Université Mohamed V-Rabat

Ecole Mohammadia d’Ingénieurs

Département Génie des procédés Industriels

Module :
Modélisation, Simulation et Optimisation des
Procédés

Par :
Pr. Tijani BOUNAHMIDI

Tome 1 : Techniques de modélisation

Février 2015
1
 SOMMAIRE
Introduction générale : approche pour une gestion
rationnelle des procédés de transformation de matière et d’énergie 3
Tome 1 : Techniques de modélisation 12
Introduction 13
Partie 1 : Modèles physico-chimiques 14
Chapitre 1 : Introduction générale 15
Chapitre 2 : Modèles thermodynamiques : application à l’équilibre liquide-vapeur 22
Chapitre 3 : Modèles microscopiques continue 35
Partie 2 : Modèles de population 52
Chapitre 4 : Fonctions caractéristique du macromélange 56
Chapitre 5: Modèles d’écoulements réels 66
Partie 3 : Modèles statistiques 79

INTRODUCTION GENERALE :

2
 APPROCHE POUR UNE GESTION RATIONNELLE DES PROCEDES DE
TRANSFORMATION DE MATIERE ET D’ENERGIE
Introduction
Les procédés de transformation de matière et d’énergie sont des systèmes complexes
constitués de multitudes d’opérations unitaires généralement très diversifiées (réacteurs,
séparateurs, échangeurs de chaleur, chaudières, turbines, pompes, compresseurs...) et
interconnectées. Leur comportement dépend de celui de chacune de leurs unités et des
interactions qui existent entre ces unités. A cause de la complexité des phénomènes mis en
jeu, l'analyse de ce comportement pour les besoins de conception ou de conduite de procédés
présente beaucoup de difficultés. Afin de vaincre ces dernières, les chercheurs dans ce
domaine ont œuvré depuis plusieurs décennies, au développement de méthodes de plus en
plus performantes et efficaces, pour la conception et la mise en œuvre rationnelle des
procédés.

Cependant, jusqu'à il y a une cinquantaine d'années, la presque totalité des efforts fournis
par la communauté scientifique dans le domaine à l'échelle 'internationale, était orientée vers
les techniques de conception et de dimensionnement des équipements. Très peu d'efforts
ont été consacrés aux recherches relatives aux techniques de conduite susceptibles de
permettre la maîtrise de la gestion des procédés existants. Pour ces problèmes de gestion,
l'ingénieur de procédés se fait souvent aider par des ingénieurs d'autres spécialités :
automatique, recherche opérationnelle, mécanique, électricité ...

Si cette façon de faire a permis d'obtenir le savoir-faire nécessaire à la conduite des procédés
de l'époque et d'un grand nombre de procédés d'aujourd'hui, elle ne permet pas pour autant
de réaliser cette tâche de manière optimale. En effet, la gestion optimale des procédés exige
une connaissance approfondie de ces derniers, et ne peut, donc, être réalisée que si des
techniques de conduite basées sur une telle connaissance sont disponibles.

Ce n'est que vers la fin des années soixante et, plus particulièrement, après le premier choc
pétrolier, qu'une partie de la communauté scientifique du domaine des procédés, poussée
par le besoin de l'industrie en matière d'optimisation des performances des procédés et
armée d'ordinateurs de plus en plus puissants, a commencé à développer des recherches en
vue de développer des techniques de gestion optimale des installations industrielles.

Nous présentons ici, à la lumière de notre expérience et de la littérature scientifique, les

problèmes posés par la gestion des procédés et un ensemble de techniques, développées
durant les trois dernières décennies, pouvant permettre de résoudre ces problèmes. Ces
techniques feront l’objet d’une étude détaillée dans le présent manuel de cours sur les
techniques de modélisation, simulation, optimisation et conduite des procédés.

1. Techniques pour une gestion rationnelle des procédés

La mission de gestion d'un procédé de transformation de matière et d’énergie consiste à
mettre en œuvre les moyens techniques et humains, prévus pour la réalisation de cette
mission, en vue de produire un (des) produit(s) fini(s) ou semi-fini(s), avec une (des) capacité(s)
et une (des) qualité(s) données, fixées par le marché, à partir de matières premières et d'utilités,
en respectant des contraintes techniques, économiques, sociales, d'hygiène, de sécurité et
d'environnement et en aboutissant à un profit.

3
Les entreprises industrielles utilisatrices de procédés, évoluent dans un environnement régi
par les lois de l'économie de marché, où la concurrence est de plus en plus sévère, et où les
prix des matières premières, d'énergie et des produits fabriqués sont soumis à des
fluctuations pouvant être très importantes (souvenons-nous du cas de pétrole). Ces
contraintes couplées aux exigences en matière de développement durable et de
responsabilité sociale des entreprises sont de plus en plus urgentes à satisfaire imposent à ces
dernières d’utiliser des méthodes rationnelles de gestion si elles désirent continuer d'exister.

Nous décrivons, ci-après, certaines de ces techniques, en relation avec les problèmes qu'elles
permettent de résoudre.

1.1. Observabilité, redondance et validation des mesures

La conduite et l'analyse des performances d'un procédé ne peuvent être effectuées que si l'on
dispose d'une connaissance fiable de l'état de celui-ci. Cette connaissance ne peut être
acquise que si le procédé est muni d'une instrumentation suffisante permettant de mesurer
le plus grand nombre possible de variables qui le caractérisent. L'idéal serait de mesurer
toutes les grandeurs. Cependant, à cause de difficultés technologiques ou du coût élevé des
capteurs, certaines de ces variables ne sont pas mesurées.

Lorsque le nombre de variables mesurées diminue, le coût de l'instrumentation et le degré de

connaissance de l'état du procédé diminuent aussi. De ce fait, un compromis doit être
recherché entre le degré de fiabilité de la connaissance de l'état du procédé et le coût des
instruments nécessaires. Le choix de ce compromis doit être effectué en tenant compte de la
nature du procédé et des conditions relatives à la sécurité de fonctionnement de celui-ci.

Si les variables qui décrivent un procédé ne peuvent pas être toutes mesurées, il est
nécessaire d'évaluer les variables indéterminées à l'aide des mesures effectuées. Trois
problèmes se posent alors.

Le premier est relatif à la détermination du nombre minimum de variables à mesurer pour

que le procédé soit observable. Un procédé est dit observable, si ses variables non mesurées
sont calculables à l'aide des variables mesurées en utilisant les équations de contraintes
imposées au procédé. La précision de l'estimation de l'état du système dépend de celle des
mesures brutes utilisées. Plusieurs combinaisons de variables du procédé peuvent aboutir à
la détermination de celui-ci. Le choix entre elles doit être effectué en tenant compte des prix
des capteurs et des besoins de contrôle et de conduite du procédé en question. L'étude de ce
problème doit déboucher sur le classement des variables selon l'observabilité.

Le deuxième problème, posé par l'estimation de l'état du procédé à partir des mesures, est
celui de l'amélioration de la précision de cette estimation. Lorsque le nombre des variables
mesurées dépasse le seuil minimum nécessaire à l'observabilité du procédé, et à cause des
erreurs de mesures, les équations de contraintes imposées au procédé ne sont jamais
satisfaites. Des mesures en surplus, appelées mesures redondantes doivent être réconciliées
(ou validées) de manière à satisfaire les contraintes qui en dépendent.

De quel nombre de variables redondantes doit-on disposer ? Et quelles sont ces variables qui
permettent la validation des principales variables d’intérêt ? La résolution du deuxième
problème va permettre de répondre à ces deux questions, et ce en classant les variables selon
la redondance.

Enfin, le troisième problème posé par l'estimation de l'état du procédé est celui de la
réconciliation (validation) des mesures redondantes.

4
Ainsi, il apparaît de l'analyse précédente qu'une étude de l'observabilité et de redondance
doit être menée au préalable pour obtenir le plan de l'instrumentation nécessaire à la
conduite du procédé en question. Une fois ce plan établi, les mesures collectées sur
l'installation industrielle doivent, toujours, être analysées avant toute utilisation ultérieure.
En effet, à cause des erreurs qui accompagnent les mesures et qui peuvent être de nature
aléatoire, systématique, ou accidentelle, les équations de contraintes soumises au procédé
ne sont jamais satisfaites.

L'analyse des mesures peut être effectuée à l'aide de la technique de validation qui consiste
à réconcilier les mesures en minimisant un critère quadratique, formé de la somme des carrés
des écarts, entre les mesures et leurs valeurs validées, pondérés, chacun, par l'inverse de la
variance de la mesure correspondante. Cette minimisation est soumise aux équations de
contraintes du procédé.
La validation des mesures est donc un problème d'optimisation avec contraintes qui,
d'habitude, est résolu à l'aide de la technique des multiplicateurs de Lagrange.

L'analyse des mesures à l'aide de cette technique de validation, va permettre d'obtenir un

état cohérent du procédé et de réaliser, le cas échéant, le diagnostic du procédé en détectant
des incohérences, des capteurs en défaut ou la présence de fuite(s) matière(s) ou d'énergie.
Plusieurs chercheurs se sont intéressés, depuis plus d’une trentaine d'années environ, aux
problèmes d'observabilité, de redondance et de validation des mesures collectées sur les
procédés industriels (1, 2, 3, 4, 5, 6, 7). Des logiciels permettant la résolution de ces problèmes
sont commercialisés : BELSIM - VALI (8), DATREC,BILCO, EUTERP, ... (7).

Vu l'intérêt de ces techniques pour la conduite de procédés, certains logiciels qui leur
correspondent ont été développés par les industriels eux-mêmes : DATREC (par ELF France--
Solaize), EUTERP (par RHONE POULENC Industrialisation-Décines) ...

1.2. Contrôle des procédés

Alors que les techniques d'observabilité, de redondance et de validation des mesures
permettent de déterminer un état cohérent d'un procédé, à un instant donné (en régime
dynamique) et sur une période donnée (en régime stationnaire), les techniques de contrôle
de procédés permettent de fixer une partie des variables caractéristiques de cet état à des
valeurs de consigne (régulation), ou de les asservir à d'autres variables (asservissement).

En régulation, le premier problème à résoudre est celui relatif au choix des variables à
contrôler. En effet, les procédés étant des systèmes multi- variables, ce choix doit être dégagé
à partir de l'analyse des degrés de liberté du procédé (9). Cette analyse nécessite le
développement d'un modèle mathématique décrivant le comportement physico-chimique du
procédé.

Un deuxième problème, lié au contrôle de procédés, est celui relatif au mariage des variables
contrôlées et manipulées. Cet aspect du contrôle multi-variable ne peut être résolu de
manière efficace, que si l'on dispose du modèle mathématique précité. L'algorithme de
contrôle multi-variables peut, lui aussi, être conçu sur la base du même modèle (9).

Même si la théorie de contrôle abonde d'algorithmes, la presque totalité de ces derniers

s'adresse aux systèmes mono-variables. Ce qui présente une lacune importante pour la
conduite optimale des procédés. Contrairement aux autres stratégies de contrôle qui sont
souvent étudiées à l'aide de modèles boîte noire, le contrôle multi-variable nécessite, pour
être performant, un modèle de connaissance permettant de générer les relations de cause à
effet entre les différentes variables concernées. Ce type de contrôle ne peut donc être

5
maîtrisé que si le génie des procédés participe très activement à son développement. Nous
pensons, aussi, que le très grand "gap" existant entre la recherche dans le domaine de
contrôle et les applications des résultats de cette recherche aux procédés est dû, en grande
partie, à l'insuffisance de la participation du génie des procédés au développement de ce
domaine.

1.3. Analyse des historiques de fonctionnement des procédés

Les historiques de fonctionnement d'un procédé sont constitués des évolutions des
différentes variables caractéristiques de l'état du procédé. Ces évolutions sont
obtenues à l'aide de systèmes d'acquisition de données, qui, il y a un demi-siècle,
étaient constitués essentiellement d'enregistreurs analogiques et qui deviennent de
plus en plus informatisés.
Actuellement, les systèmes de conduite numérique avec supervision équipent la
majorité des procédés exploités dans les pays développés et un nombre, de plus en plus
important, de procédés installés dans les pays en développement.

A l'aide de ces systèmes une masse d'information considérable est disponible en temps
réel sur toutes les variables mesurées, continues ou logiques, du procédé en question.
Cette masse d'information, organisée sous forme de base de données, est exploitée par
un logiciel de supervision permettant d'assurer les principales fonctions suivantes :
- Programmation et configuration des différents appareils connectés (régulateurs,
automates ...);
- Emission de journaux ;
- Affichage de vues de conduite hiérarchisées ;
- Stockage d'historiques et archivage de données.

Il appartient, donc, aux utilisateurs de ces systèmes de conduite d'en tirer profit, pour
une meilleure gestion de leurs procédés. Cet objectif ne peut être atteint que si des
techniques appropriées sont utilisées pour l'utilisation de l'information disponible.
En effet, comment peut-on s'assurer de manière quantitative d'un changement dans le
comportement d'un procédé en utilisant les historiques, si on ne maîtrise pas les tech-
niques statistiques et de traitement du signal ? comment peut-on déceler si un tel
changement est dû à l'effet d'une variable plutôt qu'à celui d'une autre ou à celui de
plusieurs variables simultanément, si on n'utilise pas les techniques d'analyse de
données telle que celle de la surface de réponse, basée sur les régressions multilinéaires
pas à pas (10)?

Au préalable, les mesures acquises par le système de conduite doivent être traitées par
la technique de validation, décrite ci-dessus, pour obtenir des états cohérents du
procédé. Ce sont ces états qui doivent faire l'objet d'historiques et de traitement
statistiques et non les mesures brutes.

1.4. Optimisation des procédés

L'optimisation de procédés peut être menée par deux voies complémentaires :
-La première voie concerne l'optimisation de la structure du procédé. Même si pour les
installations existantes cette structure a été déjà choisie, et même si ce choix a fait
l'objet, à l'origine, d'une optimisation technico-économique, pour tenir compte de
l'évolution de ces dernières, la structure du procédé doit être revue régulièrement au
cours de la durée de vie du procédé. Les méthodes d'optimisation correspondantes
relèvent du domaine de la synthèse optimale de procédés.
- La deuxième voie est celle qui consiste à optimiser le point de fonctionnement, pour

6
une structure donnée du procédé. Ces méthodes font partie des techniques de conduite
optimale de procédés.
Nous décrivons, ci-après, très brièvement, chacune de ces deux catégories de
méthodes.

1.4.1. Techniques de synthèse optimale de procédé :

Des recherches visant le développement de techniques de synthèse optimale de
procédés, ont commencé réellement depuis plus d’une trentaine d'années avec les
travaux de LINNHOFF et ses collaborateurs sur la synthèse optimale des réseaux
d'échangeurs de chaleur dans les procédés (11). La méthode du point de pincement
"Pinch Technology", développée grâce à ces travaux, a fait l'objet de beaucoup
d'applications réussies dans différents secteurs industriels.

Cette méthode, dont le développement continue, toujours, grâce aux travaux de

l'équipe de LINNHOFF et de plusieurs autres équipes de recherche à travers le monde,
se base sur une représentation graphique des courants du procédé dans un diagramme
enthalpie (H) - température (T). Tous les courants chauds nécessitant un
refroidissement sont représentés par une seule courbe, appelée courbe globale des
courants chauds, et tous les courants froids nécessitant un réchauffement sont représentés
par une seule courbe, appelée courbe globale des courants froids. Celle-ci est positionnée
sur le diagramme (H-T) de manière à ce que, au point où l'écart entre les deux courbes
précitées est le plus faible, cet écart doit être égal à l'écart minimum de température,
consenti pour la réalisation du transfert de chaleur entre les courants du procédé. Le point
en question est le point de pincement. Sa détermination permet de fixer les utilités
minimales, chaudes et froides, nécessaires pour satisfaire les besoins énergétiques du
procédé.

La comparaison de ces quantités d'utilités minimales à celles consommées réellement par le

procédé en question permet de dégager les possibilités d'économie d'énergie qu'on peut
réaliser moyennant un surplus d'investissement. Ce surplus peut être calculé à l'aide de la
méthode de "design" du "Pinch". La faisabilité de la réalisation du projet d'amélioration
dépend du temps de remboursement fixé par l'investisseur (12).

Contrairement à la méthode "Pinch", qualifiée d'heuristique, d'autres méthodes d'intégration

énergétique des procédés, qualifiées d'algorithmiques, ont vu le jour durant ces trois
dernières décennies (13). Ces méthodes se basent sur des techniques de programmation
linéaires ou non linéaires en variables mixtes (continues, en nombres entiers et logiques).
Quoique de mise en œuvre complexe, ces méthodes ont l'avantage de s'appliquer à la
synthèse de procédés de manière générale.

1.4.2. Techniques de conduite optimale de procédés :

Deux approches d'optimisation peuvent être adoptées : l'approche empirique et l'approche
par simulation à l'aide d'un modèle mathématique.

Les algorithmes d'optimisation utilisés pour ces deux approches peuvent être les mêmes ; la
seule différence entre elle réside au niveau de l'évaluation de la fonction objectif (11). Pour
l'approche empirique, cette évaluation est effectuée à l'aide de mesures collectées sur
l'installation industrielle dont on cherche à optimiser le point de fonctionnement ; alors que
dans le cas de l'approche par simulation, l'évaluation de la fonction-objectif est réalisée à
l'aide d'un modèle mathématique décrivant le procédé de façon adéquate.
Il faut souligner, cependant, que, vu les risques auxquels sont soumis les équipements, le
personnel et les matières traitées dans le procédé, l'approche empirique basée sur les essais

7
à l'échelle industrielle n'est que très rarement adoptée.

Ainsi, seule l'approche par simulation peut présenter un intérêt pour l'optimisation du point
de fonctionnement de procédé.

1.5. Techniques de modélisation et de simulation de procédés

Avant de pouvoir appliquer l'approche d'optimisation par simulation à un procédé, il faut que
les étapes suivantes soient réalisées au préalable :
- Modélisation des principaux phénomènes physico-chimiques mis en jeu dans le procédé en
question. Ces phénomènes sont ceux relatifs à la thermodynamique des mélanges en
présence, à la cinétique des transformations chimiques et/ ou biologiques, aux transferts de
matière et de chaleur et à l'écoulement de la matière dans les appareils du procédé.
- Modélisation des opérations unitaires composant le procédé. Celle-ci est effectuée sur la
base des équations de conservation de la matière, de l'énergie et de la quantité de
mouvement, autour des appareils mis en jeu.
- Modélisation du procédé global. Le modèle de celui-ci est formé des équations des modèles
des différents appareils du procédé et des équations de liaison entre ces appareils.
- Estimation des paramètres de performance du procédé, sur la base de mesures collectées
sur l'installation industrielle. En effet, certains paramètres des modèles, tels que ceux relatifs
aux transferts de chaleur, de matière ou de quantité de mouvement, ou ceux relatifs à
l'écoulement, sont difficilement extrapolables et ne peuvent être estimés de façon fiable,
qu'en se basant sur des mesures collectées sur l'installation industrielle réelle, après leur
validation. Cependant, ces mesures ne doivent être utilisées à cette fin que si elles sont
réconciliées entre elles.
- Simulation du procédé. Celle-ci consiste à résoudre les équations du modèle du procédé,
pour étudier l’un des problèmes suivants :
* déterminer le comportement d'une installation existante, pour des entrées données de
celui-ci (simulation : détermination des sorties connaissant les dimensions des appareils, les
paramètres de performance de ces appareils, ainsi que les valeurs des variables
caractéristiques du point de fonctionnement) ;
* calcul des dimensions d'appareils connaissant les entrées et les sorties du procédé
("design");
* détermination du point de fonctionnement du procédé, connaissant les dimensions
géométriques des appareils ainsi que les sorties spécifiées du procédé (conduite).
Des progiciels de simulation de procédés, spécialisés essentiellement dans les procédés
pétrochimiques et de raffinage de pétrole, ont été développés durant les quatre dernières
décennies (ASPEN Plus, BELSIM, PROII, PROSIM ...).
Cependant, de tels logiciels ne sont pas encore bien rodés pour d'autres types de procédés,
comme ceux relatifs aux procédés biologiques, agro-alimentaires, de traitement de solide, ...

