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.