Vous êtes sur la page 1sur 81

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

RAPPORT DE PROJET DE FIN D’ETUDES ESISAR 2006/2007

Modélisation, optimisation dynamique et commande d’un méthaniseur par digestion anaérobie.

Laboratoire ELIAUS

Laboratoire d'ELectronique, Informatique, AUtomatique et Systèmes Université de Perpignan Via Domitia 52 Avenue Paul Alduy, F66860 Perpignan Cedex

EYNARD Julien

Dates du stage

Du lundi 5 février au vendredi 6 juillet 2007

Module d’approfondissement

ISC Ingénierie de la commande des Systèmes Complexes

Tuteur Entreprise

Grégory François

Tuteur ESISAR

Laurent Lefèvre

de la commande des Systèmes Complexes Tuteur Entreprise Grégory François Tuteur ESISAR Laurent Lefèvre 1
de la commande des Systèmes Complexes Tuteur Entreprise Grégory François Tuteur ESISAR Laurent Lefèvre 1
de la commande des Systèmes Complexes Tuteur Entreprise Grégory François Tuteur ESISAR Laurent Lefèvre 1
de la commande des Systèmes Complexes Tuteur Entreprise Grégory François Tuteur ESISAR Laurent Lefèvre 1
de la commande des Systèmes Complexes Tuteur Entreprise Grégory François Tuteur ESISAR Laurent Lefèvre 1

1

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

RAPPORT DE PROJET DE FIN D’ETUDES ESISAR 2006/2007

Mots clés :

Modélisation, Identification, Optimisation analytique, Principe du Maximum de Pontryaguine, Optimisation numérique, Régulation, Bioréacteur, Méthaniseur, Digesteur Anaérobie, Biofilm, AM2

Résumé :

Les bioréacteurs anaérobies sont aujourd’hui des moyens performants pour dépolluer les eaux usées des industries agro-alimentaires. Leur capacité à transformer les polluants en biogaz tel que le méthane offre de plus un intérêt écologique et énergétique non négligeable puisqu’ils s’inscrivent aujourd’hui dans les sources d’énergies renouvelables. Cependant, la mise en œuvre des bioréacteurs anaérobies reste souvent sous optimale, notamment pendant les phases de démarrage pour lesquelles les modèles disponibles sont insuffisamment précis, notamment en ce qui concerne la prédiction des profils de biomasse. A partir d’un modèle existant, un modèle de tendances a été développé pour prédire de façon indépendante la biomasse en solution et la biomasse agglomérée en biofilm. L’identification des paramètres du modèle a été réalisée à partir de données de démarrage d’un bioréacteur appartenant au Laboratoire de Biotechnologie de l’Environnement de l’INRA de Narbonne. Ce modèle a été utilisé pour déterminer le profil de commande optimal du taux de dilution et de la concentration d’alimentation en substrat à appliquer au système pour réduire le temps d’atteinte d’un rendement épuratoire pré-spécifié. Une étude sur la régulation du rendement épuratoire avec le taux de dilution a aussi été réalisée et montre un bon compromis entre un excellent taux d’épuration et une vitesse de démarrage intéressante.

Key words:

Modelling, Identification, Analytic Optimization, Pontryaguine Maximum Principle, Numerical Optimization, Control, Bioreactor, Methaniser, Anaerobic Digester, Biofilm, AM2

Abstract:

Today, anaerobic bioreactors are high-performance industrial facilities that are able to remove polluted wastewaters of the food-processing industries. Their capability to transform pollutant is interesting on an ecologic and energetic perspective, since biogases are deemed to be renewable energy sources. However, anaerobic digestion is often performed in a suboptimal manner, notably during the starting phases since biomass concentration transitory profiles are not correctly modelled. A tendency model has been developed on the basis of an existing dynamic model to predict independently bacteria in the solution and bacteria that are bound together in a biofilm. Model parameter identification has been performed using data obtained on the bioreactor of the Environmental Biotechnology Laboratory of the INRA of Narbonne. With this tendency model, optimal control profiles have been found, in terms of dilution rate and organic substrate inlet concentration. Applying this optimal profile to the system leads to a reducing of the time needed to reach a pre-specified yield. In addition, dilution rate was used to control the purification yield. This case study raised a good compromise between high purification rate and a significant final time reduction of the start-up phase.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Remerciements

Je souhaite exprimer ma reconnaissance à M. Grégory FRANCOIS qui m’a encadré durant ce stage. Les nombreuses connaissances scientifiques qu’il m’a apportées tout au long de ce projet ont fortement contribué à son bon déroulement.

Je remercie Mme Monique POLIT qui en acceptant ma candidature m’a permis de réaliser ce stage dans le laboratoire ELIAUS de l’Université de Perpignan.

Je remercie également M. Eric LATRILLE et Jean-Philippe STEYER de l’INRA pour leur collaboration scientifique à ce projet. Leurs compétences scientifiques, notamment en biologie et au niveau du bioréacteur ont été très utiles pour guider nos recherches.

Enfin je souhaite remercier tous les membres du laboratoire ELIAUS pour leur accueil chaleureux au cours de mon stage.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

Table des matières

1. Introduction

 

5

2. Présentation de l’entreprise

6

 

2.1

L’Université de Perpignan Via Domitia

6

2.1.1 Historique et présentation

6

2.1.2 Formations

6

2.1.3 International

6

2.1.4 Recherche

7

2.2

Laboratoire ELIAUS

7

2.2.1 Objectifs scientifiques

7

2.2.2 Orientation des recherches

7

2.2.3 Enseignement

8

2.3

Equipe COSMOS

8

2.3.1 Objectifs scientifiques

8

2.3.2 Procédés de dépollution des eaux usées

8

2.3.3 Energie solaire, habitat et production d’électricité

8

2.4

Laboratoire de Biotechnologie de l'Environnement de l’INRA de Narbonne

9

2.4.1 Objectifs scientifiques

9

2.4.2 Axes de recherche

9

3.

Cahier des charges

10

3.1 Etude bibliographique

10

3.2 Modélisation et Identification

10

3.3 Optimisation

10

3.3.1 Optimisation analytique

10

3.3.2 Optimisation numérique

11

4.

Développement du sujet de stage

12

4.1 Chronologie du travail effectué

12

4.2 Principes de fonctionnement et modélisation d’un bioréacteur méthaniseur

 

13

 

4.2.1 Etude du fonctionnement des biométhaniseurs

13

4.2.2 Modèles existants de bioréacteur

19

4.2.3 Positionnement du problème

23

4.3

Principes théoriques de l’optimisation

24

4.3.1 Problème d’optimisation dynamique

24

4.3.2 Algorithmes d’optimisation numérique

27

4.4

Application de l’optimisation au bioréacteur anaérobie de l’INRA

31

4.4.1 Amélioration de la modélisation

31

4.4.2 Identification des paramètres du modèle

35

4.4.3 Recherche de profils de commande optimaux

39

4.4.4 Régulation pour l’optimisation

45

4.5

Conclusion sur les résultats du projet

48

5. Conclusion générale du projet

49

6. Estimation financière : présentation d’un compte d’exploitation du projet

50

7. Bibliographie

51

8.

Annexes

52

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

1.

Introduction

Aujourd’hui, le retraitement des déchets, œuvrant pour la sauvegarde de l’environnement est devenu un des thèmes prioritaire à la fois pour l’écologie, la politique et l’industrie. L’eau, symbole de la vie par excellence, a été pendant des siècles utilisée sans considération. Elle a été utilisée, souillée, puis rejetée sans le souci de la gestion de la pollution occasionné dans le milieu naturel.

Cependant, des avancées importantes ont été réalisées, depuis le siècle dernier pour la dépollution de cette ressource naturelle essentielle. Après une utilisation inconsidérée pendant des siècles, une prise de conscience a favorisée l’essor des moyens de dépollution. Aujourd’hui dans de nombreux pays, les industries se doivent de respecter cette ressource. Son utilisation à des fins industrielles, par exemple, n’est alors permise que si l’entreprise qui l’utilise fait en sorte de la réintroduire dans l’environnement débarrassée des principaux polluants qui pourraient empoisonner les sols, les nappes phréatiques, les fleuves ou les océans. Pour cela des stations d’épurations, ou d’autres moyens de décontamination, ont été développés et sont actuellement utilisés. Cependant, il y a encore de nombreux progrès à faire dans ce domaine.

