FR3126127A1

FR3126127A1 - Method and device for predicting an indicator for monitoring the state of a digester

Info

Publication number: FR3126127A1
Application number: FR2108662A
Authority: FR
Inventors: Roman Moscoviz; Patricia CAMACHO; Maxime ROUEZ; Pablo KROFF
Original assignee: Suez Groupe SAS
Current assignee: Suez International SAS
Priority date: 2021-08-12
Filing date: 2021-08-12
Publication date: 2023-02-17
Also published as: WO2023017229A1; CN117813371A

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. Figure d’abrégé : Figure 1Method (1) for predicting an indicator for monitoring the state of a digester suitable for producing digestate and biogas, containing methane, from an input, comprising: - A definition step (10) a mechanistic model adapted to determine at least one value of a status monitoring indicator of said digester - A step of determining (12) the adjustment parameters of said mechanistic model describing the kinetics of at least one of the steps of acidogenesis, acetogenesis and methanogenesis or their combination according to control parameters of said digester (50) and parameters relating to the quality of the input; - A calibration step (13) of said mechanistic model; and - A step of implementing (14) said mechanistic model to predict the evolution of said at least one value of a status monitoring indicator of said digester. Abstract Figure: Figure 1

Description

Method and device for predicting an indicator for monitoring the state of a digester

L’invention concerne le domaine des digesteurs, aussi appelés réacteur à biogaz ou méthaniseur.The invention relates to the field of digesters, also called biogas reactor or methanizer.

Plus particulièrement l’invention concerne un procédé et un dispositif de prédiction d’un indicateur de suivi de l’état d’un digesteur.More particularly, the invention relates to a method and a device for predicting an indicator for monitoring the state of a digester.

Un digesteur a pour objectif de produire du biogaz par digestion anaérobie.A digester aims to produce biogas by anaerobic digestion.

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.Anaerobic digestion corresponds to a cascade of biochemical reactions that convert a fraction of organic matter into biogas, the remaining matter being called digestate.

Un tel processus de digestion est intrinsèquement complexe car :Such a digestion process is inherently complex because:

– 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 ;– each degradation step is carried by distinct groups of microorganisms, each with their own kinetics, optimal growth conditions, specific inhibitory compounds;

– ces groupes de micro-organismes sont en interaction les uns les autres, avec par exemple des phénomènes de compétition ou de syntrophie ;– these groups of micro-organisms interact with each other, for example with phenomena of competition or syntrophy;

– 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.– the ecological balance and the kinetics of these groups of micro-organisms strongly depend on the operating conditions of the process, in particular its mode of supply, its temperature or the nature of the input used as food.

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.This complexity makes it difficult to follow an anaerobic digestion process. Thus, it is particularly complex for operators to predict the evolution of the state of a digester following a change in operating condition.

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.In addition, 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.

Ainsi, il est primordial de pouvoir anticiper les effets d’un changement d’opération afin d’en limiter les risques industriels.Thus, it is essential to be able to anticipate the effects of a change of operation in order to limit the industrial risks.

Pour faire face à cette complexité, une diversité d’approches existe dans l’état de l’art.To deal with this complexity, a variety of approaches exist in the state of the 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.We know the use of indicators based on the physico-chemical parameters for monitoring the process or characteristics of the substrate. This approach is purely empirical and often based on trial and error methods.

Par exemple, on connait de la publicationC, 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 : Rapport FOS/TAC Situation Mesure à prendre pour remédier à la situation >0.6 Apport de biomasse très excessif Arrêter l’ajout de biomasse 0.5-0.6 Apport excessif de biomasse Ajouter moins de biomasse 0.4-0.5 Le réacteur est fortement chargé Surveiller le réacteur de plus près 0.3-0.4 La production de biogaz est maximale Maintenir l’apport de biomasse constant 0.2-0.3 L’apport de biomasse est trop faible Augmenter lentement l’apport de biomasse < 0.2 L’apport de biomasse est beaucoup trop faible Augmenter rapidement l’apport de biomasse For example, we know from the publicationVS, Veluchamy & Gilroyed , Brandon & Kalamdhad , Ajay. (2019). Process performance and biogas production optimizing mesophilic plug flow anaerobic digestion of corn silage. Fuel. 253. 1097-1103. 10.1016/j.fuel.2019.05.104. calculation of the FOS/TAC ratio (ratio between volatile acidity and total alkalinity) to estimate whether a digester is overloaded. Thus we find decision tables such as this one: FOS/TAC ratio Situation Action to take to remedy the situation >0.6 Very excessive biomass input Stop adding biomass 0.5-0.6 Excess biomass input Add less biomass 0.4-0.5 The reactor is heavily loaded Monitor the reactor more closely 0.3-0.4 Biogas production is maximum Maintain constant biomass supply 0.2-0.3 Biomass input is too low Slowly increase biomass intake < 0.2 The biomass supply is far too low Rapidly increase biomass intake

