EP4384596A1 - Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur - Google Patents

Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur

Info

Publication number
EP4384596A1
EP4384596A1 EP22768447.9A EP22768447A EP4384596A1 EP 4384596 A1 EP4384596 A1 EP 4384596A1 EP 22768447 A EP22768447 A EP 22768447A EP 4384596 A1 EP4384596 A1 EP 4384596A1
Authority
EP
European Patent Office
Prior art keywords
digester
parameters
mechanistic model
values
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22768447.9A
Other languages
German (de)
English (en)
Inventor
Roman MOSCOVIZ
Patricia CAMACHO
Maxime ROUEZ
Pablo Kroff
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suez International SAS
Original Assignee
Suez International SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suez International SAS filed Critical Suez International SAS
Publication of EP4384596A1 publication Critical patent/EP4384596A1/fr
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control

Definitions

  • the invention relates to the field of digesters, also called biogas reactor or methanizer.
  • the invention relates to a method and a device for predicting an indicator for monitoring the state of a digester.
  • a digester aims to produce biogas by anaerobic digestion.
  • Anaerobic digestion corresponds to a cascade of biochemical reactions that convert a fraction of organic matter into biogas, the remaining matter being called digestate.
  • each degradation step is carried by distinct groups of micro-organisms, each having their own kinetics, optimal growth conditions, specific inhibitory compounds;
  • the typical response time of a digester treating sludge and/or waste following, for example, a change in feed is of the order of several weeks.
  • black box models based on the monitoring parameters of the digestion process.
  • a “black box” model is known as a model type that does not take into account the phenomena internal to the system studied, here the digester.
  • Models are then trained in order to link these bio-indicators with behaviors observed in the digesters.
  • this type of model generally includes a very large number of parameters, such as parameters of biological kinetics, inhibition constants, yields, which must be adjusted using real data.
  • parameters of biological kinetics, inhibition constants, yields which must be adjusted using real data.
  • the model parameters are adjusted from existing data, for example monitoring data from the last months of a digester, by minimizing the difference between the model outputs, such as the biogas flow rate, and the actual measurements, and
  • the model can then be used to predict the future behavior of the digester, for example by changing the mode or the composition of the feed.
  • hybrid models adjusted to real data.
  • the latter can be coupled with empirical models of the “black box” type.
  • Another approach consists in using data external to the process to inject them into the model.
  • the publication Charnier, C, Latrille, E., Jimenez, J., Torrijos, M., Sousbie, P., Miroux, J., Steyer, J. -P., 2017. Fast ADM1 implementation for the optimization of feeding strategy using near infrared spectroscopy.
  • Water Research 122, 27-35 discloses a method during which we trained a partial least squares approach model, known as PLS, which can predict hydrolysis kinetics of a substrate from its near infrared spectrum.
  • a computer-implemented prediction method of the evolution of a monitoring indicator of a plurality of monitoring indicators of the state of a digester adapted to produce a digestate and biogas comprising:
  • mechanistic models make it possible to inject knowledge based on explicit hypotheses, such as compliance with the material balance, and ensure to have a result respecting the laws of physics.
  • said machine learning module comprises a neural network or a decision tree or decision tree forest module or a partial least squares approach module or a support vector regression module.
  • the adjustment parameters of the mechanistic model are constrained within a range of predetermined values or constrained according to a predetermined distribution of the adjustment parameters.
  • the mechanistic model is not trained with aberrant or obviously erroneous tuning parameter values.
  • said indicator for monitoring the state of said digester comprises a flow rate of biogas produced at the outlet of the digester.
  • said automatic learning module comprises a neural network or a decision tree or forest of decision trees module or a partial least squares approach module or a vector-based regression module. support.
  • a robust and efficient module is implemented to determine the adjustment parameters of the mechanistic model.
  • said parameters relating to the input comprise a methanogenic potential parameter and/or parameters of splitting. These parameters indeed constitute relevant indicators on the quality of the input.
  • said digester control parameters comprise a temperature of said digester and/or a hydraulic residence time and/or an organic load and/or a mode of feeding said digester. These parameters indeed constitute parameters that can be directly adjusted by the operators and/or designers of the digester.
  • the invention also relates to a training method implemented by computer of an automatic learning module for a prediction method as described above, comprising:
  • a calibration step of a mechanistic model in which the values or distributions of the adjustment parameters of said mechanistic model are determined according to said experimental data
  • the invention also relates to a method for regulating the control parameters of a digester comprising:
  • the invention also relates to a device for training an automatic learning module for predicting an indicator for monitoring the state of a digester adapted to produce a digestate and biogas, containing methane, from a input comprising:
  • each set of experimental data being associated with a digester of the plurality of different digesters; each set of experimental data comprising values of parameters relating to a digester, values of parameters relating to a type of input and a value of said indicator for monitoring the state of the associated digester as a function of these parameters;
  • Means for training at least one automatic learning module as a function of said plurality of sets of experimental data said automatic learning module being trained to determine, for each set of experimental data, said adjustment parameters said mechanistic model describing the kinetics of at least one of the acidogenesis, acetogenesis and methanogenesis stages or their combination as a function of the control parameters of said associated digester and of the parameters relating to the quality of the input and independently of the values of the indicators monitoring of said associated digester.
  • the invention also relates to a device for implementing the prediction of an automatic learning module driven by a device as described above, to predict the evolution of the state of a digester adapted to produce a digestate and biogas from an input comprising:
  • the invention also relates to a device for controlling a digester adapted to regulate parameters of said digester and/or parameters for regulating the feed mode of the digester according to the prediction obtained by said prediction method described above.
  • FIG. 1 is a flowchart of the prediction method according to the invention
  • FIG. 2 is a flowchart of a training method according to the invention.
  • FIG. 3 is a schematic view of a device for implementing a prediction method according to the invention.
  • FIG. 4 is a schematic view of a device for implementing a drive method according to the invention.
  • FIG. 5 is a schematic view of a process for regulating the control parameters of a digester.
  • the prediction method 1 aims to predict the evolution of the state of a digester, supplied with an input such as sludge from a purification station and producing digestate and biogas as output.
  • the prediction is thus implemented for a particular digester 50, here called the digester 50 studied.
  • the evolution of the state of a digester 50 also presents a strong inertia and a slow evolution over time, which causes particular difficulties in anticipating the deterioration of its performance in order to modify its input supply.
  • the method includes a first step of defining a mechanistic model making it possible to predict the evolution of an indicator for monitoring the state of the digester.
  • the definition of the mechanistic model can be a choice made by the user implementing the prediction method 1. However, as will be seen later, this choice must in fact have been made before the training 2 of the module of automatic learning, because the training is dependent on the mechanistic model chosen.
  • the flow rate of biogas produced at the outlet of the digester 50 is the condition monitoring indicator that we seek to predict, because it constitutes a important indicator in terms of profitability of the digester.
  • the invention is not limited to this particular type of indicator, which may also correspond, without limitation, to the concentration of volatile fatty acids in the digestate, or else the NH3 concentration of the digestate.
  • the scientific literature includes many mechanistic models adapted to anaerobic digesters.
  • Anaerobic Digestion Model No. 1 (ADM1) and its variants are known.
  • ADM1 Anaerobic Digestion Model No. 1
  • Such models make it possible in particular to simulate the anaerobic reactions of a digester 50 to predict the state of the digester, its performance or even its stability.
  • the invention is not limited to any particular mechanistic model. Indeed, as will be explained later, the invention will involve an automatic learning module to determine the optimal adjustment parameters of the mechanistic model in order to be able to best simulate the internal reactions of the digester 50 studied.
