Modélisation du procédé de la granulation en lit fluidisé … · 2016-12-14 · solide, gaziéfication et combustion du charbon, ... On peut expliquer la phénomène de fluidisation

UNIVERSITE KASDI MERBAH OUARGLA

Département de Génie des procédés

Dr. KORICHI Mourad

Dr. MENNOUCHE

Dr. BOUZIANE khadidja

Pr. DOUNIT Salah

Modélisation du procédé

les réseaux neuro

UNIVERSITE KASDI MERBAH OUARGLA

Faculté des Sciences Appliquées

Département de Génie des procédés

Mémoire

MASTER ACADEMIQUE

Filière : Génie des procédés

Option : Ingénierie de gaz naturel

Présenté par : Djamai Amira

Thème

Soutenu le 30/05/2016

Devant le jury composé de :

Mourad ( M.C.A) Président

MENNOUCHE Djamel (M.C.B) Examinateur

khadidja (M.C.B) Examinat

Salah ( Pr ) Encadreur

2015/2016

Modélisation du procédé de la granulation en lit fluidisé par

les réseaux neuro-mimétique

Président

Examinateur

Examinatrice

Encadreur

de la granulation en lit fluidisé par

A LA MEMOIRE DE MON FRERE ″ZAKARIA″

J’aurais tant aimé que vous soyez présents.

J'espère que vous êtes fier de moi

Dieu ait pitié de votre âme

RemerciementsRemerciementsRemerciementsRemerciements

Je remercie notre DIEU "allah", notre DIEU "allah", notre DIEU "allah", notre DIEU "allah", notre créateur de m'avoir donné le courage, la volonté, et la patience de Pouvoir terminer ce travail.

En tout premier lieu je tiens à remercier le professer DOUNIT SalahDOUNIT SalahDOUNIT SalahDOUNIT Salah

qui m’a formé pendant ma projet de fin d’étude. Sans lui ; ce travail n’aurait pas été possible. Il m’a beaucoup soutenu et conseillé tout au long de la période de recherche. Merci beaucoup pour la confiance que vous m’avez accordée ainsi que pour tes encouragements qui m’ont aidée à mener à bien mon projet.

J’adresse mes remerciements les plus vifs aux membres de jury : le docteur Dr. Mourad KORICHI Dr. Mourad KORICHI Dr. Mourad KORICHI Dr. Mourad KORICHI d’avoir accepté de présider ce jury, ainsi que Dr. Djamel MENOUCHEDjamel MENOUCHEDjamel MENOUCHEDjamel MENOUCHE.... Et Et Et Et Dr. khadidja BOUZIANEkhadidja BOUZIANEkhadidja BOUZIANEkhadidja BOUZIANE

Finalement, je tiens à exprimer ma très profonde reconnaissance et ma gratitude en vers à mes chers parents, mes sœurs et frères, et toute ma famille, à mes amis et tous ceux qui d’une manière ou d’une autre ont contribué à ce travail.

Sommaire

Sommaire

Introduction générale ………………………………………………… 01

Chapitre I Eléments de Bibliographie

I.1.Généralités sur la fluidisation ……………………………..……..……... 03 I.1.1.Présentation générale de la fluidisation ………………..……………………... 03 I.1.2.Définition de la fluidisation ……………………………………………… 04 I.1.3.Avantage et inconvénients des lits fluidisés …………………………….. 06 I.2.Granulation en lit fluidisés ………………………………………………… .……… 07 I.2.1. Définition général …………………..……………………………………. 07 I.2.2. Mécanisme d'agglomération …………………………………………….. 07 I.3.Les réseaux neuromimetiques ………………………………………………….. 08 I.3.1.Définition …………………………………………………………………. 08 I.3.2.Le Neurone formel………………………………………………………... 09 I.3.3.Les différents types de réseaux …………….………………………. 09 I.3.4.De neurone biologique vers le neurone formel …………………………... 10 I.3.5.Formalisation ……………………………………………………….......... 10

Chapitre II Etude Pratique

II.1.Introduction ……………………………………………..…………… 12 II.2.Structure d’un perceptron multicouche (PMC) ……………………………….. 12 II.3.Base d’apprentissage …………………………………………………............. 13 II .4.L’algorithme d’apprentissage ………………………………………............... 13 II.5.L’algorithme de rétropropagation …………………………………………….. 13 II.5.1.Cas de la couche de sortie:……………………………………………..... 14 II.5.2.Cas d’une couche cachée ……………………. ………………………… 18 II.6.Descriptions du système modélisé …………………………………………… 24 II.7.Synthèse du modèle neuromémitique du procédé du granulation …………... 25 II.8.Elaboration des bases de données……………………………………………… 26 II.9.Simulation type ………………………………………………………. 26 II.9.1.Evolution de l’erreur d’apprentissage…………………………………… 26 II.9.2.Phase de test…………………………………………………………….. 27 II.10. Effet du nombre de neurone dans la couche cachée …………………… 28 II.11. Effet du nombre de la couche cachée …………………… 28 Conclusion…………………………………………………………………………. 31 Conclusion générale……………………………………………………………….. 32

Liste des Tableaux

Tableau II-1 : Conditions opératoires pour les essais d’agglomération………………….….24 Tableau II-2 : Taille des agglomérats en fin de processus………………………………….25 Tableau II-3 : résultat de simulation…………………………………………………………27

Tableau II-4 résultat de simulation du1er Essais …….……………………………………28

Tableau II.5. résultat de simulation du 2èmme Essais………………………………………29

Tableau II.6. résultat de simulation du3èmme Essais ………………………………………29

Tableau II.7. .résultat de simulation du 4èmme Essais ……………………………………..29

Tableau II.8 : résultats de simulation 1 …………………………………………………...30

Tableau II.9.résultat de simulation 2 ………………………………………………………30

Liste des figures

Figure I.1. Description du phénomène de fluidisation. Variation de la chute de pression du

gaz à travers la couche de particules en fonction de la vitesse superficielle du gaz…………..5

Figure I.2.Diagramme de classification des poudres pour la fluidisation par l'air aux conditions ambiantes…………………………………………………………………………..6 Figure I.3. Mécanismes mis en jeu lors de la croissance des particules en lit fluidise………..8 Figure I.4.La cellule nerveuse…………………………………………………………………9 Figure .I.5. Architecture d’un réseau de neurone formel…………………………………….11 Figure. II.05.modèle de neurone�.………………………………………………………..….14 Figure II. 06. Gradient de l’erreur totale…………………………………………………….16 Figure II.07.Organigramme représentant l’algorithme………………………………………21 Figure II.08. Architecture de réseau donnant le modèle……………………………………..25 Figure II.09. Évolution de l’erreur quadratique moyenne…………………………………...27

Liste d’abréviation

QL : débit du liquide de pulvérisation.

P : pression relative de l’air de pulvérisation.

T : consigne de température de l’air.

Ch : charge des particules.