2. Gestion de procédés assistée par ordinateur

Grâce aux systèmes de conduite avec supervision, les différentes techniques de conduite,
présentées ci-dessus, peuvent être mariées de façon harmonieuse pour une gestion intégrée
du procédé assistée par ordinateur en ligne. Le système de conduite avec supervision
(ordinateur de contrôle), permet de collecter toutes les mesures qui lui sont branchées.
Celles-ci sont, ensuite, analysées par un logiciel de validation de mesures qui fournira, il une
fréquence donnée choisie au préalable, un état de diagnostic des fuites et d'instruments de
mesure défectueux. Un tel état est d'une grande utilité pour la gestion de la maintenance
mécanique (élimination des fuites) et de la maintenance de l'instrumentation du procédé.

La validation des mesures va permettre d'obtenir, aussi, des valeurs cohérentes de toutes les
variables caractéristiques du fonctionnement du procédé (état cohérent). Un historique des

8
états cohérents sera obtenu et analysé statistiquement à l'aide d'un logiciel, en vue de
dégager des tendances éventuelles dans l'évolution du comportement du procédé et
d'obtenir des relations de cause à effet entre les variables du procédé. Une conduite
intelligente du procédé peut être basée sur les résultats de cette analyse en utilisant un
système expert tel que celui développé par l'équipe de STEPHANOPOULOS à MIT.

Les états cohérents obtenus par la validation vont servir, aussi, à identifier quelques
paramètres de performance du procédé (coefficients de transfert des échangeurs de chaleur,
rendement d'une chaudière ou d'une turbine…). Il s'en déduit un historique de ces
paramètres, dont l'analyse peut servir à la gestion des équipements correspondants. Ainsi, le
fonctionnement d'un échangeur peut être arrêté lorsque son coefficient d'encrassement
dépasse un certain seuil jugé critique.

Ces mêmes valeurs de paramètres de performance, seront exploitées pour les besoins de
simulation. La simulation en régime dynamique du procédé va permettre d'obtenir les
informations dynamiques nécessaires à la synthèse des contrôleurs du procédé. La simulation
en régime stationnaire sera utilisée pour l'optimisation en ligne du point de fonctionnement
de ce procédé.

Ainsi, il apparaît de cette description que la conduite de procédés assistée par ordinateur,
permet d'intégrer les fonctions de gestion du point de fonctionnement et de la maintenance
du procédé. C'est donc une technologie "C.I.M. : Computer Integrated Manufacturing".

3. De l’utilisation des techniques de gestion rationnelle des procédés dans l’industrie

De façon générale, la gestion des procédés est assurée par des ingénieurs de génie chimique
ou l'actuel génie des procédés. C'est donc à ces ingénieurs qu'incombe la responsabilité
d'atteindre les objectifs attendus de cette gestion. Malheureusement, force est de constater
que malgré les efforts déployés pour un bon usage des techniques de gestion rationnelle des
procédés décrites plus haut, l’utilisation réussie de ces techniques par les industriels eux-
mêmes est relativement rare. Ceci peut être justifié par plusieurs raisons complémentaires :
- La formation classique en génie des procédés par rapport à cet aspect fait apparaître deux
importantes lacunes: 1) l'étude des opérations unitaires est effectuée généralement en
régime stationnaire et en utilisant des mélanges très simplifiés supposés idéaux: l'analyse en
régime dynamique est très rarement utilisée; 2) Les techniques de conduite présentées dans
cet article, sont très peu étudiées au niveau ingénieur et sont très peu maîtrisées par les
ingénieurs en activité dans le domaine de gestion de procédés.
- Les simulateurs de procédés disponibles dans le commerce ne sont pas aisés à mettre en
œuvre par les ingénieurs de production dont les tâches classiques ne leur permettent pas de
dégager le temps nécessaire pour un bon usage de ces simulateurs.
- L’utilisation de ces logiciels par des cadres des services de R&D ou d’ingénierie sans
expérience suffisante en gestion de production est rarement couronnée de succès.

Ainsi, un meilleur usage des techniques précitées dans l’industrie nécessite des efforts de la
part des opérateurs académiques et industriels à la fois. D’un côté, la formation en Génie des
Procédés doit être révisée en vue de renforcer les composantes liées à la gestion rationnelle
des procédés telles que décrite dans cet article et ce, en établissant des collaborations étroites
avec les secteurs industriels pour mener cette formation à bien. De l’autre, les industriels
concernés doivent être dotés de service « Procédés » comportant des ingénieurs dotés d’une
expérience suffisante en matière de production, et des ingénieurs de recherche assez
expérimentés en modélisation et simulation des procédés travaillant en équipe avec les
premiers. Ces deux catégories d’ingénieurs auraient suivi une bonne formation dans le

9
domaine concerné soit en formation initiale ou en formation continue bien conçue.

4. Recherche sur les techniques de conduite de procédés

Comme cela a été présenté, ci-dessus, la maîtrise de la gestion des procédés nécessite la mise
en œuvre de techniques relativement complexes qui demandent à être développées
davantage en mettant en œuvre des programmes de recherches appropriés. Contrairement
à d'autres types de recherches relatives aux procédés qui peuvent être menées, presque
exclusivement, sur des installations de laboratoire et semi-pilote, les recherches relatives à la
conduite de procédés doivent se dérouler en bonne partie sur les installations industrielles.
Ce qui exige une collaboration très étroite entre le laboratoire de recherche universitaire et
l'industrie concernée.

Conclusion
Dans cette introduction générale au cours sur la modélisation, la simulation, l’optimisation et
la conduite de procédés de transformation de matière et d’énergie, nous avons présenté
quelques techniques de conduite de procédés, développées durant les quatre dernières
décennies.
Ces techniques ne sont pas encore suffisamment utilisées dans l'industrie, par manque de
leur maîtrise de la part des ingénieurs et par manque de structure adéquate dans l’industrie.
Une proposition est avancée pour améliorer cette situation en déployant des efforts par les
établissements de formation d’ingénieurs pour doter les secteurs industriels d’ingénieurs
mieux formés dans ce domaine, d’une part, et par les industriels pour constituer des services
dotés d’ingénieurs bien expérimentés en matière de gestion de production et en ingénieurs
de R&D assez expérimentés en modélisation et simulation de procédés.

Le présent cours a pour ambition d’œuvrer dans le sens d’une formation de cadres répondant
aux recommandations ci-dessus.

References bibliographiques
1- V. HLAVACEK,
“Analysis of a complex plant. Steady-state and transient behavior”, Computers and
Chemical Engineering, vol. 1, p. 75-100, 1977.
2- G. HEYEN, C. GREKENS,
« Application d’algorithmes génétiques à la synthèse de systèmes de mesures
Redondants », SIMO 2002, 24-25 octobre, Toulouse, France, 2002
3- F. MANENTI, S. SIGNOR, M.G. GROTTOLI, P. Fabbri,
« Adaptive Data Reconciliation Coupling C++ and PRO/II and On-line Application by
the Field”, ESCAPE20, Elsevier, 2010
4- R.S.H. MAH, G.M. STANLEY, D.M. DOWNING,
"Reconciliation and rectification of process flow and inventory data", Industrial
Engineering Chemistry Process Design Development, vol. 15, n° 1, p. 175-183, 1976.
5- A. KRETSOVALIS, R.S.H. MAH,
"Observability and redundancy classification in generalized process networks, 2:
algorithms", Computers and Chemical Engineering, vol. 12, n° 7, p. 689-703, 1988.
6- D.M. HIMMELBLAU,
"Material balance rectification via interval arithmetic", AICHE spring meeting, paper
55c, Anaheim, 1984. Published in Process Systems Engineering PSE'85. The use of
computers in Chemical Engineering, IChemE Symposium Series n°92, 1985.
7- J. RAGOT, M. DAROUACH, D.MAQUIN, G. BLOCH,
"Validation de données et diagnostic", Traité des Nouvelles Technologies, Série
Diagnostic et Maintenance, Hermès, Paris, 1990.

10
8- BELSIM S.A.,
"BELSIM-VALI : manuel d’utilisation'', 1986.
9- J: STEPHANOPOULOS,
"Chemical process control an introduction to theory and practice "Prentice-Hall
International, New York, 1984.
10- D. M. HIMMELBLAU,
"Process analysis by statistical methods", Wiley, New York, 1970.
11- B. LINNHOFF et al.
"User guide on proccss integration for the efficient use of energy", Inst, of Chem. Engrs,
UK, 1988.
12- R. E. SWANEY and L. E. GROSSMANN,
"An index (or operational flexibility in chemical process design; 1: formulation and
theory’’, AICHE J., vol. 31, n°4, 1985, p. 621-630.
13- T.F. EDGARD, D.M. HIMMELBLAU,
"Optimization of chemical processes" Mc Graw-Hill, New York, 1989.
14- T. BOUNAHMIDI,
"Etude de procédés assistée par ordinateur : application aux procédés de fabrication de
sucre", Première Conférence Maghrébine de Génie des Procédés. COMAGEP,
Marrakech, 4-6 mai, 1994.

11
 Tome 1 :
Techniques de Modélisation

12
 INTRODUCTION
L’étape principale de la méthodologie de l’analyse des procédés industriels assistée par
ordinateur est la modélisation. Celle-ci doit permettre de décrire un procédé à l’aide d’un
système d’équations susceptible de représenter de façon fiable le comportement du procédé.
De tels modèles mathématiques peuvent être classés en trois catégories [1] :
- Modèles physico-chimiques, basés sur les lois de transferts et de conservation de
matière, d’énergie et de quantité de mouvement « Tranport Phenomena models ».
- Modèles de populations, obtenus à l’aide de bilans de populations et mettant en
œuvre les fonctions de distribution (fonctions de distribution d’âges…).
- Modèles empiriques et semi-empiriques, développés par ajustement des données
observées. le modèle est empirique lorsque la structure des équations formant le
modèle n’est pas élaborée à partir de considérations physico-chimiques liées aux
phénomènes mis en jeu dans le système concerné ; il est semi-empirique dans le cas
contraire.
La présente partie est consacrée à l’étude des techniques relatives à l’élaboration de ces trois
types de modèles.

13
 Partie I :
Modèles Physico-chimiques

14
 CHAPITRE 1 : INTRODUCTION GENERALE

1.1. Formulation générale

Les modèles physico-chimiques sont développés à partir de bilans d’extensités (la matière,
l’énergie, la quantité de mouvement et la charge électrique) effectués autour d’un système
de frontières bien délimitées.
Pour une extensité donnée, l’équation du bilan autour d’un tel système s’écrit pendant un
intervalle de temps dt:
[Quantité entrant dans le système à travers ses frontières]

-
[Quantité sortant du système à travers ses frontières]

+
[Quantité engendrée dans le système]

-
[Quantité consommée dans le système]

=
[Quantité accumulée dans le système]
Dans le cas d’un système traitant une matière non ionique à N constituants, le système
d’équations indépendantes qui peuvent être développées à partir de bilans, est formé de :
- N équations de bilans de matières :
 Par rapport aux N constituants.
 Ou par rapport aux N-1 constituants plus une équation de bilan massique
global.
- L’équation de bilan énergétique.
- L’équation de bilan de quantité de mouvement.
Soit, au total NE = N+2 équations indépendantes.
Le nombre de degré de liberté, NL, du système est défini par :
NL = NV – NE
Où NV est le nombre de variables indépendantes (inconnues) du système.
Si NL > 0, le système est sous spécifié et donc insoluble. Un nombre de spécifications
supplémentaires et indépendantes vis-à-vis des premières, égale au nombre de degrés de
liberté, doivent être fournies pour permettre la simulation du système.

15
Notons que pour un système assez spécifié (NL = 0), la résolution des équations du modèle
nécessiterait la connaissance des conditions initiales et / ou aux limites. Celles-ci peuvent être
définies à partir de considérations physico-chimiques, comme on le verra ultérieurement.

1.2. Classification des modèles physico-chimiques

Himmelblau et Bischoff [1] traitent en détails cette question. Deux classifications différentes
peuvent être distinguées :
L’une selon le niveau d’analyse et l’autre, selon la structure mathématique des équations du
modèle.
1.2.1. Classification selon le niveau d’analyse
Cette classification est basée sur le degré de détails physiques internes au système, pris en
considération lors de l’analyse des phénomènes mis en jeu dans ce système, pris en
considération lors de l’analyse des phénomènes mis en jeu dans ce système. Selon cette
classification, cinq types de modèles peuvent être distingués :
- Modèles microscopiques particulaires.
- Modèles microscopiques continus.
- Modèles à gradients multiples ou de dispersion.
- Modèles à gradient maximum.
- Modèles macroscopiques.

a) Modèles microscopiques particulaires

Pour obtenir ce type de modèles, l’analyse du système est effectuée au niveau le plus
fondamental : le système est considéré comme étant discontinu formé d’entités individuelles
séparées (particules, molécules, atomes, ions…) obéissant à certaines lois. Les propriétés et
les variables d’état du système sont obtenus par sommation sur toutes les entités formant ce
système.
Les modèles ainsi développés peuvent paraître attrayants par leur fidélité et le degré de
détails physiques dont ils peuvent rendre compte. Cependant, à cause de leur complexité, leur
utilisation en ingénierie est limitée à l’étude des phénomènes fondamentaux (théorie
cinétique des gaz, mécanique quantique…).
b) Modèles microscopiques continus
Pour élaborer ce type de modèles le système est considéré comme un milieu continu et
homogène. En d’autres termes, les interactions entre particules (interactions moléculaires)
sont ignorées. Les équations de bilans sont développées pour un volume infinitésimal
représentatif du système (volume différentiel). L’utilisation de ce type de modèles nécessite
la connaissance de champs de vitesses.
Cette connaissance devient simple à acquérir dans le cas de systèmes à écoulements
laminaires et stagnants. L’application des modèles microscopiques continus peut, alors, être
très utile tout en présentant beaucoup de difficultés.

16
 c) Modèles à gradients multiples ou de dispersion
C’est une modification de modèles microscopiques continus pour des systèmes où la fonction
de vitesse locale n’est pas connue ou difficile à déterminer.
C’est le cas des écoulements turbulents dans les conduites ou d’écoulements à configuration
compliquée (lits fixes, milieux poreux, …).
La structure des équations de ce type de modèles est identique à celle des équations des
modèles microscopiques continus, mais ils comportent des valeurs moyennes des variables
dépendantes et des coefficients effectifs (dispersion effective, viscosité effective et
conductivité effective). Ces coefficients effectifs dépendent des propriétés du fluide et des
conditions de l’écoulement. Ils doivent être déterminés expérimentalement pour chaque
système.
d) Modèles à gradient maximum
Un modèle de ce type peut être obtenu par simplification d’un modèle à gradients multiples,
dans lequel on néglige les termes de dispersion et les gradients par rapport à toutes les
directions sauf celle pour laquelle les gradients sont maxima.
On peut citer, à titre d’exemple, le cas du modèle d’un réacteur à écoulement piston.
e) Modèles macroscopiques
L’analyse est effectuée à son niveau le plus bas : on ignore tout détail physique interne du
système, et par conséquent il y a absence de tout gradient dans le système. En fait, la seule
dérivée qui est conservée dans les équations de bilans est celle relative au temps. Ce manque
de détails simplifie grandement la description mathématique du système, mais elle est
accompagnée d’une perte d’information concernant les performances de ce dernier.
Il faut remarquer que la description ci-dessus a été effectuée dans le sens de diminution du
degré de détails physiques utilisé. Ceci n’implique pas que la qualité des modèles diminue
pour autant. Ainsi, par exemple, un modèle macroscopique peut mieux représenter certains
systèmes que des modèles plus détaillés.
Lorsque le système en question est le siège d’une transformation chimique et si les vitesses
de réaction font intervenir des produits de concentrations de plusieurs constituants, les
équations du modèle deviennent fortement non linéaires à cause des constantes de vitesses
de réactions qui s’expriment en fonction de la loi d’Arrhenius.
f) Conditions aux limites
La résolution du système d’équations formant le modèle nécessite la connaissance de
conditions initiales et / ou de conditions aux limites.
Pour chaque variable dépendante faisant intervenir une différentielle d’ordre maximum, N, il
faut spécifier N conditions aux limites et ceci pour chaque variable indépendante.
Exemple :

17
 𝜕2 𝐶 𝜕𝐶
2
= 𝐴(𝑥)
𝜕𝑥 𝜕𝑥
Il faut spécifier la valeur de C à deux valeurs de x (conditions aux limites) et à une valeur de t
(condition initiale).
Ci-après les principales conditions aux limites généralement utilisées pour les modèles
physico-chimiques présentées par type d’équation de bilan.
f1) Pour les équations de bilans de matières
- La concentration au niveau d’une frontière est spécifiée :
C = C0
- Le flux massique au niveau d’une frontière est continu :
[Fi]x=0- = [Fi]x=0+
- Les concentrations des deux côtés d’une frontière sont liées par une relation :
[Ci]x=0- = f([Ci]x=0+)
- Le flux molaire à une frontière est spécifié (déterminé empiriquement) :
[NA]x=0 = k(C-C*)
- La vitesse de réaction à la surface extérieure du système est spécifiée :
[NA]x=0 = -RA

f2) Pour l’équation de bilan de quantité de mouvement

- La vitesse d’écoulement est spécifiée au niveau d’une frontière (à l’interface solide-
liquide, u=0)
- Le flux de quantité de mouvement à la frontière est continu (à l’interface liquide-
liquide 𝜏 est continue)
- La vitesse est la même des deux côtés de la frontière :
[u]x=0- = [u]x=0+
- Le flux de quantité de mouvement est spécifié (à l’interface gaz-liquide ce flux est
négligeable)
f3) Pour l’équation de bilan d’énergie
- La température est spécifiée à la frontière (T = T0)
- Le flux de chaleur à la frontière est continu
[q]x=0- = [q]x=0+
- la température est la même des deux côtés de la frontière
[T]x=0- = [T]x=0+
- le flux de chaleur à la frontière est spécifié (déterminé empiriquement) :
[q]x=0 = k(T-T*)

18
- le flux de chaleur à la frontière est spécifié (q = q0)
1.2.2. Classification selon la structure mathématique des équations
Cette classification des modèles physico-chimiques se base sur la nature mathématique
des équations de ces modèles. Ainsi, selon cette nature, on peut distinguer :
- les modèles déterministes à l’opposé des modèles stochastiques ;
- les modèles linéaires à l’opposé des modèles non linéaires ;
- les modèles statiques à l’opposé des modèles dynamiques ;
- les modèles à paramètres distribués à l’opposé des modèles à paramètres globaux
(ou concentrés).

a) Modèles déterministes et modèles stochastiques

Un modèle est déterministe si les variables et les paramètres intervenant dans ses
équations sont déterministes ; c’est-à-dire pouvant prendre des valeurs exactes (sans
incertitude).
Par opposition, un modèle est stochastique si les variables et les paramètres associés à
celui-ci sont aléatoires. C’est-à-dire pouvant prendre des valeurs à l’intérieur d’intervalles
d’incertitude, dont la longueur dépend de la probabilité à ce que la variable en question
ne soit pas en dehors de son intervalle d’incertitude (seuil de confiance).
En fait, toute variable mesurée est une variable aléatoire, dont tout modèle impliquant de
telles variables est stochastique.
Afin d’éviter la complexité de modèles stochastiques, on se ramène aux modèles
déterministes en considérant les valeurs moyennes des variables et des paramètres.
b) Modèles linéaires et modèles non linéaires
Un modèle est linéaire si tous les termes des équations qui le représentent sont linéaires.
Autrement dit, si les équations du modèle reliant le vecteur des variables dépendantes, Y,
au vecteur des variables indépendantes, u, s’expriment par :
Y = H(u)
Où H est un opérateur linéaire ; c’est-à-dire :
∀ u1, u2 𝜖 au domaine de définition des équations du modèle,
𝐻(𝑢1 + 𝑢2) = 𝐻(𝑢1) + 𝐻(𝑢2)
Exemples d’opérateurs linéaires :
𝑑
𝐻= 𝑑𝑥

𝑑𝑛
𝐻=
𝑑𝑥 𝑛
𝐻 = 𝐴(𝑥)𝑢
19
 Exemples d’opérateurs non linéaires :

𝐻 = 𝐴(𝑥)𝑢2

𝐻 = 𝐴(𝑥)𝑢𝑛

𝐻 = 𝐴(𝑥)𝑒 𝑢

𝑑𝑢
𝐻 = 𝑢 𝑑𝑥

c) Modèles statiques et modèles dynamiques

Un modèle est statique s’il décrit le régime permanent du système auquel il correspond.
Les équations qui le représentent ne comportent pas de termes d’accumulation.
Dans le cas contraire, le modèle est dynamique et caractérise le fonctionnement en régime
transitoire du système.
Un modèle dynamique peut servir à l’étude du démarrage, d’arrêt et du contrôle du
système. Il peut aussi être utilisé pour une conception plus précise de ce dernier, que celle
effectuée classiquement à l’aide d’un modèle statique.
Notons que la réponse du système en régime permanent est la limite, lorsque le temps
tend vers l’infini, de la réponse en régime transitoire.
Notons aussi que dans la pratique, un régime permanant parfait n’existe pas.
d) Modèles à paramètres distribués et modèles à paramètres globaux
Un modèle est à paramètres distribués si les variables dépendantes varient d’un point à
l’autre du système. C’est le cas des modèles microscopiques, de dispersion ou du gradient
maximum. Dans le cas contraire, le modèle est à paramètres globaux (modèles
macroscopiques).
e) Type d’équations
On distingue quatre types d’équations :
- algébriques ;
- différentielles ordinaires ;
- différentielles aux dérivées partielles ;
- algébro-différentielles.
Les équations algébriques représentent un modèle statique à paramètres globaux.
Les équations différentielles ordinaires peuvent être associées à un modèle dynamique à
paramètres globaux, ou à un modèle statique à un paramètre distribué.