Ce projet s’intéresse à l’étude et à l’amélioration de l’un de ses moyens de dépollutions de l’eau usée, sous la forme d’un réacteur biologique à fonctionnement anaérobie (sans oxygène) qui dégrade les polluants présents dans les eaux. Ce procédé est connu depuis longtemps mais reste encore marginal, malgré le développement quasi-exponentiel du marché. Pourtant il présente des avantages certains par rapport aux procédés aérobies utilisés généralement dans les stations d’épuration. Ainsi, ce procédé permet de fabriquer du biogaz qui peut être récupéré et valorisé pour faire de l’énergie et entre de fait dans la catégorie des installations productrices d’énergies renouvelables. Il permet en outre d’atteindre un taux d’épuration très important et rejette beaucoup moins de boues non biodégradables. Ce procédé biologique est aujourd’hui utilisé principalement par les industries agro-alimentaires telles que les laiteries, les brasseries, les producteurs de vin…

L’objectif principal de ce projet consistait à améliorer la modélisation mathématique de ce type de bioréacteurs ainsi que de déterminer les profils d’alimentation optimaux qui permettent d’amener le plus rapidement possible ce processus de dégradation biologique à son rendement maximal, et de l’y stabiliser, tout en respectant des contraintes d’utilisation. L’idée est de pouvoir démarrer plus rapidement et plus efficacement les bioréacteurs et donc d’améliorer le traitement des eaux usées pendant la phase de démarrage, tout en réduisant les coûts d’exploitation.

Ce stage s’est déroulé au laboratoire ELIAUS de l’Université de Perpignan en collaboration avec le Laboratoire de Biotechnologie et de l’Environnement (LBE) de l’INRA de Narbonne, ce dernier détenant un de ces réacteurs biologiques préindustriel. A partir des données de celui-ci, il a été possible d’effectuer les travaux de modélisation, d’identification, d’optimisation et de régulation.

Ce document présente en premier lieu l’Université de Perpignan et plus particulièrement l’activité du laboratoire ELIAUS. Ensuite, en seconde partie sont abordés la théorie de l’optimisation à travers le principe du maximum de Pontryaguine, et les algorithmes d’optimisation numérique utilisés. La troisième partie définit les problèmes à résoudre et présente les résultats numériques obtenus au niveau de la modélisation, de l’optimisation de la commande et de la régulation dans le cas d’un bioréacteur anaérobie.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

2. Présentation de l’entreprise

2.1 L’Université de Perpignan Via Domitia

2.1.1 Historique et présentation

L’Université de Perpignan a été fondée voilà plus de 650 ans par l’état Catalano-Aragonais pour concurrencer l’Université de Montpellier. C’est en effet, le 20 mars 1350 que Pierre IV le cérémonieux roi d’Aragon, fonde la 1ère Université de Perpignan. Dès la fin du XIVème siècle, l’Université de Perpignan Via Domitia (UPVD) devient l’une des 25 plus grandes universités au monde et se caractérise par sa pluridisciplinarité, qui subsiste encore aujourd’hui. Oubliée par le décret de Napoléon au XIXème siècle, elle ne sera réhabilitée que dans les années 1950 et obtiendra son indépendance financière, administrative et pédagogique en 1979. Actuellement, l’Université de Perpignan accueille chaque année environ dix mille étudiants dont plus de trois mille étrangers.

2.1.2 Formations

L’UPVD est une université pluridisciplinaire dont les formations s’articulent autours de quatre grands pôles de formation et de recherche qui sont :

- Sciences et technologies

- Droit

- Sciences de l’homme et Humanités

- Economie et management

Chacun de ses pôles de formation propose plusieurs mentions.

Ces domaines sont au centre des formations des cinq facultés et des trois instituts de l’université.

- La Faculté Lettres et Sciences Humaines (LSH)

- La Faculté Sciences Juridiques et Economiques (SJE)

- La Faculté Internationale de Droit Comparé des Etats Francophones (FIDCEF)

- La Faculté Sports, Tourisme, Hôtellerie Internationale (STHI)

- La Faculté Sciences Exactes et expérimentales (SEE)

- L’Institut Universitaire de Technologie (IUT)

- L’Institut d’Administration des Entreprises (IAE)

- L’Institut Franco Catalan Transfrontalier (IFCT)

Les diplômes délivrés par l’UPVD sont conformes à l’organisation européenne des études, qui veut que les diplômes respectent 3 paliers différents : Licence, Master et Doctorat, en vue d’une

harmonisation internationale.

aux étudiants de s’orienter soit vers un parcours

professionnel, soit vers la recherche. De nombreuses collaborations existent avec des entreprises, des universités étrangères ou des laboratoires de recherche, notamment pour les écoles doctorales.

Les

formations

proposées

permettent

2.1.3 International

L’Université de Perpignan est résolument tournée vers l’international. Elle soutient une politique de mobilité et d’accueil puisqu’environ un tiers des étudiants scolarisés sont étrangers. Ceux-ci sont originaires de 64 pays différents. Les étudiants ne sont pas les seuls concernés car l’UPVD participe à des échanges de chercheurs, de formateurs, de responsables administratifs dans le cadre de séjours d’étude, de recherche, d’enseignement ou de formation. L’UPVD possède un service interne, le Service Universitaire des Relations Internationales (SURI) qui s’occupe de promouvoir et de développer les actions en directions des étudiants étrangers, de développer et de coordonner les actions internationales, et de gérer les accords de coopération interuniversitaires et les formations délocalisées à l’étranger.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

2.1.4 Recherche

l’UPVD,

susmentionnés précédemment.

Laboratoire de recherche

L’UPVD compte actuellement plus de 300 chercheurs répartis dans 12 laboratoires de recherche dont 9 dans le domaine des sciences et technologies. Il y a en outre des unités de recherche en collaboration avec le CNRS (Centre National de la Recherche Scientifique) et avec l’IRD (Institut de Recherche pour le Développement).

Ecoles doctorales

La formation doctorale est assurée par deux écoles doctorales au sein de l’UPVD, l’école doctorale des Lettres et Sciences Humaines et l’école doctorale Energie et Environnement.

Pôles de compétitivité

L’UPVD est membre de deux pôles de compétitivité en région Languedoc Roussillon. Un pôle de compétitivité correspond à un partenariat, dans un espace géographique donné, entre des entreprises, des centres de formation et des unités de recherche publiques ou privées engagés dans une synergie autour de projets communs au caractère innovant. L’UPVD fait donc partie du pôle de compétitivité DERBI (Développement des Energies Renouvelables dans le Bâtiment et l’Industrie) et Q@limed (Systèmes agroalimentaires durables et qualités de vie en Méditerranée).

2.2 Laboratoire ELIAUS

Le laboratoire ELIAUS (ELectronique, Informatique, AUtomatique et Systèmes) est le laboratoire de l’UPVD dans lequel j’ai effectué mon Projet de Fin d’Etudes.

2.2.1 Objectifs scientifiques

Le laboratoire travaille sur des activités de recherche fondamentales et technologiques en relation avec le milieu industriel. Le laboratoire est très souvent impliqué au sein du pôle de compétitivité DERBI.

2.2.2 Orientation des recherches

Durant mon stage, trente trois personnes étaient présentes dans le laboratoire, dont seize enseignants chercheurs, un professeur détaché du CNRS, un technicien, une secrétaire, cinq doctorants et dix stagiaires.

La

recherche

scientifique

s’articule

autours

des

quatre

domaines

principaux

de

Le laboratoire ELIAUS s’articule autours de 3 équipes de recherches :

- L’équipe COSMOS (COntrôle Supervision MOdèle Systèmes)

Cette équipe mène des travaux de recherche sur les sujets suivants :

o

Procédés de dépollution des eaux usés

o

Energie solaire, habitat et production d’électricité

- L’équipe

EPROM

Composants)

(Estimation

des

PROpriétés

des

Matériaux,

Caractérisation

de

Les principaux axes de recherche de l’équipe EPROM sont les suivants :

o

Caractérisation physique et thermique de matériaux multicouches

o

Matériaux de hautes performances thermoélectriques, micro-capteurs

o

Composants et micro composants pour la microélectronique

o

L’atmosphère et ses polluants

- L’équipe DALI (Fiabilité numérique et haute performance informatique) Les quatre thèmes de recherche sont :

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

o

Augmenter le degré super scalaire des processeurs

o

Exploiter les architectures émergentes hautes performances

o

Améliorer la précision des calculs

o

Certifier les outils et les applications

2.2.3 Enseignement

Les permanents du laboratoire participent aux enseignements de l’Université dans la filière scientifique. Les filières suivantes sont sous la responsabilité du laboratoire :

- Master Informatique Automatique

- Licence EEA (Electronique, Electrotechnique Automatique)

- Licence Sciences Physiques

- Diplôme Accès Etudes Universitaire (Diplôme qui permet une fois validé aux personnes qui n’ont pas passé le baccalauréat de pouvoir poursuivre leurs études à l’université)

- Licence Pluridisciplinaire Scientifique L3

2.3 Equipe COSMOS

Mon sujet de stage traitant d’automatique et d’optimisation, j’ai effectué celui-ci au sein de l’équipe COSMOS.