On peut également citer le suivi du pourcentage de CH₄dans le biogaz, la concentration en azote ammoniacal total ou encore le ratio carbone/azote, plus communément appelé ratio C/N.We can also cite the monitoring of the percentage of CH ₄ in the biogas, the concentration of total ammoniacal nitrogen or the carbon/nitrogen ratio, more commonly known as the C/N ratio.

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.These indicators have the advantage of being simple to put into practice, but have a low predictive capacity. and are only used in practice for stabilization purposes of digester rather than optimization.

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.We also know the implementation of so-called "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 internal phenomena of the system studied, here the digester.

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.These models make it possible to predict a parameter of interest, such as the methane yield, from the operating conditions of the digester and the characteristics of the substrate.

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.They are generally relatively simple structural models, such as linear models, for example multilinear regression, partial least squares regression, so-called PLS, or powers (y=a.xb) models, although any model structure can be employed, including artificial neural networks, SVR support-vector regressions, etc.

De tels modèles sont en général très spécialisés et uniquement valables pour des conditions de fonctionnement et d’alimentation restreintes.Such models are usually very specialized and only valid for restricted operating and power conditions.

On connait aussi l’utilisation de modèles « boites-noires » basés sur des bio-indicateurs. Cette approche utilise les données générées par les outils de biologie moléculaire tels que la PCR quantitative, appelée qPCR, ou le séquençage ADN.We also know the use of " black-box " models based on bio-indicators. This approach uses data generated by molecular biology tools such as quantitative PCR, called qPCR, or DNA sequencing.

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.The principle is identical to "black-box" models based on process monitoring parameters, but is based on the predictive power of bio-indicators, for example to predict the concentration of a bacterial species.

Des modèles sont ensuite entraînés afin de relier ces bio-indicateurs avec des comportements observés dans les digesteurs.Models are then trained in order to link these bio-indicators with behaviors observed in the digesters.

Par exemple, un modèle de prédiction du degré d’inhibition au NH₃ou phénol à partir de données de séquençage a été proposé dans la publicationPoirier, 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.For example, a model for predicting the degree of inhibition to NH ₃ or phenol from sequencing data has been proposed in the 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 . These models are however poorly developed, due to the complexity of processing sequencing data, as well as the high cost of sequencing compared to conventional physico-chemical parameters.

On connait aussi l’utilisation de modèles mécanistes ajustés sur des données réelles.We also know the use of mechanistic models fitted to real data.

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’ADM1 et ses variantes, exposé dans sa forme originale dans la publicationBatstone , D.J., Keller, J., Angelidaki , I., Kalyuzhnyi , S.V., Pavlostathis , S.G., Rozzi , A., Sanders, W.T.M., Siegrist , H., Vavilin , V.A., 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.The phenomena governing the different stages of anaerobic digestion are for the most part well known and can be described mathematically in the form of dynamic models. One of the most widely used models in the field is the ADM1 and its variants, exhibited in its original form in the publication Batstone , DJ, Keller, J., Angelidaki , I., Kalyuzhnyi , SV, Pavlostathis , SG, Rozzi , A ., Sanders, WTM, Siegrist , H., Vavilin , VA, 2002. The IWA Anaerobic Digestion Model No 1 (ADM1). Water Science and Technology 45, 65–73 . This model has the advantage of explicitly describing each stage of anaerobic digestion and integrating a large number of factors having an influence on the different kinetics.

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 :However, 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. When used for predictive purposes, these models are used as follows:

– 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– 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

– 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.– Assuming these parameters constant over time, 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.

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.However, the fitting of these models is regularly subject to overfitting due to the large number of parameters that can compensate each other. Moreover, the predictions of this type of model are generally only valid for the digester used for the adjustment.