CL : concentration de la solution de liant.

dp : diamètre des particules

Introduction générale

1


Le cerveau, et en particulier le cerveau humain, est la machine de traitement de

l’information la plus sophistiqué que nous connaissons. De nos jours les concepts et les

techniques issues de l’intelligence artificielle sont devenus de plus en plus familiers dans

divers domaines d’application. L’intelligence artificielle est une discipline scientifique

relative au traitement des connaissances et au raisonnement, dans le but de permettre à un

mécanisme d’exécuter des fonctions normalement associées à l’intelligence humaine

(cerveaux humaine) telles que la compréhension, le raisonnement, le dialogue, l’adaptation,

l’apprentissage, etc.

Ce mécanisme est lié aux réseaux neuromimétiques qui ont une structure analogue à celle

du cerveau humaine, c’est-à-dire plusieurs unités élémentaires de calcul interconnectées entre

elle appelées neurones. Dans ce travail, nous tentons d’appliquer cette technique pour la

modélisation d’un procédé chimique, à savoir l’agglomération des poudres en lit fluidisé.

Les lit fluidisés sont de plus en plus utilisée pour la mise en œuvre de réactions entre une

phase gazeuse et de particules solide : réaction catalytique, réaction de transformation d’un

solide, gaziéfication et combustion du charbon,….etc.

L’agglomération est décrite comme l’accroissement de la taille de particules solides par

création de liaisons entre particules individuelles. Les agglomérats ainsi formés ont des

propriétés physiques différentes des particules initiales: taille, forme, état de surface, surface

spécifique, masse volumique, porosité. Ceci entraîne un comportement différent de la poudre

(ensemble d’agglomérats) pour l’écoulement, le mélange, la mouillabilité, la résistance

mécanique.

L’agglomération de particules solides en lit fluidisé résulte d’une succession d’étapes

élémentaires que sont le mouillage de la surface des particules par le liquide (solvant, solution

de liant), la collision et l’adhésion de particules entre elles.

L’étude présentée concerne l’agglomération de particules solides en lit fluidisé.

L’objectif est de comprendre et de modéliser les mécanismes d’agglomération ou de

croissance de taille des poudres par les réseaux neuromémitiques.

La première partie de ce mémoire et consacrée à la description du phénomène de

fluidisation et la procédure de granulation des poudres, ainsi que les réseaux

neuromémitique.


2

L’étude expérimentale concerne le développement du modèle d’un réseau

neuromémitique basé sur le perceptron multicouche avec la méthode d’apprentissage

supervisé.

Chapitre I

Eléments de Bibliographie


3

I.1.Généralités sur la fluidisation

I.1.1.Présentation générale de la fluidisation [1]

L'historique de la fluidisation ne débute réellement qu'au XXe siècle avec le développement

des industries liées au charbon puis celles liées au pétrole. Cependant, des traces écrites datant

du XV Ie siècle font déjà mention d'une technique de purification du minerai de fer par une

mise en suspension des particules solides. Au XIXe, la purification de l'eau des villes à usage

domestique est réalisée en filtrant l'eau à travers une couche compacte de sable.

L'accumulation des impuretés obstrue ainsi peu à peu le filtre. Une manière de "nettoyer" le

filtre simplement est d'inverser l'écoulement afin de fluidiser l'empilement sableux. Les

impuretés sont alors entraînées avec l'écoulement. L'utilisation commerciale du procédé de

fluidisation commence vers les années 1920. Le premier brevet industriel déposé en 1910

décrit un réacteur à catalyseur fluidisé pour la transformation du gaz, puis en 1921 ce procédé

est commercialisé pour la gazéification du charbon. Le réacteur mesurant 13 m de haut pour

une section de 12 m2 contenait du charbon que l'on fluidisait avec du gaz. Le rendement de ce

système était assez faible comparé à celui des technologies actuelles puisque le dispositif

consommait une quantité excessive d'oxygène et que les pertes de charbon étaient trop

importantes (de l'ordre de 20 %). Ensuite vers les années 40, la "ruée vers l'or noir" a permis

de développer la recherche sur les lits fluidisés et les réacteurs à charbon ont été un peu

délaissés au profit des réacteurs utilisant des dérivés pétrolifères. Depuis, le champ

d'application des lits fluidisés s'est élargi. Dans le secteur du génie chimique, le procédé de

fluidisation est utilisé pour favoriser les réactions chimiques au sein du réacteur. Dans le cas

de la production de polyéthylène, le gaz réactif d'éthylène est injecté avec une vitesse trois à

six fois supérieure à la vitesse minimale de fluidisation dans un lit de particules réactives de

polyéthylène. Des particules de silice servent de catalyseur afin d'augmenter la vitesse des

réactions chimiques. Actuellement, la préservation et la protection de l'environnement

constituant un réel enjeu politique et économique d'importance croissante, le développement

de techniques diminuant les rejets nocifs est de première importance. L'utilisation des lits

fluidisés est une solution alternative intéressante pour les usines d'incinération d'ordures

ménagères car elle permet une combustion plus complète des déchets et limite ainsi les rejets

nocifs dans l'atmosphère. Ce procédé est également utilisé dans les usines de retraitement des

eaux usées. Un lit de boues contenant les bactéries responsables de la dégradation


4

des polluants est fluidisé par l'eau à traiter. Grâce aux lits fluidisés, l'action des bactéries est

améliorée car celles-ci sont en contact plus direct avec l'eau à traiter.

I.1.2.Définition de la fluidisation

La fluidisation est un phénomène ou processus intermédiaire entre l’état fixe et le

transport [2] d’une grande importance industriel [3].

On peut expliquer la phénomène de fluidisation des particules par un gaz, de la manière

suivante :

• En partant d’une couche de solides divisés au repos (lit fixe), le passage d’un courant

ascendant de gaz à travers cette couche produit une perte de charge due aux

frottements du fluide sur la surface des particules, aux frottements du fluide sur lui-

même et sur les parois de l’enceinte. A faible vitesse du courant, le lit reste fixe, on a

une simple percolation (fig. I.1.a).

• Lorsque la vitesse augmente, les forces de viscosité augmentent également. Elles

deviennent suffisantes pour équilibrer le poids des particules qui bougent légèrement

et se mettent en suspension : la vitesse minimale de fluidisation "Umf" est atteinte. Les

particules solides s'éloignant légèrement les unes des autres, la section de passage du

fluide augmente, et la vitesse diminue, ainsi que les frottements. Le suspension reste

homogène et aucune bulle n’apparaît dans ces conditions; les particules se comportent

globalement comme un fluide, d’où le terme "lit fluidisé" (fig. I.1.b).

• En augmentant encore la vitesse du gaz, le lit subit une expansion uniforme jusqu’à ce

que la vitesse atteigne la vitesse minimale de bullage "Umb", correspondant à la

formation de bulles au sein du lit fluidisé. La taille et le nombre des bulles croissent

avec la vitesse du gaz et avec la hauteur du lit (fig. 1c, 1d). on observe un régime de

fluidisation appelé "régime de pistonnage" (fig. I.1.e).