20
Les équations différentielles aux dérivées partielles peuvent représenter un modèle à
paramètres distribués, statique ou dynamique.
Certaines équations exprimant les conditions aux limites des équations différentielles
ordinaires ou aux dérivées partielles sont de type algébrique donnant lieu à des systèmes
d’équations algébro-différentielles.

21
 CHAPITRE 2 : MODELISATION DES EQUILIBRES LIQUIDE-VAPEUR
INTRODUCTION
Les procédés industriels de transformation de la matière et / ou de l’énergie sont le siège de
phénomènes physico-chimiques qui déterminent leur comportement statique et dynamique.
Parmi ces phénomènes, les phénomènes thermodynamiques sont toujours impliqués pour
l’analyse des bilans énergétiques et pour déterminer l’état d’équilibre des transformations
physico-chimiques mises en jeu ; Ce qui correspond au rendement maximum de ces
transformations.
Différents équilibres physico-chimiques peuvent avoir lieu dans un procédé :
- des équilibres physiques :
 équilibres liquide-vapeur ;
 équilibres liquide-liquide ;
 équilibres liquide-gaz ;
 équilibres liquide-solide ;
- des équilibres chimiques.
Dans cette section nous nous limiterons à la modélisation des équilibres liquide-vapeur et ce,
pour l’importance de ces équilibres pour la modélisation des équipements rencontrés dans
les procédés en général et les centrales thermiques en particulier.
Deux phases, liquide et vapeur, sont à l’équilibre si elles sont à la même température et à la
même pression et que les fugacités de chaque constituant dans les deux phases sont
identiques. Ces conditions d’équilibre permettent de déterminer l’état thermodynamique de
chacune des deux phases à l’équilibre. Avant de procéder au calcul de cet état d’équilibre, il
faudra tout d’abord exprimer la fugacité d’un constituant en phase vapeur et en phase
liquide, pour un constituant pur ou dans un mélange.
2.1. Fugacité en phase vapeur ou gazeuse
La fugacité d’un gaz pur s’exprime par la relation suivante :

p
1
Lnf = 
RT 0
Vdp

D’après cette équation, pour un gaz parfait on a:

f=P
L’écart de non idéalité d’un gaz réel par rapport à un gaz parfait peut être apprécié à l’aide du
coefficient de fugacité, φ. Pour un gaz pur, ce coefficient est défini par la relation :

22
 f
φ=
P
Pour un constituant dans un mélange, le coefficient de fugacité est défini par :
𝑓𝑖
𝜑𝑖 =
𝑦𝑖 𝑃
Le coefficient de fugacité peut être calculé par la relation suivante :

P
dP
Lnφ =  (z -1)
0 P
Où :

PV est le facteur de compressibilité

Z=
RT
Pour calculer les fugacités, on peut utiliser des équations d’état thermodynamiques :
f (P, V, T, composition) = 0
2.2. Equations d’état
2.2.1. Equation de Van der Waals
La plus ancienne équation d’état de gaz réels est l’équation de Van der Waals:

a
(P + 2 )(V - b) = RT
Où :
V
27 R 2Tc2
a=
et
64 Pc

23
 RTc
b=
8Pc
Cette équation est très approximative dans la plupart des cas ; il n’est donc pas conseillé de
l’utiliser pour les calculs des procédés.
2.2.2. Equation de Redlish-Kwong (RK)

RT a
P= - 0,5
V - b T V(V + b)
Pour les substances pures :
a = f1(Pc, Tc) et b = f2 (Pc, Tc)
L’équation cubique correspondante est:
Z3- Z2 - Z(B2+B-A)-AB=0
Les conditions d’utilisation de cette équation sont les suivantes :
𝑃
- 𝑃𝑟 = ≤ 0,8
𝑃𝑐
- Très utilisée en raffinage de pétrole et en pétrochimie
- Elle n’est pas utilisable pour la phase liquide et au voisinage du point critique.
- Les règles de mélange ne font pas intervenir de paramètres d’interactions binaires
Cette équation permet de prédire, lorsque les conditions de son utilisation sont requises, le
comportement du mélange à partir de la connaissance de la pression et la température
critiques, Pc et Tc , de chacun des constituants du mélange.
2.2.3. Equation de Redlish-Kwong-Soave (RKS)

RT a(T)
P= -
V - b V(V + b)
Pour les substances pures : a(T) = f(Pc, Tc, w)

R 2Tc2
a(T) = 0, 42748 α(T)
Avec :
Pc

24
 α = 1+ m(1- Tr )
Avec :
m = 0,48+1,574ω-0,172ω 2
Où ω est le facteur acentrique de la substance. Il est donné par la relation :

ω = -(1 + logPVP,r ) Tr =0,7

L’indice inférieur r est relatif à la valeur réduite de la variable correspondante (le rapport
de la valeur de la variable réelle à la valeur critique de cette variable).
L’équation cubique correspondante est :

Z3 - Z2 - (B2 + B - A)Z - AB = 0
Avec :

a(T)P 0, 42748Pr
A= =
et
(RT) 2 Tr2

bP 0,08664Pr
B= =
RT Tr
Cette équation ne s’applique pas qu’aux substances pures, mais elle s’applique aussi aux
mélanges moyennant les règles de mélange suivantes :

A m =  yi y j Aij
i j
et

A ij = A i0,5 A 0,5
j (1- k ij )
Où kij est le paramètre d’interaction binaire entre les substances i et j, estimé par ajustement à
l’aide de données expérimentales.

Les conditions d’utilisation de cette équation sont les suivantes :

- Elle peut être utilisée au voisinage du point critique et en phase liquide.
- Les règles de mélange font intervenir des paramètres d’interaction binaires.
- Elle ne permet pas de faire une bonne prédiction de la densité en phase liquide.

25
2.2.4. Equation de Peng-Robinson (PR)

RT a(T)
P= -
V - b V(V + b) + b(V - b)
Pour les substances pures :
a = f1(Pc, Tc, ω) et b = f2 (Pc, Tc)
L’équation cubique correspondante est :
Z3 - (1-B)Z2 + (A - 3B2 - 2B)Z - (AB - B2 - B3) = 0
Ses règles de mélange sont :

n n
Am =  xi x j Ai A j (1- δij )
i=1 j=1
et

n n (Bi + B j )
Bm =  xi x j
i=1 j=1 2
Où δij : est le paramètre d’interaction binaire des deux substances i et j, estimé par ajustement à
l’aide de données expérimentales.

Les conditions d’utilisation de cette équation sont les suivantes :

- Meilleures prédictions de pressions de vapeur, des densités de liquides et des équilibres entre
phases.
- Équation valable pour les deux phases liquide et vapeur.

Les règles de mélange de l’équation PR sont identiques à celles de l’équation RKS. Comme cette
dernière, elle fait intervenir des paramètres d’interactions binaires qui lui sont propres.

2.2.5. Equation de Lee-Kesler (LK)

C’est une équation obtenue par application des états correspondants à l’équation de
Benedict-Webb-Rubin (BWR). Alors que l’équation BWR nécessite 8 paramètres pour
chaque constituant, les paramètres de l’équation LK sont obtenus pour un fluide de
référence (n-octane) et pour un fluide simple (ω = 0).
Les avantages de l’équation LK sont :
- Elle peut être utilisée pour prédire les propriétés de mélanges de nature variée en plus
des hydrocarbures.
- Elle permet de faire une très bonne prédiction des enthalpies.

2.2.6. Equation de Viriel

26
 B(T) C(T)
Z = 1+ + 2
+ ...
V V
B et C sont le 2ème et le 3ème coefficient de Viriel, respectivement.
La forme la plus utilisée est celle obtenue par troncature au-delà du 2ème coefficient :

PV B
= 1+
RT V
Les conditions d’utilisation de l’équation de Viriel sont les suivantes :
- L’équation de viriel ne peut pas être appliquée aux mélanges dont la densité dépasse
0,5*ρc .
- Elle peut être appliquée aux mélanges polaires et non polaires.
- Les règles de mélanges font intervenir des coefficients d’interaction binaires.

2.3. Fugacité en phase liquide

La fugacité d’un constituant i en phase liquide est donnée par la relation :

f = γ xf
i
L
i i i
°L

Où :

𝛾𝑖 : le coefficient d’activité du constituant i dans le mélange ;

f i L : la fugacité du constituant i à l’état de référence.

Le choix de l’état de référence est arbitraire, par exemple l’état de référence peut être le
liquide pur à la pression et température du système.

On définit le coefficient de fugacité liquide, 𝜈 0𝐿 , à l’état de référence par la relation :

°L
f
ν °L = i
P
La fugacité d’un liquide pur peut être calculée à l’aide de la relation suivante :

27
  1 P 
f (T,P, x i = 1) = Pvpi (T)φ (T)exp   Vi (T,P)dP 
L S L
i
 RT P i

 vpi 
Où :

𝑉𝑖𝐿 est le volume molaire liquide pouvant être calculé à l’aide de la corrélation de Yamada ;
Pvp,i : la pression de vapeur du constituant i calculée à l’aide de l’équation d’Antoine
étendue :

B
LnPvp,i = A + + DT + ELnT + FT 2
C+T
𝜑𝑖𝑠 : le coefficient de fugacité du constituant i pur à l’état saturé, calculé à l’aide de
l’équation d’état applicable à ce constituant.
La relation, ci-dessus, donnant la fugacité du liquide pur, permet de calculer la fugacité de ce
constituant à l’état standard, 𝑓 0𝐿 .
Il existe des corrélations empiriques pour l’estimation du coefficient de fugacité liquide à
l’état standard,𝜈 0𝐿 , comme celles de Chao et Seider et Grayson et Streed très utilisées en
raffinage de pétrole.
2.4. Modèles de coefficient d’activité
Ils sont basés sur l’équation de Gibbs-Duhem :

 n dLnγ
i=1
i i =0

L’énergie libre totale d’excès est donnée par:

N
G = RT n i Lnγi
E

i=1
Les deux équations précédentes conduisent à la relation suivante :

28
 GE
RTLnγi = ( )T,P,n j
ni
Il existe des modèles exprimant l’énergie libre molaire

GE
g E
:
nT
Ces modèles sont classés en deux catégories :
- Modèles basés sur la composition globale : Margules, Van Laar,…
- Modèles basés sur la composition locale : Wilson, NRTL, UNIQUAC,…

2.4.1. Modèle de Margules à deux suffixes

N N
1
gE =  Aijx i x j
2 i=1 j=1
N N
RTLnγk = (Aik - 0,5Aij )xi x j
i=1 j=1

Les paramètres d’interactions binaires de ce modèle sont tels que :

Aij = A ji et Aii = A jj = 0
2.4.2. Modèle de Wilson

N
xi ki
gE Lnγi = -Ln( ij x j )  1  
N N
 - xi Ln( xi Λij ) N
RT i=1 j=1
k 1
x 
j 1
j kj

 λij - λii 
LS

Λij =
V
exp -
j
LS 
λij = λ ji
V i  RT  29
2.5. Modélisation d’un séparateur flash liquide-vapeur

30
 2.5.1. Conditions d’équilibre

fiV = fiL i =1, N

φi yi P = γi xifi°L
 V LS
(P - Pvpi ) 
φi yi P = γi xi Pvpi i exp 
S i

 RT
 
Soit :
yi P = γi xi Pvpi i
Avec :

φSi  ViLS (P - Pvpi ) 

i  exp  
φi  RT
Ce qui permet d’écrire, Ki sous la  
forme suivante:
yi Pvpi
Ki =  Ki = γi i K i = K i (T,P, x, y,θ)
xi P
2.5.2. Equations du modèle d’équilibre liquide-vapeur

yi = Ki xi i =1, N N équations

i =1, N N équations
K i = K i (T, P, x, y,θ)
avec:

zi = αyi + (1- α)x i i =1, N N équations

x
N N

i 1
i 1 y
i 1
i 1 z
i 1
i 1  2 équations indépendantes
31

3 N + 2 équations indépendantes à 4 N +3 variables

 Les z sont des entrées
i
, ce qui implique N spécifications supplémentaires automatiquement satisfaites
soit 3 N+ 1 équations indépendantes à 3 N + 3 inconnues

Si on ajoute l’équation de bilan thermique, on introduit une équation supplémentaire mais avec une variable
supplémentaire (H). On obtient donc :

3 N + 2 équations à 3 N + 4 inconnues
La résolution de ce système d’équations nécessite 2 autres spécifications :
 ELV à P et T fixées
 ELV à P et fixées
 Température de rosée (=1)
 Température de bulle (=0)
 ELV à T et  fixées
 Pression de rosée (=1)
 Pression de bulle (=0)
 ELV à P et H fixés

32
 2.5.3. Résolution des équations du modèle d’équilibre liquide-vapeur
On réécrit les équations du modèle sous la forme suivante :

zi
xi =
1+ α(Ki -1)
K i zi
yi =
1+ α(Ki -1)

Pvpi
K i = γi i
P
N N

 xi -  yi = S(VAR) = 0
N N
H = (1- α) x i H +  yi HiV
L
i
i=1 i=1 i=1 i=1

VAR = T ou P ou  …

La résolution globale de ce système d’équations ne converge pas toujours. D’où l’intérêt

d’une décomposition de ce système.
a) Schéma de calcul à T et P fixées
On exprime S(VAR) en fonction de la fraction vaporisée, α, soit :

N
zi (1- Ki )
S(α) = 
i=1 1+ α(Ki -1)

Le schéma de calcul est alors le suivant :

33
 x, y Ki constante ? ?

r S()=0

non

c


On initialise le calcul avec les constantes d’équilibre idéales et une valeur de α donnée. On
calcule x et y puis les Ki à l’aide des expressions du modèle. On teste la convergence des Ki,
sinon on itère en recalculant x et y puis les Ki et ainsi de suite jusqu’à convergence sur les Ki.
Une fois cette convergence atteinte, on teste si l’équation S(α) = 0 est satisfaite, sinon on
réitère sur α et on répète la boucle sur les Ki jusqu’à convergence.

b) Schéma de calcul à H et P fixées

es
? ?
S(T)=0 H()=0
r x, y Ki constante?
K

c


c


H() = H(T, P, x, y, ) - Hd

34
 EXERCICE
Un mélange équimolaire de benzène et de toluène est stocké sous une pression de
1000mmHg (133,22 kPa).
Calculer la température de bulle et de rosée de ce mélange.
On suppose que la pression de vapeur de chacune des deux substances est régie par la loi
d’Antoine.

ln  pmmHg   16,1753 
2948,78
Benzène :
T  44,5633

ln p(mmHg   16,2665 

3242,38
Toluène :
T  47,1806
Et que la loi de Raoult est applicable.

35
 CHAPITRE 3 :
MODELES PHYSICOCHIMIQUES MICROSCOPIQUES CONTINUS
Un modèle physicochimique est une représentation mathématique du procédé, basée sur les
équations de conservation de matière, d’énergie et de quantité de mouvement et mettant en
œuvre des lois décrivant les phénomènes mis en jeu.
Différents niveaux de description des phénomènes peuvent être considérés comme indiqué
dans le tableau 1 ci-après.
Tableau 1 : Niveaux de description des phénomènes (Adapté de : David M. Himmelblau & Kenneth
B. Bischoff . Process Analysis and Simulation: deterministic systems. Wiley (1968) )

Type de modèle Utilisation en ingénierie Aspects considérés

Moléculaire et atomique - Bases fondamentales Entités discrètes : mécanique

- Ingénierie de produits quantique ; mécanique
- Nanotechnologies statistique ; théorie cinétique

Microscopique - Applicable dans des cas Phénomènes en régime

spécifiques : laminaire ; théorie statistique
- Intensification des de la turbulence
procédés…

Gradients multiples - Systèmes polyphasés gaz- Laminaire et turbulent :

liquide-solide
Phénomènes de transferts ;
transferts en milieux poreux

Gradient maximum Systèmes ouverts ; écoulement Laminaire et turbulent :

piston phénomènes de transfert ;
cinétique de réactions
chimiques

Macroscopique Très large utilisation Ingénierie des procédés

classiques

3.1. Formulation générale des équations de conservation

Soit le volume de contrôle représenté sur la figure ci-dessous :

36
 Δz

x,y,z
Δy
Δx

Equation générale de conservation d’entité autour du volume de contrôle :

[Entrée à travers la surface externe] + [Génération algébrique à l’intérieur du volume]
=
[Sortie à travers la surface externe] + [débit d’accumulation dans le volume]

3.2. Equations de conservation de matière

En supposant un mélange réactionnel binaire constitué de A et B (A se transforme en B),
considérons les notations suivantes :
ρ: masse volumique du fluide
ρA: masse volumique du constituant A
JiA: flux massique par diffusion de A
rA: vitesse de génération nette de A, dans le cas d’une réaction chimique, rA= νAr , νA et r étant
le coefficient stœchiométrique de A et la vitesse de la réaction, respectivement
vi: vitesse moyenne du fluide par rapport à un repère fixe
ωA: fraction massique de A
viA: vitesse moyenne de A par rapport à un repère fixe
𝔇AB : coefficient de diffusion moléculaire de A par rapport à B
Les termes de l’équation de bilan de A pendant un intervalle de temps Δt :
Accumulation : [ρA(ΔxΔyΔz)]t+Δt – [ρA(ΔxΔyΔz)]t
Les temrs de transfert convectif dans les trois directions (entrée – sortie) sont:
Dans la direction x : [vxρA(ΔyΔz)Δt]x - [vxρA(ΔyΔz)Δt]x+Δx

37
Dans la direction y : [vyρA(ΔxΔz)Δt]y - [vyρA(ΔxΔz)Δt]y+Δy
Dans la direction z : [vzρA(ΔxΔy)Δt]z - [vzρA(ΔxΔy)Δt]z+Δz
Les termes de transfert par diffusion moléculaire dans les trois directions (entrée – sortie)
sont:
Dans la direction x : [JxA(ΔyΔz)Δt]x - [JxA(ΔyΔz)Δt]x+Δx
Dans la direction y : [JyA (ΔxΔz)Δt]y - [JyA(ΔxΔz)Δt]y+Δy
Dans la direction z : [JzA(ΔxΔy)Δt]z - [JzA(ΔxΔy)Δt]z+Δz
Le terme de génération nette de A est: rA(ΔxΔyΔzΔt)
En remplaçant dans l’équation (1) et après division de tous les termes par ΔxΔyΔzΔt, on
obtient :