Enfin, on connait la mise en œuvre de modèles hybrides ajustés sur des données réelles.Finally, we know the implementation of hybrid models adjusted to real data.

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 ».In order to limit the risks of overfitting and to increase the predictive power of mechanistic models, they can be coupled with empirical "black-box" type models.

Aujourd’hui, ces approches sont principalement implémentées au travers de capteurs logiciels, en anglaissoft- sensors, qui consistent à estimer un paramètre non mesuré à partir des signaux acquis en ligne sur un procédé ; tel qu’exposé dans la publicationHaimi , H., Mulas , M., Corona, F., Vahala , R., 2013. Data-derived soft-sensors for biological wastewater treatment plants: An overview. Environmental Modelling & Software 47, 88–107 . Today, these approaches are mainly implemented through software sensors, in English soft- sensors , which consist in estimating an unmeasured parameter from signals acquired online on a process; as discussed in Haimi , H., Mulas , M., Corona, F., Vahala , R., 2013. Data-derived soft-sensors for biological wastewater treatment plants: An overview. Environmental Modeling & Software 47, 88–107 .

Une autre approche consiste à utiliser des données externes au procédé pour les injecter dans le modèle. Par exemple, la publicationCharnier, 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 – 35divulgue une méthode au cours de laquelle on a entraîné un modèle d’approche des moindres carrés partiels, ditPLS, pouvant prédire des cinétiques d’hydrolyse d’un substrat à partir de son spectre proche infrarouge.Another approach consists in using data external to the process to inject them into the model. For example, 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 a partial least squares approach model, known as PLS , was trained, being able to predict hydrolysis kinetics of a substrate from its near infrared spectrum.

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.This coupling therefore makes it possible to reduce the number of parameters to be adjusted on the real data as well as to inject knowledge from past experiences. However, this type of mixed approach requires a large number of external data to be integrated in order to optimize its operation.

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.Also, there is a need for a solution for predicting the evolution of the state of a digester that solves the problems of the methods known from the prior art.

À cet effet on propose un procédé 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 :To this end, a method is proposed for predicting an indicator for monitoring the state of a digester suitable for producing digestate and biogas, containing methane, from an input, comprising:

– Une étape de définition d’un modèle mécaniste adapté pour déterminer au moins une valeur d’un indicateur de suivi de l’état dudit digesteur en fonction de paramètres de commande dudit digesteur et de paramètres relatifs à la qualité de l’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 ;– A step of defining a mechanistic model suitable for determining at least one value of a status monitoring indicator of said digester as a function of control parameters of said digester and of parameters relating to the quality of the input feeding said digester ; said mechanistic model being intended to be calibrated by a plurality of adjustment parameters describing the kinetics of the hydrolysis, acidogenesis, acetogenesis and methanogenesis stages, independently or in combination;

– Une étape d’acquisition de valeurs des paramètres de commande dudit digesteur et de valeurs de paramètres de qualité de l’intrant alimentant ledit digesteur ;– A step of acquiring values of the control parameters of said digester and values of quality parameters of the input feeding said digester;

– 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 l’intrant ;– A step for determining the adjustment parameters of said mechanistic model describing the kinetics of at least one of the acidogenesis, acetogenesis and methanogenesis stages or their combination according to the control parameters of said digester and the parameters relating to the quality of the 'input ;

– 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– A step of calibrating said mechanistic model according to said adjustment parameters obtained by implementing said automatic learning module; And

– 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.– A step of implementing said mechanistic model to predict the evolution of said at least one value of an indicator for monitoring the state of said digester.

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.Thus, one can predict the evolution of the state of a digester in a relatively robust way by implementing in a relatively optimal way a mechanistic module simulating the internal processes of the digester.

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.Indeed, mechanistic models make it possible to inject knowledge based on explicit hypotheses, such as respecting the material balance, and ensure to have a result respecting the laws of physics.

Avantageusement, ladite étape de détermination est mise en œuvre par un module d’apprentissage automatique.Advantageously, said determination step is implemented by an automatic learning module.

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.In particular, 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.

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.Advantageously and in a non-limiting manner, 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. Thus, it can be ensured that the mechanistic model is not trained with aberrant or obviously erroneous tuning parameter values.

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.Advantageously and in a non-limiting manner, said indicator for monitoring the state of said digester comprises a flow rate of biogas produced at the outlet of the digester. Thus we can obtain a relatively relevant indicator of the state of the digester and in particular of its performance.