• A des vitesses de fluidisation élevées, les particules sont entraînées par le gaz et

s’échappent de la colonne. On appelle ce régime le "lit transporté" (fig. I.1.f).[4]

Donc La fluidisation de la poudre est fonction de la taille et de la masse volumique des

particules, et du débit d’air de fluidisation : la vitesse de l’air (Ua) doit être comprise entre la

vitesse minimale de fluidisation (Umf) et la vitesse terminale de chute des particules (Ut) [5]

Chapitre I

Figure I.1. Descripti

pression du gaz à travers la couche de particules en fonction de la vitesse

D’après la figure (I.1

intermédiaire entre un lit fix

régimes sont fréquents dans le fonctionnement d'un lit fluidisé:

• régime particulaire (fluidisation

• régime de bullage

• régime de pistonnage

• régime turbulent [

Chacun des régime énumérés ci

des particule solide employer,

relative à leur comportement vis

de les répartir en quatre classes en fonction de leur taille moyenne et du différentiel de

leur masse volumique avec celle de l’ai

poudres sableuses (B), les poudres cohésives (C) et les poudres granuleuses (D). Les

poudres des groupes A, B et D, quoique présentant des aptitudes différentes à l’égard de

ce procédé, ne manifesteront pas d’incapacité à la fluidisation. Même

en évidence une forte turbulence dans le cas des poudres granuleuses, le réglage de la

vitesse de fluidisation permet de mettre le lit en mouvement. Les poudres du groupe A,

Chapitre I Eléments de

Description du phénomène de fluidisation. Variation de la chute de


superficielle du gaz

la figure (I.1), le phénomène de fluidisation peut considérer

intermédiaire entre un lit fixe et un lit transporté. Dans la pratique on peut distinguer quatre

régimes sont fréquents dans le fonctionnement d'un lit fluidisé:

régime particulaire (fluidisation homogène)

régime de bullage

tonnage

régime turbulent [6]

Chacun des régime énumérés ci-dessus dépond de la nature et des

employer, Geldart a proposé une classification empirique des poudres

ive à leur comportement vis-à-vis du procédé de fluidisation. Cette description permet


leur masse volumique avec celle de l’air de fluidisation : les poudres fusant



ce procédé, ne manifesteront pas d’incapacité à la fluidisation. Même




5

Variation de la chute de


considérer comme un état

et un lit transporté. Dans la pratique on peut distinguer quatre

dessus dépond de la nature et des propriétés physiques

a proposé une classification empirique des poudres

vis du procédé de fluidisation. Cette description permet


: les poudres fusantes (A), les



ce procédé, ne manifesteront pas d’incapacité à la fluidisation. Même si le processus met



Chapitre I

manifestant un comportement particulièrement fluide au cours d

fluidisation et de la vidange, se sont vues attribuées

le qualificatif de fusantes. Concernant les poudres du groupe C, elles se caractérisent par

leur finesse et les forces de surface

les forces aérodynamiques de traînée exercées par l’air de fluidisation sur les particules.

Ces forces de surface peuvent avoir des origines multiples : attractions moléculaires,

électricité statique, eau adsorbée ou adhésivité du produit. Ces poudres sont

à fluidiser [7].

Figure I.2.Diagramme de classification des poudres pour la fluidisation par l'air

I.1.3.Avantage et inconvénients

Comme nous venons de le voir, le champ

L'explication réside dans les nombreux avantages que procure cette technique, à savoir :

• Le comportement régulier voire quasi liquide de l'écoulement des particules favorise

L’injection ou l'extraction des s

• La température du lit est très uniforme grâce aux brassages qui favorisent le mélange

rapide des particules.

• Les coefficients d'échanges thermiques entre le lit et les surfaces immergées sont très


manifestant un comportement particulièrement fluide au cours d

fluidisation et de la vidange, se sont vues attribuées


leur finesse et les forces de surface interarticulaires y sont du même ordre de grandeur que



électricité statique, eau adsorbée ou adhésivité du produit. Ces poudres sont

Diagramme de classification des poudres pour la fluidisation par l'air

aux conditions ambiantes [8]

inconvénients des lits fluidisés

Comme nous venons de le voir, le champ d'application des lits fluidisés est très vaste.


Le comportement régulier voire quasi liquide de l'écoulement des particules favorise

L’injection ou l'extraction des solides de manière continue.

La température du lit est très uniforme grâce aux brassages qui favorisent le mélange

Les coefficients d'échanges thermiques entre le lit et les surfaces immergées sont très


6

manifestant un comportement particulièrement fluide au cours du processus de


y sont du même ordre de grandeur que



électricité statique, eau adsorbée ou adhésivité du produit. Ces poudres sont donc difficiles

Diagramme de classification des poudres pour la fluidisation par l'air

d'application des lits fluidisés est très vaste.


Le comportement régulier voire quasi liquide de l'écoulement des particules favorise

La température du lit est très uniforme grâce aux brassages qui favorisent le mélange

Les coefficients d'échanges thermiques entre le lit et les surfaces immergées sont très


7

élevés comparés aux autres méthodes de mise en contact.

Néanmoins, elle possède quelques inconvénients :

• Les particules les plus fines sont souvent entraînées par le fluide. Il est alors

nécessaire

d'investir dans des équipements très onéreux pour séparer le fluide des particules à

l'extérieur du lit, un cyclone par exemple.

� La présence de bulles (zones dépourvues de particules) nuit à l'efficacité des réactions

car les temps de séjour des particules dans le lit peuvent varier fortement.

� Près des zones d'injection du fluide, les gradients de vitesses engendrent une érosion

des particules.

� Les particules érodent prématurément les surfaces avec lesquelles elles sont en contact

(parois des conduites, récipients, électrodes,...)[1]

I.2.Granulation en lit fluidisés

I.2.1. Définition général

La granulation, encore dénommée agglomération ou pelletisation selon les secteurs

industriels concernés, est définie comme un procédé consistant en l’agglomération de petites

particules primaires d’un matériau pulvérulent pour former des agrégats de taille supérieure

appelés granulés ou grains, au sein desquels les particules initiales sont toujours distinguables.

Le terme de granulation est principalement réservé aux procédés par agitation. Ce procédé de

granulation trouve de nombreuses applications dans divers domaines industriels parmi

lesquels peuvent être cités la chimie, l’industrie des détergents, l’industrie agroalimentaire ou

encore la pharmacie.

De manière générale, la granulation est mise en œuvre dans le but d’augmenter la

« processabilité » d’une poudre. Ainsi, la forte utilisation du procédé de granulation dans le

monde industriel peut s’expliquer principalement par les nombreux avantages que présente

une poudre granulée par rapport à la poudre de départ [9]

I.2.2. Mécanisme d'agglomération

La croissance des particules par granulation a lieu lorsque les particules solides, mises en

mouvement, entrent en contact avec la phase liquide dispersée. La manière dont les particules

croissent et la vitesse de croissance dépendent d'une part, des paramètres du procédé et d'autre

part des phénomènes qui se produisent à l'échelle locale à la surface des particules lors

d'interactions liquide/solide.

Chapitre I

Les travaux récents réalisés dans le domaine de la granulation

séparer le processus de granulation en trois étapes élémentaires pouvant se produire

simultanément ou successivement :

� Le mouillage /nucléation

granulaire. Cette étape conduit à la formation de fins agglomérats appelés nucléi,

� La densification/croissance :

coalescent entre eux conduisant ainsi à la formation de granulés.