(2)

En faisant tendre Δx, Δy, Δz et Δt vers zéro, on obtient l’équation suivante :

(3)

Qui s’écrit à l’aide de l’opérateur « divergence » nabla,

(4)

La même démarche peut être empruntée pour obtenir l’équation de bilan par rapport à B :

38
 (5)

L’addition des deux équations (4) et (5) terme à terme donne l’équation de bilan massique
global, bien connue sous le nom de l’équation de continuité :

(6)

car :

(7)

Pour un mélange binaire, le flux de transfert de A par diffusion moléculaire peut être exprimé
par la loi de Fick :
(8)

En tenant compte de l’équation (8), l’équation (4) devient :

(9)
Or,

(10)
Si la densité du fluide est constante, en vertu de la relation (10) appliquée à toute la masse
du fluide, l’équation (6) de continuité donnerait :

L’équation (9) deviendrait en posant CA=ρA/MA et RA=rA/MA:

(11)
Dans un fluide stagnant en absence de transformation chimique, on retrouve la deuxième loi
de Fick :

39
 (12)

3.3. Equation de conservation de quantité de mouvement

3.3.1. Transfert moléculaire de quantité de mouvement : loi de viscosité de Newton

Les deux plaques

larges de surface A,
au repos,

La plaque inférieure est

mise en mouvement

Régime transitoire

Régime stationnaire

Figure 1 : Transfert moléculaire de quantité de mouvement (Source : Bird et al., 2002)

La figure 1 décrit l’état de molécules d’un fluide au repos contenu dans un volume situé entre
deux plaques larges de surface A parallèles. Tant que les deux plaques sont au repos le fluide
reste au repos. Si la plaque inférieure est mise en mouvement avec une vitesse V les particules
du fluide se déplacent elles aussi à une vitesse ϑx(y,t) qui dépend de la distance, y, qui les
sépare de la plaque en mouvement et du temps. En régime stationnaire, le profil de vitesses
des particules du fluide en fonction de y est linéaire avec une vitesse V pour les particules qui
adhèrent à la plaque inférieure et une vitesse nulle pour celles qui adhèrent à la plaque
supérieure. La force tangentielle, F, qui fait déplacer la plaque inférieure est nécessaire pour
maintenir le profil de vitesse obtenu en régime permanent. Cette force est liée à la vitesse V par la
relation suivante :

40
 (13)

Où
μ: est la viscosité du fluide se trouvant entre les deux plaques et Y la distance qui sépare les
deux plaques.
F/A est la contrainte tangentielle appliquée à la plaque inférieure et à la couche du fluide qui
y adhère. La contrainte tangentielle qui s’applique à une couche de fluide située à une distance
y de la plaque inférieure est donnée par la loi de viscosité de Newton :

(14)

τyx est la contrainte tangentielle parallèlement à la direction x sur la couche de fluide située
à la distance y de la plaque en mouvement. Elle est proportionnelle et de signe opposé à la
dérivée de la vitesse de la couche du fluide par rapport à y et le coefficient de proportionnalité
est la viscosité du fluide.
3.3.2. Généralisation de la loi de viscosité de Newton

Figure 2 : Contraintes visqueuses et de pression agissant sur les plans perpendiculaires aux
trois directions du repère (Source : Bird et al., 2002)

41
 Considérons le cube de fluide montré sur la figure 2, de faces de longueur unitaire.
Deux types de contraintes s’appliquent sur ce cube :
- les contraintes de pression, pδx, pδy, pδz sont perpendiculaires aux plans sur lesquels
elles s’appliquent ;
- les contraintes visqueuses, τx, τy, τz, dues aux gradients de vitesse, ne sont en général ni
parallèles, ni perpendiculaires aux plans sur lesquels elles s’appliquent.

On définit un tenseur de contraintes moléculaires décrit par le tableau 2.

Tableau 2 : Tenseur des contraintes moléculaires (Source: Bird et al., 2002)

Direction Le vecteur des

normale à contraintes Les composantes des contraintes appliquées
la face appliquées sur la sur les surfaces hachurées
hachurée surface hachurée

x y z

(15)

Les composantes du tenseur de contraintes peuvent être exprimées sous la forme générique
suivante :
Πij = pδij + τij i,j=x, y, z
δij: symbole de Kronecker, δij =1 si i=j, δij =0 sinon
δij =1: contraintes normales; δij =0: contraintes de cisaillement
3.3.3. Expressions des contraintes visqueuses pour les fluides Newtoniens
Ces expressions sont données par les relations de Navier, Poisson et Stockes :

(16)

Avec: τij = τji i,j = 1, 2, 3 (les 3 directions du repère)

En notations tensorielles, les équations (16) deviennent :

42
 (17)

où

∇𝑣 , (∇𝑣)𝑡 et ∇. 𝑣 représentent le tenseur du gradient de vitesse, son transposé et la divergence

de la vitesse, respectivement.

En plus de la viscosité, l’équation (16) (ou (17)) fait intervenir la viscosité de dilatation, 𝜅

La viscosité de dilatation n’est généralement pas considérée car, si le fluide est un gaz elle est
négligée, si le fluide est un liquide incompressible ∇. 𝑣 = 0.

3.3.4. Transfert convectif de quantité de mouvement

Figure 3 : Flux de quantité de mouvement à travers les faces hachurées (Source: Bird
et al., 2002)

Sur la figure 3, ρv vx, ρv vy, ρv vz sont les flux de quantité de mouvement à travers les surfaces
hachurées.
Les composantes du flux convectif de quantité de mouvement sont définies par le tableau 3.

43
Tableau 3 : Composantes du flux convectif de quantité de mouvement

Composantes du flux convectif

de quantité de mouvement
Direction normale Flux de quantité de
à la section mouvement à travers
hachurée
x y z
la section hachurée

(18)

Le flux total de quantité de mouvement, φ, est la somme du flux moléculaire et du flux

convectif de quantité de mouvement. En écriture tensorielle, cela donne :

(19)
3.3.5. Equation de bilan de quantité de mouvement
La figure 4 décrit le volume de contrôle par autour duquel le bilan de quantité de mouvement
est effectué :

Figure 4 : volume de contrôle pour le bilan de quantité de mouvement

44
L’équation de bilan de quantité de mouvement appliquée au volume de contrôle:

(20)

a) Termes de l’équation de bilan :

- Vitesse d’accumulation :

- Transfert dans les trois directions (entrée – sortie):

Direction x : [φxx(ΔyΔz)]x - [φxx(ΔyΔz)]x+Δx
Direction y : [φyx(ΔxΔz)]y - [φyx(ΔxΔz)]y+Δy
Direction z : [φzx(ΔxΔy)]z - [φzx(ΔxΔy)]z+Δz
- Force gravitationnelle : ρgx(ΔxΔyΔz)
En divisant tous les termes par (ΔxΔyΔz) et en faisant tendre Δx, Δy et Δz vers zéro, l’équation
(20) relative à la direction x devient :

(21)

En procédant de même, on peut obtenir les équations par rapport aux directions y et z:

(22)

(23)

Les équations (21) à (23) peuvent s’écrire sous la forme :

45
 (24)

Ou vectoriellement :

(25)
En remplaçant φ par son expression donnée par l’équation (19) , l’équation (26) devient:

(26)
Débit net Débit net d’entrée de Force
Vitesse
d’entrée de quantité de externe
d’accumulation
quantité de mouvement par unité exercée sur
Par unité de
mouvement par de volume par le fluide par
volume
unité de volume transfert moléculaire unité de
par transfert volume
convectif

3.4. Equation de conservation d’énergie

3.4.1. Transfert de chaleur moléculaire : loi de Fourier
La figure 5 décrit une plaque d’épaisseur Y à une température initiale T0. A l’instant t=0 sa face
inférieure est portée à la température T1 grâce à une puissance de chauffe, Q. Un flux de
chaleur q est transféré le long de la plaque dans la direction y, portant la température à une
distance y de la face inférieure à T(y,t) dépendant de y et du temps. En régime permanent,
T(y) est linéaire en fonction de y et l’écart de température, ΔT, entre les deux faces de la
plaque est reliée à la puissance de chauffe Q par la relation :

Où A est la surface de chacune des deux faces de la plaque et k, la conductivité thermique de

la plaque. Autrement dit, le flux de chaleur transféré à travers la plaque est proportionnel au
gradient de température entre les deux faces de la plaque et la constante de proportionnalité
est la conductivité thermique de la plaque.
Le flux de chaleur transféré à travers une section longitudinale de la plaque située à la distance
y de la face inférieure est donné par la loi de Fourier :

46
 (27)

Une plaque d’épaisseur Y,

de température initiale T0

La face inférieure est

portée à la température
T1

Régime transitoire

Régime permanent

Figure 5 : Transfert de chaleur par conduction (Source: Bird et al., 2002)

3.4.2. Loi de Fourier : cas général
Le flux de chaleur dans chacune des trois directions d’un milieu isotrope s’exprime par les
relations suivantes :

47
 (28)

Ce qui peut s’écrire sous forme vectorielle comme suit :

𝑞 = −𝑘∇𝑇
Certains solides comme un cristal non cubique, des matériaux fibreux ou lamellaires sont non
isotropes. Dans ce cas, la loi de Fourier s’exprime par la relation suivante :

(29)
Où 𝜅 est le tenseur symétrique des conductivités thermiques.

3.4.3. Transfert d’énergie par convection

Figure 6 : Flux convectif d’énergie (Source : Bird et al., 2002)

Les composantes du vecteur « flux convectif d’énergie » s’expriment par :

Soit, sous
forme (30)
vectorielle :

Où U est l’énergie interne massique du fluide.

3.4.4. Travail des forces de pression et des forces visqueuses

48
La figure 7 représente les composantes du flux du travail réalisé par les forces de pression et
les forces visqueuses.

Figure 7 : Composantes du flux du travail réalisé par les forces de pression et les forces
visqueuses
Les expressions des composantes du flux du travail des forces de pression et des forces
visqueuses sont les suivantes :

(31)

3.4.5. Le flux combiné d’énergie

La combinaison des vecteurs flux d’énergie donnés par les expressions (28), (30) et (31)
constitue le vecteur « flux combiné d’énergie » :

(32)

Or :

Soit :

(33)

49
3.4.6. Equation de conservation de l’énergie

(34)

a) Termes de l’équation :
Ces termes sont les suivants :
- Vitesse d’accumulation :

- Transfert dans les trois directions (entrée – sortie):

Direction x : [ex (ΔyΔz)]x - [ex(ΔyΔz)]x+Δx
Direction y : [ey(ΔxΔz)]y - [ey(ΔxΔz)]y+Δy
Direction z : [ez(ΔxΔy)]z - [ez(ΔxΔy)]z+Δz
- Puissance de la force de gravité : ρx(ΔxΔyΔz)(gxvx + gyvy + gzvz)
En divisant tous les termes par (ΔxΔyΔz) et en faisant tendre Δx, Δy et Δz vers zéro, l’équation
(34) relative à la direction x devient:

(35)

En notations vectorielles, l’équation (35) devient :

50
 (36)

Ou encore, en utilisant l’expression de e :

(37)

51
 Partie II :
Modèles de populations

52
 INTRODUCTION
Nous avons vu dans la partie I que les modèles physico-chimiques sont développés à partir
des lois de conservation de matière, d’énergie et de quantité de mouvement, mettant en
œuvre les relations qui régissent les cinétiques des phénomènes physico-chimiques
(transferts de matière, de chaleur et de quantité de mouvement, réactions chimiques,
adsorption et autres) mis en jeu dans le système étudié.
Dans le cas où les modèles macroscopiques et à gradient maximum ne permettent pas de
décrire valablement le comportement du système, le développement d’un modèle physico-
chimique devient souvent une tâche très complexe, à cause des difficultés inhérentes aux
détails physiques internes au système nécessaires à l’élaboration du modèle.
En effet, même si les modèles à gradients multiples, faisant intervenir des paramètres de
dispersion susceptibles d’être déterminés expérimentalement, semblent relativement
abordables, l’utilisation de ces modèles ne peut convenir que dans des situations particulières
(écoulement turbulent ou proche de l’écoulement piston).
Ainsi, dans le cas de systèmes complexes difficiles à représenter à l’aide de modèles physico-
chimiques, une autre approche de description basée sur les bilans de population peut leur
être appliquée. Selon cette approche, le système est constitué d’une population d’entités
individuelles pouvant évoluer dans l’espace et caractérisées par un ensemble de propriétés.
La population est définie à l’aide de fonctions de distribution de ces propriétés.
L’une des applications les plus importantes des modèles de population est l’analyse des
écoulements dans des équipements. D’autres applications ont été étudiées dans la littérature
concernant l’analyse de la distribution des dimensions de cristaux lors de la cristallisation, de
la distribution de l’activité et de la sélectivité de grains de catalyseurs en recyclage, de la
distribution de l’âge et de la taille des microorganismes…
Dans la présente partie, deux grandes applications des modèles de populations seront
étudiées : l’étude des écoulements et de la cristallisation.

53
 INTRODUCTION
Deux configurations idéales de l’écoulement sont souvent utilisées pour décrire de façon
approximative l’écoulement dans les appareils de procédés : l’écoulement piston et
l’écoulement à cuve parfaitement mélangée.
La première configuration est utilisée pour un écoulement dans une géométrie tubulaire, alors
que la seconde représente l’écoulement dans une cuve agitée.
L’hypothèse de l’écoulement piston suppose que les éléments du fluide se déplacent à la
manière d’un piston dans un cylindre. C’est-à-dire que tous les éléments du fluide situés dans
une tranche transversale différentielle se déplacent à la même vitesse. Le profil de vitesse
dans une section transversale est donc plat ; ce qui n’est pas réaliste ; car on sait que la vitesse
est nulle aux parois de l’appareil. On sait aussi que le profil de vitesse est parabolique dans le
cas de l’écoulement en régime laminaire (loi de poiseuille). Cependant, si le régime de
l’écoulement est turbulent (cas le plus fréquent dans le domaine des procédés industriels) le
profil de vitesse moyenne est plat le long de la plus grande partie de la section transversale
de l’écoulement. Pour ce dernier cas, l’hypothèse de l’écoulement piston, même si elle n’est
pas très précise, peut représenter, en première approximation, l’écoulement réel. Les
modèles physico-chimiques obtenus à l’aide de cette approximation sont de type gradient
maximum. Selon ce type de modèle, les profils de concentrations et de température le long
d’une section transversale sont plats. Dans la pratique, ces profils présentent des fluctuations
dues au profil de vitesse, à la diffusion moléculaire et à la diffusion turbulente pour les profils
de concentration ; à la conduction thermique et à la conduction effective, en plus du profil de
vitesse, pour le profil de température. D’autres écarts de l’écoulement réel par rapport à
l’écoulement piston peuvent être constatés en présence de court-circuit ou de fluide stagnant
(présence de chicanes, de garnissage…).
L’hypothèse de l’écoulement en cuve parfaitement mélangée suppose que les propriétés et
les variables dépendantes qui caractérisent le système, ne varient pas d’un point à l’autre de
l’espace délimitant ce système. Cette hypothèse peut être très valable si la cuve dans laquelle
se déroule l’écoulement, munie d’un système d’agitation convenable, est conçue de manière
à éviter les courants de court-circuit et les zones à fluide stagnant (zones mortes) et d’assurer
une agitation suffisante. Ce qui n’est pas toujours le cas des cuves utilisées dans les procédés
industriels.
Ainsi, comme on peut constater à travers ce qui précède, les deux modèles d’écoulement
idéaux ne représentent, de façon approximative, les écoulements réels, que dans des
situations particulières. Généralement, l’écoulement réel est intermédiaire entre ces deux
configurations idéales.
La détermination exacte de la nature d’écoulement d’un fluide au sein d’un récipient nécessite
la connaissance complète du champ de vitesses d’écoulements dans le récipient. La
détermination de ce champ passe par la résolution des équations de Navier-Stockes, avec des
conditions aux limites spécifiques à la géométrie du système dans lequel se déroule

54
l’écoulement. Cette résolution est très complexe surtout pour des géométries très irrégulières
telles que celles rencontrées dans les lits fixes et les milieux poreux.
Cependant, cette connaissance exacte de la nature de l’écoulement n’est pas toujours
nécessaire pour déterminer les performances de l’appareil où se déroule l’écoulement.
Ainsi, pour les besoins d’évaluation de performances de procédés dans beaucoup de cas,
l’approche de la mécanique des fluides est remplacée par une deuxième approche moins
rigoureuse, mais permettant d’obtenir les renseignements requis pour l’étude des
performances d’une grande partie des procédés industriels avec une précision suffisante.
Cette deuxième approche caractérise l’écoulement par la nature du mélange à deux niveaux
différents :
- le mélange au niveau microscopique ou « micro-mélange » ;
- le mélange au niveau macroscopique ou « macro-mélange ».
L’étude du micro-mélange est complexe et couteuse vu la nature de l’expérimentation à
réaliser. Cependant, une telle étude ne se justifie que dans des cas très spéciaux [3]. Cet aspect
du mélange ne sera pas étudié ici. En revanche, l’étude du macro-mélange, caractérisée à
l’aide de la distribution des temps de séjour du fluide dans le récipient, est très importante
pour la détermination des performances des procédés. C’est ce dernier aspect du mélange qui
sera étudié dans la présente section à l’aide de modèles de population. Plusieurs références
donnent une synthèse détaillée concernant cet aspect ([1], [3],[4],[5],[6]).

55
 CHAPITRE 4 :
FONCTIONS DE DISTRIBUTION CARACTERISTIQUES
DU MACRO-MELANGE
Soit un élément de fluide à l’intérieur du récipient. On peut définir pour cet élément :
- son âge interne, αt, comme le temps qui s’est écoulé depuis son entrée dans le
récipient ;
- son espérance de vie, λt, comme le temps qui lui reste à passer dans le récipient
avant d’en sortir ;
- son temps de séjour, ts, comme le temps total qu’il aura passé dans le récipient.
On a bien sûr :

t s = αt + λt
Trois fonctions de distribution d’âges peuvent être définies.
4.1. Fonction de distribution des âges internes, I(αt)
Elle est définie par rapport à la population constituée d’éléments de fluide situés à l’intérieur
du récipient. I(αt) est telle que I(αt)dαt représente la fraction de ces éléments dont l’âge
interne est compris entre αt et αt + dαt .

On a :

∞
∫ I(αt )dαt = 1
0
𝛼𝑡1
∫0 𝐼(𝛼𝑡 )𝑑𝛼𝑡 représente la fraction du fluide situé à l’intérieur du récipient dont l’âge
interne est inférieur à αt1.
4.2. Fonction de distribution des temps de séjour E(ts)
Elle est définie par rapport aux éléments fluides situés dans le courant de sortie du récipient.
E(ts)dts représente la fraction de ces éléments ayant séjourné à l’intérieur du récipient
pendant un temps compris entre ts et ts + dts.
Comme pour I(αt), on a :
∞
∫0 E(t s )dt s = 1
𝑡
𝑠1
∫0 𝐸(𝑡𝑠 )𝑑𝑡𝑠 représente la fraction de fluide dans le courant de sortie, ayant un temps de
séjour inférieur à ts1.
4.3. Fonction intensité, Λ(t)

56
 Elle est définie par rapport aux éléments du fluides situés à l’intérieur du récipient, de telle
sorte que λtdt représente la fraction du fluide d’âge interne, t, et qui va sortir du récipient
dans l’intervalle de temps compris entre t et t + dt.
Autrement dit, c’est la fraction de fluide d’âge interne, t , et d’espérance de vie inférieure ou
égale à dt.
La figure (1,1) donne l’allure type de I(αt), E(ts) et Λ(t).

