Modélisation et estimation de digesteurs anaérobies

pour la dépollution de déchets et la production d’énergie

Younoussa Moussa Baldé

To cite this version:

Younoussa Moussa Baldé. Modélisation et estimation de digesteurs anaérobies pour la dépollution de
déchets et la production d’énergie. Biotechnologies. Université Paris-Saclay; Université Gamal Abdel
Nasser (Conakry), 2022. Français. �NNT : 2022UPAST183�. �tel-03959222�

HAL Id: tel-03959222

[Link]
Submitted on 27 Jan 2023

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 Université Gamal Abdel
Nasser de Conakry

Modélisation et estimation de digesteurs

anaérobies pour la dépollution de déchets
et la production d’énergie

Modeling and estimation of anaerobic digesters for

waste treatment and energy production
Thèse de doctorat de l'Université Paris-Saclay et de l’Université
Gamal Abdel Nasser de Conakry

École doctorale n° 580, Sciences et Technologies de l’Information et de

la Communication, STIC
Spécialité de doctorat : Automatique
Graduate School : Sciences de l’Ingénierie et des Systèmes, SIS
Référent : Faculté des Sciences d’Orsay

Thèse préparée dans l’unité de recherche Laboratoire des Signaux et

Systèmes, L2S (Université Paris-Saclay, CNRS, CentraleSupélec), sous la
direction de Sihem TEBBANI, Professeur, L2S, CentraleSupélec, le co-
encadrement de Sette DIOP, Chargé de recherche, L2S, CNRS, la co-
direction de Cellou KANTE, Professeur, LEREA, IST-Mamou, Guinée.

Thèse soutenue à Paris-Saclay, le 15 décembre 2022, par

Younoussa Moussa BALDE

Composition du Jury
THESE DE DOCTORAT

Jérôme HARMAND
Président
Directeur de recherche, LBE-INRAE, France
Binko Mamady TOURE
Rapporteur
Professeur, Université de N’Zérékoré, Guinée
NNT : 2022UPAST183

Mariana TITICA
Maître de conférence, GEPEA, Université de Examinatrice
Nantes, France
Idrissa DIABY
Examinateur
Professeur, FST, LEREA, UGANC, Guinée
Dédicaces

C’est avec un énorme plaisir et une immense joie, que je dédie cette thèse :
A Madame Sihem TEBBANI et à Monsieur Sette DIOP pour m’avoir
encadré et fait de leurs mieux afin de m’aider à venir à bout de cette thèse.
A ma feue chère mère, lumière de mes jours, la source de mes efforts, la
flamme de mon cœur, ma vie et mon bonheur ;
A mon feu cher père, l’homme de ma vie, mon soutien moral, rien au monde
ne vaut les efforts fournis pour mon éducation ;
A mon feu cher frère, qui a toujours été là pour moi.
Vous resterez gravé dans mon cœur, je ne vous oublierais jamais.
«Reposez-vous en Paix».
A ma chère femme et à mes deux enfants, leurs générosités et leurs soutiens
m’oblige de leurs témoigner mon profond respect et ma loyale considération.
Puisse Dieu vous protéger santé, prospérité et longue vie.
A tous ceux qui me sont chers et que j’ai oublié de citer.

iii
Remerciements

Au terme de ce travail, je tiens à remercier Dieu le tout puissant qui m’a donné la
santé et le courage d’accomplir ce travail.
J’exprime ma profonde reconnaissance à mes encadreurs, à l’occurrence :
— Madame Sihem TEBBANI, Professeur, L2S, CentraleSupélec,
— Monsieur Sette DIOP, Chargé de recherche, CNRS, L2S, CentraleSupélec.
Pour leurs disponibilités, leurs patiences, leurs sympathies et pour leurs dévoue-
ments. Je leurs remercie aussi pour avoir accepté de diriger cette thèse. Je leurs
expriment toute ma profonde gratitude pour leurs conseils, leurs soutiens et leurs
aides scientifiques qui m’ont permis de mener à bien ce travail.
Mes remerciements à Monsieur Cellou KANTE, Professeur, LEREA, IST de Ma-
mou d’avoir accepté de co-dirigé cette thèse. Je le remercie de la confiance, du
soutien et de l’entière liberté accordée dans l’élaboration de ce projet.
Je tiens à exprimer toute ma reconnaissance à Monsieur Jérôme Harmand, Direc-
teur de recherche, LBE-INRAE, qui m’a fait l’honneur d’avoir accepté d’être rap-
porteur de ma thèse. Je lui remercie de m’avoir accueilli au sein du LBE-INRAE
et de m’avoir fait découvrir tous les services du laboratoire.
Je tiens aussi à adresser mes plus sincères remerciements à Monsieur Binko Ma-
mady TOURE, Professeur, Université de N’Zérékoré, d’avoir accepté de rapporter
ce travail, ainsi que Madame Mariana TITICA, Maitre de conférence, GEPEA,
Université de Nantes, France, Monsieur Idrissa Diaby, Professeur, FST, LEREA,
Université Gamal Abdel Nasser de Conakry, d’avoir bien voulu examiner ce travail.
Qu’ils trouvent l’expression de ma profonde gratitude.
Je remercie le Gouvernement Français à travers le service de coopération et d’action
culturelle (SCAC) de l’Ambassade de France en Guinée, qui m’a attribué la bourse
ainsi que Campus France qui m’ont aidé pendant mes séjours en France.
Je remercie toutes les personnes du laboratoire de signaux et système (L2S) qui
ont contribuées à ce travail et pour l’accueil chaleureux qu’ils m’ont réservé durant
cette thèse. Je remercie à tout le personnel du Laboratoire de Biotechnologie et
de l’Environnement (LBE-INRAE), de l’Institut Supérieur de Technologie (IST)
de Mamou, du Laboratoire de l’office nationale de contrôle de qualité (ONCQ) de
Matoto et du projet Biogaz Guinée/FEM/PNUD, pour leurs assistances et leurs
encouragements. Qu’ils trouvent l’expression de ma profonde gratitude.
Je souhaite remercier toute personne ayant contribué de près ou de loin à la réa-
lisation de ce travail. Je remercie plus particulièrement, ma femme Oumou Hawa
SOW et mes deux enfants Thierno Mamoudou BALDE et Aïssata BALDE, pour
leurs patiences.
Je rends un hommage à mes parents qui m’ont quitté durant cette thèse.
Que leurs âmes reposent en paix. AMEN !

iv
Table des matières

Dédicaces iii

Remerciements iv

1 Contexte et problématiques 4
1.1 Défis du développement durable . . . . . . . . . . . . . . . . . . . . 6
1.2 Enjeu des énergies renouvelables . . . . . . . . . . . . . . . . . . . . 7
1.3 Digestion anaérobie en Guinée . . . . . . . . . . . . . . . . . . . . . 8
1.4 Objectifs de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Problématiques et contributions scientifiques . . . . . . . . . . . . . 11
1.5.1 Sur la caractérisation des substrats . . . . . . . . . . . . . . 11
1.5.2 Sur la modélisation des digesteurs . . . . . . . . . . . . . . . 11
[Link] Modélisation ADM1 . . . . . . . . . . . . . . . . . 12
[Link] Modélisation simplifié . . . . . . . . . . . . . . . . 13
1.5.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Productions scientifiques de la thèse . . . . . . . . . . . . . . . . . . 14

2 Etude expérimentale de la production du biogaz 15

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Matériels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Description du digesteur expérimental . . . . . . . . . . . . 19
2.2.2 Description du digesteur pilote . . . . . . . . . . . . . . . . . 20
2.2.3 Paramètres de suivi du digesteur . . . . . . . . . . . . . . . 20
2.2.4 Caractérisation du substrat . . . . . . . . . . . . . . . . . . 21
2.3 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Chargement du digesteur . . . . . . . . . . . . . . . . . . . . 22
2.3.2 Ensemencement . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Masse volumique . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.4 Matière sèche . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.5 Matière organique . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.6 Matière minérale . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.7 Taux de carbone organique . . . . . . . . . . . . . . . . . . . 24
2.3.8 Taux d’azote . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.9 Teneur en lipides . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.10 Teneur en protéines . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.11 Teneur en acides gras volatils . . . . . . . . . . . . . . . . . 25
2.3.12 Demande chimique en oxygène totale . . . . . . . . . . . . . 25
2.3.13 Taux de dilution . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . 27

v
vi TABLE DES MATIÈRES

2.4.1 Caractérisation physico-chimiques des substrats . . . . . . . 27

2.4.2 Production de biogaz . . . . . . . . . . . . . . . . . . . . . . 28
[Link] Substrat de type bouse de vache . . . . . . . . . . 28
[Link] Substrats issus de différents déchets . . . . . . . . . 29
2.4.3 Discussions des résultats . . . . . . . . . . . . . . . . . . . . 30
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3 Modélisation du procédé par le modèle ADM1 32

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Modélisation ADM1 du procédé . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.2 Modélisation du système . . . . . . . . . . . . . . . . . . . . 35
[Link] Préparation expérimentale . . . . . . . . . . . . . . 35
[Link] Modélisation mathématique . . . . . . . . . . . . . 36
3.2.3 Calibrage du modèle . . . . . . . . . . . . . . . . . . . . . . 37
[Link] Débit d’entrée . . . . . . . . . . . . . . . . . . . . . 37
[Link] Détermination des paramètres du modèle . . . . . 37
3.2.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . 39
[Link] Caractérisation de l’influent . . . . . . . . . . . . . 39
[Link] Simulation du modèle ADM1 . . . . . . . . . . . . 42
3.2.5 Ajustement des paramètres du modèle . . . . . . . . . . . . 45
3.2.6 Validation du modèle . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Nouvelle validation expérimentale . . . . . . . . . . . . . . . . . . . 51
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4 Modélisation simplifiée du procédé 54

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Choix des réactions et des variables . . . . . . . . . . . . . . . . . . 56
4.3 Modéle simplifié de la digestion anaérobie . . . . . . . . . . . . . . 57
4.3.1 Association des variables de l’ADM1 . . . . . . . . . . . . . 57
4.3.2 Modélisation de l’hydrolyse . . . . . . . . . . . . . . . . . . 58
4.3.3 Modélisation mathématique à une étape . . . . . . . . . . . 58
4.3.4 Modélisation mathématique à deux étapes . . . . . . . . . . 60
4.4 Procédure d’identification . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.1 Modèle à une étape . . . . . . . . . . . . . . . . . . . . . . . 62
[Link] Identification en régime permanent . . . . . . . . . 62
4.4.2 Identification en régime transitoire . . . . . . . . . . . . . . 64
4.4.3 Modèle à deux étapes . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Résultats de l’identification . . . . . . . . . . . . . . . . . . . . . . 65
4.5.1 Etape d’hydrolyse . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5.2 Résultats du modèle à une étape . . . . . . . . . . . . . . . 66
4.5.3 Résultats du modèle à deux étapes . . . . . . . . . . . . . . 67
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5 Estimation 69
5.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Estimation du taux spécifique de croissance . . . . . . . . . . . . . 71
5.2.1 Introduction [11] . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2.2 Modèle du processus de digestion anaérobie . . . . . . . . . 72
5.2.3 Résultats de l’estimation . . . . . . . . . . . . . . . . . . . . 76
TABLE DES MATIÈRES vii

5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6 Conclusion générale 79
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

A Etude expérimentale du digesteur expérimental 83

B Le modèle ADM1 92
B.1 Description du modèle de digestion anaérobie ADM1 . . . . . . . . 92
B.1.1 Structure des processus biochimiques . . . . . . . . . . . . . 93
B.1.2 Processus physico-chimiques . . . . . . . . . . . . . . . . . . 93
B.1.3 Taux d’inhibitions . . . . . . . . . . . . . . . . . . . . . . . 96
B.2 Mise en équation du modèle ADM1 . . . . . . . . . . . . . . . . . . 96
B.2.1 Variables d’états dynamiques . . . . . . . . . . . . . . . . . 96
B.2.2 Equations dynamiques . . . . . . . . . . . . . . . . . . . . . 97
B.3 Paramètres d’entrées du modèle ADM1 . . . . . . . . . . . . . . . . 99

C Notions d’observabilité 100

C.1 Notion d’observabilité . . . . . . . . . . . . . . . . . . . . . . . . . 100
C.2 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

D Observateur asymptotique 102

D.1 Notion d’observateur asymptotique . . . . . . . . . . . . . . . . . . 102

E Données expérimentales 103

E.1 Productivité du biogaz . . . . . . . . . . . . . . . . . . . . . . . . . 103
Table des figures

1.1 Carte de la République de Guinée . . . . . . . . . . . . . . . . . . . 5

1.2 Schéma du concept de développement durable . . . . . . . . . . . . 7
1.3 Principe de la digestion anaérobie . . . . . . . . . . . . . . . . . . . 10

2.1 Schéma du digesteur anaérobie étudié . . . . . . . . . . . . . . . . . 16

2.2 Estimation de volume de biogaz produit pour 1kg de bouse de bache 18
2.3 Représentation du dispositif expérimental . . . . . . . . . . . . . . . 19
2.4 Illustration du digesteur construit à l’IST-Mamou . . . . . . . . . . 20
2.5 Taux de dilution de l’expérience . . . . . . . . . . . . . . . . . . . . 27
2.6 Productions cumulées de biogaz des types de déchets . . . . . . . . 30

3.1 Représentation schématique de la digestion anaérobie. (1) Désin-

tégration, (2) Hydrolyse, (3) Acidogenèse, (4) Acétogenèse et (5)
Méthanogénèse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Évolution du taux de dilution en fonction du temps . . . . . . . . . 40
3.3 Variation de la température du biodigesteur en entrée . . . . . . . . 40
3.4 Variation de la concentration de Xc en entrée . . . . . . . . . . . . . 41
3.5 Evolution du débit de gaz en fonction du temps . . . . . . . . . . . 49
3.6 Évolution de la concentration d’AGV en fonction du temps . . . . . 49
3.7 Évolution de la concentration de DCO en fonction du temps . . . . 50
3.8 Variation de la concentration du pH en fonction du temps . . . . . 50
3.9 Profil du taux de dilutionen fonction du temps . . . . . . . . . . . . 51
3.10 Productivité du biogaz en fonction du temps . . . . . . . . . . . . . 51
3.11 Schéma de la concentration des AGV . . . . . . . . . . . . . . . . . 52
3.12 Schéma de la concentration des DCO totale . . . . . . . . . . . . . 52
3.13 Schéma de la variation du pH en fonction du temps . . . . . . . . . 53

4.1 Concentration de (XT ) en kg/m3 . . . . . . . . . . . . . . . . . . . 65

4.2 Modélisation des concentrations de X, S et du débit de biogaz (Q) . 66
4.3 Taux spécifique de croissance µ non zoomé et zoomé. . . . . . . . . 67
4.4 Concentrations : substrat (S1 et S2 ), acidogène (X1 ), méthanogène
(X2 ) et du débit de biogaz total (CH4 + CO2 ). . . . . . . . . . . . . 68

5.1 Processus d’estimation et de simulation du modèle simplifié . . . . . 75

5.2 Evolution du taux spécifique de croissance en fonction du temps
(TRH = 45 jours) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3 Comparaison entre les concentrations de X, S et du débit de biogaz
(Q) (TRH = 45 jours) . . . . . . . . . . . . . . . . . . . . . . . . . 77

B.1 Représentation schématique de la digestion anaérobie . . . . . . . . 93

viii
TABLE DES FIGURES ix

B.2 Digesteur anaérobie du type CSTR . . . . . . . . . . . . . . . . . . 97

B.3 Processus biochimiques de la digestion anaérobie [15] . . . . . . . . 99

C.1 Schéma de principe d’un observateur . . . . . . . . . . . . . . . . . 101

Liste des tableaux

1 Abréviations et acronymes . . . . . . . . . . . . . . . . . . . . . . . 2
2 Abréviations et acronymes (suite) . . . . . . . . . . . . . . . . . . . 3

2.1 Potentiel BMP pour des déchets d’animaux . . . . . . . . . . . . . 17

2.2 Potentiel BMP pour des déchets verts . . . . . . . . . . . . . . . . . 17
2.3 Taux de dilution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Caractérisation physico-chimique de la bouse de vache . . . . . . . . 27
2.5 Caractérisation physico-chimique de la fiente de poules . . . . . . . 28
2.6 Caractérisation physico-chimique des eaux usées . . . . . . . . . . . 28
2.7 Caractérisation physico-chimique de déchets municipaux . . . . . . 28
2.8 Evolutions des AGV et DCO dans le cas de la bouse de vache . . . 29

3.1 Caracteristiques des paramètres en entrée . . . . . . . . . . . . . . . 39

3.2 Valeurs du taux de dilution . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Paramètres physico-chimiques en entrée . . . . . . . . . . . . . . . . 41
3.4 Valeurs des composants solubles (a Estimé à partir de [130], b Estimé
à partir de [94]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Valeurs initiales des dégradeurs (a Estimé à partir de [94]) . . . . . . 42
3.6 Paramètres stœchiométriques du modèle ADM1 [15] . . . . . . . . . 43
3.7 Paramètres biochimiques du modèle ADM1[15] . . . . . . . . . . . . 44
3.8 Paramètres physicochimiques du modèle ADM1[15] . . . . . . . . . 45
3.9 Composés dans la phase liquide et des concentrations ionisées du
modèle ADM1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.10 Composés dans la phase gazeuse du modèle ADM1 . . . . . . . . . 46
3.11 Exemple d’analyse sensibilité du modèle ADM1 . . . . . . . . . . . 47
3.12 Optimisation des paramètres du modèle ADM1 . . . . . . . . . . . 48

4.1 Correspondances entre les modèles : AM2, AM2HN et ADM1 [63] . 57

4.2 Identification des paramètres (sans modélisation de l’hydrolyse). . . 66
4.3 Identification des paramètres du modèle à deux étapes (sans modé-
lisation de l’hydrolyse) . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.1 Valeurs des paramètres du modèle . . . . . . . . . . . . . . . . . . . 76

B.1 Composés dans la phase liquide du modèle ADM1 . . . . . . . . . . 96

B.2 Composés dans la phase gazeuse du modèle ADM1 . . . . . . . . . 96
B.3 Composés dans la phase gazeuse du modèle ADM1 . . . . . . . . . 97

E.1 Débit de biogaz dans le cas de la bouse de vache . . . . . . . . . . . 103

x
1
2 LISTE DES TABLEAUX

Abréviations et acronymes

Table 1 – Abréviations et acronymes

Désignation Sigles
Acides gras volatils AGV
Aerobic sludge model ASM
Analyse par composantes principales ACP
Anaerobic digestion model no .1 ADM1
Anaerobic Modeling no .2 AM2
Association for the study of peak oil and gas ASPOG
Azote N
o
Benchmark simulation model n .2 BSM2
Biochemical methane potential BMP
Biomasse X
Centre de recherche scientifique de conakry Rogbanè CERESCOR
Centre national de la recherche scientifique CNRS
Convention cadre des nations unies sur le changement climatique CCNUCC
Carbone C
Continuous stirred tank reactor CSTR
Digestion anaérobie DA
Débit de biogaz Q
Demande chimique en oxygène DCO
Dioxyde de carbone CO2
Équations différentielles ordinaires ODE
Equations différentielles algébriques DAE
Ecological engineering and environment protection EEEP
Energie renouvelable ER
Evaluation des besoins en technologie EBT
Fond pour l’environnement mondial FEM
Fonction sensibilité relative RSF
Flux dans l’influent Qin
Faculté des sciences et techniques FST
Gaz à effet de serre GES
Gigawatt GW
Hydrogène sulfuré H2 S
Hydrogène H2
Institut Supérieur de Technologie de Mamou ISTM
International energy agency IEA
Industries agro-alimentaires IAA
LISTE DES TABLEAUX 3

Table 2 – Abréviations et acronymes (suite)

Désignation Sigles
International conference on system theory, control and computing ICSTCC
International water association IWA
Institut National de Recherche pour l’agriculture et l’environnement INREA
Laboratoire des signaux et systèmes L2S
Laboratoire d’enseignement et de recherche en énergétique appliquée LEREA
Laboratoire de biotechnologie et de l’environnement LBE
Matière sèche MS
Matière organique MO
Office nationale de contrôle et qualité ONCQ
Programme des nations unies pour le développement PNUD
Potentiel hydrogène pH
Sciences et technologies de l’information et de la communication STIC
Solide volatile total SVT
Substrat S
Sciences de l’ingénierie et des systèmes SIS
Temps de rétention hydraulique TRH
Taux spécifique de croissance des microorganismes µ
Taux de dilution D
Université Gamal Abdel Nasser de Conakry UGANC
Volume du liquide VLiq
1 | Contexte et problématiques

Sommaire
1.1 Défis du développement durable . . . . . . . . . . . . . 6
1.2 Enjeu des énergies renouvelables . . . . . . . . . . . . . 7
1.3 Digestion anaérobie en Guinée . . . . . . . . . . . . . . 8
1.4 Objectifs de la thèse . . . . . . . . . . . . . . . . . . . . . 10
1.5 Problématiques et contributions scientifiques . . . . . . 11
1.5.1 Sur la caractérisation des substrats . . . . . . . . . . . . 11
1.5.2 Sur la modélisation des digesteurs . . . . . . . . . . . . 11
1.5.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Productions scientifiques de la thèse . . . . . . . . . . . 14

Depuis le sommet de Rio en 1992, le transfert de technologies est au centre de la

lutte contre le changement climatique. Les questions liées aux technologies sont
inscrites dans l’agenda 2021 et dans les articles 4.3, 4.5 et 4.7 de la convention
cadre des nations unies sur le changement climatique (CCNUCC). Le projet éva-
luation des besoins en technologie (EBT) est une initiative de cette convention qui
est pilotée par le programme des nations unies pour le développement (PNUD)
en partenariat avec le fond pour l’environnement mondial (FEM). Cette initia-
tive a pour objectif d’assister les pays en voie de développement participants dans
l’identification et l’analyse des besoins technologiques en vue de dégager un por-
tefeuille de projets et programmes devant aider à faire face aux effets des chan-
gements climatiques grâce au transfert et à l’accès aux technologies propres tant
pour l’adaptation que pour l’atténuation. Les travaux de thèse présentés dans ce
manuscrit s’intéressent spécifiquement au cas de la république de Guinée, située
au nord-ouest de l’Afrique. Elle couvre une superficie de 245 857 km avec plus de
300 km de littoral atlantique. Quatre régions naturelles la composent : la Basse
Guinée ou Guinée Maritime, la Moyenne Guinée, la Haute Guinée et la Guinée
Forestière. Le pays est subdivisé en 8 régions administratives : Conakry, Kindia,
Boké, Mamou, Labé, Faranah, Kankan et N’Zérékoré.
L’institut Supérieur de Technologie de Mamou constitue notre zone d’étude, il est
situé à 275 km de Conakry (capitale de la république de Guinée), Mamou, chef-lieu
de la région administrative est comprise entre les 9◦ 54′ et 11◦ 10′ de latitude nord
et les 11◦ 25′ et 12◦ 26′ de longitude ouest avec une altitude moyenne de 700 m.
La region de Mamou est la charnière entre la Basse Guinée, la Moyenne Guinée
et la Haute Guinée, couvrant une superficie de 8000 km2 avec une population de
236 326 habitants soit une densité moyenne de 28 habitants au km2 . Son climat
est de type Foutanien, caractérisé par l’alternance de deux saisons à durée égale :
une saison sèche de novembre à avril et une saison pluvieuse de mai à octobre [34].