� L'attrition/rupture:

très important dans le cas où la vitesse d'agitation est importante ou lorsque les granulés

sont séchés durant leur croissance

Figure I.3. Mécanismes mis en jeu lors de la croissance des particules en lit

I.3.Les réseaux neuromimetiques

I.3.1.Définition:

Un réseau neuromimétique est un ensemble d’unités de calcul connectées entre elle.son

utilisation dans le contrôle de

effet, le cerveau humain est constitué d’un grand nombre de cellules connectées entre elles et


Les travaux récents réalisés dans le domaine de la granulation humide ont permis de


simultanément ou successivement :

nucléation : Cela consiste à disperser la solution liante dans le milieu

. Cette étape conduit à la formation de fins agglomérats appelés nucléi,

La densification/croissance : Les particules partiellement mouillées et les nucléi

coalescent entre eux conduisant ainsi à la formation de granulés.

L'attrition/rupture: Ce phénomène consiste à "casser" les agglomérats obtenus. Il est


sont séchés durant leur croissance [10]

. Mécanismes mis en jeu lors de la croissance des particules en lit

fluidise [11].

Les réseaux neuromimetiques


utilisation dans le contrôle des procédé est tirée du fonctionnement du cerveau humain. En



8

humide ont permis de


Cela consiste à disperser la solution liante dans le milieu

. Cette étape conduit à la formation de fins agglomérats appelés nucléi,

Les particules partiellement mouillées et les nucléi

consiste à "casser" les agglomérats obtenus. Il est


. Mécanismes mis en jeu lors de la croissance des particules en lit


s procédé est tirée du fonctionnement du cerveau humain. En


Chapitre I

lorsqu’un signal provenant d’un neurone excite une cellule à travers des canaux

dits ″dentrites″, celle-ci transmet le message à la cellule voisine si l’intensité du signal reçu

est supérieure à une certaine limite. Cette transmission se fa

″axone″ et la jonction à travers laquelle le signal passe d’un neurone à un autre

synapse. Ceci nous amène à parler de l’intensité synaptique qui mesure l’influence du signal

provenant du neurone antérieur sur le prochain neurone [1

schématisé par la figure I.4

I.3.2.Le Neurone formel

Un neurone formel (artificiel) est une unité de traitement qui reçoit des données en entrée,

sous la forme d’un vecteur et produit une sortie réelle. Cette sortie est une fonction des entrés

et des poids des connexions

I.3.3.Les différents types de réseaux

Il existe différentes sortes de réseaux, en fonction de la taille, du débit des informations,

des types de protocoles de communication

rosenbblett, les réseaux de

travail. [15]



ci transmet le message à la cellule voisine si l’intensité du signal reçu

est supérieure à une certaine limite. Cette transmission se fait par le biais d’un canal appelé

à travers laquelle le signal passe d’un neurone à un autre


provenant du neurone antérieur sur le prochain neurone [12].C

schématisé par la figure I.4 :

Figure I.4.La cellule nerveuse [13]

Le Neurone formel

n neurone formel (artificiel) est une unité de traitement qui reçoit des données en entrée,


et des poids des connexions. [14]

Les différents types de réseaux


des types de protocoles de communication. On cite parmi ces réseaux

réseaux de hopfield et les réseaux d’anticipation que


9


ci transmet le message à la cellule voisine si l’intensité du signal reçu

t par le biais d’un canal appelé

à travers laquelle le signal passe d’un neurone à un autre est appelée


].Ce fonctionnement est

n neurone formel (artificiel) est une unité de traitement qui reçoit des données en entrée,



. On cite parmi ces réseaux : le perceptron de

hopfield et les réseaux d’anticipation que l’on abordée dans notre


10

I.3.4.De neurone biologique vers le neurone formel

Modéliser un réseau de neurones artificiels consiste à décrire le modèle du ou des neurones

qui le composent, à préciser les connections entre ces neurones et à fixer leur fonctionnement.

Le fonctionnement d’un tel assemblage d’unités neuronales est régi par des règles de

propagation d’activités et de mise à jour des états, voire même par une certaine dynamique

dans le cas des réseaux récurrents (réseaux dont les connexions constituent des boucles de

retour lorsque les sorties de certains neurones sont utilisées comme des entrées de neurones

situés en amont). [16]

Du point de vue mathématique, l’entreé du neurone i d’une couche cachée ou de celle de

sortie s’écrit: [12]

�� = � ��. ��

��

Ou �� :Entrée globale du neurone i

�� : poids associé au signal les neurones i et j [12]

I.3.5.Formalisation

Les réseaux de neurones artificiels (RNA) sont des modèles mathématiques inspirés de la

structure et du comportement des neurones biologiques. Ils sont composés d’unités

interconnectés que l’on appelle neurones formels ou artificiels capables de réaliser certaines

fonctions particulières et bien précises.

Les RNA permettent d’approcher des relations non linéaires à des degrés de complexité

importants. Les cellules d’entrées sont destinées à recueillir l’information qui est transformée

par les cellules cachées jusqu’aux cellules de sortie. Ces réseaux possèdent une ou plusieurs

couches cachées. Généralement on utilise dans ce type de réseaux une fonction d’activation

sigmoïde. [17]

�� = 11 + exp �−��

La figure I.5. représente un schéma montrant l’architecture de ce type de réseaux


11

Figure .I.5. Architecture d’un réseau de neurone formel

Chapitre II

Etude Pratique


12

II.1.Introduction

La modélisation d’un réseau de neurone signifie la détermination des poids w optimaux

(force optimale des connexions) qui permettront au modèle constitué par le réseau de bien

représenter le fonctionnement d’un procédé donné.

La détermination des ces poids se fait par apprentissage supervisé du réseau grâce a une

base de données constituée d’un ensemble de couples entrées-sortie décrivant le

comportement du processus.

Les perceptrons multicouches sont souvent qualifiés de boite noire difficiles à interpréter,

implémenter et à régler, ils ont pris une place importante dans les domaines de la

reconnaissance et de l’identification .pour bien comprendre la philosophie de cette outil, nous

allons détailler la structure d’un perceptron multicouches (PMC) et son mode d’apprentissage

dans le domaine de la granulation.

Dans cette partie, nous avons essayé de modéliser le procédé de granulation en lit fluidisé

par les réseaux neuro-mimétiques. Nous allons ici examiner un cas d’apprentissage, celui du

perceptron multicouche. Puis, nous nous intéresserons à la méthode d’apprentissage

supervisée. Pour cela on s’est proposer de se fixer une architecture du réseau et de construire

notre modèle sur sa base.

II.2.Structure d’un perceptron multicouche (PMC)

Un PMC se caractérise par trois types de couche : la couche d’entrée, la ou les couches

cachées et la couche de sortie. Chaque neurone d’une couche est connecté à tous les neurones

de la couche inferieure, on dit que le réseau est complètement connecté.

Notre cas représente un PMC à 4 couches. La couche d’entrée comporte (n)

caractéristiques, la première couche cachée contient (n) neurones, la seconde (n) neurone et

la couche de sortie contient une sortie. Les couches cachées ont pour but d’extraire de

l’espace d’entrée de l’information pertinente pour résoudre le problème de décision. Les

entrées sont brutes (données originales bien que normalisées).

Le calcul de la sortie se fait en propageant de gauche à droite les calculs, calcul des sortie

de chaque neurone de la première couche cachée puis ceux de la seconde couche cachée et en

fin ceux de le couche de sortie.


