de deuxième année du cycle d’Ingénieur civil des mines (ICM) à l’Ecole
Nationale Supérieure des Mines de Saint-Étienne. C’est dans le cadre du module de
supervision de procédés de cet axe que nous avons utilisé l’outil RESPECTS.
Ce module compte 18 heures réparties en six séances de trois heures chacune.
 Première séance :
Présentation des procédés d’épuration industriels utilisés en traitement de surface
 source et types d’effluents rencontrés ;
 les prétraitements chimiques (déchromatation, décyanuration, etc.) ;
 les traitements physico-chimiques (mise à pH/précipitation, coagulation, floculation) ;
 la séparation physique (décantation, filtration)
Présentation des objectifs du module : « Formation à la conduite et à l’optimisation du
fonctionnement d’un réacteur de mise à pH/précipitation sous contraintes industrielles »
175
 Deuxième séance :
Prise en main de l’outil de simulation.
Caractérisation à l’aide de l’outil de simulation des notions de chimie utiles : réactifs faibles
et forts, pouvoir tampon, point d’équivalence, etc.
Analyse des caractéristiques des différents réactifs industriels disponibles (concentrations,
prix, etc.)
Objectif de la séance : savoir justifier le choix d’un couple de réactifs pour la régulation du
pH en fonction des caractéristiques des effluents entrant et des objectifs fixés (performance,
coût, robustesse du traitement).
 Troisième séance :
Détermination à l’aide de l’outil de simulation de l’effet des différents paramètres des
contrôleurs (écart, zone morte, bridage, etc.)
Objectif de la séance : savoir justifier la configuration des automates en fonction des
caractéristiques des effluents entrant et des objectifs fixés (performance, coût, robustesse du
traitement).
 Quatrième séance :
Optimisation du fonctionnement du réacteur de mise à pH/précipitation pour des effluents
entrant à pH fixe en conditions normales et détermination des limites d’efficacité en
conditions extrêmes.
Objectif de la séance : savoir justifier le choix d’une régulation (réactifs et configuration des
automates), ses performances et ses limites.
 Cinquième et sixième séances :

Optimisation du fonctionnement du réacteur en conditions réelles (quantités et pH des
effluents entrant issus des bases de données industrielles).
Pour les deux dernières séances, un scénario a été proposé aux élèves : « Vous êtes
ingénieur environnement dans une PME de traitement de surface. Votre patron vous enjoint
d’améliorer les performances de la station d’épuration, à moindre coût. Vous devez lui
présenter une étude de faisabilité contenant une analyse des caractéristiques des effluents à
traiter, le contexte (législation, risques, etc.) et les objectifs à atteindre, ainsi que votre
proposition justifiée de modification du traitement (coût d’exploitation, performances, etc.) »
176
I-4-ii Caractéristiques des élèves ICM
Les étudiants en deuxième année de cycle ICM viennent principalement de trois types de
cursus différents, Figure 72. Sur les 20 élèves dans l’axe PSI (2004-2005), 16 ont accepté de
répondre à notre questionnaire d’évaluation à la suite du module de formation avec
RESPECTS qu’ils ont suivi en novembre 2004. Parmi eux, six (37%) sont des élèves
ingénieurs issus des classes préparatoires et recrutés sur concours. Ils ont suivi une première
année de tronc commun du cycle ICM à l’Ecole des Mines de Saint-Étienne. Sept (44 %) sont
admis sur titre (AST) en deuxième année de cycle ingénieur, après validation d’un autre
cursus dans l’enseignement supérieur (pharmacie, mécanique) d’un niveau au moins
équivalent à Bac+3. Enfin, trois (19%) sont des élèves étrangers appartenant à des
programmes d’échanges internationaux (de type Erasmus par exemple).
Répartition des élèves ICM en fonction de leur cursus antérieur
Figure 72 : Répartition des élèves de l’axe PSI en fonction de leur cursus antérieur
(16 élèves ayant répondu au
Etrangers questionnaire)
19% ICM
37%
AST
44%
Les élèves ingénieurs de l’Ecole des Mines de Saint-Étienne sont familiers des méthodes
pédagogiques basées sur l’utilisation de simulateurs, particulièrement dans le domaine de
l’environnement. En effet depuis 1975, sous l’impulsion du Professeur Philippe Davoine, de
nombreux simulateurs pédagogiques ont été développés au sein du centre SITE (Sciences,
informations et technologies pour l’environnement) et utilisés pour la formation des élèves
ingénieurs (Water game, MISE [Graillot 86], PROMISE [Cres 89], LORREATS [Laforest
99]).
Contrairement aux étudiants de l’ISTP, les élèves de l’Ecole des Mines n’ont aucune (ou
peu) d’expérience professionnelle dans l’industrie, ils ont par conséquent conservé un esprit et
des méthodes de travail plutôt scolaires. Ils s’attendent à devoir rendre une production écrite
au terme de leur formation, et leur intérêt pour ce “travail à rendre” prend rapidement le pas
sur le “travail à faire” pendant la session. Ils ont ainsi tendance à confondre le rapport à
produire et les connaissances et compétences à acquérir, si bien qu’ils oublient par exemple,
lors de la dernière séance de formation, de jouer le jeu de rôle énoncé par le scénario donné en
début de formation.
177
I-4-iii Bilan de la formation
A la suite du module de supervision des procédés, les élèves de l’axe PSI ont été invités à
répondre à un questionnaire (Annexe 13) permettant de donner leur avis sur le déroulement de
la formation, et l’intérêt de l’utilisation d’un simulateur pédagogique. Ce questionnaire
comprend quatorze affirmations auxquelles les élèves devaient attribuer une note de 0 (pas
d’accord du tout) à 3 (tout à fait d’accord), ainsi que trois questions ouvertes leur permettant
de s’exprimer plus librement. Les moyennes des notes attribuées par l’ensemble des élèves
aux affirmations sont récapitulées sur la Figure 73.
Tous les élèves ayant répondu à la question « l’utilisation d’un simulateur vous paraît-elle
adaptée à une formation sur la supervision des processus dynamiques ? » l’ont fait par
l’affirmative. Un élève a précisé que l’approche par simulation « permet de voir un certain
nombre de situations en temps restreint et de comparer rapidement les différents processus
entre eux. » Un autre ajoute que cette étude « faite de façon “expérimentale” […] était plus
motivante qu’une simple étude théorique. »
La Figure 73 montre des résultats moyens (moyennes des notes comprises entre 1 et 2) pour
la plupart des points soumis à l’évaluation des élèves, exemples : mise en situation
professionnelle 1,8 ; questions aux encadrants 1,8 ; collaboration entre apprenants 1,7 ;
facilité d’utilisation 1,6 ; longueur du temps d’apprentissage 1,2 ; motivation 1,6. Or il
apparaît que les réponses des élèves (Annexe 14) sont beaucoup plus tranchées que cela (peu
de notes moyennes –note 1 ou 2- ont été attribuées) et qu’il existe des divergences
d’appréciation en fonction des cursus antérieurs (ICM, AST, étranger), Figure 74.
Figure 73 : Moyennes des réponses des élèves PSI-ICM au questionnaire sur l’utilisation d’un simulateur
pour une formation à la supervision des procédés chimiques d’épuration (16 réponses).
3
0
Vision plus concrète
d'apprentissage long
l'apprentissage inutile
Motivation
présentation utile
Adéquation volume
Illustration du cas
formation clairs
d'étude suffisante

Objectifs de la
horaire / objectifs
notions du cours
entre apprenants
du cas d'étude
Jalonnement de
Séance de
problématique
questions aux
encadrants
traditionnel
Temps
178
Parce qu’ils n’ont pas les mêmes méthodes de travail, ni les mêmes connaissances
préliminaires sur le sujet, les élèves n’ont pas perçu les mêmes intérêts dans cette formation.
Par exemple, l’utilité de la séance de présentation des procédés d’épuration obtient des notes
très hautes de la part des élèves ICM et des étrangers (supérieure à 2,5) tandis que les élèves
AST n’ont globalement pas vu l’intérêt de ce “briefing” (note inférieure à 1,5). Soit les
informations données au cours de cette séance faisaient déjà partie de leurs connaissances,
soit elles ont été présentées trop rapidement pour qu’ils puissent combler leurs lacunes. De la
même façon, les élèves ICM n’ont pas vu d’intérêt au fait de dissocier l’apprentissage en
étapes (note de 1,8 pour un jalonnement inutile) alors que les AST et étrangers sont favorables
à cette méthodologie (notes inférieures ou égales à 1). Il est a noter aussi que les élèves ICM,
plus habitués à l’utilisation de simulateurs, ont trouvé facile et rapide l’apprentissage de
l’utilisation du logiciel, tandis que les AST et étrangers ont eu moins de facilités, avec en plus
pour les étrangers le problème de la langue car le logiciel est en français. Tout ceci montre
l’importance d’adapter chaque session de formation en fonction du public concerné, selon ses
acquis et ses attentes.
Figure 74 : Moyennes des réponses au questionnaire des élèves PSI-ICM

en fonction de leur cursus antérieur
3
ICM
AST
Etrangers
0
Motivation
présentation utile
Temps d'apprentissage
l'apprentissage inutile
Vision plus concrète du
Adéquation volume
formation clairs

Illustration du cas
d'étude suffisante
Objectifs de la
horaire / objectifs
entre apprenants
notions du cours
Jalonnement de
Séance de
problématique
questions aux
encadrants
traditionnel
cas d'étude
long
179
I-5 Conclusion
L’utilisation de RESPECTS comme simulateur pédagogique est envisageable pour des

formations de différents niveaux et à des fins diverses. En effet, du simple survol rapide de la
problématique d’épuration à une formation poussée à la conduite d’opération, le principe du
simulateur pédagogique se caractérise par sa grande capacité d’adaptation et d’évolution. Les
expériences déjà menées nous ont en outre permis de mettre en avant l’intérêt d’impliquer les
élèves dans leur apprentissage et les possibilités offertes par le simulateur pour y parvenir.
180
Chapitre II : Surveillance des systèmes de détoxication en continu
CHAPITRE II : SURVEILLANCE DES SYSTEMES DE DETOXICATION EN CONTINU
II-1 Définitions
II-1-i Surveillance d’un procédé
Selon Cassar et Staroswiecki « la surveillance vise à assurer l’intégrité du système »

[Cassar 96]. Au sens littéral du terme, elle évoque une “observation attentive”, visant à
“contrôler et vérifier”, mais aussi une observation destinée à “s’assurer que rien de
dangereux ou d’interdit ne se produit” (définition du Grand Larousse Universel 85).
D’après Maquin et Ragot, [Maquin 96], la surveillance de procédé ne consiste pas

seulement à centraliser et visualiser les paramètres d’un système, mais elle doit aussi
permettre de détecter et localiser les défauts ou dysfonctionnements, de les diagnostiquer par
l’estimation de leur gravité, l’explication de leur(s) cause(s), et enfin de décider d’une
intervention permettant de compenser ou réparer une éventuelle panne, afin que le système
puisse continuer à être efficace.
L’application de l’outil RESPECTS à la surveillance des stations d’épuration industrielles

vise à assister les opérateurs en charge de la station en effectuant une détection précoce des
défaillances et en proposant des pistes pour le diagnostic et la localisation des pannes
éventuelles.
II-1-ii Détection et diagnostic
Historiquement, la recherche dans le domaine de la détection et du diagnostic de pannes est

issue des travaux sur l’analyse de cohérence des données. Au départ, les méthodes
consistaient à rechercher les valeurs aberrantes d’une série d’observations, sans essayer d’en
expliquer les causes. En parallèle, la détection d’événement s’est développée en traitement du
signal, extension de l’application puis adaptation d’algorithme tels que l’algorithme GLR
(Generalized Likelihood Ratio), les détecteurs FD (Filtered Derivatives Detectors) ou le test
de Page et Hinkley, déjà utilisés dans d’autres domaine comme les statistiques, [Basseville
83]. A partir des années 80, les techniques de diagnostic ont été de plus en plus appliquées
aux processus physiques à des fins de détection de pannes. L’établissement du diagnostic
conduit tout naturellement à la mise en œuvre de stratégies réparatrices, particulièrement en
ce qui concerne les procédés qui présentent un facteur de risque, [Maquin 96].
181
Maquin et Ragot, définissent le diagnostic de défaillance comme l’ensemble des

mécanismes menant à une prise de décision qui vise à maintenir l’efficacité de
fonctionnement du système. Il est classiquement décrit en quatre étapes, [Maquin 96] :
 La détection met en évidence des événements qui affectent le fonctionnement du
procédé, un événement pouvant être défini, dans le cas général, comme une
modification de l’évolution du système, qu’elle soit normale (car due à l’intervention
d’un opérateur) ou anormale (car liée à une perturbation extérieure).
 La localisation de la défaillance permet de déterminer le (ou les) composant(s)
défaillant(s) au sein du processus.
 L’identification quantifie la défaillance en terme de nature et de gravité.
 La reconfiguration concerne l’action qui doit être mise en œuvre pour corriger ou
réparer le(s) composant(s) à l’origine de la défaillance.
II-1-iii Pannes et dysfonctionnements
D’après Brunet [Brunet 90], tout processus industriel, qu'il soit chimique ou non, peut-être
défini à un instant donné par un certain nombre de variables qui le caractérisent. Ces variables
peuvent être réparties en trois types distincts:
 les variables d'état, qui permettent de résumer le passé et de prédire le comportement
futur immédiat du système, telles que les concentrations en polluants dans les
différentes cuves, les flux, les taux de mélange des réacteurs, etc. ;
 les observations (ou sorties), représentées par les valeurs mesurées au sein du
système comme le pH, la teneur en peroxyde d’hydrogène résiduel, etc. ;
 les sollicitations ou commandes (ou entrées), telles que les débits des réactifs,
consignes, mesures des paramètres chimiques des effluents entrant, etc.
Les variables d'un système sont en permanence liées entre elles par des relations de cause à
effet. En fonctionnement normal, toutes ces variables ont leur valeur au voisinage du point
d'état nominal.
Lorsque les relations de cause à effet sont modifiées, le système se trouve alors en situation
de fonctionnement transitoire et/ou anormal. Il est nécessaire de se fixer une gradation
sémantique pour la définition des anomalies de fonctionnement d'un processus. Ainsi, un
défaut caractérise les situations où il existe une non-conformité des relations de cause à effet
par rapport au fonctionnement normal, une détérioration intervient dès lors qu'il y a perte de
performance, et une panne indique un cas d'arrêt ou de non-fonctionnement, [Brunet 90].
182
II-1-iv Typologie des pannes
Les défauts, dégradations ou pannes peuvent être distingués selon qu'ils ont un caractère
totalement aléatoire, ils sont alors qualifiés de cataleptiques, ou s’ils sont progressifs car liés à
l'usure ou au vieillissement, ce sont alors des défauts évolutifs. On peut encore les classer
selon leur origine, [Brunet 90] :
 défaut ou panne de capteur (e.g. dérive de pHmètre);
 défaut ou panne de la transmission de mesure (e.g. câble sectionné)
 défaut ou panne d'organe de commande (e.g. pompe doseuse hors service);
 défaut ou panne de processus (e.g. présence d’un inhibiteur de la réaction chimique
ou concentration en catalyseur insuffisante);
 défaut ou panne de l'unité d’acquisition et de traitement de signaux ou de commande
(e.g. ordinateur hors service).
Il existe par ailleurs certaines situations pour lesquelles, alors qu'aucun défaut n'apparaît sur
le système, le processus présente néanmoins un fonctionnement anormal. En effet, les
procédés industriels sont dimensionnés pour des valeurs d'entrées (débit, pH, etc.) nominales,
il est donc possible, lorsque les entrants possèdent des caractéristiques très inhabituelles, que
les limites d'efficacité du processus soient atteintes (cas par exemple d’une arrivée d’effluents
ayant une très forte charge polluante à un débit très important). Dans ces conditions, le
système n'est plus efficace, il peut être en dysfonctionnement.
II-2 Calcul des résidus
La méthode de détection des pannes appliquée dans les stations d’épuration de nos
partenaires industriels est une méthode de détection directe par seuillage qui consiste à tester
l’hypothèse de cohérence entre l’état observé du système chimique et l’objectif d’efficacité
qui lui est fixé. Techniquement, cela correspond à comparer la valeur mesurée d’une variable
caractéristique du traitement chimique suivi et la consigne qui s’y applique. Une alarme
(visuelle ou sonore) est déclenchée lorsque l’écart dépasse une valeur déterminée appelée
seuil de détection.
Nous proposons ici une méthodologie plus élaborée, permettant une détection plus rapide
ainsi qu’un diagnostic des événements en temps réel. Cette méthodologie, basée sur l’analyse
de l’évolution de la moyenne pour la détection et l’utilisation d’un modèle analytique pour la
localisation des défaillances, est l’une des applications possibles de l’outil RESPECTS.
183
II-2-i Génération de résidu par observation directe
Comme nous l’avons évoqué plus tôt, les systèmes de détection industriels sont basés sur la
comparaison directe des valeurs visées y*(t), appelées consignes, et des valeurs mesurées y(t)
des variables chimiques.
Un résidu r(t) est défini comme l’écart entre la valeur objectif (ou consigne) d’une variable
*
y (t) et sa valeur mesurée y(t), Eq. 83.
r(t )  y(t )  y* (t ) Eq. 83
II-2-ii Génération des résidus à partir du modèle analytique
L’instrumentation d’un procédé, allouée à la commande (boucle de régulation), à la

supervision (information aux opérateurs), à la sécurité (chaînes de réflexe), à la gestion
(compteurs de production), représente un ensemble de variables a priori utilisables pour la
surveillance, [Staroswiecki 96].
Comme nous l’avons montré en seconde et troisième partie de ce mémoire, la quantité

d’informations sur le système d’épuration disponible à travers les bases de données de
supervision est suffisante pour que soit mise en place une description satisfaisante du
processus par un modèle de type analytique [Frank 96]. La Figure 75 présente les données de
supervision nécessaires à une surveillance du pH dans la cuve de décyanuration utilisant un
modèle analytique :
 caractéristiques des effluents entrant (état de marche des pompes ; pH) ;
 consignes de régulation ;
 pH réel mesuré dans le réacteur de décyanuration.
184
Figure 75 : Affichage des données de supervision influençant le pH dans le réacteur de décyanuration
<— Marche
Pompe 1
<— Arrêt
<————— Marche
Pompe 2
<————— Arrêt
pH réel dans la cuve Fonctionnement des
de décyanuration pompes de relevage
des effluents alcalins
 Injection continue
Régulation acide
Consigne pour l’injection

proportionnelle
 Consigne pour l’injection
proportionnelle
Régulation basique
 Injection continue
pH des effluents
alcalins entrant
Dans le cas d’une procédure de surveillance à partir d’un modèle analytique, trois types de
résidus permettent d’obtenir une connaissance approfondie de l’événement en faisant
intervenir l’estimation ŷ( t ) de la variable considérée par un modèle. Le vecteur des résidus
ainsi disponible est présenté en Eq. 84.
 y( t )  y * ( t ) 
  
r ( t )   y( t )  y( t )  Eq. 84
 y ( t )  y * ( t ) 
 
Dans l’Eq. 84, la comparaison entre la variable estimée et la mesure permet par exemple de
caractériser les défauts de matériels (organes de commande ou de mesure), tandis que la
comparaison entre la variable estimée et sa consigne indique les défauts de processus
(fonctionnement en conditions extrêmes).
L’utilisation du modèle analytique permet donc d’étendre les possibilités de détection et

d’envisager la localisation des défaillances. Outre la possibilité de tester la cohérence entre
l’état réel et l’état objectif du système, cette méthode donne l’opportunité de comparer l’état
réel et un état virtuel (simulé) dont les caractéristiques de fonctionnement sont connues
(fonctionnement normal ou défaillant, conditions nominales ou extrêmes, etc.)
185
II-3 Méthodes de détection
II-3-i Détection par seuillage
Détection directe
Comme nous l’avons montré en Partie I, § IV-3-iii, la régulation de processus chimiques

industriels peut se faire vers le bas (consigne supérieure à ne pas dépasser), vers le haut
(consigne inférieure à ne pas dépasser), ou entre deux consignes. La détection de défaillance
dans ce cas consiste à tester si la régulation est efficace. Elle intervient lorsque la variable
chimique régulée dépasse la consigne au-delà d’un seuil de détection ys(t) (aussi appelé
alarme). La valeur S définie comme l’écart entre la consigne et le seuil de détection, Eq. 85,
permet de tester l’hypothèse de fonctionnement normal H0 ou anormal (resp. H1 vers le haut
et H2 vers le bas), Figure 76.
S  yS ( t )  y* (t ) Eq. 85
Figure 76 : Représentation graphique d’un test de défaillance par seuillage,

cas d’une régulation vers le bas
y
r(t)=y(t)- y1* (t)
Défaillance H1 : r(t)  S1
yS
1
S1 Fonctionnement normal,
régulation active
y1* H0 : r(t)  S1
Fonctionnement normal,
régulation inactive
La Figure 77 présente la méthode et les hypothèses de fonctionnement normal H0 ou

anormal : H1 pour le cas d’une régulation vers le haut (Figure 77 A), et H1 ou H2 pour celui
d’une régulation entre deux consignes (Figure 77 B).
186
Figure 77 : Représentation graphique d’un test de défaillance par seuillage,

cas d’une régulation vers le haut et d’une régulation entre deux consignes
y
r (t)=y(t)- y1* t)
A r(t)=y(t)- y*2 (t) B 1 *
A r2(t)=y(t)- y 2 (t)
Défaillance
H1 : r1(t) > S1
yS
1
S1 Fonctionnement normal,
Fonctionnement normal,
*
régulation active
H0 :
H0 : r(t)  S2 y *
1
r1(t)  S1
y*2 Fonctionnement normal, ET
S2 Fonctionnement r2(t)  S2
normal, régulation
active y*2
yS S2 Fonctionnement
2
normal, régulation
Défaillance
H2 : r(t)  S2
yS active
2
Défaillance
H2 : r2(t) < S2
t t
Dans le cas de la détection de défaillance sur des systèmes chimiques régulés comme
l’épuration chimique des effluents issus des traitements de surface, le choix d’un seuil de
détection s’avère très difficile, car une valeur de seuil faible conduit à un très grand nombre
de fausses alarmes, les sorties du système étant en général très agitées et/ou bruitées, tandis
qu’un seuil haut provoque un retard important de la détection qui laisse la perturbation
s’amplifier au risque d’altérer significativement l’efficacité et de la sécurité du procédé
d’épuration.
La plupart du temps, les opérateurs font coïncider le seuil de détection avec les paramètres
de régulation. Chez EDC par exemple, le seuil de détection est, dans la plupart des cas, égal
au seuil d’injection continu des régulateurs industriels. Mais cette technique a l’inconvénient
de provoquer une détection tardive, dans la mesure où elle intervient alors que le système de
régulation en place est utilisé à son maximum. Une détection plus précoce laisserait à
l’opérateur une marge de manœuvre plus importante lui donnant par exemple la possibilité de
tenter de résoudre le problème par une amélioration des réglages, lui évitant ainsi une
intervention directe sur le procédé comme un ajout manuel de réactif (qui présente toujours un
risque pour les procédés chimiques) ou la nécessité d’un arrêt d’urgence.
187
Utilisation du modèle analytique pour la détection
La détection est basée sur la comparaison entre le fonctionnement réel du système et son
comportement virtuel calculé grâce au modèle analytique.
Les résidus issus d’un modèle analytique, Eq. 84, sont des variables dont la valeur est nulle
en fonctionnement idéal, c'est-à-dire lorsque les variables d’état du système sont directement
observables et la simulation n’est soumise à aucune erreur de modélisation, [Staroswiecki 96].
Pour la surveillance de processus industriels, le système est observé à travers des variables
mesurées, qui sont intrinsèquement entachées d’une erreur de mesure et soumises aux aléas
(bruits) et aux dérives du matériel de mesure. De plus la construction d’un modèle analytique
repose en général sur des hypothèses simplificatrices (e.g. homogénéité de la solution dans
une CFSTR) qui conduisent à une erreur de modélisation difficilement quantifiable. Les
résidus ne seront ainsi jamais nuls même en fonctionnement nominal.
Afin de s’acquitter de ces erreurs systématiques ou biais17 liés à la mesure et au modèle sur
la valeur du résidu, ils doivent pouvoir être différenciées de l’écart résultant d’un événement.
Pour les mesures, un ajustement du seuil S défini plus tôt permet d’écarter les bruits de
mesure. En ce qui concerne le rejet des erreurs de modélisation, il est nécessaire de déterminer
un intervalle de tolérance [- ; ] autour de la valeur ŷ( t ) simulée, Figure 78. Par
conséquent, d’après l’équation Eq. 84, le test d’hypothèse H1 de fonctionnement anormal
devient, Eq. 86.
 S 
 