4
 5

La carte de la république de Guinée est représentée Figure 1.1.

Figure 1.1 – Carte de la République de Guinée

En république de Guinée, ce processus a commencé à travers la signature d’un

mémorandum et un atelier de lancement a été organisé en juin 2019 à cet effet.
Des secteurs sont sélectionnés sur la base d’une analyse concertée avec les parties
prenantes et conformément aux engagements de la Guinée.
Le ministère de l’environnement et du développement durable assure la tutelle
du projet à travers la direction nationale de pollutions, nuisances et changement
climatique, à l’instar de nombreux pays d’Afrique subsaharienne.
La situation énergétique de la Guinée est caractérisée par la place très modeste des
énergies renouvelables dans le bilan énergétique, et se traduit comme suit [34] :
— la très faible valorisation des ressources énergétiques locales autres que la
biomasse à travers la combustion du bois ;
— l’énergie fossile essentiellement des produits pétroliers (18% de la consom-
mation finale) entièrement importée et destinés aux besoins du transport,
et dans une moindre envergure pour la production d’électricité ;
— une électrification encore largement embryonnaire permettant un accès ex-
trêmement faible tant aux niveaux des populations, qu’aux industries.
L’infrastructure énergétique comprend principalement les capacités de stockage
des produits pétroliers et celles de production (centrales thermiques et hydroélec-
triques), de transport et de distribution d’électricité.
Les principales contraintes du développement du secteur énergétique se résument
comme suit : la faiblesse du niveau de consommation d’énergie par habitant et
la prépondérance des énergies traditionnelles (bois et charbon de bois) dans la
consommation d’énergie (78% des sources d’énergie contre 20% des hydrocarbures
et 2% d’hydroélectrique).
On a une desserte en électricité insuffisante avec un potentiel hydroélectrique de
6,1GW exploité à moins de 10%. Le potentiel en énergies renouvelables est varié
et dispersé à travers l’ensemble du territoire national de la république de Guinée
6 CHAPITRE 1. CONTEXTE ET PROBLÉMATIQUES

avec un faible taux de valorisation énergétique.

Les orientations majeures identifiées dans la politique nationale de l’énergie sont :
Sur le plan économique, la réorientation de la stratégie énergétique de manière
à rendre disponible l’énergie pour les principaux centres urbains du territoire (villes
de plus de 50 000 habitants) et au niveau des sites les plus importants de production
de biens et de services et l’implication du secteur privé dans la production de
l’énergie décentralisée qui constitue un des secteurs important de développement
énergétique surtout pour les zones non connectées au réseau national.
Sur le plan environnemental, la Guinée est signataire des principaux accords in-
ternationaux particulièrement ceux portant sur l’atténuation des impacts du chan-
gement climatique. Ceci implique la réalisation d’objectifs précis en matière de
gestion des ressources, à des délais identifiés et des moyens appropriés.
Sur le plan institutionnel et réglementaire, on peut citer, la mise en place de
mesures institutionnelles permettant d’assurer la cohérence entre le développement
énergétique et celui des activités fortement liées à l’énergie, telles que celles du
secteur minier ou des industries de transformation qui lui sont rattachées et la
mise en place des cadres institutionnels et organisationnels des activités liées aux
énergies renouvelables (ER), à la desserte énergétique rurale, au développement du
biogaz notamment [34, 110, 16].

1.1 Défis du développement durable

Le monde a connu un accroissement démographique exceptionnel ; au rythme de
croissance actuelle, les prévisionnistes de l’organisation des nations unies prédisent
le doublement de la population mondiale en 2050. Cet essor démographique est
accompagné d’un fort développement économique qui, faute d’une gestion réfléchie
des ressources, a marqué durablement l’environnement.
Dans ce contexte, les effets des activités humaines sur l’environnement sont vi-
sibles à plusieurs niveaux ; épuisement des ressources naturelles, érosion de la bio-
diversité, augmentation de la pollution, réchauffement climatique. On comprend
d’autant mieux cette tension que les pays développés, qui ont largement participé à
l’épuisement et à la pollution des ressources naturelles, plaident désormais pour une
gestion plus rationnelle, ce qui avec les modes de production actuels constituerait
un frein à la croissance des pays émergents [63].
Malgré les chocs pétroliers successifs, les énergies fossiles (hydrocarbures et char-
bon) fournissaient encore 83% de l’énergie primaire à l’échelle mondiale en 2005, ce
qui ne représente qu’une baisse de 3,6% par rapport à 1973, et 63,5 % de l’électricité
est produite à partir des énergies fossiles [58].
La consommation d’énergie a très fortement augmenté (environ +70%) entre 1973
et 2005 et l’on prévoit une nouvelle augmentation de 60% de la demande énergé-
tique avant les années 2030 [63].
Vu les politiques énergétiques actuellement mises en place, l’agence internationale
de l’énergie (IEA, International Energy Agency) prévoit que les combustibles fos-
siles resteront la principale source énergétique, fournissant 81% de l’énergie pour
l’horizon 2030. Les ressources en énergies fossiles sont pourtant loin d’être illimitées
et depuis le premier choc pétrolier l’idée d’un épuisement des réserves mondiales
d’hydrocarbures s’est ancrée dans les esprits (IEA, 2007) [76, 63].
Au rythme de la consommation d’énergie actuelle, l’association for the study of
peak oil and gas, 2002 (ASPOG), a estimé que les ressources mondiales seront
épuisées avant la fin du 21e siècle. Une première réponse pour faire face à la pé-
1.2. ENJEU DES ÉNERGIES RENOUVELABLES 7

nurie annoncée en énergies fossiles a été d’intensifier la recherche de nouveaux

gisements (les énergies renouvelables) [1]. L’utilisation des énergies fossiles est res-
ponsable de l’augmentation des émissions de gaz à effet de serre (GES) tels que le
dioxyde de carbone (CO2 ) et les oxydes d’azote (NOx ) qui participent au réchauf-
fement climatique. L’objectif du développement durable est de définir des modes
de vie conciliant le progrès économique, la justice sociale et la préservation de
l’environnement [63].
Le concept de développement durable est schématisé par la Figure 1.2.

Figure 1.2 – Schéma du concept de développement durable

1.2 Enjeu des énergies renouvelables

Le terme énergie renouvelable (ER) désigne une source d’énergie dont le renouvel-
lement est suffisamment rapide pour être inépuisable à l’échelle de temps humaine.
Les avantages des énergies renouvelables sont multiples et variés ; d’une part elles
contribuent à accroître l’autonomie énergétique et la sécurité des approvisionne-
ments en énergie (fournissant des moyens de production locale), d’autre part elles
ont un effet positif sur l’effet de serre puisqu’elles se substituent aux énergies fossiles
et limitent l’augmentation des émissions des gaz à effet de serre (GES).
Le concept d’énergies renouvelables est à différencier de celui d’énergies propres
qui ne prend en considération que les émissions de CO2 et la quantité de déchets
générés [87].
Les différents types d’énergies renouvelables sont les suivantes [63] :
— l’éolien,
— le photovoltaïque,
— le solaire thermique,
— l’hydraulique,
— la biomasse solide,
— la géothermie,
— l’énergie marine,
— les biocarburants et le biogaz.
8 CHAPITRE 1. CONTEXTE ET PROBLÉMATIQUES

La valorisation de la biomasse est l’une des voies les plus importantes pour lutter
contre le réchauffement climatique. Les chercheurs estiment que la valorisation des
déchets organiques et des effluents industriels permettrait une réduction de plus
de 20% du réchauffement climatique [63].
Sous l’appellation de la biomasse une grande variété de matériaux est inclus :
— les déchets verts de l’agriculture et de la sylviculture,
— la fraction fermentescible des ordures ménagères brutes,
— les cultures énergétique agricoles, bois,
— les déjections animales (élevages),
— les rejets des industries agro-alimentaires (IAA), papeteries etc.
Un autre mode de valorisation de la biomasse repose sur la fermentation, dans un
environnement dépourvu d’oxygène (digestion anaérobie), qui conduit à la forma-
tion d’un biogaz, composé majoritairement de méthane 40 à 80% et de dioxyde de
carbone 20 à 35%.
Ce phénomène naturel, qui peut être observé dans les décharges d’ordures ména-
gères ou les marais, est appelé digestion anaérobie (DA) ou fermentation métha-
nogène (méthanisation). Il résulte de la capacité de certains micro-organismes à
dégrader de la matière organique en l’absence d’oxygène.
Le biogaz produit peut alors se substituer au gaz naturel pour de nombreuses
applications à savoir :
— la production de chaleur sous forme d’eau chaude ou de vapeur,
— la production d’air chaud pour le séchage,
— la production d’électricité par turbines ou moteurs à gaz,
— la production combinée d’électricité et de chaleur par cogénération,
— l’utilisation comme carburant automobile [63].

1.3 Digestion anaérobie en Guinée

La digestion anaérobie est un procédé de transformation de déchets organiques
d’origine humaine, animale ou autres résidus organiques en biogaz. Cette trans-
formation passe par un processus naturel de fermentation qui dégrade la matière
organique en milieu anaérobie (sans oxygène). Le biogaz issu de cette fermentation
est constitué en grande partie de méthane (CH4 ) et de dioxyde de carbone (CO2 ).
Dans le contexte actuel de lutte contre le réchauffement climatique, le développe-
ment des énergies renouvelables représente un enjeu et une opportunité pour les
populations. Le traitement des sous-produits agricoles par méthanisation fait l’ob-
jet d’un regain d’intérêt depuis quelques années grâce notamment à la production
d’énergie et de l’engrais organique obtenu à la sortie du digesteur très riche en
azote, phosphore et potassium.
En Guinée, les principales sources d’approvisionnement énergétique sont : la bio-
masse (80%, les produits pétroliers (18%) et les ressources hydriques (2%). La
technologie de la biomasse à travers le bois forestier, satisfait la majorité des be-
soins énergétiques de la population, aussi bien en milieu rural qu’en milieu urbain,
périurbain. Le biogaz semble très prometteur comme source d’énergie propre en ré-
publique de Guinée, étant donné l’abondance des déjections animales, des déchets
agricoles et d’autres formes de biomasse non forestière.
Ainsi, sur financement du fond pour l’environnement mondial (FEM) et avec l’ac-
compagnement du programme des nations unies pour le développement (PNUD),
il a été initié et mis en œuvre le projet biogaz, dont l’objectif est la création d’un
marché viable de production et d’utilisation du biogaz, à travers l’installation de
1.3. DIGESTION ANAÉROBIE EN GUINÉE 9

2000 digesteurs domestiques de capacité variant entre 6 m3 pour les utilisateurs

domestiques et de unités semi-industriels de capacité variant également entre 25 m3
à 150 m3 pour les plates-formes agro-industrielles [34, 16].
La technologie du biodigesteur est une technique adaptée aux populations en zones
rurales dans un contexte d’insécurité alimentaire et de rareté des ressources éner-
gétiques [34].
Selon le document d’évaluation du potentiel des ressources de biogaz en Guinée
rédigé en 2016, au compte du projet biogaz, le potentiel de ressources de biogaz
d’origine animale, est estimé à environ 10 476 254 m3 /an effectivement mobilisables.
Ce potentiel et la disponibilité de l’eau, font de la Guinée, un pays où la technologie
du biogaz pourrait être disséminée sans contraintes majeures.
Ceci constitue pour le pays un tournant décisif dans la recherche de solutions
durables aux questions de sécurité alimentaire, d’accès à l’énergie, d’adaptation
aux changements climatiques et de lutte contre la pauvreté, quand on sait que le
pourcentage des ménages utilisant le bois comme source d’énergie pour la cuisine
représente 80% [34].
En Guinée, beaucoup d’initiatives ont été développées pour la promotion du biogaz.
Le ministère de l’énergie et le centre de recherche scientifique de Conakry rogbanè
(CERESCOR) ont développé la technologie depuis les années 1980 où plus de 200
biodigesteurs ont été construits et expérimentés mais avec des résultats mitigés.
Après trois années et demi d’opération, le projet biogaz initié par le fond pour
l’environnement mondial (FEM) a pu obtenir des résultats appréciables : 1 217
biodigesteurs construit sur les 2000 projetés (soit 60%) et 14 316 tonnes, Eq de
CO2 directement évitées, sur une cible de 19 000 tonnes, Eq de CO2 (soit 75%)
[34, 110]. Cette technologie permet de diversifier l’offre énergétique en mettant
à la disposition des populations rurales et péri-urbaines de l’énergie propre pour
la cuisson et l’éclairage d’une part et du compost pour améliorer la productivité
agricole et bien d’autres avantages connexes liés à la santé, à la protection de
l’environnement et le changement climatique, d’autre part.
En effet l’utilisation du biogaz pour la cuisson des aliments et l’éclairage permet de
réduire l’impact négatif de l’utilisation du bois et des énergies fossiles comme com-
bustibles. Le développement de la technologie du biodigesteurs favorise à travers
l’utilisation des effluents (fertilisants organiques) la conservation et l’amélioration
de la fertilité des sols d’où l’augmentation des productions agricoles.
Le projet biogaz a permis de réduire les émissions des gaz à effet de serre (GES)
à hauteur de 19 000 tonnes de CO2 (directes et indirectes en quatre ans). Soit en
tenant compte de la durée de vie d’un biodigesteur, sur 20 ans, les 2 000 digesteurs
installés devraient générer des bénéfices mondiaux directs de 161 100 tonnes de
CO2 . Ce qui est une contribution non négligeable dans l’atténuation du changement
climatique [34].
Les retombées et avantages de l’utilisation de digesteur en Guinée seraient :
Santé et qualité de la vie : la réduction des maladies oculaires et pulmonaires
dues aux fumées, l’amélioration des conditions d’hygiène grâce à la connexion
possible des toilettes aux biodigesteurs, la réduction du temps de collecte de la
biomasse, la suppression des insectes dans les fosses de stockage des déchets, la
suppression des odeurs après épuration du substrat.
Avantages économiques : la valorisation des déchets contribue à la réduction
des coûts d’achats de l’engrais, l’amélioration des rendements de production, la
promotion de l’autonomie énergétique et la diversification des sources énergétiques,
la création d’emploi grâce au développement d’un secteur privé pour la construction
et le service après-vente et enfin l’augmentation du temps d’étude des enfants la
10 CHAPITRE 1. CONTEXTE ET PROBLÉMATIQUES

nuit (éclairage).
Avantages agronomiques : la valorisation des déchets (bouse de vache et fiente
de poules) et municipaux ou industriels (eaux usées d’huile de palme) en un produit
fertilisant, plus facilement assimilable par les plantes, avec diminution des odeurs
et des agents pathogènes.
Avantages écologiques : la production d’une énergie propre et renouvelable,
la gestion durable des déchets organiques, la réduction de la déforestation et des
émissions de gaz à effet de serre sont entre autres les avantages écologiques de cette
étude [34].
Le concept de la digestion anaérobie est schématisé par la Figure 1.3.

Figure 1.3 – Principe de la digestion anaérobie

1.4 Objectifs de la thèse

L’objectif de cette thèse est la valorisation des déchets d’animaux (bouse de vache,
fiente de poule) et municipaux et industriels (eaux usées) :
— la caractérisation des paramètres physico-chimiques de divers types de dé-
chets utilisés dans les digesteurs,
— l’utilisation le modèle ADM1 comme digesteur logiciel pour reproduire les
données expérimentales du digesteur pilote,
— la mise en place un modèle réduit pour estimer le taux spécifique de crois-
sance des microorganismes,
— la validation de modèles simples de commande pour ces digesteurs,
— le développement de méthodologies de monitoring des digesteurs sur la base
de résultats de l’automatique non linéaire.
Bien que cette technologie soit prometteuse, son essor est limité par un véritable
handicap devant son application potentielle. L’automatisation des systèmes de di-
gestion anaérobie reste d’actualité en république de Guinée (aucun système auto-
matique sur les sites). A notre connaissance, cette thèse est la première qui traite
des questions d’automatisation des bioprocédés.
Ce travail de thèse devrait ainsi contribuer à l’augmentation de la maîtrise tech-
1.5. PROBLÉMATIQUES ET CONTRIBUTIONS SCIENTIFIQUES 11

nique du fonctionnement et par suite l’amélioration du rendement des digesteurs

simples, et peu instrumentés, utilisés actuellement en milieu rural.

1.5 Problématiques et contributions scientifiques

1.5.1 Sur la caractérisation des substrats
La caractérisation de la composition physico-chimique des substrats est une étape
importante dans la modélisation, la surveillance et le contrôle des bioréacteurs.
En Guinée, malgré l’importance du potentiel hydroélectrique, l’approvisionnement
en énergie thermique et électrique reste l’un des problèmes majeurs dans la plu-
part des zones rurales du pays, ce qui entraîne une consommation accrue de bois,
une grave dégradation des forêts, l’érosion des sols et la dégradation du climat
et de l’environnement. En revanche, les déchets organiques restent disponibles, et
peuvent être transformés en une source de richesse dans les zones rurales reculées
grâce à la digestion anaérobie. Le biogaz produit par ce processus naturel de di-
gestion anaérobie peut être utilisé pour la production de chaleur et d’électricité
pour les ménages. En outre, les déchets d’animaux, grâce à la matière organique
qu’ils contiennent, sont un gage de fertilité des sols. Les animaux d’élevage libèrent
20 à 40% de l’azote et du phosphore et 70 à 90% du potassium ingérés dans les
aliments. Pour les volailles, le rejet est d’environ 70% de l’azote [25, 62].
Les émissions gazeuses de ces effluents sont le méthane (CH4 ), l’ammoniac (NH3 ),
le sulfure d’hydrogène (H2 S), le dioxyde de carbone (CO2 ).
La valorisation du biogaz et des fertilisants agricoles contenus dans ces déchets
d’animaux nécessite une caractérisation préalable de leurs paramètres physico-
chimiques [83, 31].
C’est la motivation de la première partie du travail au laboratoire d’enseignement
et de recherche en énergétique appliquée (LEREA). Après la caractérisation des
échantillons, nous procédons à la production de méthane à partir des déchets. Nous
fournissons une caractérisation expérimentale de substrats constitués de bouses de
vache et de lisiers de poulet que l’on peut trouver dans la région de Mamou en
Guinée. Des valeurs typiques de production de biogaz sont également fournies par
notre étude, y compris la codigestion de bouses de vache et de lisiers de poulet.
Cette étude de caractérisation du substrat et de détermination du potentiel en
biométhane a été réalisée pour un digesteur à échelle de laboratoire, et dans le cas
d’un digesteur pilote de 3 m3 .
Le chapitre 2 présentera les travaux de caractérisation des substrats pour le diges-
teur pilote étudié. Il permettra également de présenter les matériels et méthodes
utilisés pour les expérimentations menées durant ces travaux de thèse.

1.5.2 Sur la modélisation des digesteurs

Comme mentionné précédemment, la digestion anaérobie (DA) permet de trans-
former de la matière organique en énergie par des bactéries en l’absence d’oxygène
[74]. La digestion anaérobie est réalisée dans des chambres confinées (appelées di-
gesteurs) à l’intérieur desquelles les réactions de fermentation sont optimisées et
contrôlées. Le biogaz est principalement composé de méthane, qui est produit en
réduisant de moitié la teneur en matière organique de nombreux déchets ou sous-
produits biodégradables.
Le résidu de la digestion anaérobie (ou digestat) est stable, inodore et pratique-
12 CHAPITRE 1. CONTEXTE ET PROBLÉMATIQUES

ment exempt de germes pathogènes [74]. Ce type de production d’énergie, large-

ment utilisé et connu depuis longtemps, présente une solution prometteuse pour
la production d’énergie renouvelable. Elle soulève cependant certains défis liés à
l’exploitation de ce type de système complexe et incertain [32, 85]. En effet, la di-
gestion anaérobie est un processus en plusieurs étapes dans lequel un consortium de
microorganismes agit sur la matière organique composite pour produire du biogaz
(CH4 , CO2 , H2 et H2 S) [103].
La surveillance et le contrôle d’un procédé de digestion anaérobie dans des condi-
tions de fonctionnement optimales est une tâche difficile en raison de la complexité
du système et du manque de capteurs en ligne pour les variables biologiques et bio-
chimiques. La modélisation mathématique du processus de digestion anaérobie est
la première étape de son automatisation. Le modèle sera utilisé dans un deuxième
temps pour développer des modèles de simulation afin de tester et d’évaluer les
stratégies d’estimation et de contrôle [96, 84].
Dans ce contexte, des modèles de simulation de référence (BSM) ont été conçus
pour développer, tester et évaluer les stratégies de contrôle et de surveillance des
stations d’épuration locales et à l’échelle de l’usine, en utilisant des modèles dy-
namiques pour obtenir une bonne qualité d’effluent, à un faible coût opérationnel
[114].
Dans cette thèse, deux types de modèles ont été déterminés pour le système étudié :
— un modèle anaerobic digestion model no .1 (ADM1), pour simuler le com-
portement du procédé réel,
— un modèle simplifié pour les besoins de la conception de l’algorithme d’es-
timation.
Ces deux approches sont détaillées ci-après.