2.3.1 Objectifs scientifiques

Les thèmes de travail de cette équipe de recherche sont orientés vers l’énergie et le développement durable, d’un point de vue automatique, c'est-à-dire, la modélisation, le contrôle, l’optimisation, la supervision, et la prédiction appliqués aux procédés environnementaux. Les chercheurs de l’équipe COSMOS interviennent plus précisément dans deux domaines principaux, les procédés de dépollution des eaux usés ainsi que l’énergie solaire, l’habitat et la production d’électricité.

2.3.2 Procédés de dépollution des eaux usées

Cette thématique de recherche propose de modéliser, de contrôler et de superviser des procédés de dépollution d’eaux usées. Les procédés de dépollutions étudiés sont des procédés biochimiques difficiles à modéliser car ils sont complexes, non linéaires et non stationnaires. Les modèles développés par les biologistes sont souvent composés d’un nombre trop élevé d’équations différentielles et algébriques pour pouvoir les utiliser à des fins de contrôle. Les chercheurs de l’équipe COSMOS utilisent très souvent les réseaux de neurones et la logique floue pour modéliser et contrôler ces types de procédés. Les principaux facteurs influents de ces procédés sont le débit gazeux en entrée, le débit d’entrée de l’effluent industriel à traiter, et la DCO (Demande Chimique en Oxygène) qui traduit le taux de pollution. Un des travaux effectués a permis de faire de l’estimation de paramètres biochimiques qui se révèlent être très difficiles à mesurer. Ces recherches d’estimation de paramètres et de diagnostique de capteurs ont par exemple été appliquées sur des stations d’épuration comme celle de Saint-Cyprien. Des travaux utilisant le clustering et l’analyse en composante principale ont permis d’optimiser les paramètres de modélisation, d’améliorer la robustesse et les prédictions. Des commandes mixtes par logiques floue et adaptatives ont aussi été développées pour contrôler les procédés de dépollution. Ces travaux ont nécessité un travail de coopération avec des laboratoires de recherche, notamment avec le LAAS de Toulouse, l’Université de Gérone, l’Université Polytechnique de Catalogne.

2.3.3 Energie solaire, habitat et production d’électricité

Cet axe de recherche, basé sur la modélisation prévisionnelle de consommations énergétiques à partir de prévisions météorologiques, se traduit très souvent par la réalisation de projets labellisés par le pôle de compétitivité DERBI. Le travail porte sur l’optimisation de l’utilisation d’installations à énergies renouvelables. En fait, l’objectif est de faire de la prédiction météorologique sur quelques jours pour savoir quelle quantité

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

d’énergie sera fournie par les installations à énergies renouvelables et optimiser leur utilisation avec les installations énergétiques classiques de type gaz ou fioul. Une bonne gestion de l’utilisation des énergies renouvelables permet d’éviter de déclencher les installations électriques à énergies classiques quand ce n’est pas nécessaire. La prédiction météorologique est faîte grâce à des traitements d’images satellites, des capteurs provenant de stations météorologiques proches et de données Internet. En plus de la prédiction météorologique, le travail porte aussi sur la prédiction de la consommation électrique qui varie en fonction des saisons, des jours de la semaine, des heures de la journée. Pour prédire cette consommation en fonction des données passées, la logique floue, les réseaux de neurones et les statistiques sont très souvent utilisés.

Laboratoire de Biotechnologie de l'Environnement de l’INRA de Narbonne

2.4.1 Objectifs scientifiques

Le laboratoire de Biotechnologie de l’Environnement (LBE) est un laboratoire de l’INRA (Institut National de Recherche Agronomique). L’objectif scientifique de l’INRA de Narbonne consiste à mobiliser des sciences du vivant et des sciences pour l'ingénieur en vue d'explorer et d'exploiter le potentiel biochimique des microorganismes pour la protection des ressources physiques que sont l'eau, le sol et l'atmosphère.

2.4.2 Axes de recherche

Les principaux axes de recherche du LBE sont les suivants :

2.4

- La digestion anaérobie

- L’écologie microbienne des procédés de dépollution

- Les composés minoritaires des matrices

- Les biofilms et les flocs en réacteur

- La matière bioréfractaire solide ou soluble

Le LBE comporte 3 équipes de recherche :

L'équipe Ecologie Microbienne étudie la microbiologie des procédés de dépollution sous deux aspects, le rôle de la microflore sur les procédés (rendement, stabilité, résilience) et l'impact de cette microflore lors de son rejet dans l'environnement (survie de micro-organismes indésirables) L'équipe Transfert Technologique a une double mission. D'une part assurer l'interface entre les équipes de recherche du LBE et le milieu industriel (transposition au stade préindustriel de résultats de recherche) et d'autre part, répondre à des demandes en recherche appliquée ou en développement, provenant des acteurs économiques. L'équipe Ingénierie des Procédés regroupe des compétences en génie microbiologique, génie des procédés et automatique. Elle met en œuvre et optimise sous l'angle cinétique des réactions microbiennes afin de développer sous contraintes économiques et environnementales des bioprocédés de traitement des effluents et des résidus organiques solides. Ces bioprocédés peuvent être couplés à des traitements physicochimiques dans le but d'améliorer les performances du traitement biologique. L'optimisation des procédés étudiés passe par la connaissance de l'hydrodynamique et des transferts de matière dans les réacteurs, en particulier dans le cas des procédés intensifs à biomasse fixée (biofilm). Il est alors possible, en s'appuyant sur des modèles, d'optimiser les performances et/ou garantir la stabilité des bioprocédés de traitement, en se basant sur le développement de nouveaux capteurs en ligne, la mise en œuvre de lois de commande et de stratégies de supervision.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

3. Cahier des charges

Le LBE de l’INRA a déjà travaillé expérimentalement sur la diminution du temps de montée en charge des digesteurs anaérobies. Des résultats intéressants d’un point de vue pratique ont été obtenus. L’objectif principal de ce projet était de développer les outils de base (un modèle de tendances fiable, et des premiers résultats de contrôle optimal sur le modèle) permettant d’envisager de déterminer de façon théorique ou numérique la meilleure façon de démarrer un digesteur anaérobie à lit fixe, tel qu’utilisé au LBE.

3.1 Etude bibliographique

Travail à effectuer :

Le premier objectif de ce projet est de procéder à un état de l’art en ce qui concerne la modélisation des réacteurs biologiques anaérobies qui sont utilisés pour la dépollution des eaux usées et qui produisent du biogaz, essentiellement du méthane. Le travail consiste à consulter tous les articles et publications scientifiques sur le sujet et à rédiger une synthèse bibliographique pour choisir le type de modèle à utiliser pour la suite du projet.

Délivrables :

- Un document rédigé synthétisant les différents modèles de bioréacteurs méthaniseur à digestion anaérobie développés à ce jour.

- Un choix de modèle à partir de la synthèse bibliographique

3.2 Modélisation et Identification

Travail à effectuer

A partir de la synthèse bibliographique et des données expérimentales disponibles à l’INRA, un

modèle dynamique du procédé doit être développé, sous la forme d’un système algébro-différentiel d’ordre modéré, permettant d’effectuer efficacement des études de commande et d’optimisation, avec les outils usuels (Matlab). L’identification des paramètres se fait par optimisation numérique avec Matlab (minimisation de la distance entre les états simulés et les données expérimentales).

Délivrables

- Un ou plusieurs modèles de tendance.

- Des fichiers de simulation Matlab permettant de simuler le modèle de méthaniseur choisi et d’identifier les paramètres du modèle.

3.3 Optimisation

Le travail d’optimisation peut se décomposer en deux étapes : une étude analytique, avec les outils de la géométrie différentielle (crochets de Lie) sur un modèle générique pour étudier la présence d’arcs singuliers (cf. définition [4.3.1.3]), et une étude numérique, avec les outils d’optimisation de Matlab, visant à déterminer le profil de commande optimal d’un modèle ajusté sur les données expérimentales.

3.3.1 Optimisation analytique

Travail à effectuer

A partir du modèle choisi à la suite de la synthèse bibliographique, le travail consiste à calculer les

arcs singuliers du modèle. Les calculs doivent être vérifiés avec Matlab en utilisant la toolbox

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

symbolique. Si les résultats sont assez simples ils pourront être exploités lors de l’optimisation numérique.

Délivrables

- des fichiers de calculs symboliques Matlab permettant de faire le calcul analytique des arcs singuliers du modèle selon le type de commande utilisé pour contrôler le système.

- des documents rédigés faisant état des résultats des calculs analytiques d’arcs singuliers et concluant à l’existence ou non d’arcs singuliers (selon le type de commande utilisé) et à leurs potentielles utilisations lors de l’optimisation numérique selon leur complexité

3.3.2 Optimisation numérique

Travail à effectuer

Le travail consiste à définir un problème d’optimisation sous contraintes à résoudre. Pour cela, un travail de bibliographie doit permettre de savoir quel genre de problème d’optimisation a été majoritairement étudié concernant les bioréacteurs et quel formalisme mathématique a été utilisé. Ensuite il faut prédéfinir des structures de commande à appliquer et utiliser des algorithmes d’optimisation numérique qui permettront de déterminer les paramètres optimaux. Enfin un travail de régulation sera envisagé selon les résultats obtenus avec les profils optimaux de commande.