13

II.3.Base d’apprentissage

Les RNA ont la capacité de stoker de la connaissance empirique et de la rendre disponible

à l’usage .les habiletés de traitement des réseaux vont être stockées dans les poids

synaptiques, obtenus par des processus d’adaptation au d’apprentissage. L’objectif de la

l’apprentissage est de fourni une méthode au réseaux afin qu’il puisse ajuster ces paramètres

lorsqu’on luis présente des exemples a traiter.

L’apprentissage se fait en règle générale de manière supervisée. on possède une base de

données, suffisamment importante par rapport ou nombre de poids du PMC. Cette base est

découpé eu deux voir trois sous-base .La première sous-base appelés base d’apprentissage

permet comme son nom l’indique d’apprendre les poids du réseau de neurones. la seconde

sous-base ou base de test sert à régler les Meta paramètres de l’algorithme d’apprentissage

(nombre de couche cachées, nombre de neurones, pas de gradient,……). Elle fournit une

évolution optimale de l’erreur, quant à la troisième sous-base , l’orsqu’elle est utilisée , elle

sert de base de validation afin d’évaluer le système sur des exemples non encore vus .

II .4.L’algorithme d’apprentissage

L’apprentissage est basé sur la correction des erreurs de classement des données pendent

l’entrainement supervisé. Le système modifie graduellement ses paramètres ajustables pour

que sa sortie tende vers la sortie désirée. La création d’un perceptron multicouche pour

résoudre un problème donné passe donc par l’inférence meilleure application telle que définie

par un ensemble des données d’apprentissage constituées par des paires de vecteurs

d’entrées et de sorties désirées.

Plusieurs algorithmes ont été développés pour résoudre ce problème , le plus connu étant

l’algorithme de rétropropagation .

II.5.L’algorithme de rétropropagation

soit le couple ��, �� désignant la �� donnée d’entrainement du réseau ou :

�� =< ��,… , �� > et�� =< ��,… , �� > (1)

Correspondent respectivement aux � entrées et aux� sortie désirées du système.


14

cet algorithme consiste, après avoir déterminé l’erreur entre la sortie obtenue�� et la sortie

exigée�� à mesurer cette erreur.

�� =< ��, … , �� > (2)

Résultant de la propagation vers l’avant des entrées ��,et à rétropager cette erreur à

travers les couches du réseau en allant des sortie vers les entrées (de droite vers la gauche).

II.5.1.Cas de la couche de sortie

L’algorithme de rétropropagation procède à l’adaptation des poids neurone par neurone en

commençant par la couche de sortie .Soit l’erreur observée �� pour neurone de sortie� et la

donnée d’entrainement � :

�� = �� − �� (3)

Ou �� correspond à la sortie désirée du neurone �et �� à sa sortie observée.

Figure. II.05.modèle de neurone� • La variable � représentera toujours la donnée d’entrainement c’est-`a-dire le couple

contenant un vecteur d’entrées et un vecteur de sorties désirées.

• L’objectif de l’algorithme est d’adapter les poids des connexions du réseau de manière à

minimiser la somme des erreurs sur tous les neurones de sortie.

• L’indice � représentera toujours le neurone pour lequel on veut adapter les poids.

on voit que cette technique dérive de la méthode du gradient qui consiste a minimiser l’erreur

globale sur toute la base de donnée par l’équation ci-dessous :

�� = �� ∑ ��∈� (4)


15

Ou �� est la somme des erreurs quadratiques observées et est l’ensemble des neurones

de sortie.

La sortie �� du neurone� est d´définie par :

�� = !"#��$ = !"∑ %�&��&��'&() $ (4)

Ou !*. , est la fonction d’activation du neurone

#�� est la somme pondérée des entrée du neurone � %�&�� est le poids de la connexion entre le neurone - de la couche précédente et le

neurone � de la couche courante

�&�� est la sortie du neurone-. On suppose ici que la couche précédente contient . neurone numérotés de 1 à . ,que les

poids %�)�� correspond au biais du neurone� et que l’entrée �)�� = 1. La figure 05 illustre

l’équation (4).

• L’indice- représentera toujours un neurone sur couche précédente par rapport au

neurone� . En introduisant cette erreur , le réseau va agir sur le poids , puisqu’il sont les seuls

paramètres maniables , pour réduire au minimum l’erreur calculée .

La correction des poids se fait par la modification les poids %�&�� dans le sens opposé au

gradient 01�2�0345�2� le l’erreur.

• cette dérivée partiel représente un facteur de sensibilité :si je change un peu

%�&��,est-ce que ça change beaucoup�� ?Si oui, alors je vais changer beaucoup

%�&�� dans le sens inverse de cette dérivée car cela devrait me rapprocher beaucoup

du minimum local. Si non, je doit changer seulement un peu%�&�� pour corriger

l’erreur car je suis tout près de ce minimum !


16

Figure II. 06. Gradient de l’erreur totale [18]

• puisque il y a . neurone sur la couche précédent la couche de sortie ,il y a aussi .

poids à adapter, et il importe donc de remarquer que la courbe de la figure (06)

correspond en fait à une hyper-surface de. + 1 dimensions !

Par la règle de chainage des dérivées partielles, qui nous dit que 07�8�09 = 07�8�

08 ∙ 0809 ,on

obtient :

01�2�0345�2� = 01�2�

0�4�2� ∙0�4�2�084�2� ∙

084�2�0;4�2� ∙

0;4�2�0345�2� (5)

Et on exprime la variation de poids ∆%�&�� sous la forme suivante :

∆%�&�� = −= 01�2�0345�2� (6)

Avec 0 ≤ = ≤ 1 représentant un taux d’apprentissage ou gain de l’algorithme.

Evaluons maintenant chacun des termes du gradient.

01�2�0�4�2� =

0@AB∑ �CB�2�C∈D E0�4�2�


17

= �� ∙ 0�4

B�2�0�4�2�

= ��

0�4�2�084�2� =0"F4�2�G84�2�$

84�2�

= −1

084�2�0;4�2� =

0H AAIJKL4�M�N0;4�2�

= �KL4�M�@�O�KL4�M�EB

= �� P �KL4�M��O�KL4�M�Q

= �� P�KL4�M�O��O�KL4�M� − ��O�KL4�M�Q

= ��"1 − ��$ Et finalement :

0;4�2�0354�2� =

0"∑ 34R�2�8R�2�SRTU $0345�2�

= 0"345�2�85�2�$0345�2�

= �&�� Nous obtenons donc :

01�2�0345�2� = −��"1 − ��$�&�� (7)


18

Et la règle dite ″delta″ pour la couche de sortie s’exprime par :

∆%&�� = −= 01�2�0345�2� = =V��&�� (8)

Avec :

V�� = ��"1 − ��$ (9)

Qui correspond à ce qu’on appel le ″gradient local″.

• Jusqu’ici, nous avons traité seulement le cas de la couche de sortie ,il reste maintenant à faire

l’adaptation des poids sur les couches cachées. Mais le problème est qu’on ne dispose plus de

l’erreur observée.

II.5.2.Cas d’une couche cachée

Considérons maintenant le cas des neurones sur la dernière couche cachée (le cas des

autres couches cachées est semblable).