[Link] Modélisation ADM1

Plusieurs modèles ont été proposés dans la littérature pour modéliser le processus
de digestion anaérobie [19, 15, 61]. Parmi les modèles présentés dans la littérature,
le modèle de digestion anaérobie (ADM1) proposé dans [15] est probablement le
plus utilisé. Le modèle ADM1, qui est devenu un benchmark, a été testé dans
plusieurs applications telles que les boues d’épuration municipales, les déchets so-
lides, les déchets agricoles, les déchets d’élevage et les résidus de culture. ADM1 est
un modèle structuré qui intègre les processus physiques, chimiques et biologiques.
Au total, 19 processus biochimiques sont inclus, par exemple la désintégration,
l’hydrolyse, l’acidogenèse, l’acétogenèse et la méthanogénèse [15].
Dans cette étude, le modèle ADM1 est utilisé pour modéliser le système expéri-
mental de digestion anaérobie des déchets de la bouse de vache. Plus précisément,
la calibration et l’identification des paramètres du modèle ADM1 pour le digesteur
expérimental étudié seront effectuées à partir de données expérimentales. La pro-
cédure proposée a été développée par analogie avec la respirométrie aérobie utilisée
pour la détermination des fractions de demande chimique en oxygène (DCO) de
l’influent pour les modèles de systèmes [46]. Cette procédure permet la détermina-
tion simultanée de certaines variables d’état d’entrée du modèle et de la cinétique
d’hydrolyse correspondante [46]. Pour cela, le modèle sera identifié à partir de la
mesure de la production de biogaz (CH4 et CO2 ), la concentration de la demande
chimique en oxygène (DCO) et la concentration des acides gras volatils (acétate,
propionate et valérate).
Les travaux de modélisation du procédé étudié à partir du modèle ADM1 sont
détaillés dans le chapitre B.
1.5. PROBLÉMATIQUES ET CONTRIBUTIONS SCIENTIFIQUES 13

[Link] Modélisation simplifié

Le modèle ADM1 est un modèle complexe, impliquant un grand nombre de va-
riables et de paramètres, ce qui limite son utilisation pour le développement de
capteurs logiciels et/ou des lois de commandes. Aussi, la réduction du modèle est
apparue nécessaire dans le cadre de ces travaux, notamment pour l’automatisa-
tion du procédé. Cette réduction de modèle est couramment employée dans le cas
de la digestion anaérobie [79] mais aussi de bioprocédés [66, 113], et de procédé
en général. Non seulement elle permet de diminuer la complexité du modèle afin
d’augmenter sa compréhension, mais aussi de diminuer le nombre de paramètres
à identifier notamment dans le cas de quantité limitée de données expérimentales,
ce qui est le cas de notre système.
Etant donné que le modèle est utilisé par la suite pour la conception de capteurs
logiciels et/ou de loi de commande, la simplification du modèle permet de simplifier
la conception de ces éléments d’automatisation du procédé, dans le but d’optimiser
son fonctionnement.
Dans cette thèse, deux modèles simplifiés ont été élaborés. Le premier considère
une biomasse et un substrat et est appelé modèle à une étape (one stage model).
Il consiste à considérer un modèle très simplifié avec une seule biomasse et un
seul substrat. Il résulte de l’hypothèse selon laquelle le biogaz est produit par un
seul type d’espèce de microorganisme. Il présente l’avantage d’être simple pour
les développements théoriques lors de la mise en place de capteurs logiciels (qui
seront présentés au chapitre 5). Il est néanmoins trop simple et peu représentatif
du procédé étant donné la nature du processus de digestion anaérobie. Aussi, un
deuxième modèle simplifié a également été identifié. Il consiste à modéliser les
étapes d’acidogenèse et de méthanogène. La détermination de ces deux modèles
simplifiés, via le regroupement des variables et des réactions d’une part, et du
choix de la procédure d’identification des paramètres de ces modèles d’autre part,
seront détaillés au chapitre 4. Ils utiliseront les résultats issus du modèle ADM1,
déterminé au chapitre précédent, pour la phase d’identification.
En d’autres termes, le modèle ADM1 remplacera le procédé réel, pour les besoins
des développements théoriques et d’études en simulation. Cela se justifie par la
durée importante des essais expérimentaux, avec une quantité limitée de données
mesurées sur le procédé réel.
Le modèle à une étape sera le modèle de synthèse pour le développement de l’es-
timation du taux spécifique de croissance et des concentration non mesurées.

1.5.3 Estimation
Le procédé de digestion anaérobie étudié est peu instrumenté. Malgré la déter-
mination d’un modèle de son comportement, il est nécessaire de développer des
capteurs logiciels pour son monitoring et son contrôle.
En effet, l’objectif final serait de pouvoir optimiser le procédé, et cela passe par
son instrumentation. Aussi, une des principales problématiques et également un
des principaux objectifs de cette thèse, est de développer des capteurs logiciels,
pour remédier aux manque de capteurs à technologies avancées. Cela pour une
meilleure compatibilité avec le déploiement futur de ce type de biodigesteur dans
les zones rurales, avec une réduction des coûts économiques associés.
En général, le problème d’estimation utilise un modèle mathématique. Dans le cas
de bioprocédé, ce modèle implique le taux spécifique de croissance. Ce taux spéci-
fique modélise la vitesse de croissance des bactéries et intervient dans la plupart
14 CHAPITRE 1. CONTEXTE ET PROBLÉMATIQUES

des modèles de bilan massique pour des bioréacteurs. Il n’existe pas de dispositifs
permettant de le mesurer. On dispose en général de modèles empiriques pour le
représenter ; par exemple modèle Monod, Haldane ou Contois ; selon le phénomène
à modéliser (limitation, inhibition, ou compétition).
Le choix d’un modèle de taux spécifique de croissance des micro-organismes est
généralement décrit et se fait sur la base de la connaissance des conditions opé-
ratoires [111]. Cependant, cela pourrait être une tâche difficile. En effet, il reste
malgré tout incertain et complexe à déterminer. Aussi, les techniques d’estimation
sont les moyens les plus fiables pour y parvenir [53].
La démarche que nous avons proposée a été d’utiliser le modèle à un étage et de la
mesure de débit de biogaz (Q) pour pouvoir estimer les concentrations en biomasse
et en substrat, et cela à travers le taux spécifique de croissance estimé en ligne.
L’estimation en ligne du taux spécifique de croissance des micro-organismes est
complexe. Nous avons proposé une démarche d’estimation, simple à mettre en
œuvre, qui s’appuie sur l’approche algébrique différentielle. L’approche algébrique
différentielle des problèmes généraux d’observation est utilisée dans ces travaux de
thèse pour étudier l’identification et l’observation de certains des modèles les plus
utilisés de ces processus. Elle a été mise en œuvre pour le procédé étudié.
Le modèle dit à une étape (one stage) sera considéré dans cette étude de concep-
tion de cette estimation. Pour ce modèle à une étape, l’observabilité du taux de
croissance est étudiée et l’estimation du taux spécifique de croissance développée,
basée sur des techniques algébriques différentielles. Il sera ensuite testé et ses per-
formances mises en évidence en simulation, sur la base de données expérimentales
pour les conditions opérationnelles considérées.
Ces développements seront présentés au chapitre 5.

1.6 Productions scientifiques de la thèse

Ce travail de thèse a fait l’objet des publications suivantes :
— Y. M. Baldé, C. Kanté, S. Diop et S. Tebbani, An experimental study for
the characterization of biogas production from cow dung and droppings, Eco-
logical Engineering and Environment Protection, 1(2019), 54–61, DOI :
10.32006/eeep.2019.1.5461.
— Y. M. Baldé, S. Diop, S. Tebbani et C. Kanté, Modeling of a continuous
anaerobic digestion of wastes, 2020 24th International Conference on Sys-
tem Theory, Control and Computing (ICSTCC), New York : IEEE Press,
pp. 596–601, DOI : 10.1109/ICSTCC50638.2020.9259735.
— Y. M. Baldé, S. Diop, S. Tebbani et C. Kanté, Estimation of the specific
growth rate for an anaerobic digestion process, 2021 29th Mediterranean
Conference on Control and Automation (MED), New York : IEEE Press,
pp. 109–114, DOI : 10.1109/MED51440.2021.9480197.
— S. Diop, Y. M. Baldé, S. Tebbani, An ADM1 digester, en cours de rédaction.
2 | Etude expérimentale de la pro-
duction du biogaz

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Matériels . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Description du digesteur expérimental . . . . . . . . . . 19
2.2.2 Description du digesteur pilote . . . . . . . . . . . . . . 20
2.2.3 Paramètres de suivi du digesteur . . . . . . . . . . . . . 20
2.2.4 Caractérisation du substrat . . . . . . . . . . . . . . . . 21
2.3 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Chargement du digesteur . . . . . . . . . . . . . . . . . 22
2.3.2 Ensemencement . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Masse volumique . . . . . . . . . . . . . . . . . . . . . . 22
2.3.4 Matière sèche . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.5 Matière organique . . . . . . . . . . . . . . . . . . . . . 23
2.3.6 Matière minérale . . . . . . . . . . . . . . . . . . . . . . 23
2.3.7 Taux de carbone organique . . . . . . . . . . . . . . . . 24
2.3.8 Taux d’azote . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.9 Teneur en lipides . . . . . . . . . . . . . . . . . . . . . . 24
2.3.10 Teneur en protéines . . . . . . . . . . . . . . . . . . . . 25
2.3.11 Teneur en acides gras volatils . . . . . . . . . . . . . . . 25
2.3.12 Demande chimique en oxygène totale . . . . . . . . . . . 25
2.3.13 Taux de dilution . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . 27
2.4.1 Caractérisation physico-chimiques des substrats . . . . . 27
2.4.2 Production de biogaz . . . . . . . . . . . . . . . . . . . . 28
2.4.3 Discussions des résultats . . . . . . . . . . . . . . . . . . 30
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.1 Introduction
La méthanisation permet de transformer des matières organiques en énergie à
travers la production d’un biogaz riche en méthane [55]. Elle permet ainsi d’agir
sur notre environnement en étant un outil de dépollution et cela en éliminant les
déchets. De plus, elle peut contribuer à la production d’une énergie verte qui peut
remplacer les énergies fossiles [89, 106].

15
16CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

En république de Guinée, des travaux de recherche sur la production de biogaz ont

débuté au début des années 1980 par la réalisation de digesteurs expérimentaux de
type indien à la Faculté d’Agronomie de Foulayah à Kindia. Le but est de valoriser
le potentiel énergétique des déchets, ce qui permettrait d’envisager dans les zones
rurales non connectées aux réseaux électriques public et privé, l’implantation de
digesteurs pour la production d’énergie électrique et thermique [115, 18].
Les matières ayant le meilleur potentiel sont les matières putrescibles, comme les
ordures ménagères, les résidus de procédés agroalimentaires, l’herbe, les déchets
d’animaux et les déchets municipaux ou industriels. L’état de l’art est très riche en
études traitant de la caractérisation du potentiel de biométhane (BMP) également
appelé (Biochemical Methane Potential).
La détermination de ce potentiel nécessite la caractérisation du substrat, et im-
plique des protocoles expérimentaux généralement effectués en mode batch [6, 91],
ou en caractérisant également la cinétique de dégradation [78, 107].
Dans ce chapitre, nous présentons l’étude que nous avons réalisée pour la caractéri-
sation des déchets d’animaux (bouse de vache et fiente de poule), municipaux (eaux
usées) ainsi que les potentiels de méthane associés, et cela pour deux biodigesteurs :
— Digesteur expérimental à échelle de laboratoire (volume de 4 litres),
— Digesteur pilote de type continu de 3 m3 .
La représentation schématique du digesteur anaérobie étudié est illustrée sur la
Figure 2.1.

Figure 2.1 – Schéma du digesteur anaérobie étudié

L’ensemble des expériences ont été effectuées à l’Institut Supérieur de Technologie

(IST) de Mamou, au Laboratoire d’enseignement et de recherche en énergétique
appliquée (LEREA), Université Gamal Abdel Nasser de Conakry, au Laboratoire
de l’office nationale de contrôle qualité (ONCQ) de Matoto, enfin la modélisation,
et l’estimation du système de digestion anaérobie a été effectué au Laboratoire des
Signaux et Systèmes (L2S).
Le LEREA est un centre de recherche fondamentale et appliquée specialisé dans
le domaine de la dépollution. Il s’articule autour de trois équipes qui sont : la bio-
conversion, le climat et le transfert thermique. D’importants moyens matériels et
2.1. INTRODUCTION 17

humains sont mis à disposition des équipes de recherche. En particulier l’IST de

Mamou dispose d’un digesteur de type continu, des appareils de mesure de labo-
ratoires auxquels viennent s’ajouter les fermenteurs de type discontinu développés
au sein de l’équipe de recherche bioconversion permettant de faire différents tests
de Potentiel biométhane (BMP) des déchets (bouse de vache, fiente de poules,
eaux usées). Il est à rappeler que chaque type de matières premières produit du
biogaz à des degrés différents, et la co-digestion permet également d’améliorer les
performances de dégradation de substrat et donc de production de biogaz.
En effet, les microorganismes qui se développent sont de nature diverse : bactéries,
phytoplancton, champignons, levures. La dégradation du substrat par ces microor-
ganismes et la production du biogaz, dépend grandement du type de microorga-
nismes, de la nature des substrats, et des conditions opératoires (pH, température,
agitation). Ainsi, il est important de caractériser le substrat et son potentiel de
biométhane, dans l’objectif d’optimiser le procédé.
Le substrat est déterminé à travers un apport d’éléments nutritifs (rapport C/N),
une caractérisation physique (facilement fermentescible) et une absence d’éléments
toxiques. Il n’y a pas de substrat spécifique pour la production de méthane. Les
lipides, les glucides et les protéines peuvent servir comme matière première pour
l’alimentation d’un digesteur. Des estimations de valeurs de potentiel de produc-
tion de biogaz de différents types de déchets peuvent être obtenues à partir de la
littérature. Des valeurs typiques sont données dans les tableaux 2.1 et 2.2 [89], dans
le cas de déchets d’animaux et de déchets de plantes respectivement.
Ces tableaux fournissent également la masse volumique (ρ) du substrat.
Table 2.1 – Potentiel BMP pour des déchets d’animaux

Matière fraîche BMP ρ

L/kg kg/m3
Lisier bovin 230 1000
Fumier de bovin frais 250 800
Lisier porcin 355 1000
Lisier de poule 300 560
Fiente de poule diluée 350 330
Déchets ménagers organiques 400 300
Station d’épuration 700 300

Table 2.2 – Potentiel BMP pour des déchets verts

Matière fraîche BMP ρ

L/kg kg/m3
Paille de riz 300 160
Tige de maïs 295 71
Graine de coton 357 448
Fanes d’arachides 298 80
Algues 320 250

Le temps de rétention hydraulique (TRH en j-1 , j : jour), est une donnée impor-
tante dans l’étude d’un biodigesteur. Il est fréquemment retrouvé dans différents
18CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

exemples de la littérature [29, 54, 4]. Il donne une indication du temps de séjour
moyen de l’effluent dans le digesteur [89]. Il est défini comme étant le rapport entre
le volume utile du réacteur et le débit journalier d’influent (m3 j-1 ). Ce paramètre
car il permet non seulement de caractériser la biodigestion, mais également de pré-
déterminer la production en biogaz. La détermination du débit en biogaz peut être
obtenue via des modèles disponibles dans la littérature.
On peut citer :
— Modèle de Hashimoto [80], qui permet d’exprimer le débit de biogaz produit
en fonction du temps de rétention hydraulique, de la masse volumique du
substrat, du BMP et de la charge initiale en matière organique.
— Modèle reliant le débit de biogaz au taux de réaction de la phase méthano-
genèse [19, 15].
La production de biogaz dépend également de paramètres opératoires tels que la
température et le potentiel hydrogène (pH). Néanmoins, des données sont dispo-
nibles dans la littérature comme indiqué précédemment, fonction également des
conditions opératoires, fournissant des informations très utiles pour l’opération
d’un digesteur. A titre d’exemple, l’abaque de la Figure 2.2 [101], permet de prédé-
terminer la production de biogaz pour la bouse de vache. Nous constatons qu’avec
un temps de rétention hydraulique de 60 jours, une température de 25 ◦ C et 1 kg
de bouse de vache, la production en biogaz serait de l’ordre de 33 litres. Ces ré-
sultats seront utilisés par la suite de cette étude pour évaluer les performances de
notre digesteur pilote.

Figure 2.2 – Estimation de volume de biogaz produit pour 1kg de bouse de bache

Le chapitre 2 a pour objectif de présenter l’étude expérimentale de la production du

biogaz en faisant la caractérisation des paramètres physicochimiques des déchets
utilisés et la détermination des potentiels biométhanes (BMP) associés aux procé-
dés étudié[Link] chapitre permet également de présenter le dispositif expérimental
développé et les protocoles mis au point pour cette étude. Nous présenterons les
2.2. MATÉRIELS 19

matériels et méthodes utilisés pour les expériences réalisées pour la caractérisation

du substrat et l’évaluation du potentiel biométhane. Différents types de substrats
ont été étudiés : bouse de vache, fiente de poules, eaux usées ainsi que la codigestion
entre la bouse de vache et la fiente de poules. Deux biodigesteurs seront étudiés
(digesteur à échelle de laboratoire et digesteur pilote). Les résultats obtenus seront
présentés et discutés dans le cas du digesteur pilote. Pour le cas du digesteur à
échelle de laboratoire, les résultats sont donnés dans l’annexe A[10].

2.2 Matériels
2.2.1 Description du digesteur expérimental
Des bouteilles de volume 4 litres ont été utilisées pour servir de digesteur et de gazo-
mètre et nous avons utilisé une autre bouteille de récupération. Pour la confection
de ce dispositif, quelques matériels d’appui ont été nécessaires, dont entre autre :
— des valves, des tuyaux flexibles de diamètres 8 mm, des écrous, des colliers
réglables, de la colle liquide, de la colle scotch etc.
— le digesteur (1) est percé d’un trou par lequel est introduite une valve à
travers laquelle passe un tuyau de 8 mm servant de sortie de biogaz.
— le gazomètre (2) est percé de deux trous de même diamètre sur le couvercle
où nous avons mis deux valves, la première liée au tuyau de sortie du biogaz
venant du digesteur, la seconde valve est reliée par un tuyau flexible main-
tenu au fond du gazomètre relié à son tour à une bouteille de récupération
(3), via les tuyaux flexibles.
La quantité de biogaz est recueillie tous les jours et calculée selon la loi des gaz
parfaits. Pendant les mesures, le volume de biogaz accumulé est éliminé comme
avec les méthodes volumétriques classiques. Cependant, pour les mesures du BMP,
on mesure à la fois la perte de masse et le volume de biogaz. Pour chaque bouteille,
les étapes suivantes sont réalisées lors de chaque opération d’échantillonnage [68].
Le processus de production du biogaz à partir des tests trois bouteilles est illustré
sur la Figure 2.3.

Figure 2.3 – Représentation du dispositif expérimental

20CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

2.2.2 Description du digesteur pilote

Après la détermination des paramètres physico-chimiques et les tests de potentiel
biométhane, nous avons procédé à l’expérimentation du digesteur pilote de type
continu de volume 3 m3 construit à l’Institut Supérieur de Technologie de Mamou.
Pour le chargement du digesteur, nous avons utilisé une balance pour mesurer la
quantité nécessaire de déchet, une bassine de volume 60 litres pour le malaxage afin
d’assurer l’homogénéité du substrat. Une sonde à pH pour la mesure du potentiel
hydrogène a également été utilisée. La digestion anaérobie se déroule en général
pour des pH compris entre 6 et 8 optimum.
Si le pH du milieu est acide, ceci entraîne un arrêt de la fermentation, par ailleurs
si le pH du milieu est basique, ceci entraîne une production des éléments sulfato-
réducteurs, inhibiteurs (H2 S, H2 , N2 ).
En tenant compte des resultats du dimensionnement de notre digesteur, le char-
gement a été choisi au quotient de 20 à 40 kg de substrat et une quantité d’eau
de 20 à 40 litres et nous avons fixé un taux d’humidité de 90 % pour accélérer la
productivité du biogaz. Le flux d’influent utilisé est de 0,6 m3 j-1 en moyenne soit
un taux de dilution 0,2 j-1 en moyenne.
Le digesteur utilisé pour la réalisation de cette étude est illustré par la Figure 2.4.

Figure 2.4 – Illustration du digesteur construit à l’IST-Mamou

2.2.3 Paramètres de suivi du digesteur

Pour le bon fonctionnement du digesteur pilote, les paramètres de suivi suivants
ont été pris en compte :
la variation de la productivité du biogaz, cette étape consiste à mesurer la
quantité de biogaz produit par jour jusqu’à l’établissement de la production du
biogaz qui correspondra au temps de rétention hydraulique. Le volume de biogaz
produit est mesuré par un compteur de biogaz Itron/G4 GALLUS.
la variation de la température, il s’agit de suivre la variation de celle-ci tous
les jours. A noter que, la méthanisation est menée en conditions mésophiles 27 ◦ C.
Pour un fonctionnement optimal, la température doit être autour de 35 ◦ C.
la variation du taux d’humidité, comme toute activité biologique, la présence
2.2. MATÉRIELS 21

d’eau est indispensable. L’humidité relative est de 60 à 90 %. Dans tous les cas
l’humidité des déchets doit être suffisante pour que l’hydrolyse, première étape de
la méthanisation, puisse se dérouler normalement.
le potentiel hydrogène (pH), est mesuré en continu au moyen d’un pH-mètre
à sonde (pH 296, WTW).

2.2.4 Caractérisation du substrat

La caractérisation des paramètres physico-chimiques des déchets a été effectuée au
Laboratoire de microbiologie de l’office national de contrôle (ONCQ) en Guinée.
Les équipements utilisés pour la caractérisation des paramètres physico-chimiques
sont composés :
— d’un four,
— d’un incinérateur W10/10A-HERAUS de 800 W,
— d’une balance de marque DIAL-O-GRAM, de capacité 2610 g et une préci-
sion 0,01 g,
— d’un verre,
— d’un agitateur,
— d’une pince,
— de deux éprouvettes graduées,
— un creuset, etc.
Pour l’analyse du biogaz les éléments suivants sont nécessaires :
— un échantillon de biogaz (au moins 5 litres par test),
— une bouteille de verre de 500 ml,
— Un bouchon à vis bien serré, sans étiquette ni colle,
— une bouteille propre de 1 litre avec bouchon à vis.
Pour la préparation de la solution de soude (NaOH) :
— un échantillon de 50 g de soude caustique (suffisant pour 6 tests minimum,
vérifier la pureté et augmenter la concentration si nécessaire),
— un thermomètre à contact intérieur et extérieur ; un tuyau flexible qui peut
être raccordé à l’appareil biogaz, et qui peut être adapté à la bouteille de
500 ml de solution,
— un litre d’eau propre pour la solution de soude ; un seau rempli d’eau propre
de 15 litres minimum ; un chiffon en coton pour le nettoyage,
— un pH-mètre électronique de précision comprise entre 0 et 14,
— des gants et des lunettes de protection.
Ces équipements nous ont permis de mesurer les paramètres suivants [10] :
— masse volumique,
— humidité,
— matière sèche,
— matière organique,
— taux de carbone,
— taux d’azote,
— demande chimique en oxygène (DCO),
— acides gras volatiles (AGV).
Les différents types de substrats utilisés dans cette caractérisation des déchets sont :
— bouse de vache,
— fiente de poule,
— eaux usées (déchets municipaux et déchets industriels).
22CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

2.3 Méthodes
2.3.1 Chargement du digesteur
Avant d’introduire les substrats agités dans le digesteur, un temps de pause est
indispensable afin que les matières solides comme les cailloux se décantent.
En même temps, on agite les substrats contenus dans le bassin d’alimentation. Le
chargement se fait à ce niveau en coulant petit à petit les substrats vers le digesteur.
Normalement, le volume présent dans le digesteur reste constant puisque le volume
introduit est égal à celui évacué par le canal de rejet vers le bassin de sortie.