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.Advantageously and without limitation, 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. Thus, a robust and efficient module is implemented to determine the adjustment parameters of the mechanistic model.

Avantageusement et de manière non limitative, lesdits paramètres relatifs à l’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 l’intrant.Advantageously and in a non-limiting manner, said parameters relating to the input comprise a methanogenic potential parameter and/or fractionation parameters. These parameters are indeed relevant indicators of the quality of the input.

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.Advantageously and in a non-limiting manner, 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.

L’invention concerne aussi un procédé d’entraînement dudit module d’apprentissage automatique pour un procédé de prédiction tel que décrit précédemment, caractérisé en ce qu’il comprend :The invention also relates to a method of training said automatic learning module for a prediction method as described above, characterized in that it comprises:

– Une étape d’acquisition d’une pluralité d’ensembles de données expérimentales, chaque ensemble de données expérimentales comprenant des valeurs de paramètres de commande d’un digesteur, des valeurs de paramètres relatifs à la qualité un type d’intrant et des valeurs dudit indicateur de suivi dudit digesteur en fonction de ces paramètres ;– A step of acquiring a plurality of sets of experimental data, each set of experimental data comprising values of control parameters of a digester, values of parameters relating to the quality a type of input and values said monitoring indicator of said digester according to these parameters;

– 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 ;– For each set of experimental data, 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;

– 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 valeurs de paramètres de commande du digesteur et des valeurs de paramètres relatifs à la qualité l’intrant.– A step of training said automatic learning module according to said plurality of sets of experimental data, said automatic learning module being trained to determine said adjustment parameters of said mechanistic model describing the kinetics of at least one of the stages of acidogenesis, acetogenesis and methanogenesis or their combination according to the values of the control parameters of the digester and the values of parameters relating to the quality of the input.

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.This thus makes it possible to effectively train a machine learning module to determine the adjustment parameters of a mechanistic model from experimental data previously acquired from one or more existing digesters.

L’invention concerne aussi un procédé de régulation des paramètres de commande d’un digesteur comprenant :The invention also relates to a method for regulating the control parameters of a digester comprising:

– L’acquisition d’une prédiction obtenue par la mise en œuvre d’un procédé de prédiction tel que décrit précédemment ; et– The acquisition of a prediction obtained by the implementation of a prediction process as described previously; And

– La régulation des paramètres de commande du digesteur ainsi que de l’alimentation en intrant dudit digesteur en fonction de ladite prédiction acquise.– The regulation of the control parameters of the digester as well as the input supply of said digester according to said acquired prediction.

L’invention concerne aussi un dispositif d’entraînement d’un module d’apprentissage automatique pour prédire l’évolution de l’état d’un digesteur adapté pour produire un digestat et du biogaz à partir d’un intrant comprenant :The invention also relates to a device for training an automatic learning module to predict the evolution of the state of a digester suitable for producing digestate and biogas from an input comprising:

– Des moyens d’acquisition d’une pluralité d’ensembles de données expérimentales, 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 dudit digesteur en fonction de ces paramètres ;– Means for acquiring a plurality of sets of experimental data, 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 monitoring indicator the state of said digester according to these parameters;

– Pour chaque ensemble de données expérimentales, des moyens d’étalonnage d’un modèle mécaniste adapté pour déterminer au moins une valeur d’un indicateur de suivi de l’état d’un digesteur en fonction de paramètres relatifs audit digesteur et de paramètres relatifs à l’intrant, ledit modèle mécaniste étant étalonné en déterminant les valeurs d’une pluralité de paramètres de réglage décrivant les cinétiques des étapes d’hydrolyse, d’acidogénèse, d’acétogénèse et de méthanogénèse, indépendamment ou en combinaison, en fonction desdites données expérimentales ; et– For each set of experimental data, means for calibrating a mechanistic model suitable for determining at least one value of an indicator for monitoring the state of a digester as a function of parameters relating to said digester and of parameters relating input, said mechanistic model being calibrated by determining the values of a plurality of adjustment parameters describing the kinetics of the hydrolysis, acidogenesis, acetogenesis and methanogenesis stages, independently or in combination, as a function of said experimental data; And

– 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 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 valeurs de paramètres relatifs audit digesteur et des valeurs de paramètres relatifs à l’intrant.– 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 said adjustment parameters of 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 values of parameters relating to said digester and of the values of parameters relating to the input.

