Soutenance mémoire
Définition et origine des microalgues
Les algues sont des organismes photosynthétiques qui se développent dans des habitats variés, majoritairement des environnements aquatiques, et qui sont capables de convertir l’énergie lumineuse et une source de carbone, le dioxyde de carbone ou « CO2 », en un ensemble de matières organiques ou « biomasse ». On distingue deux catégories principales d’algues : les « macroalgues » et les « microalgues ». Les macroalgues sont des algues multicellulaires de taille proche du centimètre et qui croissent le plus souvent dans des bassins naturels d’eau douce ou d’eau salée. (Wen et Johnson, 2009). Ces organismes sont nécessaires aux écosystèmes côtiers en termes de composition, fonction et productivité (Taylor, 1957; Taylor, 1960; Littler et Littler, 2000; Dawes et Mathiesen, 2008). On distingue principalement trois groupes de macroalgues différenciés selon leur pigmentation : rouge, verte et marron. Les microalgues ont une taille de l’ordre du micromètre et sont considérées comme des algues unicellulaires qui se développent en suspension principalement dans des solutions aqueuses (Wen et Johnson, 2009). Ces microorganismes photosynthétiques sont considérés comme les premiers producteurs d’oxygène indispensable à la respiration de la majorité des êtres vivants. Leur existence remonte dans les océans à plus de trois milliards d’années ; ils sont à l’origine de la transformation de la composition atmosphérique (fixation de CO2 et rejet de O2) et ont permis la vie végétale et animale sur notre planète. Souvent désignées sous la dénomination de « Phytoplancton » (Sumi, 2009), les microalgues représentent une source d’alimentation pour les premières étapes larvaires (Coutteau et al., 1997) comme pour les êtres humains de par leur composition biochimique adaptée (Yúfera et Lubián, 1990; Brown et al, 1997). La première culture unialgale a été réalisée par Beijerinck (1890) avec l’espèce Chlorella vulgaris. Ces micro-usines photosynthétiques présentent des caractéristiques similaires aux plantes terrestres, mais leur structure morphologique, permettant une meilleure accessibilité de l’eau, du dioxyde de carbone et des autres nutriments, leur permet d’avoir une efficacité photosynthétique supérieure (Carlsson et al., 2007). La photosynthèse se fait par le biais de la chlorophylle a, principalement, ainsi que d’autres pigments photosynthétiques. Leurs capacités d’adaptation et de survie sont telles qu’elles sont aptes à coloniser tous types de milieux. On les trouve aussi bien dans les eaux thermales que dans les glaces, dans les eaux acides ou encore hyper salées, dans les grottes, associées sous forme de symbioses avec tout type d’organisme vivant et même parasites, entre autres de l’homme. Elles sont également capables de se développer sur des surfaces rigides, telles que les murs ou les troncsd’arbres et même sur les structures immergées (Becerra Celis, 2009). Certaines espèces peuvent supporter des températures très faibles ou paradoxalement extrêmes (Couté, 1995). Cette faculté d’adaptation est le résultat de leurs propriétés morphologiques ainsi que de leur capacité de synthèse de différentes variétés de métabolites secondaires (Becerra Celis, 2009).
