Cours :

Simulation des procédés industriels

Séance 2:
Chapitre 1: Modélisation des
procédés industriels

Mme Y.KHEMIES
 Sommaire
• Introduction
• Modèle et modélisation
• Définition et types de modèles
• Méthodologie pour le développement d’un
modèle
• Exemples d’application

2
Introduction
Alternative à une stratégie de type essais-erreurs, la modélisation a montré toute son
importance dans différents domaines : médecine, nucléaire, aéronautique, météorologie...
La modélisation est pratiquée dans toutes les disciplines scientifiques mais également dans
d’autres disciplines : économie, finances, sciences humaines... Dans tous les cas, il s’agit de
construire une représentation la plus proche possible du fonctionnement d’un système réel
afin d’en analyser le comportement ou de réagir à un comportement.

3
 Un modèle

Un modèle est une structure formalisée utilisée pour rendre compte d’un ensemble de
phénomènes qui possèdent entre eux certaines relations.
Suivant les disciplines, le formalisme peut être très différent et on distingue :
 le modèle vivant (modèle « animal » pour la médecine, la pharmacie, miniaturisation
pour l’étude des écoulements...)
du modèle virtuel pour lequel le formalisme est mathématique.
En génie des procédés, le terme « modèle » se réfère à un ensemble d’équations
mathématiques construit sur la base de données expérimentales acquises sur le système
réel et permettant de représenter les relations entre les sorties et les entrées du système.

4
L’objectif de la modélisation est donc d’établir un système d’équations :
f (u,s,t,x,y,z ) = 0
qui permet, connaissant les entrées (u ) du modèle, de calculer les sorties (s) du
modèle.
Pour des systèmes en régime transitoire, le système d’équations est différentiel et fait
intervenir le temps (t) en sus des données et sorties. Pour des systèmes non
homogènes, la notion d’espace peut être introduite (x, y, z).
Se limiter à cette définition pourrait laisser penser qu’il suffit de maîtriser le système
pour développer un modèle. Or, écrire les équations, si aisé cela puisse-t-il paraître au
physicien, ne constitue qu’une partie de la tâche du modélisateur. Encore faut-il savoir
les résoudre et trouver une solution et, qui plus est, une solution physique. La
modélisation résulte donc d’un savant mélange entre les connaissances acquises sur la
physique et la chimie du système (rôle du physicien) et la capacité à pouvoir résoudre
les équations résultant de cette analyse (rôle du mathématicien).
5
Quelques définitions

Système dynamique
Un système dynamique est: une entité physique dont la caractéristique principale
est d’évoluer dans le temps. une entité sur laquelle une certain action est exercée par
le biais d’une entrée u et qui fournit comme réaction une certain sortie y.
Notons que l’attribut dynamique met l’accent sur le fait que les phénomènes
concernant le système ont lieu dans le temps. l’entrée est normalement associée à une
cause (par exemple une force) et la sortie à un effet (par exemple une accélération). les
entrées sont typiquement des quantités qui peuvent être contrôlées (par exemple la
position de la pédale de l’accelerateur) et les sorties sont des quantités qui peuvent
être observées (par exemple la position de la voiture).

6
 Quelques définitions

Systèmes entrée-sortie

Presque tous les phénomènes observés quotidiennement ont des aspects dynamiques
importants et peuvent être décrits par un ensemble d’entrées et sorties.
Exemples:
 un local chauffé (où l’entrée est le degré d’ouverture des vannes des radiateurs et le
nombre de personnes et la sortie est la température dans la pièce).
 un circuit électrique (entrée: courant, sortie: tension).
 un réacteur chimique (où les entrées sont la température à l’extérieur, le débit et la
température à l’entrée du réacteur et la sortie est la température du réactant).
 un système masse-ressort (où l’entrée est la force F appliquée à la masse m et la sortie
est la position de la masse).
 un réservoir (où l’entrée est le débit en entrée et la sortie est le débit en sortie).
7
Modèle et modélisation
En génie des procédés, le modèle mathématique est un excellent moyen de capitaliser de
la connaissance et peut être considéré comme un vecteur essentiel du transfert de
connaissances acquises en recherche vers les unités opérationnelles et décisionnelles.