Fraction Fraction dont le

I(αt) (s-1) E(ts) (s-1) Λ(t) (s-1)
plus jeune temps de séjour
que αt1 est supérieure à
ts1 Probabilité
pour que
l’élément
d’âge t1
sorte entre
t1 et t1 + dt

t (s)
αt1 αt (s)
ts1 ts (s) t1 t1 + dt
t1 t1
Figure (4.1) : Fonctions de distribution d’âge

Des âges internes adimensionnels peuvent être définis en rapportant I(αt), E(ts) et Λt au temps de
passage τ :
αt ts λt
α= ; θ= ; θ=
τ τ τ
Des fonctions de distribution adimensionnelles, I(α), E(θ) et Λ(θ), peuvent être définies de telle
sorte que :

I(α)d(α) = I(αt )dαt ; E(θ)d(θ) = E(t s )dt s ; Λ(θ)d(θ) = Λ(t)dt

Ce qui donne :

I(α) = τ I(αt ) ; E(θ) = τ E(t s ) ; Λ(θ) = τ Λ(t)

57
 4.4. Relations entre les fonctions de distribution d’âges
On suppose les hypothèses suivantes :
- fluide incompressible ;
- écoulement en régime permanent et sans réaction chimique ;
- sauf avis contraire, le réacteur et fermé à la diffusion (l’écoulement à l’entrée et à la
sortie est de type piston).
A cause de l’hypothèse de l’écoulement en régime permanent, le nombre d’éléments de
fluides situés à l’intérieur du récipient et dont l’âge interne compris entre 0 et t, c’est à dire le
nombre d’éléments de fluides qui sont entrés et restés dans le récipient, est égale au nombre
d’éléments de fluides distincts des précédents, qui sont sortis du récipient pendant ce même
laps de temps.
Algébriquement, ceci peut s’écrire :
t t ∞
VR ∫0 I(αt )dαt = ∫0 Q[∫t′ E(t s )dt s ]dt′
En dérivant les deux membres de cette équation, on obtient :
∞ t
τI(t) = ∫t E(t s )dt s = 1 − ∫0 E(t s )dt s
Ou en dérivant une seconde fois :
dI(t)
E(t) = −τ
dt
Ou encore :
dI(θ)
E(θ) = −
dθ
Pour trouver la relation entre I et E, on peut utiliser le bilan suivant, effectué à l’intérieur du
récipient :
La quantité de fluide qui sort avec un âge compris entre t et t+dt pendant le temps dt, est
égale au produit de la quantité de fluide dont l’âge est compris entre t et t+dt, par la fraction
de fluide d’âge t qui sort entre t et t+dt.
Soit :

Q[E(t)dt]dt = VR I(t)dtΛ(t)dt
D’où :
1 E(t) E(θ)
Λ(t) = ; Λ(θ) =
τ I(t) I(θ)

58
 4.5. Détermination expérimentale des fonctions de distribution d’âges
Les relations liant les trois fonctions de distribution d’âge permettent de déterminer ces
dernières à partir de la connaissance de l’une d’entre elles.
La technique expérimentale utilisée pour la détermination des fonctions de distribution d’âge
est la technique des traceurs. Celle-ci est basée sur les méthodes d’identification de systèmes
linéaires. Elle permet de déterminer la fonction de transfert du système étudié. Dans le cas de
l’étude de l’écoulement dans un récipient, cette fonction de transfert, E(S), est la transformée
de Laplace de la fonction de distribution des temps de séjour, E(t) (Figure (4.2)).

Détection
Injection
du traceur
du traceur

Ce(t)
Cs(t)

t t

Figure (4.2) : Fonction de transfert du réservoir par rapport à l’écoulement

𝑡
𝐶𝑠 (𝑡) = ∫0 𝐶𝑒 (𝑡 ′ )𝐸 (𝑡 − 𝑡 ′ )𝑑𝑡′
Cs (S)
E(S) =
Ce (S)

Ce(t) : le signal d’injection de traceur (concentration du traceur à l’entrée du récipient).

Cs(t) : le signal de réponse (concentration du traceur à la sortie du récipient).
Ce(S) et Cs(S) sont respectivement les transformées de Laplace de Ce(t) et Cs(t).
4.5.1. Injection en échelon
La figure (4.3) donne l’allure de la courbe de réponse à une injection de traceur en échelon
de valeur C0. La détermination de E(t) peut être obtenue directement en fonction de la
courbe en F comme montré, ci-après.

59
 La concentration en traceur à la sortie s’exprime par la relation :
𝑡
[𝑄 ∫0 𝐸(𝑡𝑠 )𝑑𝑡𝑠 ]𝐶0
𝐶(𝑡) =
𝑄
Soit :
𝐶(𝑡) 𝑡
𝐹 (𝑡) = = ∫0 𝐸 (𝑡𝑠 )𝑑𝑡𝑠
𝐶0

Ou encore :
𝑑𝐹
𝐸 (𝑡) =
𝑑𝑡
F = C/C0

Figure (1.3) : Réponse à une injection en échelon

4.5.2. Injection de Dirac

La figure (4.4) représente la forme typique de la réponse à un signal en impulsion de Dirac.

Injection de
Dirac : δ(t)
Réponse : C/C0

C/C0

t
Figure (4.4) : Réponse à une injection de Dirac
Remarquons que la réalisation parfaite, sur le plan pratique, d’une telle injection est
impossible. Mais on peut considérer généralement que si le temps de l’impulsion est

60
inférieur à 1% du temps de passage du récipient, celle-ci peut être assimilée à un signal de
Dirac.
E(t) peut être obtenue en écrivant que la quantité de traceur ayant sortie du récipient depuis
le début de l’injection jusqu’à t, est égale à celle dont le temps de séjour est inférieur à t,
soit :
t t
∫0 QCdt = n ∫0 E(t s )dt s
Ou :
Q
E(t) = C(t)
n
Avec n, le nombre de moles du traceur injectées.
𝑛 𝐶
En posant 𝑐0 = et 𝐶 = , on obtient :
𝑉𝑅 𝐶0

1
E(t) = C(t)
τ
Ou encore,

E(θ) = C(θ)
4.6. Relations de Van der Laân
Une courbe de distribution des temps de séjour, E(ts), peut être caractérisée par une série de
moments. Le moment d’ordre n par rapport à l’origine est défini par :
∞
∫0 𝑡 𝑛 𝐸 (𝑡𝑠 )𝑑𝑡𝑠
𝜇𝑛 = ∞
∫0 𝐸(𝑡𝑠 )𝑑𝑡𝑠
Généralement, trois moments suffisent à cette caractérisation :
- le moment d’ordre 1 par rapport à l’origine (moyenne de la DTS) ;
- le moment d’ordre 2 par rapport à l’origine (variance de la DTS) ;
- le moment d’ordre 3 par rapport à l’origine (caractérise la symétrie de la DTS).
L’évaluation de ces moments ne nécessite pas la connaissance de E(ts). En effet, on peut
faire cette évaluation à l’aide de la connaissance de la fonction de transfert par rapport à
l’écoulement, E(S), du récipient, moyennant la relation de Van der Laân :

𝑛 𝜕𝑛 𝐸(𝑆)
𝜇𝑛 = (−1) lim
𝑠→0 𝜕𝑆 𝑛
Cette relation permet d’éviter la détermination de la transformée inverse de Laplace de E(S)
qui est généralement très délicate à obtenir.

61
 4.7. Les fonctions de distribution d’âges des écoulements idéaux
4.7.1. Ecoulement piston
Dans le cas de l’hypothèse de l’écoulement piston, les éléments de fluide introduits au
même moment dans le récipient, y sortent au même moment après un intervalle de temps
égal au temps de passage à travers le récipient. Ce dernier se comporte donc comme un
retard pur ; soit :

E(t) = δ(t − τ)
F(t) = u(t − τ)
1
I(t) = [1 − u(t − τ)]
τ

Λ(t) = 0 si t ≠ τ
Λ(t) = ∞ si t = τ
4.7.2. Ecoulement dans une cuve parfaitement mélangée continue
Si on applique un signal de traceur de type impulsion de Dirac à l’entrée d’une cuve
parfaitement mélangée continue, la concentration en traceur monte instantanément à la
valeur C0 puis évolue suivant l’équation :
dC
VR + QC = nδ(t)
dt
Soit :
t
C
= e−τ = C
C0

Or :
1
E(t s ) = C
τ
Donc :

1 −t
E(t s ) = e τ
τ
La réponse à un signal de traceur en échelon unitaire est telle que :

t t 1 −t′
F(t) = ∫0 E(t s )dt s = ∫0 τ e τ dt′
Soit :
t
−τ 1−F(t) 1 −t
F(t) = 1 − e et I(t) = = e τ
τ τ

62
La fonction intensité est :
1 E(t) 1
Λ(t) = =
τ I(t) τ

La valeur constante de la fonction intensité indique que tous les éléments de fluide en
mélange parfait ont la même espérance de vie, indépendamment du temps qu’ils ont déjà
séjourné dans le récipient.

63
 EXERCICES
Exercice 1 :
On étudie l’écoulement dans un réservoir à écoulement réel en injectant à l’entrée une
brève impulsion de traceur.
La réponse a l’allure ci-dessous : la courbe peut être assimilée à une montée instantanée au
moment de l’injection, suivie d’une décroissance linéaire qui devient nulle au bout d’une
minute.
a) Donner l’expression mathématique de la distribution des temps de séjour, E(t).
b) Calculer le temps de séjour moyen.
Exercice 2 :
Un réacteur industriel de type « cuve agitée », destiné à mettre en œuvre en continu une
réaction en phase liquide, a été construit empiriquement. C’est ainsi que pour assurer ce
qu’on espérait être un bon mélangeage, on y dispose d’une certaine façon des chicanes et
des baffles, et on a adopté une localisation aussi favorable qu’il semblait pour les ajutages
d’entrée et de sortie qui sont de faible section droite.
Le volume réactionnel vaut 400 litres, et le débit volumique en régime permanent est de 8
litres/ minute.
Comme les performances de ce réacteur ne sont pas pleinement satisfaisantes (moins
bonnes que celles prévues par le calcul d’après un modèle d’écoulement à cuve
parfaitement mélangée), on décide d’étudier l’écoulement du fluide réactionnel par la
méthode des traceurs.
On injecte très rapidement 40 grammes de colorant dans la canalisation d’entrée, et on
enregistre la concentration du traceur à l’ajutage de sortie, à l’aide d’un spectrocalorimètre.
On obtient les résultats du Tableau ci-dessous (Expérience 1).
On demande de déterminer les courbes E(θ) et I(θ), et, à partir de celles-ci, d’expliquer
pourquoi le réacteur ne fonctionne pas de façon satisfaisante.
Après amélioration de la géométrie du réacteur en modifiant la disposition des chicanes et
des baffles, et en gardant les autres caractéristiques géométriques inchangées, on répète la
même expérience de traceur. On obtient les résultats du tableau ci-dessous (Expérience 2).
On demande de caractériser la nouvelle configuration de l’écoulement en établissant les
nouvelles courbes de E(θ) et I(θ). En déduire si une amélioration des performances a été
obtenue.
Caractériser E(θ), par ses moments d’ordre 1, 2 et 3.
Tableau : Résultats des deux expériences de traçage
t (mn) C (g/l) (Expérience 1) C (g/l) (Expérience 2)

64
0 indécelable indécelable
10 0,006 0,040
20 0,005 0,075
30 0,044 0,080
40 0,055 0,067
50 0,057 0,050
60 0,052 0,034
70 0,043 0,022
80 0,034 0,013
90 0,026 0,008
100 0,019 0,005
110 - 0,003
120 0,009 0,002
130 0,006 0,002
140 0,004 0,002
150 0,002 0,002
160 indécelable 0,002

65
 CHAPITRE 5 :
MODELES D’ECOULEMENTS REELS
Pour rendre compte de la nature d’un écoulement réel se produisant au sein d’un récipient,
on utilise généralement un modèle hydrodynamique aussi simple que possible, permettant
de restituer la courbe de distribution des temps de séjour expérimentale de ce récipient.
Plusieurs modèles hydrodynamiques ont été proposés dans la littérature pour décrire
l’écoulement dans différents types d’appareils employés dans les procédés industriels. Ces
modèles sont généralement classés en deux catégories qui sont présentées dans ce chapitre.
5.1. Modèles uniformes
Les modèles de cette catégorie sont généralement utilisés pour décrire les écoulements réels
dont les caractéristiques dépendent peu de la position des éléments de fluide au sein du
récipient.
5.1.1. Modèles piston dispersif
La figure (5.1) donne la forme du profil de concentration de la section transversale de
l’écoulement dans le cas des écoulements piston et réel.
La présence des fluctuations dans le profil relatif à l’écoulement réel est due aux diffusions
moléculaire et turbulente et au profil de la vitesse d’écoulement. Le transfert de matière ainsi
réalisé est dénommé dispersion de matière. Celle-ci est régie par une loi analogue à la loi de
Fick, avec le coefficient de dispersion qui ne caractérise pas seulement le fluide, mais qui
dépend aussi du régime d’écoulement et de la géométrie du récipient.

a b

Figure (5.1) : Profils de concentration des écoulements piston (a) et réel (b)
On distingue deux types de modèles piston dispersif : le modèle piston dispersif à dispersion
axiale uniforme et le modèle piston dispersif bidimensionnel à symétrie cylindrique.
a) Modèle piston dispersif à dispersion axiale uniforme
Ce modèle suppose l’existence d’une dispersion le long de l’axe principal de l’écoulement. Le
coefficient de dispersion est constant le long de cette direction.
L’équation du modèle obtenue à l’aide d’un bilan de matière par rapport au traceur, A, autour
d’un élément différentiel du récipient (figure (5.2)) est :

66
 ∂CA ∂CA 1 ∂2 CA
=− +
∂θ ∂λ Pe ∂λ2
Z t uL
avec λ= ; θ= et Pe =
L τ DL

où : u est la vitesse d’écoulement, DL le coefficient de dispersion axiale, et CA la

concentration en traceur dans le volume différentiel.

Z ΔZ

L
Figure (5.2) : Coordonnées du volume différentiel pour
le modèle piston dispersif à dispersion axiale uniforme

La détermination de la courbe de distribution des temps de séjour associée à ce modèle peut

être obtenue en résolvant l’équation ci-dessus pour une injection de Dirac. La solution
dépend des conditions aux limites. Les conditions aux limites les plus utilisées sont les
suivantes :
- récipient ouvert à la dispersion ;
- récipient fermé à la dispersion ;
- récipient semi-ouvert à la dispersion en amont ;
- récipient semi-ouvert à la dispersion en aval.

En cas de faible de faible dispersion (Pe > 25) la solution devient insensible au choix des
conditions aux limites. Dans ce cas, la solution est donnée par l’équation suivante (Figure
(5.3):
1 (1−𝜃)2
𝐸 (𝜃 ) = exp(− )
2√𝜋𝐷𝐿 4𝐷𝐿

b) Modèle piston dispersif bidimensionnel à symétrie cylindrique

Dans ce cas, la dispersion existe dans les deux directions, axiale et radiale. C’est un modèle à
deux paramètres, (Pe)L et (Pe)R. Dans ce cas, le volume différentiel est le volume situé entre
deux cylindres coaxiaux de rayon r et r+dr, dans la direction radiale, et entre z et z+dz, dans la
direction axiale, comme représenté la figure (5.4).
5.1.2. Modèles à cuves parfaitement mélangées en série
Deux modèles de ce type sont considérés ici sans ou avec rétro-mélange.

67
Le modèle à J cuves parfaitement mélangées en série sans rétro-mélange est schématisé par
la figure (5.5).

r +dr r

Z ΔZ

L
Figure (5.4) : Coordonnées du volume différentiel pour
le modèle piston dispersif à dispersions axiale et radiale

Q
… Q

1 2 J-1 J
Figure (5.5) : Modèles de cuves parfaitement mélangées en série
L’équation du bilan en traceur, par rapport à une cuve intermédiaire, i, est :

68
 𝑉 𝑑𝐶𝑖
𝑄𝐶𝑖−1 − 𝑄𝐶𝑖 =
𝐽 𝑑𝑡
V
En posant τ= , le temps de passage à travers le système, l’équation précédente devient :
Q
𝜏 𝑑𝐶𝑖
𝐶𝑖−1 − 𝐶𝑖 =
𝐽 𝑑𝑡
En appliquant la transformée de Laplace à cette équation, on obtient :
Ci (S) J 1
=
Ci−1 (S) τ S+ J
τ

En appliquant cette relation de cuve en cuve, on a :

C1 (S) J 1
=
C0 (S) τ S+ J
τ

𝐶2 (𝑆) 𝐽 1
=
𝐶1 (𝑆) 𝜏 𝑆+𝐽
𝜏

𝐶𝐽 (𝑆) 𝐽 1
=
𝐶𝐽−1 (𝑆) 𝜏 𝑆+𝐽
𝜏

La fonction de transfert du système s’exprime par :

𝐶𝐽 (𝑆) 𝐶𝐽 (𝑆) 𝐶𝐽−1 (𝑆) 𝐶2 (𝑆) 𝐶1 (𝑆) 𝐽 1
= … = ( )𝐽 ( 𝐽 )𝐽
𝐶0 (𝑆) 𝐶𝐽−1 (𝑆) 𝐶𝐽−2 (𝑆) 𝐶1 (𝑆) 𝐶0 (𝑆) 𝜏 𝑆+
𝜏

La fonction de distribution des temps de séjour est obtenue en appliquant la transformée

inverse. Cette DTS est la distribution de Poisson :
𝐽−1 𝑡
𝐽 𝑡 exp(−𝐽 𝜏𝑆 )
𝐸 (𝑡𝑠 ) = ( )𝐽 𝑆
𝜏 (𝐽−1)!

Pour rendre compte du phénomène du rétro-mélange qui peut être associé à un écoulement
réel, un courant de rétro-mélange, tel qu’indiqué sur le schéma de la figure (2.6), est ajouté
dans la cascade de cuves parfaitement mélangées.