H1 : r ( t )     Eq. 86
S   
 
Figure 78 : Intervalle de tolérance pour le rejet des erreurs de modélisation
yS
S
*
y
  Intervalle de
y( t )
tolérance pour
la modélisation
17
Différence entre l’espérance mathématique d’un estimateur et la grandeur à estimer.
188
Bilan sur la détection par seuillage
La détection de défaillance sur un système chimique tel que l’épuration des effluents de
traitement de surface par la méthode du seuillage présente un inconvénient majeur du fait de
la difficulté à déterminer un seuil adéquat. L’importante variabilité de la réponse du système
chimique due aux nombreux bruits et biais inciterait à fixer une valeur de S assez large pour
limiter les déclenchement de fausses alarmes, mais le risque de propagation rapide vers l’aval
de tout dysfonctionnement encourage au contraire à réduire S.
Pour tenter de résoudre ces difficultés, nous avons étudié l’utilisation d’une méthode de
détection basée sur l’analyse de l’évolution de la moyenne des résidus dans le temps. Les
biais étant des écarts qui s’appliquent de façon systématique à chaque estimation de la même
grandeur, leur influence s’exerce sur chaque valeur des résidus en provoquant un décalage
systématique de ces valeurs, mais ils n’ont aucun effet sur l’évolution des résidus - que
représente l’écart entre r(t) et r(t+1).
Une méthode de détection basée sur l’évolution des résidus ne subira par conséquent pas
l’influence des biais et ne nécessitera pas d’appliquer un intervalle de tolérance, ce qui devrait
permettre d’observer et de détecter les défaillances plus précocement.
Par extension, une méthode basée sur l’analyse de l’évolution des résidus permettra de
détecter les défaillances avant même le dépassement d’un seuil, si la tendance indique qu’il
devrait survenir dans un futur proche donnant ainsi la possibilité de détecter aussi les
anomalies de faible amplitude qui peuvent être le signe annonciateur d’une défaillance plus
importante.
189
II-3-ii Détection par analyse de l’évolution de la moyenne
Calcul de la moyenne sur une fenêtre glissante
La dynamique des éléments du système chimique comme l’homogénéisation des réacteurs,

la réponse des capteurs, etc., provoque des variations de hautes fréquences des résidus
calculés. Il est donc utile d’utiliser un lissage des valeurs des résidus pour suivre leur
évolution au niveau des tendances générales, c'est-à-dire des fréquences basses. Une
technique simple est d’utiliser un lissage des valeurs instantanées des résidus par leur
moyenne qui permet d’observer les variations de l’état du système dans son ensemble.
La méthode de détection que nous avons choisi d’implémenter est inspirée du test de Page
et Hinkley, [Page 54], qui permet de détecter une augmentation ou une diminution de la
moyenne des résidus. Ce test suppose que la distribution des résidus, en fonctionnement
nominal, est gaussienne, de variance connue et de moyenne nulle, jusqu’à l’instant du passage
à un état anormal, où la moyenne devient non nulle. Ces conditions ne sont jamais remplies
dans notre cas, car la variance des résidus ne peut ni être connue ni estimée facilement du fait
de la non-linéarité des phénomènes simulés. Il nécessite par ailleurs la détermination d’un
seuil de détection difficile à choisir, pour les raisons évoquées plus tôt. C’est pourquoi nous
avons adapté la méthode de façon à détecter non pas une augmentation ou une diminution
ponctuelle du résidu, mais une dérive continue sur un intervalle de temps déterminé.
Contrairement au test de Page et Hinkley qui intègre la totalité des données dans le temps,
nous utilisons une fenêtre de détection glissante qui a pour objectif de ne pas laisser un
historique trop important influencer la détection. En effet, le processus étant continu et non
linéaire, l’influence des perturbations intervenant à un instant donné dans une cuve n’excède
pas le temps de résidence de l’effluent dans cette cuve. Par exemple, pour la détection dans la
cuve de décyanuration de EDC, nous avons choisi d’utiliser une fenêtre de 10 minutes (soit 60
valeurs de la base de données, voir 2ème Partie, § I-1-i) car le débit maximal entrant dans ce
réacteur est de 30 m3/h et son volume 10 m3, ce qui correspond à un temps de résidence de 20
minutes.
A chaque instant t, toutes les valeurs de résidus r(t) comprises à l’intérieur de la fenêtre
servent à calculer la moyenne r(t) , puis la fenêtre se décale d’une valeur et la moyenne est a
nouveau calculée sur l’ensemble des résidus compris dans la fenêtre, Figure 79.
190
Figure 79 : Schéma de la fenêtre glissante (10 minutes) pour le lissage des résidus
La Figure 80 présente les résultats de calcul du vecteur résidu issu du modèle analytique,
Eq. 84, et l’évolution des moyennes glissantes correspondantes, pour le pH dans le réacteur de
décyanuration sur l’ensemble des données d’une journée de fonctionnement.
Figure 80 : Exemple des résidus calculés pour le pH en décyanuation.
Valeurs des résidus

MES vs. CONS

MOD vs. CONS

MES vs. MOD
Remarque : Les critères quadratiques normés Qréal, Qmes et Qcons indiquent l’écart global
entre les données mesurées et la consigne, les données mesurées et les données simulées, les
données simulées et la consigne respectivement, sur l’ensemble d’une base de données
journalière.
191
Détection directe
La détection de défaillance d’un système chimique régulé intervient lorsque, sur toute la
durée de la fenêtre de détection, y(t) dépasse la consigne et r(t) suit une évolution continue et
monotone. Dans le cas d’une détection de défaillance pour une régulation vers le bas par
exemple, avec une fenêtre de détection contenant k valeurs de r(t), une anomalie de
fonctionnement (H1) se traduit par k valeurs de r(t) positives et une croissance continue de
r(t) , Figure 81. Pour une régulation vers le haut, k valeurs r(t) négatives et r(t) strictement
décroissante vérifient l’hypothèse H2.
Figure 81 : Détection de défaillance par analyse de l’évolution de la moyenne des résidus,
H1 :
r r ( t ) i  0 , avec i=1 à k
ET
r( t ) j  r ( t ) j1 , avec j=1 à k-1
résidus
0
t
temps
exemple pour une régulation vers le bas.
Le choix de la taille de la fenêtre de détection est déterminant pour la qualité de la détection,

en particulier sous l’angle du meilleur compromis possible entre les non-détections (trop
d’inertie) et les fausses détections (trop de sensibilité).
Ce choix dépend de la phase de traitement considérée à cause de la dynamique propre à

chaque étape et des risques de propagation d’un incident ou accident. Ainsi, une durée
excédant le temps de renouvellement du réacteur considéré permet aux effluents mal ou non
192
traités de se propager aux réacteurs suivants en cas de panne, perturbant alors les autres
phases du traitement. Par contre, une fenêtre de détection de trop courte durée peut conduire à
détecter de petits événements contextuels non liés à un défaut tels que le déclenchement d’une
pompe de relevage supplémentaire ou l’arrivée d’une petite bouffée d’effluent concentré en
station.
En pratique, nous avons pu déterminer qu’une fenêtre de l’ordre d’une dizaine de minutes
pour la détection dans le réacteur de décyanuration par exemple permet de détecter les pannes
avant qu’elles ne puissent se propager irrémédiablement tout en évitant un trop grand nombre
de fausses alarmes.
Utilisation du modèle analytique pour la détection
Il existe des cas d’événements où la détection directe d’anomalies sur un procédé chimique
conduit à un diagnostic inexact. Parmi ceux-là, nous nous intéresserons plus particulièrement
ici aux défaillances du système de mesure et aux conditions de fonctionnement extrêmes.
Dans le cas d’un défaut ou d’une panne du système de mesure ou de transmission de
l’information, des mesures erronées peuvent être fournies au système de supervision. Deux
cas de figure peuvent se présenter alors : soit la mesure erronée conduit à une détection alors
que le système fonctionne normalement, soit la mesure reste fixée dans un domaine faisant
croire à un fonctionnement normal alors qu’une anomalie se produit, laissant la défaillance se
propager en aval du système sans que l’alarme soit déclenchée.
Dans le cas d’un fonctionnement en conditions extrêmes d’un procédé d’épuration chimique
par exemple, l’évolution de la variable régulée peut déclencher l’alarme, laissant alors
supposer qu’il existe une défaillance (e.g. panne mécanique) sur le système lui-même alors
qu’il s’agit d’une arrivée d’effluents aux caractéristiques inhabituelles et extrêmes.
L’opérateur risque alors de perdre du temps à chercher une panne fictive.
Pour ces cas de détection erronée, la comparaison entre le fonctionnement réel du système
et le comportement virtuel issu du modèle analytique permet de confirmer ou d’infirmer
l’hypothèse H0 de fonctionnement normal ou H1 et H2 de fonctionnement anormal issues de la
détection directe.
193
Exemple de détection de défaillances avec l’outil RESPECTS
La Figure 82 présente les données recueillies au cours d’une journée où des défaillances sur
la régulation du pH dans la cuve de décyanuration ont eu lieu. La fenêtre de détection, fixée à
10 minutes, conduit l’outil à détecter cinq événements.
Figure 82 : Détection d’anomalies sur la régulation pH dans le réacteur de décyanuration
Fonctionnement des pompes de relevage des effluents alcalins
pH mesuré dans le
réacteur de
décyanuration
pH modélisé du
Alarme de
réacteur de régulation acide
décyanuration
Consigne de
régulation acide
Consigne de
régulation basique
A B C D E
Alarme régulation
pH des effluents
alcalins entrants
Fenêtres détectant basique
une défaillance
Plusieurs cas de figure peuvent être distingués :

 Cas A et D, le comportement modélisé est normal (la courbe noire figurant le pH
modélisé oscille entre les deux consignes de régulation) tandis que le comportement réel
est anormal (le pH réel représenté par la courbe verte dépasse la consigne de régulation
acide puis continu à augmenter, avec plus loin un dépassement du seuil d’alarme),
Figure 82.
Dans ces deux cas il existe manifestement une défaillance du système de régulation
chimique que l’outil RESPECTS peut permettre de détecter plus précocément. Dans le
cas A par exemple, les opérateurs ont été avertis d’une défaillance sur le système par le
déclenchement de l’alarme à 7h03 (dépassement du seuil d’alarme fixé à 10,5). L’outil
quant à lui signale le dysfonctionnement dès 6h35 car il a détecté une croissance
continue du pH réel au-delà de la consigne de régulation acide (fixée à 9,5) pendant 10
minutes alors que le pH simulé reste inférieur à cette consigne dans ce même intervalle
de temps, Figure 83.
194
Figure 83 : Détection précoce de défaillances du système de régulation chimique
Alarme de
régulation acide
Consigne de
régulation acide
Consigne de
régulation basique
A
Alarme régulation
basique
 Cas B, le comportement du pH réel (courbe verte) conduit au déclenchement de

l’alarme, mais le comportement modélisé (courbe noire) montre qu’il peut s’agir d’une
évolution normale, sans doute lié à des conditions extrêmes (ici, pH entrant supérieur à
12), car le pH simulé augmente lui aussi de façon continue au-delà de la consigne,
Figure 84.
Figure 84 : Détection d’une anomalie de de fonctionnement liée aux conditions
Alarme de
régulation acide
Consigne de
régulation acide
Consigne de
régulation basique
B
Alarme régulation
basique
195
 Cas C et E, le comportement du système réel (courbe verte) est anormal car il

diffère du comportement modélisé (courbe noire), bien que l’alarme ne soit pas
déclenchée car les durées et les amplitudes des anomalies sont trop faibles. En effet il
apparaît, au niveau de la fenêtre détectant une anomalie, que le pH réel évolue au-delà
de la consigne de régulation acide, tandis que pH simulé reste entre les deux consignes
de régulation.
De plus, dans le cas E, le pH réel (courbe verte) dans le réacteur de décyanuration
dépasse celui des effluents entrant (courbe bleue) ce qui suggère une défaillance du
matériel de mesure du pH dans le bassin de stockage des effluents alcalins ou dans le
réacteur de décyanuration, Figure 85.
Figure 85 : Détection d’un dysfonctionnement donnant une anomalie de faible amplitude
Alarme de
régulation acide
Consigne de
régulation acide
Consigne de
régulation basique
E
Alarme régulation
basique
La caractérisation de ces anomalies de fonctionnement du système fait l’objet de la phase de

localisation.
196
II-4 Localisation d’événement
Partant de l’observation qu’une même défaillance produit toujours une évolution de la

valeur des composantes du vecteur résidu issu du modèle analytique, Eq. 84, dans la même
direction (ce qui constitue une signature théorique de l’événement) l’analyse de ces dérives et
leur comparaison permet d’effectuer un premier tri dans les scénarios de panne.
Par exemple, les événements détectés vers 11 heures B et 17 heures D le 27 avril 2000,
Figure 82, correspondent à une croissance continue du résidu entre la mesure et la consigne
alors que le résidu entre le modèle et la consigne reste stable, Figure 80. Ceci est
probablement le résultat d’une insuffisance du système d’injection du réactif acide.
La simulation parallèle du système dans les différentes configurations de panne possibles

permet de tester la cohérence de chaque scénario avec les données observées. Par exemple, la
simulation parallèle considérant une injection hors service du réactif acide permet de
confirmer l’hypothèse d’une défaillance de l’injection du réactif acide, Figure 86. En effet, les
valeurs de pH correspondant à la panne simulée sont très proches des valeurs réelles, il est
donc raisonnable de penser que les incidents B et D sont causés par une défaillance du
système d’injection de l’acide de régulation.
Figure 86 : Confirmation d’une panne d’injection de l’acide de régulation par simulation
Simulation d’une panne de

l’injection d’acide de
régulation
B D
Remarque : Certaines défaillances ne sont pas différenciables entre elles car elles ont la même
signature théorique, [Staroswiecki 96]. Seule l’observation directe du système réel par
l’opérateur permettra de les distinguer.
197
Chapitre III : Perspectives d’amélioration des systèmes
CHAPITRE III : PERSPECTIVES D’AMELIORATION DES SYSTEMES

III-1 Simulation parallèle pour l’analyse de l’efficience18 des procédés en vue de
leur rationalisation
La simulation d’étude décrite par Jolivalt [Jolivalt 95] constitue une application potentielle
de l’outil RESPECTS. Elle sert à l’évaluation des performances d’un système par le biais
d’une expérimentation virtuelle reproduisant le comportement du système en fonction de
différentes configurations et réglages.
Nous développons ici trois cas d’application à titre d’exemple parmi les nombreuses
utilisations possibles par les entreprises : la rationalisation d’un rinçage, la détection de
consommations parasites et l’optimisation des réglages de contrôleurs.
III-1-i Exemple de rationalisation d’un rinçage cascade en continu
Comme nous l’avons évoqué en Seconde Partie (§ III-1-i), il peut exister un problème de
surconsommation en eau, dans les rinçages cascades en continu, lié à un apport de pollution
qui varie avec la vitesse de défilement des feuillards tandis que le débit d’alimentation en eau
industrielle dans les rinçages reste constant. Ce phénomène est particulièrement sensible lors
du déclenchement du mode dit “tortue”, lorsque la vitesse de défilement est automatiquement
ralentie (à environ 60% de la vitesse normale) pour permettre une intervention des opérateurs
sur la chaîne (incidents de désadhésivage, raboutage, etc.).
En effet, afin de garantir une qualité de rinçage suffisante en fonctionnement normal, le

débit d’alimentation est maintenu assez important, et ce même pendant les périodes où le
feuillard est ralenti. La conséquence évidente est que de l’eau est inutilement dépensée
pendant les périodes de “tortue”.
Dans un domaine où les automatismes tiennent déjà une place importante dans la
production, il est possible d’envisager la mise en œuvre d’un asservissement du débit
d’alimentation des rinçages au déclenchement du mode “tortue”. Mais il est difficile de
quantifier a priori les effets d’une telle modification qui présente un coût à la mise en œuvre
important (mise en place de systèmes de contrôle automatique du débit sur chaque rinçage) et
il existe par ailleurs un risque d’hétérogénéité du rinçage sur la longueur du feuillard. La
simulation est dans ce contexte un outil intéressant car elle permet d’effectuer une étude
préliminaire virtuelle dont La Figure 87 présente un exemple.
18
Le terme d’efficience est pris ici dans le sens du rapport entre le résultat obtenu et les moyens mis en œuvre
par opposition à l’efficacité prise comme rapport entre le résultat obtenu et l’objectif visé.
199
Figure 87 : Simulation de l’asservissement du débit d’alimentation des rinçages

au déclenchement du mode “tortue”
Essai de rationalisation des rinçage par simulation de l'asservissemnt du débit
770
760
750
conductivité sans asservissement du débit (réelle)
conductivité (µS/cm)
conductivité avec asservissement du débit (simulée)

740
730
720
Défilement à vitesse normale Tortue Vitesse normale
710
700
0 5 10 15 20 25 30 35
temps (mn)
La Figure 87 représente un essai de détermination des débits appropriés pour le

fonctionnement à vitesse normale et le mode “tortue”. Cette figure montre qu’en diminuant le
débit de 17%, par rapport au débit utilisé pendant l’acquisition des données, lors du mode
“tortue” et en l’augmentant de 8% en fonctionnement normal, la conductivité qui représente le
taux de pollution dans le rinçage (voir Première Partie, § IV-1-ii) reste très stable ( quelques
S/cm), ce qui correspond à une qualité et une efficacité de rinçage quasiment constantes.
Seule une analyse sur des données correspondant à une période de fonctionnement
suffisamment représentative peut permettre de confirmer ou d’infirmer l’intérêt de la mise en
place de la procédure d’asservissement pour une chaîne de traitement, car la détermination
des débits optimaux dépend de la fréquence des périodes de ralentissement, et de leur durée.
L’outil RESPECTS peut apporter une aide importante lors de la phase d’étude.
200
III-1-ii Exemple de la détection des consommations parasites
Une part importante des coûts d’exploitation d’une station de détoxication correspond à la
consommation des réactifs chimiques. Il est par conséquent économiquement intéressant
d’éviter toute consommation inutile. La simulation permet de calculer les consommations
théoriquement nécessaires, Figure 88, et de les comparer aux consommations réelles, tout
écart déraisonnable entre les deux valeurs devant conduire à rechercher un dysfonctionnement
dans le processus.
Figure 88 : Calcul des consommations théoriques en réactifs par simulation
Consommations
journalières théoriques des
réactifs de régulation pH
Sur la Figure 88 apparaissent les injections simulées des réactifs de régulation, en

proportion de l’injection continue sur chaque intervalle de temps. A partir de ces données, le
simulateur calcule la quantité totale de chacun des réactifs qui a été injectée sur la durée de la
simulation (ici sur une journée).
201
III-1-iii Exemple de réglage des automates de régulation
La simulation en temps accéléré disponible grâce à l’outil RESPECTS permet

d’expérimenter virtuellement la modification des paramétrages des régulateurs, [Szafnicki
6/05]. De plus, du fait de la structure modulaire de RESPECTS, la simulation peut être
couplée à une méthode de recherche opérationnelle conventionnelle qui permet de déterminer
une configuration optimale des régulateurs.
Par exemple pour effectuer une optimisation du réglage des contrôleurs industriels de type
Yokogawa® qui commandent la régulation du pH chez EDC, nous avons testé une
optimisation, par la méthode du simplexe [Nelder 64], du critère de performance Q cons (écart
quadratique entre la valeur simulée et la consigne visée) en fonction des consignes d’injection
et écarts ainsi que les durées de cycle des deux régulations concernées (acide et basique),
[Narce 01].
Figure 89 : Simulation de l’évolution du pH dans la cuve de décyanuration

pour l’optimisation des réglages des contrôleurs industriels
Critère quadratique normé

évaluant l’efficacité de la
régulation
pH entrant
mesuré
pH simulé en
fonctionnement
normal
La Figure 89 montre qu’il est possible d’améliorer le traitement en reconfigurant les

contrôleurs sur l’exemple d’une journée où ont eu lieu des incidents sur la régulation du pH
en décyanuration (arrivées d’effluents fortement basiques et déclenchement simultané des
deux pompes d’alimentation). Le graphique de gauche présente une simulation avec les
202
réglages en vigueur chez l’industriel, et le graphique de droite une simulation tenant compte
de l’optimisation. Il apparaît une réduction importante de la durée et de l’amplitude des
dépassements de consigne autour de 12 heures, et entre 17 et 21 heures (le critère quadratique
Qcons diminue de 3,8% à 3,1%), mais au prix de fortes augmentations des consommations en
réactif basique (+140%) et acide (+25%).
Il existe de très nombreux autres cas où l’utilisation de la simulation d’étude permettrait

d’améliorer le fonctionnement des procédés tels qu’ils sont implantés, par de simples
modifications procédurales ou de réglages. Ces besoins d’étude sont différents d’une
entreprise à l’autre, ils sont déterminés par l’usage et les circonstances dans chaque unité de
production ou d’épuration. Il apparaît jusqu’ici possible de configurer l’outil de simulation
RESPECTS pour répondre à la plupart des cas envisagés. Il pourrait en outre être
envisageable, à terme, d’utiliser les modèles développés dans RESPECTS pour la mise en
œuvre de procédures de commande adaptative, [Dugard 88].
III-2 Simulation prédictive pour l'implantation de nouvelles technologies
La simulation est considérée par Jolivalt comme un laboratoire d’expérimentation virtuelle,

