Modélisation pour la commande de procédés de biométhanisation

Parmi les solutions de production d’énergie verte qui permettent de réduire l’empreinte environnementale, la production de biogaz par un procédé de digestion anaérobie est largement utilisée. La digestion anaérobie est un procédé biologique où les microorganismes décomposent la matière organique en l'absence d'oxygène. Les principaux avantages sont d’une part la production de biogaz (mélange de méthane et de dioxyde de carbone), et d’autre part le traitement de déchets organiques via sa transformation en digestat, qui peut être utilisé comme engrais. Très récemment, des techniques d’enrichissement en biométhane ont été proposées, qui reposent sur l’injection d’hydrogène lors de la digestion anaérobie et qui permettent de convertir une fraction importante du dioxyde de carbone en méthane. L’hydrogène injecté peut être produit de diverses manières, notamment en exploitant de l’électricité produite par voie solaire.
L’optimisation des rendements de ce procédé, et le maintien de son fonctionnement à des niveaux stables nécessitent des outils de commande avancée. Cependant, ce procédé est très complexe, avec peu de données mesurables en ligne, du fait de l’absence de capteurs ou de leurs coûts trop élevés. Aussi, il est nécessaire de développer un modèle pour ce type de procédé, qui soit simple mais malgré tout représentatif de son comportement dynamique global, pour les besoins de la commande et de l’optimisation.
Parmi les modèles couramment utilisés, on peut citer le modèle ADM1 (The IWA anaerobic digestion model no 1). Cependant, ce modèle fait appel à un nombre important de variables et de paramètres, qui sont dans la pratique difficilement identifiables. Une approche que l’on peut également rencontrer dans l’état de l’art consiste à développer un modèle réduit de ce modèle ADM1 (par exemple le modèle AM2), mais qui reste difficilement identifiable en pratique.
Une tendance actuelle consiste à développer des modèles de type boîte noire, issu de l’application des approches des sciences des données (tel que les réseaux de neurones). Cependant, cette approche ne permet pas d’enrichir la connaissance du système et nécessite un grand jeu de données, ce qui est peu réalisable dans le cas des bioprocédés.

Cette thèse a pour objectif d’explorer ces différentes approches, mais également de développer une approche de type boîte grise, utilisant soit une approche hybride associant un modèle physique à des composantes neuronales, soit une approche dite Physics-informed Machine Learning.
En incorporant les connaissances physiques du bioprocédé dans les modèles d'apprentissage automatique, cette approche devrait permettre d’améliorer la précision des prédictions, tout en réduisant la quantité de données nécessaires pour l’apprentissage.
Les différentes approches de modélisation citées précédemment seront mises en œuvre et comparées, en dégageant les avantages et inconvénients de chacune, et cela afin de pouvoir déterminer celle qui présente le meilleur choix dans le cadre de l’application considérée. Cette comparaison et validation pourront être également effectuées sur des données expérimentales.

L’objectif final sera de proposer une méthodologie de modélisation d’un procédé de biométhanisation qui soit robuste vis-à-vis des incertitudes et qualité des mesures. Ce modèle devra également être commandable et observable, tout en garantissant l’identifiabilité de ses paramètres, même en cas de faibles quantités de mesures.