Modélisation et contrôle de photobioréacteurs en régime de lumière dynamique

Modelling and control of photobioreactors under dynamic light regimes

• Auteur / Autrice : Joel Ignacio Fierro Ulloa
• Direction : Olivier Bernard
• Type : Thèse de doctorat
• Discipline(s) : Contrôle, optimisation, prospective
• Date : Soutenance le 29/10/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Jean-Baptiste Caillau
• Jury : Examinateurs / Examinatrices : Olivier Bernard, Jean-Baptiste Caillau, Francis Mairet, Eugenio Cinquemani, Pedro Gajardo, Benoît Chachuat
• Jury : Rapporteur / Rapporteuse : Francis Mairet, Eugenio Cinquemani

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Commande, Théorie de la

Dynamique non-linéaire

Microalgues

Mots clés libres

Microalques

Systèmes dynamiques non linéaires

Contrôle optimal

Réseaux neuronaux artificiels

Microalgae

Non-linear dynamical systems

Optimal control

Neural networks

Résumé

Les microalgues peuvent produire de la biomasse en utilisant la lumière comme source d'énergie grâce à la photosynthèse. La biomasse algale est très productive pour produire des aliments pour animaux, des produits pharmaceutiques et, les microalgues peuvent également être utilisées pour le traitement des eaux usées. La culture de ces micro-organismes est réalisée dans des photobioréacteurs dont la forme, la taille et le mode d'utilisation varient. La source de lumière peut être naturelle ou artificielle et constitue l'un des facteurs les plus importants du processus. En outre, les microalgues sont connues pour leur taux de croissance rapide et leur capacité à se développer dans divers environnements, ce qui en fait une source très polyvalente. Elles absorbent le CO2, ce qui contribue à atténuer les émissions de gaz à effet de serre, et peuvent pousser sur des terres non arables. Les innovations en matière de génie génétique et d'optimisation des bioprocédés continuent d'améliorer l'efficacité et le rendement de la culture des microalgues. Cette thèse se concentre sur les modèles mathématiques qui décrivent les effets de la lumière sur la croissance des microalgues et explore les problèmes de contrôle liés à leur culture, en considérant les différents phénomènes qui se produisent dans les centres de réaction de la photosynthèse. L'analyse de la dynamique rapide de la photosynthèse est étudiée par le biais de la modélisation afin de comprendre comment différents modèles de lumière, y compris le mélange dans un photobioréacteur, peuvent affecter la croissance des microalgues.Lorsqu'un photobioréacteur utilise de la lumière artificielle, l'intensité de la lumière peut être définie comme une variable de contrôle. En explorant les différentes échelles de temps des phénomènes de photoinhibition et de photoacclimatation, les problèmes de contrôle optimal sont étudiés dans le but de maximiser la biomasse récoltée d'un photobioréacteur continu. L'utilisation du principe du maximum de Pontryagin et des méthodes directes d'optimisation sont utilisées pour traiter ce type de problèmes.D'autre part, comme chaque photobioréacteur et chaque espèce de microalgues est unique, le développement de modèles adaptables à différentes conditions est un défi important abordé dans cette thèse. Pour y parvenir, l'étude des modèles hybrides qui intègrent des équations différentielles ordinaires et des réseaux neuronaux artificiels est menée pour modéliser et contrôler les processus basés sur les microalgues. Cette thèse se propose de fournir un cadre complet pour l'optimisation de la culture des microalgues, en s'appuyant à la fois sur la modélisation mathématique et sur des techniques d'apprentissage automatique de pointe pour améliorer la productivité et l'efficacité dans divers scénarios de culture. En outre, elle cherche également à approfondir des sujets théoriques fondamentaux dans la théorie du contrôle optimal, afin de proposer et d'analyser de nouveaux algorithmes qui peuvent être utilisés pour d'autres types de problèmes.

Microalgae can produce biomass using light as an energy source through photosynthesis. Algal biomass has great potential for the production of food, feed, pharmaceuticals and lately it can be used for wastewater treatment. The cultivation of these microorganisms is carried out in photobioreactors which vary in shape, size, and mode of use. The light source can be natural or artificial, and it is one of the most important factors in the process. Additionally, microalgae are known for their rapid growth rates and ability to thrive in a variety of environments, making them a highly versatile source. They absorb CO2, helping to mitigate greenhouse gas emissions, and can grow on non-arable land. Innovations in genetic engineering and bioprocesses optimization continue to enhance the efficiency and yield of microalgae cultivation.This thesis focused on mathematical models that describes the effects of light on the growth of microalgae and explores control problems related to their cultivation, considering different phenomena that occurs in the reaction centers of photosynthesis. The analysis of the fast dynamics of the photosynthesis is investigated through modeling to understand how different patters of light, including the mixing within a photobioreactor, can affect the growth of the microalgae.When a photobioreactor uses artificial light, the intensity of the light can be set as a control variable. By exploding the different timescales of different phenomena as photoinhibition and photoacclimation, optimal control problems are study with the objective to maximize the harvest biomass of a continuous photobioreactor. The use of Pontryagin's maximum principle and direct methods of optimization are used to tackle these kind of problems.On the other hand, as each photobioreactor and microalgae species is unique, developing adaptable models for different conditions is a significant challenge addressed in this thesis. To achieve this, the study of hybrid models that combine ordinary differential equations and artificial neural networks is conducted for modelling and controlling microalgae-based processes. This thesis aims to provide a comprehensive framework for optimizing microalgae cultivation, leveraging both mathematical modeling and cutting-edge machine learning techniques to enhance productivity and efficiency in various cultivation scenarios. Aditionally, it also seeks to go into fundamental theoretical topics in optimal control theory, to propose and analyze new algorithms that can be used to other types of problems.