Traitement des eaux usées
Au vu de leur capacité d’assimilation de nombreux nutriments nécessaires à leur croissance, les microalgues représentent une solution intéressante pour éliminer ces éléments ; elles sont également capables de fixer des métaux lourds. Elles sont ainsi les principaux éléments biologiques de certains systèmes de traitement des eaux municipales et industrielles (essentiellement traitement tertiaire). Grâce à l’absorption de l’azote et du phosphore, elles contribuent à réduire le phénomène d’eutrophisation de certains milieux aquatiques. Une étude ayant porté sur l’implication de Chlorella vulgaris dans l’absorption de l’azote et du phosphore des eaux usées (Aslan et Kapdan, 2006), a montré que l’oxygénation du milieu est facilitée par la production in situ de O2 par la photosynthèse, permettant ainsi de réduire l’aération extérieure et limitant la fuite dans l’air des composés organiques volatils (Olguin, 2003; Muñoz et Guieysse, 2006). Certaines études ont eu recours à des algues vertes, principalement Chlorella, Ankistrodesmus et Skeletonema, pour les traitements des eaux usées issues d’usines de fabrication de pâte à papier ainsi que de production d’huile d’olive (Munoz et Guieysse, 2006). D’autres travaux ont porté sur l’élimination des métaux lourds des eaux usées (Wilde et Benemann, 1993 ; Perales-Vela et al. 2006 ; Tüzün et al., 2005 ; Bayramoğlu et al., 2006 ;Raul Muňoz et al., 2006), sur la biodégradation de contaminants toxiques tels que le Tributylétain « TBT » (Luan et al., 2006). Afin de réduire les coûts économiques de ces procédés de traitements des eaux, la biomasse générée peut être exploitée pour produire des molécules à haute valeur ajoutée, du biodiesel, du biogaz, de l’hydrogène etc. (Muñoz et Guieysse, 2006) Ces procédés sont généralement couplés à l’élimination de CO2 dans des effluents gazeux industriels conduisant à des procédés intégrés (cf. figure 1.5).
Sélection de l’espèce de microalgue
Différents travaux se sont orientés sur l’exploitation de certaines espèces pour la biofixation de CO2 telles que Botryococcus braunii (Yoo et al., 2010), Chlorella vulgaris (Chen et al., 2010 ; Cheng et al., 2006a), Chlorella kessleri (de Morais and Costa, 2007b), Chlorocuccum littorale (Ota et al., 2009), Scenedesmus sp. (de Morais et Costa, 2007a ; Ho et al., 2010), Chlamydomonas reinhardtii (Packer, 2009) et Spirulina sp. (de Morais et Costa a, b, c). Une grande capacité de fixation de CO2 a été mesurée pour certaines espèces comme Chlorella vulgaris qui présente un taux de consommation de CO2 égal à 6240 mg. L-1. j-1 sous certaines conditions de culture (Cheng et al., 2006b). Par ailleurs ces microorganismes ont montré leur grande tolérance vis-à-vis de hautes concentrations de CO2 et de composés toxiques tels que le monoxyde d’azote « NOx » et le monoxyde de soufre « SOx » (Matsumoto et al., 1997), rendant leur emploi envisageable pour le traitement de gaz industriels. Différents paramètres sont pris en compte dans la sélection d’espèces d’algue capables de maximiser la bio-fixation de CO2 à partir des émissions industrielles. Ces paramètres peuvent concerner la morphologie de l’espèce, la cinétique de croissance ainsi que l’impact des facteurs environnementaux tels que la lumière, le pH, etc. D’après Lee et Park (1995), la sélection de l’espèce algale repose sur les paramètres suivants :
Tolérance importante vis-à-vis de concentrations de CO2 élevée ;
Vitesse de croissance importante en présence de forte concentration cellulaire ;
Tolérance vis-à-vis des gaz toxiques tels que le monoxyde d’azote et le monoxyde de soufre ;
Thermo-tolérance (tolérance vis-à-vis des températures élevées).
Ainsi, cette phase de sélection de l’espèce algale nécessite d’approfondir les connaissances sur les phénomènes biologiques responsables de la bio-fixation de CO2, la photosynthèse, mais également le processus métabolique de biotransformation de CO2.
