Contribution à la modélisation et la commande par réseaux de neurones des bioprocédés

Abstract

Le principal objectif de cette thèse vise à développer des méthodologiques sur les réseaux de neurones pour la modélisation et la commande des bioprocédés. Les réseaux de neurones possèdent une propriété remarquable dont l’apport est manifeste pour la modélisation de processus non linéaires : ce sont des approximateurs universels parcimonieux. Les procédés biologiques se différencient des autres procédés par la variabilité de leur comportement dynamique générée par la présence des organismes vivants. Compte tenu de la complexité de ces procédés, liée à leur nature non linéaire et son stationnaire, les techniques neuronales présentent un intérêt accru dans la modélisation et la commande de ces procédés. Le premier volet de ce travail consiste à étudier l’approche de modélisation "boîte noire" ignorant toute connaissance sur le système. Plusieurs types de modèles neuronaux sont développés pour la prédiction des variables d’un procédée de fermentation alcoolique pour lequel nous disposons de données réelles. Ils sont basés seulement sur les grandeurs accessibles à la mesure en ligne. Ces prédicteurs neuronaux sont testées dans une stratégie de commande prédictive pour laquelle nous étudions aussi la stabilité. La performance d’une telle stratégie est mise en évidence par une étude en simulation numérique. Le second volet s’intéresse à une approche hybride constituant un compromis entre les modèles "boîtes noires" (réseaux de neurones) et les modèles de connaissance (modèle du bilan de matière). Nous développons un modèle hybride neuronal, pour un procédé de traitement de rejets liquides par digestion anaérobies. Les cinétiques des deux réactions (acidification et méthanisation), prises en compte dans le procédé, sont modélisées par deux neurones décrivant les liens fonctionnels statistiques entre les variables d’état et ces cinétiques. L’approche proposée est testée sur des données expérimentales. L’utilisation des réseaux de neurones que ce soit dans le contexte de l’approche "boîte noire" ou hybride peut aboutir à des modèles dont les trajectoires perdent le sens physique. Dans le dernier volet de ce travail, nous proposons une solution à ce problème. Nous développons une méthodologie nouvelle pour une large classe de bioprocédés. Elles permettent en tenant compte de toute la connaissance disponible sur le système, d’aboutir à un modèle hybride neuronal tout en lui assurant un domaine de validité raisonnable. Nous montrons la possibilité d’introduire, dans la conception du réseau de neurones, des contraintes mathématiques résultant de l’analyse des connaissances a priori sur le système. L’approche est illustrée pour le cas du procédé de digestion anaérobie.