Caractérisation rapide de la matière organique, instrumentation et modélisation pour la prédiction des performances des procédés de digestion anaérobie

Fast characterization of the organic matter, instrumentation and modelling for the AD process performances prediction

• Auteur / Autrice : Cyrille Charnier
• Direction : Jean-Philippe Steyer
• Type : Thèse de doctorat
• Discipline(s) : APAB - Agroressources, Procédés, Aliments, Bioproduits
• Date : Soutenance le 25/11/2016
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : GAIA (Montpellier ; École Doctorale ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Biotechnologie de l'Environnement (Narbonne) - Laboratoire de Biotechnologie de l'Environnement [Narbonne] / LBE
• Jury : Examinateurs / Examinatrices : Jean-Philippe Steyer, Véronique Bellon-Maurel, Patricia Camacho, Marc Héran, Eric Latrille, Jérémie Miroux
• Jury : Rapporteurs / Rapporteuses : Marie-Noëlle Pons, Fabrice Béline

Mots clés

Mots clés libres

Digestion anaérobie

Proche-Infrarouge

Régression PLS

Modélisation

Titration

Caractérisation

Anaerobic digestion

Near-Infrared

PLS regression

Modelling

Titration

Characterization

Résumé

La digestion anaérobie est un des piliers de l'économie circulaire européenne, produisant du méthane et des engrais organiques à partir de déchets. Le développement de ce secteur passe par la co-digestion et l’optimisation de l'alimentation des procédés. Cela nécessite l'estimation de l'état biologique du digesteur, la caractérisation du substrat ainsi que l’utilisation de modèles prédictifs simulant les performances du digesteur, pour lesquels les solutions actuelles ne sont pas adaptées. Dans cette thèse, un capteur titrimétrique couplant pH et conductivité électrique pour l'estimation des concentrations en acides gras volatils, carbone inorganique et azote ammoniacale a été conçu, améliorant la précision d'estimation des acides gras volatils de 14,5 par rapport aux capteurs actuels. Couplé à l’analyse du biogaz, il permet d'estimer l'état biologique du procédé. En parallèle, une analyse spectroscopique proche-infrarouge, estimant les teneurs en glucides, protéines, lipides, demande chimique en oxygène, rendement et cinétique de production de méthane a été développée réduisant le temps de caractérisation des substrats à quelques minutes. La caractérisation rapide des substrats est utilisée pour implémenter le modèle de digestion anaérobie ADM1 de l’IWA qui prédit les performances d'un digesteur dans des conditions de digestion optimales. Le couplage de l’estimation de l'état biologique à cette approche permet de corriger la prédiction en prenant en compte l'état actuel du digesteur. Cette approche fournit un outil prédictif puissant pour le contrôle avancé des unités de digestion anaérobie ainsi que l'optimisation de la recette d'alimentation.

Anaerobic digestion is an important pillar of the European circular economy, producing methane and organic fertilizers from waste. The development of the anaerobic digestion sector goes through co-digestion and feeding strategy optimization. Its development requires the biological state estimation of the plant, substrate characterization and predictive models simulating the plant performances, for which current solutions are not suitable. In this thesis, a titration sensor coupling pH and electrical conductivity for the estimation of volatile fatty acids, inorganic carbon and ammonia has been designed, improving the accuracy on volatile fatty acids estimation by 14.5 compared to current sensors. Along with biogas analyses, it allows estimating the biological state of the unit. Besides, fast near infrared spectroscopic analysis, estimating in a matter of minute carbohydrate, protein and lipid contents, chemical oxygen demand, methane production yield and kinetics, has been developed. Thus fast substrate characterization is then used to implement a modified Anaerobic Digestion Model n°1 which predicts the performances of a plant under optimal condition. Coupling biological state estimation to this approach enables to correct the prediction with the current state of the plant. This approach provides a powerful predictive tool for advanced control of anaerobic digestion plants and feeding strategy optimization.