[Jolivalt 95]. Elle donne la possibilité d’effectuer certaines études préliminaires à
l’implantation de procédés dont les modèles de fonctionnement sont disponibles. Elle permet
notamment de prévoir l’ordre de grandeur des économies envisageables après changement
d’un procédé pour évaluer le temps de retour sur investissement. Elle offre en outre la
possibilité de tester l’efficacité de procédures d’urgence destinées à faire face à des
événements particuliers tels que des pannes (mises en mode dégradé) ou déversements
d’effluents inhabituels dans la station d’épuration.
III-2-i Exemple de tests de techniques différentes pour le contrôle des régulations
Dans les différentes stations d’épuration d’entreprises de traitement de surface que nous
avons visitées, nous avons noté le fait que les plus récentes étaient majoritairement équipées
de systèmes de régulation chimique proportionnelle-intégrale (PI), décrite en Partie 3, § I-4-ii.
Par contre, chez notre partenaire EDC dont la station a été l’une des pionnières du domaine,
sont toujours utilisés des régulateurs industriels de type Yokogawa® (type EXA pH400).
Afin d’évaluer le bien-fondé de l’utilisation massive des régulateurs PI, nous avons voulu
tester l’hypothèse de leur mise en place sur les données de la station d’épuration de EDC.
Nous avons expérimenté deux types de configuration : une régulation proportionnelle simple,
et une régulation proportionnelle-intégrale, Annexe 15.
203
Les figures suivantes (Figure 90 à Figure 92) présentent les conséquences sur les
performances et les consommations en réactifs prévues par simulation pour le cas de la
régulation du pH en décyanuration. Les donnés présentées correspondent à la simulation de
un mois de fonctionnement de la station en situation globalement normale (données de janvier
2001). Les paramètres (coefficients) des contrôleurs sont constants sur toute la simulation.
La Figure 90 indique que la simulation envisage une amélioration systématique des

performances de la régulation du pH en décyanuration par l’implantation d’un contrôle P ou
d’un contrôle PI avec un léger avantage en faveur du PI.
Figure 90 : Ecart de valeur du critère de performance Qcons entre une régulation industrielle
et une régulation P ou PI
01/01/01
02/01/01
03/01/01
04/01/01
05/01/01
06/01/01
07/01/01
08/01/01
09/01/01
10/01/01
11/01/01
12/01/01
13/01/01
14/01/01
15/01/01
16/01/01
17/01/01
18/01/01
19/01/01
20/01/01
21/01/01
22/01/01
23/01/01
24/01/01
25/01/01
26/01/01
27/01/01
28/01/01
29/01/01
30/01/01
31/01/01
0
-0,5
-1
-1,5
-2
P vs. Industrielle
Pi vs.Industrielle
Moyenne P
-2,5 Moyenne PI
-3
La Figure 91 montre les économies simulées en CO2 (acide de régulation en décyanuration

chez EDC) qu’il est possible d’envisager. Ici encore la simulation prévoit une amélioration du
système par l’implantation d’une régulation proportionnelle. La régulation PI est ici
équivalente en consommation à la régulation P.
204
Figure 91 : Consommations de CO2 (en kg/jour) selon le type de régulateur simulé (industriel, P ou PI)
160
140 Industriel
Proportionnel
Proportionnel-Intégral
120
Consommation moyenne Industriel
Consommation de CO2 (kg/jour)
Consommation moyenne P : -5%
100 Consommation moyenne PI : -3%
80
60
40
20
0
01/01/01
02/01/01
03/01/01
04/01/01
05/01/01
06/01/01
07/01/01
08/01/01
09/01/01
10/01/01
11/01/01
12/01/01
13/01/01
14/01/01
15/01/01
16/01/01
17/01/01
18/01/01
19/01/01
20/01/01
21/01/01
22/01/01
23/01/01
24/01/01
25/01/01
26/01/01
27/01/01
28/01/01
29/01/01
30/01/01
31/01/01
La Figure 92 indique les consommations en soude (base de régulation en décyanuration
chez EDC) simulées selon la technique de régulation envisagée. Cette figure montre que la
régulation proportionnelle garde un net avantage en permettant une économie moyenne de
70% du réactif utilisé mensuellement. La régulation PI par contre présente ici un léger
inconvénient par rapport à P puisqu’elle implique une consommation de soude plus
importante que PI. Elle reste toutefois avantageuse par rapport à la régulation industrielle.
Figure 92 : Consommations de soude 50% w/w (en L/jour) selon le type de régulateur simulé
(industriel, P ou PI)
6
Industriel
Proportionnel
Proportionnel-Intégral
5 Consommation moyenne Industriel
Consommation moyenne P : -70%
Consommation moyenne PI : -58%
Consommation de NaOH (L/jour)
0
01/01/01
02/01/01
03/01/01
04/01/01
05/01/01
06/01/01
07/01/01
08/01/01
09/01/01
10/01/01
11/01/01
12/01/01
13/01/01
14/01/01
15/01/01
16/01/01
17/01/01
18/01/01
19/01/01
20/01/01
21/01/01
22/01/01
23/01/01
24/01/01
25/01/01
26/01/01
27/01/01
28/01/01
29/01/01
30/01/01
31/01/01
205
Les résultats de simulation ont permis de montrer les avantages que présente une régulation
proportionnelle et donc de justifier sa mise en œuvre dans les stations les plus récentes. Ils
nous ont en outre démontré le fait que la partie intégrale peut apporter une légère amélioration
du contrôle, mais au prix d’une surconsommation des réactifs par rapport à P, ce que les
professionnels semblent avoir déjà implicitement remarqué puisque les régulateurs PI de TST
sont tous configurés par défaut en proportionnel simple (voir Première partie, § IV-3-iii).
III-2-ii Aide à l’élaboration d’une procédure de secours (dite “mode dégradé”)
Dans les entreprises de traitement de surface, le flux continu de pollution arrivant à la

station de détoxication doit être traité en temps réel car les capacités de stockage des effluents
dépassent rarement le volume d’effluents correspondant à une ou deux heures de
fonctionnement des ateliers de production. Toute panne importante et durable sur l’un des
organes de la station est donc très souvent synonyme d’un arrêt complet de toute l’activité de
l’entreprise, pour pallier au risque d’envoyer les effluents non traités dans le milieu récepteur.
Parce qu’il est impossible de prévenir toutes les pannes, il est intéressant de réfléchir à la
mise en œuvre de procédures permettant un fonctionnement satisfaisant en l’absence du
réacteur qui subit un incident. La simulation permet d’expérimenter virtuellement les
conséquences sur le traitement de la suppression d’une cuve et le transfert du traitement
afférent dans l’un des réacteurs amont ou aval.
Cette procédure est qualifiée de “mode dégradé” car elle correspond à un fonctionnement
dans des conditions non optimales. Ceci est particulièrement envisageable au niveau de
certains traitements chimiques, qui sont pratiqués dans des conditions similaires, comme la
décyanuration et la précipitation des métaux par exemple. La faisabilité de la mise en place
d’une telle procédure a été expérimentée en grandeur réelle chez EDC, [Bernard 99].
Le transfert d’un traitement dans une autre cuve consiste à déplacer les tuyaux
d’alimentation en effluents et en réactifs ainsi que les organes de mesure nécessaires aux
régulations correspondantes. Il implique aussi la plupart du temps une modification des
paramètres des régulateurs afin de permettre aux étapes du traitement ainsi regroupées de se
dérouler dans les meilleures conditions possibles.
206
Ainsi par exemple, si la cuve de décyanuration doit être momentanément arrêtée, les
effluents alcalins peuvent être dirigés vers la cuve de mise à pH / précipitation avec le réactif
d’oxydation et son système de mesure. Les consignes de régulation du pH dans le réacteur de
précipitation doivent alors être modifiées pour tenir compte des nouvelles contraintes
apportées par la réaction d’oxydation des cyanures.
Comme nous l’avons montré précédemment, la simulation permet de déterminer rapidement

les meilleurs réglages à mettre en œuvre en fonction de la nature des effluents. Elle permet
aussi de détecter un risque de dégradation trop importante de l’efficacité du traitement à cause
d’une procédure de “mode dégradé” mal adaptée.
III-3 Perspectives : dimensionnement de procédés et promotion des MTD
Comme nous l’avons déjà signalé précédemment, l’outil de simulation RESPECTS a été
construit de façon modulaire afin de lui permettre d’évoluer facilement. Le travail présenté
dans ce mémoire constitue une amorce pour le développement de cet outil, qui pourra être
amélioré notamment par l’adjonction de modèles pour la représentation d’autres traitements
chimiques, comme par exemple l’oxydation de phosphites et hypophosphites, la réduction du
chrome VI, la co-précipitation des métaux lourds en mélange ; par l’introduction de modèles
reproduisant les traitements physiques (décantation, filtration,…) ; par l’intégration de
modules pour la commande adaptative ; etc.
Un objectif à terme pourrait être d’offrir la possibilité de dimensionner une installation

complète en fonction des caractéristiques envisagées pour les effluents à traiter. L’outil de
simulation permettrait en effet d’accélérer les étapes de calculs nécessaires au
dimensionnement des installations, mais aussi de choisir le plus adapté parmi différents
procédés. Il pourra être utilisé aussi bien pour la construction de novo d’une station
d’épuration que pour l’optimisation ou la réhabilitation d’une station existante, devenue
vétuste ou trop petite.
En proposant une simulation prévisionnelle des coûts de fonctionnement et des

performances d’une station virtuelle, l’outil RESPECTS pourra participer à la mise en
évidence des avantages économiques à moyen / long terme de la mise en œuvre de procédés
plus onéreux à l’investissement, par un retour sur investissement plus rapide et/ou par de
meilleurs rendements épuratoires. Il offrira la possibilité de tester des techniques ou
technologies nouvelles que les industriels seraient a priori peu enclins à expérimenter dans
leur usine, souvent par méconnaissance de leurs avantages sur l’efficacité des systèmes, et à
207
cause des inconvénients que constituent un investissement financier un peu plus lourd et un
temps de prise en main / configuration des systèmes légèrement plus long (e.g. la mise en
place d’une régulation proportionnelle-intégrale suppose l’installation d’actionneurs
proportionnels en lieu et place des actionneurs “tout ou rien”). Il permettra ainsi de participer
à la promotion des technologies propres et à la mise en œuvre des meilleures technologies
disponibles (MTD)
Une autre application envisageable de l’outil RESPECTS concerne l’optimisation des

réseaux d’alimentation en eau de rinçage des chaînes de traitement de surface. Il pourra
particulièrement être utile en cas d’extension de l’entreprise et de construction de nouvelles
chaînes de traitement, qui pourrait mettre en jeu l’efficacité des rinçages de plusieurs chaînes
de traitement. Il permettra de déterminer si un réseau existant peu être géré de façon plus
efficace par une organisation systémique des gammes de traitement comme par exemple une
alimentation alternée des différents rinçages, avec gestion des priorités en fonction du type de
traitement.
208
UN OUTIL POUR LES PROFESSIONNELS
Le contact avec les industriels du traitement de surface a été prépondérant dans la définition
des objectifs de notre projet car la demande de matériel interactif pouvant à la fois servir
d’aide à la décision et d’outil de formation est venue directement d’eux.
Le logiciel RESPECTS vise à faciliter le travail des opérateurs en leur proposant un module
de détection et de localisation des anomalies sur le système de détoxication chimique. Il offre
en outre la possibilité d’une expérimentation virtuelle de procédures pour l’amélioration du
fonctionnement des systèmes.
Cet outil de simulation est aussi un terrain d’entraînement et d’expérimentation virtuel très
utile pour les professionnels du traitement de surface comme pour les enseignants du
domaine. Il s’adapte facilement au public et permet de développer une grande quantité de
sessions de formation différentes, de tous niveaux, avec des objectifs didactiques divers.
Les perspectives de développement de RESPECTS sont très vastes, grâce à sa nature

conceptuelle et modulaire il est susceptible d’intégrer à terme des capacités de
dimensionnement et de validation de nouvelles technologies.
209
CONCLUSIONS
CONCLUSIONS
L’objectif initial de ce travail de recherche était de proposer aux professionnels des

traitements de surface par voie aqueuse un outil capable de les aider à gérer au mieux les
questions de consommation en eau et de pollution dans leur entreprise. Plusieurs points ont
été distingués pour permettre une gestion plus efficace :
 l’utilité d’un outil d’aide à la décision pour épauler les opérateurs dans leurs tâches
de détection et de localisation des anomalies de fonctionnement de la station de
détoxication ;
 l’intérêt de la mise en place de procédure d’évaluation des performances et
d’optimisation des procédés d’épuration ;
 l’importance d’une communication sur les risques chimiques et les problématiques
d’économie en eau et de détoxication des effluents auprès des ouvriers.
Une première phase d’observation et de compréhension des processus a été nécessaire avant
d’aboutir à leur modélisation. Les modèles ont été, dans la mesure du possible, développés à
partir de modèles de connaissance, afin qu’ils soient génériques et donc transposables à
d’autres entreprises du secteur.
Certains de ces modèles ont d’ores et déjà été implémentés en un système intéractif d’aide à
la décision, permettant la simulation du fonctionnement de plusieurs procédés d’épuration
chimique d’effluents de traitement de surface. Il est l’ébauche d’un outil plus complet qui
nécessitera des études complémentaires et l’implication d’autres partenaires pour nous
permettre de proposer la simulation d’un panel le plus exhaustif possible des techniques
existant dans le domaine.
Les simulations déjà disponibles ont toutes été validées sur des données industrielles, elles
permettent de reproduire aussi bien le fonctionnement normal d’une station qu’en condition
de défaillances, ce qui permet d’utiliser cet outil pour la caractérisation de panne.
Le logiciel pourra à terme être utilisé aussi bien en couplage avec un système de supervision
classique pour les tâches de détection et d’aide à la décision pour les cas de défaillances que
seul dans le cadre d’études pour le dimensionnement et l’optimisation d’installations
d’épuration.
211
CONCLUSIONS
Néanmoins, la version actuelle du logiciel de simulation est dès à présent utilisable pour la
mise en place de sessions d’information ou de formation, de tous les niveaux. Cet aspect de
l’outil est destiné à la fois aux industriels et aux enseignants des filières professionnelles.
212
BIBLIOGRAPHIE
BIBLIOGRAPHIE
[Arrêté 85] Arrêté du 26 septembre 1985 relatif aux ateliers de traitement de surfaces, JO du
16 novembre 1985.
[Arrêté 98] Arrêté du 2 février 1998 relatif aux prélèvements et à la consommation d’eau
ainsi qu’aux émissions de toute nature des installations classées pour la protection de
l’environnement soumises à autorisation, JO du 3 mars 1998.
[Arrêté 02] Arrêté du 24 décembre 2002 relatif à la déclaration annuelle des émissions
polluantes des installations classées soumises à autorisation, JO du 7 mars 2003.
[Bamo 01] Bamo, Catalogue 11/2001
[Basseville 83] Basseville M., Benveniste A., Design and comparative study of some
sequential jump detection algorithms for digital signals, IEEE transactions on acoustics,
speech, and signal processing, vol. ASSP 31, N°3, 1983, pp 521-535.
[Becquette 91] Becquette B.W., Nonlinear Control of chemical processes: a review, Ind.
Eng. Chem. Res., vol. 30, (1991), pp 1391-1413.
[Benchimol 90] Benchimol G., Lévine P., Pomerol J.C., Systèmes experts dans l'entreprise,
Ed. Hermès, collection Traité des Nouvelles Technologies, série Décision assistée par
ordinateur, 1990, 261 pp.
[Bernard 99] Bernard S., Bilans et modes de fonctionnement d’une station d’épuration des
effluents industriels de traitement de surface – étude des modes dégradés, Rapport de Stage
de fin d’études, IUT de Saint-Etienne, ENSM de Saint-Etienne, Juillet 1999.
[Boeglin 99a] Boeglin J.-C., Pollution industrielle de l'eau: Caractérisation, classification,
mesure, Techniques de l'Ingénieur, G 1 210, 1999, 12 pp.
[Boeglin 99b] Boeglin J.-C., Lutte contre la pollution de l'eau: Inventaires et traitements,
Techniques de l'Ingénieur, G 1 250, 1999, 10 pp.
[Bonan 93] Bonan A., Teixeira L.A., Hohler H.M., Kinetics of the oxidation of free and
copper cyanides in aqueous solutions with hydrogen peroxide, Extraction and Processing for
the Treatment and Minimization of Wastes, The Minerals, Metals & Materials Society, 1993.
[Bonner 02] Bonner O., Analyse des flux de pollution liquides dans un atelier de traitement
de surfaces, Rapport de DEA, INSA de Lyon et ENSM de Saint-Etienne, Juillet 2002.
[Bonnet 04] Bonnet F., Méthodes d’analyse des effluents industriels appliquées au traitement
de surface, Mémoire de Maîtrise, Université Claude Bernard Lyon, juillet 2004.
213
BIBLIOGRAPHIE
[Bourgois 00] Bourgois J., Debray B., Laforest V., Traitements chimiques et physico-
chimiques des déchets, Techniques de l'Ingénieur, Doc. G 2 070, 2000, 20 pp.
[Brunet 90] Brunet J., Jaume D., Labarrère M., Rault A., Vergé M., Détection et
diagnostic de pannes, Approche par modélisation, Ed. Hermès, collection Traité des
Nouvelles Technologies, série Diagnostic et Maintenance, 1990, 234 pp.
[Buchholt 79] Buchholt F., Kümmel M., Self-tuning control of a pH-neutralization process,
Automatica, vol. 15, 1979, pp 665-671.
[Buerge 97] Buerge I. J., Hug S. J., Kinetic and pH Dependence of Chromium(VI) Reduction
by Iron(II), Environmental Science & Technology, vol. 31, n° 5, 1996, pp. 1426-1432.
[Butler 98] Butler N.J., Ionic equilibrium, solubility and pH calculation, Ed. John Wiley &
Sons, 1998, 559 p.
[Cassar 96] Cassar J.Ph., Staroswiecki M., Pour une approche unifiée de la surveillance ,
Ecole d’été d’Automatique de Grenoble (LAG-ENSIEG) : Surveillance des systèmes
continus, Tome 1, sept.1996, 26 pp.
[Chagneau 00] Chagneau G., Lepreux J.-L., Vanuxem F., Leclercq J.-J., Papon J.,
Rochon M., La commande prédictive au service de la qualité de l’eau, L’eau, l’industrie, les
nuisances, N°234, 2000, p 47 à 50.
[Chevalier 97] Chevalier F., Restructuration d'un atelier de galvanoplastie, Galvanoplastie,

1997, pp. 61-64.
[Chunhua Yang 01] Chunhua Yang, Min Wu, Deyao Shen, Deconinck G., Hybrid
intelligent control of gas collectors of coke ovens, Control Engineering Practice, vol.9, 2001,
pp 725-733.
[Circulaire 00] Circulaire du 10 janvier 2000 relatives aux installations classées pour la
protection de l’environnement : industrie de traitement de surface (rubrique n°2565)
[Circulaire 85] Circulaire DPP/SEI/JFD/CN n°5518 du 5 novembre 1985 relatives aux

installations classées pour la protection de l’environnement industrie de traitement de surface
[Clerc 96] Clerc P., Automatique continue et échantillonnée, Masson, 1996, 198 pp.
[Corriou 01] Corriou J.-P., Commande de procédés chimiques, Ed. Hermès, (2001), pp 201-
228.
[Crampes 99] Crampes M., Saussac G., Facteurs de qualité et composantesde scénario pour
la conception de simulateurs pédagogiques à vocation comportementale, Hermès Science
Publications, Sciences et techniques éducatives, Paris, 1999.
[Cres 89] Cres F.-N., Contribution des systèmes à base de connaissances en sciences de
l’eau; PROMISE : un simulateur de projet; Moïse : un système de diagnostique en
assainissement autonome, Thèse de Doctorat Ecole Nationale Supérieure des Mines de Saint-
Étienne, 1989.
214
BIBLIOGRAPHIE
[Dean 72] Dean J. A. (Ed.), Lange’s Handbook of Chemistry. McGraw-Hill Book Company,
13th edition, 1972, 1792 pp.
[Décret 77] Décret n°77-1133 du 21 septembre 1977 modifié pris pour l’application de la loi
n°76-663 du 19 juillet 1976, JO du 8 octobre 1977.
[Degrémont 91] Degrémont,- Water treatment handbook, 6th edition, vol. 1 & 2, Ed.
Lavoisier, 1991, 1459 p.
[Dhanpat Rai 87] Dhanpat Rai, Sass B. M., Moore D. A., Chromium(III) Hydrolysis
Constants and Solubility of Chromium(III) Hydroxide, Inorganic Chemistry, 26, 1987, pp.
345-349
[Didier 81] Didier R.,- Chimie générale, Ed. J.-B. Baillière, (1981), p.204-223.
[Directive 76] Directive 76/769/CEE du Conseil des communautés européennes, du 27

juillet 1976, concernant le rapprochement des dispositions législatives, réglementaires et
administratives des Etats membres relatives à la limitation de la mise sur le marché et de
l’emploi de certaines substances et préparations dangereuses, JO n° L 262 du 27 septembre
1976, pp. 0201-0203.
[Directive 96/61] Directive 96/61/CE du Conseil des communautés européennes du 24
septembre 1996 relative à la prévention et à la réduction intégrées des pollutions, JO n° L
257 du 10 octobre 1996, pp. 26-40.
[Directive 96/82] Directive 96/82/CE (Directive SEVESO II) du Conseil des

communautés européennes du 9 décembre 1996 concernant la maîtrise des dangers liés aux
accidents majeurs impliquant des substances dangereuses, JO n°L 10 du 14 janvier 1997,
pp. 13-33.
[Djerahian 03] Djerahian Y., Analyse des données d’une station d’épuration industrielle,
Mémoire de Maîtrise, Université de la Méditerranée Aix-Marseille, juillet 2003.
[Droste 97] Droste R.L., Theory and practice of water and wastewater treatment, Ed. John
Wiley & Sons, 1997, 800 p.
[Dugard 88] Dugard L., Landau I.D., Commande adaptative – Méthodologie et

applications, Traité des Nouvelles Technologies, série Automatique, Hermès, 1988.
[Duverneuil 97] Duverneuil P., Fenouillet B., Chaffot C., Récupération des métaux lourds
dans les déchets et boues issues des traitements des effluents, Lavoisier, Technique et
Documentation, 1997.
[Eary 88] Eary L. E., Dhanpat Rai, Chromate Removal from Aqueous Wastes by reduction
with Ferrous Ions, Environmental Science & Technology, vol. 22, n° 8, 1988, pp. 972-977.
[Elbelkacemi 01] Elbelkacemi M., Lachhab A., Limouri M., Dahhou B., Essaid A.,
Adaptive control of a water supply system, Control Engineering Practice, vol.9, 2001, pp 343-
349.
215
BIBLIOGRAPHIE
[EPA 82] EPA, Effluent Guidelines Division, Development document for effluent limitations
guidelines and standards for the metal finishing, Point source category, 1982.
[Fendorf 96] Fendorf S. E., Guangchao Li, Kinetic of Chromate Reduction by Ferrous Iron,
Environmental Science & Technology, vol. 30, n° 5, 1996, pp. 1614-1617.
[Fisher 74] Fisher J., Knorr H., Pohl G., Process for detoxification of cyanides and nitriles
with peroxygen compounds, US Patent, Oct. 16, 1974.
[Frank 96] Frank P.M., Robust model-based fault detection in dynamic systems , Ecole d’été
d’Automatique de Grenoble (LAG-ENSIEG) : Surveillance des systèmes continus, Tome 2,
sept.1996, 13 pp.
[Gallard 99] Gallard H., De Laat J., Legube B., Etude comparative de la vitesse de
décomposition de H2O2 et de l'atrazine par les systèmes Fe(III)/H2O2 , CU(II)/H2O2 ,
Fe(III)/CU(II)/H2O2 , Revue des sciences de l'eau, 12/4, 1999, pp. 713-728.
[Garcìa-Sanz 01] Garcìa-Sanz M., Guillén J.C., Ibarrola J.J., Robust controller design for
uncertain systems with variable time delay, Control Engineering Practice, vol.9, 2001, pp
961-972.
[Goedecke 79] Goedecke R., Eiermann K., Knorre H., Mewes D., Contrôle et régulation
en continu de la décontamination à l'aide de H2O2 des eaux résiduaires contenant du cyanure,
(traduit de l'allemand), Dechema-Monogr., 1979.
[GTZ 90] Deutsche Gesellschaft für Technische Zusammenarbeit (GTZ) GmbH,

Collectif, Technologie des eaux résiduaires: Production, collecte, traitement et analyse des
eaux résiduaires, Ed. Springer-Verlag, 1990, 1137 p.
[Gustafsson 83] Gustafsson T.K., Waller K.V., Dynamic modelling and reaction invariant
control of pH, Chemical Engineering Science, vol. 38, No. 3, 1983, pp 389-398.
[Gustafsson 92] Gustafsson T.K., Waller K.V., Nonlinear and adaptive control of pH, Ind.
Eng. Chem. Res., vol. 31, (1992), pp 2681-2693.
[Graillot 86] Graillot D., Davoine P., Un modèle pédagogique assisté par ordinateur MISE
Modèle intégré de stratégie de l’eau. European Journal of Engineering Education, vol. 11, pp.
177-185, 1986.
[Heidenreich 71] Heindenreich H., Verfahren zur Entgiftung cyanidhaltiger Abwässer,
Deutsches Patentamt, 22 Februar 1973.
[Henry 71] Henry C., Boeglin J.-C., Théorie et pratiques d'épuration des eaux résiduaires
contenant des composés cyanurés, issus de l'industrie minérale et organique, Centre Belge
d'Etude et de Documentation des Eaux, Etudes et Mémoires, Progrès apportés par le procédé
de décyanuration aux produits peroxydés, Juin-Juillet 1971, N° 331-332, pp. 282-294.
[Henson 94] Henson M.A., Seborg D.E., Adaptive nonlinear control of a pH neutralization
process, IEEE Transactions on Control Systems Technology, vol. 2, n° 3, (1994), pp 169-182.
[Hiroya Seki 01] Hiroya Seki, Morimasa Ogawa, Satoshi Ooyama, Kouji Akamatsu,
Masahiro Ohshima, Wang Yang, Industrial application of a nonlinear model predictive
control to polymerization reactors, Control Engineering Practice, vol.9, 2001, pp 819-828.
216
BIBLIOGRAPHIE
[Horch 01] Horch A., Isaksson A.J., Assessment of the sampling rate in control systems,
Control Engineering Practice, vol.9, 2001, pp 533-544.
[Hu 99] Hu Q., Rangaiah G.P., Strategies for enhancing nonlinear internal model control of
pH processes, Journal of Chemical Engineering of Japan, vol. 32, No. 1, (1999), pp 59-68.
[Jones 99] Jones C. W., Applications of Hydrogen Peroxide and derivatives, RSC, 1999.
[Krishnamurthy 94] Krishnamurthy S., Wilkens M. M., Environmental Chemistry of