  • any mechanistic model adjustable by a plurality of predefined parameters can be implemented.
  • the values supplied to the mechanistic model are generally time series, respectively of the control of the digester 50 and of the quality of the input.
  • quality parameters of the input of its methanogenic potential, which is a relatively important criterion, and of its chemical oxygen demand.
  • the quality of the input can also include its parameters of fractionation into sugars, proteins, lipids, metallic elements, elemental composition, etc.
  • the control parameters of the digester 50 can include, by way of non-limiting examples, the temperature of the digester, the hydraulic residence time, the organic load, the mode of feeding of said digester, etc.
  • a step 12 of determining the adjustment parameters of said mechanistic model is implemented.
  • the adjustment parameters of a mechanistic model for an anaerobic digester will be used to calibrate the representation of the kinetics of the stages of anaerobic decomposition, namely: the stages of hydrolysis, acidogenesis, acetogenesis and methanogenesis.
  • Hydrolysis refers to the step during which high molecular weight organic molecules such as polysaccharides, proteins and lipids are converted into monomers (e.g. glucose, fatty acids, amino acids). This step is commonly described by first-order kinetics associated with a hydrolysis constant. In particular, reference can be made for the description of this hydrolysis kinetics to the publication Vavilin, VA., Fernandez, B., Palatsi, J., Flotats, X., 2008. Hydrolysis kinetics in anaerobic degradation of particulate organic material : An overview. Waste Management 28, 939-951. https://doi. org/10.1016/j. wasman.2007.03.028
  • Acidogenesis corresponds to the stage during which the monomers resulting from the hydrolysis stage are transformed into organic acids, alcohols, FL and CO2.
  • Kinetics of this step can for example be described according to Monod's empirical equation, characterized by a maximum growth rate and an affinity constant.
  • the Monod equation is notably described in the publication Liu, Y., 2007. Overview of some theoretical approaches for derivation of the Monod equation. Appl Microbiol Biotechnol 73, 1241-1250. https://doi.org/10.1007/s00253-006-0717-7.
  • the acetogenesis phase allows the transformation of the various organic compounds from the two previous phases into acetate, H2 and CO2.
  • the kinetics of this phase can also be described by Monod kinetics corrected for the accumulation of reaction products such as EU.
  • the Monod kinetics thus corrected is described in particular in the publication Patôn, M., Rodriguez, J., 2019. Integration of bioenergetics in the ADM 1 and its impact on model predictions. Water Sci Technol 80, 339-346. https://doi.org/10.2166/wst.2019.279.
  • the methanogenesis step corresponds to the conversion of EL, CO2 and/or acetate into CEE.
  • the kinetics of this step can be described by Monod kinetics corrected for inhibition related to toxic compounds such as ammoniacal nitrogen.
  • Rea description of the kinetics of this methanogenesis step reference may be made in particular to the publication Capson-Tojo, G., Moscoviz, R., Astals, S., Robles, A., Steyer, J.-R, 2020. Unraveling the literature chaos around free ammonia inhibition in anaerobic digestion. Renewable and Sustainable Energy Reviews 117, 109487. https://doi.Org/10.1016/j.rser.2019.109487_.
  • the adjustment parameters of the mechanistic model describing the kinetics of at least one of the acidogenesis, acetogenesis and methanogenesis steps or their combination are determined.
  • the determination step 12 is implemented by implementing an automatic learning module trained to determine the adjustment parameters according to the control parameters of the digester 50 studied and the parameters relating to the quality of the input.
  • This automatic learning module thus receives as input control parameters of the digester 50 studied and parameters relating to the quality of the input and determines as output parameters for adjusting the digester.
  • the automatic learning module comprises in particular a plurality of artificial neural networks trained to each detect a tuning parameter of the mechanistic model.
  • An alternative approach can implement an artificial neural network trained to output a single vector of settings parameters.
  • the invention is not limited to the implementation of neural networks, other automatic learning methods prove to be just as relevant for this type of learning. Mention will in particular be made of statistical regression methods such as support vector machines, SVM, decision trees, forests of decision trees, partial least squares regression or any other automatic learning method, supervised or not.
  • the adjustment parameters of the mechanistic model are then retrieved. Consequently, a calibration step 13 of the mechanistic model is implemented with these determined parameters. During this calibration step 13, however, we want to make sure not to adjust the mechanistic model with aberrant parameter values. Also, we constrain the search for parameter values within a predetermined distribution.
  • This method comprises a first step 21 of acquisition of a plurality of sets of experimental data.
  • Each set of experimental data comprises time series of values of control parameters of a digester, values of parameters relating to the quality of a type of input supplying this digester 50 and time series of values of the indicator of monitoring of the digester, here its methane flow according to these parameters.
  • the adjustment parameters obtained during this calibration step 21 constitute, with the set of experimental data associated with it, a set of training data for the automatic learning module.
  • a training step 23 of the learning module according to the training data constituted by the couples sets of experimental data/adjustment parameters of the determined mechanistic model.
  • the learning model will be able to evaluate, as a function of control parameters of said digester 50 and of parameters relating to the quality of the input supplying said digester, the adjustment parameters of the mechanistic model chosen in an optimized manner.
  • This prediction method 1 can be implemented within the framework of more general methods, such as a method of regulation 53 of the control parameters of a digester 50 represented in figure 5.
  • Such a regulation method 53 comprises the acquisition of a prediction obtained by the implementation of the prediction method 1.
  • the implementation device 40 of the prediction method 1 is preferably a computer, comprising a processor 42 for carrying out the calculations, a random access memory 41, a data storage medium 43, input-output communication means 46, these means being adapted to store in memory, either in RAM 41 or on the storage medium 43, a mechanistic model 48 and a machine learning module 45.
  • the input-output communication means 46 can be of any known type, Ethernet port, COM port, USB port, wired or wireless communication device.
  • the digester control device 50 is generally, but not necessarily, of the same type as the implementation device 40 of the prediction method 1.
  • the training device 30 of the training method 2 is generally, but not necessarily, a separate device from the implementing device 40 of the prediction method 1.
  • This training device 30 also comprises a computer, comprising a processor 42 for carrying out the calculations, a random access memory 41, a data storage medium 43, input-output communication means 46, these means being suitable for storing in memory , either in RAM 41 or on the storage medium 43, a mechanistic model 48 and a machine learning module 45.
  • a computer comprising a processor 42 for carrying out the calculations, a random access memory 41, a data storage medium 43, input-output communication means 46, these means being suitable for storing in memory , either in RAM 41 or on the storage medium 43, a mechanistic model 48 and a machine learning module 45.
  • the input-output communication means 46 can be of any known type, Ethernet port, COM port, USB port, wired or wireless communication device.
  • the training device 30 can implement the training steps of the automatic learning module with parallel computing processors, such as GPUs implemented in a general computing context, known in English as acronym for GPGPU, for General-Purpose computing on Graphics Processing Units.
  • parallel computing processors such as GPUs implemented in a general computing context, known in English as acronym for GPGPU, for General-Purpose computing on Graphics Processing Units.
  • the adjustment of the mechanistic models 38, 48 can be carried out using Bayesian approaches in order to transform the deterministic mechanistic model into a stochastic model.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Sustainable Development (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Treatment Of Sludge (AREA)
  • Feedback Control In General (AREA)

Abstract

Procédé (1) de prédiction d'un indicateur de suivi de l'état d'un digesteur adapté pour produire un digestat et du biogaz, contenant du méthane, à partir d'un intrant, comprenant : – Une étape de définition (10) d'un modèle mécaniste adapté pour déterminer au moins une valeur d'un indicateur de suivi de l'état dudit digesteur – Une étape de détermination (12) des paramètres de réglage dudit modèle mécaniste décrivant les cinétiques d'au moins une des étapes d'acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction de paramètres de commande dudit digesteur (50) et des paramètres relatifs à la qualité de l'intrant ; – Une étape d'étalonnage (13) dudit modèle mécaniste ; et – Une étape de mise en œuvre (14) dudit modèle mécaniste pour prédire l'évolution de ladite au moins une valeur d'un indicateur de suivi de l'état dudit digesteur.

