Modlisation de la production de biogaz par apprentissage profond

Abstract

Ce travail consiste à étudier le potentiel de production de biogaz via le procédé de digestion anaérobie des eaux usées industrielles, issues des industries de boissons gazeuses et de brasseries, en utilisant un digesteur à flux ascendant (UASB). Les principaux paramètres analysés à l'entrée et à la sortie du digesteur sont : la température, le pH, la DCO, les AGV, la charge organique et le volume de biogaz produit. Le contrôle de ces paramètres, tant pour l'influent que pour l'effluent, est crucial pour garantir le bon fonctionnement de l’unité de traitement. La modélisation par réseau neuronal artificiel profond a été appliquée parallèlement à l'étude expérimentale pour prédire la production de biogaz et optimiser le processus de fermentation. Afin d’améliorer les performances du modèle, le principal défi réside dans la sélection des hyperparamètres appropriés : architecture du réseau neuronal, fonction d'activation, optimiseur, taux d'apprentissage, etc. Pour cela, l'optimisation bayésienne hybride avec un estimateur de Parzen structuré en arbre (BO-TPE) a été utilisée pour ajuster efficacement les hyperparamètres. Trois techniques de normalisation (MinMaxScaler, RobustScaler et StandardScaler) ont été comparées à des données non normalisées. RobustScaler s'est avérée la plus adaptée, avec des performances atteignant un R² de 0,712, un MAE de 164,61 et un RMSE de 223,43. Le volume maximal de biogaz prédit était d’environ 2236,105 Nm³/j, contre un rendement réel de 2131 Nm³/j. Les résultats obtenus montrent que ce modèle ajuste bien et de manière fiable les données expérimentales, garantissant ainsi une bonne prédiction des données dans le monde industriel.