Chromium, Northeastern Geology, vol. 16, no. 1, 1994, pp. 14-17.
[Kushner 94] Kushner J.B., Kushner A.S., Water and waste control for the plating shop, 3rd
edition, Gardner Publication inc., 1994, 284 p.
[Labat 00] Labat N., Optimisation de la consommation d’eau – Application aux procédés de
traitement de surface en continu et aux moyens d’épuration, Rapport de DEA, INSA de Lyon
et ENSM de Saint-Etienne, Juillet 2000.
[Lacourcelle 96] Lacourcelle L., Traité de Galvanotechnique, Galva-conseil Edition, 1996,

569 p.
[Laforest 99] Laforest V., Technologies propres: Méthodes de minimisation des rejets et de
choix des procédés de valorisation des effluents. Application aux ateliers de traitements de
surface, Thèse de Doctorat INSA Lyon et ENSM-SE, 1999.
[Lamy 96] Lamy Environnement l’Eau, Eaux douces et eaux marines Gestion et police de
l'eau Redevances et fiscalité Assurance et responsabilités, Lamy S.A., 1996.
[Lancy 72] Lancy L. E., Integrated waste water treatment for reusage after cyanide type
plating, US Patent, Aug. 8, 1972
[Landau 93] Landau I. D., Identification et commande des systèmes, Traité des nouvelles
technologies, Série automatique, Ed. Hermes, 1993, 535 p.
[Leahy 90] Leahy C. D., The oxidation by peroxides of cyanides, cyanide complexes and
related species, Thèse, Imperial College, University of London, 1990, 241 pp.
[Legrand 81] Legrand L., Poirier G., Leroy P., Les équilibres carboniques et l'équilibre
calcocarbonique dans les eaux naturelles, Eyrolles, 1981.
[Legrand 96] Legrand L., La notion de tâtonnement expérimental, Le Nouvel éducateur,

PUF, sept. 1996.
[Levary 88] Levary R.R., Engineering design: Better results through operations research
methods, Operations Research Society series, Ed. North-Holland, 1988.
[Lévine 89] Lévine P., Pomerol J.C., Système intéractif d'aide à la décision et système
expert, Ed. Hermès, collection Traité des Nouvelles Technologies, série Décision assistée par
ordinateur, 1989
217
BIBLIOGRAPHIE
[Levine 96] Levine W.S., The control Handbook, CRC Press, (1996).
[Ljung 87] Ljung J., System identification : Theory for the user, Prentice-Hall information
and system sciences series, Thomas Kailath Ed., 1987.
[Loi 64] Loi n°64-1245 du 16 décembre 1964 relative au régime et à la répartition des eaux
et à la lutte contre leur pollution, JO du 18 déc. 1964.
[Loi 76] Loi n°76-663 du 19 juillet 1976 modifiée relative aux installations classées pour la
protection de l’environnement, JO du 20 juillet 1976.
[Loi 1/92] Loi n°92-3 du 3 janvier 1992 sur l'eau, JO du 4 jan. 1992.
[Loi 7/92] Loi n°92-646 du 13 juillet 1992 relative à l’élimination des déchets et la
récupération des matériaux, JO du 14 juil. 1992.
[Lopriore 99] Lopriore L., L’apprentissage coopératif : un défi pour les professeurs de
langue, Le français dans le monde, recherches et applications, Numéro spécial “Apprendre les
langues étrangères autrement”, pp 134-141..
[Luo 88] Luo Y., Kustin K., Epstein R. ,Kinetics and mechanism of H2O2 decomposition
catalysed by Cu2+ in alkaline solution, Inorganic Chemistry, Vol 27, 1988, pp. 2489-2496.
[Maquin 96] Maquin D., Ragot J., Méthodes de base de la surveillance : systèmes statiques
et dynamiques, Ecole d’été d’Automatique de Grenoble (LAG-ENSIEG) : Surveillance des
systèmes continus, Tome 1, sept.1996, 38 pp.
[Massové 00] Massové F., Meilleures techniques disponibles en traitement d'eau, Traitement
de surfaces, Environnement & Techniques, n° 201, 2000, pp. 69-73.
[MATE 85] Ministère de l'Environnement, Agence de Bassin Loire-Bretagne, Traitement

de surface: dépollution à la source, Cahier technique n°18 de la Direction de la Prévention
des Pollutions, 1985.
[Mathre 71] Mathre O. B., E. I. du Pont de Nemours and Company, Destruction of

cyanide in aqueous solutions, US Patent, Nov. 2, 1971.
[Mesplède 90] Mesplède J., Queyrel J.-L.,- Précis de Chimie. Ed. Bréal, (1990), p.95.
[MinEFI 97] Ministère de l'économie, des finances et de l'industrie, Division nationale

des eaux minérales et thermales, Bureau de recherches géologiques et minières, Les eaux
minérales et le gaz carbonique, Note technique n°10, oct. 1997.
[Mohler 82] Mohler J.B., Water rinsing, in: Metal Finishing Guidebook and Directory Issue:
'82, Metal Finishing, 1982, pp.498-510
[Monnier 02] Monnier C., Analyse des données de supervision d’une station de détoxication
d’effluents industriels – Application au traitement de surface, Mémoire de Maîtrise,
Université de la Méditerranée Aix-Marseille, juillet 2002.
218
BIBLIOGRAPHIE
[Narce 01] Narce C., Analyse du fonctionnement de l’épuration des effluents industriels par
la modélisation et la simulation – Application au traitement de surface, mémoire de DEA,
Ecole des Mines de Saint-Etienne – INSA Lyon, juillet 2001.
[Nelder 65] Nelder J.A., Mead R., A simplex method for function minimization, Computer
Journal, vol. 7, 1965, pp 308-313.
[Nordstrom 78] Nordstrom D.K., Plummer L.N., Wigley M.L., Wolery T.J., Ball J.W.,
Jenne E.A., Bassett R.L., Crerar D.A., Florence T.M., Fritz B., Hoffman M., Holdren
G.R., Lafon G.M., Mattigod S.V., McDuff R.E., Morel F., Reddy M.M., Sposito G.,
Thrailkill J., A comparison of computerized chemical models for equilibrium calculations in
aqueous systems, in “Chemical modeling in Aqueous systems, Speciation, Sorption,
Solubility, and kinetics” chap 38, American Chemical Society symposium series, 1978, pp.
857-892.
[Olsson 99] Olsson G., Newell B., Wastewater treatment systems, Modelling, Diagnosis and
Control, IWA publishing, 1999, 648 pp.
[phpcodeur.net] http://phpcodeur.net/articles/php/dates, Manipuler les dates avec PHP,
visité en juin 2005.
[Pibolleau 02] Pibolleau Th., Optimisation de la consommation en eau en amont d’une

station de détoxication, dans une entreprise de traitement de surface, Mémoire de Maîtrise,
Université Claude Bernard Lyon, Juin 2002.
[Page 54] Page E.S., Continuous inspection schemes, Biometrika, vol.41, 1954, pp. 100-115.
[Pigeron 96] Pigeron B., Mullot H., Chaix A., Felix L., Aubert Y., Boucles de régulation –
Etude et mise au point, Bhaly Autoédition, 1996, 333 p.
[Podhorecki 87] Podhorecki R., Moniuk W., Kinetics of reaction between carbon dioxide
and hydroxyl ions in aqueous electrolyte solutions, Chemical Engineering Science, Vol. 43,
No. 7, pp. 1677-1684, 1987.
[Porte 02(1)] Porte C., Méthodes directes d’optimisation – Méthodes à une variable et
simplex, Techniques de l’Ingénieur, P228, Décembre 2002, 18 pp.
[Porte 02(2)] Porte C., Méthodes directes d’optimisation – Méthodes dérivées de la méthode
du simplex, Techniques de l’Ingénieur, P229, décembre 2002, 14 pp.
[Prominent 97] Prominent Dosiertechnik GmbH , Mode d’emploi DULCOMETER D1C,

Partie 3 / PM, version 6, Edition 05/97.
[Ramsden 92] Ramsden P., Learning to teach in higher education, Routledge, London, 1992,
290 pp.
[Rhin-Meuse 98] Agence de l'eau Rhin-Meuse, Etat de la technique, Industrie du traitement

de surface, novembre 1998, 47 pp.
[Richard 91] Richard F. C., Bourg A. C. M., Aqueous Geochemistry of Chromium: a review,
Water Research, vol. 25, n° 7, 1991, pp. 807-816.
219
BIBLIOGRAPHIE
[Rigaud 98] Rigaud J., Girard L.-M., Traitement de surface - Epuration des eaux, Agence
de l'eau Rhône-Méditerranée-Corse, SITS, 1998, 253 p.
[Rochaix 96] RochaixC., Electrochimie, Thermodynamique – Cinétique, Nathan, 1996, 239

pp.
[Roques 90] Roques H., Fondements théoriques du traitement chimique des eaux, vol. 1 et 2,
Lavoisier, 1990, 519 p, p.
[Rosenbrock 65] Rosenbrock H.H., An automatic method for finding the greatest or least
value of a function, The computer Journal, volume 3, 1965, pp. 175-184.
[Roux 01] Roux J.-P., [Physique] : Solubilité du CO2. Académie de Lyon, Liste Physique,
Apr. 2001, http://www2.ac-lyon.fr/mhonarc/physique/msg02229.mhmsg.-
[Schlautman 01] Schlautman M. A., Ihnsup Han., Effects of pH and dissolved oxygen on the
reduction of hexavalent chromium by dissolved ferrous iron in poorly buffered aqueous
systems, Water research, Vol. 35, n° 6. pp 1534-1546, 2001.
[Schwitzgebel 92] Schwitzgebel K., Integrated process for cyanide and heavy metal removal
from plating process waste stream, US patent, Apr. 21, 1992.
[SESSI 11/04] Sessi, La sous-traitance en chiffres – métaux, plastiques, caoutchouc,

électronique – Edition 2004, Midest 2004, ISSN 1625-1555, pp 12-13, nov. 2004,
téléchargeable sur http://www.industrie.gouv.fr/sessi/ (visitée mai 2005)
[SESSI 04/05] Sessi, Enquête dépenses pour protéger l’environnement 2003, éditée le 15
avril 2005, http://www.industrie.gouv.fr/sessi/observat/chiffres/sessi/enquetes/antipol.htm
(visitée mai 2005)
[SESSI EAE03] Sessi, Enquête annuelle d’entreprise 2003, NAF: 285A, consultable sur
http://www.industrie.gouv.fr/sessi/ (visitée mai 2005)
[Shinskey 96] Shinskey F.G., Control of pH, The control handbook, CRC Press, pp. 1205-
1217, 1996
[Solvay Interox 01] Solvay Interox Inc., Les fiches signalétiques: Peroxyde d’hydrogène,
www.solvayinterox.com.
[Staroswiecki 96] Staroswiecki M., Cassar J.Ph., Approche structurelle pour la conception
des systèmes de surveillance, Ecole d’été d’Automatique de Grenoble (LAG-ENSIEG) :
Surveillance des systèmes continus, Tome 1, sept.1996, 38 pp.
[Stephenson 98] Stephenson R.L., Blackburn J.B., The industrial wastewater systems
handbook, Lewis Publishers, 1998, 495 p.
[Struckul 92] Struckul G. (ed.), Catalytic oxidations with hydrogen peroxide as oxidant,
Catalysis by metal complexes, Vol. 9, Kluwer Academic Publishers, 1992.
220
BIBLIOGRAPHIE
[Stumm 96] Stumm W., Morgan J.J., Aquatic chemistry: Chemical equilibria and rates in
natural waters, 3rd edition, Ed. John Wiley & Sons, 1996, 1022 p.
[Szafnicki 91] Szafnicki K., Système à base de connaissances pour l’identification des
procédés, Thèse de Doctorat, INP Grenoble, 1991.
[Szafnicki 3/05] Szafnicki K., Narce C., Aide à la détoxication des effluents aqueux,
Galvano-Organo, N°746, mars 2005, pp.22-23.
[Szafnicki 6/05] Szafnicki K., Narce C., Bourgois J., Toward an integrated tool for control,
supervision and operator training –application to industrial wastewater detoxication plants,
Control Engineering Practice, June 2005, Vol. 13, Issue 6, pp. 729-738.
[Tschiri 94] Tschiri, A., Aktivchlor – Problemstoff im Gewässerschutz, Oberflächen

Werkstoffe, vol. 35 (1/2), 1994, pp.10-13.
[Vetter 92] Vetter M., Modélisation des données, Approche globale et orientée objets,traduit
de l’allemand(“Aufbau betrieblicher Informationssysteme”, 1991) par Baudraz F., Dunod
Informatique, 1992, 494 pp.
[Van Lith 01] Van Lith P.F., Witteveen H., Betlem B.H.L., Roffel B., Multiple nonlinear
parameter estimation using PI feedback control, Control Engineering Practice, vol.9, 2001,
pp 517-531.
[Van Luik 78] Van Luik A. E., Jurinak J. J., Equilibrium Chemistry of Heavy Metals in
Concentrated Electrolyte Solution, Chemical Modeling in aqueous systems, 1978, 28 pp.
[Virnig 96] Virnig M. J., Mattison P. L., Wolfe G. A., Sierakoski J. M., Mackenzie M.,
Weerts K. E., Process for the removal of toxic cyanide and heavy metal species from alkaline
solutions, US patent, Jun. 4, 1996.
[Volland 00] Volland W., Solubility of gases in liquids, Online Introductory Chemistry, Nov.
2000, http://www.scidiv.bcc.ctc.edu/wv/09/0009-006-henry.html
[Weiner 75] Weiner R., Epuration des eaux résiduaires dans la transformation et la
galvanisation des métaux, Eyrolles, 1975.
[Weisenberger 96] Weisenberger S., Schumpe A., Estimation of gas solubilities in salt
solutions at temperatures from 273 K to 363 K, AI Ch E Journal, Vol. 42, No. 1, pp. 298-300,
1996.
[Weisz 76] Weisz H., Pantel S., Meiners W., Eine thermometrisch-kinetisch Methode zur
Bestimmung von Kupfer und Cyanid mit Hilfe der Kupfer-Katalysierten Zersetzung von
Wasserstoffperoxid , Analytica Chimica Acta, 82, 1976, pp. 145-153.
[Williams 90] Williams G.L., Rhinehart R.R., Riggs J.B., In-line process-model-based
control of wastewater pH using dual base injection, Ind. Eng. Chem. Res., vol. 29, (1990), pp
1254-1259.
[Winkel 92] Winkel P., Wasser und Abwasser: Behandlung und Kreislaufführung in der
Galvanotechnik und Metallindustrie, Leuze Verlag, (1992).
221
BIBLIOGRAPHIE
[Wright 91] Wright R.A., Soroush M., Kravaris C., Strong acid equivalent control of pH
processes: an experimental study, Ind. Eng. Chem. Res, vol. 30, (1991), pp 2437-2444.
[WTW 02] WTW, Multi 340i pH / Dissolved oxygen / Conductivity measuring instrument,
Operating manual, 03/2002.
[www.confucius.org]
[www.gregorybraun.com] Braun G., Logiciel FxEdit téléchargeable sur :

www.gregorybraun.com/FxEdit.html ; dernière consultation de la page en septembre 2003
[www.sfc.fr] Peroxyde d’hydrogène, http://www.sfc.fr/Vignes/Vig3_h2o2.htm
[www.wikipedia.org] Wikipédia, l’encyclopédie libre,

Article : Dichotomie, http://fr.wikipedia.org/wiki/Dichotomie,
dernière modification de la page 17 août 2004
Article : Méthode de Newton, http://fr.wikipedia.org/wiki/Méthode_de_Newton,
dernière modification de la page 30 août 2004
[Zumbrunn 2/69] Zumbrunn J.-P., l'Air liquide, Procédé de décyanurisation des eaux
résiduaires, Brevet d'invention, 10 février 1969.
[Zumbrunn 3/69] Zumbrunn J.-P., l'Air liquide, Procédé de détoxification des eaux
résiduaires, Brevet d'invention, 17 mars 1969.
[Zumbrunn 71] Zumbrunn J.-P., l'Air liquide, Epuration des eaux résiduaires cyanurées,
Chimie et Industrie – Génie Chimique, Vol. 104, N° 20, décembre 1971, pp. 2573-2584
[Zumbrunn 73] Zumbrunn J.-P., l'Air liquide, Nouvelles applications des produits
peroxydés pour l'épuration des eaux résiduaires, Informations Chimie, N° 124, octobre 1973,
pp. 189-194.
222
ANNEXES
ANNEXES
ANNEXE 1 : GRANDEURS SUPERVISEES A LA STATION

D’EPURATION DE EDC ........................................................................................ 225
ANNEXE 2 : VARIABLES SUPERVISEES A LA STATION D’EPURATION

DE TST ..................................................................................................................... 229
ANNEXE 3 : FICHIERS D’ARCHIVAGE DES ALARMES DE LA STATION

D’EPURATION DE TST (EXTRAIT) .................................................................... 233
ANNEXE 4 : EXTRAIT D’UNE BASE DE DONNEES EDC APRES

EXTRACTION ........................................................................................................ 237
ANNEXE 5 : COURBES EXPERIMENTALES DE DILUTION DES BAINS

DE TRAITEMENT D’UNE LIGNE D’ELECTRODEPOSITION EN
CONTINU DE EDC ................................................................................................. 241
ANNEXE 6 : BASES DE DONNEES SUR LA DECROISSANCE DE LA

CONCENTRATION EN PEROXYDE D’HYDROGENE EN
DECYANURATION (EN MODE “BATCH”) ET INTERPOLATION
LINEAIRE D’ORDRE 1 .......................................................................................... 247
ANNEXE 7 : IDENTIFICATION DE LA DECROISSANCE DE LA

CONCENTRATION EN PEROXYDE D'HYDROGENE ..................................... 253
ANNEXE 8 : TABLEAU DES CARACTERISTIQUES DE QUELQUES

REACTIFS ACIDES-BASES INDUSTRIELS ....................................................... 255
ANNEXE 9 : EXEMPLE DE CALCUL PH : ECRITURE DU MODELE

GENERAL “DEUX REACTIFS FAIBLES” POUR UN MELANGE ENTRE
UN TRIACIDE (H3PO4), UNE DIBASE (NA2CO3), UN ACIDE FORT ET
UNE BASE FORTE (EFFLUENTS DE COMPOSITION INCONNUE) .............. 259
ANNEXE 10 : CODE DU PROGRAMME RESPECTS SOUS MATLAB® ......... 267
223
ANNEXES
ANNEXE 11 : QUESTIONNAIRE POSE AUX ELEVES FA-ISTP POUR

L’EVALUATION DU MODULE D’INITIATION UTILISANT L’OUTIL
RESPECTS ............................................................................................................... 299
ANNEXE 12 : REPONSES DES ELEVES FA-ISTP AU QUESTIONNAIRE

POUR L’EVALUATION DU MODULE D’INITIATION UTILISANT
L’OUTIL RESPECTS .............................................................................................. 303
ANNEXE 13 : QUESTIONNAIRE POSE AUX ELEVES PSI-ICM POUR

L’EVALUATION DU MODULE DE FORMATION UTILISANT L’OUTIL
RESPECTS ............................................................................................................... 307
ANNEXE 14 : REPONSES DES ELEVES PSI-ICM AU QUESTIONNAIRE

POUR L’EVALUATION DE LA FORMATION UTILISANT L’OUTIL
RESPECTS ............................................................................................................... 311
ANNEXE 15 : RESULTATS DE SIMULATION : TEST DE

PERFORMANCES ET CONSOMMATIONS EN FONCTION DU TYPE DE
REGULATION (INDUSTRIELLE, P, PI). DONNEES DU MOIS DE
JANVIER 2001 (BASES DE DONNEES EDC) ..................................................... 315
224
ANNEXES
ANNEXE 1 :
GRANDEURS SUPERVISEES A LA
STATION D’EPURATION DE EDC
225
ANNEXES
: Grandeurs utlilisées pour la modélisation et la simulation des procédés

chimiques de détoxication
période
période de d’échantillon-
Paramètre mesuré nom unité mesure nage
PH DECYANURATION PHLU1 24:00:00 00:00:10
VALEUR PEROXYDE PHLU2 24:00:00 00:00:10
PH NEUTRALISATION PHLU3 24:00:00 00:00:10
PH EFFLUENTS ALCALINS PHLU4 24:00:00 00:00:10
PH EFFLUENTS ACIDES PHLU5 24:00:00 00:00:10
TEMPERATURE SOUDE TEMPLU deg 24:00:00 00:00:10
CONSIGNE PH DECYANURATION
(SOUDE) CONP1 24:00:00 00:00:10
PH MINI DECYANURATION
(SOUDE) MINP1 24:00:00 00:00:10
CONSIGNE PEROXYDE CONP2 24:00:00 00:00:10
CONSIGNE MINI PEROXYDE
DECYANURATION MINP2 24:00:00 00:00:10
CONSIGNE PH NEUTRALISATION
(ACIDE) CONP3 24:00:00 00:00:10
CONSIGNE PH MAXI
NEUTRALISATION (ACIDE) MAXP3 24:00:00 00:00:10
CONSIGNE PH MINI
NEUTRALISATION (SOUDE) MINP4 24:00:00 00:00:10
CONSIGNE TEMPERATURE MINI
SOUDE MINTE deg 24:00:00 00:00:10
CONSIGNE TEMPERATURE MAXI
SOUDE MAXTE deg 24:00:00 00:00:10
CONSIGNE PH DECYANURATION
(CO2) CONCO2 24:00:00 00:00:10
CONSIGNE MAXI
DECYANURATION (CO2) MAXCO2 24:00:00 00:00:10
CONSIGNE PH NEUTRAL SOUDE CONP4 24:00:00 00:00:10
CONSIGNE PH FINAL SOUDE CONP7 24:00:00 00:00:10
CONSIGNE PH EFF ACIDE CO2 CONP8 24:00:00 00:00:10
DEBIT ENTREE DEBE_LU m3/H 24:00:00 00:00:10
CONSIGNE MAX PEROXYDE
DECYANURATION MAXP2 24:00:00 00:00:10
CONSIGNE MAX PH EFF ACIDE MAXP5 24:00:00 00:00:10
CONSIGNE MAX PH CONTROLE
FINAL MAXP7 24:00:00 00:00:10
CONSIGNE PH MINI EFF ACIDE MINP5 24:00:00 00:00:10
CONSIGNE PH MINI NEUTRAL
ACIDE MINP6 24:00:00 00:00:10
CONSIGNE PH MINI CONTROLE
FINAL MINP7 24:00:00 00:00:10
CONSIGNE PH MINI EFF ALCALIN PHMIN 24:00:00 00:00:10
CONSIGNE PH MAXI EFF ALCALIN PHMAX 24:00:00 00:00:10
TEMPERATURE EAU CONTROLE
FINAL TEMPLU1 deg 24:00:00 00:00:10
MARCHE AGITATEUR
DECYANURATION CRAG1 24:00:00 00:00:10
MARCHE AGITATEUR CRAG2 24:00:00 00:00:10
226
ANNEXES
NEUTRALISATION
MARCHE AGITATEUR
PREPARATION FLOCULATION CRAG3 24:00:00 00:00:10
MARCHE AGITATEUR
FLOCULATION CRAG4 24:00:00 00:00:10
période
période de d’échantillon-
Paramètre mesuré nom unité mesure nage
MARCHE AGITATEUR
CONCENTRATEUR CRAG5 24:00:00 00:00:10
MARCHE AGITATEUR PREPA
CHLORURE CALCIUM CRAG6 24:00:00 00:00:10
MARCHE POMPE BAINS USES
ACIDES CRBU1 24:00:00 00:00:10
MARCHE POMPE BAINS USES
ACLCALINS CYANURES CRBU2 24:00:00 00:00:10
MARCHE POMPE PD10 SOUDE
NEUTRAL CRpd10 24:00:00 00:00:10
MARCHE POMPE 1 ACIDES CRP1 24:00:00 00:00:10
MARCHE POMPE 2 ACIDES CRP2 24:00:00 00:00:10
MARCHE POMPE 3 BASES CRP3 24:00:00 00:00:10
MARCHE POMPE 4 BASES CRP4 24:00:00 00:00:10
MARCHE POMPE 5 FS CRP5 24:00:00 00:00:10
MARCHE POMPE 6 FILTRES A
SABLE CRP6 24:00:00 00:00:01
MARCHE POMPE 7 LAGUNES CRP7 24:00:00 00:00:10
MARCHE POMPE 8 LAGUNES CRP8 24:00:00 00:00:10
MARCHE POMPE CHAUX CRPCH 24:00:00 00:00:10
MARCHE POMPE DOSEUSE 1
SOUDE DECYAN CRPD1 24:00:00 00:00:10
H2O2 DECYAN CRPD3 24:00:00 00:00:10
H2O2 DECYAN CRPD4 24:00:00 00:00:10
SULFURIQUE NEUTRAL CRPD5 24:00:00 00:00:10
ACIDE EFF ALCALIN CRPD6 24:00:00 00:00:10
FLOCULANT CRPD7 24:00:00 00:00:10
FLOCULANT CRPD8 24:00:00 00:00:10
MARCHE POMPE LAVAGE FILTRE CRPFS 24:00:00 00:00:10
MARCHE POMPE CIRCULATION
CO2 CRcircul 24:00:00 00:00:10
REGENERATION EAU DEIO DF5 24:00:00 00:00:10
PH FINAL PHLU6 24:00:00 00:00:10
TEMPERATURE FINAL TEMLU1 deg 24:00:00 00:00:10
DEBIT FILTRES A SABLE deblu m3/H 24:00:00 00:00:10
Temperature Peroxyde TEMP_H2O2 deg 24:00:00 00:00:10
Temperature Maxi Peroxyde MAX_H2O2 deg 24:00:00 00:30:00
Temperature Mini Peroxyde MIN_H2O2 deg 24:00:00 00:30:00
Bit enregistrement des consignes save_cons 24:00:00 00:30:00
SEUIL DE CHANGEMENT DES
FILTRES A SABLE CHGFLT m3/H 24:00:00 00:00:10
MARCHE SURPRESSEUR CRSUP 24:00:00 00:00:10
227
ANNEXES
ANNEXE 2 :
VARIABLES SUPERVISEES A LA
STATION D’EPURATION DE TST
229
ANNEXES
439 0.01 600