Il permet de pouvoir comprendre les phénomènes physiques, chimiques et biologiques

mis en jeu pour mieux concevoir, optimiser, faire fonctionner, contrôler, faire évoluer les
procédés de transformation de la matière.

L’utilisation des mathématiques pour fournir un lien rigoureux, systématique et

quantitatif entre les phénomènes moléculaires et microscopiques d’une part et les
performances macroscopiques du procédé a toujours été ancrée dans les principes
pédagogiques et de recherche en génie des procédés depuis les efforts pionniers des
années 1960.

Avec l’augmentation des performances de l’outil informatique et les avancées en

mathématiques appliquées, la modélisation a pris une importance considérable en génie
des procédés dans les années 1980.

Les modèles peuvent être utiles dans toutes les phases d’ingénierie : de l’étape de
recherche et développement à la conduite du procédé, et pour les études économiques.
Dans la mesure du possible, l’activité de modélisation et le développement du procédé
doivent donc se faire de manière simultanée. 8
Ainsi, différents modèles sont de nos jours développés pour répondre aux divers objectifs
recherchés lors de chaque étape du cycle de vie du procédé :
– lors de la phase de développement pour démontrer une idée sur une base quantitative
avant de l’appliquer au procédé ;
– lors de la phase de conception pour le dimensionnement de l’installation, la sélection
des conditions opératoires (réduction des coûts de recherche et développement par
diminution du nombre d’expériences) ;
– lors de l’évaluation des modifications d’une unité existante ;
– préalablement à la phase opératoire pour l’optimisation et le contrôle du procédé,
l’entraînement d’opérateurs ;
– lors de la phase opératoire pour régler les problèmes de fonctionnement (dépannages
d’installation), de dégoulotage, les études de sécurité...

Le type de modèle que l’on cherche à établir dépend essentiellement de

l’objectif poursuivi et de l’utilisation que l’on souhaite en faire. Aussi, pour une
opération donnée, il n’existe pas un modèle de représentation mais plusieurs
modèles possibles, plus ou moins détaillés suivant l’objectif fixé. 9
En génie des procédés, on peut distinguer deux objectifs majeurs à la modélisation :

I. l’acquisition et la capitalisation de connaissances, d’une part ;

II. le contrôle et la supervision du procédé, d’autre part.

Dans le premier cas, il s’agit de comprendre les phénomènes et de concevoir un procédé

optimisé au sens d’un ou de plusieurs critères (productivité, qualité, sécurité, protection de
l’environnement...).
1. Le modèle requis pour atteindre cet objectif devrait, de manière idéale, prendre en
compte toute la complexité du système (couplage entre phénomènes physiques, chimiques
et biologiques) et la représenter le plus fidèlement possible.
2. Ce modèle est le plus souvent utilisé hors-ligne et la simulation peut nécessiter des
temps de calculs non négligeables.
3. Pour optimiser le fonctionnement du système, le modèle de connaissance doit intégrer
les différentes variables d’action sur lesquelles il est possible d’agir.
4. Ce modèle permet la phase d’extrapolation : il fait office de banc test avant le passage
sur pilote, puis à l’échelle industrielle. Il permet, à ce niveau, de réduire les plans
d’expérience, donc les délais de réalisation.
5. Le modèle peut être intégré dans un environnement de simulation (Simulateurs de
procédés).

10
Dans le second cas, il s’agit de faire fonctionner le procédé en toute sécurité et dans des
conditions qui restent optimales face à un environnement qui peut être perturbé.
1. Le modèle requis doit représenter de manière fidèle le comportement du processus,
2. être capable de prédire l’évolution du système autour d’un point de fonctionnement
optimal et ce avec un temps de réponse très inférieur à la dynamique du système. Cette
dernière contrainte rend difficilement exploitable des modèles de connaissance très
détaillés pour la conduite des procédés.