69
 q q q q q
…
Q+q 1 Q+q 2 Q+q J-1 Q+q J Q+q

Figure (5.6) : Modèle de cuves parfaitement mélangées en série avec retro-mélange

Le bilan en traceur par rapport à une cuve intermédiaire i s’écrit comme suit :
𝑉 𝑑𝐶𝑖
(𝑄 + 𝑞 )𝐶𝑖−1 + 𝑞𝐶𝑖+1 − (𝑄 + 2𝑞)𝐶𝑖 =
𝐽 𝑑𝑡
L’application de cette équation aux différentes cuves de proche en proche donne :
𝑉 𝑑𝐶1
- Pour la cuve 1 : (𝑄 + 𝑞 )𝐶0 + 𝑞𝐶2 − (𝑄 + 2𝑞)𝐶1 =
𝐽 𝑑𝑡
𝑉 𝑑𝐶2
- Pour la cuve 2 : (𝑄 + 𝑞 )𝐶1 + 𝑞𝐶3 − (𝑄 + 2𝑞)𝐶2 =
𝐽 𝑑𝑡
- …
𝑉 𝑑𝐶𝑖
- Pour la cuve i : (𝑄 + 𝑞)𝐶𝑖−1 + 𝑞𝐶𝑖+1 − (𝑄 + 2𝑞)𝐶𝑖 =
𝐽 𝑑𝑡
- …
𝑉 𝑑𝐶𝐽−1
- Pour la cuve j-1 : (𝑄 + 𝑞 )𝐶𝐽−2 + 𝑞𝐶𝐽 − (𝑄 + 2𝑞)𝐶𝐽−1 =
𝐽 𝑑𝑡
𝑉 𝑑𝐶𝐽
- Pour la cuve J : (𝑄 + 𝑞 )𝐶𝐽−1 + 𝑞𝐶𝐽 − (𝑄 + 2𝑞)𝐶𝐽 =
𝐽 𝑑𝑡
La transformation de ce système d’équations dans le domaine de Laplace donne :
𝐽 𝐽
𝐶1 (𝑆) (1+𝛼)𝜏 𝛼𝜏 𝐶2 (𝑆)
- Pour la cuve 1 : = 𝐽 + 𝐽 𝐶 (𝑆)
𝐶0 (𝑆) 𝑆+(1+2𝛼)𝜏 𝑆+(1+2𝛼)𝜏 0
𝐽 𝐽
𝐶2 (𝑆) (1+𝛼)𝜏 𝛼𝜏 𝐶3 (𝑆)
- Pour la cuve 2 : = 𝐽 + 𝐽 𝐶 (𝑆)
𝐶1 (𝑆) 𝑆+(1+2𝛼)𝜏 𝑆+(1+2𝛼)𝜏 1
- …
J J
Ci (S) (1+α)τ ατ Ci+1 (S)
- Pour la cuve i : = J + JC
Ci−1 (S) S+(1+2α)τ S+(1+2α)τ i−1 (S)

70
 - ...
𝐽 𝐽
𝐶𝐽−1 (𝑆) (1+𝛼)𝜏 𝛼𝜏 𝐶𝐽 (𝑆)
- Pour la cuve J-1 : = 𝐽+ 𝐽
𝐶𝐽−2 (𝑆) 𝑆+(1+2𝛼) 𝑆+(1+2𝛼) 𝐶𝐽−2 (𝑆)
𝜏 𝜏
𝐽
𝐶𝐽 (𝑆) (1+𝛼)𝜏
- Pour la cuve J : = 𝐽
𝐶𝐽−1 (𝑆) 𝑆+(1+𝛼)𝜏

Dans ces équations, α est la fraction du rétro-mélange :

𝑞
𝛼=
𝑄
Au vu de ces équations, on se rend bien compte de la complexité de ce modèle.
5.2. Modèles combinés
Si à l’intérieur du récipient on peut distinguer plusieurs régions de natures d’écoulement
différentes, l’écoulement global peut être décrit à l’aide d’un modèle constitué de plusieurs
régions d’écoulement reliées entre elles par des courants de fluide. Ce type de modèles porte
le nom de modèles combinés.
Une région d’écoulement peut être à écoulement piston, à cuve parfaitement mélangée, à
écoulement piston dispersif, à cuves parfaitement mélangées en série ou une zone morte.
Un courant de fluide peut être utilisé pour des écoulements irréguliers (présence de zone
morte et/ou de court-circuit) ou encore pour des écoulements poly-phasiques (lit fluidisé, lit
fixe…).
5.2.1. Modèle de Cholette et Cloutier
Ce modèle est utilisé pour simuler les écoulements irréguliers dans une cuve agitée continue
(Figure (5.7)).

Qb

Q Ca Cs

C0 Qa Ca Va

Vd

Figure (5.7) : Modèle de Cholette et Cloutier

71
Dans ce modèle la zone morte est supposée parfaitement stagnante.
Les équations de bilans par rapport au traceur autour des différentes zones du modèle sont
les suivantes :

𝑄 = 𝑄𝑎 + 𝑄𝑏 (1)
𝑑𝐶𝑎
𝑄𝑎 𝐶0 − 𝑄𝑎 𝐶𝑎 = 𝑉𝑎 (2)
𝑑𝑡

Va + Vd = V (3)

Q a Ca + Q b C0 = QCs (4)

En utilisant les deux paramètres α et β, la fraction de zone morte et la fraction de court-circuit,

respectivement, ainsi que le temps de passage τ:
Vd Qb V
α= ; β= et τ =
V Q Q
les deux équations (2) et (4) s’écrivent, respectivement, comme suit :
1−α dCa
(2) : C0 − Ca = τ (5)
1−β dt

(4) : (1 − β)Ca + βC0 = Cs (6)

L’application de la transformée de Laplace aux équations (5) et (6) donne :

1−β
Ca (S) τ(1−α)
(5) : = 1−β (7)
C0 (S) S+τ(1−α)

Cs (S) Ca (S)
(6) : = β + (1 − β) (8)
C0 (S) C0 (S)

La combinaison des deux équations (7) et (8) donne la fonction de transfert du système :

(1−β)2
Cs (S) τ(1−α)
E(S) = =β+ 1−β (9)
C0 (S) S+τ(1−α)

L’application de la transformation inverse de Laplace à l’équation (9) donne la DTS

correspondant au modèle de Cholette et Cloutier :

(1−𝛽)2 1−𝛽 𝑡
𝐸 (𝑡) = 𝛽𝛿 (𝑡) + exp(− ) (10)
𝜏(1−𝛼) 1−𝛼 𝜏

En multipliant les deux termes de l’équation (10) par τ, on obtient la DTS adimensionnelle,
E(θ) :

72
 (1−𝛽)2 1−𝛽
𝐸 (𝜃 ) = 𝛽𝛿 (𝜃 ) + exp(− 𝜃) (11)
1−𝛼 1−𝛼
5.2.2. Modèle de Bischoff et Dedrick
Ce modèle a la même utilisation que le modèle de Cholette et Cloutier, mais il suppose que la
zone morte échange de la matière avec le restant du volume du récipient par un courant
transversal (Figure (2.8)).

Qb

Q Ca Cs

C0 Qa Ca Va

q q

Vd Cd

Figure (5.8) : Modèle de Bischoff et Dedrick

Les mêmes équations de bilans par rapport au traceur que celles du modèle de Cholette et
Cloutier peuvent être écrites pour le modèle de Bischoff et Dedrick à la seule différence de
l’équation(2) qui devient :
𝑑𝐶𝑎
𝑄𝑎 𝐶0 − 𝑄𝑎 𝐶𝑎 + 𝑞𝐶𝑑 − 𝑞𝐶𝑎 = 𝑉𝑎 (2’)
𝑑𝑡
La zone morte est supposée, elle aussi, parfaitement mélangée, une équation supplémentaire
s’ajoute pour cette zone :
dCd
qCa − qCd = Vd (2’’)
dt
𝑞
En posant 𝛾 = 𝑄 , l’application de la transformation de Laplace à ces deux équations donne :

1−𝛽 𝛾
𝐶𝑎 (𝑆) 𝛼𝜏 𝛼𝜏 𝐶𝑑 (𝑆)
(2’) : = 1+𝛾−𝛽 + 1+𝛾−𝛽 (7’)
𝐶0 (𝑆) 𝑆+ 𝛼𝜏 𝑆+ 𝛼𝜏 𝐶0 (𝑆)

𝛾
𝐶𝑑 (𝑆) 𝜏 Ca (S)
(2’’) : = 𝛾 (7’’)
𝐶0 (𝑆) 𝑆+ 𝜏 C0 (S)

73
Les équations (8), (7’) et (7’’) permettent d’obtenir la fonction de transfert par rapport à
l’écoulement décrit par le modèle de Bischoff et Dedrick :
𝛾
𝐶𝑆 (𝑆) (1−𝛽)2 𝑆+ 𝜏
𝐸 (𝑆) = =𝛽+ (1−𝛽)+𝛾(1+𝛼) 𝛾(1−𝛽) (9’)
𝐶0 (𝑆) 𝛼𝜏 𝑆2+ 𝑆+
𝛼𝜏 𝛼𝜏2

A titre d’exercice, le lecteur est invité à trouver l’expression de la DTS en trouvant la

transformée inverse de E(S).
5.2.3. Modèle de Chiang et Cholette
Ce modèle peut être utilisé pour simuler les écoulements dans des tubes munis de chicanes
(Figure (5.9).

Figure (5.9) : Modèle de Chiang et Cholette

Le modèle est considéré comme étant une cascade de J cellules de Cholette et Cloutier. La
fonction de transfert de l’écoulement est obtenue à partir de l’équation (9) :
(1−β)2
τ(1−α)
𝐸 (𝑆) = (β + 1−β )𝐽 (9’’)
S+τ(1−α)

Le lecteur établira, à titre d’exercice, l’expression de la DTS du modèle Chiang et Cholette en

trouvant la transformée inverse de Laplace de E(S).

74
 ANNEXE 1 :
RAPPELS SUR LA TRANSFORMATION DE LAPLACE
1. Définitions
Soit f(t) une fonction réelle dans le domaine temporel, on définit la transformée de
Laplace, F(S), de f(t) comme étant une fonction dans le domaine complexe telle que :
∞
F(S) = ℒ[f(t)] = ∫0 f(t)e−St dt (1)

Où ℒ est l’opérateur « Transformation de Laplace ».

F(S) existe si l’intégrale converge. Pour cela il suffit que :

∃ α ∈ 𝓡 ∶ ∀𝐭 ∈ 𝓡, |𝐟(𝐭)| ≤ 𝐌𝐞𝛂𝐭
F(S) est alors définie pour S tq 𝓡e(S) > α . α est l’abscisse de convergence de F(S).
La transformée inverse d’une fonction complexe F(S)

On définit l’opérateurℒ −1 , la Transformation inverse qui associe à une fonction complexe

F(S) ∈ ℭ , une fonction f(t) ∈ 𝓡:

f(t) = ℒ −1 (F(S))
2. Propriétés
 Linéarité : si ℒ[f1(t)] = F1(S) et ℒ[f2(t)] = F2(S) alors :

∀ (λ1 , λ2 ) ∈ ℛ2 ℒ[λ1 f1 (t) + λ2 f2 (t) = λ1 F1 (S) + λ2 F2 (S)

 Règles de dérivation et d’intégration :

df(t)
i) ℒ[ ] = Sℒ [f(t)] − f(0− ) = SF(S) − f(0− )
dt

d2 f(t)
ℒ [ 2 ] = S 2 F(S) − Sf(0− ) − f ′ (0− )
dt
d3 f(t)
ℒ [ 3 ] = S 3 F(S) − S 2 f(0− ) − Sf ′ (0− ) − f ′′ (0− )
dt
…
dn f(t)
ℒ[ ] = S n F(S) − S n−1 f(0− ) − ⋯ − f n−1 (0− )
dtn

t F(S)
ii) ℒ[∫0 f(τ)dτ] =
S

75
 dF(S) dn F(S)
iii) = ℒ[−tf(t)] ; = ℒ[(−t)n f(t)]
dS dSn

∞ f(t)
iv) ∫S F(σ)dσ = ℒ[ dt ]

 Règles de translation
i) ℒ [f(t − D)] = e−SD F(S)

ii) F(S − σ) = ℒ[eσt f(t)]

 Valeurs initiale et finale

i) lim [𝑆𝐹 (𝑆)] = 𝑓(0+ ) = lim+ 𝑓(𝑡)
𝑆→∞ 𝑡→0

ii) lim [𝑆𝐹 (𝑆)] = lim 𝑓(𝑡)

𝑆→0 𝑡→∞

 Transformée d’une intégrale de convolution

t t
ℒ[∫ f(τ)g(τ)dτ] = F(S)G(S) = ℒ[∫ f(t − τ)g(τ)dτ]
0 0
 Transformées de fonctions usuelles
f(t) (t ≥ 0) F(S)
δ(t) 1
u(t) 1
𝑆
𝑡𝑛 1
𝑛! 𝑆 𝑛+1
𝑒 −𝑎𝑡 1
𝑆+𝑎
Sin ωt 𝜔
𝑆2 + 𝜔2
Cos ωt 𝑆
𝑆2 + 𝜔2
𝑒 −𝑎𝑡 𝑓(𝑡) F(S+a)

76
3) Calcul de la transformée inverse

f(t) = ℒ −1 (F(S))
Trois méthodes peuvent être utilisées :

 Utilisation de l’intégrale de convolution :

1 α+i∞ St
f(t) = ∫ e F(S)dS
2πi α−i∞
 Utilisation des tables de transformées de Laplace.
 Développement de F(S) en éléments simples (méthode la plus utilisée)
La fonction F(S) est décomposée en éléments simples sous la forme :

F(S)= F1(S) + F2(S)+ …+Fn(S)

D’après la propriété de linéarité de la transformée inverse de Laplace on a :

f(t) = ℒ −1 (F1 (t)) + ℒ −1 (F2 (t)) + ⋯ + ℒ −1 (Fn (t)) = f1(t)+ f2(t)+…+ fn(t)
En général, les fonctions F(S) se présentent sous forme de fonctions rationnelles en S :
Z(S) Z(S)
F(S) = = (S−p
P′S) 1 )(S−p2 )…(S−pN )

Z (S) est un polynôme d’ordre M en S , P(S) est un polynôme d’ordre N en S et p1, p2, pN, les
pôles de F(S).
Si les pi sont distincts, F(S) peut s’écrire sous la forme :

A1 A2 An
F ( S) = + +⋯+
S − p1 S − p2 S − pN
Où 𝐴𝑖 = lim [(𝑆 − 𝑝𝑖 )𝐹 (𝑆)]
𝑆→𝑝𝑖

S’il existe des pôles multiples (par exemple, p1 pôles d’ordre N1) on doit développer F(S) en
N termes.
4. Fonction de transfert d’un système
On appelle fonction de transfert, G(S), d’un système linéaire mono-variable le rapport de la
transformée de Laplace de sa sortie, Y(S), à la transformée de Laplace de son entrée, X(S), les
conditions initiales étant supposées nulles :
Y(S)
G(S) =
X(S)

77
 EXERCICES

Exercice 3 :
On demande de déterminer pour chacun des modèles d’écoulement suivants, l’expression
de la distribution de temps de séjour et la réponse dans le domaine temporel à une injection
de traceur en échelon de valeur C0 :
a) 2 cuves parfaitement mélangées en parallèles ;
b) 1 zone en écoulement piston en série avec une cuve parfaitement mélangée ;
c) 1 zone en écoulement piston en parallèle avec une cuve parfaitement mélangée ;
d) 1 réservoir comportant une zone en écoulement piston et une zone parfaitement
stagnante ;
e) 1 réservoir à cuve parfaitement mélangée avec recyclage.

Exercice 4 :
L’objectif de cet exercice est la recherche d’un modèle pouvant décrire l’écoulement réel
dans la cuve agitée traitée dans l’exercice 2, du chapitre précédent, en considérant
l’expérience de traceur n°1.
1) Choisir de manière qualitative, les modèles théoriques susceptibles de représenter
correctement l’écoulement étudié.
2) Etablir l’expression de la distribution des temps de séjour ainsi que ses moments
pour chacun des modèles retenus.
3) Identifier à l’aide de la méthode des moments les paramètres de chacun des modèles
choisis
4) Identifier ces mêmes paramètres à l’aide de la méthode des moindres carrés en
utilisant le logiciel STAGRAPHICS et les estimations obtenues à la question 3 pour le
point de départ de l’algorithme d’optimisation.
5) Discriminer entre les modèles choisis en se basant sur la signification physique des
paramètres et sur le test de Fisher.
6) Tracer sur un même graphique la courbe de distribution de temps de séjour
expérimentale et la courbe théorique correspondant au meilleur modèle. Quelle
conclusion peut-on tirer de la confrontation entre les deux courbes ?

78
 Partie III :
Modèles statistiques

79
 INTRODUCTION
Comme il a été bien précisé dans les parties précédentes, les modèles physico-chimiques
nécessitent une bonne connaissance des phénomènes mis en jeu dans le système étudié et
font appel à des outils mathématiques et numériques dont la complexité augmente avec le
niveau d’analyse utilisé pour l’élaboration de ces modèles. D’un autre côté, la formulation des
équations de ces modèles fait appel aux modèles de populations et aux modèles statistiques
semi-empiriques et / ou empiriques pour représenter certains phénomènes se déroulant dans
le système étudié.
C’est ainsi, par exemple, que pour développer les équations des modèles à gradients
multiples, des modèles à gradient maximum ou des modèles macroscopiques on fait appel
aux modèles d’écoulement basés sur la fonction de distribution des temps de séjours obtenue
à l’aide de modèles de population. En effet, pour développer les équations de tels modèles
physicochimiques, le choix du volume de contrôle utilisé pour écrire les équations de bilans
est fixé à partir du modèle d’écoulement adopté pour le système.
C’est ainsi, aussi, que pour exprimer les termes de cinétiques de transferts de matières, de
chaleur et de quantité de mouvement intervenant dans les équations de bilans constituant un
modèle physico-chimique de quelle nature qu’il soit, des modèles empiriques et / ou semi-
empiriques sont souvent employés pour ce faire.
Cependant, l’usage des modèles de population et des modèles statistiques ne se limite pas au
rôle secondaire qu’ils jouent pour exprimer les équations des modèles physico-chimiques,
mais ils peuvent jouer un rôle essentiel pour certaines applications qui leur sont propres.
En effet, l’évolution des tranches granulométriques d’un solide au cours de broyage, par
exemple, peut être bien modélisée à l’aide de la technique de modèles de populations. Il en
est de même de l’évolution des cristaux au cours d’un processus de cristallisation ou de
microorganismes dans un procédé biotechnologique.
Il y va de même pour les modèles statistiques. En effet, ces modèles peuvent être bien utilisés
pour une représentation d’un système avec l’approche « Boîte noire » en reliant
mathématiquement les entrées du système à ses sorties et ses paramètres sans se soucier de
la connaissance des phénomènes mis en jeu, même si cette connaissance est souvent utile
pour le choix entre différents modèles statistiques possibles.
En effet, les modèles statistiques peuvent être utilisés, par exemple, pour analyser les
historiques de fonctionnement d’un système. L’objet de cet analyse est de décrire le
comportement observé durant l’évolution du point de fonctionnement du système, sur une
période donnée durant laquelle les variables d’entrées et / ou les paramètres du système ont
subi des variations, dues aux stratégies de conduites et aux perturbations diverses, ainsi qu’à
l’évolution des performances des équipements, comme par exemple la diminution d’un
coefficient de transfert de chaleur à cause de l’encrassement. De tels modèles peuvent être
utiles pour l’optimisation de la conduite du système.
La présente partie, consacrée aux modèles statistiques, comporte trois sections :

80
- Une première section dédiée au développement de modèles statiques pour décrire
des phénomènes mis en jeu dans un système donné. Cette section est constituée de
deux chapitres : le chapitre premier est consacré à la recherche de variables
significatives décrivant le phénomène étudié. A l’issue de cette étape, ce phénomène
peut être représenté par un modèle empirique faisant intervenir les variables
significatives obtenues. Le deuxième chapitre de cette section traitera de l’élaboration
de modèles semi-empiriques dont la structure des équations est obtenue sur la base
d’une analyse physique du phénomène étudié et où les paramètres sont obtenus par
ajustement du modèle aux données expérimentales. Pour ces deux types de modèles,
la planification des expériences est une technique essentielle pour mener le travail à
bien. Une annexe de cette section présentera des rappels sur les principaux concepts
statistiques utilisés.
- La deuxième section de la présente partie est dédiée aux techniques de l’analyse des
historiques de fonctionnement de systèmes en considérant différents points de
fonctionnement en régime stationnaire obtenus sur une période donnée assez longue
pour que l’hypothèse des points de fonctionnement stationnaires soit valable en
passant d’un point à l’autre.
- La troisième section décrit les réseaux de neurones qui sont aussi des modèles
statistiques mais tenant compte de l’évolution du système dans le temps.

81
 SECTION i :
MODELES STATISTIQUES :
MODELES EMPIRIQUES ET SEMI-EMPIRIQUES

82
 INTRODUCTION
Le développement de modèles mathématiques décrivant les phénomènes mis en jeu dans un
système à partir du comportement « entrée-sortie » de celui-ci, nécessite la réalisation de
programmes expérimentaux appropriés permettant le choix d’une structure mathématique
valable pour le modèle et l’estimation des paramètres intervenant dans cette structure.
A ce niveau, les modèles mathématiques de ce type peuvent être classés en deux catégories :
- Les modèles empiriques dont la structure est linéaire en fonction des paramètres ; les
termes significatifs du modèle sont déterminés par une analyse statistique des
données expérimentales.
- Les modèles semi-empiriques pour lesquels la structure mathématique est basée sur
les lois physico-chimiques régissant les phénomènes se déroulant dans le système ; les
paramètres de ces modèles sont obtenus par ajustement à l’aide des données
expérimentales.
De façon générale, un système peut être représenté par le diagramme fonctionnel de la figure
1, ci-dessous.