649 544 600
Identifiant Mesure Secondes 650 166 600
431 328 0 651 166544 600
428 2.1 0 431 325 900
433 8.85 0 434 6.85 900
444 2.25 0 444 20.18 900
443 17.58 0 442 0.01 900
429 347 0 441 0.25 900
432 3.95 0 433 9 900
438 8.67 0 436 7.24 900
440 0.01 0 438 8.7 900
441 20.19 0 440 2.64 900
434 6.84 0 432 4.01 900
442 0.02 0 428 2.1 900
435 952 0 429 347 900
430 12.1 0 430 12.1 900
436 7.25 0 435 951 900
437 255 0 437 255 900
439 0.01 0 439 0.01 900
649 542 0 443 17.49 900
650 166 0
651 166542 0
431 325 300
433 8.88 300
444 14.3 300
443 17.69 300
436 7.24 300
429 347 300
440 2.67 300
442 0.02 300
438 8.7 300
441 20.25 300
428 2.09 300
434 6.84 300
430 12.1 300
432 4.11 300
435 951 300
437 255 300
439 0.01 300
434 6.84 600
444 18.99 600
443 17.66 600
436 7.25 600
440 2.65 600
442 0.02 600
431 325 600
435 951 600
441 0.25 600
433 9.08 600
430 12.09 600
428 2.1 600
429 347 600
432 4.11 600
437 255 600
438 8.7 600
231
ANNEXES
ANNEXE 3 :
FICHIERS D’ARCHIVAGE DES
ALARMES DE LA STATION
D’EPURATION DE TST (EXTRAIT)
233
ANNEXES
Quelques exemples d’alarmes possibles

Niveau 1 : approvisionnement (voyant lumineux bleu)
Niveau 2 : secondaire (voyant lumineux orange + alarme sonore)
Niveau 3 : important (voyant lumineux rouge + alarme sonore)
Niveau
Désignation Causes possibles Cibles concernées de
gravité
Niveau  Cuve presque vide Stockages des réactifs :
approvisionnement
 Détecteur et/ou raccordement - acide sulfurique,
électrique défectueux - lessive de soude,
- bisulfite de sodium,
1
- eau de javel,
-lait de chaux,
- coagulant,
- floculant.
Niveau haut alarme  Cuve pleine Stockages réactifs,
 Détecteur et/ou raccordement stockages bains usés,
électrique défectueux stockages rinçages, 2
stockage eaux de sols,
reprise eaux décantées.
Défaut pH trop bas  Points de consigne mal ajustés Déchromatation,
 Pompe doseuse réactif basique décyanuration,
arrêtée ou pompe doseuse réactif coagulation,
acide en marche forcée 2
précipitation.
 Effluent à traiter trop acide
 Electrode pH encrassée ou cassée
Défaut pH trop haut  Points de consigne mal ajustés Déchromatation,
 Pompe doseuse réactif acide coagulation,
arrêtée ou pompe doseuse réactif précipitation.
basique en marche forcée 2
 Effluent à traiter trop alcalin
 Electrode pH encrassée ou cassée
Alarme rétention  Débordement de la cuve de Stockages réactifs,
stockage
stockages bains usés,
 Fuites au niveau de la cuve, des
pompes, des tuyauteries
stockages rinçages, 3
stockage eaux de sols,
 Détecteur et/ou raccordement
électrique défectueux reprise eaux décantées.
Défaut pH final Contrôle final 3
Défaut mesure Absence de signal analogique vers Toutes variables de
l’automate supervision
3
234
ANNEXES
Exemple d’alarmes archivées

ACK_ SEVE Correspondance date Correspondance date
START_SEC END_TIME NAME RITY TEXT début fin
Débit bas pompe
1000432141 1000441169 OPE 20 PC314-02 14/09/2001 01:49:01 14/09/2001 04:19:29
Niveau haut alarme
1000458860 1000459462 OPE 10 Preparat. de floculant 14/09/2001 09:14:20 14/09/2001 09:24:22
Pression haute filtre
1000969833 1000970019 OPE 20 presse 20/09/2001 07:10:33 20/09/2001 07:13:39
pH dechromatation
1001408703 1001410613 OPE 20 trop haut 25/09/2001 09:05:03 25/09/2001 09:36:53
Defaut rH
1001563287 1001566777 OPE 20 decyanuration trop bas 27/09/2001 04:01:27 27/09/2001 04:59:37
Niveau haut alarme
1001565213 1001567325 OPE 20 stock.rincages cyanur 27/09/2001 04:33:33 27/09/2001 05:08:45
Defaut rH
Defaut mesure rH
1001567624 1001567636 OPE 30 decyanuration 27/09/2001 05:13:44 27/09/2001 05:13:56
Defaut rH
Remarques :
“ACK_NAME” exprime le mode d’acquittement de l’alarme (en général effectué
manuellement par l’opérateur : “OPE”)
“SEVERITY” exprime le niveau de gravité (10)
235
ANNEXES
ANNEXE 4 :
EXTRAIT D’UNE BASE DE DONNEES
EDC APRES EXTRACTION
237
ANNEXES
239
ANNEXES
ANNEXE 5 :
COURBES EXPERIMENTALES DE
DILUTION DES BAINS DE
TRAITEMENT D’UNE LIGNE
D’ELECTRODEPOSITION EN CONTINU
DE EDC
241
ANNEXES
242
ANNEXES
243
ANNEXES
244
ANNEXES
 1 
Tableau récapitulatif des interpolations linéaires de   f  
 Rd 
en vue de la constitution d’un abaque de dilution
Moindres Carrés Minimisation de QLog

Traitement
Equation Equation
QLog QLog
( en mS/cm) ( en mS/cm)
332,5 294,7
Prétraitement 1 1   0,146 11,4 1   0,183 7,66
Rd Rd
185,0 171,3
Prétraitement 2 2   0,203 13 2   0,187 12,1
Rd Rd
220,9 274,0
Prétraitement 3 3   0,428 32 3   0,202 7,54
Rd Rd
121,9 157,8
Dépôt A A   0,349 24,1 A   0,224 10
Rd Rd
340,3 321,6
Dépôt B B   0,186 5,51 B   0,184 5,16
Rd Rd
442,1 494,6
Dépôt C C   0,363 20 C   0,205 2,88
Rd Rd
245
ANNEXES
ANNEXE 6 :
BASES DE DONNEES SUR LA
DECROISSANCE DE LA
CONCENTRATION EN PEROXYDE
D’HYDROGENE EN DECYANURATION
(EN MODE “BATCH”) ET
INTERPOLATION LINEAIRE
D’ORDRE 1
247
ANNEXES
248
ANNEXES
249
ANNEXES
250
ANNEXES
251
ANNEXES
ANNEXE 7 :
IDENTIFICATION DE LA
DECROISSANCE DE LA
CONCENTRATION EN PEROXYDE
D'HYDROGENE
t
[H 2 O 2 ]t  C  e 
 [H 2 O 2 ]finale
Date  (min) C (ppm) [H2O2]finale (ppm)

03/03/2000 8,16 3,381017 129,9
39
27/03/2000 11,19 210 100
01/11/2001 17,4 2,581014 65,2
27/03/2000 22,92 1,81020 73,1
09/04/2000 23,98 3,041014 58,7
14/10/2000 37,65 2,28109 0,4
12/07/2000 40,35 2,13109 100,4
05/10/2000 42,14 3,46107 1,2
13/11/2001 44,39 1,94107 1,1
253
ANNEXES
ANNEXE 8 :
TABLEAU DES CARACTERISTIQUES
DE QUELQUES REACTIFS
ACIDES-BASES INDUSTRIELS
255
ANNEXES
Masse
Réactif Molarité Prix Prix
Formule Densité molaire pKa
(%w/w) (mol/L) (€/L) (€/kg)
(g/mol)
Acide
Chlorhydrique HCl 1,17 36,46 11,87 [-6,1] 0,133
37%
Acides Acide
Forts Sulfurique H2SO4 1,84 98,08 18,38 [-3 ; 1,99] 0,228
98%
Acide Nitrique
HNO3 1,42 63,02 14,65 [-1,38] 0,264
65%
Acide
CO2,H2O gaz 44,01 [6,36 ; 10,33]
carbonique
Acide
[2,15 ; 7,2 ;
Phosphorique H3PO4 1,71 98 14,66 0,43
12,38]
Acides 84%
Faibles Acide
CH3COOH 1,05 60,05 16,79 [4,76] 0,185
Acétique 96%
Acide
Formique HCOOH 1,246 46,03 25,72 [3,75] 0,154
95%
Soude 50% NaOH 1,53 40,01 19,12 [14,77] 0,156

Bases Potasse 45% KOH 1,5 56,11 12,03 [16,5] 0,229
Fortes Chaux éteinte
Ca(OH)2 solide 74,09 [12,8 ; 12,8] 0,219
95%
Base Ammoniaque
NH3 0,88 17,03 15,50 [9,24] 0,236
Faible 30%
257
ANNEXES
ANNEXE 9 :
EXEMPLE DE CALCUL PH : ECRITURE
DU MODELE GENERAL “DEUX
REACTIFS FAIBLES” POUR UN
MELANGE ENTRE UN TRIACIDE
(H3PO4), UNE DIBASE (Na2CO3), UN
ACIDE FORT ET UNE BASE FORTE
(EFFLUENTS DE COMPOSITION
INCONNUE)
259
ANNEXES
Problème :
Déterminons le pH d’un mélange formé à partir des quatre solutions suivantes :

 Un effluent acide (assimilé à un monoacide fort) de pHA=4 ;
 Un effluent basique (assimilé à une monobase forte) de pHB=11,5 ;
 Un réactif acide faible (H3PO4 84% w/w) ;
 Un réactif basique faible (Na2CO3,10H2O 99% w/w, en poudre).
Le mélange est effectué dans un réacteur agité de volume V = 8 m3. Il contient VA volume
d’effluent acide et VB volume d’effluent basique (ratio VA:VB égal à 1:2 en moyenne et les
volumes des réactifs injectés sont négligeables devant le volume du réacteur).
Va (L) volume d’acide phosphorique et mb masse (g) de carbonate de sodium ont été injectés.
Définitions :
VA -pHA
Un acide fort est entièrement dissocié, donc C A  10 (en mol/L).
V
VB pHB 14
Une base forte est entièrement dissociée, donc C B  10 (en mol/L)
V
Considérons R1 l’acide phosphorique (H3PO4) :
 c’est un triacide donc n1=3,
 ses constantes d’acidité sont 1=10-2,12 ; 2=10-7,21 ; 3=10-12,67
 sa densité d=1,71 à 20°C, sa masse molaire Ma=98 g/mol
Va  d  84% 
 sa concentration dans le mélange C a   
V  Ma 
Considérons R2 le carbonate de sodium hydraté (Na2CO3,10H2O) :
 c’est une dibase donc n2=2,
 ses constantes d’acidité sont 1=10-6,37 ; 2=10-10,25
 sa masse molaire Mb=286 g/mol
mb
 sa concentration dans le mélange C b 
V  Mb
261
ANNEXES
D’après Eq. 55, l’équation du modèle de calcul de la concentration en ions H3O+ dans le
mélange est un polynôme de degré n1+n2+2=7.
D’après le Tableau 8, CI=CB–CA
2 1
Application numérique : C I  10 2,5  10 - 4  2,075.10 3 mol/L
3 3
D’après le Tableau 9, C R  C a et C R  C b
1 2
V  1,71.10 3  84.10 2 
Applications numériques : C R  a 3    1,8.10 3 Va (en mol/L)
8.10  98 
 
1
mb
et C R   4,37.10 7 m b (en mol/L)
2
8.10  286
3
 1   1 1 1  2 
    
  1 1 1 11 11  2
D’après Eq. 57, P  
1
1  2    
  1 2    1 2  1 2 1 1 2 1  2 
   
1 2  3   1  2  3 1 2  3 1 1 2  3 1  2 
 1 4,27.10 7 2,4.10 17 

 
 7,59.10 3 3,24.10 9 1,82.10 19 
Application numérique : P 
4,68.10 10 2.10 16 1,12.10  26 
  22 
 10 4,27.10  29 2,4.10 39 
D’après Eq. 58,
 1 0 0 
  1  1 1 0 
 
  1 2   11  1  2  1  1 1 
 
     1 2 1   11  2  1 2   11  1  2  1  1
M 1 2 3 
  1 2  3 1   1 2 1  2  1 2  3   1 2 1   11  2  1 2   11  1  2 
 
  1 2  3 1  2  1 2  3 1   1 2 1  2  1 2  3   1 2 1   11  2 
 0  1 2  3 1  2  1 2  3 1   1 2 1  2 
 
 0 0  1 2  3 1  2 
262
ANNEXES
 1 0 0 
 7,59.10  3
1 0 
 
 3,7.10 9 7,59.10 3 1 
 16 9 3 
2.10 3,7.10 7,59.10 
Application numérique : M  
1,13.10  26
2.10 16
3,7.10 9 
 39 
 2,4.10 1,13.10  26 2.10 16 
 0 2,4.10 39 1,13.10  26 
 
 0 0 2,4.10 39 
D’après le Tableau 10,
 0   0 0 0  0 0 0 
   1    
 1  1 1 11 11  2
PR'      [1 1 1]   P   P   1 
1  2 2 2 2  21 2 21 2 1 21 2 1  2 
      
 3 
   3 3 3 31 2  3 31 2  3 1 31 2  3 1  2 
 0 0 0 
 7,59.10 3 3,24.10 9 1,82.10 19 
Application numérique : PR'  

1 9,35.10 10 4.10 16 2,24.10  26 
  22 
 3.10 1,3.10  28 7,2.10 39 
 0 
 0 
 
 1 
 
21 2  11
D’après Eq. 59, M R  
1 31 2  3  21 2 1  11  2 
 
 31 2  31  21 2 1  2 
 31 2  31  2 
 
 0 
 0 
 0 
 
 7,59.10 3 
 
 4,17.10 9 
Application numérique : M R 
1  4.10 16 
  26 
2,26.10 
 7,2.10 39 
 
 0 
263
ANNEXES
D’après le Tableau 10,
  2 T   2 2 2 2 2 21 21 2 21 2  3 

   
P '   T  
  1  [1 1 1 1]   P  1 1 1 1  P  1
T
11 1 2 1 1 2  3 1 
R2
     

 0 
 0 0 0 0  0 0 0 0 
 
 2 1,52.10 2 9,35.10 10 2.10 22 

 
Application numérique : PR'  4,27.10 7 3,24.10 9 2.10 16 4,27.10  29 
2
 0 0 0 0 
 0 
 2 
 
 21  1 
 
 21 2 3  11 
D’après Eq. 59, M R 
2 21 2 3  1 21 
 
 1 2 31 
 0 
 
 0 
 0 
 2 
 
 1,52.10 2 
 
 4,17.10 9 
Application numérique : M R 
2  2.1016 
  29 
4,27.10 
 0 
 
 0 
D’après Eq. 56, les coefficients du polynôme sont :
 r7 
 
 r6 
 r5 
   1 
 r4   M   C   M  ( C )  M  (C )
r   I  R1 a R2 b
3   Ke
 r2 
r 
1 
 r0 
264
ANNEXES
r7   1 
   λ    C  2 C 
r6   1 1 I b 
r5   λ 1 λ 2  λ 1 1  1  2  C I λ 1  1   Ke  C a λ 1  C b 2λ 1  1  
   
r4    λ 1 λ 2 λ 3  λ 1 λ 2 1  λ 1 1  2  C I λ 1 λ 2  λ 1 1  1  2   Keλ 1  1   C a 2λ 1 λ 2  λ 1 1   C b 2λ 1 λ 2  λ 1 1  
r  λ 1 λ 2 λ 3 1  λ 1 λ 2 1  2  C I λ 1 λ 2 λ 3  λ 1 λ 2 1  λ 1 1  2   Keλ 1 λ 2  λ 1 1  1  2   C a 3λ 1 λ 2 λ 3  2λ 1 λ 2 1  λ 1 1  2   C b λ 1 λ 2 λ 3  λ 1 λ 2 1 
3  
r2   λ 1 λ 2 λ 3 1  2  C I λ 1 λ 2 λ 3 1  λ 1 λ 2 1  2   Keλ 1 λ 2 λ 3  λ 1 λ 2 1  λ 1 1  2   C a 3λ 1 λ 2 λ 3 1  2λ 1 λ 2 1  2   C b λ 1 λ 2 λ 3 1  
r   C I λ 1 λ 2 λ 3 1  2  Keλ 1 λ 2 λ 3 1  λ 1 λ 2 1  2   C a λ 1 λ 2 λ 3 1  2 
1  
r0    Keλ 1 λ 2 λ 3 1  2 
Le modèle pour le calcul de la concentration en ions H3O+ dans le mélange est défini par le
r7 H 3 O    r6 H 3 O    r5 H 3 O    r4 H 3 O    r3 H 3 O    r2 H 3 O    r1 H 3 O    r0  0
7 6 5 4 3 2
polynôme suivant :
La racine de ce polynôme appartenant à l’intervalle [10-14 ; 1] représente la concentration en

ions H3O+ dans le mélange. Elle permet d’en déduire le pH.
Application numérique :
r7   1 
   3
7,59.10  C I  2C b 
r6   
r5   3,7.10 9  7,59.10 3 C I  7,59.10 3 C a  1,5.10 2 C b 
   16 9 9 9 
r4    1,24.10  3,7.10 C I  4,17.10 C a  4,17.10 C b 
r    3,7.10 23  2.10 16 C I  4.10 16 C a  2.10 16 C b 
3  30  26  26  29 
r2   2.10  1,13.10 C I  2,26.10 C a  4,3.10 C b 
r    1,13.10 40  2,4.10 39 C I  7,2.10 39 C a 
1   53

r0    2,4.10 
Application à la modèlisation du pH dans un réacteur fermé :
VA
Va mb
Le mélange dans un réacteur fermé est constitué :
VB
 d’un volume VA d’effluent acide,
VA:VB = 1:2
 d’un volume VB d’effluent basique,
 Aucun, 1 ou 2 réactifs (resp. Va le volume

d’acide phosphorique et mb la masse de
VVA+VB
carbonate de sodium)
Bilans de matière :
VB  10 pHB 14  VA  10  pHA Va  0,84  d dm B

CI  Ca  Cb 
V V  Ma V  Mb
265
ANNEXES
Exemples :
Si aucun réactif n’est ajouté aux effluents :
 r7   1 
   9,66.10 3 
C I  2,1.10 3  r6   
 r5   1,57.10 5 
Ca  0     12 
 [H 3 O  ]  4,79.10 12  pH=11,32
 r4    7,68.10 
 r   4,14.10 19 
Cb  0 3   29 
 r2   2,14.10 
 r   1,08.10 40 
1   53

 r0    2,4.10 
Si 1 L de solution d’acide sulfurique est ajouté : pH=6,39

Si 2,5 kg de carbonate de sodium sont ajoutés : pH=11,33
Si 1 L de solution d’acide sulfurique et 2,5 kg de carbonate de sodium sont ajoutés : pH=7,69
Application à la modèlisation discrète du pH dans un CFSTR :
A chaque itération, correspondant à un intervalle de temps dt :
 un volume dVA d’effluent acide et dVB dVA

dVa dmb
d’effluent basique entrent dans le réacteur ; dVB
 un volume (dVA+dVB) du mélange formé

dans le réacteur à l’intervalle dt précédent
sort par surverse ;
 Aucun, 1 ou 2 réactifs sont injectés (resp.
dVa volume d’acide phosphorique ou dmb
V
masse de carbonate de sodium).
Bilans de matière :
 dV  dVB 
C I ( t )  C I ( t 1)  1  A   dVB  10 pHB 14  dVA  10 pHA
 V 
 dV  dVB  dVa  0,84  d

C a ( t )  C a ( t 1)  1  A  
 V  V  Ma
 dV  dVB  dm B
C b ( t )  C b ( t 1)  1  A  
 V  V  Mb
266
ANNEXES
ANNEXE 10 :
CODE DU PROGRAMME RESPECTS
SOUS MATLAB®
267
ANNEXES
% respects.m
%
% Simulateur de procédé d'épuration en continu
% pour les traitements de surface.
%
% C. Narce
% 15.03.2005
clear all; close all;
%%-------------- Choix de la base de données par date----------------------

bdd_EDC;
if isempty(matdon)==1,
return;
else
%%------------Initialisation de la simulation------------------------------
inireact; %% Choix des réactifs et initialisation des modèles chimiques
inicontr; %% Initialisation des contôleurs
inidetect; %% Initialisation de l aprocédure de détection d'événements
inifigur; %% Initialisation de l'affichage des figures
%%-------------------------------------------------------------------------
%%------------------Boucle de Calcul principale----------------------------
%%-------------------------------------------------------------------------
for ii=2:1:ldat;
lectbdd;%%établit les paramètres du "petit batch" (volumes, pH,
consignes...)
if regul==2,
%%----------------Régulation YOKOGAWA-------------------
% Cuve de Décyanuration
[ACdectour, pHmACdec, v_nACdec, v_YYOKOACdec, nACdec
,injACdec]=yokogawa(dt, ACdectour, ndtACdec, pHmACdec, pHdec, pHconsACdec,
ecartACdec, 1, Mol_reacAC1, Q_reacAC1, v_nACdec, v_YYOKOACdec);
[BAdectour, pHmBAdec, v_nBAdec, v_YYOKOBAdec, nBAdec,
injBAdec]=yokogawa(dt, BAdectour, ndtBAdec, pHmBAdec, pHdec, pHconsBAdec,
ecartBAdec, -1, Mol_reacBA1, Q_reacBA1, v_nBAdec, v_YYOKOBAdec);
% Cuve de Mise à pH / précipitation
[ACneuttour, pHmACneut, v_nACneut, v_YYOKOACneut, nACneut
,injACneut]=yokogawa(dt, ACneuttour, ndtACneut, pHmACneut, pHneut,
pHconsACneut, ecartACneut, 1, Mol_reacAC2, Q_reacAC2, v_nACneut,
v_YYOKOACneut);
[BAneuttour, pHmBAneut, v_nBAneut, v_YYOKOBAneut, nBAneut,
injBAneut]=yokogawa(dt, BAneuttour, ndtBAneut, pHmBAneut, pHneut,
pHconsBAneut, ecartBAneut, -1, Mol_reacBA2, Q_reacBA2*5/12, v_nBAneut,
v_YYOKOBAneut);
elseif regul>=3,
%%---------Régulation P ou PI---------------------------
% Cuve de Décyanuration
[nACdec, injACdec, YIACdec]=prop_int(pHdec, KPACdec, KIACdec,
Q_reacAC1, pHconsdec, Ecartdec, 1, YIACdec, dt, Mol_reacAC1);
[nBAdec, injBAdec, YIBAdec]=prop_int(pHdec, KPBAdec, KIBAdec,
Q_reacBA1, pHconsdec, Ecartdec, -1, YIBAdec, dt, Mol_reacBA1);
% Cuve de Mise à pH / précipitation
[nACneut, injACneut, YIACneut]=prop_int(pHneut, KPACneut, KIACneut,
Q_reacAC2, pHconsneut, Ecartneut, 1, YIACneut, dt, Mol_reacAC2);
[nBAneut, injBAneut, YIBAneut]=prop_int(pHneut, KPBAneut, KIBAneut,
Q_reacBA2, pHconsneut, Ecartneut, -1, YIBAneut, dt, Mol_reacBA2);
end;
269
ANNEXES
%%------------------------------------------------------
%% Consommation totale des réactifs (à partir de 10 min = temps de
stabilisation des modèles)
if ii >= 60, nACdectot=nACdectot+nACdec; end;
if ii >= 60, nBAdectot=nBAdectot+nBAdec; end;
if ii >= 60, nACneuttot=nACneuttot+nACneut; end;
if ii >= 60, nBAneuttot=nBAneuttot+nBAneut; end;
%%----------------Calcul du pH en mise à pH / précipitation------------