Délivrables

- un document de synthèse bibliographique sur l’état de l’art en ce qui concerne la définition des problèmes d’optimisation pour les bioréacteurs.

- un document définissant le problème d’optimisation choisit et les structures de commande choisies, ainsi que les résultats numériques obtenus.

- un document détaillant le type de régulation choisi et les résultats numériques obtenus.

- un document comparant les résultats obtenus entre les profils : expérimental, optimal en boucle ouverte et régulé.

- des fichiers de Simulation Matlab permettant de déterminer le profil de commande optimal (instants de commutation entre les différents profils de commande et amplitudes des commandes)

- des fichiers de simulation Matlab avec des correcteurs permettant de réguler le système

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

4. Développement du sujet de stage

4.1 Chronologie du travail effectué

Mon travail a débuté par une étude bibliographique sur la modélisation des méthaniseurs par

digestion anaérobie. Cette étude a permis de choisir un modèle de tendance pour modéliser le bioréacteur de l’INRA.

A partir de ce modèle un travail d’optimisation analytique a permis de prouver l’existence de

profils optimaux de commande pour le démarrage de ce bioréacteur.

Le projet s’est poursuivit par trois itérations d’un travail en cinq étapes successives :

- Une amélioration de la modélisation existante,

- Une identification des paramètres du nouveau modèle avec un jeu de données expérimentales à partir des mesures effectuées sur le bioréacteur de l’INRA

- Une recherche de profils optimaux de commande pour accélérer le démarrage du bioréacteur

- Une synthèse simple de correcteur pour contrôler le démarrage du bioréacteur.

- Une comparaison des résultats obtenus

A chacune de ces itérations le modèle a été modifié en vue de l’améliorer. Les résultats de

modélisation, d’identification, d’optimisation, et de régulation présentés dans le rapport sont les

meilleurs qui ont été obtenus lors de la dernière itération. Tout au long du projet, les biologistes de l’INRA ont été présents pour nous fournir des données, nous guider dans nos recherches et analyser les résultats qui ont été obtenus.

Janvier

Février

Mars

Avril

Mai

Juin

Etude bibliographique sur les bioréacteurs anaérobies

 

Modélisation numérique

Etude bibliographique sur l’optimisation analytique

Recherche des arcs singuliers du système

Travail de modélisation et d’identification

Travail d’optimisation numérique

Réunion à l’INRA et présentation des résultats

Amélioration de la Modélisation, Identification

Rédaction

Optimisation numérique, Régulation

Rapport

Projet de

 

Amélioration de la Modélisation, Identification

Fin

d’Etudes

Optimisation numérique, Régulation

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

4.2 Principes de fonctionnement et bioréacteur méthaniseur anaérobie.

Les deux parties suivantes présentent ce qu’est un bioréacteur à digestion anaérobie, quel est son fonctionnement biochimique et quelles sont les manières de modéliser mathématiquement ce genre de procédé.

d’un

modélisation

4.2.1 Etude du fonctionnement des biométhaniseurs

L’état de l’art sur les bioréacteurs méthaniseurs anaérobies m’a permis de découvrir le fonctionnement de ces réacteurs et les modèles mathématiques existants. Dans cette partie sera détaillé le fonctionnement biochimique de ce genre de réacteur. Les modèles associés seront abordés dans la partie suivante qui traite de la modélisation.

4.2.1.1 Le bioréacteur

4.2.1.1.1 Qu’est-ce qu’un bioréacteur ?

Un bioréacteur, ou réacteur biologique est un contenant dans lequel un substrat, généralement des déchets organiques solubilisés dans l’eau, sont réduits puis digérés par des organismes vivants, par exemple des bactéries. [1]

Le bioréacteur permet donc de dépolluer différents types de déchets, tels que les eaux usées, les excréments animaux, etc. En sortie du réacteur on obtient une eau plus ou moins dépolluée, selon le choix des conditions opératoires, et pour nombre de bioréacteurs, du biogaz (méthane, dioxyde de carbone) issu de la décomposition organique peut être récupéré et utilisé à des fins énergétiques pour produire de l’électricité par exemple.

Il existe d’autres moyens bactériens utilisés pour la dépollution des eaux usées comme par exemple les procédés de dépollution aérobies majoritairement mis en œuvre dans les stations d’épuration. Cependant, la digestion anaérobie présente de nombreux avantages par rapport à la digestion aérobie [2] :

- Le volume de boues non biodégradables produites est réduit d’un facteur cinq à dix.

- La quantité de composants volatils est fortement réduite.

- Le procédé induit une production de méthane gazeux (75% du biogaz) pouvant être récupéré et valorisé.

- Le coût de production est plus faible car il est inutile d’oxygéner le système en mettant en marche des machines pour aérer la solution.

- Ce procédé permet de faire des traitements de charges organiques élevées (jusqu’à 80kg de DCO par mètre cube de réacteur et par jour).

- Le taux d’épuration très élevé est de l’ordre de 80 à 98%.

- Ce procédé peut traiter des effluents à teneurs limités en azote et en phosphore.

Cependant certains inconvénients sont à considérer :

- La vitesse de croissance des bactéries est faible ce qui induit que les cinétiques d’épuration sont lentes et que les périodes de démarrage des bioréacteurs peuvent être longues.

- Les populations bactériennes sont sensibles aux perturbations (oxygène, métaux lourds) et aux surcharges organiques ce qui peut rendre le procédé instable

- Le traitement à l’heure actuelle se révèle parfois insuffisant. Il y a donc nécessité de traiter l’effluent de sortie avant le rejet dans la nature, pour éliminer le reste de carbone, de l’azote et du phosphore.

Mais globalement, les avantages des digesteurs anaérobies l’emportent sur les inconvénients, ce qui explique le développement exponentiel du marché des digesteurs anaérobies au cours des trente dernières années.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

4.2.1.1.2 Le bioréacteur méthaniseur anaérobie de l’INRA de Narbonne

Le bioréacteur sur lequel portait mon stage est un bioréacteur de l’INRA de Narbonne dont le synoptique de fonctionnement est présenté en annexe 8.[A.1.], tiré de [3]. Il s’agit d’un bioréacteur bactérien en ce sens qu’il s’agit d’une cuve de plusieurs centaines de litres ensemencée avec plusieurs espèces de bactéries. La cuve est alimentée de façon continue en eaux usées, de type vinasse de vin, effluents de laiterie…, qui doivent être dépolluées. Les bactéries se nourrissent du substrat organique présent dans ces effluents et l’utilisent dans leur métabolisme pour croître et se reproduire. Elles rejettent du biogaz, principalement du méthane, qui est récupéré, et un peu de dioxyde de carbone. Cette génération de méthane gazeux justifie la dénomination de « méthaniseur ». Toutes ces réactions biochimiques entre les bactéries et le substrat se font dans un milieu sans oxygène, d’où la dénomination « anaérobie ». La digestion anaérobie fait intervenir différentes étapes physico- chimiques et biochimiques. Ce bioréacteur est dit à « lit fixe » car les bactéries sont agglutinées en un biofilm (voir partie suivante) sur des supports prévus à cet effet 8.[A.2.] dans le bioréacteur comme on peut le voir sur la photo 8.[A.3.] qui a été obtenue après 54 jours d’utilisation du bioréacteur. Il existe différents types de bioréacteur à lit fixe. Le flux de la solution entrante peut être ascendant, ou descendant comme le présente la figure 8.[A.4.] . On peut voir sur la photo 8.[A.5.] des bactéries prélevées sur le biofilm du support.

4.2.1.1.3 Les biofilms

On a vu que les bactéries se développées principalement sous la forme d’un biofilm dans les réacteurs à lit fixe. Comme il a été dit, un biofilm est un agglomérat de bactéries attachées sur un support.

Création du biofilm

Le processus de création du biofilm consiste en une succession de cinq étapes 8.[A.6.] :

A) Le conditionnement

Lorsque le support solide est immergé, ses surfaces s’ionisent et attirent les macromolécules organiques (le substrat organique), qui sont présentes en phase liquide. Ainsi, les surfaces du support se recouvrent de substrat.

B) Le transport

Sous

différents

effets

hydrodynamiques

(convection,

bactéries entrent en contact avec les surfaces du support.

C) L’adhésion réversible

écoulement…)

et

gravitationnels

les

En raison de forces d’attraction chimiques et électrostatiques présentes entre les bactéries et les surfaces du support, les bactéries se fixent au support. Celles-ci possèdent également des protubérances en forme de bras leur permettant de s’approcher au plus près de la surface du support. Ces bras permettent de passer au travers du champ de répulsion qui se crée entre une surface plane et un corps sphérique à l’échelle microscopique.

