1

A L I M E N T A T I O N

A G R I C U L T U R E

E N V I R O N N E M E N T

Laboratoire de Biotechnologie de l’Environnement

(INRA-LBE, Narbonne)

CONDUITE DE PROCÉDÉS AGRO-ALIMENTAIRES ET BIOLOGIQUES

Eric Latrille

Journée réseaux de neurones

11 janvier2012

Paris

2

La commande de processus : un élément de l ’automatisation et de

l ’optimisation des procédés.

Les verrous :

• Les capteurs pour récupérer de l ’information

développement de méthodes de mesures indirectes

• La modélisation des processus

pour la prédiction ou la commande avec modèle interne

• La stratégie de commande

souvent on cherche à commander/réguler plusieurs

paramètres à la fois

Régulateur Actionneur Procédé

Capteur

consigne

variable

à réguler

retour variable mesurée

erreur

3

Qu'est-ce qu'un système dynamique ?

SYSTEME Variables internes

(variables d'état)

Variables externes

(variables de contrôle)

Variables mesurées

(variables de mesure

ou variables de sortie)

U

X

Y

Evolution dans le temps des différentes

variables

4

EXEMPLE

La température d'un fermenteur,

d’un réacteur chimique ou d’un four

Température

fluide caloporteur

(variable de contrôle)

(variable d'état)

Pour le thermicien :

La température est une variable d’état.

Pour le chimiste ou le biologiste :

La température est une variable de

commande.

Les véritables variables d’état sont les

concentrations en substrats (réactifs) et

en produits.

5

Les deux types de modèles d'un système dynamique

Modèle entrée-sortie :

Y f Y Y U U U t t t t t t + - - - = 1 1 1 2 ( , , , , )

Modèle d'état :

X f X U t t t + = 1 ( , )

Y g X U t t t = ( , )

modèle

d'évolution

de mesure

beaucoup plus puissant et explicatif

Difficulté :

Trouver la représentation adaptée et les variables pertinentes.

6

RN

Vale

urs

d'e

ntré

es

Vale

urs

de s

ortie

s

Do

nn

ées d

e s

ortie

s

-

Erreur

Algo. d'optimisation

- rétropropagation

- gradient conjugué

- quasi Newton

. .

DONNEES

- Ens. apprentissage

- Ens. de validation

ALGO. d’apprentissage

- mode dirigé

- mode semi-dirigé

Nombre de

noeuds cachés ?

CONNAISSANCE

- Variables d'état

- Variables de contrôle

- Ordre du système (valisation croisée) - Utilisation d'un

modèle de connaissance

Les ingrédients des modèles à base de réseaux de neurones

7

Commande prédictive de la production de levures de Champagne 1/4

FERMENTEUR

(Pulse) CO2

température Interface

Imprimante

débitmètre

température

condenseur

condenseur

air

pompe

Résistance

chauffante

Fluide réfrigérant

CO2

moteur

CO2

Vin

Sucre

Levures

actionneurs

opto22

Simulation

Estimation

Contrôle

PC

8

Contrôle en boucle ouverte de la concentration finale en levures Xf

Détermination d’une température constante de culture pour atteindre une

concentration finale cible de levures

Dans 5% des cas, un profil de température non constant a dû être appliqué.

22.0 32.5

43.0 53.5 64.0

11.0

12.5

14.0

15.5

17.0

0

27

53

80

P1

P2

S Température optimale= 13.6°C

Points

expérimentaux

Valeurs simulées

pH=3.05

1/4

9

Modèles de croissance des levures

t

+

=

+pH

T

bb

bb

CO

X

aa

aa

CO

X

2221

1211

t22221

1211

1t2

Modèle linéaire

Ensemble d’apprentissage : 29 cultures

(3 années)

Ensemble de tests : 36 cultures

(3 années)

Ensemble de validation : 175 cultures

(3 années + 1)

Prédiction de la concentration

en levures

Modèle

non-

linéaire

Modèle

linéaire

Erreur

moyenne

4% 7%

Erreur

maximum

6% 12%

f

f

f

f

f

f

f

Xt

CO2, t

Tt

pH

Xt+1

CO2, t+1

Modèle non-linéaire

-1

1/4

10

Contexte

• Production de métabolites secondaires

(enzymes utilisées pour la production de bioéthnaol de 2ème génération)