Description

Description
Titre de l’invention : Procédé et dispositif de prédiction d’un indicateur de suivi de l’état d’un digesteur
L’invention concerne le domaine des digesteurs, aussi appelés réacteur à biogaz ou méthaniseur.
Plus particulièrement l’invention concerne un procédé et un dispositif de prédiction d’un indicateur de suivi de l’état d’un digesteur.
Un digesteur a pour objectif de produire du biogaz par digestion anaérobie.
La digestion anaérobie correspond à une cascade de réactions biochimiques permettant de convertir une fraction de la matière organique en biogaz, les matières restantes étant désignées digestat.
Un tel processus de digestion est intrinsèquement complexe car :
- chaque étape de dégradation est portée par des groupes de micro-organismes distincts, ayant chacun leurs propres cinétiques, conditions de croissance optimales, des composés inhibiteurs spécifiques ;
- ces groupes de micro-organismes sont en interaction les uns les autres, avec par exemple des phénomènes de compétition ou de syntrophie ;
- l’équilibre écologique et les cinétiques de ces groupes de micro-organismes dépendent fortement des conditions d’opération du processus, notamment son mode d’alimentation, sa température ou encore la nature de l’intrant servant d’alimentation.
Cette complexité rend difficile le suivi d’un processus de digestion anaérobie. Ainsi, il est particulièrement complexe pour les opérateurs de prédire l’évolution de l’état d’un digesteur à la suite d’un changement de condition d’opération.
De plus, le temps typique de réponse d’un digesteur traitant des boues et/ou des déchets suite, par exemple, à un changement d’alimentation est de l’ordre de plusieurs semaines.
Ainsi, il est primordial de pouvoir anticiper les effets d’un changement d’opération afin d’en limiter les risques industriels.
Pour faire face à cette complexité, une diversité d’approches existe dans l’état de l’art.
On connait l’utilisation d’indicateurs basés sur les paramètres physico-chimiques de suivi du procédé ou caractéristiques du substrat. Cette approche est purement empirique et souvent basée sur des méthodes d’essai/erreur.
Par exemple, on connait de la publication C, Veluchamy & Gilroyed, Brandon & Kalamdhad, Ajay. (2019). Process performance and biogas production optimizing of mesophilic plug flow anaerobic digestion of corn silage. Fuel. 253. 1097-1103. 10.1016/j.fuel.2019.05.104. le calcul du ratio FOS/TAC (rapport entre acidité volatile et alcalinité totale) pour estimer si un digesteur est en surcharge. Ainsi on retrouve des tableaux de décisions tels que celui-ci :
On peut également citer le suivi du pourcentage de CH4 dans le biogaz, la concentration en azote ammoniacal total ou encore le ratio carbone/azote, plus communément appelé ratio C/N.
Ces indicateurs ont pour avantage d’être simples à mettre en pratique, mais ont une capacité prédictive faible et ne sont employés en pratique qu’à des fins de stabilisation de digesteur plutôt que d’optimisation.
On connait aussi la mise en œuvre de modèles dits « boites-noires » basés sur les paramètres de suivi du processus de digestion. Un modèle « boite-noire » est connu comme étant un type modèle ne tenant pas compte des phénomènes internes au système étudié, ici le digesteur.
Ces modèles permettent de prédire un paramètre d’intérêt, tel que le rendement en méthane, à partir des conditions de fonctionnement du digesteur et des caractéristiques du substrat.
Ce sont généralement des modèles de structure relativement simples, tels que des modèles linéaires, par exemple des modèles de régression multilinéaire, de régression des moindres carrés partiels, dits PLS, ou puissances (y=a.xb), bien que n’importe quelle structure de modèle puisse être employée, notamment des réseaux de neurones artificiels, des régressions à vecteur-support SVR, etc.
De tels modèles sont en général très spécialisés et uniquement valables pour des conditions de fonctionnement et d’alimentation restreintes.
On connait aussi l’utilisation de modèles « boites-noires » basés sur des bioindicateurs. Cette approche utilise les données générées par les outils de biologie moléculaire tels que la PCR quantitative, appelée qPCR, ou le séquençage ADN. Le principe est identique aux modèles « boites-noires » basés sur les paramètres de suivi de procédé, mais se fonde sur le pouvoir prédictif de bio-indicateurs, par exemple pour prédire la concentration d’une espèce bactérienne.
Des modèles sont ensuite entraînés afin de relier ces bio-indicateurs avec des comportements observés dans les digesteurs.
Par exemple, un modèle de prédiction du degré d’inhibition au NH3 ou phénol à partir de données de séquençage a été proposé dans la publication Poirier, S., Déjean, S., Midoux, C., Lê Cao, K. -A., Chapleur, O., 2020. Integrating independent microbial studies to build predictive models of anaerobic digestion inhibition by ammonia and phenol. Bioresource Technology 316, 123952. Ces modèles sont toutefois peu développés, en raison de la complexité de traitement des données de séquençage, ainsi que le coût élevé du séquençage en comparaison des paramètres physico-chimiques classiques.
On connait aussi l’utilisation de modèles mécanistes ajustés sur des données réelles. Les phénomènes régissant les différentes étapes de la digestion anaérobie sont pour la plupart bien connus et peuvent être décrits de manière mathématique sous la forme de modèles dynamiques. Un des modèles les plus utilisés dans le domaine est l’ADMl et ses variantes, exposé dans sa forme originale dans la publication Batstone, D.J., Keller, J., Angelidaki, I., Kalyuzhnyi, S.V., Pavlostathis, S. G., Rozzi, A., Sanders, W.T.M., Siegrist, H., Vavilin, VA., 2002. The IWA Anaerobic Digestion Model No 1 (ADM1 ). Water Science and Technology 45, 65-73. Ce modèle a pour avantage de décrire de manière explicite chaque étape de la digestion anaérobie et d’intégrer un grand nombre de facteurs ayant une influence sur les différentes cinétiques.
Cependant, ce genre de modèle comprend en général un nombre très élevé de paramètres, tel que des paramètres de cinétiques biologiques, de constantes d’inhibition, de rendements, qui doivent être ajustés à l’aide de données réelles. Lorsqu’ils sont utilisés à des fins prédictives, ces modèles sont utilisés comme suit :
- Les paramètres du modèle sont ajustés à partir de données existantes, par exemple des données de suivi des derniers mois d’un digesteur, en minimisant l’écart entre les sorties du modèle, tels que le débit de biogaz, et les mesures réelles, et
- En supposant ces paramètres constants dans le temps, le modèle peut ensuite être utilisé pour prédire le comportement dans le futur du digesteur, par exemple en changeant le mode ou la composition de l’alimentation.
Cependant, l’ajustement de ces modèles est régulièrement sujet au surapprentissage en raison du grand nombre de paramètres pouvant se compenser les uns avec les autres. De plus, les prédictions de ce genre de modèle ne sont généralement valables que pour le digesteur ayant servi pour l’ajustement.
Enfin, on connait la mise en œuvre de modèles hybrides ajustés sur des données réelles. Afin de limiter les risques de surapprentissage et d’augmenter le pouvoir prédictif des modèles mécanistes, ces derniers peuvent être couplés avec des modèles empiriques de type « boite-noire ».
Aujourd’hui, ces approches sont principalement implémentées au travers de capteurs logiciels, en anglais soft-sensors, qui consistent à estimer un paramètre non mesuré à partir des signaux acquis en ligne sur un procédé ; tel qu’exposé dans la publication Haimi, H., Mulas, M., Corona, E, Vahala, R., 2013. Data-derived soft- sensors for biological wastewater treatment plants: An overview. Environmental Modelling & Software 47, 88-107.
Une autre approche consiste à utiliser des données externes au procédé pour les injecter dans le modèle. Par exemple, la publication Charnier, C, Latrille, E., Jimenez, J., Torrijos, M., Sousbie, P., Miroux, J., Steyer, J. -P., 2017. Fast ADM1 implementation for the optimization of feeding strategy using near infrared spectroscopy. Water Research 122, 27-35 divulgue une méthode au cours de laquelle on a entraîné un modèle d’approche des moindres carrés partiels, dit PLS, pouvant prédire des cinétiques d’hydrolyse d’un substrat à partir de son spectre proche infrarouge.
Ce couplage permet donc de réduire le nombre de paramètres à ajuster sur les données réelles ainsi que d’injecter des connaissances issues d’expériences passées. Toutefois ce type d’approche mixe nécessite un grand nombre de données externes à intégrer afin d’optimiser son fonctionnement.