2.3.2 Ensemencement
La présence des bactéries méthanogènes dans la déjection animale peut faire dé-
marrer un digesteur sans l’aide d’ensemencement, on peut gagner du temps si on
ensemence du substrat en pleine fermentation à raison de 15 à 20 % de la matière
à fermenter.
Pour cela, on peut utiliser du fumier, l’inoculum d’une précédente fermentation ou
tout simplement de la bouse de vache mélangée avec de l’eau dans un digesteur et
qu’on laisse fermenter pendant quelque temps.
La méthodologie utilisée pour la caractérisation des paramètres physico-chimiques
des déchets sont les suivants :
— peser un creuset en porcelaine vide et sec (P0 ) [89],
— ajouter une quantité de substrat dans le creuset (Psec ),
— ne pas mettre trop d’échantillon pour le séchage à 105 ◦ C,
— placer le creuset au four à 105 ◦ C. Le temps de séchage dépend de l’échan-
tillon, généralement de 24 heures.
Après 24 heures de séchage,
— retirer le creuset du four à l’aide d’une pince inox et le laisser refroidir dans
un dessiccateur jusqu’à ce qu’il soit à température ambiante,
— puis le peser (Psec ).
— calciner le résidu en plaçant le creuset avec une pince inox dans une étuve
à 550 ◦ C, généralement pendant 2 à 3 heures.
Après la calcination (PSI ),
— retirer le creuset du four avec une pince inox et le laisser refroidir en le
transférant dans un four à 105 ◦ C pendant environ 20 minutes pour limiter
les chocs thermiques,
— puis dans un dessiccateur jusqu’à ce qu’il soit à température ambiante [10].

2.3.3 Masse volumique

Un récipient en verre d’un litre de volume est rempli de déchets organiques sans
tassement et pesé.
La masse volumique ρ (en kg/m3 ) est calculée selon la rélation 2.1 :

m
ρ= (2.1)
V
Où :
— m : la masse,
— V : le volume.
2.3. MÉTHODES 23

2.3.4 Matière sèche

La teneur en matière sèche (MS) est déterminée par différence de pesée après
déshydratation totale à 105 ◦ C dans le cas de la bouse de vache, la fiente de poule
et les eaux usées d’huile de palme en 24 heures. L’application d’une température
plus basse lors de l’étape de déshydratation correspondante au protocole de mesure
du taux de matière sèche (MS) généralement appliqué aux déchets organiques est
nécessaire.
La relation 2.2, permet ensuite de déterminer la teneur en matière sèche :
Psec − P0
MS = × 100 (2.2)
Pd
Où :
MS : matières sèches (en g/l) ;
Psec : poids de déchets après passage à 105 ◦ C (en g) ;
Pd : poids des déchets humide ajoutée initialement dans la coupelle (en g) ;
P0 : poids de la coupelle vide (en g).

2.3.5 Matière organique

La méthode considérée pour la détermination du taux de matière organique, consiste :
— un pesage de 20 g de chaque substrat qu’on met dans l’étuve pendant 24
heures à 105 ◦ C ;
— puis on procède à la calcination de 3 g des échantillons préalablement séchés
à 600 ◦ C pendant au moins 6 heures dans un four à moufle, et on détermine
le résidu sec.
La teneur en matière organique (MO) ou solide volatile total (SVT), est obtenue
par différence de pesée entre la masse de déchet sec (Psec ), et la masse de déchet
calciné (PSI ) à 550 ◦ C, jusqu’à un poids constant pendant plus de 6 heures [9, 7].
La matière organique est déterminée par la relation 2.3 :
Psec − PSI
MO = × 100 (2.3)
Psec
Où :
MO : Matières organiques (en g/l) ;
Psec : poids des déchets après passage à 105 ◦ C (en g) ;
PSI : poids des déchets après gazéification à 600 ◦ C ;
Pd : poids des déchets humides ajouté initialement dans la coupelle (en g).

2.3.6 Matière minérale

Après 6 heures dans l’incinérateur, on obtient un résidu inorganique. Cette masse
de déchet calciné à 105 ◦ C, où PSI est la matière minérale [9, 7].
La mesure du poids de la fraction des cendres résiduelles par la perte sous la chaleur
a permis de déterminer le pourcentage de la fraction minérale dans le déchet.
Le taux de matière minérale est déterminé avec l’expression 2.4 :
PSI
MM = × 100 (2.4)
Psec
Où :
MM : matière minérale (en g/l) ;
Psec : poids des déchets après passage à 105 ◦ C (en g) ;
PSI : poids des déchets après gazéification à 600 ◦ C.
24CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

2.3.7 Taux de carbone organique

La teneur en carbone organique de l’échantillon a été déterminée en fonction de
la teneur en matière organique selon la norme (NF44-161). Le carbone organique
dans les déchets peut être estimé à partir de la formule [5] :
MO
MO = × 100 (2.5)
1,725

2.3.8 Taux d’azote

La technique utilisée est la méthode Kjeldahl [2, 23]. Cette méthode est effectuée
en trois étapes :
Digestion ou minéralisation de l’échantillon, l’azote protéique des déchets
organiques est transformé en azote ammoniacal par oxydation de la matière or-
ganique dans l’acide sulfurique concentré à haute température en présence d’un
catalyseur et d’un sel : l’acide sulfurique concentré a pour but d’oxyder la matière
organique et de transformer l’azote protéique en ammoniac NH3 .
Il sert également à piéger l’ammoniac gazeux sous la forme de sulfate d’ammonium,
par action de la base avec l’acide. L’addition du sel K2 SO4 a pour but d’élever le
point d’ébullition de la solution pour accélérer la réaction de minéralisation de la
matière organique. Le catalyseur utilisé est Cu(CuSO4 ).
Distillation de l’ammoniac, avant de distiller l’ammoniac à la vapeur d’eau,
on doit libérer l’ammoniac sous la forme du sel (N H4 )2 SO4 par l’addition d’une
solution concentrée de NaOH en excès :
— l’ammoniac est ensuite distillé par la vapeur d’eau et piégé dans une solution
d’acide borique,
— l’ammoniac réagit avec l’acide borique pour former des sels borates d’am-
monium.
Titrage de l’ammoniac, l’ammoniac sous la forme de borates d’ammonium est
titré directement à l’aide d’une solution standardisée d’acide chlorhydrique et d’un
indicateur coloré. On fait un blanc en mettant tous les réactifs sauf l’échantillon
pour soustraire l’ammoniac contenu dans les réactifs de l’ammoniac contenu dans
l’échantillon.
La détermination de l’azote total est conforme à la formule 2.6 :
0, 0014 × 0, 1(V2 − V1 )
N= × 10 (2.6)
PE
Où PE, la masse de prise d’essai en gramme ; V2 , le volume d’acide chlorhydrique
(HCl) à partir duquel l’indicateur vire du vert au rose ; V1 , volume d’acide chlor-
hydrique (HCl) utilisé pour le dosage blanc ; la valeur 0,1 est le titre de la solution
d’acide chlorhydrique et 0,014 est le poids molaire de l’azote 10-3 .

2.3.9 Teneur en lipides

La méthode utilisée est basée sur une extraction continue, opérée dans un extrac-
teur Soxhlet sur des échantillons secs du déchet organique [65]. Cette technique
prend 6 heures d’extraction et expose les lipides extraits à de hautes températures.
Le solvant d’extraction utilisé est l’hexane.
La teneur en lipide est déterminée par la relation 2.7 :
M1 × 100
Lipides = (2.7)
M2
2.3. MÉTHODES 25

Où M1 , est la masse finale du ballonnet après Soxhlet moins la masse initiale du

ballonnet avant Soxhlet (lipides) et M2 , est la masse sèche des déchets (échantillon).

2.3.10 Teneur en protéines

Les teneurs en protéines totales des déchets organiques sont calculées en multipliant
l’azote total (N) par un facteur de 6,25 en se basant sur l’hypothèse que les protéines
contenaient 16 % d’azote et que la matière azotée totale provient exclusivement de
protéines [119].
On obtient la teneur en protéines selon l’expression 2.8 :

Protéines = N × 6, 25 (2.8)

2.3.11 Teneur en acides gras volatils

L’accumulation d’acides gras volatils, AGV, indique un dysfonctionnement de la
digestion anaérobie. La teneur en AGV est un paramètre qui est important de
surveiller, cette teneur ne doit pas excéder 500 mg de AGV par litre.
La concentration en AGV est déterminée à l’aide de kits mettant en jeu des réac-
tions colorimétriques (LCK 365 Hach Lange, 50 à 2500 mg de CH3 COOH/l.
L’échantillon de déchets d’animaux (bouse de vache et fiente de poules) et mu-
nicipaux ou industriels (eaux usées) sont filtrés à 0,45 micromètre puis grâce à
l’addition des réactifs du kit, des complexes de couleur rouge sont formés.
La teneur en complexes rouges est déterminée par spectrophotométrie ce qui per-
met de connaître la teneur en acide gras volatil (AGV) de l’échantillon par rapport
à une droite d’étalonnage [17].

2.3.12 Demande chimique en oxygène totale

La demande chimique en oxygène totale est une mesure indirecte de la teneur en
matière organique. Elle est déterminée à l’aide de kits (LCK 514 Hach Lange 100
à 2000 mgDCO par litre). Les déchets servant à l’alimentation sont dilués au 50ème
et au 100ème , le digestat est dilué au 20ème et 40ème . Après dilution, le déchet ou
le digestat est mixé dans un mixer (Laboratory Blender, Waring Commercial) afin
d’homogénéiser au mieux le mélange.
Deux dilutions sont nécessaires afin de prendre en compte l’hétérogénéité de la boue
et du digestat. Après la dilution 2 ml de l’échantillon sont ajoutés au kit dans lequel
la matière oxydable réagit en conditions acides et à température élevée (170 ◦ C
pendant 15 min) avec une quantité connue de bichromate de potassium sulfurique
(oxydant puissant) en présence de sulfate d’[Link] chlorure est masqué avec du
sulfate de mercure.
La coloration verte du Cr+3 est déterminée par la méthode spectrophotométrique
et donne accès à la concentration en DCOt de l’échantillon en référence à une
gamme étalon [77].
La demande chimique en oxygène totale (DCOt ) est déterminée par la relation 2.9 :
(DCOdilution + 2 × DCOt,dilution ) × Vdilution
DCOt = (2.9)
2 × Vd
Où :
DCOt : est la demande chimique en oxygène totale (en g/l) ;
DCOdilution : est la valeur obtenue pour l’échantillon avec la dilution (en g/l)) ;
Vdilution : est le volume dans lequel est dilué le substrat (en litre) ;
26CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

Vd : est le volume de substrat dilué (en litre).

La DCOt est déterminée à l’aide de l’expression 2.10 [77] :

800 × C × (Vblanc − Vech )

DCOt = (2.10)
P0

Où :

C : est le titre de la solution de sel de mohr/mole/l) ;

Vblanc : est le volume de sel de mohr nécessaire pour titrer le blanc (en ml) ;
Vech : est le volume de sel de mohr nécessaire pour titrer l’échantillon (en ml) ;
P0 : est le poids de la prise d’essai (en mg).

2.3.13 Taux de dilution

Le contenu du digesteur est agité mécaniquement en permanence. Le digesteur est
alimenté en substrat à un taux de dilution défini comme étant le rapport entre
le débit d’influent et le volume du liquide du digesteur. Le taux de dilution agit
sur le comportement dynamique des espèces chimiques. Le débit d’entrée doit être
suffisant pour permettre la croissance des populations bactériennes, mais pas trop
élevé pour éviter l’inhibition de la croissance par le substrat ou un lavage de la
culture des bactéries.
Le taux de dilution est défini par l’expression 2.11 :

Qin
D= (2.11)
Vliq

Où Qin est le débit d’alimentation (en m3 . j-1 ), Vliq est le volume du liquide (en m3 )
et D est le taux de dilution (en j-1 ). Dans la présente étude, le taux de dilution
du substrat varie de 0,19 à 0,25 j-1 avec un changement progressif en moyenne
de 0,02 j-1 . Les valeurs du taux de dilution du digesteur pilote sont données par le
Tableau 2.3. Son évolution temporelle est illustrée par la Figure 2.5.

Table 2.3 – Taux de dilution

Temps D
jour j-1
2 0, 25
8 0, 19
15 0, 24
22 0, 22
34 0, 25
39 0, 22
45 0, 20
2.4. RÉSULTATS EXPÉRIMENTAUX 27

Figure 2.5 – Taux de dilution de l’expérience

2.4 Résultats expérimentaux

2.4.1 Caractérisation physico-chimiques des substrats
La composition des substrats étudiés a été déterminée à partir de la caractérisation
des paramètres physico-chimiques des déchets ( section 2.2.4). Le Tableau 2.4, nous
montre les résultats de la bouse de vache, avec un rapport C/N de 21,40, de
même le Tableau 2.5, montre les résultats de la fiente de poules avec un rapport
C/N de 20,0 optimum, enfin le Tableau 2.6, montre les résultats obtenus avec les
eaux usées avec un rapport C/N de 14,51 optimum. Le substrat issu de déchets
municipaux, nous donne un rapport C/N obtenu est de 0, 62 optimum.
Ce qui est très faible pour une éventuelle production de biogaz à partir de ces types
de déchets [10].

Table 2.4 – Caractérisation physico-chimique de la bouse de vache

Description Bouse de vache Unité

MS 57 %
MO 54 %
C 31 %MS
N 1, 46 %MO
DCO 57, 35 kg DCO m3
AGV 2, 03 kg DCO m3
pH 7, 45 -
C/N 21, 40 -
28CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

Table 2.5 – Caractérisation physico-chimique de la fiente de poules

Description Fiente de poules Unité

MS 65 %
MO 62 %
C 36 %MS
N 1, 86 %MO
DCO 39, 50 kgDCOm3
AGV 0, 180 kgDCOm3
pH 7, 46 -
C/N 20, 00 -

Table 2.6 – Caractérisation physico-chimique des eaux usées

Description Eaux usées Unité

MS 5, 53 %
MO 4, 48 %
C 25, 70 %MS
N 1, 77 %MO
DCO 69, 60 kgDCOm3
AGV 4, 80 kgDCOm3
pH 6, 80 -
C/N 14, 51 -

Table 2.7 – Caractérisation physico-chimique de déchets municipaux

Description Déchets municipaux Unité

MS 1, 30 %
MO 1, 13 %
C 0, 65 %MS
N 1, 04 %MO
DCO 57, 40 kgDCOm-3
AGV 1, 57 kgDCOm-3
pH 6, 70 -
C/N 0, 62 -

2.4.2 Production de biogaz

[Link] Substrat de type bouse de vache
Pour l’utilisation de bouse de vache comme substrat, les AGV et DCO suivent des
évolutions temporelles données par le Tableau 2.8. On note que les AGV restent
2.4. RÉSULTATS EXPÉRIMENTAUX 29

en dessous des valeurs limites, traduisant ainsi le bon déroulement de la digestion.

La production cumulée de biogaz obtenu lors des différentes mesures est donnée
dans le Tableau E.1 (E.1). On peut noter une augmentation, globalement, du débit
de biogaz. Aussi, la variation du débit de biogaz suit la variation de taux de dilution.
Par ailleurs la température au cours des différentes expériences était comprise
entre 27 à 35 ◦ C (plage mésophile).

Table 2.8 – Evolutions des AGV et DCO dans le cas de la bouse de vache

Description AGV DCO

kgDCOm-3 kgDCOm-3
0 0, 40 38, 99
2 0, 37 43, 54
3 0, 54 47, 92
8 1, 223 50, 60
9 1, 262 52, 04
15 1, 68 58, 00
16 1, 75 58, 89
22 1, 77 55, 52
23 1, 76 57, 34
34 1, 84 59, 01
35 1, 88 58, 91
39 1, 76 55, 92
40 1, 79 56, 48
45 1, 93 59, 04

Il faut noter que l’accumulation d’AGV dans le milieu réactionnel peut avoir deux
causes :
— Une augmentation brutale de la production d’AGV,
— un ralentissement de la dégradation des AGV,
— Le suivi du pH, de la concentration des DCO et des AGV font partie des
moyens de suivi des bioréacteurs.

[Link] Substrats issus de différents déchets

Quatre autres expériences ont été réalisées pour différents substrats : bouse de
vache, fiente de poules, codigestion (bouse de vache et fiente de poule, 50 % chacun)
et les eaux usées. La production du biogaz a commencé le 3ème jour après la charge
des digesteurs et elle a duré 45 jours.
La production cumulée de biogaz pour chaque substrat durant la durée totale de
l’expérimentation nous a permis de comprendre la productivité du biogaz pour
chaque type de déchets. La température au cours des expériences était comprise
entre 27 à 28◦ C pour l’experience à l’échelle de laboratoire.
La Figure 2.6, illustre la cinétique de productions cumulées de biogaz des substrats
(bouse de vaches, fiente de poules et codigestion) pour les déchets d’animaux et
la cinétique de productions cumulées de biogaz des substrats (eaux usées) pour
les déchets municipaux et industriels. On note qu’un régime stationnaire pour le
débit de biogaz a été atteint pour les substrats issus des eaux usées (après 17 jours
environ), contrairement aux autres substrats.
30CHAPITRE 2. ETUDE EXPÉRIMENTALE DE LA PRODUCTION DU BIOGAZ

Ceci dit une décélération de la courbe d’évolution du biogaz (CH4 et CO2 ). Le

débit maximal atteint est de l’ordre de 40 L/j sur l’ensemble des expériences (co-
digestion).

Figure 2.6 – Productions cumulées de biogaz des types de déchets

2.4.3 Discussions des résultats

A partir des résultats donnés dans les sections précédentes, on peut noter que
la transformation en composés gazeux (CH4 et CO2 ) d’une quantité définie du
substrat organique se produit de la façon suivante :
(i) sur une durée de 45 jours, 50 % du volume total du biogaz est produit
en 9 jours avec un maximum au 9ème jour de la fermentation ;
(ii) le processus de la fermentation continu entre le 10ème et le 45ème jour.
Les résultats de l’étude expérimentale des substrats de Mamou montrent que la
production de biogaz a commencé le 1er et le 3ème jour.
Après 45 jours de méthanisation dans une gamme de température de 27 à 28 ◦ C
(plage mésophile), la quantité de biogaz pour les poules pondeuses (28,4 l), supé-
rieure à celle de la bouse de vaches (22,6 l). La codigestion donne la grande valeur
(38,7 l) ; en moyenne la production spécifique journalière de biogaz des différents
intrants est : bouse de vache (0,50 l/j), fiente de poules (0,63 l/j) et la codigestion
(0,86 l/j). Par ailleurs pour les déchets municipaux (eaux usées), nous avons réalisé
simultanément deux expériences pour les effluents d’extraction d’huile de palme ou
Palm Oil mill Effluent (POME1 et POME2), nous avons obtenu une quantité de
biogaz de 35,41 l pour la POME1 et une quantité de 27,59 l pour la POME2.
Pour le digesteur pilote, les résultats obtenus et reportés à 1,5 kg de matière or-
ganique biodégradable donnent une production prévisible en biogaz de 0,26 m3 /kg
de MO soit une production totale de 0,28 m3 /kg de MO, avec une humidité rela-
tive de la matière première de 80 % et une teneur en matière sèche de 57 % à la
température de 28 ◦ C à 36 ◦ C.
Le débit de biogaz pour le digesteur pilote se situe entre 0,73 m3 /j et 2,49 m3 /j
avec une valeur moyenne de 2,05 m3 /j.