D) La co-adhésion co-agrégation

Les cellules qui ont adhéré au support se nourrissent du substrat et secrètent une substance polysaccharidique leur permettant d’adhérer de façon irréversible au support. C’est ce qu’on appelle le bio-attachement. Une fois que la première couche de cellule a recouvert le support, de nouvelles cellules se développent et adhèrent à leur tour à la première couche. C’est cette co-adhésion qui crée un biofilm.

E) L’ancrage irréversible

Une fois que l’étape précédente a débuté et pour peu que l’adhésion soit suffisamment forte, l’ancrage des cellules est irréversible.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

Une fois les cellules attachées, elles se développent et augmentent la taille du biofilm. Le biofilm organisé en réseaux permet aux cellules de croître dans un environnement optimal. Le substrat se diffuse à l’intérieur de ce réseau pour nourrir toutes les cellules. Cette croissance du biofilm s’effectue cependant jusqu’à un maximum qui est limité par l’accès au substrat des cellules situées dans les niveaux inférieurs du biofilm car au fur et à mesure de la croissance du biofilm, les molécules de substrat ont plus de difficultés à diffuser à l’intérieur du biofilm. Ainsi, la concentration en substrat diminue dans les couches basses du biofilm.

Le détachement

Les cellules qui forment le biofilm peuvent s’en détacher à cause de trois phénomènes différents.

A) L’érosion

L’érosion peut être à l’origine du détachement des bactéries. En effet, les conditions dynamiques du fluide entraînent des forces de cisaillement sur la surface du biofilm ce qui peut détacher la partie supérieure du biofilm. De plus dans un réacteur à lit fixe, l’augmentation de la taille du biofilm réduit le volume du réacteur ce qui, à débit volumique constant, augmente la vitesse d’écoulement du fluide et favorise le détachement.

B) La mue

La mue, où détachement massif du biofilm apparaît lorsque le réacteur est soumit à des changements de conditions défavorables telles la surcharge organique où la présence de toxines dans le fluide. Une grosse partie du biofilm peut alors se détacher et être lessivée.

C) La colonisation

Par ailleurs, lorsque la taille du biofilm atteint un maximum critique qui ne permet plus d’alimenter en substrat de nouvelles bactéries, celles-ci ne restent pas dans le biofilm mais rejoignent la solution pour aller coloniser de nouveaux emplacements favorables à la création d’un biofilm.

4.2.1.1.4 Fonctionnement biochimique d’un méthaniseur par digestion anaérobie

Les étapes biochimiques font intervenir de nombreuses espèces de bactéries, jusqu’à plusieurs centaines selon le type d’effluent. Il existe différents groupes de bactéries qui participent à des réactions biochimiques ciblées. Le modèle 8.[A.7.] inspiré du modèle de Zeikus (1980) schématise les différentes étapes biochimiques impliquées dans le processus anaérobie.

La désagrégation

La toute première étape, la désagrégation est une étape physico-chimique principalement non biologique. Les particules composites du substrat sont décomposées en particules inertes qui sont des particules de composés carbonés, des lipides et des protéines. Les déchets de cette réaction sont des particules inertes qui ne sont donc pas biodégradables et donc non traitables par la digestion anaérobie.

L’hydrolyse

L’étape d’hydrolyse est une étape enzymatique extracellulaire dans laquelle les macromolécules issues de l’étape de désagrégation sont réduites en monomères de la façon suivante :

- Les polysaccharides sont transformés en monosaccharides

- les lipides sont transformés en longues chaînes d’acides gras

- les protéines sont transformées en acides aminés

- les acides nucléiques sont transformés en bases azotées

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

L’acidogénèse

Lors de cette étape, les produits de l’hydrolyse sont absorbés par des bactéries fermentaires qui métabolisent les monomères pour produire des acides gras volatils (AGV) (acétate, propionate,

butyrate, isobutyrate, valérate et isovalérate), des alcools, du sulfure de dihydrogène, ( ) –

2

H

S

CO

responsable de l’odeur caractéristique des méthaniseurs, du dioxyde de carbone ( ), et de

2

H

l’hydrogène ( ) Ainsi, on obtient des produits fermentés simplifiés. Notons que cette étape est très

2

rapide et que les bactéries y participant ont un temps de duplication très court par rapport aux autres étapes et aux taux de duplications des autres populations de bactéries. Ainsi, il peut y avoir une accumulation de ces produits intermédiaires de digestion anaérobie qui peut déstabiliser et arrêter les autres étapes à cause du pouvoir inhibiteur d’une trop grande concentration de ces éléments.

L’acétogénèse

Lors de cette étape, les produits issus de l’acidogénèse sont transformés par les bactéries acétogènes en acétate, en dioxyde de carbone, et en hydrogène. Le temps de dédoublement de ces bactéries est beaucoup plus long que ceux de l’acidogénèse. On distingue 2 groupes de bactéries qui participent à cette étape :

1. Les premières sont les bactéries productrices obligées d’hydrogène qui produisent de l’acétate, de l’hydrogène et du gaz carbonique à partir des produits de l’acidogénèse. Leur fonctionnement est défavorable d’un point de vue thermodynamique (consommation d’énergie) avec une pression d’hydrogène trop importante. Ainsi l’accumulation d’hydrogène peut conduire à l’arrêt de l’acétogénèse, ce qui implique que ce groupe de bactérie doit être associé à un groupe consommateur d’hydrogène.

Ci-dessous, les réactions chimiques mises en jeu lors de la dégradation :

-

-

-

De l’éthanol :

Du propionate :

Du butyrate :

CH CH OH + H O CH COO

3

2

2

3

CH

+

2

H

2

+ H

+

CH CH OO + 2H O CH COO + 3H + CO

3

2

2

3

2

2

3

(

CH

2

)

2

COO

+

2

H

2

O

2

CH COO

3

+

2

H

2

+ H

+

2.

Les secondes produisent principalement de l’acétate à partir de l’hydrogène et du dioxyde de carbone comme le montre la réaction chimique suivante :

2

HCO

3

+ 4

H

2

+

H

+

La méthanogénèse

CH COO

3

+ 4

H

2

O

Lors de cette étape, les produits des réactions précédentes, principalement l’acétate, le formate, le dioxyde de carbone et l’hydrogène, sont convertis en méthane par les bactéries dites méthanogènes. Leur temps de dédoublement est un peu plus rapide que les populations de bactéries acétogènes. Deux familles principales de bactéries méthanogènes existent :

1. La première population comprend les méthanogènes hydrogénophiles qui produisent du méthane à partir d’hydrogène :

- et de dioxyde de carbone :

- et de formate : HCOO

Ces bactéries permettent donc à l’acétogénèse de se dérouler correctement en utilisant l’hydrogène qui en trop grande quantité peut inhiber l’acétogénèse.

+

H

2

+

HCO

3

H

+

+ 3

H

2

+

4

H

CH

4

+

+ 2

CH

4

H

2

O

+ 3

H

2

O

2. La deuxième population comprend les méthanogènes acétoclastes qui produisent le méthane à partir d’acide acétique, de méthanol, et de méthylamine. On rencontre principalement deux types de bactéries méthanogènes acétoclastes dans les digesteurs anaérobies, les premières utilisent uniquement l’acétate pour produire le méthane alors que les secondes peuvent utiliser

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

l’acétate, le dioxyde de carbone, l’hydrogène, le méthanol, et les méthylamines comme substrat pour produire le méthane. La réaction suivante montre la conversion de l’acétate en méthane et en dioxyde de carbone :

CH COO

3

+ H

+

CH

4

+ CO

2

La sulfato-réduction

En marge de la digestion anaérobie, conduisant à la production de méthane et qui est intéressante en terme de traitement des eaux polluées, une autre population de bactérie est présente dans les digesteurs anaérobies. Cette population bactérienne réduit différents types de molécules sulfatées, le

. Cette population

sulfate ( )

bactérienne sulfato-réductrice (BSR) intervient au stade terminal de la dégradation anaérobie, tout

comme les méthanogènes. L’acide sulfurique (H

inhibiteur sur les méthanogènes, soit de manière directe, soit en faisant précipiter les métaux essentiels nécessaires à la méthanogénèse. Deux comportements de bactéries sulfato-réductrices peuvent être identifiés :

Le premier groupe utilise le lactate afin de l’oxyder en acétate et en dioxyde de carbone. Ce groupe peut en outre utiliser certains produits de la première étape de fermentation tels que l’éthanol, le fumarate, le malate, le pyruvate…

S) produit par cette réaction possède un effet

,

le sulfite (

et le thiosulfate (

S

2

2

)

en sulfure (

S

2

)

SO

4

2

SO

3

2

) ,

O

2

3

Le deuxième groupe utilise l’acétate, des acides gras à longues chaînes, certains composés aromatiques, et certains des substrats utilisés par le premier groupe, qu’il oxyde entièrement jusqu’à l’obtention de dioxyde de carbone.