Aussi, il existe le besoin d’une solution de prédiction de l’évolution de l’état d’un digesteur résolvant les problèmes des procédés connus de l’art antérieur.
A cet effet, on propose un procédé de prédiction mis en œuvre par ordinateur de l’évolution d’un indicateur de suivi d’une pluralité d’indicateurs de suivi de l’état d’un digesteur adapté pour produire un digestat et du biogaz, contenant du méthane, à partir d’un intrant, ledit procédé comprenant :
- Une étape de définition d’un modèle mécaniste adapté pour déterminer au moins une valeur dudit indicateur de suivi de l’état dudit digesteur en fonction de paramètres de commande dudit digesteur et de paramètres relatifs à la qualité de T intrant alimentant ledit digesteur ; ledit modèle mécaniste étant destiné à être étalonné par une pluralité de paramètres de réglage décrivant les cinétiques des étapes d’hydrolyse, d’acidogénèse, d’acétogénèse et de méthanogénèse, indépendamment ou en combinaison ;
- Une étape d’acquisition de valeurs des paramètres de commande dudit digesteur et de valeurs de paramètres de qualité de T intrant alimentant ledit digesteur ;
- Une étape de détermination des paramètres de réglage dudit modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur et des paramètres relatifs à la qualité de 1’ intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur ; ladite étape de détermination étant mise en œuvre par un module d’apprentissage automatique entrainé à partir d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents ;
- Une étape d’étalonnage dudit modèle mécaniste en fonction desdits paramètres de réglages obtenus par la mise en œuvre dudit module d’apprentissage automatique ; et
- Une étape de mise en œuvre dudit modèle mécaniste pour prédire l’évolution de ladite au moins une valeur d’un indicateur de suivi de l’état dudit digesteur.
Ainsi, on peut prédire l’évolution de l’état d’un digesteur de manière relativement robuste en mettant en œuvre de manière relativement optimale un module mécaniste simulant les processus internes du digesteur.
En effet, les modèles mécanistes permettent d’injecter de la connaissance basée sur des hypothèses explicites, telle que le respect du bilan matière, et assurent d’avoir un résultat respectant les lois de la physique.
En particulier, ledit module d’apprentissage automatique comprend un réseau de neurones ou un module d’arbre décisionnel ou de forêt d’arbres décisionnels ou un module d’approche des moindres carrés partiels ou un module de régression à vecteur-support.
Avantageusement et de manière non limitative, les paramètres de réglage du modèle mécaniste sont contraints dans une plage de valeurs prédéterminées ou contraints en fonction d’une distribution prédéterminée des paramètres de réglage. Ainsi, on peut s’assurer que le modèle mécaniste ne soit pas entraîné avec des valeurs de paramètres de réglage aberrantes ou manifestement erronées.
Avantageusement et de manière non limitative, ledit indicateur de suivi de l’état dudit digesteur comprend un débit de biogaz produit en sortie du digesteur. Ainsi on peut obtenir un indicateur relativement pertinent de l’état du digesteur et en particulier de ses performances.
Avantageusement et de manière non limitative, ledit module d’apprentissage automatique comprend un réseau de neurones ou un module d’arbre décisionnel ou de forêt d’arbres décisionnels ou un module d’approche des moindres carrés partiels ou un module de régression à vecteur-support. Ainsi, on met en œuvre un module robuste et performant pour déterminer les paramètres de réglage du modèle mécaniste.
Avantageusement et de manière non limitative, lesdits paramètres relatifs à 1’ intrant comprennent un paramètre de potentiel méthanogène et/ou des paramètres de fractionnement. Ces paramètres constituent en effet des indicateurs pertinents sur la qualité de 1’ intrant.
Avantageusement et de manière non limitative, lesdits paramètres de commande du digesteur comprennent une température dudit digesteur et/ou un temps de séjour hydraulique et/ou une charge organique et/ou un mode d’alimentation dudit digesteur. Ces paramètres constituent en effet des paramètres pouvant être directement ajustés par les exploitants et/ou concepteurs du digesteur.
L’invention concerne aussi un procédé d’entraînement mis en œuvre par ordinateur d’un module d’apprentissage automatique pour un procédé de prédiction tel que décrit précédemment, comprenant :
- Une étape d’acquisition d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents, chaque ensemble de données expérimentales étant associé à un digesteur de la pluralité de digesteurs différents, chaque ensemble de données expérimentales comprenant des valeurs de paramètres de commande d’un digesteur, des valeurs de paramètres relatifs à la qualité des intrants dudit digesteur et des valeurs dudit indicateur de suivi dudit digesteur associé en fonction de ces paramètres ;
- Pour chaque ensemble de données expérimentales, une étape d’étalonnage d’un modèle mécaniste, dans lequel on détermine les valeurs ou les distributions des paramètres de réglage dudit modèle mécaniste en fonction desdites données expérimentales ;
- Une étape d’entraînement dudit module d’apprentissage automatique en fonction de ladite pluralité d’ensembles de données expérimentales, ledit module d’apprentissage automatique étant entraîné pour déterminer lesdits paramètres de réglages dudit modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur associé et des paramètres relatifs à la qualité de 1’ intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur associé.
Ceci permet ainsi d’entraîner de manière efficace un module d’apprentissage automatique pour déterminer des paramètres de réglages d’un modèle mécaniste à partir de données expérimentales acquises précédemment d’un ou plusieurs digesteurs existants.
L’invention concerne aussi un procédé de régulation des paramètres de commande d’un digesteur comprenant :
- L’acquisition d’une prédiction obtenue par la mise en œuvre d’un procédé de prédiction tel que décrit précédemment ; et
- La régulation des paramètres de commande du digesteur ainsi que de l’alimentation en intrant dudit digesteur en fonction de ladite prédiction acquise. L’invention concerne aussi un dispositif d’entraînement d’un module d’apprentissage automatique pour prédire un indicateur de suivi de l’état d’un digesteur adapté pour produire un digestat et du biogaz, contenant du méthane, à partir d’un intrant comprenant :
- Des moyens d’acquisition d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents, chaque ensemble de données expérimentales étant associé à un digesteur de la pluralité de digesteurs différents ; chaque ensemble de données expérimentales comprenant des valeurs de paramètres relatifs à un digesteur, des valeurs de paramètres relatifs à un type d’ intrant et une valeur dudit indicateur de suivi de l’état du digesteur associé en fonction de ces paramètres ;
- Des moyens d’étalonnage d’un modèle mécaniste adaptés pour déterminer, pour chaque ensemble de données expérimentales, les valeurs ou les distributions des paramètres de réglage dudit modèle mécaniste en fonction desdites données expérimentales ; et
- Des moyens d’entraînement d’au moins un module d’apprentissage automatique en fonction de ladite pluralité d’ensembles de données expérimentales, ledit module d’apprentissage automatique étant entraîné pour déterminer, pour chaque ensemble de données expérimentales, lesdits paramètres de réglages dudit modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur associé et des paramètres relatifs à la qualité de 1’ intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur associé.
L’invention concerne aussi un dispositif de mise en œuvre de la prédiction d’un module d’apprentissage automatique entraîné par un dispositif tel que décrit précédemment, pour prédire l’évolution de l’état d’un digesteur adapté pour produire un digestat et du biogaz à partir d’un intrant comprenant :
- des moyens d’acquisition de valeurs de paramètres relatifs audit digesteur pour lequel la valeur d’indicateur de suivi de l’état est à prédire et des valeurs de paramètres de 1’ intrant fournit audit digesteur,
- des moyens de mise en œuvre dudit module d’apprentissage automatique de sorte à obtenir des paramètres de réglages d’un modèle mécaniste en fonction desdits paramètres acquis à l’étape précédente ; ledit modèle mécaniste étant le même que celui mis en œuvre par le dispositif de prédiction décrit précédemment ;
- des moyens d’étalonnage dudit modèle mécaniste en fonction desdits paramètres de réglages obtenus par la mise en œuvre dudit module d’apprentissage automatique ; et
