Optimisation de filtres de charbon actif pour la potabilisation d'eau : étude expérimentale et modélisation par réseaux de neurones

• Auteur / Autrice : Anthony Cougnaud
• Direction : Pierre Le Cloirec
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'ingénieur. Génie des procédés
• Date : Soutenance en 2005
• Etablissement(s) : Nantes
• Ecole(s) doctorale(s) : École doctorale mécanique, thermique et génie civil (Nantes)

Mots clés

Mots clés contrôlés

Eau potable

Charbon actif

Réseaux neuronaux (informatique)

Résumé

Cette étude porte sur la modélisation de la percée de filtres de charbon actif par des réseaux de neurones (RN), par comparaison avec un modèle de connaissances. Deux types de RN sont utilisés : un réseau de neurones '' statique '' considérant le temps comme un facteur d'entrée, et un réseau de neurones '' récurrent '' prenant en compte le caractère dynamique du procédé. Dans un premier temps, l'adsorption de pesticides, en réacteur statique, sur différents charbons actifs permet de mettre en évidence l'influence concomitante des propriétés des solutés (masse molaire, solubilité) et des caractéristiques poreuses des charbons actifs (volume microporeux, surface spécifique). Dans le cas d'une eau de surface, la présence d'effets compétitifs d'adsorption entre les pesticides et la matière organique naturelle renforce l'effet de la distribution de taille de pores, et notamment celui de la répartition entre les micropores primaires (d < 0,8 nm) et les micropores secondaires (0,8 < d < 2 nm). Ces relations qualitatives sont quantifiées au moyen d'une régression linéaire multiple et d'un réseau de neurone statique, ce dernier permettant d'expliquer plus de 97 % de la dispersion des données alors que les performances de la régression linéaire sont de moins bonne qualité (R2 = 82 et 53 % pour une eau ultrapure et une eau de surface). En système dynamique, la modélisation par RN est appliquée dans un premier temps à des données expérimentales générées à l'échelle du laboratoire. Sont alors inclues dans les facteurs potentiellement influents les conditions opératoires (vitesse et concentration initiale) et les propriétés poreuses influençant la cinétique de diffusion. Les performances de prédiction des RN sont comparées à celle du modèle de la force motrice linéaire. Ce dernier, du fait des hypothèses simplificatrices réalisées et des corrélations empiriques utilisées pour l'estimation des coefficients de diffusion, présente une capacité de prédiction moins intéressante que les RN. Par ailleurs, le réseau de neurone récurrent, du fait de la prise en compte du caractère dynamique du procédé, offre une plus grande qualité de modélisation que le réseau de neurones statique malgré un nombre de paramètres plus restreint. Enfin, avec pour objectif ultime l'utilisation des RN récurrents pour prédire le comportement des filtres industriels, une étude sur une unité pilote installée sur le site de l'usine de production d'eau potable de la Roche (Nantes) est réalisée. Des facteurs relatifs à la qualité de l'effluent (absorbance à 254 nm, turbidité, rapport entre les concentration en matière organique naturelle et pesticides) et le temps de séjour sont considérés comme des entrées possibles du modèle. Le réseau de neurone récurrent permet de prédire avec une qualité importante la percée des filtres industriels mais un ajustement du modèle au cours du temps est nécessaire du fait d'une variation de la qualité de l'effluent notamment.

This study is devoted to modelling of the behaviour of activated carbon filters by neural networks (NN), in comparison with a knowledge model based on mathematical equations. Two kinds of NN are used : a '' static '' NN which considers time as an input neuron, and a '' recurrent '' NN which takes into account the dynamic character of the process. First, the adsorption of pesticides onto activated carbon is studied in batch reactor and the concomitant influence of solute properties (solubility, molecular weight) and porous characteristics of adsorbents (microporous volume, specific surface area) is shown. In the case of surface water, the competitive effects between natural organic matter and pesticides increase the effect of pore size distribution, especially pore size distribution between primary (d < 0. 8 nm) and secondary micropores (0. 8 < d < 2 nm). These qualitative analyses are quantified with a multiple linear regression and a static neural network which allows to explain more than 97 % of data scattering, while the linear regression performance is lower (R2 = 82 % and 53 % for a distillated water and a surface water respectively). . .