Les principales réactions chimiques des bactéries sulfato-réductrices sont données ci-dessous :

- Oxydation de l’acétate :

CH COO

3

+ SO

2

4

2

HCO

3

+ HS

- Oxydation de l’éthanol :

CH CH OH

3

2

+

1 2
1
2

SO

2

4

- Oxydation du propionate :

CH CH COOH +

3

2

3 4
3
4

SO

2

4

CH COO

3

+

CH COO

3

1 HS 2 − + 3 4
1
HS
2
+
3
4

+

HS

+ 1 H 2 − + 1 4
+
1
H
2
+
1
4

+

H

- Oxydation du butyrate :

CH CH CH COOH +

3

2

2

1 2
1
2

SO

2

4

2 CH COOH +

3

1 2
1
2

HS

- Oxydation de l’hydrogène :

4

H

2

+

SO

2

4

+

H

+

HS

+ 4

H

2

- Oxydation du thiosulfate :

S O

4

3

+

H O

2

2

3

+

H

+

2

SO

SO

2

4

3

SO

2

4

+

HS

+

HS

+

H

O

+

H 2 O + + 1 H 2
H
2 O
+
+
1
H
2

+

Le principal problème est la compétition qui s’opère entre les bactéries méthanogènes et les bactéries sulfato-réductrices, car ces dernières possèdent un meilleur taux de croissance et une limitation de leur croissance plus faible. Ainsi, les composés carbonés utiles à la méthanogénèse sont détournés au profit de la sulfato-réduction. En effet, les bactéries sulfato-réductrices, dans un milieu non limitant en terme de sulfate, utilisent l’hydrogène, l’acétate, le dioxyde de carbone, nécessaires à la méthanogénèse. En l’absence de sulfate, ces bactéries utilisent des acides organiques (lactate, pyruvate, formate, malate), des acides gras volatils (acétate), et des alcools (éthanol, propanol, méthanol, butanol). Dans ce cas, certaines populations peuvent échanger de l’hydrogène avec des bactéries méthanogènes. Dans le cas où le sulfate est présent mais dans un aspect limitant, les bactéries sulfato-réductrices peuvent oxyder le propionate, en syntrophie avec les bactéries méthanogènes. Cependant dans un biofilm les bactéries sulfato-réductrices sont désavantagées en raison de moins bonnes propriétés d’agrégation.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Par ailleurs si le rapport entre la charge organique et la charge en sulfate est faible la méthanogénèse devient quasiment inexistante par rapport à la sulfato-réduction. Le schéma 8.[A.8.] permet de voir à partir de quel rapport la méthanogénèse prédomine sur la sulfato- réduction.

4.2.1.1.5 Conditions physico-chimiques

Pour comprendre les processus de la digestion anaérobie il tenir compte de l’influence des conditions physico-chimiques suivantes :

Présence d’accepteurs d’électrons

Potentiels redox

Température

pH

Concentration en nutriments.

Accepteurs d’électrons

Le tableau 8.[A.9.] permet de voir les accepteurs d’électrons utiles aux processus de digestion anaérobie. Il apparaît qu’il y a d’abord une étape de dénitrification, puis de sulfato-réduction (avec la réduction du sulfate en sulfure), puis enfin la méthanogénèse, rendue possible par la réduction du dioxyde de carbone en méthane.

Potentiel redox

On voit sur le tableau redox 8.[A.10.] que les bactéries méthanogènes ne peuvent se développer convenablement en milieu anaérobie que pour des potentiels redox très bas au alentour de -400mV.

Température

La température affecte le développement des bactéries ainsi que les réactions biochimiques et physico-chimiques. Ainsi, on distingue trois comportements bactériens différents, selon la température.

- Les psychrophiles qui vivent dans des milieux de 4 à 30 °C avec un optimum de 12 à 18°C.

- Les mésophiles qui vivent dans des milieux de 20 à 50°C avec un optimum autour de

35°C

- Les thermophiles qui vivent dans des milieux de 45 à 75 °C avec un optimum autour de

65°C.

La figure 8.[A.11.] présente le taux de croissance des bactéries méthanogènes selon la température et leur groupe d’affinité thermique. L’activité enzymatique subit elle aussi l’influence de la température, avec une augmentation de l’activité avec l’augmentation de la température jusqu’à une activité optimale avant que des températures trop élevées ne dénaturent et ne détruisent l’enzyme.

pH

Le pH influence les réactions biochimiques et le développement des bactéries. Il peut se révéler fortement inhibiteur. Les bactéries des digesteurs anaérobies peuvent généralement vivre dans des conditions de pH compris entre 4 et 9 mais leur développement est optimal entre 6.5 et 7.3 de pH. L’activité enzymatique est elle aussi fortement influencée par le pH car elle dépend fortement de

la concentration du milieu en ions

H

+

.

Concentration en nutriments

Afin de comprendre le comportement de croissance des bactéries il est primordial de considérer les nutriments permettant aux bactéries de se développer. En effet, les bactéries ont besoin à 95% de carbone, d’oxygène, d’azote, d’hydrogène, et de phosphore pour se constituer. Ces matières sont puisées directement dans les effluents pendant les fermentations anaérobies. Cependant, les bactéries ont besoin en petites quantités d’autres éléments plus rares : K + , Ca 2+ , Cu 2+ , Mo 6+ , Co 2+ , V 2+ , Mg 2+ , Fe 2+ , Fe 3+ , Mn 2+ , Zn 2+ , Ni 2+ , Na + , B 3+ , Se 2- , Ag + , Au + , I - , Ti 2+ .

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

Ces éléments sont présents en quantités variables dans les effluents et donc parfois en quantités insuffisantes tout comme l’azote et le phosphore. Il faut donc prévoir une alimentation des bactéries par des mélanges de nutriments adaptés. Cependant une concentration trop élevée de ces minéraux peut inhiber certaines réactions biochimiques et même conduire à l’arrêt du bioréacteur.

A partir de toutes ces connaissances sur le fonctionnement biochimique et physico-chimique des bioréacteurs, il est possible de créer des modèles mathématiques qui décrivent les processus et les influences des conditions expérimentales.

4.2.2 Modèles existants de bioréacteur

4.2.2.1 Modélisation de processus biologiques

Les articles [4] et [5] présentent de manière détaillée les équations permettant de modéliser des processus biologiques de façon générale. Généralement un processus biochimique dans un bioréacteur parfaitement agité peut se modéliser sous la forme :

X

&

S

&

=

=

(

μ

(

S

in

)

S

)

D X

μ X

- S : la concentration en substrat dans le bioréacteur

-

S in

: la concentration en substrat d’entrée

- X

: la concentration de la biomasse

- μ : le taux de croissance

- D : le taux de dilution (le rapport entre le débit d’entrée et le volume du réacteur)

Plusieurs équations permettent de modéliser des comportements de croissance différents.

Par exemple le taux de croissance d’une population de bactéries peut être modélisé par :

- Equation de Monod :

μ μ

=

max

S

S

+

K

S

avec,

μ

max

le taux de croissance maximal,

K

S la constante de demi saturation.

Cette équation permet de modéliser la croissance d’une population de bactéries se nourrissant d’un substrat et dont la croissance maximale est limitée.8.[A.12.]

- Equation de Haldane :

μ = μ

max

S

S

+

K

S

+

S

2

K

I

avec

K I la constante d’inhibition.

Cette équation permet de modéliser en plus le fait qu’une trop grande concentration en substrat inhibe le développement des bactéries. Il y a donc un taux de substrat optimal pour la croissance des bactéries.

4.2.2.2 Modèles de bioréacteurs anaérobies

4.2.2.2.1 Premiers modèles

Les premiers modèles mathématiques de bioréacteurs anaérobies ont été définis dans les années 1970. De très nombreux modèles ont depuis été développés. Le document [6] présente les modèles les plus connus. Ces modèles sont plus ou moins complexes selon le nombre de processus biochimiques représentés. Ils essayent de décrire la croissance des bactéries en fonction du substrat, l’inhibition de la croissance des bactéries par le substrat… La dépendance de la croissance des bactéries vis-à-vis des

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

conditions de température et de pH est parfois explicitée. Ces modèles doivent pouvoir prédire une surcharge organique ou hydrodynamique pouvant altérer le fonctionnement du réacteur, jusqu’à l’arrêt.

