Note publique d'information : Cette thèse vise à étudier la méthanation biologique afin de trouver les conditions
optimales pour produire du biométhane de haute pureté en tant que produit à valeur
ajoutée. L'objectif est abordé du point de vue de la modélisation, en se basant sur
l'utilisation de stratégies de commande basées sur des modèles et de capteurs souples
pilotés par des données. Une synthèse bibliographique a été réalisée pour établir
le cadre théorique comprenant les modèles dynamiques, les stratégies de commande et
les outils de surveillance utilisés pour la méthanation biologique. Une extension
du modèle de digestion anaérobie N°1 (ADM1_ME en anglais) a été proposée pour décrire
la dynamique du processus de méthanation biologique avec l'utilisation de gaz de synthèse
(H2, CO2 et CO) comme substrat. La variation du coefficient de transfert de matière
volumétrique est considérée en fonction de deux types de réacteurs, un réacteur à
colonne à bulles et un réacteur à réservoir agité continu. L'ADM1_ME a été calibré
avec précision et validé dans différentes conditions de fonctionnement en utilisant
des données expérimentales tirées de la littérature. Une stratégie d'optimisation
dynamique multi-objectifs (MODO en anglais) a été proposée pour optimiser les performances
de la méthanation biologique. La stratégie MODO a été conçue pour prendre en compte
trois fonctions objectives différentes afin de maximiser : (i) le rendement (Y_CH4
)et la productivité (P_CH4 ) du méthane, (ii) maximiser Y_CH4 et P_CH4 simultanément,
complété par un commutateur pour maximiser les rendements (Y_ac ) et les productivités
(P_ac ) de l'acétate, et (iii) l'optimalité économique en termes de (Gain) et (Profit
margin). Les résultats ont démontré la faisabilité de la stratégie MODO et sa robustesse
pour passer d'un produit à l'autre, ainsi que le rôle clé des variables manipulées
(c'est-à-dire les débits d'entrée du liquide et du gaz) sur le processus de méthanation
biologique. En outre, des capteurs souples pilotés par les données ont été appliqués
pour détecter les écarts par rapport aux points de fonctionnement optimaux lorsque
des perturbations se produisent dans les variables manipulées. En particulier, la
machine à vecteur de support (SVM en anglais) a montré des résultats prometteurs et
une application potentielle en utilisant des visualisations en 2D construites par
paire de prédicteurs.
Note publique d'information : This thesis aims at studying biological methanation to find the optimal conditions
to produce high purity biomethane as a value-added product. The objective is addressed
from a modeling point of view, based on the use of model-based control strategies
and data-driven soft sensors. A bibliography synthesis was carried out to set the
theoretical framework includes dynamic models, control strategies, and monitoring
tools applied to biological methanation. An extension of the Anaerobic Digestion Model
No.1 (ADM1_ME) was proposed to describe the dynamics of the biological methanation
process with the use of syngas (H2, CO2, and CO) as substrate. The variation of the
volumetric mass transfer coefficient is considered as a function of two types of reactors,
a bubble column reactor (BCR) and a Continuous Stirred Tank Reactor (CSTR). The ADM1_ME
was accurately calibrated and validated in different operating conditions using experimental
data from the literature. A Multi-Objective Dynamic Optimization (MODO) strategy was
proposed to optimize the biological methanation performance. The MODO strategy was
designed to consider three different objective functions to maximize: (i) yield (Y_CH4
) and productivity (P_CH4 ) of methane, (ii) Y_CH4 and P_CH4 simultaneously complemented
by a switch to maximize acetate yields (Y_ac ) and productivities (P_ac ), and (iii)
economic optimality in terms of (Gain) and (Profit margin). The results demonstrated
the feasibility of the MODO strategy and its robustness to switch between products
of interest, and the key role of the manipulated variables (i.e., inlet liquid and
gas flow rates) on the biological methanation process. Furthermore, data-driven soft
sensors were applied to detect deviations from the optimal operation points when disturbances
occurred in the manipulated variables. Specifically, Support Vector Machine (SVM)
showed promising results and a potential application by using 2D visualizations constructed
by pair of predictors.
paprika.idref.fr
data.idref.fr
Documentation