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 :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:

– 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 l’intrant fournit audit digesteur,– means for acquiring parameter values relating to said digester for which the status monitoring indicator value is to be predicted and parameter values of the input supplied to said digester,

– 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 ;– means for implementing said automatic learning module so as to obtain adjustment parameters of a mechanistic model according to said parameters acquired in the previous step; said mechanistic model being the same as that implemented by the prediction device described above;

– 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– means for calibrating said mechanistic model according to said adjustment parameters obtained by implementing said automatic learning module; And

– 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.– means of implementing said mechanistic model to predict the evolution of at least one indicator for monitoring the state of said digester.

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.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 previously.

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 :Other particularities and advantages of the invention will become apparent on reading the description given below of a particular embodiment of the invention, given by way of indication, but not limiting, with reference to the appended drawings in which:

est un organigramme du procédé de prédiction selon l’invention ; is a flowchart of the prediction method according to the invention;

est un organigramme d’un procédé d’entraînement selon l’invention ; is a flowchart of a training method according to the invention;

est une vue schématique d’un dispositif de mise en œuvre d’un procédé de prédiction selon l’invention ; is a schematic view of a device for implementing a prediction method according to the invention;

est une vue schématique d’un dispositif de mise en œuvre d’un procédé d’entraînement selon l’invention ; et is a schematic view of a device for implementing a drive method according to the invention; And

est une vue schématique d’un procédé de régulation des paramètres de commande d’un digesteur. is a schematic view of a process for regulating the control parameters of a digester.

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.The prediction method 1 according to the invention 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.

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.Indeed each digester, due to the anaerobic reactions involved, presents different performances and a different evolution of its state, according to the input which feeds it and according to its control parameters.

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.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.

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.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.

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.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.

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 volatils dans le digestat, ou encore la concentration en NH₃.In this embodiment, the flow rate of biogas produced at the outlet of the digester 50 is the condition monitoring indicator that we seek to predict, since it constitutes an important indicator in terms of the profitability of the digester. However, the invention is not limited to this particular type of indicator, which can also correspond, in a non-limiting manner, to the concentration of volatile fatty acids in the digestate, or else the concentration of NH ₃ .

La littérature scientifique comprend de nombreux modèles mécanistes adaptés à des digesteurs anaérobies.The scientific literature includes many mechanistic models adapted to anaerobic digesters.

Parmi les modèles bien connus de l’art antérieur, on connait le modèleAnaerobic Digestion Model n°1(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.Among the well-known models of the prior art, the Anaerobic Digestion Model No. 1 (ADM1) and its variants are known. 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.

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.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.

Aussi, tout modèle mécaniste réglable par une pluralité de paramètres prédéfinis peut être mis en œuvre.Also, any mechanistic model adjustable by a plurality of predefined parameters can be implemented.

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.However, in order to limit the amount of calculations necessary for the automatic learning of the adjustment parameters, it is advantageous to select a mechanistic model comprising a reduced number of adjustment parameters; we then speak of a reduced mechanistic model.

À cet effet, on connait des méthodes de réduction de modèles mécanistes.To this end, methods are known for reducing mechanistic models.

On peut citer à titre d’exemple les publications :Examples of publications include:

– 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 – B. Chachuat , N. Roche, and MA Lati . Reduction of the ASM1 model for optimum control of small activated sludge treatment plants . Journal of Water Sciences , 16(1):526, 2003 ; Or

– Sonia Hassam . Réduction de modèles de procédés biotechnologiques : Applications à l ’ ADM1. Automatique / Robotique. Université de Tlemcen, 2015. Français. ( tel-01249831 ). -Sonia Hassam . _ Reduction of models of biotechnological processes : Applications to ADM1 . Automatic / Robotic. University of Tlemcen, 2015. French. ( tel-01249831 ) .

Toutefois l’homme du métier sera libre, à nouveau, de sélectionner le modèle mécaniste de son choix et le cas échéant de la méthode de réduction associée.However, those skilled in the art will again be free to select the mechanistic model of their choice and, where applicable, the associated reduction method.

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 l’intrant alimentant ledit digesteur.Once the mechanistic model has been defined, and the adjustment parameters known, a step 11 of acquisition of values of control parameters of the digester 50 for which the monitoring values are to be predicted and values of quality parameters of the input supplying said digester.