2.5 Conclusion
Dans ce chapitre, la caractérisation des paramètres physico-chimique des substrats
ainsi que du débit de biogaz dans le cas de différents déchets ont été présentés.
Cette étude a été réalisée dans le cas d’un biodigesteur expérimental à échelle
2.5. CONCLUSION 31

de laboratoire dans un premier temps, puis pour un digesteur pilote construit à

l’Institut Supérieur de Technologie (IST) de Mamou.
Différents types de déchets ont été étudiés et analysés : bouse de vache, fiente
de poules, codigestion, et l’effluent des eaux usées issues d’extraction d’huile de
palme. Pour le digesteur pilote, les résultats obtenus indiquent une production
totale de 0,28 m3 /kg de MO. Ces résultats sont en cohérence avec celles de l’état de
l’art. Après avoir fait le choix des équipements de laboratoire et de la méthodologie
de caractérisation des paramètres physico-chimiques et de la production du biogaz
à partir de déchets (bouse de vache et fiente de poules), municipaux et industriels
(eaux usées). Il a été également démontré que la codigestion (bouse de vache et
fiente de poules) conduit à une meilleure production de biogaz. Ceci est également
en cohérence avec l’état de l’art [77, 91, 107].
A partir des données expérimentales ainsi collectées, un modèle mathématique
du comportement dynamique du digesteur sera établi par la suite. Ces données
permettront d’identifier les paramètres de ce modèle selon une procédure classique
de modélisation et d’identification des paramètres.
Pour la suite des travaux, nous avons porté le choix sur les déchets de la bouse de
vache, vu le potentiel important, la dégradation rapide, et le pouvoir de production
rapide du biogaz. Les résultats de caractérisation des paramètres physicochimiques
seront utilisés pour la reproduction des données du digesteur pilote de Mamou à
partir du modèle ADM1.
Le chapitre 3 présentera le modèle ADM1, qui a été retenu pour la modélisation
du procédé, ainsi que la procédure d’identification de ses paramètres.
3 | Modélisation du procédé par
le modèle ADM1

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Modélisation ADM1 du procédé . . . . . . . . . . . . . 34
3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.2 Modélisation du système . . . . . . . . . . . . . . . . . . 35
3.2.3 Calibrage du modèle . . . . . . . . . . . . . . . . . . . . 37
3.2.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . 39
3.2.5 Ajustement des paramètres du modèle . . . . . . . . . . 45
3.2.6 Validation du modèle . . . . . . . . . . . . . . . . . . . 48
3.3 Nouvelle validation expérimentale . . . . . . . . . . . . 51
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.1 Introduction
Au cours des dernières années, le niveau de compréhension des processus de diges-
tion anaérobie et leur représentation via des modèles mathématiques a considéra-
blement augmenté [73, 123, 67, 107, 19, 15, 61]. Cependant, l’utilisation pratique
et industrielle des modèles a été relativement faible. L’une des raisons peut être la
grande variété des modèles et leur nature souvent très spécifique. Parmi les modèles
proposés dans la littérature, le modèle ADM1 (Anaerobic Digestion Model no .1)
reste une référence incontournable [15]. Ce modèle de l’International Water Asso-
ciation (IWA) a pour objectif de proposer un modèle générique, adaptable pour
différents cas d’étude et représentatif du processus de digestion anaérobie. Ce mo-
dèle est rendu générique via l’utilisation d’une nomenclature, des unités et une
structure d’équations cohérentes et unifiés. Il a été proposé en 2002 dans le but
de proposer une plateforme commune pour la modélisation et la simulation des
différentes équations différentielles et algébriques décrivant les différentes étapes
composant le processus de la digestion anaérobie dans un réacteur biologique [104].
Le modèle ADM1 se compose en 35 variables d’état qui décrivent la dynamique
des dans la phase liquide et qui sont :
— 12 variables d’états représentant les solubles ;
— 12 variables d’états représentant les particulaires ;
— 2 variables d’états représentent les anion et cation dans le soluble ;
— 6 représente les variable d’états acido-basique dans la phase ionisée ;
— 3 variables d’états dans la phase gazeuse.

32
3.1. INTRODUCTION 33

Ce modèle traduit, mathématiquement, la conversion de la matière organique en

biomasse puis en biogaz, composé essentiellement de méthane et de gaz carbonique.
Il modélise les quatre étapes principales ayant lieu lors de la digestion anaérobie :
l’hydrolyse des particules, l’acidogenèse, l’acétogenèse et la méthanogénèse. Il s’ap-
puie sur le fractionnement de la DCO pour l’établissement des bilans, et modélise
les phases solides, liquides et gazeuses dans le réacteur. Le modèle ADM1 com-
prend 19 processus cinétiques biochimiques, 3 processus cinétiques de transfert de
masse liquide-gaz et 7 populations bactériennes.
Dans la littérature, on retrouve souvent l’étude de biodigesteurs de types Batch.
Les paramètres cinétiques dans la digestion anaérobie sont alors identifiés avec des
méthodes d’identification telle que la technique de recherche du gradient [50, 14,
81]. Cependant, l’inconvénient de ce type de biodigesteur de type batch réside dans
le manque d’excitation à l’entrée (vu que l’unique entrée est la condition initiale)
ce qui peut mener à un manque de sensibilité des paramètres. Ceci peut être en
partie atténué en utilisant différents jeux de conditions initiales [50, 51].
Il s’avère donc qu’étudier les digesteurs dans les modes semi-continus ou continus
devraient amener à une meilleure performance en terme d’identification des para-
mètres du modèle. Du fait de l’objectif du modèle ADM1 d’être le plus générique
possible, avec un degré de précision élevée (en comparaison avec des modèles plus
simples), ce modèle est complexe. Aussi, il s’avère, dans le cas général, assez délicat
d’identifier les paramètres du modèle ADM1 à partir des données expérimentales.
En effet, le modèle ADM1 du fait de sa complexité, et du nombre élevé des pa-
ramètres introduits, nécessite dans le cas général une quantité élevée de mesures
expérimentales. Etant donné que la durée de la digestion dure plusieurs dizaines
de jours, cela accroît la difficulté de la disponibilité des mesures expérimentales
(temps et coûts financiers).De plus, comme tout problème d’identification de mo-
dèle paramétrique, la qualité du modèle identifié dépend énormément de la qualité
des mesures (précision, bruits de mesure), de leurs pertinence (identifiabilité struc-
turelle et pratique), et de la performance de l’algorithme d’optimisation utilisé pour
l’identification (initialisation, minimas locaux) [124]. Ainsi, les principales critiques
de ce modèle sont en lien avec la difficulté de son identifiabilité, une faiblesse dans
sa structure et le nombre élevé de paramètres utilisés dans le modèle [75].
Nous avons malgré tout retenu le modèle ADM1 car c’est un outil de modélisation
et de simulation assez puissant pour l’étude du procédé de digestion anaérobie.
Il nous servira par la suite de modèle de référence, en substitution du procédé
réel, pour les études en simulation pour la conception de capteurs logiciels. Les
difficultés en lien avec son identifiabilité seront compensés, dans notre étude, par
l’utilisation de données types ("valeurs par défaut") fournies pour les paramètres
les moins pertinents (après une étude de sensibilité), et la disponibilité de base
de données issues de résultats expérimentaux dans la littérature pouvant être ex-
ploitées pour certaines données [45]. Cela peut réduire le nombre de paramètres
à identifier et ainsi simplifier la procédure d’identification. Bien évidemment, la
qualité du modèle ainsi identifié sera réduite, mais comme indiqué précédemment,
l’objectif principal est de disposer d’un outil de simulation pour les besoins de
l’étude théorique d’automatisation du procédé.
Différentes études dans la littérature ont considéré le calibrage d’un modèle ADM1
pour un procédé de digestion anaérobie [48, 99, 14, 22, 47]. Dans ce chapitre, un
modèle ADM1 pour le procédé étudié sera mis au point, à partir des données
expérimentales présentées dans le chapitre 2 (voir B qui décrit les équations de
l’ADM1). La section 3.2 correspond à l’article (version complétée avec des données
34 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

relatives aux conditions opératoires) :

— Y. M. Baldé, S. Diop, S. Tebbani et C. Kanté, Modeling of a continuous
anaerobic digestion of wastes, 2020 24th International Conference on Sys-
tem Theory, Control and Computing (ICSTCC), New York : IEEE Press,
pp. 596–601, DOI : 10.1109/ICSTCC50638.2020.9259735.
Des nouvelles expériences seront faites pour la validation du modèle.

3.2 Modélisation ADM1 du procédé

3.2.1 Introduction
La digestion anaérobie est un processus naturel de transformation de la matière
organique en énergie par des bactéries en l’absence d’oxygène [74]. La digestion est
réalisée dans des chambres confinées (appelées digesteurs) à l’intérieur desquelles
les réactions de fermentation sont optimisées et contrôlées.
Le biogaz est principalement composé de méthane, qui est produit en réduisant
de moitié la teneur en matière organique de nombreux déchets ou sous-produits
biodégradables. Le résidu de la digestion (ou digestat) est stable, inodore et pra-
tiquement exempt de germes pathogènes [74]. Ce type de production d’énergie,
largement utilisé et connu depuis longtemps, présente une solution prometteuse
pour la production d’énergie renouvelable. Il soulève cependant certains défis liés
à l’exploitation de ce type de système complexe et incertain [33, 86].
En effet, la digestion anaérobie est un processus en plusieurs étapes dans lequel
un consortium de microorganismes agit sur la matière organique composite pour
produire du biogaz total (CH4 , CO2 , H2 et H2 S) [102]. La surveillance et le contrôle
d’un processus de digestion anaérobie dans des conditions de fonctionnement op-
timales est une tâche difficile en raison de la complexité du système et du manque
de capteurs en ligne pour les variables biologiques et biochimiques.
La modélisation mathématique du processus de digestion anaérobie est la première
étape de son automatisation. Dans un deuxième temps, le modèle sera utilisé pour
développer des modèles de simulation afin de tester et d’évaluer les stratégies d’es-
timation et de contrôle [96, 84].
Dans ce contexte, des modèles de simulation de référence (BSM) ont été conçus
pour développer, tester et évaluer les stratégies de contrôle et de surveillance des
stations d’épuration locales et à l’échelle de l’usine, en utilisant des modèles dy-
namiques pour obtenir une bonne qualité d’effluent, à un faible coût opération-
nel [114].
Plusieurs modèles ont été proposés dans la littérature pour modéliser le processus
de digestion anaérobie [19, 15, 61]. Parmi les modèles présentés dans la littérature,
le modèle de digestion anaérobie no .1 (ADM1) proposé dans [15] est probablement
le plus utilisé.
Le modèle ADM1 a été testé dans plusieurs applications telles que les boues d’épu-
ration municipales, les déchets solides, les déchets agricoles, les déchets d’élevage et
les résidus de culture. ADM1 est un modèle structuré où les processus physiques,
chimiques et biologiques sont intégrés dans une matrice biochimique cinétique.
Dans sa version de base, ce modèle décrit 19 processus biochimiques, 3 processus
cinétiques de transfert gaz-liquide et 7 populations bactériennes différentes, dont
deux biomasses pour la dégradation des sucres solubles et des acides aminés, trois
pour le propionate, le butyrate et valerate et les acides gras longues chaines et enfin
deux biomasses pour l’hydrogène et l’acétate dans la phase de méthanogénèse [15].
L’ADM1 est actuellement le modèle le plus complet pour décrire le processus de la
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 35

digestion anaérobie. Le modèle ADM1 a été largement utilisé dans des applications
académiques et pratiques [15, 61].
Dans cette étude, le modèle ADM1 est utilisé pour modéliser un système expéri-
mental de digestion anaérobie de la bouse de vache. Plus précisément, cette section
présente la calibration du modèle ADM1 et l’identification des paramètres pour le
digesteur expérimental étudié. La procédure proposée a été développée par analo-
gie avec la respirométrie aérobie utilisée pour la détermination des fractions de de-
mande chimique en oxygène (DCO) de l’influent pour les modèles de systèmes [46].
Les variables de l’ADM1 incluent des composés solubles et particulaires. Toutes
les concentrations des composés organiques ainsi que de l’hydrogène moléculaire et
des biomasses sont exprimées en demande chimique en oxygène (DCO).
La DCO, communément utilisée pour caractériser les composés organiques dans les
eaux usées, est considérée comme étant l’unité de la plupart des modèles décrivant
les processus de traitement des eaux usées. L’intérêt de l’ADM1 réside dans le fait
qu’il repose sur le fractionnement de la DCO ce qui permet de faire facilement des
bilans, les trois phases (solide, liquide et gazeuse) sont modélisées.
Cette procédure permet la détermination simultanée de certaines variables d’état
d’entrée de l’ADM1 et de la cinétique d’hydrolyse associée [46]. Dans cette re-
cherche, les paramètres cinétiques des réactions des processus de désintégration,
d’acétogenèse et de méthanogénèse pendant la digestion anaérobie sont vérifiés.
Les résultats de la simulation sont ensuite comparés à certaines données obtenues
expérimentalement, à savoir : la production de biogaz total, composé majoritai-
rement de méthane et de dioxyde de carbonne, la concentration de la demande
chimique en oxygène (DCO) et la concentration des acides gras volatils (AGV) [24].

3.2.2 Modélisation du système

[Link] Préparation expérimentale
La simulation a été réalisée sur la base de données recueillies à partir d’un digesteur
expérimental construit à l’Institut Supérieur de Technologie (IST) de Mamou, en
république de Guinée (voir Figure 2.1). Le digesteur a un volume de 3 m3 , fonction-
nant dans des conditions mésophiles à 35,6 ◦ C. Le volume de liquide varie entre
1,5 m3 et 2,5 m3 et le temps de rétention hydraulique (TRH) est d’environ 45
jours. Il représente la durée pendant laquelle un composé soluble reste dans le di-
gesteur. Le biodigesteur est alimenté avec 35 kg de matière première. La charge
moyenne d’entrée est de 0,34 kg/m3 . La production moyenne de biogaz est d’en-
viron 2,1 m3 j-1 (j : jour) et varie d’un minimum de 0,73 m3 j-1 à un maximum de
2,49 m3 j-1 . Le digesteur est agité tous les jours, et le milieu de culture sera supposé
homogène par la suite.
La caractérisation des variables physiques et biochimiques, à savoir : matière sèche
(MS), matière organique (MO) et demande chimique en oxygène (DCO), est basée
sur des méthodes standard. Les acides gras volatils (ADM1) ont été mesurés à l’aide
d’un chromatographe en phase gazeuse. Des méthodes de détermination, selon [82,
95], ont été utilisées pour caractériser le substrat en termes de glucides, protéines
et graisses [95].
La production totale de biogaz a été mesurée à l’aide d’un compteur à gaz de
type Itron/G4 GALLUS. Les valeurs de la production de biogaz ont été normalisées.
La production de biogaz, la température et le pH ont été mesurés en continu tout
au long de l’expérience.
Les mesures de la demande chimique en oxygène (DCO) et la concentration des
acides gras volatils (AGV) et du débit de biogaz total (CH4 et CO2 ) seront utilisées
36 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

ci-après pour l’identification du modèle. La digestion anaérobie met en œuvre un

écosystème microbien anaérobie complexe qui décompose la matière organique en
quatre étapes successives pour aboutir au biogaz, mélange composé à 50-70 %
de méthane (CH4 ) et 30-50 % de dioxyde de carbone (CO2 ). La représentation
schématique de la digestion anaérobie est montrée sur la Figure 3.1.

[Link] Modélisation mathématique

Le modèle ADM1 est un modèle non linéaire d’ordre supérieur largement utilisé
pour modéliser la digestion anaérobie.

Figure 3.1 – Représentation schématique de la digestion anaérobie. (1) Désinté-

gration, (2) Hydrolyse, (3) Acidogenèse, (4) Acétogenèse et (5) Méthanogénèse.

Dans le modèle ADM1, la digestion anaérobie est divisée en 5 processus de base, à

savoir : la désintégration, l’hydrolyse, l’acidogenèse, l’acétogenèse et la méthanogé-
nèse, comme nous montre la Figure [Link] les processus biochimiques extracel-
lulaires sont supposés être de type premier ordre, tandis que toutes les réactions
intercellulaires sont des cinétiques de type Monod.
La demande chimique en oxygène (DCO) de l’influent est divisée en 13 variables
d’état d’entrée, dont 11 fractions de DCO biodégradables telles que le substrat
composite, les glucides, les protéines, les lipides, les sucres, les acides aminés, les
acides gras à longue chaîne (AGV), le butyrate, le valérate, le propionate et l’acé-
tate. La DCO inerte de l’influent est divisée en une fraction soluble et une fraction
particulaire [56]. Chaque substrat a été considéré comme composé de fractions qui
se dégradent à des vitesses différentes. Les fractions particulaires ont par définition
l’hydrolyse comme taux limitant et, par conséquent, leur taux de désintégration a
été décrit par une cinétique d’hydrolyse de premier ordre [122].
Dans cette étude, une version modifiée du modèle ADM1, comme dans [21], est
considérée. Cette version modifiée incorpore la concentration des produits particu-
laires issus de la désintégration de la biomasse dans le vecteur d’état. Le modèle
ADM1 modifié est ensuite décrit par un ensemble d’équations différentielles ordi-
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 37

naires (ODE) et d’équations différentielles algébriques (DAE). Les équations dif-

férentielles ordinaires (ODE) sont environ 35 équations, dérivées de la dynamique
de la variable d’état correspondant à un composant de la phase liquide. Elles sont
déterminées à partir d’un bilan massique dans l’hypothèse d’un digesteur à cuve
agitée à flux continu.
Dans [105], certaines équations différentielles ordinaires (ODE) peuvent être rem-
placées par des équations différentielles algébriques (DAE). Les équations différen-
tielles algébriques concernent 33 variables en régime permanent (substrats, inter-
médiaires de réaction et produits gazeux, c’est-à-dire le méthane, l’hydrogène, le
dioxyde de carbone en phase liquide et gazeuse). Le modèle comprend 105 para-
mètres stœchiométriques et cinétiques.
Le logiciel Matlab et Simulink proposé par [15] et [105] a été utilisé comme outil
de simulation dans cette étude.

3.2.3 Calibrage du modèle

[Link] Débit d’entrée
Tout d’abord, il faut déterminer le débit d’entrée du déchet. Le digesteur fonctionne
en mode continu (le débit de sortie est égal à son entrée, ce qui conduit à un volume
de culture constant). Ce débit doit être suffisant pour permettre la croissance
des populations bactériennes, mais pas trop élevé pour éviter une inhibition de
la croissance par le substrat ou un lessivage de la culture. Dans cette étude, le
débit d’entrée a été déterminé expérimentalement par la détermination du taux
de dilution (noté D). Ce dernier est défini comme l’inverse du temps de rétention
hydraulique (TRH). Il peut également être défini comme suit :
Qin
D= (3.1)
VLiq
Où Qin est le débit d’alimentation (en m3 .j-1 ), VLiq est le volume de liquide (en
m3 ) et D est le taux de dilution (en j-1 ).
La valeur du taux de dilution à utiliser dans la procédure d’identification doit être
déterminée. Plusieurs expériences ont été réalisées et des expériences de digestion
anaérobie ont été effectuées pour plusieurs valeurs de taux de dilution sur une
période de 45 jours.

[Link] Détermination des paramètres du modèle

A partir des mesures expérimentales disponibles du débit de gaz, des concentrations
en AGV et DCO, les paramètres du modèle sont ajustés de manière à ce que les
données expérimentales soient aussi proches que possible des valeurs prédites avec
le modèle ADM1.
En outre, le modèle ADM1 est un modèle non linéaire d’ordre élevé, ce qui rend
la calibration du modèle difficile. Dans cette étude, les paramètres du modèle ont
été divisés en deux groupes. Le premier groupe contient des paramètres moins
influents. Leur valeur sera fixée à partir de la littérature. Le second groupe de
paramètres représente les paramètres du modèle les plus influents sur la sortie du
système. Ils seront alors identifiés à partir des données mesurées. Les paramètres du
modèle à identifier sont alors déterminés en résolvant un problème d’optimisation.
La valeur optimale des paramètres, Θ∗ , minimise la fonction de coût exprimée
comme 3.2 :

J = ∥y − yp ∥2W (3.2)
38 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Où y est un vecteur des valeurs mesurées des concentrations : AGV, DCO et du

débit de gaz (Q), respectivement et yp est un vecteur contenant les valeurs prédites
de ces variables.
La matrice variable W, est une matrice de normalisation. Des contraintes pour-
raient être ajoutées à ce problème d’optimisation, par exemple pour forcer chaque
composante Θ à être positive. La détermination de l’influence des paramètres sur
les résultats a été déterminée grâce à une analyse de sensibilité.
L’analyse de sensibilité consiste à mesurer l’influence qu’a une perturbation sur
l’entrée d’un système sur l’incertitude de sa sortie. Afin de définir quel paramètre
peut influencer la variable une variable donnée, une analyse de sensibilité des résul-
tats par rapport aux paramètres doit être effectuée. Dans cette étude, l’analyse de
sensibilité discrète est utilisée pour sa simplicité de mise en œuvre. La sensibilité
paramétrique pour les systèmes continus pourrait également être utilisée. Cepen-
dant, la complexité du modèle ADM1 rend sa mise en œuvre difficile. Une étude
de sensibilité globale, par exemple basée sur l’analyse de sobol, pourrait également
être étudiée.
On distingue deux types d’analyse : l’analyse de sensibilité globale qui explore l’es-
pace des entrées sur l’intégralité du domaine de définition, et l’analyse de sensibilité
locale qui l’explore autour d’une valeur précise.
Dans ces travaux, la fonction sensibilité relative (RSF) proposée dans [97] est uti-
lisée. Elle est définie comme l’expression 3.3 :
Pi yi (Pi + ∆Pi ) − yj (Pi )
δi,j = (3.3)
yj (Pi ) ∆P i
Où δi,j est le RSF entre Pi et yj , Pi est le ième paramètres, yj (Pi ) est la jème sortie,
et ∆Pi la variation sur les paramètres.
Une valeur allant jusqu’à 20 % pour ∆Pi est couramment utilisée. Dans cette étude,
la variation des paramètres ∆Pi est déterminée à partir de la plage de l’ordre du
paramètre de la littérature pour une application similaire.
La valeur de RSF aidera à déterminer l’influence des ième paramètres sur la jème
sorties [97] :
— RSF < 0,25 : Pas d’influence, noté "0" ;
— 0,2 ≤ RSF < 1 : Sensible, noté "+" ;
— 1 ≤ RSF < 2 : Très sensible, noté "++" ;
— RSF ≥ 2 : Extrêmement sensible, noté "+++".
Pour chaque paramètre du modèle ADM1, les valeurs du RSF pour toutes les
sorties sont calculées afin de déterminer le meilleur possible des paramètres.
Il convient de mentionner qu’un paramètre peut affecter plusieurs variables d’état
tout comme il peut être constaté que plusieurs paramètres peuvent affecter la même
variable d’état. Certains paramètres ajustables sont présentés dans la Figure 3.1.
L’influence des paramètres sur les résultats dépend aussi fortement des conditions
de fonctionnement. Pour les conditions d’inhibition, les paramètres liés à la ciné-
tique d’inhibition sont les plus influents. Au contraire, si le système est exploité
loin des conditions d’inhibition, ces paramètres d’inhibition ont moins d’influence
sur les sorties. Il est donc important de réaliser une analyse de sensibilité pour des
conditions de fonctionnement proches des conditions optimales ou pour plusieurs
entrées afin de caractériser l’influence des paramètres pour plusieurs études de cas.
Cependant, l’identification des paramètres d’un modèle biologique peut être une
tâche difficile, d’autant plus que les données mesurées sont peu nombreuses. Dans
cette étude, nous choisissons de limiter l’identification des paramètres biochimiques
uniquement. Les paramètres stœchiométriques seront soit fixés à une valeur issue
de la littérature pour des procédés des digestions anaérobies similaires, soit à la
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 39

valeur par défaut du modèle ADM1 si leur influence pour le débit d’entrée considéré
est très faible.
De plus, les taux de désintégration pour toutes les acétogènes ont été augmentés
à 0,04 j-1 en accord avec d’autres recherches indiquant des taux de désintégration
supérieurs à 0,02 j-1 [13].
Dans la section [Link], les résultats obtenus en appliquant la procédure proposée
sont détaillés et analysés.