La variable� désignera toujours la donnée d’entrainement c’est-a-dire un couple de

vecteurs d’entrées et de sortie désirées.

L’objectif sera toujours l’adaptation des poids de la couche courante en minimisant la

somme des erreurs sur les neurones de la couche de sortie.

• Les indices - et� désignent respectivement (comme précédemment ) un neurone sur la

couche précédente et un neurone sue la couche courante.

• L’indiceW servira maintenant à désigner un neurone sur la couche suivante.

Reprenons l’expression de la dérivée partielle de l’erreur totale�� par rapport à%&� mais

en ne dérivant plus par rapport à l’erreur �� car celle-ci est maintenant inconnue :

01�2�0345�2� = 01�2�

084�2� ∙084�2�0;4�2� ∙

0;4�2�0345�2� (10)


19

Par rapport aux résultats obtenus pour la couche de sortie, les deux derniers termes de

cette équation restent inchangés, seul le premier terme requiert d’être évalué :

01�2�0345�2� =

0@AB∑ �CB�2�C∈D E084�2� (11)

Notre problème ici , contrairement au cas des neurones de la couche de sortie, est que tout les

�X�� dans la somme ci-dessus dépendent de �� .On ne peut donc pas se débarrasser de

cette somme ! Néanmoins, nous pouvons écrire :

01�2�084�2� = ∑ P�X�� ∙ 0�C�2�084�2�QX∈�

= ∑ P�X�� ∙ 0�C�2�0;C�2� ∙ 0;C�2�

084�2�QX∈�

= ∑ P�X�� ∙ 0"FC�2�GY�;C�2�$0;C�2� ∙ 0*∑ 3CR�2�8R�2�R ,084�2� QX∈�

= ∑ "�X�� ∙ �−�X��*1 − �X��,� ∙ %X�$X∈�

Et on substituant l’équation 9 on obtient :

01�2�084�2� = −∑ VX��%X��X∈� (12)

En en substituant l’équation 12 dans l’équation 10,on obtient :

01�2�0345�2� = −%��"1 − ��$"∑ VX��X∈� %X��$�&�� (13)

Et :

∆%�&�� = −= 01�2�0345�2� = =VX��%X�� (14)

Avec :

VX�� = ��"1 − ��$∑ VX��X∈� %X�� (15)


20

On peut démontrer que les équations 14 et 15 sont valides pour toutes les couches cachées.

Noter bien, cependant, que dans le cas de la première couche cachée du réseau, puisqu’il

n’ya pas de couche précédente de neurones, il faut substituer la variable �&�� par l’entrée

�&�� . L’algorithme de rétropropagation standard se résume donc à la série d’étapes suivantes :

1. Initialisation tout les poids à de petites valeurs aléatoires dans l’intervalle *0,1, ; 2. Normaliser les données d’entrainement ;

3. Pour chaque donnée d’entrainement � :

a. Calculer les sorties observée en en propageant les entrées vers l’avant :

b. Ajuster les poids en rétropropageant l’erreur observée :

%�&�� = %�&�� − 1� + ∆%�&�� = %�&�� − 1� + =V��&�� (16)

Ou le ″gradient local″ est défini par :

��"1 − ��$ Z-� ∈ [\][ℎ��Z\._-�

V��=

��"1 − ��$∑ VX��%X��X Z-� ∈ [\][ℎ�[`[ℎé�

Avec 0 ≤ = ≤ 1 représentant le taux d’apprentissage et �� représentant soit

la sortie du neurone - sur la couche précédente, si celui-ci existe, soit l’entrée - autrement.

4. Répéter les étapes 3 et 4 jusqu'à un nombre maximum d’itérations ou jusqu'à ce que la racine

de l’erreur quadratique moyenne (EQM) soit inférieure à un certain seuil.

L’équation 16 décrit ce qu’on appelle la règle du ″delta″ pour l’algorithme de

rétropropagation des erreurs. L’équation suivante, nommé règle du ″ delta généralisé″, décrit

une autre variante de l’algorithme :

%�&�� = %&�� − 1� + =V��&�� + b∆%�&�� − 1� (18)

Ou 0 ≤ b ≤ 1 un paramètre nommé ″momentum″ qui représente une espèce d’inertie dans le

changement de poids.

(17)


21

La figure II.07. Présent l’organigramme implanté représentant ces différents étapes de calcule

phase

d’appren-

tissage

Début

Lecture de l’ensemble des entrées

Lecture de l’ensemble de sortie

Normalisation des entrées et des sorties dans l’intervalle [0,1]

Spécification de l’architecture du réseau

n=1

Choisir un point de l’échantillon d’apprentissage

Calcul de l’erreur entre la sortie de réseau et la sortie expérimentale

Rétro-propagation du gradient de l’erreur

Imposition des Biais

Calcule de la sortie de réseau

Initialisation aléatoire de tout les poids

Propagation des entées


22

oui

Non

Oui

Phase test

Erreur≤Emax

ou

nombre d’itération≤ Nmax

N=n+1

Afficher les poids optimisé

Mise à jour des poids

n≤N

N’=1

Echantillon de test

Calcul des sorties

Comparaison (valeur calculée-valeur expérimentale)

N’=N’+1

n= 1


23

Oui

Non

Figure II.07.Organigramme représentant l’algorithme

N’≤N’max

Nombre de point de

l’échantillon de test

Fin


24

II.6. Descriptions du système modélisé

Le modèle décrit doit permettre de représenter le procédé de la granulation dans différentes

conditions expérimentales.

Les expériences menées au cours de la thèse de Dr. Maria-Teresa [5] ont concerné

l’agglomération de billes de verre en lit fluidisé. Dans le tableau II-1, nous avons regroupé

quelques essais effectués dans les conditions opératoires décrites.

Tableau II-01 : Conditions opératoires pour les essais d’agglomération

Essai

Ch

(g)

CL

( %

w /w)

QL

(ml/min)

P

(bar)

T

(oC)

Teneur

en liant

théorique

(g/100g

particules

Durée de la

pulvérisation

(min)

1 500 20 5,33 1 70 20 85

2 500 20 2,65 1 70 20 170

3 500 20 7,75 1 70 20 55

4 500 20 5,33 2 70 20 85

5 500 20 5,33 3 70 20 85

6 500 20 5,33 1 80 20 85

7 500 30 5,33 1 70 30 85

8 750 20 5,33 1 70 20 120

9 500 20 5,33 1 70 20 150

Dans notre étude, nous nous sommes seulement intéressés à la variation de la taille des

agglomérats (diamètre de particule après la granulation) comme paramètre de sortie.

Les mesures expérimentales relatives aux différents essais présentés dans le tableau II-1 sont

reportées dans le tableau II-2.


25

Tableau II-2 : Taille des agglomérats en fin de processus

Essai 1 2 3 4 5 6 7 8 9

diamètre de

particule(µm)

546 362 631 359 201 393 744 532 580

II.07. Synthèse du modèle neuromémitique du procédé de la granulation

Après l’identification du procédé, nous allons passer à la synthèse du modèle décrivant son

fonctionnement.