11
Définition et types de modèle

Il existe différents types de modèle permettant de répondre aux différents objectifs

présentés précédemment. La construction d’un modèle s’appuie sur deux facteurs
clé : l’expérience et la connaissance.
Ces deux facteurs sont liés, l’analyse des données expérimentales conduisant
forcément à un approfondissement de la connaissance. La capacité à développer un
type de modèle plutôt qu’un autre va dépendre en grande partie de la connaissance
théorique que le modélisateur a du système et de l’information expérimentale
disponible.

12
Définition et types de modèle
De manière très schématique, on peut classer les modèles en quatre grandes classes
(figure 1):
– les modèles empiriques (ou modèles comportementaux), basés uniquement sur
l’information expérimentale ;
– les modèles de connaissance pure basés uniquement sur la connaissance théorique du
système ;
– les modèles phénoménologiques ;
– les modèles « hybrides ».
Ces deux derniers types de modèles permettent de pallier les inconvénients des modèles
empiriques et des modèles de connaissance pure.

13
Modèles comportementaux:

Les modèles comportementaux ou modèles de type « boîte noire » sont construits par une
approche « par induction ». Il peut s’agir :
– de modèles basés sur la réponse à un échelon ou à une impulsion ;
– de réseaux de neurones ;
– de modèles résultant d’une analyse statistique multivariée
ou de méthodes de projection ;
– de fonctions de transfert ;
– ou tout simplement de polynômes

14
Modèles comportementaux:

Dans cette approche, on ne cherche pas à transformer une intuition physique en une
structure mathématique, mais on cherche à forcer une structure mathématique donnée
à obéir à des observations expérimentales. La rapidité de développement du modèle
(inutile de comprendre les mécanismes mis en jeu), la rapidité et la facilité de simulation
sont des caractéristiques avantageuses qui sont à l’origine de l’utilisation de ce type de
modèles pour le contrôle de systèmes non linéaires, même pour des procédés pour
lesquels la connaissance théorique permettrait de développer des modèles
phénoménologiques, comme les colonnes de distillation ou les réacteurs. Cela se
comprend aisément quand on considère que la modélisation compte pour 75 % des coûts
de conception d’un système de contrôle avancé.

Avantages et inconvénients

Les principaux inconvénients sont:

 d’une part, la nécessité de données expérimentales en quantité importante et,
d’autre part, leur faible caractère prédictif en dehors du domaine où l’apprentissage a
été réalisé.
Ils garantissent par contre une très bonne représentation du système localement.
Ainsi, les réseaux de neurones sont couramment employés pour l’analyse des données
de capteurs, la détection de disfonctionnement et l’identification de procédés non
linéaires. 15
Modèles de connaissance pure

A l’opposé de ces modèles essentiellement empiriques, on trouve les modèles de

connaissance pure. Ces modèles constituent le meilleur moyen de capitaliser le savoir
acquis sur le système. Ils rendent explicite la nature des couplages et quantifie
clairement l’intensité des phénomènes.

L’approche pour la construction de ces modèles est une approche « par déduction ».
Elle s’appuie sur les lois fondamentales de la physique.

Un tel modèle ne peut donc être établi que sur la base d’une connaissance très fine des
phénomènes régissant le système à modéliser. Par contre, l’information expérimentale
peut se limiter à des expériences judicieusement choisies pour estimer au mieux les
paramètres du modèle.

16
Avantages et inconvénients

Ces modèles sont souvent plus complexes et plus longs à développer que les précédents,
mais présentent un certain nombre d’avantages :
– meilleure extrapolabilité ;
– meilleure cohérence ;
– large domaine d’application : conception, conduite, formation d’opérateur, développement
de produit, contrôle prédictif ;
– nombre de paramètres à identifier limité ;
– nombre moins important d’expériences pour l’identification du modèle ;
– réutilisation facilitée.
Un des principaux inconvénients de ce type de modèle est :
– le temps de développement et parfois, la difficulté de simulation.
– Par ailleurs, ces modèles s’appuyant sur la compréhension qu’a le modeleur des
phénomènes, une erreur de jugement peut entraîner le développement d’un modèle
erroné avec toutes les conséquences que cela peut avoir lors des phases d’utilisation.
Cependant, malgré ces deux inconvénients majeurs, ils restent la meilleure façon de
capitaliser et d’acquérir de la connaissance sur un système parce qu’ils obligent à avoir une
réflexion importante sur le système étudié.