Optimisation de la conception du photobioréacteur pour la stratégie de biofixation du CO2
Le choix d’un système de culture optimal constitue également une étape cruciale dans le processus de fixation de CO2 par les microalgues. Parmi les facteurs impactant l’assimilation photosynthétique du carbone, nous pouvons citer la lumière utilisée (type/intensité) et l’efficacité du contact entre le gaz et le liquide (Hodaifa et al., 2009 ; Jacob-Lopes et al., 2009 ; Ryu et al., 2009). La maximisation de l’activité photosynthétique repose sur l’augmentation de la surface éclairée par rapport au volume de la culture, sur la diminution du chemin optique afin d’assurer une meilleure disponibilité de la lumière pour les algues (Pulz et al., 2001). La croissance des microalgues est également fortement influencée par l’intensité lumineuse incidente, la surface éclairée, l’angle entre le faisceau lumineux et cette surface, et la concentration des cellules dans la culture. L’optimisation de ces facteurs assure une bonne productivité mais également un rendement photosynthétique satisfaisant (Jacob-Lopes et al., 2009) (détaillée dans l’Annexe A1). Le second paramètre concerne l’efficacité du transfert gaz-liquide qui dépend du débit gazeux, de la teneur du gaz, de la taille des bulles de gaz et du temps de séjour dans le photobioréacteur (Ho et al., 2010). L’augmentation de l’aire interfaciale gaz/liquide (Carvalho et Malcata, 2001) et un temps de mélange faible (meilleure disponibilité des nutriments pour la suspension algale) augmentent l’efficacité du transfert de CO2 (Ugwu et al., 2008).
Bref historique de la commande prédictive
L’implantation de la commande prédictive à l’échelle industrielle a connu un intérêt croissant dès la fin des années 70. En effet, la mise en œuvre a été initiée par les travaux pionniers de Richalet et al. (1976, 1978) dans le secteur de la pétrochimie avec le développement du logiciel IDCOM (identification-commande) pour la commande prédictive dite heuristique MPHC « Model Predictive Heuristic Control ». Les ingénieurs de Shell, Cutler et Ramaker, ont appliqué, en 1980, une variante de cette loi de commande désignée sous le nom de commande matricielle dynamique « Dynamix Matrix Control » (DMC), également, dans le domaine de la pétrochimie. Cette première génération de commande prédictive repose sur un modèle de type boîte noire et ne tient pas compte des contraintes lors de l’élaboration de la commande. De Keyser et Van Cauwenberghe (1979) ont développé la commande auto-adaptative étendue « Extended Prediction Self Adaptive Control » (EPSAC), qui permet d’appliquer les notions du prédictif sur des modèles sous forme de représentation entrée-sortie. Au début des années 80, une deuxième génération d’algorithmes de commande prédictive ont été développés, induisant la résolution d’un problème d’optimisation quadratique, en prenant de plus en compte des contraintes sur les entrées et les sorties « Quadratic Dynamic Matrix Control » (QDMC) (Cutler et al., 1980). Ydstie (1984) a développé une commande prédictive à horizon étendu « Extended Horizon Adaptive Control » (EHAC), permettant d’optimiser la sortie future vers celle de la consigne pour un horizon temporel plus grand que le retard présent dans le procédé. Finalement, le milieu des années 80 marque véritablement le début de l’ère prédictive telle que nous la connaissons actuellement, avec la Commande Prédictive Généralisée « Generalized Predictive Control » (GPC) initiée par Clarke et son équipe (1987) et la Commande Prédictive Fonctionnelle « Predictive Functional Control » développée par Richalet et al. (1987) Enfin ce n’est qu’à partir des années 90 qu’une réelle explosion du nombre d’applications utilisant la commande prédictive a été enregistrée. La commande prédictive a été utilisée avec succès dans différentes applications industrielles, notamment dans le domaine des processus chimiques (De Keyser, 1988 ; Camacho et Bordons, 1998), dans le domaine de la robotique (Essen et Nijmeijer, 2001 ; Ginhoux, 2003) et plus récemment dans le domaine des bioprocédés (Costa et al., 2001 ; Dowd et al., 2001 ; Foss et al., 1995 ; Preub et al., 2003 ; Campello et al., 2003 ; Ramaswamy et al., 2005). De nos jours, au-delà des stratégies linéaires sans contrainte devenues « classiques », la démarche est plus orientée vers la mise en œuvre de structures non-linéaires, tenant compte de contraintes, et impliquant la résolution en temps réel d’un problème d’optimisation (Camacho et al., 2004 ; Maciejowski, 2002).