4.2.2.2.2 Modèle ADM1

Le modèle ADM1 pour Anaerobic Digestion Model n°1, est un modèle qui a été développé par les chercheurs de l’IWA (International Water Association) dans le livre [7]. Le but était de créer un modèle très complet basé au plus près du modèle phénoménologique, permettant de simuler au mieux les réacteurs anaérobies. Comme on peut le constater, par exemple sur le schéma de modélisation 8.[A.13.], ADM1 est un modèle complexe. En effet, il décrit 19 processus biochimiques, 3 processus cinétiques de transferts gaz-liquide et 7 populations bactériennes différentes. Pour être utilisé par des calculateurs numériques, il peut être implanté sous 2 formes différentes. Soit uniquement avec des équations différentielles, modèle ODE, qui contient 32 variables d’état dynamiques et 6 processus cinétiques d’acide-base, soit avec des équations différentielles et des équations algébriques, modèle ODE-DAE, qui contient 26 variables d’états d’état dynamique. [8] L’ADM1 permet d’accéder jusqu’à 32 sorties de simulation. Pour pouvoir utiliser ce modèle qui décrit très généralement les procédés de digestion anaérobie, il faut prévoir de régler plus de 80 paramètres. Ce modèle est donc très compliqué à identifier et demande une bonne connaissance des paramètres cinétiques et stœchiométriques du bioréacteur à

modéliser.[9]

Des extensions ont été développées pour améliorer et élargir encore la prédiction de l’ADM1, par exemple pour prendre en compte les sulfato-réductions, ou la dégradation de certains substrats.[10] et

[11]

Ce modèle est donc très intéressant en ce qui concerne la précision des simulations si le réglage des paramètres s’avère possible pour le type de substrat qu’on veut utiliser. Cependant, sa complexité est un gros handicap pour faire de l’optimisation ou synthétiser des lois de commande basées sur le modèle. De plus, sa complexité le rend difficile à implanter numériquement [12]. C’est pour ces raisons que ce modèle n’a pas été retenu.

4.2.2.2.3 Modèle AM2

Un modèle récent, de bioréacteur anaérobie a été développé par des chercheurs de l’INRA de Narbonne et de l’INRIA de Sophia-Antipolis, en 2001. [13] Ce modèle appelé AM2 pour Anaerobic Model n°2, est un modèle de tendance beaucoup plus simple à utiliser que le modèle ADM1, pour faire du contrôle ou de l’optimisation. Ce modèle a été développé à partir des résultats expérimentaux obtenus sur le réacteur à lit fixe de l’INRA de Narbonne. La suite décrit de manière détaillée ce modèle de bioréacteur.

A) Processus biochimique

La modélisation comprend deux processus et deux populations bactériennes comme on peut le voir sur la figure 8.[A.14.] .

La première étape est celle de l’acidogénèse modélisée par une population de bactéries acido-

acétogènes de concentration qui décompose le substrat carboné en acides gras volatiles (AGV

1

1

X

S

S

qui devient le substrat ), et en dioxyde de carbone. On considère dans ce modèle simplifié que les

2

AGV sont uniquement présents sous forme non ionisée et se comportent comme de l’acide acétique. Notons que les deux substrats sont aussi présents dans l’alimentation du réacteur.

La réaction chimique modélisée est donc la suivante :

avec la vitesse de

réaction :

r 1

k S

1

1

X

1

+

k

2

S

2

+

k CO

4

2

r1=μ X

1

1

.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

La croissance de cette population suit une cinétique de Monod:

μ

1

= μ

1max

S

1

S

1

+

K

S

1

8.[A.15.]

La seconde étape est celle de la méthanogénèse modélisée par une population de bactéries

méthanogènes acétoclastes de concentration qui transforment les AGV (substrat , provenant de

2

2

X

S

l’alimentation et/ou issu de l’acidogénèse) en méthane et en dioxyde de carbone selon la réaction

chimique suivante :

r 2

k

3

S

2

X

2

+

k CO

5

2

+

k CH

6

4

avec la vitesse de réaction :

r2 =μ X

2

2

.

La croissance de cette population suit une cinétique de Haldane:

μ =μ

2

2 max

S

2

S

2

+

K

S

2

+

S

2

2

K

I 2

.

8.[A.16.] L’inhibition de la méthanogénèse par l’accumulation d’AGV est donc modélisée.

B) Processus physico-chimiques

Carbone inorganique

Ce modèle prédit la concentration de carbone inorganique. Pour un pH entre 6 et 8 celui-ci est égal à la

concentration en dioxyde de carbone et de bicarbonate tel que

C

C

= C + C

CO

2

B

suivent les réactions suivantes en phase liquide : B

+

H

+

CO

2

+

H

2

O

et

K

b

=

6.5 ×

10

11

mol L

1

Alcalinité totale

. Ces deux éléments

K b

=

[

H

+

]

B

CO

2

avec

L’alcalinité totale est définie par la somme des acides dissociés dans le milieu liquide.

Ainsi . Cette hypothèse n’est cependant pas vérifiée si le pH de l’effluent est assez

2

Z = S

+ B

faible et il faut prendre en considération l’alcalinité de l’effluent

K

a

=

1.5

×

10

5

mol L

.

1

Z

in

=

B

in

+

K

a

K a + 10

pH

S

2 in

avec

C) Modèle d’état dynamique

En considérant le vecteur de variables d’états suivantes :

ξ

=

X

X

Z

S

S

C

1

1

2

2

C

Concentration de la population bactérienne acidogène

Concentration de la population bactérienne méthanogène

Alcalinité totale Concentration du substrat1de matière carbonés

Concentration du substrat 2 d' AGV

Concentration totale de carbone inorganique

Le modèle dynamique est alors le suivant :

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

&

ζ

=

X

S

1

S

Z

&

[

()

1

&

X

=

μ ξ α

1

D X

]

1

]

=

[ ()

[

D Z

in

=

(

D S

(

D S

=

(

D C

μ ξ α

Z

]

S

1

)

S

2

C

k

1

)

C

+

)

k

2

1

q

1

2

D X

2

2 2

&

=

&

&

2

&

C

C

=

1

in

2

in

Cin

()

μ ξ

X

1

μ ξ

CO

()

X

1

()

ξ

+

k

k

3

()

μ ξ

2

4

()

μ ξ

1

X

X

2

1

+

k

5

()

μ ξ

2

X

2

Le termeα représente le degré d’agitation du bioréacteur avec 0 α 1.

α = 1 implique le réacteur est complètement agité.

α = 0 implique que le réacteur est parfaitement à lit fixe.

D) Sorties supplémentaires accessibles

Les sorties calculables sont donc les valeurs des 6 variables d’état. Il est également possible de calculer les sorties associées au débit de méthane, au débit de dioxyde de carbone et le pH. Le débit de méthane est calculé de la façon suivante :

. Pour obtenir une valeur comparable avec les signaux

:

provenant des capteurs, il est nécessaire d’effectuer une conversion en [ ]

4

= k μ X

6

2

2

exprimé en [

mmol L

j

1

]

CH

1

L j

1

q CH 4

=

CH

4

V

Molaire

V

reacteur

1000

Avec V

reacteur

= 528

L le volume du bioréacteur et

V

Molaire

=

24

L mol

1 le volume molaire.

Le débit de dioxyde de carbone est calculé avec la loi de Henry:

q CO

2

= k

L

(

a C

CO

2

K

H

P

CO

2

)

- k

L a est le coefficient de transfert liquide gaz.

-

-

K

H est la constante de Henry pour le dioxyde de carbone

P

CO

2

est la pression partielle de

CO

2

Les pressions des gaz étant à l’équilibre on la relation entre la pression partielle et le débit de

gaz suivante :

P

T

P

CO

2

P

CO

2

=

q

CH

4

q

CO

2

atmosphérique.

avec

Ceci

permet

de

déduire

la

pression

P

T

la pression totale appliquée au fermenteur donc la pression

partielle

de

CO

2

:

P

CO

=

φ φ

φ φ −

2

4 K

 

P C

T

 

H

CO

2

2 2 K

H

avec

φ =

C

CO

2

+

K

H

P

T

+

q

CH

4

k

L a

et C

CO

2

=

Il est aussi possible de calculer le pH :

C

C

+

S

2

Z

pH =− log

10

K

b

C

C

Z

+

S

2

Z S

2

E) Paramètres

Les paramètres, identifiés sur le bioréacteur de l’INRA de Narbonne, sont donnés 8.[A.17.] et 8.[A.18.]. Cependant selon le type d’effluent (vinasse, laiterie etc.…) ces paramètres varient fortement. Il faut donc vérifier leurs valeurs et au besoin les réidentifier.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

F) Intérêt et limites du modèle

Ce modèle présente l’intérêt de reproduire à 97.8% la variabilité du système réel. [9] Son ordre dynamique modéré facilite l’estimation des paramètres cinétiques et stœchiométriques. Les sorties principales les plus intéressantes sont accessibles directement. L’article [14] illustre la robustesse de ce modèle ce qui rend sont utilisation possible pour des conditions expérimentales assez variées. Un des défauts principaux de ce modèle est qu’il ne prend pas en compte l’acétogénèse qui est implicitement intégrée à l’acidogénèse. Ceci implique qu’il est impossible de prédire le taux des différents AGV, comme par exemple le propionate qui a un fort potentiel inhibiteur sur le processus général. Les AGV sont tous comptabilisés comme de l’acétate directement méthanisable. Un des autres défauts majeurs du modèle est que, lors des phases transitoires de démarrage du bioréacteur, la biomasse est mal prédite. Toutefois, la bonne représentation de la dynamique du système réel et sa relative simplicité par rapport à des modèles beaucoup plus complexes comme l’ADM1 font de ce modèle un très bon candidat pour la synthèse de commande ou des travaux d’optimisation. C’est donc le modèle que nous avons choisit pour ce projet. Une fois ce modèle choisi, un modèle numérique a été développé sur Matlab pour pouvoir faire de la simulation en fournissant les entrées de commande.