• Pilotage d ’un procédé discontinu puis alimenté

• Absence de capteurs pour les variables pertinentes

Biomasse

Concentration en sucre

Activité enzymatique

Objectifs

• Elaborer des capteurs-logiciels pour la mesure indirecte et la prédiction

Concentration en biomasse

Concentration en sucre

Activité enzymatique

Prédiction d ’activité enzymatique : production de cellulases. 2/4

11

Sucres

résiduels (S)

Phase de production

Phase discontinue

Phase transitoire

Déclenchement de l ’alimentation en sucre inducteur

Les phases du procédé

Temps

2/4

12

Estimation et prédiction des concentrations en sucres résiduels (S)

Temps

Co

nc

en

tra

tio

n e

n s

ucre

Dosages effectués

Estimations

Prédictions

Temps prédit

Dosages à venir

Instant courant

Instant de démarrage de

l’alimentation en sucre inducteur

Formule d’estimation a posteriori,

prise en compte des dosages effectués

dans le passé.

)()(ˆ)(ˆ /0 tNYtStS NS -=

)()()(ˆ/0 iNSi tNYtStS +=Avec

2/4

Prédiction par un modèle

dynamique à base de

réseaux de neurones

13

MODELISATION DE LA PHASE ALIMENTEE

Lien entre les débits d ’alimentation (Ammoniaque : N ; Sucre : Ds) et la production d ’enzymes (Enz)

f

f

f

f

f

f

f

f

Enz t

N t

Ds t

pH t

Enz t+1

N t+1

-1

-1

Estimation

Prédiction

6 neurones cachés sur les données pilotes.

2 neurones cachés sur les données industrielles.

Les bruits sur les mesures étaient différents.

2/4

Modèle dynamique

14

Surfaces de réponse des activités finales xylanases et b-glucanase

en fonction du pH et du débit d’alimentation en sucre inducteur

Rôle différent du pH et du débit de sucre sur les productions d ’activités enzymatiques

2/4

MODELISATION DE LA PHASE ALIMENTEE

15

CONCLUSIONS

Développement d’un capteur-logiciel en deux étapes :

* faisabilité à l’échelle pilote

* adaptation au contexte industriel

Temps de développement :

* à l’échelle pilote : 2 ans.

* à l’échelle industriel 1 an + 6 mois

Essentiellement pour l ’obtention des données.

La modélisation ne représente que 20% du temps.

2/4

16

Modélisation des relations entre

Acide tartrique (AT), Potasium (K), pH, conductivité électrique (σ) et

acide nitrique (HNO3)

[AT ; K] =f(σ,pH) - par modèles linéaires et non-linéaires (réseaux

de neurones et surfaces quadratiques).

Sur des solutions en laboratoires.

Sur les vinasses réelles.

2 groupes de vinasses : les acidifiées et les non-acidifiées.

Procédé d’extraction d’acide tartrique des résidus viticoles 3/4

Objectifs Réduire les apports en acide nitrique lors de l’extraction

Contexte Durée de l’étude : 2 ans.

17

Modélisation de la relation [AT ; K] =f(σ,NO3)

Potassium = f(HNO3, conductivité électrique)

On peut se passer de la mesure du pH !!

3/4

18

s, NO3 comme uniques prédicteurs sans la mesure du pH

0 5000 10000 15000 2000

4000

6000

8000

10000

12000

14000

Valeurs Expérimentales (mg/L)

Va

leu

rs P

réd

ites

Potassium : Nh=7

0 1 2 3 4 5

x 10 4

0.5

1

1.5

2

2.5

3

3.5

4

4.5 x 10 4

Valeurs Expérimentales (mg/L)

Va

leu

rs P

réd

ites

AcideTartrique

Err=0.6 g/L Err=3.1 g/L

Modélisation de la relation [AT ; K] =f(σ,NO3) 3/4

19

Elaboration d’un modèle d’estimation du risque d’apparition

de mousse dans un procédé de digestion anaérobie.

Incorporation dans une plate-forme logiciel de simulation de

station d’épuration.

Détermination des variables pertinentes du modèle d’estimation

Développement de logiciel de simulation et de contrôle-commande

de procédés biologiques de traitement des eaux usées 4/4

20

Conclusions

Depuis 2005, les applications dans le contrôle-commande des

bioprocédés se fait surtout à l’aide de SVM (Support vector machine)

Les modèles statiques demeurent beaucoup plus utilisés que les modèles

dynamiques plus difficiles à appréhender.

Une bonne connaissance des procédés reste nécessaire.

21

A L I M E N T A T I O N

A G R I C U L T U R E

E N V I R O N N E M E N T

Merci de votre attention