Autrement dit on acquiert les mesures qui seront fournies au modèle mécaniste pour déterminer l’évolution dans le temps des performances du digesteur.In other words, we acquire the measurements that will be provided to the mechanistic model to determine the evolution over time of the performance of the digester.

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.To this end, 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.

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.By way of non-limiting examples, mention may be made, as quality parameters of the input, of its methanogenic potential, which is a relatively important criterion, and of its chemical oxygen demand.

La qualité de l’intrant peut aussi comprendre ses paramètres de fractionnement en sucres, protéines, lipides, éléments métalliques, composition élémentaire, etc.The quality of the input can also include its parameters of fractionation into sugars, proteins, lipids, metallic elements, elemental composition, 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.Concerning the parameters relating to the digester 50, 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.

Ensuite, avant de fournir ces paramètres d’entrée au modèle mécaniste, il faut étalonner les paramètres de réglage du modèle mécaniste.Then, before providing these input parameters to the mechanistic model, it is necessary to calibrate the adjustment parameters of the mechanistic model.

Pour ce faire, on met en œuvre une étape de détermination 12 des paramètres de réglage dudit modèle mécaniste.To do this, a step 12 of determining the adjustment parameters of said mechanistic model is implemented.

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.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.

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 publicationVavilin , V.A., 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 Hydrolysis designates the step during which high molecular weight organic molecules such as polysaccharides, proteins and lipids are converted into monomers ( eg glucose, fatty acids, amino acids). This step is commonly described by first-order kinetics associated with a hydrolysis constant. In particular, one can refer 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

L’acidogénèse correspond à l’étape durant laquelle les monomères issus de l’étape d’hydrolyse sont transformés en acides organiques, alcools, H₂et 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 publicationLiu, 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.Acidogenesis corresponds to the stage during which the monomers resulting from the hydrolysis stage are transformed into organic acids, alcohols, H ₂ and CO ₂ . The 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 .

La phase d’acétogénèse permet la transformation des différents composés organiques issus des deux phases précédentes en acétate, H₂et 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’H₂. La cinétique de Monod ainsi corrigée est notamment décrite dans la publicationPatón , M., Rodríguez , J., 2019. Integration of bioenergetics in the ADM1 and its impact on model predictions. Water Sci Technol 80, 339 – 346. https://doi.org/10.2166/wst.2019.279. The acetogenesis phase allows the transformation of the various organic compounds resulting from the two preceding phases into acetate, H ₂ and CO ₂ . The kinetics of this phase can also be described by Monod kinetics corrected for the accumulation of reaction products such as H ₂ . The Monod kinetics thus corrected is described in particular in the publication Patón , M., Rodríguez , J., 2019. Integration of bioenergetics in the ADM1 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’H₂, du CO₂et/ou de l’acétate en CH₄. 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 publicationCapson-Tojo , G., Moscoviz, R., Astals , S., Robles, Á., Steyer , J.-P., 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 . Finally, the methanogenesis step corresponds to the conversion of H ₂ , CO ₂ and/or acetate into CH ₄ . The kinetics of this step can be described by Monod kinetics corrected for inhibition related to toxic compounds such as ammoniacal nitrogen. For a 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, Á., Steyer , J.-P., 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.According to the invention, during the determination step, 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.

Avantageusement, selon une mise en œuvre particulière de l’invention, on peut déterminer tous les paramètres de réglage du modèle mécaniste.Advantageously, according to a particular implementation of the invention, it is possible to determine all the adjustment parameters of the mechanistic model.

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 l’intrant.In this embodiment, 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 input quality.

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 l’intrant et détermine en sortie des paramètres de réglage du digesteur.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.

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.The automatic learning module comprises in particular a plurality of artificial neural networks trained to each detect a tuning parameter of the mechanistic model.

Une approche alternative peut mettre en œuvre un réseau de neurones artificiels entraîné pour fournir en sortie un unique vecteur de paramètres de réglages.An alternative approach can implement an artificial neural network trained to output a single vector of settings parameters.

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.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. These include statistical regression methods such as support vector machines, SVMs, decision trees, decision tree forests, partial least squares regression or any other machine learning method, supervised or unsupervised.

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.At the output of the automatic learning module implemented, 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.

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.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.