G) Extensions, Amélioration

Depuis le développement de ce modèle, certains travaux de recherche ont cherché à l’améliorer. Par exemple, dans [15] les auteurs considèrent que le milieu réactionnel n’est pas homogène. Ainsi, le modèle tient compte de la dépendance spatio-temporelle des variables d’état : les concentrations des éléments ne sont pas ici réparties de manière uniforme dans le réacteur mais obéissent aux lois d’un système à paramètres distribués. Un modèle [16] a aussi été développé sur la base de l’AM2 pour permettre d’estimer la concentration en propionate.

4.2.3 Positionnement du problème

Nous venons de voir quel est le fonctionnement biochimiques et physico-chimique d’un bioréacteur anaérobie, ainsi que plusieurs modèles mathématiques disponibles. Au vu des avantages que présente le modèle AM2 pour le contrôle et la commande, nous avons décidé d’utiliser ce modèle pour simuler le bioréacteur de l’INRA de Narbonne. C’est donc sur ce modèle que se baseront tous les autres travaux de ce projet.

L’objectif de ce projet est de développer, sur la base d’AM2, un modèle capable de simuler le fonctionnement dynamique du bioréacteur de l’INRA de Narbonne et d’optimiser son démarrage et ses performances.

La partie suivante présente les principes mathématiques de l’optimisation ainsi que les algorithmes utilisés pour l’optimisation numérique.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

Julien Eynard

4.3 Principes théoriques de l’optimisation

Dans cette partie sont présentés les principes mathématiques des méthodes qui ont été employées dans le cadre de l’optimisation du bioréacteur anaérobie, ainsi que les principes de fonctionnement des algorithmes d’optimisation numérique utilisés.

4.3.1 Problème d’optimisation dynamique

La première étape d’un problème d’optimisation dynamique, et sans aucun doute la plus importante, consiste en la formulation mathématique du problème. Le fait que cette formulation se traduise par une expression mathématique formalisée ne doit pas occulter la réflexion sous-jacente. En effet, avant de se lancer dans un tel type de problèmes, il convient de s’interroger sur la notion même de performance. De nombreux indicateurs peuvent traduire le « bon » ou le « mauvais » fonctionnement d’un procédé. Néanmoins, il convient d’en choisir un (ou plusieurs dans le cas de l’optimisation multi-objectif) et de définir les contraintes associées au problème. Dans le cas d’un procédé soumis à des entrées de commande, le problème consiste à déterminer les entrées optimales qui permettent d’optimiser le ou les objectifs fixés. En pratique, notamment pour les procédés industriels ou semi-industriels, l’expérience montre qu’il est difficile de mettre les différents acteurs (opérateurs, responsables de la production, chercheurs, …) d’accord sur un problème unique. Cette étape est néanmoins cruciale, car les résultats obtenus, s’ils permettent de développer la compréhension que nous avons d’un procédé, dépendent toujours de la formulation choisie.

4.3.1.1 Formulation standard d’un problème d’optimisation [18] [19]

Lorsqu’on souhaite optimiser un procédé dynamique, on cherche à minimiser une fonction

objectif φ(x,t,u

, celui-ci est alors considéré comme un ensemble de contraintes à respecter pour

l’optimisation. Si certaines conditions, en plus des équations du modèle, doivent être respectées au

ϕ(x,t,u) pour

cours de l’intégration numérique du modèle, on ajoute des contraintes de chemin

décrire ces conditions. De la même façon, si certaines conditions doivent être respectées à la fin de

l’intégration numérique du modèle, on ajoute des contraintes à temps final

l’entrée de commande et le temps nécessaire qui permettent de minimiser le critère J = φ(x,t,u) Le problème peut alors se formaliser sous une forme directe, où le critère J est minimisé

. On cherche alors

) . Dans le cas de l’optimisation d’un procédé décrit par un modèle dynamique,

x&= F(x,t,u)

T

( (

x t

f

))

min

tf

,

u

()

t

J

=

φ

(

x t u

,

,

)

Avec, par exemple

J

=

φ

sous contraintes

&

x

,

=

(

ϕ

,

T(x(t

,

f

( (

x t

f

))

+

x t u

)

,

0

))

tf

0

0

(

F

x t u

(

)

()

x 0

=

x

0

contraintes de chemin contraintes à temps final

dans lequel

φ

( (

x t

f

))

L x u dt

,

)

est un coût terminal et L(x,u)

est le coût sur la durée d’intégration. On peut réécrire le même problème sous la forme d’une minimisation du temps final, moyennant l’ajout d’états artificiels supplémentaires, d’après la théorie de l’optimisation dynamique. Ceci amènera à une solution identique au niveau des entrées de commande.

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

min t

tf

,

u

()

t

f

sous contraintes

x u

,

x &

=

F

x u

,

(

)

)

(

ϕ

0

T

(())

x t

f

(x(t ))

φ

f

0

J

()

x 0

=

x

0

contraintes de chemin contraintes à temps final

4.3.1.2 Principe du Maximum de Pontryaguine

Il est possible de reformuler le problème d’optimisation précédent en utilisant le Principe du Maximum de Pontryaguine.

T min H = λ F ( x , u ) T + μϕ (
T
min
H
=
λ
F
(
x , u
)
T
+
μϕ
(
u
() ()
t
,
μ
t
,
v
sous contraintes
x &
=
F
(
x u
,
)
x 0
()
=
x
0
∂ H
& T
λ
=−
∂ x
⎛ ∂ T ⎞
T
() f
T
λ
t
=
+ v ⎜
x
tf
tf

,

x u

)

Avec :

λ(t) 0 le vecteur de taille n des états adjoints (Multiplieur de Lagrange pour le système d’équations) μ(t) 0 le vecteur de taille ζ des multiplieurs de Lagrange pour les contraintes de chemin.

v 0 le vecteur de taille τ des multiplieurs de Lagrange pour les contraintes à temps terminal.

Les multiplieurs μ et

v sont non nuls quand les contraintes correspondantes sont actives et nuls

. La

v

T

T

( ( ))= 0

x t

f

dans les autres cas. Ainsi on a toujours les égalités suivantes :

T

μ ϕ

(x,u)= 0

et

∂ H condition nécessaire d’optimalité est définie par = = 0 H u ∂ u
∂ H
condition nécessaire d’optimalité est définie par
=
= 0
H u
∂ u
x,u, λ, μ, v existent et vérifient les équations :
x & =
F
(
x , u
)
,
∂ H
∂ F
ϕ
& T
T
T
λ
=−
=−
λ
− μ
∂ x
∂ x
∂ x
φ
⎛ ∂ T ⎞
T
() f
T
λ
t
=
+ v ⎜
x
x
tf
tf
T
μϕ
(
x , u
)
=
0
(())
v
T T
x t
= 0
f
∂ H
∂ F
T
T
= λ
+ μ
∂ ϕ = 0
∂ u
∂ u
∂ u

. Cette condition implique que

4.3.1.3 Expression analytique des entrées optimales.

La condition nécessaire d’optimalité pour l’entrée

u i est donnée par :

Rapport de PFE : Modélisation et Optimisation d’un biométhaniseur

Julien Eynard

Ingénierie de la commande des Systèmes Complexes ESISAR 2006/2007

H =

ui

H

u

i

=

T

λ

F

u

+

μ

T

Deux cas peuvent être distingués, qui annulent

H ui

ϕ

u

:

=

T

λ

F

ui

+

T

μϕ

ui

= 0

1 Solutions déterminées par les contraintes de chemin actives

sur un certain intervalle ce qui implique pour respecter l’égalité que μ 0 sur l’intervalle

considéré. Une des contraintes de chemin est active ce qui implique qu’on peut déterminer l’entrée de commande à partir de cette contrainte active. Par exemple si on considère que les contraintes sont

placées uniquement sur l’amplitude de l’entrée du système, c'est-à-dire que

et

pour

. Si on a des contraintes sur d’autres variables que l’entrée du procédé, et que l’une

d’entre elle est active, alors on peut déterminer l’entrée optimale

maintenir l’entrée sur cette contrainte.

qui permet de respecter de

T

λ F

ui

0

u

i

et

u

0

i min

i max

u i = u

u i

min

u

i

0

> 0

,

u

i

étant

donné

que

μ 0

alors

u

i

=

u

i max

u

i

pour

= u

ipath

T

λ F

ui

< 0