Biofixation de CO2 par les microalgues
modélisation, estimation et commande
Sihem Tebbani
Filipa Lopes
Rayen Filali
Didier Dumur
Dominique Pareau
Iste
Introduction9
Chapitre 1. Les microalgues13
1.1. Définition13
1.2. Caractéristiques14
1.3. Applications des microalgues15
1.3.1. Domaine alimentaire15
1.3.2. Domaine pharmaceutique15
1.3.3. Domaine cosmétique15
1.3.4. Domaine énergétique16
1.3.4.1. Production de biométhane16
1.3.4.2. Production de biocarburant16
1.3.4.3. Production de biohydrogène17
1.3.5. Domaine environnemental17
1.3.5.1. Traitement des eaux usées17
1.3.5.2. Agriculture18
1.3.5.3. Systèmes de support de vie18
1.3.5.4. Séquestration de CO218
1.4. Système de culture de microalgues20
1.4.1. Systèmes ouverts20
1.4.2. Systèmes fermés « photobioréacteurs »22
1.4.2.1. Les photobioréacteurs tubulaires22
1.4.2.2. Les photobioréacteurs plats23
1.5. Facteurs influençant la culture algale24
1.5.1. La lumière24
1.5.2. La température25
1.5.3. Le pH26
1.5.4. Les nutriments26
1.5.4.1. Le carbone26
1.5.4.2. L'azote27
1.5.4.3. Le phosphore27
1.5.4.4. Les microéléments27
1.5.5. Salinité du milieu28
1.5.6. Agitation28
1.5.7. Transfert gaz-liquide29
1.6. Conclusion29
Chapitre 2. La biofixation de CO231
2.1. Sélection de l'espèce de microalgue32
2.1.1. Activité photosynthétique33
2.1.2. Mécanisme de concentration de CO2 « MCC »33
2.1.3. Choix de l'espèce algle34
2.2. Optimisation de la conception du photobioréacteur37
2.3. Conclusion38
Chapitre 3. Modélisation du bioprocédé41
3.1. Modes de fonctionnement41
3.1.1. Le mode batch41
3.1.2. Le mode fed-batch43
3.1.3. Le mode continu43
3.2. Modélisation de la vitesse de croissance45
3.2.1. Modèles généraux45
3.2.1.1. Modèle de Monod45
3.2.1.2. Modèle de Haldane46
3.2.1.3. Modèle de Contois46
3.2.2. Modèle de Droop47
3.2.3. Modèle portant sur l'influence de la lumière47
3.2.4. Modèle portant sur l'influence du carbone48
3.2.5. Modèles portant sur l'influence simultanée de plusieurs paramètres49
3.2.6. Choix du modèle de croissance53
3.3. Modèles de bilan de matière54
3.4. Identification des paramètres du modèle55
3.5. Exemple : culture de Chlorella vulgaris57
3.5.1. Dispositif expérimental57
3.5.2. Modélisation60
3.5.3. Identification paramétrique62
3.5.3.1. Identification du coefficient KLa62
3.5.3.2. Identification du rendement de conversion YX/CIT63
3.5.3.3. Identification des paramètres du modèle de croissance64
3.6. Conclusion68
Chapitre 4. Estimation de la concentration cellulaire69
4.1. Généralités sur l'estimation69
4.2. Etat de l'art72
4.3. Filtre de Kalman74
4.3.1. Principe74
4.3.2. Filtre de Kalman discret75
4.3.3. Filtre de Kalman étendu discret77
4.3.4. Réglage du filtre de Kalman78
4.3.5. Exemple de mise en oeuvre79
4.4. Observateur asymptotique81
4.4.1. Principe81
4.4.2. Exemple de mise en oeuvre82
4.5. Observateur par intervalles84
4.5.1. Principe84
4.5.2. Exemple de mise en oeuvre86
4.5.2.1. Conception de l'observateur87
4.5.2.2. Stabilité de l'observateur89
4.5.2.3. Choix des gains de l'observateur92
4.6. Application à la culture de Chlorella vulgaris95
4.7. Conclusion98
Chapitre 5. Commande du bioprocédé101
5.1. Détermination des conditions opitimales de fonctionnement101
5.1.1. Conditions opératoires optimales102
5.1.2. Point de fonctionnement optimal102
5.2. Généralités sur la commande de systèmes103
5.3. Etat de l'art105
5.4. Commande par modèle générique (GMC)107
5.4.1. Principe107
5.4.2. Avantages et inconvénients108
5.4.3. Exemple de mise en oeuvre109
5.5. Commande linéarisante entrée/sortie110
5.5.1. Principe110
5.5.2. Avantages et inconvénients112
5.5.3. Exemple de mise en oeuvre112
5.6. Commande prédictive non linéaire114
5.6.1. Principe114
5.6.2. Commande prédictive non linéaire (CPNL)116
5.6.2.1. Formulation du problème117
5.6.2.2. Résolution119
5.6.3. Avantages et inconvénients120
5.6.4. Exemple de mise en oeuvre120
5.7. Application à la culture de Chlorella vulgaris126
5.7.1. Performances de la commande GMC127
5.7.2. Performances de la commande prédictive130
5.8. Conclusion135
Conclusion137
Bibliographie141
Index155