3.2.4 Résultats expérimentaux

[Link] Caractérisation de l’influent
La caractérisation de l’intrant est une étape critique dans la modélisation de la
digestion anaérobie (AD). La concentration à l’entrée était de 18,10 kgDCO.m-3 .
Cela conduit à Xc,in est de 41,66 kgDCO.m-3 en moyenne, son profil est illustré par
la Figure 3.4 et Ssu,in est de 0,05 kgDCO.m-3 . La température de l’influent est en
moyenne de 35,6 ◦ C, son profil est donné par la Figure 3.3. Le carbone inorganique
dans l’influent est calculé en supposant que le CO2 est à l’équilibre avec sa pression
partielle atmosphérique.
Ensuite, San,in et San,in sont des concentrations qui vont déterminer l’équilibre des
charges. La caractérisation de l’entrée est donnée dans le Tableau 3.1.

Table 3.1 – Caracteristiques des paramètres en entrée

Composés Description Valeurs Unité

Ssu,in Concentration du sucre 0,050 kgDCO.m-3
Xc,in Concentration de composite 41,66 kgDCO.m-3
SIC,in Concentration en carbone inorganique 0,150 kmole.C.m-3
SIN,in Concentration en azote inorganique 0,130 kmole.N.m-3
Scat,in Concentration en cations inertes 0,040 kmole.m-3
San,in Concentration en anions inertes 0,020 kmole.m-3
◦
TDin Température 35,60 C

Table 3.2 – Valeurs du taux de dilution

Temps D Temps D
jours j-1 jours j-1
0 0,25 22 0,21
2 0,25 23 0,25
3 0,18 34 0,25
8 0,18 35 0,22
9 0,24 39 0,22
15 0,24 40 0,20
16 0,21 45 0,20
40 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Le débit d’entrée a été choisi avec une évolution constante par morceaux avec un
volume de liquide de 1,5 m3 , le taux de dilution est alors donné par le Tableau 3.2
et illustré par la Figure 3.2. Le taux de dilution du substrat varie d’un minimum
de 0,18 j-1 à un maximum de 0,25 j-1 avec un changement progressif en moyenne
de 0,02 j-1 .

Figure 3.2 – Évolution du taux de dilution en fonction du temps

Figure 3.3 – Variation de la température du biodigesteur en entrée

Le profil de la température est donnée par la Figure 3.3. La température du bio-

digesteur influence beaucoup sur la production du biogaz.
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 41

Figure 3.4 – Variation de la concentration de Xc en entrée

Le profil de la concentration des substrats composites (Xc ) est donnée par la Fi-
gure 3.4. Le Tableau 3.3 fournit les résultats de la caractérisation des paramètres
physico-chimiques en entrée, avec un rapport carbone et azote d’environ 21,4 en
moyenne et un potentiel hydrogène (pH) de 7,45. Le pH affecte en particulier l’acti-
vité enzymatique des micro-organismes, il est important pour stabiliser le processus
des digesteurs anaérobies.

Table 3.3 – Paramètres physico-chimiques en entrée

Description Bouse de vache Unité

MS 57 %
MO 54 %
C 31 %MS
N 1, 46 %MO
DCO 57, 35 kgDCO.m-3
AGV 2, 03 kgDCO.m-3
pH 7, 45 -
C/N 21, 40 -

L’implémentation a été proposée dans la littérature par C. Rosen et al. en 2006

[105] dans «Aspects on ADM1 Implémentation within the BSM2 Framework» où
elle est un peu différente de la description du modèle dans Batstone et al. (2002) [15].
Premièrement, l’ADM1 est mis de manière à être cohérent avec le BSM2 complet
sur lequel le modèle est basé. Deuxièmement, les exigences de calcul doivent être
prises en compte. Troisièmement, aucune valeur explicite n’est donnée dans Bats-
tone et al. (2002) [15] concernant les teneurs en carbone et en azote de certaines
variables d’état.
42 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

L’implémentation de C. Rosen et al. [105] est constituée d’un schéma Simulink qui
contient des s-fonction correspondant aux différentes manières de résoudre le sys-
tème des équations différentielles algébriques (DAE) et des équations différentielles
ordinaires (ODE) dans le but d’améliorer les performances du système et diminuer
les temps de calculs. A partir de ces données, les valeurs initiales des états sont
calculées à partir de [13], [94] et [130]. Les valeurs des états au moment initial sont
indiquées dans les tableaux 3.4 et 3.5.

Table 3.4 – Valeurs des composants solubles (a Estimé à partir de [130], b Estimé
à partir de [94])

Description Valeur Unité

Monosacharides 5,00a kgCOD.m-3
Valerate total 0,125 kgCOD.m-3
Butyrate total 0,065 kgCOD.m-3
Propinate total 0,132 kgCOD.m-3
Acetate total 0,215 kgCOD.m-3
Glucides 18b kgCOD.m-3
Proteines 31b kgCOD.m-3
Lipides 1,7b kgCOD.m-3
Particules inertes 35,30b kgCOD.m-3

Table 3.5 – Valeurs initiales des dégradeurs (a Estimé à partir de [94])

Description Valeur Unité

Dégradeurs d’acétates 1,2a kgCOD.m-3
Dégradeurs d’hydrogène 0,5a kgCOD.m-3
Dégradeurs de sucre 0.27a kgCOD.m-3
Dégradeurs d’acides aminés 0,78a kgCOD.m-3
Dégradeurs de LCFA 0,15a kgCOD.m-3
Dégradeurs de valérate et de butyrate 0,28a kgCOD.m-3
Dégradeurs de propinate 0,09a kgCOD.m-3

[Link] Simulation du modèle ADM1

Le système est représenté par un biodigesteur experimental de type continu. Les
données à la sortie du modèle sont le débit de biogaz total (CH4 + CO2 ), les
concentrations des variables d’entrées, et les états du modèle ADM1 qui modé-
lisent les digesteurs anaérobies, ainsi que les caractéristiques physiques des diges-
teurs. Le modèle ADM1 est alimenté par les données en entrée (débit de l’influent,
composite, température) et les conditions initiales des variables d’état. Certains
paramètres utilisés pour la simulation du modèle ADM1 étaient des valeurs par
défaut (Batstone et al. 2002a) [15]. Les valeurs initiales des paramètres du modèle
ADM1 qui sont utilisés pour la simulation sont des données des tableaux 3.6 à 3.8.
Le logiciel Matlab/Simulink a été utilisé pour la simulation numérique.
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 43

Table 3.6 – Paramètres stœchiométriques du modèle ADM1 [15]

i Paramètres Valeurs Unité

1 fsi,xc 0,15 -
2 fxi,xc 0,11 -
3 fch,xc 0,16 -
4 fpr,xc 0,19 -
5 fli,xc 0,340 -
6 Nxc 0,0376/14,0 [Link].m-3
7 Ni 0,06/14,0 [Link].m-3
8 Naa 0,007 [Link].m-3
9 Cxc 0,028 [Link].m-3
10 Csi 0,030 [Link].m-3
11 Cch 0,031 [Link].m-3
12 Cpr 0,030 [Link].m-3
13 Cli 0,022 [Link].m-3
14 Cxi 0,030 [Link].m-3
15 Csu 0,031 [Link].m-3
16 Caa 0,030 [Link].m-3
17 Cfa,li 0,950 -
18 Cfa 0,022 [Link].m-3
19 fh2,su 0,190
20 fbu,su 0,130
21 fpro,su 0,270
22 fac,su 0,410 -
23 Nbac 0,08/14,0 [Link].m-3
24 Cbu 0,025 [Link].m-3
25 Cpro 0,027 [Link].m-3
26 Cac 0,031 [Link].m-3
27 Cbac 0,031 [Link].m-3
28 Ysu 0,100 [Link].m-3
29 fha,aa 0,060 -
30 fva,aa 0,230 -
31 fbu,aa 0,260 -
32 fpro,aa 0,050 -
33 fac,aa 0,400 -
34 Cva 0,024 [Link].m-3
35 Yaa 0,080 [Link].m-3
36 Yfa 0,060 [Link].m-3
37 Yc4 0,080 [Link].m-3
38 Ypro 0,040 [Link].m-3
39 Ych4 0,016 [Link].m-3
40 Yac 0,080 [Link].m-3
41 Yh2 0,060 [Link].m-3
44 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Table 3.7 – Paramètres biochimiques du modèle ADM1[15]

i Paramètres Valeurs Unité

42 khyd,ch 10,00 j-1
43 khyd,pr 10,00 j-1
44 khyd,li 10,00 j-1
45 KS,IN 1.10-3 kmole.m-3
46 km,su 25,00 j-1
47 KS,su 0,50 kgDCO.m-3
48 pHUL,aa 5,50 -
49 pHLL,aa 4,00 -
-1
52 km,aa 50,00 j
53 KS,aa 0,30 kgDCO.m-3
54 km,fa 6,00 j-1
55 KS,fa 0,40 kgDCO.m-3
56 KIh2,fa 5.10-6 kgDCO.m-3
57 KIh2,c4 1.10-4 kgDCO.m-3
58 KIh2,pro 2.4e-8 kgDCO.m-3
59 KI,nh3 0,002 kmole.m-3
60 pHUL,ac 7,00 -
61 pHLL,ac 6,00 -
-1
62 km,h2 35,00 j
63 KS,h2 0,7.10-5 kgDCO.m-3
64 pHUL,h2 6,00 -
65 pHLL,h2 5,00 -
-1
66 kdec,Xsu 0,020 j
67 kdec,Xaa 0,020 j-1
68 kdec,Xfa 0,020 j-1
69 kdec,Xc4 0,020 j-1
70 kdec,Xpro 0,020 j-1
71 kdec,Xac 0,020 j-1
72 kdec,Xh2 0,020 j-1
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 45

Table 3.8 – Paramètres physicochimiques du modèle ADM1[15]

i Paramètres Valeurs Unité

73 R 0,0831 [Link].m-3 .K
74 Tbase 298,15 K
75 Top 308,15 K
76 pKw,base 14,00 kmole.m-3
77 pKa,va,base 4,86 kmole.m-3
78 pKa,bu,base 4,82 kmole.m-3
79 pKa,pro,base 4,88 kmole.m-3
80 pKa,ac,base 4,76 kmole.m-3
81 pKa,co2,base 6,35 kmole.m-3
82 pKa,IN,base 9,25 kmole.m-3
83 kA,Bva 1.108 kmole.m-3 .j-1
84 kA,Bbu 1.108 kmole.m-3 .j-1
85 kA,Bpro 1.108 kmole.m-3 .j-1
86 kA,Bac 1.108 kmole.m-3 .j-1
87 kA,Bco2 1.108 kmole.m-3 .j-1
88 kA,BIN 1.108 kmole.m-3 .j-1
89 Patm 1,013 bar
90 Pgaz,h2o 0,06 bar
91 kP 5.104 m3 .j-1 .bar-1
92 kla 200,00 j-1
93 KH,h2o,base 0,031 kmole.m-3 .bar-1
94 KH,co2,base 0,035 kmole.m-3 .bar-1
95 KH,ch4,base 0,001 kmole.m-3 .bar-1
96 KH,h2,base 0,001 kmole.m-3 .bar-1

3.2.5 Ajustement des paramètres du modèle

Dans un premier temps, la classification des paramètres du modèle en fonction de
leur influence sur les sorties est effectuée comme décrit dans la section [Link].
L’analyse de sensibilité est effectuée pour le profil de dilution décrit dans la sec-
tion [Link]. Les paramètres du modèle sont, dans ce cas, fixés soit à des valeurs
issues de la littérature, soit à des valeurs données par défaut dans le modèle ADM1.
Si les paramètres à ajuster sont identifiés, on simule le modèle ADM1 en prenant
en compte les données d’entrées. Le système de digestion anaérobie est alimenté
tous les jours avec le substrat de la bouse de vache.
Pour l’ajustement des paramètres, nous avont utilisés les résultats de la simulation
du système avec les valeurs du modèle ADM1 [15, 105] : simulation en alimen-
tation variable en entrée, comparer les résultats de la simulation avec les valeurs
expérimentales, ajuster la valeur des paramètres influents sur la composante qu’on
voudrait calibrer et réaliser une analyse de sensibilité des paramètres pour identifier
les paramètres influents. L’avantage de l’analyse de sensibilité consiste à déterminer
les paramètres des modèles les plus influents et permet de faire l’identification des
paramètres les plus dominants et favorise la simplification des modèle complexes.
46 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Table 3.9 – Composés dans la phase liquide et des concentrations ionisées du

modèle ADM1

i Composés Description Valeurs Unité

1 Ssu Monosaccharides 0,050 kgDCO.m-3
2 Saa Acides aminés 0,005 kgDCO.m-3
3 Sfa Acides gras longue chaines 0,099 kgDCO.m-3
4 Sva Valérate 0,013 kgDCO.m-3
5 Sbu Butyrate 0,065 kgDCO.m-3
6 Spro Propionate 0,13 kgDCO.m-3
7 Sac Acétate 0,21 kg DCO.m-3
8 Sh2 Hydrogène 2,3e-007 kgDCO.m-3
9 Sch4 Méthane 0,05 kgDCO.m-3
10 SIC Carbone inorganique 0,15 kmole.C.m-3
11 SIN Azote inorganique 0,13 kmole.N.m-3
12 SI Solubles inertes 0,33 [Link].m-3
13 Scat Cations 0,04 kmole.m-3
14 Xc Composite 0,31 kgDCO.m-3
15 Xch Glucides 0,028 kgDCO.m-3
16 Xpr Protéine 0,10 kgDCO.m-3
17 Xli Lipides 1,70 kgDCO.m-3
18 Xsu Sucre dégradé 0,42 kgDCO.m-3
19 Xaa Acides aminés dégradés 1,78 kgDCO.m-3
20 Xfa Acides gras longue chaines 0,15 kgDCO.m-3
21 Xc4 Valérate et propionate 0,43 kgDCO.m-3
22 Xpro Propionate dégradés 0,09 kgDCO.m-3
23 Xac Acides acétiques particuliers 1,20 kgDCO.m-3
24 Xh2 Hydrogène 0,50 kgDCO.m-3
25 XI Particulaire Inertes 25,60 kgDCO.m-3
26 San Anions 0,02 kmole.m-3
27 Shva Valérate 0,01 kgDCO.m-3
28 Shbu Butyrate 0,01 kgDCO.m-3
29 Shpro Propianate 0,02 kgDCO.m-3
30 Shac Acétate 0,20 kgDCO.m-3
31 Shco3 Bicarbonate 0,14 kmole.C.m-3
32 Snh3 Amoniaque 41.10-5 kmole.N.m-3

Table 3.10 – Composés dans la phase gazeuse du modèle ADM1

i Composés Description Valeurs Unité

33 Sgas,h2 Hydrogène 102.10-5 [Link].m-3
34 Sgas,ch4 Méthane 1,63 [Link].m-3
35 Sgas,co2 Dioxyde de carbone 0,01 kmole.C.m-3
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 47

La sensibilité de kdis par rapport à Xc est testée. Par défaut, on note kdis =
0,5 ; puis on pose kdis = 0,5 à nouveau, enfin on simule les valeurs de Xc (kdis )
et Xc (kdis +∆kdis ).
Ensuite, on calcule l’analyse de sensibilité relative (RSF) :

kdis Xc (kdis + ∆kdis ) − Xc (kdis )

δXc,kdis = (3.4)
Xc (kdis ) ∆kdis
Après calcule, une partie des résultats de l’analyse de sensibilité sont donnés dans
le Tableau 3.11. On remarque que la concentration de substrat composite notée
Xc , est extrêmement sensible à la variation de la constante de désintégration kdis ,
alors que les concentrations de DCO, d’AGV, et du débit de biogaz (Q) sont moins
sensibles à la variation de ce paramètre.
De même, on constate que Xc , les concentrations en DCO et en AGV ne sont pas
sensibles à la variation du paramètre stœchiométriques fxi,xc , au contraire le débit
de gaz est très sensible à ce paramètre. Le paramètre fxi,xc est le rendement de
désintégration de Xc en soluble inerte XI (voir la Figure 3.1). En général, Xc est
très sensible à la variation de fxi,xc .
Cependant, pour le profil du taux de dilution (D) considéré et dans les conditions
d’exploitation pour lesquelles l’analyse de sensibilité a été réalisée, il devient moins
important que les autres paramètres. Il est donc important de souligner que le
résultat de l’analyse de sensibilité dépend des conditions opératoires considérées.

Table 3.11 – Exemple d’analyse sensibilité du modèle ADM1

Paramètres Xc DCO AGV Q

kdis +++ + + +
fxi,xc 0 0 0 ++
fsi,xc 0 0 0 ++
km,pro 0 0 +++ 0
km,ac 0 +++ +++ +++

D’après l’analyse de sensibilité, 7 paramètres parmi les 105 paramètres du modèle

sont considérés comme les paramètres les plus influents. Comme mentionné pré-
cédemment, seuls les paramètres cinétiques sont sélectionnés pour être identifiés.
Les paramètres à identifier sont la constante de désintégration (notée kdis ) et les
paramètres décrivant les cinétiques liées à l’absorption du butyrate, du propionate
et de l’acétate. Ces trois dernières cinétiques incluent des effets de limitation et
d’inhibition. Par conséquent, les paramètres impliqués dans ces cinétiques sont le
taux d’absorption maximal du butyrate (km,c4 ), du propionate (noté km,pro ) et de
l’acétate (km,ac ) ; les coefficients de demi-saturation associés (KS,c4 , KS,pro et KS,ac ).
Les coefficients décrivant les effets d’inhibition ne sont pas identifiés puisque le profil
de dilution considéré ne conduit pas le système à fonctionner dans les conditions
d’inhibition. Tous les autres paramètres du modèle ADM1 (à l’exception des 7
paramètres mentionnés dans le Tableau 3.11) seront fixés à leurs valeurs issues de
la littérature et plus particulièrement, selon [15].
Les 7 paramètres kdis , km,c4 , km,pro , km,ac , KS,c4 , KS,pro et KS,ac sont identifiés pour
obtenir le meilleur ajustement aux données expérimentales. La fonction fminsearch
de la boîte à outils Matlab/Simulink est utilisée pour la simulation du modèle
48 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

ADM1. D’autres algorithmes d’optimisation ont été testés avec des résultats si-
milaires. L’algorithme d’optimisation a été initialisé avec les valeurs initiales des
valeurs par défaut des paramètres du modèle ADM1 (voir la section [Link]).
Les données mesurées sont divisées en deux ensembles. Le premier ensemble, ap-
pelé Data#1, correspondant aux données mesurées du temps t = 0 au temps t
= 22 jours, est utilisé pour l’identification. Le second ensemble, appelé Data#2,
correspondant aux données mesurées entre le temps t = 22 jours et le temps t =
45 jours, est utilisé pour la validation du modèle.
Les paramètres ajustés sont présentés dans le Tableau 3.11. On peut remarquer
que pour certains paramètres, les valeurs identifiées sont très proches de leur valeur
initiale (par exemple, KS,ac ), alors qu’elles peuvent être très différentes dans les
autres cas (par exemple, Km,c4 ).
Cependant, toutes les valeurs obtenues sont en accord avec le domaine de variation
de ces paramètres rapporté dans la littérature.

Table 3.12 – Optimisation des paramètres du modèle ADM1

i Composés Initial Identification Unité

1 kdis 0,50 0,21 j-1
2 km,c4 20,00 7,00 j-1
3 km,ac 8,00 6,28 j-1
4 km,pro 12 5,50 j-1
5 KS,ac 0,15 0,13 j-1
6 KS,c4 0,20 0,35 kgDCO.m-3
7 KS,pro 0,10 0,39 kgDCO.m-3

3.2.6 Validation du modèle

Les sorties prédites avec les paramètres identifiés sont illustrées par la Figure 3.5
à la Figure 3.8. Ces figures fournissent également les sorties avec une estimation
initiale des valeurs des paramètres et des données mesurées. Le pH est donné par
la Figure 3.8, il n’a pas été utilisé pour l’identification et permet ici de valider le
modèle. Il est rappelé que seules les données de l’ensemble Data #1 sont utilisées
pour l’identification, tandis que les données de l’ensemble Data #2 sont utilisées
pour la validation. On peut noter un accord entre les données prédites et mesurées,
avec un léger seuil (3 % pour la concentration en AGV, 0,8 % pour la concentration
en DCOtotale, et 0,6 % pour le débit de gaz). Par conséquent, le modèle obtenu
semble fournir une très bonne prédiction du comportement du système. La Fi-
gure 3.5 illustre le débit de gaz mesuré. On peut remarquer que la transformation
en composés gazeux dioxyde de carbonne (CO2 ) et méthane(CH4 ) d’une quantité
définie du substrat organique se déroule comme suit : (i) sur une période de 45
jours, 50 % du volume total du gaz est produit en 10 jours avec un maximum entre
le 10ème et le 20ème jour, (ii) le processus de digestion anaérobie se poursuit du
10ème au 45ème jour. Ce résultat est en accord avec la littérature, qui rapporte que
la durée moyenne de la digestion anaérobie varie entre 10 et 15 jours [88].
3.2. MODÉLISATION ADM1 DU PROCÉDÉ 49

Figure 3.5 – Evolution du débit de gaz en fonction du temps

Après 45 jours de méthanisation dans une plage de température de 27 ◦ C à 35 ◦ C

(plage mésophile), on releve que le débit de biogaz est compris entre 0,73 m3 .j-1
et 2,49 m3 .j-1 . Sa valeur moyenne était d’environ 2,05 m3 .j-1 . Dans les travaux à
venir, nous envisagerons de faire l’optimisation de cette production de biogaz en
contrôlant le profil du taux de dilution.

Figure 3.6 – Évolution de la concentration d’AGV en fonction du temps

La Figure 3.6, nous montre le profil de la concentration des acides gras volatils
(AGV) en fonction du temps.
50 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Figure 3.7 – Évolution de la concentration de DCO en fonction du temps

La Figure 3.7, nous montre le profil de la concentration de la demande chimique

en oxygène totale (DCO) en fonction du temps.