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.According to an alternative, provision could also be made to constrain the parameters between predetermined bounds, this approach being able to be seen as a particular case of the search for parameters within a distribution, that corresponding to a distribution according to a uniform law comprised between these predetermined limits.

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 l’intrant.This then makes it possible to implement 14 the mechanistic model thus calibrated, by supplying it as input with the control parameters of the digester 50 studied and parameters relating to the quality of the input.

Afin de pouvoir mettre en œuvre ce procédé de prédiction, il faut toutefois avoir préalablement entraîné le module d’apprentissage automatique mis en œuvre.In order to be able to implement this prediction process, however, it is necessary to have previously trained the machine learning module implemented.

À cette fin on met en œuvre un procédé 2 d’entraînement du module d’apprentissage automatique.To this end, a method 2 of training the automatic learning module is implemented.

Ce procédé comprend une première étape d’acquisition 21 d’une pluralité d’ensembles de données expérimentales.This method comprises a first step 21 of acquisition of a plurality of sets of experimental data.

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.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.

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.These different sets of experimental data are preferentially acquired for a plurality of different digesters, and over periods of time extending over several months. Thus, it is possible to obtain experimental data making it possible to know the effect over time on the digester monitoring indicator, for example here the methane flow, according to the input, its quality and according to the parameters of ordering this particular digester 50.

Plus la quantité et la variété de ces ensembles de données expérimentales seront grandes plus la qualité de l’apprentissage automatique pourra être importante.The greater the quantity and variety of these experimental datasets, the greater the quality of the machine learning that can be achieved.

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.Starting from these experimental data, we proceed to a calibration step 22 of a mechanistic model, which must of course be the same mechanistic model as the one that we will define during the definition step 10 of the prediction method 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.We will thus carry out this calibration by looking for the adjustment parameters making it possible to match the input data with the evolution observed experimentally on the digester monitoring indicator.

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 l’intrant.Thus, we will take advantage of the knowledge of these experimental data to find an optimized parameterization of the mechanistic model according to the control parameters of the digester 50 and the quality parameters of the input.

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.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.

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.We will then proceed to 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.

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 l’intrant alimentant ledit digesteur, les paramètres de réglage du modèle mécaniste choisi de manière optimisée.In this way, 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.

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 .This prediction method 1 can be implemented within the framework of more general methods, such as a method of regulating 53 the control parameters of a digester 50 represented .

Un tel procédé de régulation 53 comprend l’acquisition d’une prédiction obtenue par la mise en œuvre du procédé de prédiction 1.Such a regulation method 53 comprises the acquisition of a prediction obtained by the implementation of the prediction method 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.From this prediction, it is possible to regulate 51 the input supply of the digester 50 as well as to vary the control parameters of the digester 50 to improve the performance of this digester.

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.We can also implement the prediction process 1 to simulate the creation of a new digester, thus estimating the performance of a project for its design.

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.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.

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.The input-output communication means 46 can be of any known type, Ethernet port, COM port, USB port, wired or wireless communication device.

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.The digester control device 50 is generally, but not necessarily, of the same type as the implementation device 40 of the prediction method 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.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.

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.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.

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.In the same way, the input-output communication means 46 can be of any known type, Ethernet port, COM port, USB port, wired or wireless communication device.

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, pourGeneral- Purpose computing on Graphics Processing Units.Furthermore, 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 .

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.According to an alternative implementation of the invention, 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.

Claims

A computer-implemented method for predicting (1) an indicator for monitoring the condition of a digester (50) suitable for producing digestate and biogas, containing methane, from an input, comprising:

A step of defining (10) a mechanistic model suitable for determining at least one value of an indicator for monitoring the state of said digester (50) as a function of control parameters of said digester (50) and of parameters relating to the quality of the input feeding said digester (50); said mechanistic model being intended to be calibrated by a plurality of adjustment parameters describing the kinetics of the hydrolysis, acidogenesis, acetogenesis and methanogenesis stages, independently or in combination;
A step of acquiring (11) values of the control parameters of said digester (50) and values of quality parameters of the input supplying said digester (50);
A step for determining (12) the adjustment parameters of said mechanistic model describing the kinetics of at least one of the acidogenesis, acetogenesis and methanogenesis steps or their combination as a function of the control parameters of said digester (50) and of the relative parameters the quality of the input;
A calibration step (13) of said mechanistic model as a function of said adjustment parameters obtained by the implementation of said automatic learning module; And
A step of implementing (14) said mechanistic model to predict the evolution of said at least one value of an indicator for monitoring the state of said digester.

