Développement d'algorithmes d'apprentissage profond adaptés au génie chimique : cinétique chimique et mélange

Les opérations unitaires nécessitent des méthodes de conception robustes et adéquatement définies pour remplir leur rôle. Par exemple, afin de concevoir les mélangeurs, la puissance d’agitation est un élément clé de conception. Afin de déterminer le nombre de puissance, un nombre adimensionnel caractérisant les rendements énergétiques des agitateurs, des corrélations algébriques existent. Elles sont construites en établissant une régression sur des données obtenues en laboratoire. Un autre exemple est la conception des réacteurs, se trouvant au cœur des procédés chimiques. Afin de déterminer le temps de résidence des réactifs ou de dimensionner le volume d’un réacteur, des équations de conception existent. Ces équations sont dépendantes de la cinétique des réactions. Encore une fois, afin de construire de telles équations, une régression sur des données expérimentales est envisageable. Toutefois, les corrélations du nombre de puissance sont non linéaires en raison de leur dépendance complexe aux propriétés du fluide et à la géométrie de l’agitateur. La cinétique chimique présente également des dépendances non linéaires avec la concentration des espèces et la température. Afin de quantifier ces différentes relations, des outils d’apprentissage profond sont développés afin de contourner certaines limitations des méthodes numériques actuelles. Le projet consiste donc à étudier le potentiel d’utilisation de réseaux de neurones pour répondre à des défis rencontrés en génie chimique. Le projet se divise en deux parties. D’une part, un réseau de neurones est employé afin d’établir une fonction hypothétique entre le nombre de puissance, le nombre de Reynolds et les caractéristiques géométriques des mélangeurs. D’autre part, un réseau de neurones informé de la physique est développé pour prédire la cinétique chimique d’une production de biodiesel dans un réacteur à micro-ondes. Dans les deux cas, le présent mémoire revoit la méthodologie derrière la génération de données, le développement des architectures des réseaux et finalement, la performance des prédictions suite à leur entraînement.

Abstract

Unit operations require properly defined methods for their design. For example, the agitation power consumption is a key design element in mixing operations. To characterize the energy requirements of industrial agitators, we need to determine the power number. Algebraic correlations exist to correlate this dimensionless number to fluid properties and geometrical characteristics of the agitator. These correlations are constructed by establishing a regression on experimental data. Another example is the design of reactors, which are at the core of chemical processes. To determine the residence time of batch reactors or the volume of continuous reactors, differential equations exist. These equations depend on reaction kinetics. Once again, regression on experimental data is required to construct such equations. However, power number correlations have nonlinear dependencies with the Reynolds number and the agitator geometry. Chemical kinetics also exhibit nonlinear dependencies with species concentration and temperature. To quantify these complex relationships, researchers develop deep learning algorithms to overcome limitations of current numerical methods. Therefore, the project aims to study the use of neural networks to address challenges encountered in chemical engineering. The project is divided into two parts. Firstly, an artificial neural network (ANN) is established to create a hypothetical function between the power number, the Reynolds number, and geometric characteristics of mixers. Secondly, a physics-informed neural network (PINN) is developed to predict the reaction kinetics of biodiesel production in a microwave reactor. In both cases, this thesis reviews the methodology behind data generation, the development of network architectures, and ultimately, the performance of predictions following their training.