Flexibilité des Modèles Imbriqués pour l’Efficacité Énergétique des bioréacteurs à membranes de grande taille – FlexMIEE

Le projet FlexMIEE s’inscrit dans une problématique liée à l’optimisation des Bioréacteurs à Membranes (BàM) à grande échelle, en mettant particulièrement l’accent sur la réduction de la consommation énergétique tout en respectant les contraintes environnementales imposées aux stations d’épuration modernes. L’un des défis majeurs de la modélisation des BàM réside dans la nature imbriquée et multi-échelle des processus en jeu, où les interactions complexes entre les processus biologiques, la filtration membranaire et la consommation énergétique nécessitent une approche avancée pour leur représentation et leur optimisation. Ce projet propose une approche innovante et hybride, combinant des modèles mécanistiques et des méthodes issues de l’intelligence artificielle (IA), afin d’améliorer à la fois la précision prédictive, les stratégies de contrôle et l’adaptabilité des modèles aux conditions opérationnelles réelles. Pour cela, FlexMIEE développera des outils numériques robustes et flexibles permettant de gérer les incertitudes inhérentes aux conditions d’exploitation et d’optimiser les performances des BàM face aux variabilités de charge polluante et aux phénomènes de colmatage membranaire. L’une des avancées méthodologiques du projet repose sur l’intégration de l’analyse de sensibilité pour les modèles imbriqués, en prenant en compte des représentations avancées de l’incertitude, notamment à travers l’Analyse Symbolique des Données (ASD), qui permet de traiter des variables sous forme d’intervalles ou densités de probabilité. Cette approche permettra une meilleure caractérisation des incertitudes liées aux conditions opératoire, aux performances des membranes et à la consommation énergétique, tout en fournissant des indicateurs interprétables et exploitables pour la prise de décision. De plus, pour affiner la prévision des variables critiques, le projet explorera l’utilisation de réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs) ainsi que des modèles d’ensemble empilés (stacked ensemble models), permettant une fusion efficace entre données expérimentales, modèles mécanistiques et apprentissage automatique. Par ailleurs, afin d’optimiser en temps réel le fonctionnement des BàM, FlexMIEE intégrera une approche de commande prédictive non linéaire (NMPC) pour l’optimisation conjointe des coûts d’exploitation et de la qualité des rejets, tout en assurant le respect des contraintes environnementales. Un aspect critique du projet est le besoin d’estimation d’état, car de nombreuses variables essentielles ne sont pas mesurables dans les stations. Pour pallier cette difficulté, FlexMIEE s’appuiera sur des techniques avancées d’estimation d’état pour la NMPC, notamment l’apprentissage par renforcement (RL), qui permettront d’inférer des variables cachées et d’améliorer la robustesse du contrôle en boucle fermée. L’apprentissage par renforcement sera également utilisé pour le pilotage autonome de l’aération, en développant une stratégie auto-adaptative capable d’ajuster dynamiquement les paramètres en fonction des variations du procédé. L’application statistique du projet reposera sur une collecte massive de données en conditions réelles, grâce au partenariat avec gestionnaire dédié (SIAAP). Sur le plan scientifique, l’un des objectifs fondamentaux du projet est de définir des mesures de sensibilité adaptées aux modèles imbriqués, en tenant compte des incertitudes structurelles et en proposant des outils permettant d’analyser leur propagation entre les différents sous-modèles. L’originalité du projet FlexMIEE découlent également de son ancrage dans une dynamique de recherche appliquée en lien avec des besoins environnementaux concrets, ce qui en fait une initiative pionnière dans l’optimisation des BàM à l’ère du traitement intelligent des données et de la commande avancée. Cette initiative a été lancée suite au recrutement de M. Ouaret R., responsable du projet et coordinateur de cette thématique LGC