%% !! Fait intervenir pH en décyanuration précédent = Effluent basique
!!
if reacAC2==4,
if (nACneut/Vmel)+Cgaz2 > s2, nACneut=(s2-Cgaz2)*Vmel; end;
if reacAC1==4, C2neut=C1neut+C2neut; C1neut=0; end;
end;
[pHmodneut, CAnneut, CCatneut, C1neut, C2neut]=mod2fai(Cdec, CAndec,
CCatdec, C1neut, C2neut, CAnneut, CCatneut, pHacid, pHdec, Vacid, Vdecyan,
V2, ke, coeffneut, nACneut, nBAneut*N_reacBA2);
if reacAC2==4,
Cgaz2=(C2neut*(10^-pHmodneut)^3)/polyval(prodka_reacAC2,10^-
pHmodneut);
if Cgaz2 > satm, C2neut=satm+C2neut-Cgaz2; end;
end;
%%----------------Calcul du pH en décyanuration------------------------
----
if reacAC1==4,
if (nACdec/Vmel)+Cgaz1 > s1, nACdec=(s1-Cgaz1)*Vmel; end;
end;
[pHmoddec, CAndec, CCatdec, Cdec]=mod_fai( Cdec, CAndec, CCatdec, 7,
pHalca, 0, Valcalin, V1, coeffdec, ke, nACdec, nBAdec*N_reacBA1);
if reacAC1==4,
Cgaz1=(Cdec*(10^-pHmoddec)^3)/polyval(prodka_reacAC1,10^-
pHmoddec);
if Cgaz1 > satm, Cdec=satm+Cdec-Cgaz1; end;
end;
%%-------Réponse des sondes au signal pH modélisé----------------------
[pHneut]=sondepH(pHmodneut, pHneut, 10, dt);
[pHdec]=sondepH(pHmoddec, pHdec, 10, dt);
%%------------Résidus(%), historiques et critères quadratiques---------

%%----------------Mise à pH / précipitation----------------------------
premescons2=lissmescons2; premodmes2=lissmodmes2;
premodcons2=lissmodcons2;
[pcmescons2,histomescons2,lissmescons2,Qreal2]=calresid(ldetect,pHconsneut,
matdon(ii,23),histomescons2,lissmescons2,Qreal2);
[pcmodmes2,histomodmes2,lissmodmes2,Qmes2]=calresid(ldetect,matdon(ii,23),p
Hneut,histomodmes2,lissmodmes2,Qmes2);
[pcmodcons2,histomodcons2,lissmodcons2,Qcons2]=calresid(ldetect,pHconsneut,
pHneut,histomodcons2,lissmodcons2,Qcons2);
%%----------------Décyanuration----------------------------------------
premescons1=lissmescons1; premodmes1=lissmodmes1;
premodcons1=lissmodcons1;
[pcmescons1,histomescons1,lissmescons1,Qreal1]=calresid(ldetect,pHconsdec,m
atdon(ii,16),histomescons1,lissmescons1,Qreal1);
[pcmodmes1,histomodmes1,lissmodmes1,Qmes1]=calresid(ldetect,matdon(ii,16),p
Hdec,histomodmes1,lissmodmes1,Qmes1);
270
ANNEXES
[pcmodcons1,histomodcons1,lissmodcons1,Qcons1]=calresid(ldetect,pHconsdec,p
Hdec,histomodcons1,lissmodcons1,Qcons1);
%%---------------------------------------------------------------------
%%---------------Détection de pannes-----------------------------------
if ii > ldetect+1,
defautdec_pre=defautdec;
defautneut_pre=defautneut;
[defautdec,nomdefaut]=detection(defautdec_pre,lissmescons1,lissmodmes1,liss
modcons1,premescons1,premodmes1,premodcons1,ZMdec/2);
%if any(defautdec) & ~any(defautdec_pre),
if defautdec ~= defautdec_pre & defautdec~=0,
disp ('Cuve de décyanuration :');
disp(nomdefaut);
figure(figDECYAN); hold on; rectangle('Position',[xt(ii-
ldetect),8,xt(ldetect),3],'Edgecolor','red');
pHmoddecpann=pHmoddec; CAndecpann=CAndec; CCatdecpann=CCatdec;
Cdecpann=Cdec;
end;
[defautneut,nomdefaut]=detection(defautneut_pre,lissmescons2,lissmodmes2,li
ssmodcons2,premescons2,premodmes2,premodcons2,ZMneut/2);
%if any(defautneut) & ~any(defautneut_pre),
if defautneut ~= defautneut_pre & defautneut~=0,
disp ('Cuve de mise à pH / précipitation :');
disp(nomdefaut);
figure(figNEUTRAL); hold on; rectangle('Position',[xt(ii-
ldetect),8,xt(ldetect),3],'Edgecolor','red');
pHmodneutpann=pHmodneut;
CAnneutpann=CAnneut; CCatneutpann=CCatneut; C1neutpann=C1neut;
C2neutpann=C2neut;
end;
end;
%%---------------Localisation de pannes--------------------------------
--
if ii > ldetect+1,
if defautdec==1,
[pHmoddecpann, CAndecpann, CCatdecpann, Cdecpann]=mod_fai(
Cdecpann, CAndecpann, CCatdecpann, 7, pHalca, 0, Valcalin, V1, coeffdec,
ke, 0, nBAdec*N_reacBA1);
elseif defautdec==2,
[pHmoddecpann, CAndecpann, CCatdecpann, Cdecpann]=mod_fai(
Cdecpann, CAndecpann, CCatdecpann, 7, pHalca, 0, Valcalin, V1, coeffdec,
ke, nACdec, 0);
else pHmoddecpann=0;
end;
if any(pHmoddecpann);
[pHdecpann]=sondepH(pHmoddecpann, pHdecpann, 10, dt);
else pHdecpann=0;
end;
%
[defautdec,nomdefaut]=detection(defautdec_pre,lissmescons1,lissmodmes1,liss
modcons1,premescons1,premodmes1,premodcons1,ZMdec/2);
% if defautdec>=1 & defautdec_pre==0, disp ('Cuve de décyanuration
:'); disp(nomdefaut); figure(figDECYAN); hold
on;rectangle('Position',[xt(ii-
ldetect),8,xt(ldetect),3],'Edgecolor','red'); end;
271
ANNEXES
%
[defautneut,nomdefaut]=detection(defautneut_pre,lissmescons2,lissmodmes2,li
ssmodcons2,premescons2,premodmes2,premodcons2,ZMneut/2);
% if defautneut>=1 & defautneut_pre==0, disp ('Cuve de mise à pH /
précipitation :'); disp(nomdefaut); figure(figNEUTRAL); hold on;
rectangle('Position',[xt(ii-ldetect),8,xt(ldetect),3],'Edgecolor','red');
end;
end;
%%------------------traçage des courbes------------------
ipas=60; %%60 échantillons * 10s = 10min

iimm=mod(ii,ipas);
figure(figDECYAN); hold on;

if 1,
plot(xt(ii),14.5+matdon(ii,6).*0.4,'b-','EraseMode','none','linewidth', 3);
%%CRP4 (relevage alca 2)
plot(xt(ii),13.0+matdon(ii,13).*0.4,'m-','EraseMode','none','linewidth',
2); %%CRPD1 (Pompe doseuse soude)
end;
plot(xt(ii),1.0+injBAdec*1.0,'m-','EraseMode','none'); %%Fonctmt injection
de BASE en décyan modélisée
plot(xt(ii),2.0+injACdec*1.0,'c-','EraseMode','none'); %%Fonctmt injection
d'ACIDE en décyan modélisée
plot(xt(ii),pHdec,'K-','EraseMode','none'); %%trace pH décyan modélisé
if any(pHdecpann), plot(xt(ii),pHdecpann,'r-','EraseMode','none'); end;
%%trace pH décyan mode panne
plot(xt(ii),matdon(ii,16),'g-','EraseMode','none'); %%trace pH décyan
mesuré
plot(xt(ii),matdon(ii,8),'b-','EraseMode','none'); %%trace pH bassin
alcalin
drawnow;
if ii>ldetect,
if rem(ii,30)==0, delete(fen1);
fen1=rectangle('Position',[xt(ii-
ldetect),8,xt(ldetect),3],'Edgecolor',[0.8,0.8,0.8]); end;
end;
figure(figRESDEC); hold on;

plot(ii,pcmescons1,'k-','EraseMode','none');
plot(ii,pcmodcons1,'r-','EraseMode','none');
drawnow;
if ii>ldetect,
fen2=rectangle('Position',[ii-ldetect,-
20,ldetect,40],'Edgecolor',[0.8,0.8,0.8]); end;
end;
if iimm==10 | ii==ldat,
delete(tx0);
tx0=text(360,+85,['Qreal = ',num2str(Qreal1(1),3),' %']);
set(tx0,'Color',[0.3 0.3 0.3 ]);
delete(tx1);
tx1=text(360,+75,['Qmes = ',num2str(Qmes1(1),3),' %']);
set(tx1,'Color',[0.3 0.3 0.3 ]);
272
ANNEXES
delete(tx2);
tx2=text(360,+65,['Qcons = ',num2str(Qcons1(1),3),' %']);
set(tx2,'Color',[0.3 0.3 0.3 ]);
end;
figure(figNEUTRAL); hold on;

if 1,
plot(xt(ii),13.5+matdon(ii,2).*0.4,'r-','EraseMode','none','linewidth', 3);
%%CRP2 (relevage acide 2)
plot(xt(ii),13.0+matdon(ii,1).*0.4,'r-','EraseMode','none','linewidth', 3);
%%CRP1 (relevage acide 1)
end;
plot(xt(ii),matdon(ii,4),'r-','EraseMode','none'); % trace pH du bassin
acide
plot(xt(ii),matdon(ii,16),'g-','EraseMode','none'); % trace pH decyan
mesuré
plot(xt(ii),pHneut,'K-','EraseMode','none'); % trace pH en neutral modélisé
plot(xt(ii),matdon(ii,23),'y-','EraseMode','none'); % trace pH neutral
mesuré
plot(xt(ii),injBAneut*0.9,'m-','EraseMode','none'); %%Fonctmt injection de
BASE en neutral modélisée
plot(xt(ii),1.0+injACneut*0.9,'c-','EraseMode','none'); %%Fonctmt injection
d'ACIDE en neutral modélisée
drawnow;
if ii>ldetect,
fen3=rectangle('Position',[xt(ii-
ldetect),8,xt(ldetect),3],'Edgecolor',[0.8,0.8,0.8]); end;
end;
figure(figRESNEUT); hold on;

plot(ii,pcmescons2,'k-','EraseMode','none');
plot(ii,pcmodcons2,'r-','EraseMode','none');
drawnow;
if ii>ldetect,
fen4=rectangle('Position',[ii-ldetect,-20,ldetect,40],'Edgecolor',[0.8
0.8 0.8]); end;
end;
if iimm==10 | ii==ldat,
delete(tx3);
tx3=text(360,+85,['Qreal = ',num2str(Qreal2(1),3),' %']);
set(tx3,'Color',[0.3 0.3 0.3 ]);
delete(tx4);
tx4=text(360,+75,['Qmes = ',num2str(Qmes2(1),3),' %']);
set(tx4,'Color',[0.3 0.3 0.3 ]);
delete(tx5);
tx5=text(360,+65,['Qcons = ',num2str(Qcons2(1),3),' %']);
set(tx5,'Color',[0.3 0.3 0.3 ]);
end;
end;%%---------------FIN DE BOUCLE PRINCIPALE-----------------
ACdectot=nACdectot*0.044; %%calculs terminaux DECYAN :

BAdectot=nBAdectot/19.4;
end;
273
ANNEXES
% bdd_EDC.m
% Macro de chargement d'une base données EDC
% à partir de sa date
%
an = menu('année?', '1999', '2000', '2001', '2002')-2;
mois = menu('mois ?', 'janvier', 'février', 'mars', 'avril', 'mai', 'juin',
'juillet', 'août', 'septembre', 'octobre', 'novembre', 'décembre')*1;
if mois == 1 | 3 | 5 | 7 | 8 | 10 | 12
jour = menu('jour ?', '1er', '2', '3', '4', '5', '6', '7',
'8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20',
'21', '22', '23', '24', '25', '26', '27', '28', '29', '30', '31');
elseif mois == 2
if an == 1
jour = menu('jour ?', '1er', '2', '3', '4', '5', '6', '7', '8',
'9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20',
'21', '22', '23', '24', '25', '26', '27', '28', '29');
else jour = menu('jour ?', '1er', '2', '3', '4', '5', '6', '7',
'8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20',
'21', '22', '23', '24', '25', '26', '27', '28');
end;
elseif mois == 4 | 6 | 9 | 11
jour = menu('jour ?', '1er', '2', '3', '4', '5', '6', '7',
'8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20',
'21', '22', '23', '24', '25', '26', '27', '28', '29', '30');
end;
%%--------Récupération de la Base de Données----------
[nfi, nfid, matdon, ldat, xt, dt]=load_bdd(an, mois, jour);
if isempty(matdon)==1,
return;
else
pack %%data compression in memory.
%%------------------------------------------------------------------------
%%---------DONNEES STATION EDC---------------------------------------------
-------
%%------------------------------------------------------------------------
%%-----Volume des cuves de traitement-------------
V1 = 10000; %% Litres (= 10 m3)
V1 = V1 -(1000 * (menu('Volume utile de la cuve de décyan (en m3):' , '10',
'9', '8', '7')-1)) ;
V2 = 10000; %% Litres (= 10 m3)
V2 = V2 - (1000 * (menu('Volume utile de la cuve de mise à pH /
précipitation (en m3):' , '10', '9', '8', '7')-1)) ;
%%----------Débits des pompes---------------------

QPompRel1= 13000/3600; %% débit des pompes de relevage des effluents en L/s
(13m3/h ~ 3.6 L/s)
QPompDos1=50/3600;%%débit pompe doseuse sulfurique en L/sec

QPompDos2=120/3600;%%débit pompes doseuses(soude, H2O2) en L/sec
end;
274
ANNEXES
function [dateur, nomfichier, matdon, ldat, xt, dt]=load_bdd(an, mois,

jour)
%
% written 28 05 2004
% by C. Narce
%
if an == -1
an = ['1999'];
elseif an == 0
an = ['2000'];
elseif an == 1
an = ['2001'];
elseif an == 2
an = ['2002'];
end;
if mois <= 9
mois = ['0',num2str(mois)];
else mois = [num2str(mois)];
end;
if jour <= 9
jour = ['0',num2str(jour)];
else jour = [num2str(jour)];
end;
nomfichier = ['PE',num2str(an),num2str(mois),num2str(jour),'.don'];
dateur = [num2str(jour),' / ',num2str(mois),' / ',num2str(an)];
if exist (nomfichier)==2
eval(['load ',nomfichier]);
nfid = nomfichier(1:length(nomfichier)-4);
eval(['ldat=length(',nfid,');']);
%%--------Construction de la matrice de données à partir de la BdD----

matdon=zeros(ldat,28);
%% Pompe relevage bassin acide 1
eval(['matdon(:,1) = ', nfid, '(:,21);']);
%% Pompe relevage bassin acide 2
eval(['matdon(:,2) = ', nfid, '(:,22);']);
%% Consigne pH maxi dans bassin acide
eval(['matdon(:,3) = ', nfid, '(:,23);']);
%% Mesure pH dans bassin acide
eval(['matdon(:,4) = ', nfid, '(:,20);']);
%% Pompe relevage bassin alcalin 1
eval(['matdon(:,5) = ', nfid, '(:,17);']);
%% Pompe relevage bassin alcalin 2
eval(['matdon(:,6) = ', nfid, '(:,18);']);
%% Pompe doseuse ac. sulf. dans bassin alcalin
eval(['matdon(:,7) = ', nfid, '(:,19);']);
%% Mesure pH dans bassin alcalin
275
ANNEXES
eval(['matdon(:,8) = ', nfid, '(:,16);']);

%% Consigne pH maxi dans bassin alcalin
%eval(['matdon(:,9) = ', nfid, '(:, );']);
%% Consigne pH mini dans bassin alcalin
%eval(['matdon(:,10) = ', nfid, '(:,);']);
%% Consigne inj. acide en décyanuration
eval(['matdon(:,11) = ', nfid, '(:,3);']);
%% Consigne inj. bade en décyanuration
eval(['matdon(:,12) = ', nfid, '(:,4);']);
%% Pompe doseuse base en décyanuration
eval(['matdon(:,13) = ', nfid, '(:,5);']);
%% Consigne inj. continue acide en décyanuration
%eval(['matdon(:,14) = ', nfid,'(:, );']);
%% Consigne inj. continue base en décyanuration
%eval(['matdon(:,15) = ', nfid,'(:, );']);
%% Mesure pH en décyanuration
eval(['matdon(:,16) = ', nfid, '(:,2);']);
%% Consigne inj. acide en mise à pH / précipitation
eval(['matdon(:,17) = ', nfid,'(:,12);']);
%% Consigne inj. base en mise à pH / précipitation
eval(['matdon(:,18) = ', nfid,'(:,13);']);
%% Pompe doseuse base en mise à pH / précipitation
eval(['matdon(:,19) = ', nfid,'(:,15);']);
%% Pompe doseuse acide en mise à pH / précipitation
eval(['matdon(:,20) = ', nfid,'(:,14);']);
%% Consigne inj. acide continue en mise à pH / précipitation
%eval(['matdon(:,21) = ', nfid,'(:, );']);
%% Consigne inj. continue base en mise à pH / précipitation
%eval(['matdon(:,22) = ', nfid,'(:, );']);
%% Mesure pH en mise à pH / précipitation
eval(['matdon(:,23) = ', nfid,'(:,11);']);
%% Consigne inj. oxydant en décyanuration
eval(['matdon(:,24) = ', nfid, '(:,8);']);
%% Pompe doseuse 1 oxydant en décyanuration
eval(['matdon(:,25) = ', nfid, '(:,9);']);
%% Pompe doseuse 2 oxydant en décyanuration
eval(['matdon(:,26) = ', nfid,'(:,10);']);
%% Consigne inj. continue oxydant en décyanuration
%eval(['matdon(:,27) = ', nfid, '(:,);']);
%% Mesure oxydant en décyanuration
eval(['matdon(:,28) = ', nfid, '(:,7);']);
%%------------Discrétisation du modèle------------------------
dt=10; %%intervalle d'échantillonnage (pour données EDC)
xt=[1:ldat]*dt/3600; %%echelle de temps en HEURES
%%------------
if all(matdon(1,:))>=0
for ii=2:1:ldat,
for jj=1:1:28,
if matdon(ii,jj) < 0
matdon(ii,jj)=matdon(ii-1,jj);
end;
end;
end;
else disp('Données inexploitables');
matdon=[];
ldat=0;
xt=0;
276
ANNEXES
dt=0;
end;
else
disp ('Pas de données');
matdon=[];
ldat=0;
xt=0;
dt=0;
end;
277
ANNEXES
%inireact.m :
%
% written 02 06 2004
% C. Narce
%
%%-------------------------------------------------------------------------
%%--------Initialisation des modèles chimiques-------------------------
%%-------------------------------------------------------------------------
%%-------------Choix des réactifs de régulation-------------------

reacAC1=menu('Réactif acide en décyanuration', 'Acide Phosphorique', 'Acide
Sulfurique', 'Acide Chlorhydrique', 'Dioxyde de Carbone')*1;
reacBA1=menu('Réactif basique en décyanuration', 'Soude', 'Chaux',
'Potasse')*1;
%% Cas particulier injection d'un réactif à l'état gazeux
if reacAC1==4,
%P1=menu(' Pression dans le mélangeur (bar) :', '1 ','2 ','3 ')*1;
P1=3;%% pression dans le mélangeur en bar
Patm=1.013; %% Pression atmosphérique (bar)
s1 = 1.69*P1/44; %% solubilité du CO2 dans le mélangeur en mol/L
satm = 1.69*Patm/44; %% solubilité du CO2 en decyanuration en mol/L
Cgaz1 = 0; %% nombre de moles initial du composé gazeux dissous
end;
reacAC2=menu('Réactif acide en mise à pH /précipitation ', 'Acide
Phosphorique', 'Acide Sulfurique', 'Acide Chlorhydrique', 'Dioxyde de
Carbone')*1;
reacBA2=menu('Réactif basique en neutral', 'Soude', 'Chaux', 'Potasse')*1;
%% Cas particulier injection d'un réactif à l'état gazeux
if reacAC2==4,
%P2=menu(' Pression dans le mélangeur (bar) :', '1 ','2 ','3 ')*1;
P2=3;%% pression dans le mélangeur en bar
Patm=1.013; %% Pression atmosphérique (bar)
s2 = 1.69*P2/44; %% solubilité du CO2 dans le mélangeur en mol/L
satm = 1.69*Patm/44; %% solubilité du CO2 en précipitation en mol/L
Cgaz2 = 0; %% nombre de moles initial du composé gazeux dissous
end;
%%----------Données Chimiques relatives aux réactifs-----------------------

for nnn=1:1:2,
eval(['reacAC=reacAC',num2str(nnn),';']);
if reacAC==1,
%%---------------H3PO4 84% w/w ------------------------
% d=1.71 => 1710x84/100=1436.4(g/L) => 1436.4/98(g/mol)=14.66(mol/L)
pka=[2.12 7.21 12.67];
Mol=14.66; %% Molarité (mol/L)
N=3; %% Normalité (mol/L)
Q=QPompDos1;
elseif reacAC==2,
%%---------------H2SO4 98% w/w -------------------------
%d=1.84=>1840x98/100=1803.2(g/L)=>1803.2(g/L)/98.08(g/mol)=18.38(mol/L)
pka=[-2 1.9 inf]; %
Mol = 18.38; %% Molarité (mol/L)
N = 2; %% Normalité (mol/L)
Q=QPompDos1;
elseif reacAC==3,
%%---------------HCl 37% w/w ---------------------------
% d=1.17 => 1170x37/100=432.9(g/L) => 432.9/36.46(g/mol)=11.87(mol/L)
pka=[-6.1 inf inf];
Mol=11.87; %% Molarité (mol/L)
N=1; %% Normalité (mol/L)
278
ANNEXES
Q=QPompDos1;
elseif reacAC==4,
%%-------Acide carbonique : H2CO3 (CO2g,H2O)------------
pka=[6.37 10.25 inf];
Mol=0.99; %% Proportion CO2 dans le réactif gazeux (>99% donnée
fournisseur)
N=2; %% Normalité correspondante
Qmel = 12000/3600; %% débit de circulation dans le mélangeur en L/s
(12m3/h ~ 3,33 L/s)(débit constant)
Vmel=Qmel*dt; %% volume échangé par le mélangeur à chaque période en L
Qgaz=(menu('Débit massique d''injection du CO2 dans le mélangeur','10
kg/h','20 kg/h','30 kg/h')*10000);
Q = Qgaz/(44*3600); %% débit d'injection du CO2 (ex: 30 kg/h ~ 0.189
mol/sec)
end;
ka=[10^(-pka(1)) 10^(-pka(2)) 10^(-pka(3))];
eval(['ka_reacAC',num2str(nnn),'=ka'';']);
eval(['Mol_reacAC',num2str(nnn),'=Mol'';']);
eval(['N_reacAC',num2str(nnn),'=N'';']);
eval(['Q_reacAC',num2str(nnn),'=Q'';']);
eval(['prodka_reacAC',num2str(nnn),'=[1, ka(1), ka(1)*ka(2),
ka(1)*ka(2)*ka(3)];']);
eval(['reacBA=reacBA',num2str(nnn),';']);
if reacBA==1,
%%---------------- NaOH 50% ----------------------------
% d=1.53 => 1530x50/100=765(g/L) => 765(g/L)/40.01(g/mol)=19.12(mol/L)
pka=[14.77 inf inf];
Q=QPompDos2;
elseif reacBA==2,
%%----------------chaux --------------------------------
%% hypothèse 100kg Ca(OH)2solide 95% dans 100L d'eau
pka=[12.8 12.8 inf];
Q=QPompDos2;
elseif reacBA==3,
%%--------------- potasse 45%--------------------------
% d=1.5 => 1500x45/100=675(g/L) => 675(g/L)/56.11(g/mol)=12.03(mol/L)
pka =[16.5 inf inf];
Q=QPompDos2;
end;
ka=[10^(-pka(1)) 10^(-pka(2)) 10^(-pka(3))];
eval(['ka_reacBA',num2str(nnn),'=ka'';']);
eval(['Mol_reacBA',num2str(nnn),'=Mol'';']);
eval(['N_reacBA',num2str(nnn),'=N'';']);
eval(['Q_reacBA',num2str(nnn),'=Q'';']);
eval(['prodka_reacBA',num2str(nnn),'=[1, ka(1), ka(1)*ka(2),
ka(1)*ka(2)*ka(3)];']);
end;
ke=10^(-14);
%%---------------H2O2 35% w/w------------------
279
ANNEXES
% d=1.13 => 1130(g/L) x 35/100 = 395.5(g/L) => 395.5(g/L) / 34(g/mol) =

