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. |
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. |