𝑥 𝜉 𝜂 𝑌
𝜂 = 𝜂(𝜉, 𝛽 )

Figure 1 : Bloc diagramme d’un système

Où

𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑝 )𝑇 : le vecteur des variables d’entrées mesurées (variables

indépendantes) ;

𝑌 = (𝑦1, 𝑦2 , … , 𝑦𝑝 )𝑇 : le vecteur des variables de sorties observées (variables dépendantes) ;

𝜉 = (𝜉1 , 𝜉2 , … , 𝜉𝑝 )𝑇 : le vecteur des variables d’entrées réelles ;

𝜂 = (𝜂1 , 𝜂2 , … , 𝜂𝑝 )𝑇 : le vecteur des variables de sorties réelles ;

𝜀𝑥 = (𝜀𝑥1 , 𝜀𝑥2 , … , 𝜀𝑥𝑝 )𝑇 : le vecteur d’erreurs sur les variables d’entrées et ,

𝜀𝑌 = (𝜀𝑦1 , 𝜀𝑦2 , … , 𝜀𝑦𝑝 )𝑇 : le vecteur d’erreurs sur les variables de sorties, tels que :

83
𝑥𝑗 = 𝜉𝑗 + 𝜀𝑥𝑗 ; (j=1,2,…,p)

𝑌𝑘 = 𝜂𝑘 + 𝜀𝑌𝑘 ; (k=1,2,…,m)

Le modèle mathématique du système est :

𝜂 = 𝜂(𝜉, 𝛽 ) (1)

𝛽 étant la matrice des paramètres du modèle.

La présente section est consacrée à l’étude des techniques de modélisation relatives à ces
deux types de modèles dans le but de l’analyse des phénomènes mis en jeu dans les procédés.
Le premier chapitre traitera des modèles empiriques à l’aide des techniques de surface de
réponse, et le second des modèles semi-empiriques.

84
 CHAPITRE 6 :
MODELES EMPIRIQUES LINEAIRES ET MULTILINEAIRES :
TECHNIQUES DE SURFACE DE REPONSE
6.1. Equation de surface de réponse
Les techniques de surface de réponse permettant de développer les modèles empiriques
seront considérées ici dans le but de déterminer les variables qui ont un effet significatif sur
les phénomènes mis en jeu dans le système étudié. Cependant, ces mêmes techniques
peuvent être utilisées pour élaborer un modèle statistique empirique pour représenter un
système quelconque à partir de données observées relatives à ses entrées et sorties.
Ces techniques se basent sur une représentation mathématique des réponses du système
(variables dépendantes), lorsque les variables d’entrées de celui-ci (variables indépendantes)
varient dans des intervalles autour des valeurs caractéristiques d’un point de fonctionnement
donné, par des surfaces de réponses décrites par des fonctions obtenues à l’aide de
développement de Taylor en ce point de fonctionnement.
Soit yi la ième sortie du système et yi0 la valeur moyenne de cette sortie obtenue pour les
valeurs (𝑥10 , 𝑥20 , … , 𝑥𝑝0 ) des variables d’entrées.

(6.1)

Cette équation peut être réarrangée sous la forme :

85
 (6.2)

Les coefficients 𝛽𝑗 (𝑖) de l’équation (1.2) sont donnés en tenant compte de l’équation (1.1, où
l’indice i est relatif à la variable de sortie yi. Ainsi, l’expression de 𝛽0 (𝑖) est donnée par :

(6.3)

Ainsi, à l’aide du développement de Taylor on obtient bien une expression mathématique

d’une réponse du système en fonction des variables indépendantes de celui-ci. Cependant,
ces expressions font intervenir des paramètres 𝛽𝑗 (𝑖) qui, comme le montre l’équation (6.3)
pour 𝛽0 (𝑖) sont fonction de chaque point de fonctionnement. Les valeurs de ces paramètres
sont donc fonction des données expérimentales utilisées pour les obtenir et sont de ce fait
de nature aléatoire. La précision de l’estimation de ces paramètres dépend des données
expérimentales utilisées en nombre et en qualité.

L’équation (6.2) est dite « régression polynomiale» et les coefficients 𝛽𝑗 (𝑖) sont ses
paramètres.
Dans ce qui suit, on procédera à la présentation des éléments suivants des techniques de
surface de réponse :
- l’estimation des paramètres d’une régression à l’aide de données expérimentales ;
- le test de la signification statistique de ces paramètres ;
- le test de la validité statistique de la régression obtenue.

6.2. Estimation des paramètres de régressions polynomiales

L’estimation des paramètres de la régression décrite par l’équation (6.2) peut être obtenue
en utilisant la méthode des moindres carrées, en minimisant la somme des carrés des écarts
entre les valeurs théoriques, estimées à l’aide de la régression, et les valeurs observées
obtenues expérimentalement. Cette somme des carrés des écarts est une fonction, φ(β), des
paramètres de la régression :

86
 (6.4)

(𝑖),𝑒𝑥 (𝑖),𝑡ℎ
Où Ne, est le nombre d’expériences et 𝑦𝑙 et 𝑦𝑙 sont les valeurs expérimentale et
théorique, respectivement, correspondant à la i èmes réponse du système pour la lème
expérience.

Le tableau (6.1) donne le nombre de paramètres de la régression polynomiale pour chaque

variable de sortie du système, en fonction du degré du polynôme et du nombre de variables
indépendantes (facteurs) considérées dans le système.
Tableau (6.1) : Nombre de paramètres d’une régression polynomiale en fonction du degré
du polynôme et du nombre de facteurs expérimentaux
Nombre de Polynôme de Polynôme de Polynôme de Polynôme de
facteurs degré 1 degré 2 degré 3 degré 4
1 2 3 4 5
2 3 6 10 15
3 4 10 20 35
4 5 15 35 70
5 6 21 56 126

On peut constater à travers ce tableau que le nombre de paramètres de la régression

polynomiale augmente vite lorsque le nombre de facteurs et le degré du polynôme
augmentent. Si le nombre de variable de sortie est différent de 1, le nombre de paramètres
indiqué dans le tableau sera augmenté du nombre relatif à chaque variable de sortie
supplémentaire. Ce qui augmente le besoin en nombre d’expériences nécessaire à
l’identification des paramètres de plus en plus grand.
Pour illustrer la démarche on considérera, dans ce qui suit, le cas d’une seule sortie. Le degré
du polynôme est généralement limité à deux.
Dans ce cas, l’équation (6.2) devient :

𝒚 = 𝒇(𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒑 , 𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒌𝒌 ) (6.5)

J et k = 1 ,…, p avec 𝑗 ≠ 𝑘
De même, l’équation (1.4) devient :
𝒆𝒙 𝒕𝒉 𝟐
𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒌𝒌 )= ∑𝑵𝑬
𝒊=𝟏(𝒚𝒊 − 𝒚𝒊 )
(6.6)

87
L’identification des paramètres à l’aide du critère des moindres carrés se traduit en système
d’équations suivant par rapport aux paramètres :

𝝏𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )

=𝟎
𝝏𝜷𝟎
𝝏𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )
=𝟎
𝝏𝜷𝟏
…

𝜕𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )

=0
𝜕𝜷𝒌
𝜕𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )
=0
𝜕𝜷𝟏𝟐
… (6.7)

𝜕𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )

=0
𝜕𝜷𝒋𝒌
…
𝜕𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )
=0
𝜕𝜷𝟏𝟏
…
𝜕𝝓(𝜷𝟎 , 𝜷𝟏 , … , 𝜷𝒑 , 𝜷𝟏𝟐 , … , 𝜷𝒋𝒌 , 𝜷𝟏𝟏 , 𝜷𝟐𝟐 , … , 𝜷𝒑𝒑 )
=0
𝜕𝜷𝒑𝒑
L’équation (6.6) et le système d’équations (6.7) conduisent au système d’équation écrit de
manière condensée sous la forme suivante :

88
 (6.8)

Où 𝛽𝑛 représente le nème paramètre qui est dans le système (1.7) le paramètre 𝛽𝑝𝑝 .

La solution de ce système d’équations algébriques en paramètres du vecteur 𝛽 fournit

l’estimateur optimal 𝛽̂ de ce vecteur des paramètres.
6.3. Régression linéaire
Pour une régression linéaire, les équations (6.5), (6.6) et (6.7) deviennent respectivement :

𝑦 𝑡ℎ = 𝑦 = 𝛽0 + 𝛽1 𝑥 (6.9)

𝝓(𝜷𝟎 , 𝜷𝟏 )= ∑𝑵𝑬
𝒊=𝟏[𝒚𝒊 − (𝛽0 + 𝛽1 𝒙𝒊 )]
𝟐
(6.10)

𝜕𝝓(𝜷𝟎 , 𝜷𝟏 ) 𝑁
= −2 ∑ [𝑦𝑖 − (𝛽0 + 𝛽1 𝒙𝒊 )] = 0
𝜕𝜷𝟎 𝑖=1 (6.11)
𝝏𝝓(𝜷𝟎 , 𝜷𝟏 ) 𝑁
= −2 ∑ [𝑦𝑖 − (𝛽0 + 𝛽1 𝒙𝒊 )]𝒙𝒊 = 𝟎
𝝏𝜷𝟏 𝑖=1

Le système d’équations (1.10) est équivalent à :

(1.11)

D’où les expressions des estimateurs de 𝛽0 𝑒𝑡 𝛽1 :

89
 (6.12)

et

(6.13)

Ces deux estimateurs doivent vérifier l’expression suivante :

(6.14)

Où 𝑥 et 𝑦 sont les moyennes de 𝑥 et 𝑦, respectivement.

Exemple :
Om mesure la conversion, y, dans un réacteur parfaitement mélangé continu
isotherme en faisant varier la concentration du réactif à l’entrée, x. Les
données expérimentales obtenues sont regroupées dans le tableau (6.2).
Tableau (6.2) : conversion en fonction de la concentration du réactif à l’entrée d’un RCPMC
x y
13,86 0,77
20,16 0,655
27,7 0,593
34,76 0,514
42,4 0,437

La représentation graphique de ces données (Figure (6.1)) montre une tendance linéaire de y
en fonction de x. L’ajustement des paramètres de la régression linéaire en utilisant les
équations (6.12) à (6.14) et en dressant le tableau (6.3) donne les valeurs suivantes :

90
Tableau (6.3) : Tableau d’ajustement des deux paramètres de la régression linéaire
(𝑦 = 𝛽0 + 𝛽1 𝑥) de la conversion en fonction de la concentration à l’entrée d’un RCPMC

Figure (6.1): Conversion dans un RCPMC

0,9
0,8
0,7
0,6
0,5
y

0,4
0,3
0,2
0,1
0
0 5 10 15 20 25 30 35 40 45
x

6.4. Régression parabolique

L’expression de cette régression est la suivante :

91
 (1.15)

L’application du système d’équations normales (1.8) exprimant le critère des moindres

carrées permet d’obtenir le système d’équations suivant en fonction des paramètres de la
régression :

(1.16)

Il s’agit d’un système de trois équations linéaires à trois inconnues 𝛽0 , 𝛽1 𝑒𝑡 𝛽11qui peuvent
être estimés en disposant des données expérimentales requises.
6.5. Régression multilinéaire
L’équation générale (1.2) pouvant décrire la réponse d’un système peut être formulée par
l’expression suivante d’une régression multilinéaire :

(6.17)

Où 𝑥𝑘 (𝑘 ≠ 0) représente une variable simple ou composée (carré d’une variable ou produit

de deux variables en ne considérant, ici, que les régressions polynomiales de degré inférieur
ou égal à deux). 𝑥0 représente la variable fictive de valeur égale à 1.

L’expression de 𝑦 𝑡ℎ donnée par l’équation (6.17) appliquée à chacune des N expériences

pouvant être utilisées pour l’estimation des paramètres de la régression peut s’écrire sous
forme matricielle en considérant les matrices et vecteurs suivants :

92
Où 𝑋 𝑇 est la transposée de la matrice 𝑋 dont les colonnes sont formées des valeurs
expérimentales d’une variable correspondant aux N expériences, chaque ligne de la matrice
𝑋 représente une expérience. La première colonne de la matrice 𝑋 correspond à la variable
fictive de valeur 1.
Sous forme matricielle, l’expression (6.12) s’écrit :
𝑌 = 𝑋𝐵 (6.18)
L’application du système d’équations normales (1.8) exprimant le critère des moindres carrées
permet d’obtenir le système d’équations suivant en fonction des paramètres de la régression :

(6.19)

Ce système s’écrit sous la forme matricielle comme suit :

93
 (6.20)

D’où l’expression du vecteur 𝐵 des estimateurs des paramètres :

(6.21)

Le calcul de l’estimateur nécessite à ce que le produit de la matrice 𝑋 par sa transposée ne

soit pas dégénéré. L’état dégénéré est souvent dû à une forte corrélation entre les facteurs
mis en jeu dans la régression. Dans ce cas, les facteurs qui causent cette dégénérescence
doivent être écartés.
Lorsque des expériences répétées sont utilisées, une matrice de pondération peut être
associée aux expériences. Cette matrice 𝑊 est diagonale comprenant le poids associé à
chaque expérience :
𝑤1 0 0
𝑊=[0 ⋱ 0]
0 0 𝑤𝑁
L’estimation des paramètres de la régression se fait alors à l’aide du critère des moindres
carrés pondérés qui consiste à minimiser la somme des carrés des écarts pondérés par le poids
associé à chaque expérience. Les équations (1.20) et (1.21) deviennent alors :

𝑋 𝑇 𝑊𝑋𝐵 = 𝑋𝑊𝑌 (6.22)

𝐵 = (𝑋 𝑇 𝑊𝑋)−1 (𝑋𝑊𝑌) (6.23)
En posant
𝐶 = (𝑋 𝑇 𝑊𝑋)−1 et 𝐺 = (𝑋𝑊𝑌) (6.24)

L’équation (1.23) s’écrit : 𝐵 = 𝐶. 𝐺 où B est l’estimateur du vecteur des paramètres.

La matrice de covariance des paramètres est :

𝐶𝑜𝑣(𝐵) = 𝜎𝑌2 . 𝐶 (6.25)

Ces calculs matriciels peuvent être aisément effectués à l’aide de MATLAB. Mais les logiciels
d’analyse de données tels que STATGRAPHICS, SPSS… sont beaucoup plus pratiques pour le
développement des régressions, comme nous allons le voir plus loin.
7. Signification statistique et intervalles de confiance des paramètres de la régression
Après estimation des paramètres d’une régression polynomiale à l’aide de la méthode des
moindres carrés présentée au paragraphe précédent, l’étape suivante est de tester la
signification statistique de ces paramètres ainsi que la validité statistique de la régression.
Pour ce faire, les conditions suivantes doivent être vérifiées :

94
 - les erreurs de mesures sur les variables indépendantes sont négligeables (variables
déterministes) ;
- les variables dépendantes sont aléatoires et les erreurs de mesures qui leurs sont
associées pour des expériences répétées suivent une loi normale ;
- la variance sur les variables dépendantes dues aux expériences répétées ne montre
pas de variation significative lorsqu’on passe d’un point expérimental à un autre.
Le test de signification des paramètres d’une régression peut être effectué en suivant la
procédure suivante :
1) on calcule la variable de Student associée au paramètre 𝛽𝑗 de la régression :
|𝛽𝑗 |
𝑡𝑗 = , où 𝑆𝛽𝑗 est l’estimateur de l’écart-type de 𝛽𝑗 .
𝑆𝛽
𝑗

2) En utilisant la table de la loi de Student, on évalue la probabilité de la variable 𝑡𝑗 de

degré de liberté égal à 𝜗 , 𝑠𝑜𝑖𝑡 Pj (t(𝜗)< 𝑡𝑗 ) cette probabilité.
3) Si la valeur de cette probabilité est supérieure à (1-𝛼) où 𝛼 est le seuil de confiance,
l’hypothèse H0j : 𝛽𝑗 = 0 est rejetée. Cela veut dire que 𝛽𝑗 est significatif. Dans le cas
contraire, H0j est acceptée.
Le vecteur variance de l’estimateur des paramètres B, est constituée des éléments de la
diagonale de la matrice Cov(B) estimée à l’aide de l’équation (1.29), ci-dessous.
La construction des intervalles de confiances des paramètres se fait aussi à l’aide de la
variable de Student en utilisant Cov(B).
Si le test de la moyenne a permis de tester la signification statistique des paramètres de la
régression, le test de la variance, quant à lui, permet de tester la validité de la régression
elle-même.
En effet, au paragraphe 2 du présent chapitre nous avons appris à estimer les paramètres
d’une régression supposée valable a priori pour décrire le comportement du système objet
de la modélisation, c’est-à-dire que la densité de probabilité des erreurs sur la variable
dépendante obtenues pour différentes expériences est la même que celle des erreurs de
mesure.
L’analyse de variance permet de tester la validité de cette hypothèse et de déterminer les
variables indépendantes qui ont une influence significative sur la variable dépendante. Cette
analyse se base sur le théorème de partition 𝜒 2 et sur le test de Fisher.
Ce dernier s’exprime par :

𝑆𝑟2
< 𝐹1−𝛼 (𝑛 − 𝑝 − 1; 𝜗𝑒 ) (6.26)
𝑆𝑒2
Où :
𝑆𝑟2 est la variance de la régression. C’est le rapport des moindres carrés au nombre de degrés
de libertés de la régression, 𝜗𝑟 . Ce dernier est égal au nombre d’expériences du quel on
retranche le nombre de paramètres de la régression (𝜗𝑟 = 𝑛 − 𝑝 − 1) :

95
 2
∑𝑛𝑖=1(𝑦𝑖𝑒𝑥 − 𝑦𝑖𝑡ℎ )
𝑆𝑟2 = (6.27)
𝑛−𝑝−1
𝑆𝑒2 est la variance expérimentale à 𝜗𝑒 degrés de liberté.
F : la distribution de Fisher à (𝜗𝑟 , 𝜗𝑒 ) degrés de liberté.

1 − 𝛼 : le seuil de confiance (𝛼 : le seuil de signification).

Pour que la régression soit valable, il faut que le test de Fisher soit vérifié ; c’est-à-dire que la
variance de la régression et la variance expérimentale soient statistiquement identiques.
Dans ce cas, une estimation de 𝜎𝑌2 , 𝑆𝑌2 , peut être obtenue par pondération de 𝑆𝑒2 et 𝑆𝑟2 , soit :
𝜗𝑒 . 𝑆𝑒2 + (𝑛 − 𝑝 − 1). 𝑆𝑟2
𝑆𝑌2 = (6.28)
𝑛 + 𝜗𝑒 − 𝑝 − 1
L’équation (6.25) devient alors :

𝐶𝑜𝑣(𝐵) = 𝑆𝑌2 . 𝐶 (6.29)

On peut ensuite tester la signification de l’influence des différentes variables indépendantes

en éliminant les termes qui leurs correspondent dans l’équation (6.2) limitée au degré 2. La
variance de la nouvelle régression doit être comparée à 𝑆𝑌2 à l’aide du test de Fisher ; si le test
est vérifié, l’influence des variables en question n’est pas significatif. Sinon, leur influence est
significative.
Ceci est très important, car avec cette méthode on sait quelles sont les variables qui ont une
influence significative sur le comportement du système. Ce qui peut être une étape
préliminaire très riche d’information pour une modélisation phénoménologique, comme nous
allons le voir ultérieurement.
Par ailleurs la qualité de l’estimation du vecteur des paramètres, B, peut être perçue en
représentant l’ellipsoïde de confiance, dans l’espace des paramètres, donné par l’équation :
(𝛽 − 𝐵)𝑇 [(𝐶𝑜𝑣(𝜃))−1 . (𝛽 − 𝐵)] = (𝑝 + 1)𝐹1−𝛼 (𝑝 + 1; 𝑛 − 𝑝 − 1) (6.30)

Plus l’ellipsoïde est allongé et de volume important, moins la qualité de l’estimation des
paramètres est bonne.
8. Planification des expériences
Les techniques de modélisation que nous venons de passer en revue se basent sur la
réalisation d’un certain nombre d’expériences sur le système réel. Jusque-là nous ne nous
sommes posés aucune question les concernant ; mais connaissant l’importance des frais
d’investissement et de fonctionnement mis en jeu pour réalise ces expériences, il est
nécessaire de réaliser ces dernières selon une stratégie qui permet d’atteindre l’objectif visé
en utilisant le minimum de frais.
La méthodologie classique d’expérimentation qui consiste à étudier l’influence de chacune
des variables, en gardant toutes les autres constantes, n’est certes pas économique, mais, en
plus, elle ne permet pas de faire une bonne estimation des paramètres.