11.63 (mol/L)
Mperox35 = 11.63; %% molarité (mol/L)
%%-------------------------------------------------------------------------
%%------------Initialisation des modèles ----------------------------------
%%-------------------------------------------------------------------------
%%-------------pH en décyanuration : Modèle Acide faible ------------------

Pdec=prodka_reacAC1;
coeffdec=[Pdec(1),0,0,0; ...
Pdec(2),Pdec(1),0,0; ...
Pdec(3),Pdec(2),Pdec(1),Pdec(2); ...
Pdec(4),Pdec(3),Pdec(2),2*Pdec(3); ...
0,Pdec(4),Pdec(3),3*Pdec(4); ...
0,0,Pdec(4),0];
%%-------------Valeurs au démarrage de la simulation------
pHdec = matdon(1,16);
COHdec = 10^(pHdec-14); % [OH-] dans la cuve de décyanuration
CCatdec = COHdec;
nCatdec = COHdec * V1; % quantité de cations dans la cuve de
décyanuration
CHdec = 10^(-pHdec); % [H+] dans la cuve de décyanuration

CAndec = CHdec;
nAndec = CHdec* V1; % quantité d'anions dans la cuve de
décyanuration
Cdec = 0.001; % concentration initiale réactif faible en

décyanuration
nBAdec=0; nACdec=0; %% quantités de réactifs injectée
nACdectot=0; nBAdectot=0; %% quantités totales consommées
%%----------pH en précipitation : Modèle 2 acides faibles -----------------

Pneut=prodka_reacAC1'*prodka_reacAC2;
coeffneut=[Pneut(1,1), 0, 0, 0, 0;...
Pneut(2,1)+Pneut(1,2), Pneut(1,1), 0, 0, 0;...
Pneut(3,1)+Pneut(2,2)+Pneut(1,3), Pneut(2,1)+Pneut(1,2), Pneut(1,1),
0,0;...
Pneut(4,1)+Pneut(1,4)+Pneut(3,2)+Pneut(2,3),
Pneut(3,1)+Pneut(2,2)+Pneut(1,3), Pneut(2,1)+Pneut(1,2), 0,0;...
Pneut(4,2)+Pneut(3,3)+Pneut(2,4),
Pneut(4,1)+Pneut(1,4)+Pneut(3,2)+Pneut(2,3),
Pneut(3,1)+Pneut(2,2)+Pneut(1,3), 0, 0;...
Pneut(4,3)+Pneut(3,4), Pneut(4,2)+Pneut(3,3)+Pneut(2,4),
Pneut(4,1)+Pneut(1,4)+Pneut(3,2)+Pneut(2,3), 0, 0;...
Pneut(4,4), Pneut(4,3)+Pneut(3,4), Pneut(4,2)+Pneut(3,3)+Pneut(2,4),
0,0;...
0, Pneut(4,4), Pneut(4,3)+Pneut(3,4), 0,0;...
0, 0, Pneut(4,4), 0, 0];
for nnn=1:1:2,
if nnn==1, lecP=Pneut; else lecP=Pneut'; end;
coeffreac=zeros(1,9);
coeffreac(3)=lecP(2,1);
coeffreac(4)=2*lecP(3,1)+lecP(2,2);
coeffreac(5)=3*lecP(4,1)+2*lecP(3,2)+lecP(2,3);
coeffreac(6)=3*lecP(4,2)+2*lecP(3,3)+lecP(2,4);
coeffreac(7)=3*lecP(4,3)+2*lecP(3,4);
280
ANNEXES
coeffreac(8)=3*lecP(4,4);
eval (['coeffreac',num2str(nnn),'=coeffreac'';']);
end;
coeffneut(1:9,4)=coeffreac1(1:9);
coeffneut(1:9,5)=coeffreac2(1:9);
%%-------------Valeurs au démarrage de la simulation------

pHneut = matdon(1,23);
COHneut = 10^(pHneut-14); % concentration en OH- dans la cuve de
mise à pH / précipitation
CCatneut = COHneut;
nCatneut = CCatneut * V2; % nombre de moles de cations dans la cuve
de mise à pH / précipitation
CHneut = 10^(-pHneut); % concentration en H+ dans la cuve de mise à

pH / précipitation
CAnneut = CHneut;
nAnneut = CAnneut * V2; % nombre de moles de anions dans la cuve de
C1neut=0; % concentration du réactif utilisé en décyanuration en

C2neut=0; % concentration du réactif utilisé en mise à pH /
précipitation
% if matdon(1,8)>=10,
% C1neut=0.01; % concentration du réactif utilisé en décyanuration
en mise à pH / précipitation
% C2neut=0.01; % concentration du réactif utilisé en mise à pH /
précipitation
% end;
nACneut=0; nBAneut=0; %% quantités de réactifs injectée

nACneuttot=0; nBAneuttot=0; %% quantités totales de réactifs
consommées
281
ANNEXES
%%inicontr.m
%%
%% C.Narce
%%-------------------------------------------------------------------------
%%------------------Initialisation des contrôleurs------------------------
%%-------------------------------------------------------------------------
regul=menu('Type de régulation','aucune','Yokogawa','P','PI')*1;
%%------------------Paramétrage des régulateurs----------------------------

%%--- Consigne régulation pH en décyanuration est fonction de l'oxydant---
reacOXdec=menu('Oxydant en décyan', 'Javel', 'Peroxyde d''hydrogène')*1;
if reacOXdec==1;
consregdec=11;
elseif reacOXdec==2;
consregdec=9.5;
end;
%%-------------------------------------------------------------------------
if regul==2, %% -----------Régulation YOKOGAWA-----------------------------
%%----------Paramètres régulation YOKOGAWA en décyanuration--------------
config = menu('Configuration de la régulation', 'Réelle',
'Personnalisée')*1;
ndtACdec = menu('durée du cycle de régulation acide en décyanuration?',
'10s', '20s', '30s');
ndtBAdec = menu('durée du cycle de régulation basique en
décyanuration?', '10s', '20s', '30s');
if config == 2,
eval(['pHconsACdec = (consregdec)+0.5*(menu(''consigne basse régulation
acide en décyanuration'','' ', num2str(consregdec), ' '','' ' ,
num2str(consregdec+0.5), ' '', '' ', num2str(consregdec+1), ' '' )-1);']);
ecartACdec = 0.5+0.5*(menu('écart régulation acide en décyanuration',
'0.5', '1', '1.5', '2')-1 );
eval(['pHconsBAdec = (consregdec)-0.5*(menu(''consigne haute régulation
basique en décyanuration'','' ', num2str(consregdec), ' '','' ' ,
num2str(consregdec-0.5), ' '','' ', num2str(consregdec-1), ' '' )-1);']);
ecartBAdec = 0.5+0.5*(menu('écart régulation basique en
décyanuration','0.5','1','1.5', '2')-1 );
pHconsdec=consregdec;
ZMdec=pHconsACdec-pHconsBAdec;
end;
%%-------Paramètres régulation YOKOGAWA en mise à pH / précipitation---
ndtACneut = menu('durée du cycle de régulation acide en mise à pH /
précipitation?','10s','20s','30s');
ndtBAneut = menu('durée du cycle de régulation basique en mise à pH /
précipitation?','10s','20s','30s');
if config == 2,
pHconsACneut = 9.5+0.5*(menu('consigne basse régulation acide en mise à
pH / précipitation','9.5','10','10.5','11','11.5','12.0')-1);
ecartACneut = 0.5+0.5*(menu('écart régulation acide en mise à pH /
précipitation','0.5','1','1.5')-1 );
pHconsBAneut = 9.5-0.5*(menu('consigne haute régulation basique en mise
à pH / précipitation','9.5','9','8.5','8')-1);
ecartBAneut = 0.5+0.5*(menu('écart régulation basique en mise à pH /
précipitation','0.5','1','1.5')-1 );
pHconsneut=(pHconsACneut+pHconsBAneut)/2;
ZMneut=pHconsACneut-pHconsBAneut;
end;
elseif regul>=3, %%------------ Régulation P ou PI-------------------------

%%---------------Paramètres régulation P en décyanuration---------------
282
ANNEXES
ZMdec=input('Entrez taille de la zone morte en décyanuration: ')*1; %%

demie zone morte autour de la consigne
Ecartdec=ZMdec/2;
KPACdec=input('Entrez KP régulation ACIDE en décyanuration: ');
%%Coefficient proportionnel pour régulation ACIDE
if regul==4, %% Régulation PI
KIACdec=input('Entrez KI régulation ACIDE en décyanuration: ');
%%Coefficient intégral pour régulation ACIDE
else KIACdec=0;
end;
KPBAdec=input('Entrez KPrégulation BASIQUE en décyanuration: ');
%%Coefficient proportionnel pour régulation BASIQUE
KIBAdec=input('Entrez KIrégulation BASIQUE en décyanuration: ');
%%Coefficient intégral pour régulation BASIQUE
else KIBAdec=0;
end;
%%--------------Paramètres régulation P en mise à pH / précipitation----
ZMneut=input('Entrez taille de la zone morte en mise à pH /
précipitation: ')*1; %% demie zone morte autour de la consigne
Ecartneut=ZMneut/2;
KPACneut=input('Entrez KP régulation ACIDE en neutral: '); %%Coefficient
proportionnel pour régulation ACIDE
KIACneut=input('Entrez KI régulation ACIDE en neutral: '); %%Coefficient
intégral pour régulation ACIDE
else KIACneut=0;
end;
KPBAneut=input('Entrez KPrégulation BASIQUE en neutral: '); %%Coefficient
proportionnel pour régulation BASIQUE
KIBAneut=input('Entrez KIrégulation BASIQUE en neutral: ');
%%Coefficient intégral pour régulation BASIQUE
else KIBAneut=0;
end;
end;
%%-------------------------------------------------------------------------
%%----------------------Valeurs au démarrage-------------------------------
if regul == 2,%%--------- Régulation Yokogawa------------------------------
%%-----------------en décyanuration----------------------------------------
pHmACdec=zeros(ndtACdec,1);
ACdectour=0;
pHmBAdec=zeros(ndtBAdec,1);
BAdectour=0;
%%----------- vecteurs injection différée en décyanuration-------------
v_nACdec=zeros(ndtACdec,1);
v_YYOKOACdec=zeros(ndtACdec,1);
v_nBAdec=zeros(ndtBAdec,1);
v_YYOKOBAdec=zeros(ndtBAdec,1);
%%-------------en mise à pH / précipitation--------------------------------

pHmACneut=zeros(ndtACneut,1);
ACneuttour=0;
pHmBAneut=zeros(ndtBAneut,1);
BAneuttour=0;
%%--------- vecteurs injection différée en précipitation---------------
v_nACneut=zeros(ndtACneut,1);
v_YYOKOACneut=zeros(ndtACneut,1);
v_nBAneut=zeros(ndtBAneut,1);
v_YYOKOBAneut=zeros(ndtBAneut,1);
283
ANNEXES
elseif regul >= 3,%%---------Régulation P ou PI----------------------------

%%---------------en décynauration--------------------------------------
----
pHconsdec=consregdec;%%Consigne pH par défaut du contrôleur PI
YIACdec=0; YIBAdec=0;%% initialisation de la partie intégrale
%%-------------en mise à pH / précipitation----------------------------
---
pHconsneut=10;%%Consigne pH par défaut du contrôleur PI
YIACneut=0; YIBAneut=0;%% initialisation de la partie intégrale
end;%%---------------------------------------------------------------------
284
ANNEXES
%%inidetect.m
%%
%% C.Narce
ldetect=(menu('Largeur de la fenêtre de détection?','5 mn','10 mn','15

mn','20mn')*30);
histomescons1=[]; histomodmes1=[]; histomodcons1=[];
lissmescons1=[]; lissmodmes1=[]; lissmodcons1=[];
premescons1=[]; premodmes1=[]; premodcons1=[];
defautneut=0;
Qreal1=zeros(1,3);Qmes1=zeros(1,3);Qcons1=zeros(1,3);
histomescons2=[]; histomodmes2=[]; histomodcons2=[];
lissmescons2=[]; lissmodmes2=[]; lissmodcons2=[];
premescons2=[]; premodmes2=[]; premodcons2=[];
defautdec=0;
Qreal2=zeros(1,3);Qmes2=zeros(1,3);Qcons2=zeros(1,3);
pHdecpann=0; pHneutpann=0;
285
ANNEXES
%%inifigur.m
%%
%% C.Narce
%%
%%
%% Initialisation et choix des figures à afficher
%%------------Initialisation des figures-----------

pos1=[0.01, 0.52, 0.45 , 0.45];
pos2=[0.5, 0.52, 0.45 , 0.45];
pos3=[0.01, 0.03, 0.45 , 0.45];
pos4=[0.5, 0.03, 0.45 , 0.45];
figDECYAN=figure('NumberTitle','off','Units','Normalized','Name','pH
Décyan','Position',pos1,'MenuBar','none');
spDECYAN=subplot('position',[0.08 0.08 0.9 0.85]);
subplot(spDECYAN);
axis([0 xt(ldat) 0 15]); axis manual; hold on;
set(gca,'YTick',[2 4 6 8 10 12 14],'XTick',[0 6 12 18 24]);

%plot([xt(1),xt(ldat)],[7,7],'k-.');
%plot([xt(1),xt(ldat)],[3,3],'k--');
xlabel('Temps en heures.');
ylabel('pHdéc:V, pHalca:B, pHdec(simulé):N');
txtit=['Mesures du ',nfi,'. Modélisation pH en DECYANURATION'];
title(txtit);
grid;
if regul == 2,
if config == 1,
plot(xt,matdon(:,11),'m-.'); %%Trace pH consigne Régulation ACIDE en
décyan
plot(xt,matdon(:,12), 'c-.'); %%Trace pH consigne Régulation BASIQUE
en décyan
if any(matdon(:,14)), plot(xt,matdon(:,14),'m--'); else
plot(xt,matdon(:,11)+1,'m--'); end; %%trace pH consigne + écart Régulation
ACIDE en décyan
if any(matdon(:,15)), plot(xt,matdon(:,15), 'c--'); else
plot(xt,matdon(:,12)-1, 'c--'); end; %%trace pH consigne - écart Régulation
BASIQUE en décyan
elseif config == 2,
plot([xt(1),xt(ldat)],[pHconsACdec,pHconsACdec],'m-.'); %%Trace pH
consigne Régulation ACIDE en décyan
plot([xt(1),xt(ldat)],[(pHconsACdec+ecartACdec),(pHconsACdec+ecartACdec)],'
m--'); %%trace pH consigne + écart Régulation ACIDE en décyan
plot([xt(1),xt(ldat)],[pHconsBAdec,pHconsBAdec], '-.c'); %%Trace pH
consigne Régulation BASIQUE en décyan
plot([xt(1),xt(ldat)],[(pHconsBAdec-ecartBAdec),(pHconsBAdec-
ecartBAdec)], '--c'); %%trace pH consigne - écart Régulation BASIQUE en
décyan
end;
elseif regul>=3,
plot([xt(1),xt(ldat)],[pHconsdec+Ecartdec,pHconsdec+Ecartdec],'m--');
%%Trace pH consigne Régulation ACIDE en décyan
plot([xt(1),xt(ldat)],[pHconsdec-Ecartdec,pHconsdec-Ecartdec], 'c--');
%%Trace pH consigne Régulation BASIQUE en décyan
end;
if 0, %%KS 28/6/2004
286
ANNEXES
plot(xt,14.5+matdon(:,6).*0.4,'b-'); %%CRP4 (relevage alca 2)

plot(xt,14.5+matdon(:,6).*0.4,'b.'); %%CRP4 (relevage alca 2)

plot(xt,13.0+matdon(:,13).*0.4,'r-'); %%CRPD1 (Pompe doseuse soude)

plot(xt,13.0+matdon(:,13).*0.4,'r.'); %%CRPD1 (Pompe doseuse soude)
end;
fen1=rectangle('Position',[0,8,xt(ldetect),3],'Edgecolor',[0.8,0.8,0.8]);
figRESDEC=figure('NumberTitle','off','Units','Normalized','Name','Résidus
Décyan.','Position',pos3,'MenuBar','none');
spRESDEC=subplot('position',[0.08 0.08 0.9 0.85]);
subplot(spRESDEC);
axis([0 ldat -100 100]);

axis manual;
hold on;
xlabel('Nombre d''échantillons mesurés');
ylabel('MES vs. CONS: N , MOD vs. CONS : R (en % de la CONS)') ;
txtit=['Mesures du ',nfi,'. Résidus en décyanuration pour détection de
panne'];
title(txtit);
tx0=text(360,+85,['Qreal = ']);
set(tx0,'Color',[0.3 0.3 0.3 ]);
tx1=text(360,+75,['Qmes = ']);
set(tx1,'Color',[0.3 0.3 0.3 ]);
tx2=text(360,+65,['Qcons = ']);
set(tx2,'Color',[0.3 0.3 0.3 ]);
fen2=rectangle('Position',[0,-20,ldetect,40],'Edgecolor',[0.8,0.8,0.8]);
grid;
figNEUTRAL=figure('NumberTitle','off','Units','Normalized','Name','pH
Neutral','Position',pos2,'MenuBar','none');
spNEUTRAL=subplot('position',[0.08 0.08 0.9 0.85]);
subplot(spNEUTRAL);
axis([0 xt(ldat) 0 15]); axis manual; hold on;

set(gca,'YTick',[2 4 6 8 10 12 14],'XTick',[0 6 12 18 24]);
%plot([xt(1),xt(ldat)],[7,7],'k-.');
xlabel('Temps en heures.');
ylabel('pHdecmod: N ; pHneumes: V; pHneumod: B') ;
txtit=['Mesures du ',nfi,'. Modélisation pH en NEUTRALISATION'];
title(txtit);
grid;
if regul == 2,
if config == 1,
plot(xt,matdon(:,17),'m-.'); %%Trace pH consigne Régulation ACIDE en
neutral
plot(xt,matdon(:,18), 'c-.'); %%Trace pH consigne Régulation BASIQUE
en neutral
if any(matdon(:,21)), plot(xt,matdon(:,21),'m--'); else
plot(xt,matdon(:,17)+1,'m--'); end;%%trace pH consigne + écart Régulation
ACIDE en neutral
if any(matdon(:,22)), plot(xt,matdon(:,22), 'c--'); else
plot(xt,matdon(:,18)-1, 'c--'); end;%%trace pH consigne - écart Régulation
BASIQUE en neutral
elseif config == 2,
287
ANNEXES
plot([xt(1),xt(ldat)],[pHconsACneut,pHconsACneut],'m-.'); %%Trace pH
consigne Régulation ACIDE en neutral
plot([xt(1),xt(ldat)],[(pHconsACneut+ecartACneut),(pHconsACneut+ecartACneut
)],'m--'); %%trace pH consigne + écart Régulation ACIDE en neutral
plot([xt(1),xt(ldat)],[pHconsBAneut,pHconsBAneut], 'c-.'); %%Trace pH
consigne Régulation BASIQUE en neutral
plot([xt(1),xt(ldat)],[(pHconsBAneut-ecartBAneut),(pHconsBAneut-
ecartBAneut)], 'c--'); %%trace pH consigne - écart Régulation BASIQUE en
neutral
end;
elseif regul>=3,
plot([xt(1),xt(ldat)],[pHconsneut+Ecartneut,pHconsneut+Ecartneut],'m--
'); %%Trace pH consigne Régulation ACIDE en neutral
plot([xt(1),xt(ldat)],[pHconsneut-Ecartneut,pHconsneut-Ecartneut], 'c-
-'); %%Trace pH consigne Régulation BASIQUE en neutral
end;
if 0, %%KS 28/6/2004

plot(xt,13.5+matdon(:,2).*0.4,'r-'); %%CRP2 (relevage acide 2)

plot(xt,13.5+matdon(:,2).*0.4,'r.'); %%CRP2 (relevage acide 2)
plot(xt,13.0+matdon(:,1).*0.4,'r-'); %%CRP1 (relevage acide 1)

plot(xt,13.0+matdon(:,1).*0.4,'r.'); %%CRP1 (relevage acide 1)
end;
fen3=rectangle('Position',[0,8,xt(ldetect),3],'Edgecolor',[0.8 0.8 0.8]);
figRESNEUT=figure('NumberTitle','off','Units','Normalized','Name','Résidus
Précip.','Position',pos4,'MenuBar','none');
spRESNEUT=subplot('position',[0.08 0.08 0.9 0.85]);
subplot(spRESNEUT);
axis([0 ldat -100 100]);

axis manual;
hold on;
xlabel('Nombre d''échantillons mesurés');
ylabel('MES vs. CONS: N , MOD vs. CONS : R (en % de la CONS)') ;
txtit=['Mesures du ',nfi,'. Résidus en mise à pH / précipitation pour
détection de panne'];
title(txtit);
tx3=text(360,+85,['Qreal = ']);
set(tx3,'Color',[0.3 0.3 0.3 ]);
tx4=text(360,+75,['Qmes = ']);
set(tx4,'Color',[0.3 0.3 0.3 ]);
tx5=text(360,+65,['Qcons = ']);
set(tx5,'Color',[0.3 0.3 0.3 ]);fen4=rectangle('Position',[0,-
20,ldetect,40],'Edgecolor',[0.8 0.8 0.8]);
grid;
288
ANNEXES
%lectbdd.m :
% C. Narce 08 06 2004
%%-------------------------------------------------------------------------
%%---------------------Lecture base de données-----------------------------
%%-------------------------------------------------------------------------
crp1=matdon(ii,1); %%fonctionnement pompe de relevage EFF. ACIDES n°1

crp2=matdon(ii,2); %%fonctionnement pompe de relevage EFF. ACIDES n°2
crp3=matdon(ii,5); %%fonctionnement pompe de relevage EFF. ALCALINS n°1
crp4=matdon(ii,6); %%fonctionnement pompe de relevage EFF. ALCALINS n°2
pHalca=matdon(ii,8); %% pH mesuré dans le bassin de reprise ALCALINS

pHacid=matdon(ii,4); %% pH mesuré dans le bassin de reprise ACIDES
pHdecyan=matdon(ii,16); %% pH mesuré dans la cuve de décyanuration
pHneutral=matdon(ii,23); %% pH mesuré dans la cuve de mise à pH /
précipitation
if regul==2 & config==1,

pHconsACdec = matdon(ii,11); %% consigne régulation ACIDE en
décyanuration
if matdon(ii,14)~=0,
ecartACdec = matdon(ii,14) - matdon(ii,11); %% écart à la consigne
régulation ACIDE déclenchant l'injection continue
else ecartACdec = 1; %% écart à la consigne régulation ACIDE
déclenchant l'injection continue (par défaut)
end;
pHconsBAdec = matdon(ii,12); %% consigne régulation BASIQUE en
décyanuration
ecartBAdec = matdon(ii,12) - matdon(ii,15); %% écart à la consigne
régulation BASIQUE déclenchant l'injection continue
else ecartBAdec = 1; %% écart à la consigne régulation BASIQUE en
décyan déclenchant l'injection continue (par défaut)
end;
pHconsdec=(pHconsBAdec+pHconsACdec)/2;
ZMdec=pHconsACdec-pHconsBAdec;
end;
if regul==2 & config==1,