- des moyens de mise en œuvre dudit modèle mécaniste pour prédire l’évolution d’au moins un indicateur de suivi de l’état dudit digesteur.
L’invention concerne aussi un dispositif de commande d’un digesteur adapté pour réguler des paramètres dudit digesteur et/ou des paramètres de régulation du mode d’alimentation du digesteur en fonction de la prédiction obtenue par ledit procédé de prédiction décrit précédemment.
D’autres particularités et avantages de l’invention ressortiront à la lecture de la description faite ci-après d’un mode de réalisation particulier de l’invention, donné à titre indicatif, mais non limitatif, en référence aux dessins annexés sur lesquels : [Fig. 1] est un organigramme du procédé de prédiction selon l’invention ;
[Fig. 2] est un organigramme d’un procédé d’entraînement selon l’invention ;
[Fig. 3] est une vue schématique d’un dispositif de mise en œuvre d’un procédé de prédiction selon l’invention ;
[Fig. 4] est une vue schématique d’un dispositif de mise en œuvre d’un procédé d’entraînement selon l’invention ; et
[Fig. 5] est une vue schématique d’un procédé de régulation des paramètres de commande d’un digesteur.
Le procédé 1 de prédiction selon l’invention vise à prédire l’évolution de l’état d’un digesteur, alimenté par un intrant tel que des boues de station d’épuration et produisant en sortie un digestat et du biogaz. La prédiction est ainsi mise en œuvre pour un digesteur 50 particulier, appelé ici le digesteur 50 étudié.
En effet chaque digesteur, de par les réactions anaérobies impliquées, présente des performances différentes et une évolution de son état différente, en fonction de l’intrant qui l’alimente et en fonction de ses paramètres de commande.
L’évolution de l’état d’un digesteur 50 présente au surplus une forte inertie et une évolution dans le temps lente, ce qui provoque des difficultés particulières d’anticipation de la dégradation de ses performances pour modifier son alimentation en intrant.
Le procédé comprend une première étape de définition d’un modèle mécaniste permettant de prédire l’évolution d’un indicateur de suivi de l’état du digesteur.
La définition du modèle mécaniste peut être un choix opéré par l’utilisateur mettant en œuvre le procédé de prédiction 1. Toutefois, comme on le verra par la suite, ce choix doit avoir en réalité été réalisé avant l’entraînement 2 du module d’apprentissage automatique, car l’entraînement est dépendant du modèle mécaniste choisi.
Dans ce mode de réalisation, le débit de biogaz produit en sortie du digesteur 50 est l’indicateur de suivi de l’état que nous cherchons à prédire, car il constitue un indicateur important en termes de rentabilité du digesteur. Toutefois l’invention ne se limite pas à ce type particulier d’indicateur, qui peut en outre correspondre, de manière non limitative, à la concentration d’acides gras volatiles dans le digestat, ou encore la concentration en NH3 du digestat.
On connait aussi d’autres indicateurs de suivi de l’état d’un digesteur parmi lesquels, de manière non exhaustive :
- la teneur en CH4 du biogaz ;
- la teneur en CO2 du biogaz ;
- la teneur en H2S du biogaz ;
- la concentration en matière sèche du digestat ;
- la concentration en matière volatile du digestat ;
- le pH ; ou
- la concentration en azote ammoniacal total du digestat.
La littérature scientifique comprend de nombreux modèles mécanistes adaptés à des digesteurs anaérobies.
Parmi les modèles bien connus de l’art antérieur, on connait le modèle Anaerobic Digestion Model n°l (ADM1) ainsi que ses variantes. De tels modèles permettent notamment de simuler les réactions anaérobies d’un digesteur 50 pour prédire l’état du digesteur, ses performances ou encore sa stabilité.
L’invention n’est pas limitée à un modèle mécaniste particulier. En effet, comme on l’exposera par la suite, l’invention va entraîner un module d’apprentissage automatique pour déterminer les paramètres de réglages optimaux du modèle mécaniste afin de pouvoir simuler au mieux les réactions internes du digesteur 50 étudié.
Aussi, tout modèle mécaniste réglable par une pluralité de paramètres prédéfinis peut être mis en œuvre.
Toutefois afin de limiter la quantité de calculs nécessaires pour l’apprentissage automatique des paramètres de réglages, il est avantageux de sélectionner un modèle mécaniste comprenant un nombre réduit de paramètres de réglages ; on parle alors de modèle mécaniste réduit.
A cet effet, on connait des méthodes de réduction de modèles mécanistes.
On peut citer à titre d’exemple les publications :
- B. Chachuat, N. Roche, and M.A. Lati. Réduction du modèle ASM1 pour la commande optimale des petites stations d’épuration à boues activées. Revue des sciences de l’eau, 16(1) :526, 2003 ; ou
- Sonia Hassam. Réduction de modèles de procédés biotechnologiques : Applications à l’ADMl. Automatique/Robotique. Université de Tlemcen, 2015. Français, (tel-01249831 ). Toutefois Thomme du métier sera libre, à nouveau, de sélectionner le modèle mécaniste de son choix et le cas échéant de la méthode de réduction associée.
Une fois le modèle mécaniste défini, et les paramètres de réglages connus, on met en œuvre une étape d’acquisition 11 de valeurs de paramètres de commande du digesteur 50 pour lequel les valeurs de suivi sont à prédire et de valeurs de paramètres de qualité de T intrant alimentant ledit digesteur.
Autrement dit on acquiert les mesures qui seront fournies au modèle mécaniste pour déterminer l’évolution dans le temps des performances du digesteur.
À cet effet, les valeurs fournies au modèle mécaniste sont généralement des séries temporelles, respectivement de commande du digesteur 50 et de qualité de l’intrant. À titre d’exemples non limitatifs, on peut citer comme paramètres de qualité de l’intrant son potentiel méthanogène, qui est un critère relativement important, sa demande chimique en oxygène.
La qualité de l’intrant peut aussi comprendre ses paramètres de fractionnement en sucres, protéines, lipides, éléments métalliques, composition élémentaire, etc. Concernant les paramètres relatifs au digesteur 50 les paramètres de commande du digesteur 50 peuvent comprennent à titre d’exemples non limitatifs, la température du digesteur, le temps de séjour hydraulique, la charge organique, le mode d’alimentation dudit digesteur, etc.
Ensuite, avant de fournir ces paramètres d’entrée au modèle mécaniste, il faut étalonner les paramètres de réglage du modèle mécaniste.
Pour ce faire, on met en œuvre une étape de détermination 12 des paramètres de réglage dudit modèle mécaniste.
Les paramètres de réglages d’un modèle mécaniste pour un digesteur anaérobique vont servir à calibrer la représentation des cinétiques des étapes de la décomposition anaérobique à savoir : les étapes d’hydrolyse, d’acidogénèse, acétogénèse et méthanogénèse.
L’hydrolyse désigne l’étape durant laquelle des molécules organiques à haut poids moléculaire telles que les polysaccharides, protéines et lipides sont converties en monomères (e.g. glucose, acides gras, acides aminés). Cette étape est communément décrite par une cinétique de premier ordre associée à une constante d’hydrolyse. En particulier, on peut se référer pour la description de cette cinétique d’hydrolyse à la publication Vavilin, VA., Fernandez, B., Palatsi, J., Flotats, X., 2008. Hydrolysis kinetics in anaerobic degradation of particulate organic material: An overview. Waste Management 28, 939-951. https ://doi. org/10.1016/j. wasman.2007.03.028
L’acidogénèse correspond à l’étape durant laquelle les monomères issus de l’étape d’hydrolyse sont transformés en acides organiques, alcools, FL et CO2. La cinétique de cette étape peut par exemple être décrite selon l’équation empirique de Monod, caractérisée par un taux de croissance maximal et une constante d’affinité.
L’équation de Monod est notamment décrite dans la publication Liu, Y., 2007. Overview of some theoretical approaches for derivation of the Monod equation. Appl Microbiol Biotechnol 73, 1241-1250. https://doi.org/10.1007/s00253-006- 0717-7.
La phase d’acétogénèse permet la transformation des différents composés organiques issus des deux phases précédentes en acétate, H2 et CO2. La cinétique de cette phase peut être également décrite par une cinétique de Monod corrigée pour l’accumulation des produits de réactions tels que l’EU La cinétique de Monod ainsi corrigée est notamment décrite dans la publication Patôn, M., Rodriguez, J., 2019. Integration of bioenergetics in the ADM 1 and its impact on model predictions. Water Sci Technol 80, 339-346. https://doi.org/10.2166/wst.2019.279.
