Optimisation des interfaces fluidiques dans un système de production d'hydrogène par électrolyse à partir des outils de reconnaissance d'images Deep Learning.

Optimization of fluidic interfaces in a hydrogen production system by electrolysis using Deep Learning image recognition tools.

• Auteur / Autrice : Idriss Sinapan
• Direction : Amangoua Kadjo, Cédric Damour
• Type : Thèse de doctorat
• Discipline(s) : Physique Energétique
• Date : Soutenance le 11/12/2024
• Etablissement(s) : La Réunion
• Ecole(s) doctorale(s) : École doctorale Sciences, Technologies et Santé (Saint-Denis, La Réunion ; 2010-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’énergétique, d’électronique et procédés (Saint-Denis, Réunion) - Laboratoire d’Énergétique, d’Électronique et Procédés
• Jury : Président / Présidente : Rachid Outbib
• Jury : Examinateurs / Examinatrices : Rachid Outbib, Marie-Cécile Péra, Catherine Cadet, Florence Druart, Christophe Lin-Kwong-Chon, Michel Benne
• Jury : Rapporteurs / Rapporteuses : Marie-Cécile Péra, Catherine Cadet

Mots clés

Mots clés contrôlés

Hydrogène (combustible)

Apprentissage profond

Électrochimie

Mots clés libres

Électrolyseur PEM

Régimes bulleux

Apprentissage profond

Canaux de distribution

PEM Electrolyser

Bubble flow

Deep Learning

Distribution channels

Résumé

Le vecteur énergétique hydrogène est reconnu comme une voie prometteuse dans le but de réduire les émissions de carbone et de faciliter la transition vers un système énergétique plus durable. Cependant, l’hydrogène utilisé doit avoir été produite de manière durable, c’est le cas de l’hydrogène vert où l’électrolyseur d’eau est utilisé avec une source d’énergie renouvelable. Néanmoins, certaines sources d’énergie renouvelables sont dites intermittentes et engendrent des fluctuations du courant en sortie. L’électrolyseur de type membrane échangeuse de proton (PEM) est la plus adaptée face à cette contrainte.Les électrolyseurs PEM possèdent cependant des verrous à surmonter afin de faciliter leur déploiement. Parmi ces verrous, la gestion optimale des bulles d’oxygène présentes dans les canaux de distribution anodique permettrait d’améliorer leur rendement. En effet, la mauvaise évacuation des bulles d’oxygène peut sous certaines conditions empêcher le réactif eau de parvenir à la couche de réaction ce qui diminue les performances de l’électrolyseur. Les travaux présents dans la littérature, montrent bien la nécessité de travailler sur le régime biphasique anodique afin d’avoir une meilleure compréhension pour de meilleures performances. A ce titre, le type de bulle peut impacter négativement les performances du système. Des recherches ont été menées sur les topologies des canaux, leurs influences sur la chute de pression entrée-sortie, l’uniformité de la distribution des réactifs, le type de bulle y circulant et enfin les conditions opératoires favorisant l’apparition et l’évacuation des bulles. Deux principaux types de bulles existent : les bulles classiques “bubbly” et les bulles remplissant les canaux “slug”. Ce sont ces dernières qui doivent être atténuées pour limiter les obturations gazeuses. Pour la détection automatique de ces bulles, l’apprentissage profond est une approche récente qui surpasse les méthodes classiques. Dans ces travaux, une acquisition haute fréquence et haute densité a été réalisée grâce à un électrolyseur PEM semi-transparent. Une méthodologie basée sur un algorithme d’apprentissage profond et des analyses post-détections ont été mises en place afin de comprendre en détail le comportement biphasique interne au système.Ces travaux ont permis dans un premier temps de tracer des courbes telles que le taux de recouvrement bulleux, le nombre de bulles apparaissant sur la partie anodique ainsi que l’évolution de la taille moyenne des bulles pour les différentes catégories de bulles. Une topologie grille a été étudiée, et les résultats obtenus nous ont permis d’établir plusieurs constats et préconisations. Sur l’aspect temporel, il a été démontré que l’augmentation de la densité de courant augmente la production des bulles de type bubbly et slug, et contribue à diminuer les bulles stagnantes. A partir des résultats recueillis, des cartes de chaleur spatiales ont été obtenues pour chaque classe de bulles. Nous avons observé qu’un fort débit en entrée est très bénéfique pour la circulation des bulles à condition qu’il soit uniformément distribué au sein des canaux. Cependant, une attention particulière doit aussi être portée à la conception et au positionnement des canaux à défaut de voir apparaître des bulles semi-stagnantes au sein même des canaux.

Hydrogen as an energy carrier is recognized as a promising path to reduce carbon emissions and facilitate the transition to a more sustainable energy system. However, the hydrogen used must be produced sustainably, as is the case with green hydrogen, where a water electrolyzer is used with a renewable energy source. Nonetheless, some renewable energy sources are considered intermittent and cause fluctuations in the output current. The proton exchange membrane (PEM) electrolyzer is the most suitable option to address this challenge.PEM electrolyzers, however, face challenges that must be overcome to facilitate their deployment. Among these challenges, the optimal management of oxygen bubbles in the anodic distribution channels could improve their efficiency. Indeed, inadequate evacuation of oxygen bubbles can, under certain conditions, prevent the water reactant from reaching the reaction layer, thereby reducing the electrolyzer's performance. Studies in the literature clearly indicate the need to focus on the anodic two-phase regime to gain a better understanding for improved performance. In this context, the type of bubble can negatively impact the system's performance. Research has been conducted on channel topologies, their influence on the inlet-outlet pressure drop, the uniformity of reactant distribution, the types of bubbles circulating, and the operating conditions that promote the formation and evacuation of bubbles.There are two main types of bubbles: classical 'bubbly' bubbles and 'slug' bubbles that fill the channels. It is the latter that must be mitigated to limit gas blockages. For the automatic detection of these bubbles, deep learning is a recent approach that outperforms traditional methods. In this work, high-frequency and high-density data acquisition was carried out using a semi-transparent PEM electrolyzer. A methodology based on a deep learning algorithm and post-detection analyses was implemented to gain a detailed understanding of the internal two-phase behavior within the system.This work initially allowed us to plot curves such as the bubble coverage rate, the number of bubbles appearing on the anodic side, and the evolution of the average bubble size for different bubble categories. A grid topology was studied, and the results obtained enabled us to establish several observations and recommendations. From a temporal perspective, it was demonstrated that increasing the current density increases the production of both bubbly and slug-type bubbles, while helping to reduce stagnant bubbles. Based on the collected results, spatial heat maps were generated for each bubble class. We observed that a high inlet flow rate is very beneficial for bubble circulation, provided it is uniformly distributed within the channels. However, special attention must also be paid to the design and positioning of the channels, or else semi-stagnant bubbles may appear within the channels themselves.