17
Modèles phénoménologiques

L’écriture d’un modèle de connaissance pure qui prendrait en compte tous les détails
physiques est difficilement réalisable et encore plus difficilement « simulable ». Ainsi, un
modèle de connaissance intégrant les aspects hydrodynamiques (loi de Navier-Stockes),
matière (loi de continuité), énergie (1er principe de la thermodynamique) sur des systèmes
complexes non idéaux reste encore un challenge.
Même si on peut à l’heure actuelle imaginer un modèle purement de connaissance en génie
des procédés couplant les différentes facettes présentées précédemment, son application
relève encore du défi.
C’est pourquoi, à mi-chemin entre ces deux types de modèles, on trouve donc des modèles
qui mêlent lois phénoménologiques et approches empiriques, palliant aux inconvénients du
modèle de connaissance pure. Ces modèles se retrouvent dans la littérature sous la
dénomination « first principle models », ce que nous traduirons par « modèle
phénoménologique ».

18
Modèles hybrides

Des modèles couplant des équations basées sur le premier principe de la

thermodynamique et des réseaux de neurones peuvent également être développés.
Ce type d’approche trouve sa principale application pour la modélisation d’unités
mettant en œuvre des systèmes réactifs complexes et, en particulier, les systèmes
biologiques. Le modèle de fonctionnement de l’unité est basé sur les bilans matière
et énergie alors que le comportement du système réactif (chimique, microbien ou
enzymatique) est représenté par un réseau de neurones.

19
 Méthodologie pour le développement d’un modèle

Dans la modélisation du fonctionnement d’un procédé, on retrouve pratiquement toujours les

mêmes opérations :
Définition du procédé
Entrées-sorties
Hypothèses
Description du
procédé
Lois physiques (bilans)
Modèle de
connaissance
Identification
Modèle
identifié
Validation
Modèle valide
Utilisation

Objectif
atteint 20
Définition du procédé :
Il s’agit ici de préciser les frontières du système, les contraintes du milieu extérieur (entrées)
et les paramètres du système présentant un intérêt (sorties)

Hypothèses :
Ce sont des hypothèses sur le comportement du système conduisant à une description de
son état

21
Lois physiques :
La construction d’un modèle de procédé repose généralement sur des bilans de masse,
d’énergie ou de force. L’écriture de ces bilans fait intervenir les lois de la physique.
Le choix des hypothèses et l’écriture des équations de bilan requièrent une bonne
compréhension du fonctionnement du procédé. Au terme de cette troisième étape, on
dispose d’un modèle de connaissance. Habituellement, ce modèle contient des coefficients
dont la valeur est soit incertaine, soit inconnue.

Identification :
Cette étape consiste à déterminer et/ou ajuster les paramètres inconnus du modèle de
manière à ce que celui-ci décrive au mieux le fonctionnement du procédé. La pratique
usuelle consiste à définir un critère d’écart (généralement de forme quadratique) entre les
sorties du procédé et les prédictions du modèle. On ajuste ensuite les paramètres du
modèle de manière à minimiser ce critère.

22
Validation :
Au terme de l’étape précédente, on dispose d’un modèle dont les paramètres sont fixés. Il
faut maintenant déterminer si le modèle obtenu est satisfaisant, cad qu’il permet de décrire
le fonctionnement du procédé avec une précision suffisante, pour toutes les variations des
entrées auxquelles le procédé peut être soumis.
Deux raisons principales peuvent conduire à des conclusions négatives lors de la validation :
-l’identification est imparfaite; il y a alors lieu de retourner à une étape.
- la structure du modèle de connaissance est trop sommaire pour représenter le
fonctionnement du procédé dans tout le domaine d’utilisation. Il est alors possible de
revenir sur les hypothèses (étape 2) qui régissent la modélisation, de manière à obtenir une
description plus précise du procédé.
Utilisation :
Dans la perspective adoptée ici, c’est dans le cadre de l’utilisation du modèle que s’évaluent
définitivement ses performances. Au terme de cette dernière étape, on peut être amené à
revenir sur la modélisation pour améliorer les performances d’un modèle.
23
 Exemples d’application

