Développement d'un jumeau numérique hybride pour l'optimisation en temps réel d'installations de méthanisation en voie liquide comprenant une étape de prétraitement enzymatique par couplage de modèles déterministes et d'apprentissage profond

La méthanisation en voie liquide constitue un levier stratégique de la transition énergétique, mais les installations actuelles peinent à atteindre leur plein potentiel : environ 30% subissent des arrêts non planifiés chaque année, et les rendements observés restent entre 60 et 75% du théorique. L'étape d'hydrolyse, souvent limitante, peut être améliorée par prétraitement enzymatique, permettant des gains de production de biogaz de 10 à 40%. Cependant, ce levier reste largement empirique, faute d'outils de pilotage prédictif adaptés. Ce projet de thèse CIFRE, mené entre l'Institut Polytechnique UniLaSalle Amiens (unité GeNumEr) et la SAS Chemin du Roi, vise à développer un jumeau numérique hybride capable d'intégrer explicitement l'étape de prétraitement enzymatique dans la modélisation du procédé et d'optimiser le pilotage en temps réel. L'architecture du modèle hybride repose sur trois couches fonctionnelles interdépendantes. La première est une couche déterministe enrichie, fondée sur le modèle AM2, dans laquelle les paramètres cinétiques constants sont remplacés par des fonctions dynamiques intégrant l'activité enzymatique du prétraitement. La deuxième est une couche d'apprentissage profond basée sur des réseaux LSTM, chargée de prédire l'évolution des paramètres cinétiques à partir des séries temporelles de données opératoires. La troisième est une couche de calibration et de monitoring assurant la mise à jour en temps réel du modèle à partir des mesures capteurs, avec des indicateurs de confiance sur les prédictions. Sur le plan expérimental, les données proviendront des données historiques industrielles fournies par la SAS Chemin du Roi. La stratégie d'entraînement suit trois phases séquentielles : calibration du modèle déterministe enrichi, entraînement du composant LSTM en prédiction multi-horizons, puis validation intégrée sur données indépendantes. Le déploiement industriel suivra une progression en trois étapes : monitoring passif, pilotage assisté avec recommandations aux opérateurs, puis pilotage automatique en boucle fermée. Les objectifs chiffrés visent une augmentation de production de biogaz d'au moins 10%, une réduction des arrêts non planifiés de 30 à 50%, et une amélioration globale de la rentabilité de 20 à 30%. Les retombées scientifiques comprennent trois publications internationales et des communications dans des conférences majeures. Le cadre méthodologique développé sera transposable à d'autres bioprocédés complexes. L'encadrement associe des expertises complémentaires en automatique, données et réseaux et génie des bioprocédés. École doctorale : Sciences pour l'ingénieur Direction : Hervé COPPIER Financement : CIFRE ANRT