Premièrement, il faut choisir une architecteur du réseau, c'est-à-dire définir le nombre de

neurones dans chaque couche et donner des valeurs aléatoires aux poids. Ensuit créer une base

de données constituée de vecteurs associant les entrées aux sortie qui servira dans la phase

d’apprentissage

Notre réseau de neurones compte sept entrées : QL, P, T, Ch., CL, la teneur en liant théorique

et la durée de la pulvérisation. Pour la sortie, le réseau compte une seule sortie qui est le

diamètre des agglomérats .Le nombre de neurones dans la couche cachée a été modifié et

plusieurs simulations ont été effectuées. La figure II-8 représente le réseau choisi pour

effectuer les simulations.

QL

P

T

Ch dp

CL

teneur en liant théorique 1

durée de la pulvérisation

1

Figure II.08. Architecture de réseau donnant le modèle


26

Deux bases de données ont été utilisées pour le développement et la validation du réseau :

• Une base d’apprentissage permettant d’effectuer l’apprentissage du réseau.

• une base de test pour examiner les performances de ce modèle.

La première sert à trouver un jeu de poids optimisés et la deuxième a pour objectif de valider

les poids optimisés.

II.08. Elaboration des bases de données

Comme nous l’avons évoqué précédemment, pour pouvoir effectuer l’apprentissage, il faut

disposer de données. Celles-ci doivent être en nombre suffisant, et être suffisamment

représentatives des données qui seront présentées au modèle que nous cherchons à développer

lors de son utilisation.

Le procédé que nous voulons modéliser dépend de nombreux facteurs. Afin de valider le

modèle, une comparaison doit être faite entre les résultats calculés et les mesures

expérimentale.

II.09. Simulation type

Pour cette première simulation, nous avons fixé l’architecture suivante :

• Nombre de neurone dans la couche d’entrée : 08

• nombre de neurone dans la couche caché : 12

• nombre de neurone dans la couche de sortie : 01

Les expériences choisies pour effectuer l’apprentissage sont les expériences 1, 2, 3, 4, 5, 7, 8,

9. Quant à l’expérience 6, elle a été gardée pour faire le test.

II.09.1. Evolution de l’erreur d’apprentissage

Sur la figure II-9 nous représentons les évolutions de l’erreur quadratique moyenne calculée

par l’expérience en fonction des cycles d’apprentissage. On voit que cette erreur diminue de

façon continue, ce qui indique que l’apprentissage du réseau se fait de façon correcte.

Chapitre II

Figure II.09

II.09.2. Phase de test

Après injection des entrées de

Dans le tableau II-3 on regroupe les données pratique

quadratique moyenne et l’erreur relative.

Mesure

expérimentale

Calcule à partir le

393,000000000

Il apparait que l’erreur d’estimation est très réduite (0,6 %), ce qui signifie que le modèle

simule bien le procédé.

Figure II.09. Évolution de l’erreur quadratique moyenne

Phase de test

ès injection des entrées de l’échantillon test dans le réseau développé, on

on regroupe les données pratiques et celles simulé

et l’erreur relative.

Tableau II-3 : résultat de simulation


réseau

EQM

395,414261276 3 ,14305193293E-03


Etude Pratique

27

. Évolution de l’erreur quadratique moyenne

développé, on calcule sa sortie.

simulés ainsi que l’erreur

Erreur relative

0,6%



28

II.10. Effet du nombre de neurone dans la couche cachée

La détermination du nombre optimal de neurones dans les couches cachés est nécessaire pour

obtenir une approximation satisfaisante.

Notre architecture proposée :

� 1er Essais :




� 2èmme Essais :




� 3èmme Essais :




� 4èmme Essais :




les résultat obtenu sont illustré dans les tableaux II.04. à II.07 :

� 1er Essais :

Tableau II.04. résultat de simulation du1er Essais

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 441,628027171 6,332450786092E-02 11%

� 2èmme Essais :


29

Tableau II-05 : résultat de simulation du 2èmme Essais

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 440,405577205 6,173260609159E-02 10,7%

� 3èmme Essais :

Tableau II-06 : résultat de simulation du3èmme Essais

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 424,058853529 4,044553529150E02 7 ,3%

� 4èmme Essais :

Tableau II-07: résultat de simulation du 4èmme Essais

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 438,791817832 5,963113243401E-02 10,4%

Commentaire :

Nous remarquons à travers les résultats que nous avons acquis que l’erreur relative tend à

diminuer. Soft que l’augmentation du nombre des neurones dans la couche cachée ne

permet pas de diminuer continuellement cette erreur. Dans notre cas, il apparait que 8 neurone

dans la couche cachée est un optimum.

II.11. Effet du nombre des couches cachées

Mis à part les couches d'entrée et de sortie, il faut décider du nombre de couches

intermédiaires ou cachées. Sans couche cachée, le réseau n'offre que de faibles possibilités

d'adaptation.

Pour mieux mettre en évidence l’influence du nombre de couches cachés sur des prédictions

le résultat du réseau nous avons examiné les deux l’architecture suivante :

� Cas I :



30

• nombre de neurone dans la première couche cachée : 08

• nombre de neurone dans la deuxième couche cachée : 04


� Cas II :





Avec ces structures de réseaux, on peut observer les résultats reportés dans les tableaux II.08.

et II.09.

Tableau II-08 : résultats de simulation 1

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 406,882833208 1,807853683876E-03 3,4%

Tableau II-09 : résultats de simulation 2

Mesure

expérimentale


réseau

EQM Erreur relative

393,000000000 427 ,006959687 4,4284625787711E-

02

7,9%

Commentaire :

On voit que les erreurs ont légèrement augmentées. L’erreur relative dépasse les 7 % mais

reste quand même faible. Le réseau simule bien le procédé mais la précision est plus faible.


31

Conclusion

L’objectif de ce chapitre était de simuler le procédé de la granulation par la synthèse de

modèle neuro-mimétique. Pour cela, l’idée consiste à élaborer un modèle à partir de réseaux

de neurones dont les paramètres (les poids des connexions) sont optimisés grâce à la

minimisation de l’erreur globale au cours de l’apprentissage.

Globalement, les différentes simulations effectuées ont montré que l’utilisation d’un grand

nombre d’exemples entrées-sorties nous aurait certainement donné de meilleurs résultats à

cause de l’augmentation du nombre de paramètres à estimer.

Conclusion Générale

32

Conclusion

Cette étude a permis de démontrer l’intérêt des réseaux de neurones comme outil de

modélisation de procédés chimiques. L’objectif était de proposer une méthodologie pour

modéliser et étudier le mécanisme de la granulation en lit fluidisés. Pour cela, l’idée consiste

à élaborer un modèle à partir de réseaux de neurones selon deux axes : d’une part

l’architecture est définie en fonction des conditions opératoires et d’autre part les valeurs des

paramètres (poids) sont identifiées à partir d’un ensemble de données.