Exemple 1: four de verrerie

Le premier exemple est un procédé industriel. Il s’agit d’un four dont les parois sont construites
en matériau réfractaire et dans lequel on fait fondre un mélange de sable, de chaux et d’autres
additifs pour obtenir du verre. Cette fusion est obtenue par un apport énergétique à l’intérieur
du four, provenant par exemple de brûleurs à gaz disposés au dessus du bain de verre.
Le verre fondu est extrait du four de manière continue pour alimenter les machines en aval. En
faisant l’hypothèse que la température du verre est homogène dans le four et que celui-ci est
parfaitement isolé, nous pouvons écrire les deux équations suivantes, correspondant à un bilan
massique et à un bilan énergétique du procédé.
Nous écrivons donc que la variation de masse ou d’énergie, par unité de temps, dans le système
considéré est égale à la somme de ce qui rentre dans le système, en termes de masse et de
chaleur, diminuée ce qui en sort, toujours durant la même unité de temps :

24
Exemple 1: four de verrerie

avec la signification suivante des variables et paramètres du modèle :

M : masse du verre en fusion dans le four (kg),

T : température du verre en fusion dans le four (K),
Tin : température de la matière première enfournée (K),
C : chaleur spécifique du verre (J/Kxkg),
Cin : chaleur spécifique de la matière première (J/Kxkg),
Qin : quantité de chaleur fournie par unité de temps (J/s),
Pin : masse enfournée par unité de temps (kg/s),
Pout : masse « tirée » par unité de temps (kg/s).

Nous avons indiqué des unités pour chacune des grandeurs définies ci-dessus. La
cohérence dimensionnelle des équations est la première vérification à effectuer
dans un exercice de mise en équation d’un modèle mathématique.

25
 Exemple 2: Un réacteur chimique

Dans un réacteur chimique, une réaction transformant un

réactif A en un produit B se déroule en phase liquide à une
certaine température T. Le réacteur est alimenté en réactif A
via une vanne d’alimentation qui introduit le réactif à la
concentration Ain avec un débit volumique d’alimentation
variable qin qui est une fonction monotone croissante de
l’ouverture de vanne w :
qin = ϕ(w).
Le contenu du réacteur est extrait par une pompe avec un
débit de soutirage qout. On suppose que la réaction est
endothermique et nécessite dès lors un apport calorifique W
fourni par une résistance chauffante R0 alimentée par une
source de courant variable I comme illustré sur la figure. On
suppose en outre que le réacteur est parfaitement mélangé.
La réaction (c.à.d. la transformation du réactif A en produit
B) se passe avec une vitesse de réaction qui obéit à une
cinétique du premier ordre, c.à.d. proportionnellement à la
quantité de réactif A dans le réacteur. Le coefficient de
proportionnalité est fonction de la température et vérifie la
loi d’Arrhenius,
26
Exemple 2: Un réacteur chimique

On décrit l’évolution de ce système en écrivant les équations de bilan volumétrique, massique

et thermique :

avec :
V : volume de liquide dans le réacteur,
A : concentration en réactif A dans le réacteur,
B : concentration en produit B dans le réacteur,
k0 : constante de vitesse de réaction,
E : énergie d’activation,
R : constante de Boltzmann,
C : chaleur spécifique,
h : enthalpie de réaction.
27
Exemple 3: Un moteur à courant continu

Il s’agit d’un moteur à courant continu qui peut être aussi bien commandé par la tension
statorique (ou tension d’excitation) e que par le courant rotorique I. L’équation électrique du
circuit statorique est donnée par

où R et L représentent la résistance et l’inductance du circuit, e est la tension de commande et

i est le courant. Le couple exercé sur le rotor est donné par C = I où I est le courant rotorique et
φ est le flux magnétique proportionnel au courant d’excitation : φ=Ki

On obtient donc : C=Kil

Il reste à modéliser la partie mécanique de ce système. En notant la position angulaire
du rotor, J son moment d’inertie et F le coefficient de frottement visqueux,
l’application de la loi de Newton conduit à :

28
29
30
31
32
33