pHconsACneut = matdon(ii,17); %% consigne pour l'injection d'acide
sulfurique (donnée Yokogawa)
ecartACneut = matdon(ii,21) - matdon(ii,17); %% écart à la consigne
régulation ACIDE en neutral déclenchant l'injection continue (donnée
YOKOGAWA)
else ecartACneut = 1; %% écart à la consigne régulation ACIDE en
neutral déclenchant l'injection continue (donnée YOKOGAWA)
end;
pHconsBAneut = matdon(ii,18); %% consigne pour l'injection de

régulation BASIQUE en neutral (donnée Yokogawa)
289
ANNEXES
ecartBAneut = matdon(ii,18) - matdon(ii,22); %% écart à la consigne
régulation BASIQUE en neutral déclenchant l'injection continue (donnée
YOKOGAWA)
else ecartBAneut = 1; %% écart à la consigne régulation BASIQUE en
neutral déclenchant l'injection continue (donnée YOKOGAWA)
end;
pHconsneut=(pHconsACneut+pHconsBAneut)/2;
ZMneut=pHconsACneut-pHconsBAneut;
end;
%%-------------------------------------------------------------------------
%%----------Volumes transférés par batch-----------------------------------
%%-------------------------------------------------------------------------
Valcalin = (crp3+crp4)*QPompRel1*dt; %% volume d'effluents alcalins en L
Vdecyan = (crp3+crp4)*QPompRel1*dt; %% volume d'effluents décyanurés en L
Vacid = (crp1+crp2)*QPompRel1*dt; %% volume d'effluents acides en L
% Volume des réactifs injecté par les pompes doseuses ~ négligeable
290
ANNEXES
function [tour, v_mes, v_nreac, v_coeffinj, nreac, coeffinj]=yokogawa(dt,

tour, ndt, v_mes, mes_prec, cons, ecart, F, C, Q, v_nreac, v_coeffinj)
%%yokogawa.m
%
% written 25 05 2004
% by C. Narce
%
% Attention! Fonction valable pour régulation acide si F = 1
% et régulation basique si F = -1
if tour==ndt,
tour=0;
end;
tour=tour+1;
v_mes(tour)=mes_prec;
if tour==ndt,
moy = mean(v_mes);
nreacmax=Q*dt*C;
if F*(moy-cons) <= 0
v_nreac=zeros(ndt,1);
v_coeffinj=zeros(ndt,1);
elseif F*(moy-cons) >= ecart

v_nreac=ones(ndt,1)*nreacmax;
v_coeffinj=ones(ndt,1);
else
pinj = max(min(0.9,F*(moy - cons)/ecart),0.1);
v_coeffinj(1) = min(1,ndt*pinj);
v_nreac(1) = v_coeffinj(1)*nreacmax;
for ii=2:1:ndt
v_coeffinj(ii)=max(0,min(ndt*pinj - sum(v_coeffinj(1:ii-
1)),1));
v_nreac(ii) = v_coeffinj(ii)*nreacmax;
end;
end;
nreac=v_nreac(1);
coeffinj = v_coeffinj(1);
else
nreac=v_nreac(tour+1);
coeffinj = v_coeffinj(tour+1);
end;
291
ANNEXES
function [nreac, YPI, YI]=prop_int(mes, KP, KI, Q, cons, ecart, F, YI_1,

dt, C)
%
% written 02 06 2004
% C. Narce
%
% Attention! Fonction valable pour régulation acide si F = 1
% et régulation basique si F = -1
%
%%----régulation proportionnelle intégrale --------------------
YI=0;
if F*(mes-cons) > ecart,
%%--régulation Proportionnelle---
YP = KP*F*(mes-cons);
%%--régulation Intégrale---
if KI~=0
YI = YI_1 + F*(mes-cons)*KI;
end;
%%------------------------------
YPI = YP + YI; %%Somme des composantes proportionnelle et intégrale

YPI = min(abs(YPI), 1);
QPI = YPI*Q*C; %%débit>0 mais inférieur à un débit max
nreac = QPI*dt;
else nreac=0; YPI=0;
end;
292
ANNEXES
function [pHs, C_An, C_Cat, C1, C2]=mod2fai(C_cuvepre, C_Anpre, C_Catpre,

C1, C2, C_An, C_Cat, pH_effACin, pH_effBAin, Vin_effAC, Vin_effBA, V0, ke,
matcoeff, nACreg, nBAreg)
V_out=Vin_effAC+Vin_effBA;
%% Bilan sur les Anions non actifs (A- conj de AH acide fort)
C_An=(C_An*(V0-V_out)+10^(-pH_effACin)*Vin_effAC+10^(-
pH_effBAin)*Vin_effBA+C_Anpre*Vin_effBA)/V0;
%% Bilan sur les Cations non actifs (B+ conj de BOH base forte)
if C_cuvepre ~=0
C_Cat=(C_Cat*(V0-V_out)+ nBAreg+C_Catpre*Vin_effBA+10^(pH_effACin-
14)*Vin_effAC)/V0 ;
%% Bilan sur les espèces issues du réactif acide faible de régulation en
decyan
C1=(C1*(V0-V_out)+C_cuvepre*Vin_effBA)/V0;
else
C_Cat=(C_Cat*(V0-V_out)+10^(pH_effBAin-14)*Vin_effBA +10^(pH_effACin-
14)*Vin_effAC + nBAreg)/V0 ;
decyan
C1=C1*(V0-V_out)/V0;
end;
mise à pH
C2=(C2*(V0-V_out)+nACreg)/V0;
%% Modèle 2 Acides faibles

Ions=C_Cat-C_An;
variables=[1; Ions; -ke; -C1; -C2];
Polycoeff=matcoeff*variables;
racine=roots(Polycoeff');
im=(imag(racine)==0);
nH=racine.*im;
racin=max(nH);
pHs=(-log10(racin));
293
ANNEXES
function [pHs, C_An, C_Cat, C_ACfaibl]=mod_fai( C_ACfaibl, C_An, C_Cat,

pH_effACin, pH_effBAin, Vin_effAC, Vin_effBA, V0, matcoeff, ke,
nACregfaibl, nBAreg)
V_out=Vin_effAC+Vin_effBA;
%% Bilan sur les Anions non actifs (A- conj de AH acide fort)
C_An=(C_An*(V0-V_out)+10^(-pH_effACin)*Vin_effAC+10^(-
pH_effBAin)*Vin_effBA)/V0;
%% Bilan sur les Cations non actifs (B+ conj de BOH base forte)
C_Cat=(C_Cat*(V0-V_out)+10^(pH_effBAin-14)*Vin_effBA +10^(pH_effACin-
14)*Vin_effAC + nBAreg)/V0 ;
%% Bilan sur les espèces issues du réactif acide faible

C_ACfaibl=(C_ACfaibl*(V0-V_out)+nACregfaibl)/V0;
%% Bilan sur les charges excédentaires (différence entre Anions et Cations

non actifs)
%% si DELTA_C_ions >0 => excès de charge + donc déplacement de l'équilibre
vers la formation de OH- pour compenser
%% si DELTA_C_ions <0 => excès de charge - donc déplacement de l'équilibre
vers la formation de H+ pour compenser
Ions=C_Cat-C_An;
%% Modèle Acide faible:
variables=[1; Ions; -ke; -C_ACfaibl];
Polycoeff=matcoeff*variables;
racine=roots(Polycoeff');
im=(imag(racine)==0);
nH=racine.*im;
racin=max(nH);
pHs=(-log10(racin));
294
ANNEXES
function [pHmes]=sondepH(pHsol, pHmes, inertie, dt)
%% Written 26.05.2004
%% C.NARCE
%%
%% Inertie 1er ordre d'une sonde pH
%%------------Description du comportement de la sonde-------

T63 = inertie;%% inertie (Tau(63%)) sonde pH en seconde
G = 1;%% Gain hypothétique d'une sonde pH
inertA1 = exp(-dt/T63);
inertB1 = G*(1-(exp(-dt/T63)));
pHmes= inertB1*pHsol + inertA1*pHmes;
pHmes= (round(pHmes*100))/100;
295
ANNEXES
function
[pcreste,memoire,lissage,Qnorm]=calresid(larg_fenetre,nomin,estim,memoire_1
,lissage_1,Qnorm)
%%
%%Calcul des résidus r(t)=y(t)-y^(t)
%%
%%
%%Résidus :
reste=estim-nomin;
%%Résidus en % d'écart à la valeur nominale :
pcreste=100*(estim-nomin)/nomin; %%KS, 29/6/2004
if length(memoire_1)==larg_fenetre,
memoire_1=memoire_1(2:larg_fenetre);
lissage_1=lissage_1(2:larg_fenetre);
end;
eval(['memoire=[',num2str(memoire_1),' ',num2str(reste),'];']);
moyenne=mean(memoire);
eval(['lissage=[',num2str(lissage_1),' ',num2str(moyenne),'];']);
Preste = Qnorm(2) + reste^2 ;

Pnorm = Qnorm(3) + nomin^2;
critere = 100*sqrt( Preste/Pnorm ); %%critère quadratique normé par rapport
au pH mesuré, en %
Qnorm = [critere, Preste, Pnorm];
296
ANNEXES
function
[evenement,commentaire]=detection(event_pre,lissageRC,lissageRS,lissageCS,p
recedentRC,precedentRS,precedentCS,seuilZM)
%% R: mesure réelle
%% C: consigne
%% S: simulation
commentaire='';
if all(abs(lissageRC)>seuilZM) | all(abs(lissageCS)>seuilZM), %% detection

dépassement cons.
if xor(all(lissageRC>seuilZM),all(lissageCS>seuilZM)), %% detection
défaut sur régulation acide
if all(precedentRC<lissageRC) & all(lissageRC>seuilZM),
commentaire='Supposition de panne sur l''injection d''acide';
evenement=1;
elseif all(precedentCS<lissageCS) & all(lissageRC>seuilZM),
commentaire='Supposition de panne capteur';
evenement=5;
else evenement=event_pre;
end;
elseif all(lissageRC>seuilZM) & all(lissageCS>seuilZM),
if all(precedentRC<lissageRC) & all(precedentCS<lissageCS) ,
commentaire='Supposition de saturation de la régulation
acide';
evenement=3;
end;
elseif xor(all(lissageRC<-seuilZM),all(lissageCS<-seuilZM)), %%
detection défaut sur régulation basique
if all(precedentRC>lissageRC) & all(lissageRC<-seuilZM),
commentaire='Supposition de panne sur l''injection de base';
evenement=1;
elseif all(precedentCS>lissageCS) & all(lissageRC<seuilZM),
commentaire='Supposition de panne capteur';
evenement=5;
end;
elseif all(lissageRC<-seuilZM) & all(lissageCS<-seuilZM),
if all(precedentRC>lissageRC) & all(precedentCS>lissageCS) ,
commentaire='Supposition de saturation de la régulation
basique';
evenement=3;
end;
end;
else evenement=0;
end;
% événement 0: aucun défaut;
% événement 1: défaut d'injection acide;
% événement 2: défaut d'injection base;
% événement 3: limite d'efficacité régulation acide;
% événement 4: limite d'efficacité régulation basique;
% événement 5: défaut de capteur
297
ANNEXES
ANNEXE 11 :
QUESTIONNAIRE POSE AUX ELEVES
FA-ISTP POUR L’EVALUATION DU
MODULE D’INITIATION UTILISANT
L’OUTIL RESPECTS
299
ANNEXES
ISTP 2ème année – Module de Chimie
Afin de nous permettre d’améliorer ce TD, merci de prendre quelques minutes pour répondre
à ce questionnaire.
Quel est votre avis personnel concernant les points suivants ?

0 = Pas d’accord du tout
1 = Pas tout à fait d’accord
2 = Assez d’accord
3 = Entièrement d’accord
0 1 2 3
La simulation permet d’avoir rapidement une vision concrète d’un
procédé industriel
Le simulateur illustre suffisamment le procédé de mise à pH pour une
bonne compréhension
L’utilisation du simulateur m’a permis de comprendre les contraintes
industrielles (efficacité, risque, coût)
La simulation permet une meilleure mise en situation des notions vues
en cours de chimie
La simulation m’a conduit à poser des questions aux encadrants
L’utilisation du simulateur m’a incité au travail coopératif (échanges
d’informations avec les autres)
Le simulateur est facile à utiliser
Apprendre à utiliser le simulateur correctement m’a pris beaucoup de
temps
L’utilisation du simulateur est motivante
J’aurais préféré un TD traditionnel (Exercices sur papier)
Le nombre d’heures de ce TD est suffisant
301
ANNEXES
Est-ce que l’utilisation d’un simulateur vous paraît adaptée à une initiation sur la supervision
des procédés chimiques d’épuration ? OUI NON
Pourquoi ?__________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Qu’est-ce qui vous a paru le plus difficile au cours de ce TD ?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Que nous suggérez-vous pour améliorer ce programme d’enseignement ?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Merci de votre collaboration.
302
ANNEXES
ANNEXE 12 :
REPONSES DES ELEVES FA-ISTP AU
QUESTIONNAIRE POUR
L’EVALUATION DU MODULE
D’INITIATION UTILISANT L’OUTIL
RESPECTS
303
ANNEXES
Réponses au questionnaire d’évaluation de la séance d’initiation à la

supervision des procédés chimiques d’épuration industrielle (FA-ISTP)

élève 10
élève 11
élève 12
élève 13
élève 1
élève 2
élève 3
élève 4
élève 5
élève 6
élève 7
élève 8
élève 9
Moyenne
Vision plus concrète du cas d'étude 2 2 1 1,5 3 2,5 2 2 2 2 2 3 2,5 2,12
Illustration du cas d'étude suffisante 1 1 0 1,5 3 3 2 2 3 2 3 2,5 2,00
Compréhension de la problématique 1 0 0 0 3 3 1 1 2 1 1 2 1 1,23
Mise en situation des notions du cours 1 2 2 2 3 3 2 1 3 3 2 3 2 2,23
Incitation à poser des questions aux
encadrants 1 3 2 2 1,5 2 3 2 1 1 2 1 3 1,88
Incitation à collaborer entre apprenants 2 3 3 3 2 2 0 1 2 3 2 2,5 2,13
Facilité d'utilisation 3 3 3 2 2 3 3 3 3 2 2 2 3 2,62
Temps d'apprentissage long 3 3 1 0 0 0 1 1 0 0 1 1 0 0,85
Motivation 2 3 3 2 3 3 2 2 1 2 2 2 3 2,31
Préférence pour cours traditionnel 0 0 0 1 1 0 0 0 1,5 0 0 0 0 0,27
Adéquation volume horaire / objectifs 2 2 0 0 2,5 3 2 2 3 3 2 1 2 1,88
Utilisation du simulateur adaptée à la
formation oui oui oui oui oui oui oui oui oui oui oui oui oui
305
ANNEXES
ANNEXE 13 :
QUESTIONNAIRE POSE AUX ELEVES
PSI-ICM POUR L’EVALUATION DU
MODULE DE FORMATION UTILISANT
L’OUTIL RESPECTS
307
ANNEXES
Axe PSI
Questionnaire d’évaluation de l’UP6 SUPERVISION DE PROCEDES
Afin de nous permettre d’améliorer ce cours, merci de prendre quelques minutes pour
répondre à ce questionnaire.
Quel est votre avis personnel concernant les points suivants ?

0 1 2 3
L’exposé préliminaire (du 2 novembre) était utile pour comprendre les
objectifs de l’UP
Les objectifs pédagogiques de l’UP étaient clairs
La simulation donne une vision plus concrète de la détoxication des
effluents de traitement de surface
Le simulateur illustre suffisamment le cas d’étude
L’utilisation du simulateur m’a permis de comprendre les contraintes
industrielles (efficacité, risque, coût)
L’apprentissage “pas à pas” des modes de régulation ne sert à rien
La simulation permet une meilleure mise en situation de la fonction
d’ingénieur
La simulation m’a conduit à poser des questions aux encadrants
L’utilisation du simulateur m’a incité au travail coopératif (échanges
d’informations)
Le simulateur est facile à utiliser
Apprendre à utiliser le simulateur correctement m’a pris beaucoup de
temps
L’utilisation du simulateur est motivante
J’aurais préféré un cours traditionnel (cours et TD sur papier)
Le nombre d’heures de l’UP est suffisant pour faire le travail demandé
309
ANNEXES
Est-ce que l’utilisation d’un simulateur vous paraît adaptée à une formation sur la supervision
des processus dynamiques ? OUI NON
Pourquoi ?__________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Qu’est-ce qui vous a paru le plus difficile au cours de cette UP ?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Que nous suggérez-vous pour améliorer ce programme d’enseignement ?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
Merci de préciser votre cursus antérieur

ICM,
AST pharma
AST étranger
Autre :
Merci de votre collaboration.
310
ANNEXES
ANNEXE 14 :
REPONSES DES ELEVES PSI-ICM AU
QUESTIONNAIRE POUR
L’EVALUATION DE LA FORMATION
UTILISANT L’OUTIL RESPECTS
311
ANNEXES
Réponses au questionnaire d’évaluation du module de formation à la

supervision des procédés chimiques d’épuration (axe PSI)

Etrangers
Moyenne
élève 10
élève 11
élève 12
élève 13
élève 14
élève 15
élève 16
Globale
élève 1
élève 2
élève 3
élève 4
élève 5
élève 6
élève 7
élève 8
élève 9
AST
ICM
Séance de
présentation utile 3 2 2 1 2 3 1 1 3 3 3 2 1 2 1 2,00 2,60 1,29 2,67
Objectifs de la
formation clairs 3 2 1 1 2 3 2 1 2 2 2 3 2 1 1 1 1,81 1,83 1,57 2,33
Vision plus concrète
du cas d'étude 3 2 2 2 2 2 2 2 2 3 2 2 2 2 3 2,20 2,00 2,14 2,67
Illustration du cas
d'étude suffisante 2 2 2 2 1 3 2 2 2 2 1 3 1 1 2 2 1,88 2,00 1,86 1,67
Compréhension de
la problématique 3 2 2 2 2 3 2 2 2 3 1 3 1 2 2 1 2,06 2,00 1,86 2,67
Jalonnement de
l'apprentissage
inutile 2 2 3 2 0 1 1 0 1 1 2 0 2 1 0 1,20 1,80 0,86 1,00
Mise en situation
des notions du cours 2 1 2 1 2 2 2 1 3 2 2 3 1 2 2 1 1,81 2,00 1,57 2,00
Incitation à poser
des questions aux
encadrants 2 2 1 0 2 3 2 3 3 3 1 2 1 0 2 2 1,81 2,00 1,43 2,33
Incitation à
collaborer entre
apprenants 3 1 2 2 1 2 1 2 3 2 1 2 1 1 2 1,73 1,80 1,57 2,00
Facilité d'utilisation 0 3 2 1 1 3 1 2 1 2 2 2 0 0 3 2 1,56 2,33 1,14 1,00
Temps
d'apprentissage long 2 0 1 2 2 0 1 1 1 2 2 1 1 2 0 1 1,19 0,67 1,29 2,00
Motivation 2 2 2 2 1 3 1 1 2 2 1 3 0 0 2 2 1,63 2,00 1,29 1,67
Préférence pour
cours traditionnel 2 1 0 3 1 0 1 0 0 0 2 1 0 0 1 0 0,75 0,67 0,71 1,00
Adéquation volume
horaire / objectifs 1 3 3 2 2 3 2 2 2 3 1 1 3 3 2 2 2,19 2,33 2,14 2,00
Utilisation du
simulateur adaptée
à la formation oui oui oui oui oui oui oui oui oui oui oui oui oui oui oui oui
ICM 0 1 1 0 0 1 0 0 1 0 1 0 0 0 1 0 37,50%
AST 0 0 0 1 0 0 1 1 0 0 0 1 1 1 0 1 43,75%
Etranger 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 18,75%
313
ANNEXES
ANNEXE 15 :
RESULTATS DE SIMULATION : TEST
DE PERFORMANCES ET
CONSOMMATIONS EN FONCTION DU
TYPE DE REGULATION
(INDUSTRIELLE, P, PI).
DONNEES DU MOIS DE JANVIER 2001 (BASES DE DONNEES EDC)
315
ANNEXES
317

Syst' Eme Interactif D'aide ' Alad Ecision Pour La Supervision Et La Formation Environnementale Appliqu Ees Aux Entreprises de Traitement de Surface

Transféré par

Droits d'auteur :

Formats disponibles

Syst' Eme Interactif D'aide ' Alad Ecision Pour La Supervision Et La Formation Environnementale Appliqu Ees Aux Entreprises de Traitement de Surface

Transféré par

Informations du document

Titre original

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

Syst' Eme Interactif D'aide ' Alad Ecision Pour La Supervision Et La Formation Environnementale Appliqu Ees Aux Entreprises de Traitement de Surface

Transféré par

Droits d'auteur :

Formats disponibles

Système interactif d’aide à la décision pour la

supervision et la formation environnementale appliquées

To cite this version:

HAL Id: tel-00783795

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Spécialité : Sciences et génie de l’Environnement

Système interactif d’aide à la décision pour

Soutenue le 19 Décembre 2005 devant la commission d’examen :

Je souhaite témoigner toute ma gratitude à Madame Catherine Massiani et à Monsieur Valentin

Le volet “Aide à la Décision” du logiciel RESPECTS comporte un module de diagnostic de

Effluents industriels, Supervision, Modélisation, Diagnostic, Simulateur pédagogique

Developed as a Decision Support System (DSS), the software RESPECTS is made up of

Industrial wastewater, Supervision, Modelling, Diagnosis, Pedagogical aid, RESPECTS

LISTE DES ABREVIATIONS .................................................................................. 13

PREMIERE PARTIE : UN CONTEXTE INDUSTRIEL : LES « TRAITEMENTS

IV-1-ii Les rinçages ......................................................................................... 38

DEUXIEME PARTIE : ACQUISITION DE CONNAISSANCES .......................... 53

II-1-iv Evolution de la conductivité dans le rinçage ........................................ 73

TROISIEME PARTIE : MODELISATION, SIMULATION ................................... 99

I-3 Exemples de modèles élémentaires de connaissances................................. 108

QUATRIEME PARTIE : APPLICATIONS DE L'OUTIL DE SIMULATION .... 163

I-1-ii Entraînement des opérateurs et des ingénieurs à la supervision d’une

III-1 Simulation parallèle pour l’analyse de l’efficience des procédés en vue de

CONCLUSIONS ...................................................................................................... 211

BIBLIOGRAPHIE ................................................................................................... 213

ANNEXES ............................................................................................................... 223

LISTE DES ABREVIATIONS

APP : Agence pour la Protection des Programmes

ASCII : American Standard Code for Information Interchange

(Code américain pour l’échange d’informations)

BREF : Best available technique REFerence document

(Document de référence sur les meilleures technologies disponibles)

CFSTR : Continuous flow stirred tank reactor

(Réacteur agité à flux continu)

EDC : Electrodéposition en continu

ERI : Eaux résiduaires industrielles

ERU : Eaux résiduaires urbaines

ICPE : Installation Classée pour la Protection de l’Environnement

IPPC : Integrated Pollution Prevention and Control

(Prévention et réduction intégrées de la pollution)

ISO : International Standard Organisation

(Organisme international de standardisation)

MATE : Ministère de l’Aménagement du Territoire et de l’Environnement

MES : Matières en suspension

MinEFI : Ministère de l'Economie, des Finances et de l'Industrie

P : Proportionnel (pour un contrôleur)

PI : Proportionnel-Intégral (pour un contrôleur)

PMI : Petites et moyennes industries (20 à 249 salariés)

RESPECTS : Rationalisation Et Supervision des Procédés d’Epuration en Continu en

SESSI : Service des Etudes et des Statistiques Industrielles

SIAD : Système Interactif d’Aide à la Décision

TST : Traitement de surface en tonneaux

CHAPITRE I : ENVIRONNEMENT ET INDUSTRIE DES TRAITEMENTS DE SURFACE

I-1 Industrie et protection de l'environnement

En ce qui concerne l’industrie métallurgique et de transformation des métaux, 515

Tableau 1 : Les investissements (en millions d’Euros) des industriels de la métallurgie et de la

Eaux usées 24,8 2,8 27,6

Déchets 18,2 2,4 20,6

Air 48 9,7 57,7