Enfin, l’étape de méthanogénèse correspond à la conversion de l’EL, du CO2 et/ou de l’acétate en CEE. La cinétique de cette étape peut être décrite par une cinétique de Monod corrigée pour l’inhibition liée à des composés toxiques tels que l’azote ammoniacal. Pour une description de la cinétique de cette étape de méthanogénèse on peut notamment se référer à la publication Capson-Tojo, G., Moscoviz, R., Astals, S., Robles, A., Steyer, J. -R, 2020. Unraveling the literature chaos around free ammonia inhibition in anaerobic digestion. Renewable and Sustainable Energy Reviews 117, 109487. https://doi.Org/10.1016/j.rser.2019.109487_.
Selon l’invention, on détermine au cours de l’étape de détermination les paramètres de réglage du modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison.
Avantageusement, selon une mise en œuvre particulière de l’invention, on peut déterminer tous les paramètres de réglage du modèle mécaniste.
Dans ce mode de réalisation l’étape de détermination 12 est mise en œuvre par l’implémentation d’un module d’apprentissage automatique entraîné pour déterminer les paramètres de réglages en fonction des paramètres de commande du digesteur 50 étudié et des paramètres relatifs à la qualité de 1’ intrant.
Ce module d’apprentissage automatique reçoit ainsi en entrée des paramètres de commande du digesteur 50 étudié et des paramètres relatifs à la qualité de 1’ intrant et détermine en sortie des paramètres de réglage du digesteur.
Le module d’apprentissage automatique comprend en particulier une pluralité de réseaux de neurones artificiels entraînés pour détecter chacun un paramètre de réglage du modèle mécaniste.
Une approche alternative peut mettre en œuvre un réseau de neurones artificiels entraîné pour fournir en sortie un unique vecteur de paramètres de réglages. L’invention n’est pas limitée à la mise en œuvre de réseaux de neurones, d’autres méthodes d’apprentissage automatiques s’avèrent tout aussi pertinentes pour ce type d’apprentissage. On citera notamment des méthodes de régression statistiques telles que les machines à vecteur support, SVM, les arbres décisionnels, les forêts d’arbres décisionnels, une régression des moindres carrés partiels ou toute autre méthode d’apprentissage automatique, supervisées ou non.
En sortie du module d’apprentissage automatique mis en œuvre, on récupère alors les paramètres de réglages du modèle mécaniste. Par conséquent on met en œuvre une étape d’étalonnage 13 du modèle mécaniste avec ces paramètres déterminés. Au cours de cette étape d’étalonnage 13, on souhaite toutefois s’assurer de ne pas régler le modèle mécaniste avec des valeurs de paramètres aberrantes. Aussi on contraint la recherche des valeurs de paramètres au sein d’une distribution prédéterminée.
Selon une alternative, on pourrait aussi prévoir de contraindre les paramètres entre des bornes prédéterminées, cette approche pouvant être vue comme un cas particulier de la recherche de paramètres au sein d’une distribution, celle correspondant à une distribution selon une loi uniforme comprise entre ces bornes prédéterminées.
Ceci permet ensuite de mettre en œuvre 14 le modèle mécaniste ainsi étalonné, en lui fournissant en entrée les paramètres de commande du digesteur 50 étudié et des paramètres relatifs à la qualité de 1’ intrant.
Afin de pouvoir mettre en œuvre ce procédé de prédiction, il faut toutefois avoir préalablement entraîné le module d’apprentissage automatique mis en œuvre.
A cette fin on met en œuvre un procédé 2 d’entraînement du module d’apprentissage automatique.
Ce procédé comprend une première étape d’acquisition 21 d’une pluralité d’ensembles de données expérimentales.
Chaque ensemble de données expérimentales comprend des séries temporelles de valeurs de paramètres de commande d’un digesteur, de valeurs de paramètres relatifs à la qualité d’un type d’intrant alimentant ce digesteur 50 et des séries temporelles de valeurs de l’indicateur de suivi du digesteur, ici son débit de méthane en fonction de ces paramètres.
Ces différents ensembles de données expérimentales sont préférentiellement acquis pour une pluralité de digesteurs différents, et sur des périodes de temps s’étendant sur plusieurs mois. Ainsi, on peut obtenir des données expérimentales permettant de connaître l’effet dans le temps sur l’indicateur de suivi du digesteur, par exemple ici le débit en méthane, en fonction de l’intrant, de sa qualité et en fonction de paramètres de commande de ce digesteur 50 particulier. Plus la quantité et la variété de ces ensembles de données expérimentales seront grandes plus la qualité de l’apprentissage automatique pourra être importante. Partant de ces données expérimentales, on procède à une étape d’étalonnage 22 d’un modèle mécaniste, qui doit être bien entendu le même modèle mécaniste que celui que nous définirons au cours de l’étape de définition 10 du procédé de prédiction 1. On va ainsi procéder à cet étalonnage en recherchant les paramètres de réglages permettant de faire correspondre les données d’entrées avec l’évolution constatée expérimentalement sur l’indicateur de suivi du digesteur.
Ainsi, on va profiter de la connaissance de ces données expérimentales pour trouver un paramétrage optimisé du modèle mécaniste en fonction des paramètres de commande du digesteur 50 et des paramètres de qualité de 1’ intrant.
Les paramètres de réglages obtenus au cours de cette étape d’étalonnage 21 constituent avec l’ensemble de données expérimentales qui lui est associé, un ensemble de données d’entraînement du module d’apprentissage automatique. On va alors procéder à une étape d’entraînement 23 du module d’apprentissage en fonction des données d’entraînement, constituées par les couples ensembles de données expérimentales/paramètres de réglage du modèle mécaniste déterminé. De cette manière le modèle d’apprentissage pourra évaluer, en fonction de paramètres de commande dudit digesteur 50 et de paramètres relatifs à la qualité de 1’ intrant alimentant ledit digesteur, les paramètres de réglage du modèle mécaniste choisi de manière optimisée.
Ce procédé de prédiction 1 peut être mis en œuvre dans le cadre de procédés plus généraux, tel qu’un procédé de régulation 53 des paramètres de commande d’un digesteur 50 représenté figure 5.
Un tel procédé de régulation 53 comprend l’acquisition d’une prédiction obtenue par la mise en œuvre du procédé de prédiction 1.
À partir de cette prédiction, on peut réguler 51 l’alimentation en intrant du digesteur 50 ainsi que faire les varier les paramètres de commande du digesteur 50 pour améliorer les performances de ce digesteur.
On peut aussi mettre en œuvre le procédé de prédiction 1 pour simuler la création d’un nouveau digesteur, en estimant ainsi les performances d’un projet en vue de sa conception.
Le dispositif de mise en œuvre 40 du procédé de prédiction 1 est préférentiellement un ordinateur, comprenant un processeur 42 pour réaliser les calculs, une mémoire vive 41, un support de stockage de données 43, des moyens de communication entrée-sortie 46, ces moyens étant adaptés pour stocker en mémoire, soit en mémoire vive 41 soit sur le support de stockage 43, un modèle mécaniste 48 et un module d’apprentissage automatique 45. Les moyens de communication entrée-sortie 46 peuvent être de tout type connu, port Ethernet, port COM, port USB, dispositif de communication filaire ou sans-fil. Le dispositif de commande d’un digesteur 50 est généralement, mais non nécessairement, du même type que le dispositif de mise en œuvre 40 du procédé de prédiction 1.
Le dispositif d’entraînement 30 du procédé d’entraînement 2 est généralement, mais non nécessairement, un dispositif distinct du dispositif de mise en œuvre 40 du procédé de prédiction 1.
Ce dispositif d’entraînement 30 comprend aussi un ordinateur, comprenant un processeur 42 pour réaliser les calculs, une mémoire vive 41, un support de stockage de données 43, des moyens de communication entrée-sortie 46, ces moyens étant adaptés pour stocker en mémoire, soit en mémoire vive 41 soit sur le support de stockage 43, un modèle mécaniste 48 et un module d’apprentissage automatique 45.
De la même manière les moyens de communication entrée-sortie 46 peuvent être de tout type connu, port Ethernet, port COM, port USB, dispositif de communication filaire ou sans-fil.
Par ailleurs le dispositif d’entraînement 30 peut mettre en œuvre les étapes d’entraînement du module d’apprentissage automatique avec des processeurs de calcul parallèle, tel que des GPU mis en œuvre dans un contexte de calcul général, connu en anglais sous l’acronyme de GPGPU, pour General-Purpose computing on Graphics Processing Units.
Selon une mise en œuvre alternative de l’invention, l’ajustement des modèles mécanistes 38, 48 peut être réalisé à l’aide d’approches Bayésiennes afin de transformer le modèle mécaniste déterministe en modèle stochastique.