96
Par contre, la méthodologie dite « de surface de réponse » permet de réaliser une
expérimentation efficace ; comme indiqué sur la figure (6.2), l’expérimentation est effectuée
selon un plan d’expériences conçu en fonction du modèle proposé. Les données
expérimentales obtenues sont utilisées pour estimer les paramètres du modèle et pour
effectuer l’analyse de variance permettant de tester la validité de celui-ci. Si le test est négatif,
le modèle et le plan d’expériences sont révisés et le cycle recommence jusqu’à l’obtention
d’un modèle valable.
Comme on peut le constater, cette méthode permet de tirer des renseignements de
l’expérimentation dès les premières expériences réalisées, contrairement à la méthode
classique. Ainsi, on a la possibilité d’arrêter les expériences dès qu’elles deviennent non
économiques.
Il va sans dire que pour le test des modèles, on commence par le modèle le plus simple et on
compliquera au fur et à mesure de l’augmentation du nombre de cycles réalisés selon le
schéma de la figure (6 .2).
Les modèles statistiques employés sont classés en fonction :
- de leur dimension : c’est-à-dire le nombre de coordonnées nécessaires pour
représenter géométriquement les variables indépendantes ;
- de l’ordre du polynôme qui représente la régression polynomiale : c’est-à-dire le degré
du polynôme.
Ainsi, un modèle bidimensionnel de 1er ordre est représenté par l’équation :
𝑌 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝜖 (6.31)
Et un modèle bidimensionnel de 2ème ordre est représenté par l’équation :

𝑌 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12 𝑥1 𝑥2 + 𝛽11 𝑥12 + 𝛽22 𝑥22 + 𝜖 6.32)

Pour tirer le maximum de profit de la méthodologie de surface de réponse, il est recommandé

d’utiliser des plans d’expériences orthogonaux. C’est-à-dire les expériences doivent être
arrangées de manière à avoir pour les expériences i=1 ; 2 ; … ; n :
𝑛

∑ 𝑥𝑖𝑗 = 0
𝑖=1

et
∑𝑛𝑖=1 𝑥𝑖𝑗 𝑥𝑖𝑘 = 0 ; pour 𝑗 ≠ 𝑘

Pour essayer un modèle de dimension k de 1er ordre, on utilise un plan d’expériences

orthogonal factoriel 2k (c’est-à-dire un plan à 2 niveaux codés -1 ; +1), avec le point central
(0;0) pour effectuer les expériences répétées en vue d’estimer l’erreur expérimentale.
Pour k=2 et k=3, on utilise généralement les plans factoriels 2 2 et 23 indiqués respectivement
sur les figures (6.3) et (6.4).

97
Si le modèle de 1er ordre n’est pas valable, on passe au modèle de 2ème ordre en complétant
le plan factoriel 2k réalisé, par une rotation de celui-ci, de manière à ce que la variance de
l’estimateur de Y se conserve pour toutes les expériences du plan. Ainsi, pour k=2 on obtient
le plan d’expériences représenté à la figure (6.5).
La génération des plans d’expériences complets ou partiels peut être effectuée à l’aide de
logiciels comme STATGRAPHICS (voir l’aide de ce logiciel).

Expérimentation

Analyse des résultats ;

Plan d’expériences
révision du modèle et
du plan d’expériences

Modèle

Figure (6.2) : Méthodologie de surface de réponse

98
Figure (6.3) : Plan d’expériences factoriel 22 1

Figure (6.4) : Représentation géométrique du Plan factoriel 23 en variables réduites1

1
Tanase G. Dobre and José G. Sanchez Marcano ; Chemical Engineering : Modelling, Simulation and Similitude ;
WILEY-VCH (2007)

99
Tableau (6.4) : Plan factoriel 23 en variables réduites et en variables réelles1

Figure (6,5) : Plan factoriel composé 22 en variables réduites1

1
Tanase G. Dobre and José G. Sanchez Marcano ; Chemical Engineering : Modelling, Simulation and Similitude ;
WILEY-VCH (2007)

100
Tableau (6.5) : Plan factoriel composé 22 en variables réduites 1

Tableau (6.6) : Exemple de Plan factoriel composé 22 en variables réduites 1

1
Tanase G. Dobre and José G. Sanchez Marcano ; Chemical Engineering : Modelling, Simulation and Similitude ;
WILEY-VCH (2007)

101
 ANNEXE : RAPPELS DE STATISTIQUES
Variable aléatoire : sa valeur dépend du résultat de l’expérience. Elle peut être de deux
types : discrète ou continue.
1. Variable aléatoire discrète
1.1. Probabilité
nombre de cas favorables à la réalisation de A
 𝑃(𝐴) =
nombre de cas possibles
 𝑃(𝐴) = 1 − 𝑃(𝐴)

 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

 Si 𝐴 ∩ 𝐵 = ∅ alors 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵⁄𝐴)

 Si A et B sont indépendants, alors : P(B/A)=P(B) soit 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵)

1.2. Espérance mathématique

Analogue à la moyenne

 𝐸(𝑋) = ∑𝑛𝑖=1 𝑝𝑖 𝑥𝑖

 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌)

E est un opérateur linéaire
 ∀ 𝑘 ∈ 𝓡, 𝑬(𝒌𝑿) = 𝒌𝑬(𝑿)

 Si X et Y sont indépendants alors 𝐸(𝑋. 𝑌) = 𝐸(𝑋). 𝐸(𝑌)

1.3. Variance
 𝑉(𝑋) = 𝐸[𝑋 − 𝐸(𝑋)]2 = 𝜎𝑋2

 = 𝐸(𝑋 2 ) − (𝐸(𝑋))2

 𝑉(𝑘𝑋) = 𝑘 2 𝑉(𝑋) Soit 𝜎𝑘𝑋 = 𝑘𝜎𝑋

 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌) + 2𝐶𝑜𝑣(𝑋, 𝑌)

 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸{[𝑋 − 𝐸(𝑋)]. [𝑌 − 𝐸(𝑌)]}

102
 Donc : 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋. 𝑌) − 𝐸(𝑋). 𝐸(𝑌)

 Si 𝑋 𝑒𝑡 𝑌 sont indépendants alors :

𝐸(𝑋. 𝑌) = 𝐸(𝑋). 𝐸(𝑌) Cov(𝑋, 𝑌) = 0
𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)

2
Soit 𝜎𝑋+𝑌 = 𝜎𝑋2 + 𝜎𝑌2 (𝜎𝑋+𝑌 ≠ 𝜎𝑋 + 𝜎𝑌
1.4. Moments d’ordre n
Centré : 𝜇𝑛 = 𝐸(𝑋 − 𝐸(𝑋))𝑛 = ∑𝑚
𝑖=1 𝑝𝑖 (𝑥𝑖 − 𝐸(𝑋))
𝑛

Mon centré : 𝐸(𝑋 𝑛 ) = ∑𝑚 𝑛

𝑖=1 𝑝𝑖 𝑥𝑖

1.5. Inégalité de Bienayme Ichebycheff

1
𝑃{𝐸(𝑋) − 𝑡𝜎 ≤ 𝑋 ≤ 𝐸(𝑋) + 𝑡𝜎} ≥ 1 −
𝑡2
1.6. Théorème de Bayes
Soit le résultat 𝑅 pouvant être la conséquence de différentes causes (𝐶1 , 𝐶2 , … , 𝐶𝑛 )
incompatibles.
𝑅
𝐶𝑖 𝑃(𝐶𝑖 ∩ 𝑅) 𝑃(𝐶𝑖 ). 𝑃( ⁄𝐶𝑖 )
𝑃( ⁄𝑅) = =
𝑃(𝑅) 𝑃(𝑅)
2. Variables continues
Dépend du résultat d’une expérience pouvant prendre toutes les valeurs de l’intervalle de
définition.
2.1. Fonction de répartition
𝑃(𝑥 ≤ 𝑋 ≤ 𝑥 + ∆𝑥) = 𝑃(∆𝑥) = 𝐹(𝑥 + ∆𝑥) − 𝐹(𝑥)
𝐹(𝑥) est la fonction de répartition : 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
2.2. Densité de probabilité, p(x)
𝑃(∆𝑥) 𝐹(𝑥+∆𝑥)−𝐹(𝑥)
 𝑝(𝑥) = lim = lim = 𝐹 ′ (𝑥) = 𝑓(𝑥)
∆𝑥→0 ∆𝑥 ∆𝑥→0 ∆𝑥
+∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

𝑏
 𝑃{𝑎 ≤ 𝑥 ≤ 𝑏} = ∫𝑎 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑏) − 𝐹(𝑎)

2.3. Espérance mathématique

𝑏𝑠𝑢𝑝
 𝐸(𝑋) = ∫𝑏𝑖𝑛𝑓 𝑥𝑓(𝑥)𝑑𝑥 = 𝜇𝑋
𝑏𝑠𝑢𝑝
 𝐸(𝑋 2 ) = ∫𝑏𝑖𝑛𝑓 𝑥 2 𝑓(𝑥)𝑑𝑥 = 𝜇𝑋 2
2.4. Variance

103
 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2

2.5. Moment d’ordre n

𝑏𝑠𝑢𝑝
𝐸(𝑋 𝑛 ) = ∫ 𝑥 𝑛 𝑓(𝑥)𝑑𝑥
𝑏𝑖𝑛𝑓

2.6. Loi de Laplace-Gauss (ou loi normale)

𝑥2
1
𝑝(𝑥) = 𝑒 − 2 ; E(X)=0 ; V(X)=1
√2𝜋

1 (𝑥−𝜇𝑋 )2
Cas général : 𝑝(𝑥) = 𝜎 𝑒𝑥𝑝 [− 2 ] ; −∞ ≤ 𝑥 ≤ +∞
𝑋 √2𝜋 2𝜎𝑋

2.7. Théorème central limite

104
 Si les Xi, i=1,n sont indépendantes et de même loi et si n∞, alors ∑𝑛𝑖=1 𝑋𝑖 → une loi
normale de moyenne 𝑚 = ∑𝑛𝑖=1 𝐸(𝑋𝑖 ) et de variance 𝑉 = ∑𝑛𝑖=1 𝑉(𝑋𝑖 ) .
∑ 𝑋𝑖 𝜎𝑋
Application : 𝑍 = → 1 𝐿. 𝑁 de moyenne 𝑚 = 𝐸(𝑋𝑖 ) et d’écart-type 𝜎 =
𝑛 √𝑛

2.8. Echantillonnage

∑ 𝑥𝑖
𝑚=
𝑁
∑(𝑥𝑖 − 𝑚)2
𝜎𝑝2 =
𝑁

∑ 𝑥𝑖
𝑥=
𝑛
∑(𝑥𝑖 − 𝑥)2
𝜎𝑒2 =
𝑛

 Loi de la moyenne de l’échantillon

La moyenne de l’échantillon est une variable aléatoire dont les caractéristiques sont
les suivantes :
∑ 𝑥𝑖
𝑥= 𝑛
𝐸(𝑥) = 𝑚
𝜎𝑝2
𝑉(𝑥) = 𝑛
 Loi de la variance de l’échantillon
La variance de l’échantillon est une variable aléatoire dont les caractéristiques sont
les suivantes :
∑(𝑥𝑖 −𝑥)2
𝜎𝑒2 = 𝑛
𝑛−1
𝐸(𝜎𝑒2 ) = 𝜎𝑝2 . 𝜎𝑒2 est un estimateur biaisé
𝑛
𝑛 ∑(𝑥𝑖 −𝑥)2
𝑆 2 = 𝑛−1 𝜎𝑒2 = 𝑛−1
𝐸(𝑆 2 ) = 𝜎𝑝2 2
𝑆 est un estimateur sans biais

105
  Loi de Student
𝑥−𝑚
La variable 𝑡 = 𝑆 suit la loi de Student à n-1 degrés de liberté
√𝑛

𝑆 𝑆 +𝑡
𝑃 {𝑚 − 𝑡 <𝑥 <𝑚+𝑡 } = ∫−𝑡 𝑓(𝑢)𝑑𝑢 = 2𝑃(𝑡) − 1 ; f(u) et P(t) sont, respectivement,
√ 𝑛 √ 𝑛
la densité et la fonction de répartition de la loi de Student représentées ci-dessus pour un
nombre de degrés de liberté égal à 20.
2.9. Estimation
Obtenir à partir des informations fournies par un échantillon, les valeurs des paramètres
de la population.
Il existe trois méthodes d’estimations :
- l’estimation ponctuelle ;
- l’estimation par intervalle de confiance ;
- l’estimation par la méthode du maximum de vraisemblance
2.9.1. Estimation ponctuelle
Une variable aléatoire X de paramètre ϕ à estimer (moyenne, écart-type…)
L’estimateur 𝜑̂ de ϕ est une fonction de l’échantillon de taille n utilisé pour l’estimation
𝜑̂ = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
- Si E(𝜑̂ ) = ϕ alors 𝜑̂ est sans biais.
- 𝜑̂ est asymptotiquement sans biais si lim 𝐸( 𝜑̂ ) = φ
𝑛→∞
- L’estimateur 𝜑̂ est convergent si E(𝜑̂ ) = ϕ et lim 𝑉( 𝜑̂ ) = 0 ; l’estimateur est
𝑛→∞
alors correct.
- L’estimateur 𝜑̂ est asymptotiquement convergent si lim 𝐸( 𝜑̂ ) = φ
𝑛→∞
et lim 𝑉( 𝜑̂ ) = 0 ; l’estimateur est alors asymptotiquement correct.
𝑛→∞

106
 - On choisira l’estimateur sans biais de plus faible variance.
Exemples :
a) Estimation de la moyenne d’une population par la moyenne d’un échantillon est un
estimateur correct (voir justification ci-dessus)
b) Estimation de la variance d’une population par S2 est un estimateur sans biais (voir ci-
dessus). Si on sait en plus que V(S2) tend vers 0 lorsque n tend vers l’infini, on en
déduit que S2 est un estimateur convergent donc correct.

2.9.2. Estimateur par intervalle de confiance

Soit une variable X dans la population qui suit une loi normale de moyenne, m, inconnue
et de variance, 𝜎𝑝2 connue. On veut construire un intervalle de confiance pour m.

On tire un échantillon de taille n et de moyenne 𝑥 . On sait que 𝑥 suit une loi normale de
𝜎𝑝2
moyenne m et de variance .
𝑛

𝑥−𝑚
La variable 𝑡 = 𝜎𝑝 suit une loi normale de moyenne nulle et de variance 1.
√𝑛

𝜎 𝜎
𝑃 {𝑚 − 𝑡 <𝑥 <𝑚+𝑡 } = 2𝜋(𝑡) − 1
√𝑛 √𝑛
Où 𝜋(𝑡) est la fonction de répartition de la loi normale.
Dans le cas où la variance de la population n’est pas connue, celle-ci est estimée par S2 et
𝑥−𝑚
la variable 𝑡 = 𝑆 suit la loi de Student à n-1 degrés de liberté. L’intervalle de confiance
√𝑛
de la moyenne de la population est alors :
+𝑡
𝑆 𝑆
𝑃 {𝑚 − 𝑡 <𝑥 <𝑚+𝑡 } = ∫ 𝑓(𝑢)𝑑𝑢 = 2𝑃(𝑡) − 1
√𝑛 √𝑛 −𝑡

f(u) et P(t) sont, respectivement, la densité et la fonction de répartition de la loi de

Student.
2.9.3. Estimation par la méthode du maximum de vraisemblance
L’estimateur 𝜑̂ est tel que la probabilité de sortir l’échantillon composé ds valeurs
𝑥1 , 𝑥2 , … , 𝑥𝑛 soit maximale.

Si 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, φ) est la vraisemblance de l’échantillon, alors 𝜑̂ est telle que

𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, φ) est maximale, donc 𝜑̂ est solution des équations normales suivantes
𝜕𝐿
=0
𝜕𝜑
Cette solution est aussi solution de l’équation suivante :

107
 𝜕 ln 𝐿
=0
𝜕𝜑
2.10. Tests des hypothèses statistiques
Les principaux tests de l’hypothèse statistique de nullité (H0), sont présentés dans le tableau
(1.4)1 , ci-après :
Tableau 1 : Hypothèses statistiques généralement utilisées et leurs tests de validité

Les tests figurant dans la table 1 utilisent la loi normale, la loi chi-carré, la loi de Student
et la loi de Fisher. L’évaluation des fonctions de répartition de ces lois peut être effectuée
à l’aide des tables correspondantes figurant dans la présente annexe.
2.11. Exemple
Considérons les expériences figurant sur le tableau 2, ci-dessous, représentant le taux de
conversion dans un réacteur à cuve parfaitement mélangé continu, y (variable dépendante)
en fonction de la concentration du réactif clé à l’entrée du réacteur, x (variable
indépendante).

1
Adapté de la référence : Tanase G. Dobre and José G. Sanchez Marcano ; Chemical Engineering : Modelling,
Simulation and Similitude ; WILEY-VCH (2007)

108
Un certain nombre de mesures différentes sont effectuées pour chaque valeur de consigne
de de la variable x. Ces mesures constituent une sélection qui peut être présentée par une
distribution des variables x et y de chaque sélection i, de moyennes 𝑥 et𝑦, respectivement.
Et d’estimation de variance, 𝑆𝑥2 et 𝑆𝑦2 , respectivement. Ces paramètres peuvent être
calculés à l’aide des formules suivantes :

Le tableau 3 donne les paramètres des sélections du tableau 2.

109
110
111
Numéro Valeur de la Valeur de xi Valeur de yi
i
d’ordre consigne de x (g/l) mesurée (g/l) mesurée

112
Cette table donne des valeurs de P = F(u) pour 𝑢 ≥ 0. Exemple : Pr (U < 2) =0,977. Pur u<0,
on utilise la propriété F(u) = 1 – F(-u).

113
Le fractile d’ordre p est tel que : Pr(U<up) = F(up)=P.
Pour P < 0,50, on utilise la colonne de gauche et la ligne supérieure, les fractiles sont négatifs.
Pour P > 0,50, on utilise la colonne de droite et la ligne inférieure, les fractiles sont positifs.
Exemples : Pr(U<-0,6745)=0,250 ; Pr(U<0,5302)=0,703

114
Le fractile d’ordre 𝛼 pour le degré de liberté n est défini par : Pr(𝜒 2 (𝜗) < 𝜒𝛼2 (𝜗)) = 𝛼

Exemple : Pr(𝜒 2 < 18,31) = 0,95

115
116
Les fractiles de la loi de Fisher donnés dans ces tables correspondent à a 𝜶 ≥ 𝟎, 𝟗𝟓 ; pour les valeurs 𝜶 ≤ 0,05, on
utilise la relation :
1
𝐹𝛼 (𝜗1 ; 𝜗2 ) =
𝐹1−𝛼 (𝜗2 ; 𝜗1 )
Exemples :
Pr(F(10 ;14) < 2,865)=0,95
1 1
𝐹0,05 (10; 14) = 𝐹 = 2,602 = 0,3843
0,95 (14;10)

Pr(F(10 ;14) < 0,3843)=0,05

La variable aléatoire de Fisher est définie par :

117
118
119
120
121
122
123
124
Les fractiles 𝑡𝛼 d’ordre a de la loi de Student pour certaines valeurs de 𝛼 ≥ 0,60. Pour les valeurs de 𝛼 < 0,60, on
utilise la relation 𝑡𝛼 = −𝑡1−𝛼
Pr(t(𝜗) <𝑡𝛼 (𝜗))=𝛼
Exemple :
Pr(t(15) <1,7531)=0,95

125
126
cccc

127