Prediction method (1) according to Claim 1, characterized in that the said determination step (12) is implemented by an automatic learning module.

Prediction method (1) according to claim 2, characterized in that 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 support-vector regression module.

Prediction method (1) according to any one of Claims 1 to 3, characterized in that during the calibration step (13), the adjustment parameters of the mechanistic model are constrained within a range of predetermined values or according to a predetermined distribution of the adjustment parameters.

Prediction method (1) according to any one of Claims 1 to 4, characterized in that the said indicator for monitoring the state of a digester (50) comprises a flow of biogas comprising methane produced at the outlet of the digester.

Prediction method (1) according to any one of Claims 1 to 5, characterized in that the said parameters relating to the input comprise a methanogenic potential parameter and/or fractionation parameters.

Prediction method (1) according to any one of claims 1 to 6, characterized in that said control parameters of the digester (50) comprise a temperature of said digester (50) and/or a hydraulic residence time and/or a organic load and/or a mode of feeding said digester.

Computer-implemented training method (2) of an automatic learning module for a prediction method according to any one of Claims 2 to 6, characterized in that it comprises:

A step of acquisition (21) of a plurality of sets of experimental data, each set of experimental data comprising values of control parameters of a digester, values of parameters relating to the quality of the inputs of said digester and values of said monitoring indicator of said digester (50) as a function of these parameters;
For each set of experimental data, a calibration step (22) of a mechanistic model, in which the values or distributions of the adjustment parameters of said mechanistic model are determined as a function of said experimental data;
A step of training (23) said automatic learning module as a function of said plurality of sets of experimental data, said automatic learning module being trained to determine said adjustment parameters of said mechanistic model describing the kinetics of at least one of the stages of acidogenesis, acetogenesis and methanogenesis or their combination according to the values of control parameters of the digester (50) and the values of parameters relating to the quality of the input.

A computer-implemented method of regulating (53) the control parameters of a digester (50) comprising:

The acquisition of a prediction obtained by the implementation of a prediction method (1) according to any one of claims 1 to 7; And
The regulation (51) of the control parameters of the digester (50) as well as of the supply of input to said digester (50) according to said acquired prediction.

Device for training (30) a machine learning module for predicting a status monitoring indicator of a digester (50) suitable for producing digestate and biogas, containing methane, from a input comprising:

Means for acquiring (36) a plurality of sets of experimental data, 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 monitoring the state of said digester (50) as a function of these parameters;
For each set of experimental data, calibration means (32) of a mechanistic model (38) suitable for determining at least one value of an indicator for monitoring the state of the digester (50) as a function of relative parameters said digester (50) and parameters relating to the input, said mechanistic model (38) being calibrated by determining the values of a plurality of adjustment parameters describing the kinetics of the hydrolysis, acidogenesis, acetogenesis stages and methanogenesis, independently or in combination, depending on said experimental data; And
Means for training (32) at least one automatic learning module (45) as a function of said plurality of sets of experimental data, said automatic learning module (45) being trained to determine said adjustment parameters said mechanistic model (38) describing the kinetics of at least one of the acidogenesis, acetogenesis and methanogenesis stages or their combination as a function of the values of parameters relating to said digester (50) and of the values of parameters relating to the input.

Device for implementing (40) the prediction of a machine learning module (45) driven by a training device (30) according to claim 9, for predicting the evolution of the state of said digester (50 ) suitable for producing digestate and biogas from an input comprising:

means (46) for acquiring parameter values relating to said digester (50) for which the status monitoring indicator value is to be predicted and parameter values of the input supplied to said digester,
means of implementation (42) of said automatic learning module (45) so as to obtain adjustment parameters of a mechanistic model (48) as a function of said parameters acquired in the previous step; said mechanistic model (48) corresponding to the mechanistic model implemented by the training device (30) according to claim 10;
calibration means (42) of said mechanistic model as a function of said adjustment parameters obtained by the implementation of said automatic learning module; And
implementation means (42) of said mechanistic model to predict the evolution of at least one indicator for monitoring the state of said digester.

Device for controlling a digester (50) comprising a computer adapted to regulate parameters of said digester (50) and/or parameters for regulating the feed mode of the digester according to the prediction obtained by said method (1) according to any of claims 1 to 7.