Modélisation de la croissance de la microalgue dans un photobioréacteur
Après examen de plusieurs microalgues potentielles, le choix s’est porté sur Chlorella vulgaris, possédant les propriétés requises pour assurer une bonne bio-fixation de CO2. Dès lors, la phase de modélisation a été menée en élaborant un modèle mathématique global reposant sur la combinaison des bilans massiques, traduisant l’évolution de la concentration cellulaire et de la concentration du carbone inorganique total, et d’un modèle de croissance de l’algue. Ce dernier permet de tenir compte de l’effet de limitation par la lumière et par le carbone inorganique total. Il présente de plus une structure de faible complexité, prérequis indispensable au développement de la stratégie de commande robuste incluant un observateur pour estimer la concentration cellulaire. L’ensemble des paramètres nécessaires à la caractérisation du modèle a été identifié en plusieurs étapes, à partir de quelques jeux de données expérimentales de cultures de Chlorella vulgaris en mode continu. Dans un premier temps, une régression linéaire a permis la détermination des paramètres impliqués dans le modèle relatif à la lumière. Puis une régression non-linéaire a conduit à l’identification des paramètres du modèle relatif à la vitesse de croissance. Les paramètres impliqués dans la dynamique de consommation du CIT ont été quant à eux déterminés à partir d’essais spécifiques. Tous ces paramètres ont été au final validés via d’autres résultats obtenus en mode batch et continu.
|
Table des matières
INTRODUCTION GENERALE
CONTEXTE ET MOTIVATIONS
ORGANISATION DE LA THESE
1 LES MICROALGUES
1.1 DEFINITION ET ORIGINE DES MICROALGUES
1.1.1 Caractéristiques
1.1.2 Classification
1.2 APPLICATIONS DES MICROALGUES
1.2.1 Domaine alimentaire
1.2.2 Domaine pharmaceutique
1.2.3 Domaine cosmétique
1.2.4 Domaine énergétique
1.2.5 Domaine environnemental
1.3 OBJECTIFS DE NOTRE ETUDE : STRATEGIE DE BIO-FIXATION DE CO2
1.3.1 Sélection de l’espèce de microalgue
1.3.2 Optimisation de la conception du photobioréacteur pour la stratégie de bio-fixation du CO2
1.3.3 Choix de l’espèce algale
1.4 CONCLUSION
2 MODELISATION DU BIOPROCEDE
2.1 INTRODUCTION
2.2 MODES DE FONCTIONNEMENT DES CULTURES ALGALES
2.3 MODELE RETENU DANS LE CADRE DE LA THESE
2.4 CONCLUSION
3 IDENTIFICATION DES PARAMETRES DU MODELE D’EVOLUTION DE CHLORELLA VULGARIS
3.1 INTRODUCTION
3.2 MODELISATION DU SYSTEME
3.2.1 Equation d’état relative à l’évolution de la biomasse
3.2.2 Equation d’état relative à l’évolution du carbone inorganique total
3.2.3 Cinétique de croissance de Chlorella vulgaris
3.3 DETERMINATION EXPERIMENTALE DU COEFFICIENT DE TRANSFERT GAZ-LIQUIDE « KLA »
3.4 IDENTIFICATION EXPERIMENTALE DU RENDEMENT DE CONVERSION « YX/CIT »
3.5 IDENTIFICATION DES PARAMETRES DU MODELE
3.5.1 Procédure d’identification des paramètres du modèle de la lumière