Claims
Revendications Procédé de prédiction (1) mis en œuvre par ordinateur de l’évolution d’un indicateur de suivi d’une pluralité d’indicateurs de suivi de l’état d’un digesteur (50) adapté pour produire un digestat et du biogaz, contenant du méthane, à partir d’un intrant, ledit procédé comprenant : Une étape de définition (10) d’un modèle mécaniste adapté pour déterminer au moins une valeur dudit indicateur de suivi de l’état dudit digesteur (50) en fonction de paramètres de commande dudit digesteur (50) et de paramètres relatifs à la qualité de 1’ intrant alimentant ledit digesteur (50) ; ledit modèle mécaniste étant destiné à être étalonné par une pluralité de paramètres de réglage décrivant les cinétiques des étapes d’hydrolyse, d’acidogénèse, d’acétogénèse et de méthanogénèse, indépendamment ou en combinaison ; Une étape d’acquisition (11) de valeurs des paramètres de commande dudit digesteur (50) et de valeurs de paramètres de qualité de l’intrant alimentant ledit digesteur (50) ; Une étape de détermination (12) des paramètres de réglage dudit modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur (50) et des paramètres relatifs à la qualité de l’intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur (50) ; ladite étape de détermination (12) étant mise en œuvre par un module d’apprentissage automatique entrainé à partir d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents ; Une étape d’étalonnage (13) dudit modèle mécaniste en fonction desdits paramètres de réglages obtenus par la mise en œuvre dudit module d’apprentissage automatique ; et Une étape de mise en œuvre (14) dudit modèle mécaniste pour prédire l’évolution de ladite au moins une valeur d’un indicateur de suivi de l’état dudit digesteur (50). Procédé de prédiction (1) selon la revendication 1, caractérisé en ce que ledit module d’apprentissage automatique comprend un réseau de neurones ou un module d’arbre décisionnel ou de forêt d’arbres décisionnels ou un module d’approche des moindres carrés partiels ou un module de régression à vecteur-support.
3. Procédé de prédiction (1) selon l’une quelconque des revendications 1 ou 2, caractérisé en ce qu’au cours de l’étape d’étalonnage (13) on procède à la contrainte des paramètres de réglage du modèle mécaniste dans une plage de valeurs prédéterminées ou en fonction d’une distribution prédéterminée des paramètres de réglage.
4. Procédé de prédiction (1) selon l’une quelconque des revendications 1 à 3, caractérisé en ce que ledit indicateur de suivi de l’état d’un digesteur (50) comprend un débit de biogaz comprenant du méthane produit en sortie du digesteur.
5. Procédé de prédiction (1) selon l’une quelconque des revendications 1 à 4, caractérisé en ce que lesdits paramètres relatifs à 1’ intrant comprennent un paramètre de potentiel méthanogène et/ou des paramètres de fractionnement.
6. Procédé de prédiction (1) selon l’une quelconque des revendications 1 à 5, caractérisé en ce que lesdits paramètres de commande du digesteur (50) comprennent une température dudit digesteur (50) et/ou un temps de séjour hydraulique et/ou une charge organique et/ou un mode d’alimentation dudit digesteur.
7. Procédé d’entraînement (2) mis en œuvre par ordinateur d’un module d’apprentissage automatique pour un procédé de prédiction selon l’une quelconque des revendications 1 à 6, caractérisé en ce qu’il comprend : o Une étape d’acquisition (21) d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents, chaque ensemble de données expérimentales étant associé à un digesteur de la pluralité de digesteurs différents, chaque ensemble de données expérimentales comprenant des valeurs de paramètres de commande d’un digesteur, des valeurs de paramètres relatifs à la qualité des intrants dudit digesteur et des valeurs dudit indicateur de suivi dudit digesteur associé en fonction de ces paramètres ; o Pour chaque ensemble de données expérimentales, une étape d’étalonnage (22) d’un modèle mécaniste, dans lequel on détermine les valeurs ou les distributions des paramètres de réglage dudit modèle mécaniste en fonction desdites données expérimentales ; o Une étape d’entraînement (23) dudit module d’apprentissage automatique en fonction de ladite pluralité d’ensembles de données expérimentales, ledit module d’apprentissage automatique étant entraîné pour déterminer lesdits paramètres de réglages dudit modèle mécaniste décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur associé et des paramètres relatifs à la qualité de 1’ intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur associé. Procédé de régulation (53) mis en œuvre par ordinateur des paramètres de commande d’un digesteur (50) comprenant :
- L’acquisition d’une prédiction obtenue par la mise en œuvre d’un procédé de prédiction (1) selon l’une quelconque des revendications 1 à 6 ; et
- La régulation (51) des paramètres de commande du digesteur (50) ainsi que de l’alimentation en intrant dudit digesteur (50) en fonction de ladite prédiction acquise. Dispositif d’entraînement (30) d’un module d’apprentissage automatique pour prédire un indicateur de suivi de l’état d’un digesteur (50) adapté pour produire un digestat et du biogaz, contenant du méthane, à partir d’un intrant comprenant : o Des moyens d’acquisition (36) d’une pluralité d’ensembles de données expérimentales provenant d’une pluralité de digesteurs différents, chaque ensemble de données expérimentales étant associé à un digesteur de la pluralité de digesteurs différents ; chaque ensemble de données expérimentales comprenant des valeurs de paramètres relatifs à un digesteur, des valeurs de paramètres relatifs à un type d’ intrant et une valeur dudit indicateur de suivi de l’état du digesteur associé en fonction de ces paramètres ; o Des moyens d’étalonnage (32) d’un modèle mécaniste (38) adaptés pour déterminer, pour chaque ensemble de données expérimentales, les valeurs ou les distributions des paramètres de réglage dudit modèle mécaniste en fonction desdites données expérimentales ; et o Des moyens d’entraînement (32) d’au moins un module d’apprentissage automatique (45) en fonction de ladite pluralité d’ensembles de données expérimentales, ledit module d’apprentissage automatique (45) étant entraîné pour déterminer, pour chaque ensemble de données expérimentales, lesdits paramètres de réglages dudit modèle mécaniste (38) décrivant les cinétiques d’au moins une des étapes d’acidogénèse, acétogénèse et méthanogénèse ou de leur combinaison en fonction des paramètres de commande dudit digesteur associé et des paramètres relatifs à la qualité de 1’ intrant et indépendamment des valeurs des indicateurs de suivi dudit digesteur associé. Dispositif de mise en œuvre (40) de la prédiction d’un module d’apprentissage automatique (45) entraîné par un dispositif d’entraînement (30) selon la revendication 9, pour prédire l’évolution de l’état dudit digesteur (50) adapté pour produire un digestat et du biogaz à partir d’un intrant comprenant :
- des moyens d’acquisition (46) de valeurs de paramètres relatifs audit digesteur (50) pour lequel la valeur d’indicateur de suivi de l’état est à prédire et des valeurs de paramètres de 1’ intrant fournit audit digesteur, - des moyens de mise en œuvre (42) dudit module d’apprentissage automatique (45) de sorte à obtenir des paramètres de réglages d’un modèle mécaniste (48) en fonction desdits paramètres acquis à l’étape précédente ; ledit modèle mécaniste (48) correspondant au modèle mécaniste mis en œuvre par le dispositif d’entraînement (30) selon la revendication 9 ; - des moyens d’étalonnage (42) dudit modèle mécaniste en fonction desdits paramètres de réglages obtenus par la mise en œuvre dudit module d’apprentissage automatique ; et
- des moyens de mise en œuvre (42) dudit modèle mécaniste pour prédire l’évolution d’au moins un indicateur de suivi de l’état dudit digesteur.
EP22768447.9A 2021-08-12 2022-08-12 Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur Pending EP4384596A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2108662A FR3126127B1 (fr) 2021-08-12 2021-08-12 Procédé et dispositif de prédiction d’un indicateur de suivi de l’état d’un digesteur
PCT/FR2022/051580 WO2023017229A1 (fr) 2021-08-12 2022-08-12 Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur

