Mise en oeuvre de réseaux de neurones pour la modélisation de cinétiques réactionnelles en vue de la transposition batch-continu

Neural networks for kinetic reaction modelling applicable to batch to continuous reactor transposition

• Auteur / Autrice : Mohamed Yessin Ammar
• Direction : Michel Cabassud
• Type : Thèse de doctorat
• Discipline(s) : Génie des procédés et de l'environnement
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse, INPT

Mots clés

Mots clés contrôlés

Réacteurs chimiques

Estérification

Procédés discontinus

Résumé

La simulation et l'optimisation de la conduite des réacteurs chimiques se heurtent très souvent à la difficulté de disposer d'un modèle stoechio-cinétique de la transformation chimique mise en oeuvre. Dans ce travail une approche de représentation de type réseaux de neurones est proposée pour développer rapidement un modèle stoechio-cinétique à partir d'un ensemble de données obtenues par un suivi en-ligne des concentrations lors d'expériences réalisées en mode discontinu. Dans une première partie, nous avons développé la démarche dans le cas de la réaction équilibrée d'estérification du méthanol par l'acide acétique à partir de données obtenues en mode batch isotherme. Le modèle neuronal obtenu est formé de l'association de quatre modèles, chacun spécialisé dans la prédiction de l'évolution d'une espèce chimique. Par la suite, nous avons intégré le modèle neuronal développé dans une structure de simulation hybride et nous avons pu conclure qu'il pouvait permettre de transposer la réaction d'estérification d'un réacteur batch à un réacteur semi-batch ainsi qu'à un réacteur/échangeur avec écoulement piston. Dans la dernière partie de cette étude, nous avons repris la démarche de modélisation par réseaux de neurones pour l'appliquer à la réaction d'estérification de l'anhydride propionique par le 2-butanol, qui n'est pas équilibrée mais qui présente un comportement auto-catalytique. Le modèle obtenu a également été intégré dans une structure de simulation hybride qui permet de prédire l'évolution des différents constituants le long de la ligne réactionnelle lors de la mise en oeuvre de la réaction dans un réacteur/échangeur piston de type échangeur à plaques. Nous avons obtenu des résultats très satisfaisants qui témoignent de la faisabilité et la validité de notre démarche

Simulation and optimization of chemical reactors behaviour are very often limited by the difficulty to obtain an accurate stoechio-kinetics model of the considered chemical transformation. In this work, a methodology based on artificial neural networks has been setup to rapidly develop a model from data obtained by on-line concentrations measurement during different batch experiments. In a first part, the methodology is develop and applied to the esterification reaction of methanol by acetic acid, which presents equilibrium. In this application case, the neuronal model consists of the association of four models, each one dedicated to the prediction of the concentration variation related to one component. Thereafter, the developed neuronal model is integrated into a hybrid simulation framework. This work allows the esterification reaction to be transposed from a batch to a semi-batch reactor and also to a plug flow heat exchanger reactor. Lastly, the neuronal modelling methodology is applied to the esterification reaction of propionic anhydride by 2-butanol, which is not equilibrated but presents an autocatalytic behaviour. The related model has also been integrated in a hybrid simulation framework that makes it possible to predict the evolution of the various components all along a plug flow heat exchanger reactor based on plates technology. In that application case, very significant results are obtained, emphasizing the feasibility and the validity of our methodology