3.5.2 Identification paramétrique du modèle de croissance
3.5.3 Validation du modèle de croissance
3.6 CONCLUSION
4 ESTIMATION DE LA CONCENTRATION EN BIOMASSE
4.1 INTRODUCTION
4.2 ETAT DE L’ART
4.3 FILTRE DE KALMAN
4.3.1 Principe
4.3.2 Application au système étudié
4.3.3 Mise en œuvre en simulation
4.4 OBSERVATEUR ASYMPTOTIQUE
4.4.1 Principe
4.4.2 Application au système étudié
4.4.3 Performances en simulation
4.5 OBSERVATEUR PAR INTERVALLES
4.5.1 Principe
4.5.2 Application au système étudié
4.5.3 Réglage des gains de l’observateur par intervalles
4.5.4 Performances en simulation
4.6 VALIDATION EXPERIMENTALE
4.7 CONCLUSION
5 MISE EN ŒUVRE D’UNE LOI DE COMMANDE PREDICTIVE NON-LINEAIRE
5.1 INTRODUCTION
5.2 ETAT DE L’ART
5.3 COMMANDE PREDICTIVE
5.3.1 Bref historique de la commande prédictive
5.3.2 Principe de la commande prédictive
5.3.3 Commande prédictive non-linéaire
5.4 APPLICATION AU SYSTEME ETUDIE
5.4.1 Objectif de commande
5.4.2 Formulation mathématique de la commande prédictive non-linéaire
5.5 PERFORMANCES EN SIMULATION
5.5.1 Simulation du cas nominal
5.5.2 Analyse de robustesse
5.5.3 Conclusion
5.6 VALIDATION EXPERIMENTALE DE LA COMMANDE PREDICTIVE NON-LINEAIRE
5.6.1 Commande couplée avec le filtre de Kalman
5.6.2 Commande couplée avec l’observateur par intervalles
5.6.3 Validation des performances par rapport à la GMC
5.7 CONCLUSION
6 CONCLUSIONS & PERSPECTIVES
6.1 CONCLUSIONS
6.2 PERSPECTIVES
REFERENCES BIBLIOGRAPHIQUES
ANNEXES
ANNEXE A1
A1.1 FACTEURS INFLUENÇANT LA CULTURE ALGALE
A1.1.1 Lumière
A1.1.2 Température
A1.1.3 pH
A1.1.4 Nutriments
A1.1.5 Salinité du milieu
A1.1.6 Caractéristiques intrinsèques du réacteur
A1.2 SYSTEME DE CULTURE
A1.2.1 Systèmes ouverts
A1.2.2 Systèmes fermés « photobioréacteurs »
ANNEXE A2
A2.1 DISPOSITIF EXPERIMENTAL : BANC D’ESSAI D’UN PHOTOBIOREACTEUR DE 9,6 L
A2.1.1 Stérilisation du matériel utilisé
A2.1.2 Maintenance des précultures
A2.1.3 Choix du milieu de culture
A2.1.4 Description du photobioréacteur
A2.1.5 Méthode d’analyse
A2.2 DISTRIBUTION DU TEMPS DE SEJOUR « DTS »
A2.3 ETAT DE L’ART : MODELES DE CROISSANCE APPLIQUES DANS LES BIOPROCEDES
A2.3.1 Modèle de Monod
A2.3.2 Modèle de Haldane
A2.3.3 Modèle de Contois
A2.3.4 Modèles portant sur l’influence de la lumière
A2.3.5 Modèles portant sur l’influence du carbone
A2.3.6 Modèles portant sur l’influence simultanée du carbone et de la lumière
A2.3.7 Modèles portant sur l’influence d’autres paramètres environnementaux
ANNEXE A3
A3.1 OBSERVABILITE DES SYSTEMES
A3.2 PRECISION DE L’OBSERVATEUR PAR INTERVALLES
A3.2.1 Cas d’incertitudes sur les paramètres du modèle de croissance uniquement
A3.2.2 Cas d’incertitudes sur l’ensemble des paramètres
ANNEXE A4
A4.1 COMMANDABILITE DES SYSTEMES
A4.2 VALIDATION EXPERIMENTALE DE LA GMC COUPLEE AU FILTRE DE KALMAN
A4.2.1 Réponse à un échelon de consigne
A4.2.2 Analyse de la robustesse de la GMC
ANNEXE A5 – GLOSSAIRE
Télécharger le rapport complet