Publications (1)

Publication Number Publication Date
EP4384596A1 true EP4384596A1 (fr) 2024-06-19

Family

ID=80446788

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22768447.9A Pending EP4384596A1 (fr) 2021-08-12 2022-08-12 Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur

Country Status (4)

Country Link
EP (1) EP4384596A1 (fr)
CN (1) CN117813371A (fr)
FR (1) FR3126127B1 (fr)
WO (1) WO2023017229A1 (fr)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6296766B1 (en) * 1999-11-12 2001-10-02 Leon Breckenridge Anaerobic digester system
WO2007085880A1 (fr) * 2006-01-28 2007-08-02 Abb Research Ltd Procédé pour la prédiction en ligne de la performance future d'une unité de fermentation
WO2020047653A1 (fr) * 2018-09-05 2020-03-12 WEnTech Solutions Inc. Système et procédé d'évaluation, d'optimisation et/ou de commande de processus de digestion anaérobie

Also Published As

Publication number Publication date
FR3126127A1 (fr) 2023-02-17
WO2023017229A1 (fr) 2023-02-16
FR3126127B1 (fr) 2024-12-13
CN117813371A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
Fu et al. Finite-time Pade-based adaptive FNN controller implementation for microbial fuel cell with delay and multi-disturbance
Dodić et al. Kinetic modelling of batch ethanol production from sugar beet raw juice
Wu et al. Machine learning algorithms for in-line monitoring during yeast fermentations based on Raman spectroscopy
CN111476428A (zh) 基于大数据分析的酿酒工艺优化方法
EP4511500A1 (fr) Procédé de calcul d'un paramètre de fonctionnement d'un digesteur en présence d'au moins un inhibiteur
Roell et al. A comparative evaluation of machine learning algorithms for predicting syngas fermentation outcomes
Altınışık et al. Optimization of bioethanol production from sugar beet processing by-product molasses using response surface methodology
Greses et al. Modelling of anaerobic digestion of microalgae biomass: Effect of overloading perturbation
EP0584327A1 (fr) Procede de controle de la fermentation methanique de matieres organiques et installation comportant application de ce procede
Guo et al. Exploring interactive effects of environmental and microbial factors on food waste anaerobic digestion performance: Interpretable machine learning models
EP4384596A1 (fr) Procédé et dispositif de prédiction d'un indicateur de suivi de l'état d'un digesteur
CN101230358B (zh) 甲烷发酵处理方法
WO2009044076A2 (fr) Procede de traitement en continu de produits organiques solides et installation pour le traitement en continu de produits organiques solides
WO2019081252A1 (fr) Procédé de fermentation acidogène pour la production d'acides organiques de 2 à au moins 5 atomes de carbone et installation correspondante
Ge et al. Optimization of Gompertz model with machine learning towards applicable and accurate simulation of anaerobic digestion
AlSayed et al. Data driven models as a powerful tool to simulate emerging bioprocesses: an artificial neural network model to describe methanotrophic microbial activity
Baldé et al. Modeling of a continuous anaerobic digestion of wastes
US9593348B2 (en) System and method for continuous enzyme addition to a fermentation process
Lalhriatpuia et al. Optimization of biogas production using novel mixing Design and advanced modelling techniques
Kothari et al. Experiment-based thermodynamic feasibility with co-digestion of nutrient-rich biowaste materials for biogas production
HK40107967A (zh) 用於预测用於监测消化池的状态的指标的方法和设备
Adak et al. Simulation of a process design model for anaerobic digestion of municipal solid wastes
WO2020070111A1 (fr) Méthode de détection précoce d'un dysfonctionnement dans un dispositif digesteur
FR3044324A1 (fr) Procede de regulation de la temperature d'un digesteur anaerobie, et installation de methanisation associee
FR3154189A1 (fr) Procédé de détermination d’une proportion massique d’additif à injecter dans un digesteur

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240306

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SUEZ INTERNATIONAL