Figure 3.8 – Variation de la concentration du pH en fonction du temps

Le profil du potentiel hydrogène (pH) en fonction du temps est donné par la Fi-
gure 3.13. Sur la base du modèle réduit, des stratégies d’estimation et de contrôle
seront étudiées en fonction du débit de gaz pour surveiller et contrôler la production
de biogaz afin d’optimiser le fonctionnement du processus.
3.3. NOUVELLE VALIDATION EXPÉRIMENTALE 51

3.3 Nouvelle validation expérimentale

Une nouvelle expérimentation a été réalisée sur le digesteur pilote pour tester le
modèle ADM1 identifié. Le volume du liquide de notre digesteur experimental
a été varié de 1,5 m3 à 2,5 m3 . Les paramètres d’entrée du modèle sont celles
utilisées dans les sections précédentes et le profil du taux de dilution est donné par
la Figure 3.9. Les résultats obtenus sont illustrés par la Figure 3.10 à la Figure 3.13.

Figure 3.9 – Profil du taux de dilutionen fonction du temps

Le profil du taux de dilution (D) en fonction du temps est donné par la Figure 3.9.

Figure 3.10 – Productivité du biogaz en fonction du temps

La Figure 3.10, nous montre le profil de la productivité du biogaz total (CH4 +CO2 )
en fonction du temps.
52 CHAPITRE 3. MODÉLISATION DU PROCÉDÉ PAR LE MODÈLE ADM1

Figure 3.11 – Schéma de la concentration des AGV

La Figure 3.11, nous montre le profil de la concentration des acides gras volatils
(AGV) en fonction du temps.

Figure 3.12 – Schéma de la concentration des DCO totale

La Figure 3.12, nous montre le profil de la concentration de la demande chimique

en oxygène totale (DCO) en fonction du temps.
3.4. CONCLUSION 53

Figure 3.13 – Schéma de la variation du pH en fonction du temps

Le profil du potentiel hydrogène (pH) en fonction du temps est donné par la Fi-
gure 3.13. En comparant les résultats expérimentaux et ceux obtenus avec le mo-
dèle ADM1, on constate que les résultats expérimentaux et ceux prédits sont très
proches. Le modèle identifié fournit une très bonne prédiction du comportement
du système.

3.4 Conclusion
Dans ce qui précède, la modélisation du procédé pilote a été effectuée via un de
simulation modèle de type ADM1. Une procédure d’identification a été proposée,
basée sur une analyse de sensibilité des sorties par rapport à la variation des pa-
ramètres. Seuls 7 paramètres parmi les 105 paramètres du modèle ADM1 ont été
identifiés, tandis que les autres paramètres ont été fixés à leur valeur issue de la
littérature. Les données mesurées de la production de biogaz, des concentrations
d’AGV, de DCO, du débit de biogaz (Q) et de pH pour les deux expériences ont
été comparées à celles prédites par le modèle ADM1, mettant en évidence la per-
formance de ce dernier.
De même le modèle a été testé avec de nouvelles données expérimentales mettant
en évidence sa performance pour prédire les concentrations des AGV, de DCO, du
débit de biogaz (Q) et du pH
Il sera, comme indiqué précédemment utilisé par la suite comme modèle de ré-
férence pour les développements théoriques lors de la mise en place de capteurs
logiciels pour les variables non mesurées. Le modèle ADM1 reste néanmoins com-
plexe et de taille élevée.
Dans le chapitre 4, nous nous attacherons à déterminer un modèle simplifié du
digesteur expérimental pilote. Ce modèle simplifié sera le modèle d’étude dans le
but de l’utiliser pour la conception des capteurs logiciels.
4 | Modélisation simplifiée du pro-
cédé

Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Choix des réactions et des variables . . . . . . . . . . . 56
4.3 Modéle simplifié de la digestion anaérobie . . . . . . . 57
4.3.1 Association des variables de l’ADM1 . . . . . . . . . . . 57
4.3.2 Modélisation de l’hydrolyse . . . . . . . . . . . . . . . . 58
4.3.3 Modélisation mathématique à une étape . . . . . . . . . 58
4.3.4 Modélisation mathématique à deux étapes . . . . . . . . 60
4.4 Procédure d’identification . . . . . . . . . . . . . . . . . 62
4.4.1 Modèle à une étape . . . . . . . . . . . . . . . . . . . . 62
4.4.2 Identification en régime transitoire . . . . . . . . . . . . 64
4.4.3 Modèle à deux étapes . . . . . . . . . . . . . . . . . . . 64
4.5 Résultats de l’identification . . . . . . . . . . . . . . . . 65
4.5.1 Etape d’hydrolyse . . . . . . . . . . . . . . . . . . . . . 65
4.5.2 Résultats du modèle à une étape . . . . . . . . . . . . . 66
4.5.3 Résultats du modèle à deux étapes . . . . . . . . . . . . 67
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.1 Introduction
Comme indiqué dans le chapitre précédent, le modèle ADM1 est complexe, non
linéaire, impliquant des équations différentielles ordinaires (EDO) et des équations
différentielles algébriques (EDA), avec un nombre élevé d’équations d’état et de
paramètres. Ceci rend son utilisation difficile lors de la conception de capteurs
logiciels, de l’étude du procédé pour son optimisation et sa commande.
Aussi, il s’avère utile et incontournable de déterminer un modèle simplifié, de taille
réduite, en remplacement du modèle ADM1. Il s’agit de réduire le modèle de si-
mulation ADM1 pour obtenir un modèle simple sans pour autant perdre certaines
caractéristiques dynamiques du modèle d’origine, et ses performances en terme de
représentativité et de prédiction des sorties futures du système. Pour cela il existe
différentes méthodes de réduction des modèles dans la littérature [127, 60].
Parmi les modèles réduits proposés, le modèle AM2 [19, 60] propose un compromis
entre la complexité d’un modèle et sa correspondance avec l’information expéri-
mentale disponible. Il présente des avantages que nous ne retrouvons pas systéma-
tiquement dans les autres méthodes, à savoir : la conservation du sens physique
des variables, la structure du bilan matière et donc sa non linéarité.

54
4.1. INTRODUCTION 55

Les modèles réduits de la littérature ne considèrent en général que la dégrada-

tion des substrats avec la production de biogaz ; alors que d’autres modèles plus
complexes modélisent, en détail, la dégradation des substrats selon des voies méta-
boliques d’acidogenèse et de acétogénèse [127]. Une approche couramment utilisée
en automatique, consiste à réduire le modèle à partir de techniques de projection
avec analyse par composantes principales (ACP) [60, 20]. Cette approche présente
l’avantage de garder un sens biochimique aux variables et paramètres du modèle
réduit. Des méthodes de réduction sans projection sont cependant très couramment
utilisés dans la littérature [127, 60].
Dans [116], les auteurs ont développé une méthode systématique pour la réduction
de modèles dynamiques des schémas réactionnels biochimiques à plusieurs étapes
dans un digesteur de type CSTR (Continuous Stirred Tank Reactor). Une autre
manière de traiter le problème de la réduction de modèle est d’obtenir un modèle
simple, non linéaire et qui conserve parfaitement le sens physique des variables,
c’est-à-dire que les variables biologiques ont les mêmes propriétés que celles du
modèle ADM1. De par la simplicité du modèle réduit, il sera plus facile à manipuler
pour les besoins de l’étude d’estimation et de commande, tout en préservant une
structure non linéaire. Afin de faire le lien entre le modèle ADM1 et un modèle
simplifié qui garde le sens des variables, on peut avoir recours à une procédure
d’association. La procédure d’association est proposée comme une interface simple
et systématique entre les variables d’état de l’ADM1 et celles du modèle simple
proposé de manière à ce que ce dernier puisse être facilement identifiable à partir
de valeurs générées avec le modèle ADM1.
Dans ce chapitre, la détermination d’un modèle simplifié pour le modèle ADM1
sera présentée. Le choix a été fait de mettre en place un modèle simplifié par
association de variables. Cela présente l’avantage de mener à un modèle de faible
complexité, qui sera utilisé pour les besoins de conception de l’estimation des états
et du taux spécifique de croissance qui sera présenté dans le chapitre 5.
Le modèle ADM1 sera considéré et utilisé comme une boîte noire avec les données
mesurées : les concentrations dans le flux entrant (Qin ), le taux de dilution (D), les
concentrations au cours du temps des différents substrats (S) et biomasses (X). Le
but est donc de déterminer un modèle réduit et d’identifier ses paramètres pour
qu’avec les mêmes entrées que le modèle ADM1, nous obtenons approximativement
les mêmes sorties avec les deux modèles (pour un choix défini de variables de
sorties). Deux types de modèles simplifiés ont été déterminés dans ce qui suit :
— Modèle à une étape : avec une seule biomasse et un seul substrat, ce modèle
très simplifié a été développé pour les besoins de l’étude de la conception
d’un estimateur pour le procédé. Il reste limité pour représenter le vrai
comportement du procédé de digestion anaérobie.
— Modèle à deux étapes : avec deux biomasses et deux substrats. Ce modèle,
couramment rencontré dans la littérature, correspond à un modèle simplifié
des étapes d’acidogenèse et de méthanogenèse.
Dans ce qui suit, le choix des variables à associer pour le calibrage et identification
des modèles simplifiés sera présenté dans un premier temps, avant de détailler les
deux modèles simplifiés qui ont été déterminés pour le procédé étudié, à partir du
modèle ADM1 identifié dans le chapitre 3. La procédure d’identification employée
sera également présentée.
En effet, malgré la simplification du modèle, il reste néanmoins non linéaire, défini
par des équations différentielles ordinaires et les problématiques d’identification
restent présentes.
56 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

4.2 Choix des réactions et des variables

Le choix du nombre de réactions à considérer et les composants qui interviennent
dans ces réactions est capital pour la modélisation. Il se fera en fonction de la
connaissance dont on dispose sur le procédé et des mesures qui auront pu être
réalisées. Dans la littérature, des procédures de regroupement de variables ont
été proposées dans le but de lier et connecter des modèles existants qui ont été
développés séparément et qui utilisent différents groupes de variables d’état.
Dans le modèle simplifié que nous allons développer, la première modification
consiste à inclure l’étape d’hydrolyse qui décrit la dégradation en substances orga-
niques solubles (acides aminés et acides gras volatils) de la matière organique et
des composés à grands poids moléculaires tels que les lipides, les polysaccharides
et les protéines. Des modèles à une étape ou à trois étapes ont été étudiés par
plusieurs chercheurs qui ont présenté une version modifiée de l’ADM1 où l’étape
d’hydrolyse a été introduite, faisant apparaître des points d’équilibre positifs [39].
Lorsque la matière organique à convertir en méthane (CH4 ) est particulaire, l’hy-
drolyse est souvent reconnue comme l’étape limitante dans le processus global de
digestion anaérobie [121]. Dans le modèle ADM1, la désintégration et l’hydrolyse
sont décrits comme des processus convertissant les matières organiques particu-
laires sous forme soluble, et dont le modèle est décrit par une cinétique du premier
ordre. Les modèles simplifiés déterminés dans cette étude sont développés sur la
base d’un bilan de matière. Dans le premier modèle à une étape, l’ensemble des
biomasses sont regroupés en une seule biomasse, et on procède de même pour les
substrats. Pour le modèle à deux étapes, on considère deux processus et deux popu-
lations bactériennes. Dans la première étape d’acidogenèse, la biomasse acidogène
consomme le substrat organique et produit les acides gras volatiles AGV et le CO2 .
Dans la deuxième étape de méthanisation, la biomasse méthanogène consomme les
AGV et produit du méthane (CH4 ) et du dioxyde de carbone (CO2 ).
Le taux d’hydrolyse peut être modélisé par l’expression 4.1 :
ρH = khyd × X (4.1)
Où khyd est la constante d’hydrolyse (j-1 ), X est la concentration du substrat par-
ticulaire (kg/m3 ) et ρH est le taux d’hydrolyse du substrat (kg/m3 ).
Dans la proposition de modification du modèle AM2 proposé dans [61], il a été
établie que la variable qui subira l’hydrolyse est représentée par le substrat par-
ticulaire (XT ), incluant les substrats particulaires relatifs aux matériel composite
(XC ), glucides (Xch ), protéines (Xpr ) et lipides (Xli ).
Pour préserver la simplicité du modèle, nous avons fait le choix de ne pas considérer
séparément l’hydrolyse de chacun de ces éléments mais de les considérer comme
un unique substrat particulaire. L’ADM1 a souvent été impliqué dans la procédure
d’association, notamment c’est le cas des modèles de boues activées dénommé ASM
(Aerobic Sludge Model), parmi ceux-ci nous pouvons citer le modèle de [93].
Par ailleurs, beaucoup des chercheurs ont présenté un cadre général pour rendre
l’association de variables possible. Leur idée est basée sur des équations algébriques
qui constituent des interfaces entre les différents modèles [120]. Afin de pouvoir
utiliser les données simulées par l’ADM1 pour étalonner le modèle simplifié nous
proposons une procédure établissant une correspondance entre le grand nombre
de variables modélisées par le modèle ADM1. En se référant aux modèles déjà
existants, la concentration du substrat organique S1 dans le modèle simplifié cor-
respond aux substrats solubles dans le modèle ADM1. Ils incluent les sucres, les
acides aminés, les acides gras particulaire (protéines, lipides et glucides) car ils
4.3. MODÉLE SIMPLIFIÉ DE LA DIGESTION ANAÉROBIE 57

représentent souvent un pourcentage non négligeable de la DCOtotale et ne peuvent

donc pas être ignorés. Par contre, la concentration du substrat organique S1 dans
le modèle AM2HN correspond aux substrats solubles de l’ADM1.
Les composés particulaires du substrat de l’influent sont pris en compte dans la
variable de la biomasse XT du modèle modifié. Par la suite, l’association de va-
riables est la même pour les modèles AM2 et AM2HN. La concentration totale des
AGV, y compris les composés solubles (valérique, butyrique, propionique et acide
acétique), est représentée par X2 . Dans AM2 et AM2HN de [61], les différentes
populations bactériennes du modèle ADM1 appartiennent à deux familles en par-
ticulier, à savoir : S1 qui est responsable de l’acidogenèse, X2 qui est responsable
de l’Acétogénèse et de la méthanisation. Les micro-organismes responsables de la
dégradation des sucres, acides aminés et gras sont groupés dans la première fa-
mille tandis que les autres, convertissant l’hydrogène et les acides volatils (AGV)
en méthane, appartiennent à la seconde famille des micro-organismes. Ainsi, il a
été possible de regrouper les variables d’état du modèle ADM1 en de nouvelles
variables qui seront utilisées dans la suite de ces travaux pour la détermination des
deux modèles simplifiés, en nous basant sur les approches de la littérature [61].

4.3 Modéle simplifié de la digestion anaérobie

La modélisation du procédé s’appuie sur une démarche classique de bilan de matière
[41, 44]. Le digesteur fonctionne en mode continu (le débit de sortie est égal au
débit d’entrée, ce qui donne un volume de culture constant). On suppose qu’il est
parfaitement agité.

4.3.1 Association des variables de l’ADM1

Dans l’état de l’art, des procédures d’association de variables ont été proposées
dans l’objectif d’associé des modèles existants qui ont été développés séparément
et qui utilisent différents variables d’état. Pour pouvoir utiliser les données simulées
par l’ADM1 pour étalonner le modèle réduit, nous mettons en place une procédure
d’association de variables modélisées par l’ADM1 et les quelques variables en se
basant des modèles AM2 ou AM2HN [63].
Une description des correspondances décrites entre les variables est résumée dans
le Tableau 4.1.

Table 4.1 – Correspondances entre les modèles : AM2, AM2HN et ADM1 [63]
.

Variables d’état Modèle ADM1

XT (kgDCOm-3 ) AM2HN XC + Xch + Xpr + Xli
S1 (kgDCOm-3 ) AM2 Ssu +Saa +Sfa +XC +Xch + Xpr +Xli
S1 (kgDCOm-3 ) AM2HN Ssu +Saa +Sfa
S2 (kgDCOm-3 ) AM2,AM2HN Sva +Sbu +Spro +Sac
X1 (kgDCOm-3 ) AM2,AM2HN Xsu +Xaa +Xfa
X2 (kgDCOm-3 ) AM2,AM2HN Xac +Xh2 +Xc4 +Xpro
58 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

4.3.2 Modélisation de l’hydrolyse

Le modèle a une étape a été étudié par [63] qui a présenté une version modifiée
de l’AM2 où l’étape d’hydrolyse a été introduite. Lorsque la matière organique
à convertir en méthane est particulaire, l’hydrolyse est souvent reconnue comme
l’étape limitante dans le processus global de digestion anaérobie.
Cela est typiquement le cas de la digestion anaérobie des déchets. Dans l’AM2,
la désintégration et l’hydrolyse sont décrits comme des processus convertissant les
matières organiques particulaires sous forme soluble, et dont le taux est décrit
par une cinétique du premier ordre [63]. Dans la proposition de modification de
l’AM2, la variable qui subira l’hydrolyse est représentée par le substrat particulaire
total XT , incluant les substrats particulaires relatifs aux matériel composite (XC ),
glucides (Xch ), protéines (Xpr ) et lipides (Xli ).

X˙T = −khyd XT + (XT,in − XT ) − khyd XT (4.2)

Où khyd est la constante d’hydrolyse (j-1 ), XT est la concentration du substrat
(kgm-3 ). Pour l’identification de khyd , un régime permanent est le régime d’un
système stable observable après un certain temps, lorsque le régime transitoire est
X −XT
éteint, on a : X˙T = 0 =⇒ khyd = D T,in XT
.
Cela permet de déterminer de façon simple, la constante khyd .La phase d’hydrolyse
ne sera pas prise en compte pour simplifier l’étude. Une amélioration de ce modèle
devra prendre en considération la phase d’hydrolyse dans le procédé.

4.3.3 Modélisation mathématique à une étape

Dans la présente étude, nous considérons tout d’abord un modèle très simple,
où toutes les biomasses (X) sont regroupées en une seule, de même que tous les
substrats (S) sont également regroupés. Il faut noter que khyd , a été identifié dans
une étape précédente (4.3.2).
Ce modèle peut être représenté par l’expression 4.3 :


 Ẋ = (µ − D)X

Ṡ = −K1 µX + D(Sin − S) (4.3)

Q = K2 µX
Où S est la concentration du substrat, X est la concentration de la biomasse, D est
le taux de dilution, Sin est la concentration de l’alimentation en substrat (supposée
constante et positive), µ est le taux spécifique de croissance et les quantités K1 et
K2 sont des paramètres stœchiométriques (ou rendements) et sont constants. Cette
équation décrit la croissance et les changements de la biomasse (X) consommant
le substrat approprié (S).
Dans l’équation de la biomasse, le premier terme du côté droit reflète la croissance
des bactéries acidogènes et le second terme reflète la dilution par ajout et soutirage
du milieu de culture. Dans l’équation de la dynamique du substrat, le premier
terme correspond à la consommation du substrat par les bactéries, le deuxième
terme correspond à la variation de la concentration suite à son ajout dans le milieu
de culture à une concentration Sin , ainsi que l’effet de la dilution.
La dernière équation du système de l’équation (4.3) décrit la formation du débit
biogaz (Q). Il est supposé proportionnel au taux de croissance. En termes de sys-
tème, le taux de dilution (D) est l’entrée du système, et la sortie est le débit de
biogaz (Q). Le taux spécifique de croissance de la biomasse, µ, est une fonction
assez complexe. Il est courant dans la littérature d’approcher ce taux de croissance
4.3. MODÉLE SIMPLIFIÉ DE LA DIGESTION ANAÉROBIE 59

spécifique par une fonction empirique de X et S. Les modèles les plus populaires
pour la détermination du taux de croissance des micro-organismes sont les trois
expressions non linéaires suivantes (respectivement appelées modèles de Monod,
Contois et Haldane) [111, 52] :
— Cinétique de Monod
Le modèle de croissance de Monod donne une relation entre le taux de croissance
d’une population de micro-organismes et la concentration en substrat limitant.
Cette équation a été proposée pour la première fois par Jacques Monod. L’équa-
tion de Monod est couramment utilisée dans l’ingénierie de l’épuration des eaux
usées, notamment pour le calcul du taux de croissance des boues activées dans le
traitement des eaux usées et la digestion anaérobie des déchets d’origine animale et
végétale. Ce modèle est utilisé le plus souvent dans tous les secteurs de la digestion
anaérobie des bioprocédés.
L’équation de Monod décrit le taux spécifique de croissance µ de micro-organismes
donnés en fonction de la concentration en substrat (S) limitant cette croissance,
elle est exprimée par la formule :
S
µ = µmax (4.4)
KS + S
Où µ est le taux spécifique de croissance des micro-organismes, µmax est le taux de
croissance maximale, S est la concentration du substrat limitant la croissance et
KS est la constante de demi-saturation c’est-à-dire la valeur de (S) quand µ/µmax
vaut 0,5. Les coefficients µmax et KS sont de nature expérimentale, leurs valeurs
sont spécifiques et conditionnelles. En effet, ces valeurs diffèrent selon les espèces de
micro-organismes considérés et dépendent également des conditions expérimentales
ou ambiantes comme la température, le pH de la solution, des conditions du milieu
(aérobie, anaérobie) et de la composition du milieu nutritif utilisé pour la mise en
culture des micro-organismes. A l’opposé le taux maximal de croissance peut être
considéré comme une caractéristique propre à l’espèce bactérienne, et aura peu
tendance à évoluer [90].
— Cinétique de Haldane
La cinétique de Haldane modélise l’inhibition par le substrat (S). La cinétique de
Haldane est exprimée par la relation 4.5 :

KI S
µ = µmax (4.5)
KI KS + KI S + S 2
Où S est la concentration du substrat limitant la croissance des micro-organismes
considérés, KS est la constante de demi-saturation, KI est une constante d’inhibition
et µmax , est le taux de croissance maximum des micro-organismes.
Par rapport à une cinétique de Monod cette équation permet de modéliser en plus
le fait qu’une trop grande concentration en substrat inhibe le développement des
bactéries. Il y a donc une concentration de substrat optimale pour la√croissance
des bactéries [8] (qui dépend des paramètres KS et KI , à savoir Sopt = KS KI ).
— Cinétique de Contois
La cinétique de Contois décrit une culture cellulaire à haute densité où la croissance
cellulaire est inhibée lorsque la concentration en biomasse devient trop élevée. Elle
modélise à la fois la limitation par le substrat et la compétition entre les cellules.
La cinétique de Contois est exprimée par l’expression 4.6 :

S
µ = µmax (4.6)
Km X + S
60 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

Dans cette équation, X représente la concentration cellulaire, S représente la concen-

tration du substrat, µmax est le taux de croissance maximal des micro-organismes
et Km est la constante de saturation de Contois [28].
Dans cette étude, des modèles de croissance utilisant des cinétiques de type Mo-
nod et Haldane ont été retenus. Les conditions opératoires et les mesures obtenues
laissent indiquer qu’il existe principalement un effet limitant et/ou inhibant du
substrat. Le système est donc modélisé par les équations 4.3 et 4.4. Les paramètres
du modèle, à savoir K1 , K2 , µmax et KS , seront identifiés afin d’obtenir le meilleur
ajustement aux données de la digestion anaérobie. Une modélisation avec une ci-
nétique de type Haldane n’a pas abouti à des résultats probants et devra être
consolidée.
Les résultats associés ne sont pas présentés dans ce qui suit.