La deuxième partie est consacrée à l’étude des réseaux neuromémitique : leur

fonctionnement, leur architecteur,…..etc. Ensuite, nous avons modélisé le procédé de

granulation. A cause du manque de mesures expérimentales au niveau de notre laboratoire,

nous avons eu recours à certaines données issues de la bibliographie. Les résultats des

simulations obtenus montrent une bonne aptitude des réseaux de neurone à représenter le

procédé. Il apparait aussi que la synthèse du réseaux dépond essentiellement de la taille de la

base de données qui doit être suffisamment large, et être suffisamment représentative des

données qui seront présentées au modèle que nous cherchons à développer lors de sont

utilisation. Cette aptitude est surtout montré par la figure II-3 où on remarquons qu’après

l’apprentissage du réseaux l’erreur relative entre la sortie calculé et celle du procédé ne passe

pas 1 % .

En conclusion nous dirons que les réseaux neuromémitique constituent un moyen

approprié et surtout plus facile à mettre en œuvre pour la modélisation de procédés chimiques,

souvent difficile à résoudre par les méthodes classiques, et ouvre ainsi un horizon plus vaste

dans le domaine me la modalisation des procédé. Un avenir prometteur se voit élargir dans ce

domaine.

Référence Bibliographique

[1] : Tseheno Nirina Randrianarivelo . , “ étude numérique des interactions

hydrodynamiques fluides/solides application aux lits fluidisés“. (2005)

[2] : Lynda Aiche Belkadi., «modification des propriétés de surface de poudre en lit fluidisé

assiste par une post de charge », thèse de doctorat, université de Toulouse(2009)

[3] :chelgui wahiba et oueled yahya wahiba., « combustion du gaz naturel en réacteur à lit

fluidisé :effet de la circulation de solide »thème ingénieure d’état, université kasdi Merbah

Ouargla ,(2008)

[4] :Arezki Bounaceur., « Interaction lit fluidisé de particules solides-rayonnement solaire

concentré pour la mise au point d’un procédé de chauffage de gaz à plus de 1000 K »thèse de

doctorat de l’école national supérieur des mines de paris (2008)

[5] : Maria Teresa JIMENEZ MUNGUIA . , « Agglomération de particules par voie humide

en lit fluidisé »thése de doctorat., Ecole Nationale Supérieure des Industries Agricoles et

Alimentaires.,(2007).

[6] :H .Lakhdari., « contribution à l’étude des réacteur à lit fluidisés :modélisation du

comportement hydrodynamique et thermique du réacteur »,thèse de magister. ,université

kasdi merbah ouargla (2006).

[7] : RONDET Eric., «texturation capillaire de milieux granulaires humides », thèse de

doctorat, université Montpellier II(2008)

[8] : Coulson and Richardson’s. , «Chemical Engineering », volume 2 fifth edition. pp344

[9] : Amandine Martin épouse Paruta Tuarez., « étude cinétique de la granulation humide

en mélangeur – granulateur haute vitesse en présence d’un tensioactif non ionique »., thèse

de doctorat., université de Lorraine. ,(2012)

[10] : Marie Vleminckx ., «les méthodes alternative a la granulation hydro- alcoolique pour la

fabrication de comprimé effervescents a base de vitamines et de minéraux »., thèse de

doctorat., université Joseph Fourier.,(2009)

[11] : Mohammed BENALI ., « Prédiction des interactions substrat/liant lors de la

granulation : Etude expérimentale dans un mélangeur a fort taux de cisaillement –Approches

thermodynamiques par simulation moléculaire »., thèse de doctorat., l’institut national

polytechnique de Toulouse.,(2006)

[12] :Pr .S.Dounit., « commande prédictive (robuste) d’un procédé chimique »., thème de

DEA., l’institut national polytechnique de Toulouse., (1996)

Référence Bibliographique

[13] : Guillaume BESLON., « contrôle sensori-moteur par réseaux Neuromémitique

modulaires – approche pour le pilotage réactif en atelier flexible ».,thèse de doctorat.,

l’institut national des sciences appliqués de Lyon.,(1995)

[14] :F. Blayo, M .verlysem., « réseaux de neurone artificiel »., 1er édition .,1996

[15] :Amrani Mohamed., « surveillance et diagnostic d’une ligne de productio par les

réseaux de neurones artificiels »., thèse de magister. ,université M’hamed Bougera

Boumerdes (2001).

[16] : Patrice Wira. , « Approches neuromimétiques pour l'identification et la commande ».

Engineering Sciences. Université de Haute Alsace - Mulhouse, (2009).

[17] : Ngac Ky Nguyen. « Approches neuromimétiques pour l'identification et la commande

des systèmes électriques : application au filtrage actif et aux actionneurs synchrones ».

Engineering Sciences. Université de Haute Alsace - Mulhouse, 2010. French.

[18] : Marc Parizeau., «Le perceptron multicouche et son algorithme de rétropropagation

des erreurs »., Université Laval,(2004)

Résumé

Summary

ملخص

البحث العلمي هو تطوير اسرتاتيجيات جديدة على أساس الشبكات العصبية دف إىل يف جمال االهتمامات الرئيسيةواحدة من

. حتديد ومراقبة األنظمة الفيزيائية املعقدة املادية غري اخلطية والغري الثابتة

. لعصبية االصطناعية، أو منوذج االرتباطية، وضعت هي األخرى ملعاجلة اإلشارات يف جمال السيطرة على العملياتالشبكات ا

حبيث نستطيع من خالله متابعة تطور قطر اجلسيمات ,إن اهلدف من هذا العمل هو إنشاء تصميم نضري يستند إىل الشبكات العصبية

ل ذو طبقة مائعةاليت تتم خالل عملية التحبيب داخل مفاع

.اما فيما خيص النتائج الكمية فهي تبقى متعلقة بشكل جد وثيق حبجم العينة للتعلم

منوذج ،االصطناعية،اإلشارات، الشبكات العصبية ،سرير ذو طبقة مائعة,التصميم،الشبكات العصبية،التحبيب :الكلمات المفتاحية

.االرتباطية

L’une des préoccupations importantes que vit actuellement la recherche scientifique consiste au développement de nouvelles stratégies neuro-mimétiques destinées à l’identification et à la commande de systèmes physiques complexes, non linéaires et non stationnaires.

Les réseaux de neurones artificiels, ou bien modèles connexionnistes, sont développés pour le traitement du signal et dans le domaine du contrôle des procédés. L’objectif de le travail est de construire un modèle capable de prédire l’augmentation de la taille des particules lors d’une granulation en lit fluidisé. Les résultats indiquent une bonne prédiction des résultats expérimentaux et met en évidence l’effet important que revêt la taille de l’échantillon d’apprentissage sur les résultats.

Mots clés : modélisation, neurones artificiels, granulation, lit fluidisé, réseaux neuro-mimétiques,modèles connexionnistes.

One major tasks of scientific research is development of new strategies based on neural networks intended at the identification and control of physical complex systems, non linear and non stationary. The artificial neural networks or high connected models are developed to treat processing signals and also in control fields. The aim of our work therefore, is to construct a model based on this approach that is able to predict the particle diameter growth during granulation in a fluidized bed . Results show that the model represents very well all experimental data with a little estimation error (less than 1 %). The major effect of training data set was also showed. Key words: modelling, artificial neural networks, granulation, fluidized bed, neuromémitique network, models of connectionists, processing signal.

Documents

Modélisation du procédé de la granulation en lit fluidisé … · 2016-12-14 · solide, gaziéfication et combustion du charbon, ... On peut expliquer la phénomène de fluidisation