4.3.4 Modélisation mathématique à deux étapes

Comme indiqué, le modèle à une étape reste limité pour représenter un procédé de
digestion anaérobie. Le modèle de digestion anaérobie à deux étapes sont largement
utilisés pour la supervision des procédés en ligne (commande, contrôle). Différentes
études considèrent ce modèle dans la littérature. A titre d’exemple, Hess et Ber-
nard [64] ont proposé de caractériser et d’évaluer la taille du bassin d’attraction
de l’équilibre opérationnel d’un modèle réduit à partir du modèle original AM2 à
deux étapes [19].
Des analyses de stabilité locale de quelques modèles de digestion anaérobie ont
été faites dans l’état de l’art, par exemple par Ivan S. Simeonov et Sette Diop
[112]. Ils ont étudié dans un premier temps un modèle simple à une seule étape en
considérant à chaque fois une des cinétiques (Monod, Contois ou Haldane). Pour la
suite de leurs travaux, Ivan S. Simeonov et Sette Diop ont considéré aussi un modèle
de digestion anaérobie en dimension quatre (deux étapes de réactions biologiques),
dont ils analysent les équilibres et la stabilité en considérant une cinétique de type
Monod pour l’étape méthanogenèse.
Dans la même logique, l’auteur [126] a introduit dans un modèle de digestion
anaérobie à deux étapes (quatre variables), une nouvelle variable modélisant un
système, qui pourrait inhiber la croissance des bactéries acidogènes et qui est dé-
gradée par les bactéries méthanogènes. Pour notre cas précis, nous considérons le
cas d’un modèle à deux étapes.
Les processus de digestion anaérobie peuvent être divisés en quatre phases à savoir :
— l’hydrolyse des composés non dissous de masse moléculaire élevé (protéines,
sucres, graisses) en composés solubles de faible masse moléculaire (mono-
saccharides, acides aminés, acides gras à longue chaîne, glycérol) ;
— l’acidogenèse, fermentation de composés de faible masse moléculaire issus
de l’étape précédente en AGV (propionate, butyrate, acétate), hydrogène et
dioxyde de carbone ;
— l’acétogènes, transforme l’AGV en acétate, hydrogène et dioxyde de car-
bone ;
— et la méthanogenèse, transformation de l’acétate en méthane et en dioxyde
de carbone et les méthanogènes hydrogénotrophes (production de méthane
à partir d’hydrogène et de dioxyde de carbone).
Le modèle retenu considère deux processus et deux populations bactériennes :
— Dans la première étape d’acidogenèse, la biomasse acidogènes (X1 ) consomme
le substrat organique (S1 ) et produit les acides gras volatils (AGV) et le di-
oxyde de carbone (CO2 ).
4.3. MODÉLE SIMPLIFIÉ DE LA DIGESTION ANAÉROBIE 61

— Dans la deuxième étape de méthanisation, la biomasse méthanogène (X2 )

consomme les acides gras volatils (AGV) et produit du méthane (CH4 ) et
du dioxyde de carbone (CO2 ).
A partir d’un bilan de matière dans le cas d’un réacteur parfaitement agité, on
aboutit aux équations 4.7 [41, 30] :



 Ẋ1 = (µ1 − D)X1
S˙1 = −K1 µ1 X1 + D(Sin1 − S1 )





Ẋ2 = (µ2 − D)X2 (4.7)
S˙2 = −K3 µ2 X2 + K1 µ1 X1 + D(Sin2 − S2 )







Q = K 2 µ2 X2

Dans ce modèle, la première équation décrit la croissance et les changements des

bactéries acidogènes (X1 , kg/m3 ) , en consommant le substrat approprié (S1 ), où le
premier terme dans le côté droit reflète la croissance des bactéries acidogènes et le
second reflète l’effet de la dilution. Le bilan massique du substrat S1 est décrit par
la deuxième équation, où le premier terme reflète la consommation par les bactéries
acidogènes, et le deuxième terme reflète la variation de la concentration de S1 par
apport via une alimentation avec une concentration (Sin1 ) et le taux de dilution
(D). De façon similaire, la troisième équation décrit la croissance et les changements
des bactéries (méthanogènes) productrices de méthane, avec une concentration
(X2 , kg/m3 ), consommant de l’acétate, avec une concentration (S2 , kg/m3 ), où le
premier terme du côté droit reflète la croissance des bactéries méthanogènes et le
second terme reflète la dilution. L’équation du bilan massique de l’acide gras volatil
(AGV) comporte quatre termes dans sa partie droite. Le premier terme reflète
la consommation d’l’acide gras volatil (AGV) par les bactéries méthanogènes, la
seconde est l’acide gras volatil (AGV) formé à la suite des bactéries acidogènes, la
troisième est l’ajout direct d’acétate, avec une concentration (Sin2 , kg/m3 ), et la
dernière est l’effet de la dilution (D).
Dans les équations (4.7), D (j-1 ) est le taux de dilution pour les matières orga-
niques solubles d’entrée avec les concentrations (Sin1,2 , kg/m3 ), K(i=1...3) sont les
paramètres stœchiométriques, Q est le débit de biogaz total (CH4 + CO2 ).
Le taux de croissance spécifique des bactéries acidogènes (µ1 , j-1 ), et le taux de
croissance spécifique des bactéries méthanogènes (µ2 , j-1 ), sont décrits par des
structures de type Monod [19] :

S1 S2
µ1 = µ1max et µ2 = µ2max (4.8)
KS1 + S1 KS2 + S2

Où X1,2 (kg/m3 ) et S1,2 (kg/m3 ) et µ1,2 (j-1 ) sont les concentrations en bactéries,
les concentrations en substrats associés et les taux spécifiques de croissance des
bactéries respectivement.Q (m3 /j-1 ) est le débit de biogaz. Les indices 1 et 2 re-
présentent respectivement les phases acidogène et méthanogène. µ1,2max (j-1 ) sont
les taux spécifiques des croissances maximums, KS1,2 (kg/m3 ) sont les constantes
de demi-saturation. Similairement au cas du modèle à une étape, les paramètres
du modèle à deux étapes, donné par (4.8) sont identifiés à partir des données du
modèle ADM1.
La prise en compte de cinétique de type Haldane est à réaliser en perspective de
ce travail.
62 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

4.4 Procédure d’identification

Supposons qu’un certain nombre de variables d’état d’un modèle soient disponibles
à la mesure ; sur la base de la structure du modèle (sous réserve d’identifiabilité
structurelle) ou sur la base du type et de la qualité des données disponibles (sous
réserve d’identifiabilité pratique), on peut s’attendre à pouvoir attribuer une valeur
unique à chaque paramètre du modèle en passant par l’estimation des paramètres.
Rappelons que l’identification se base sur trois éléments :
— un ensemble de données ;
— un ensemble de modèles candidats, c’est-à-dire, une classe de modèles ;
— un algorithme d’identification qui permet d’obtenir le meilleur modèle dans
une classe à partir des données disponibles.
Aussi, la qualité du modèle identifié dépend du choix de chacun de ces éléments.
Ces aspects ont été nécessaires pour le calibrage du modèle ADM1 (présenté au
chapitre 3). Ils seront également étudiés et pris en compte dans l’identification et
le calibrage du modèle simplifié.
Par ailleurs, vu la complexité du système et les problèmes d’identification en pra-
tique, nous avons procédé à des identifications en plusieurs étapes. L’idée est d’es-
sayer d’utiliser des régressions linéaires si possible (car plus simples à mettre en
œuvre et ne nécessitant pas d’algorithme d’optimisation, ni d’initialisation de ces
algorithmes), et d’identifier le reste des paramètres par des procédures classiques
via la résolution de problèmes de moindres carrés non linéaires.

4.4.1 Modèle à une étape

[Link] Identification en régime permanent
Les modèles mathématiques servant à simuler le comportement d’un système re-
présentent un outil puissant pour faire la conception d’une nouvelle installation
ou prédire le comportement d’un dispositif de digestion anaérobie existant. Cepen-
dant, ces modèles ne fournissent aucune information sur un système particulier sans
un algorithme pour les solutionner. De nos jours, il existe de nombreux algorithmes
d’intégration capables de calculer la solution d’un modèle avec une très grande pré-
cision. Il existe des approches qui nous permettent de réduire les temps de calcul,
à savoir l’utilisation de matériel informatique plus puissant ou le développement
de logiciels et algorithmes plus performants.
Le but de cette thèse est de proposer une autre voie qui consistera à la simplification
du modèle sur la base des valeurs propres.
Outre cette partie de cette thèse s’attaque à un cas particulier de la simulation
(le calcul du régime permanent). Ce calcul peut être réalisé par des algorihmes
performants ne recherchant que les valeurs des variables d’état mettant à zéro
les équations différentielles. Ces algorithmes sont cependant peu fiables puisque
toute solution mathématique est jugée valide, peu importe la réalité physique. La
solution proposée est l’injection de connaissance sous forme de bornes aux valeurs
que peuvent prendre les variables d’état.
On peut déterminer les paramètres du modèle à une étape via les données du
modèle ADM1 en régime permanent [19]. Cela présente l’avantage d’aboutir à
un modèle équivalent (en régime permanent) linéaire en identifiant les paramètres
inconnus. Une procédure de type moindres carrés linéaires pourra être alors utilisée.
Cette approche sera détaillée dans cette section.
Un régime permanent est le régime d’équilibre observable après un certain temps.
Pour obtenir le point d’équilibre d’un système, on cherche les points où la dérivée
4.4. PROCÉDURE D’IDENTIFICATION 63

de ses variables d’état s’annule, c’est-à-dire où la fonction correspondante est une

constante en régime permanent. Un état d’équilibre constant est obtenu unique-
ment si le système est stable.
Du système d’équations (4.3), nous obtenons les expressions suivantes :

dX
= (µ − D)X (4.9)
dt
dS
= D(Sin − S) − K1 µX (4.10)
dt
Les régimes permanents également appelés états stationnaires ou positions d’équi-
libre sont caractérisés par les expressions ci-dessous :
0 = (µ − D)X (4.11)
0 = D(Sin − S) − K1 µX (4.12)
Dans un premier temps nous utilisons le taux de croissance en fonction du substrat
d’une population bactérienne régit par une cinétique de Monod. Nous pouvons voir
qu’il existe deux cas possibles :
— Cas 1 : à l’état stationnaire Xe = 0 correspond, en utilisant la première
équation, l’état Se = Sin . Le régime permanent correspondant est le lessivage
de la culture (Se = Sin , Xe = 0). Cette configuration n’est pas intéressante
dans notre cas.
— Cas 2 : l’équation µ = D a une solution Se qui pourra vérifier la propriété
Se ≤ Sin , ce second cas qui sera retenu.
Dans le second cas, le système d’équation (4.3) conduit à l’expression 4.13 :
Se
De = µmax (4.13)
KSe + Se
En divisant les deux membres de cette équation par le taux de dilution (De ) on
obtient l’expression 4.14 :
Se
1 = µmax (4.14)
De (KS + Se )
Nous obtenons alors le modèle mathématique 4.15 :
1 1 1 1
= + KS × (4.15)
De µmax µmax Se
Nous pouvons noter que nous obtenons un modèle linéaire (en considérant l’in-
verse des variables). Nous pourrons alors utiliser une procédure de moindres carrés
linéaires (ici une simple régression linéaire).
Dans le cas d’un taux spécifique de croissance des micro-organismes décrit par une
cinétique de Haldane, on procéde de la même manière. On obtient alors dans ce
cas la relation 4.16 :
1 1 1 1 1
= + KS × + × Se (4.16)
De µmax KI µmax Se µmax
L’approche d’identification en régime permanent est limitée en pratique. En effet,
étant donné que notre procédé nécessite une durée longue pour atteindre le régime
permanent, cette approche nécessiterait une durée d’expérimentation plus long (en
perspective, dans le cas des nouvelles expériences sur le procédé pilote).
Aussi, il semble plus approprié, dans notre cas, de mettre en place une procédure
d’identification à partir de l’évolution dynamique du système (c’est-à-dire en régime
transitoire).
64 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

4.4.2 Identification en régime transitoire

Un régime transitoire est un régime d’évolution d’un système qui n’a pas encore
atteint un état stable. Dans le cadre de notre étude, nous avons utilisé le régime
transitoire pour identifier les paramètres d’un système dynamique de la digestion
anaérobie à une et à deux biomasses.
Nous retrouvons ici la procédure déjà employée lors de l’identification des para-
mètres du modèle ADM1 présentée dans le chapitre 3. Ainsi, un problème de type
moindres carrés non linéaires est résolu pour déterminer les paramètres du modèle.
Plus spécifiquement, sur la base des mesures disponibles du débit de biogaz (Q),
du taux de dilution (D), des concentrations de substrat (S) et de biomasse (X), les
paramètres du modèle sont ajustés de manière à ce que les données expérimentales
(issues du modèle ADM1) soient aussi proches que possible des valeurs prédites par
le modèle. Rappelons que la correspondance entre les états d’entrée et de sortie est
non linéaire.
Ainsi, les paramètres (µmax , KS , K1 et K2 ) seront identifiés à partir des données me-
surées. Les paramètres du modèle à identifier sont ensuite déterminés en résolvant
un problème d’optimisation 4.17 :

J = ∥y − yp ∥2Fn (4.17)
Où y est un vecteur des valeurs mesurées des concentrations de biomasse et de
substrat et du débit de biogaz, respectivement ; yp est un vecteur contenant les
valeurs prédites de ces variables.
La matrice Fn est une matrice de normalisation. Des contraintes connexes pour-
raient être ajoutées à ce problème d’optimisation, par exemple pour forcer chaque
composante Θ à être positive [12].
Nous avons utilisé les données du modèle ADM1 dont les paramètres ont été iden-
tifiés à partir des données expérimentales comme mentionné précédemment. Dans
ce qui suit, pour l’identification des paramètres, quatre paramètres µmax , KS , K1 et
K2 , sont identifiés par la méthode des moindres carrés. Cependant, la résolution de
ce problème s’est avérée difficile. Afin d’améliorer les performances de la procedure
d’identification, une analyse du modèle (4.17) permet de noter que K2 intervient
linéairement vis à vis Q/µX.
Pour faire l’identification nous avons procédé en deux étapes :
— Etape 1 : les paramètres µmax , KS , K1 et K2 sont identifiés par la méthode
des moindres carrés non linéaires, à partir des concentrations de S et X.
— Etape 2 : ensuite, le paramètre K2 est identifié à partir du débit de biogaz
(Q) avec la méthode des moindres carrés linéaires (pour les paramètres µmax ,
KS et K1 identifiés à l’étape 1), S et X ont été obtenus avec ces paramètres.

4.4.3 Modèle à deux étapes

Une procédure de type moindres carrés non linéaires, est employée pour déterminer
les paramètres du modèle des équations 4.7 et 4.7, et cela à partir des mesures des
concentrations de biomasse, substrats et du débit en biogaz, similairement à la
procédure pour le modèle à une étape. De la même manière que le modèle à une
étape, l’optimisation des paramètres a été effectuée à partir un modèle ADM1
en associant les variables d’états des concentrations du substrat (S1 et S2 ) et des
concentrations : acidogène (X1 ) et méthanogène (X2 ). La procédure d’identification
a été proposée, a été mise en place. Pour faire l’identification du modèle simple
nous avons procédé deux étapes :
4.5. RÉSULTATS DE L’IDENTIFICATION 65

— Etape 1 : les parameters µmax1 , µmax2 , KS1 , KS2 , K1 et K3 sont identifiés par
la méthode des moindres carrés non linéaires, à partir des concentrations :
substrat (S1 et S2 ), acidogène (X1 ) et méthanogène (X2 ).
— Etape 2 : le paramètre K2 est identifié à partir du débit de biogaz (Q) avec
la méthode des moindres carrés linéaires (pour les paramètres µmax1 , µmax2 ,
KS1 , KS2 , K1 et K3 identifiés par à l’étape 1) permettent de déterminer S1 ,
S2 , X1 et X2 .

4.5 Résultats de l’identification

Les procédures d’identification présentées précédemment ont été mises en place
pour le système étudié, à partir des données issues du modèle ADM1 déterminé au
chapitre précédent. Une méthode d’optimisation de type Levenberg-Marquardt a
été utilisée (lsqnonlin de Matlab) pour la résolution du problème d’optimisation,
avec une initialisation aléatoire (autour des valeurs issues de la littérature).
Les résultats obtenus sont donnés dans les sections suivantes.

4.5.1 Etape d’hydrolyse

Figure 4.1 – Concentration de (XT ) en kg/m3

.

Ou XT est la concentration du substrat particulaire total (kg/m3 ). L’identification

de la constance d’hydrolyse (Khyd ), a été réalisée avec la méthode de moindres
carrés linéaires avec des données en régime permanent. La Comparaison entre le
XT obtenu à parti du modèle ADM1 et celui obtenu avec le modèle réduit sont très
similaire.
La Figure 4.1 donne les résultats obtenus avec le modèle ADM1 à celui du modèle
identifié avec Khyd égal à 0,37 j-1 . Il a été déterminé à partir d’une identification
pour différentes simulations, pour différents taux de dilution, et en considérant
uniquement les valeurs obtenues au régime permanent.
66 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

4.5.2 Résultats du modèle à une étape

La procédure présentée à la section 4.4.3 a été mise en œuvre. Les résultats sont
donnés dans le tableau 4.2. Ici, l’hydrolyse a été négligée (Khyd = 0). La prise en
compte de l’hydrolyse donne des résultats similaires. La Figure 4.2 compare les
résultats des concentrations de la biomasse (X), du substrat (S), du débit de gaz,
à ceux obtenus avec le modèle identifié, pour valider les performances du modèle
simplifié.

Table 4.2 – Identification des paramètres (sans modélisation de l’hydrolyse).

Paramètres Valeurs identifiées Unité

µmax 0,21 j-1
KS 3,53 kg/m3
K1 6,13 kg/m3
K2 5,25 kg/m3

Les paramètres µmax (0,21j-1 ), KS (3,53 kg/m3 ), K1 (6,13 kg/m3 ) sont identifiés à
partir des mesures de S et X avec la méthode de moindres carrés non linéaires.
Tandis que le paramètre K2 (5,25 kg/m3 ) est identifié à partir de la mesure de Q,
avec la méthode des moindres carrés linéaires.

Figure 4.2 – Modélisation des concentrations de X, S et du débit de biogaz (Q)

.
4.5. RÉSULTATS DE L’IDENTIFICATION 67

Figure 4.3 – Taux spécifique de croissance µ non zoomé et zoomé.

La Figure 4.3 compare le résultat de l’identification de µ, en lien avec le taux de

dilution. On constate l’effet de la variation par morceaux du taux de dilution (D)
par rapport aux deux courbes du taux spécifique de croissance. On observe bien
que le taux de dilution (D) a un effet sur le taux spécifique de croissance.

4.5.3 Résultats du modèle à deux étapes

Le modèle à deux étapes est identifié selon la procédure présenté précédemment.
Les valeurs obtenues pour les coefficients du modèle sont résumées dans le tableau
4.3. L’hydrolyse a été négligée ici.

Table 4.3 – Identification des paramètres du modèle à deux étapes (sans modé-
lisation de l’hydrolyse)

Paramètres Valeurs identifiées Unité

µ1max 0,29 j-1
µ2max 0,63 j-1
KS1 10,63 kg/m3
KS2 3,42 mmol/m3
KI 5,56 mmol/m3
K1 11,78 kg/m3
K2 5,35 kg/m3
K3 14,22 kg/m3

Les paramètres µ1max , µ2max , KS1 , KS2 , KI , K1 , K2 et K3 sont déterminés par la

méthode d’identification de type moindres carrés non linéaires.
68 CHAPITRE 4. MODÉLISATION SIMPLIFIÉE DU PROCÉDÉ

Figure 4.4 – Concentrations : substrat (S1 et S2 ), acidogène (X1 ), méthanogène

(X2 ) et du débit de biogaz total (CH4 + CO2 ).

La Figure 4.4 montre le profil des concentrations : substrat (S1 et S2 ), acidogènes

(X1 ), méthanogènes (X2 ) et du débit de biogaz total sans modélisation de l’hydro-
lyse (XT ). Même si les allures sont cohérentes, l’identification doit être améliorée.
On note un bon suivi globalement sur les concentrations de substrat, alors que le
résultat est moins bon pour la biomasse. Cela a un impact sur le débit de biogaz,
puisque l’identification dépend des valeurs de la concentration en biomasse.

4.6 Conclusion
Dans ce chapitre, la mise en place d’un modèle simplifié pour reproduire le compor-
tement du modèle ADM1 a été entreprise. Deux types de modèles ont été retenus.
Un premier modèle, dit à une étape, qui considère une seule biomasse et un seul
substrat et utilise une cinétique de croissance de type Monod. Le deuxième modèle,
dit à deux étapes, considère deux biomasses et deux substrats et utilise également
des cinétiques de type Monod pour les deux taux des croissances spécifiques. Les pa-
ramètres des deux modèles ont été identifiés à partir des données issues du modèle
ADM1. Les résultats obtenus sont encourageants puisque les nouveaux modèles
reproduisent le comportement du modèle ADM1. Cependant, ils sont à améliorer
car les écarts restent importants dans certains cas. Il s’agit notamment d’intégrer
l’hydrolyse et la mortalité des bactéries d’une part, et de considérer une cinétique
modélisant l’inhibition d’autre part.
Ce premier travail de modélisation simplifiée présenté dans ce chapitre avait pour
but de disposer d’un modèle simplifié pour les besoins de la mise en place des
capteurs logiciels. Cependant, les développements finalement suivis (détaillés dans
le chapitre 5) n’utilisent pas les paramètres identifiés pour ce modèle simplifié.
L’amélioration de ce modèle constitue une perspective de cette étude, s’il s’avère
nécessaire de disposer d’un modèle de ce type dans le futur.
5 | Estimation

Sommaire
5.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Estimation du taux spécifique de croissance . . . . . . 71
5.2.1 Introduction [11] . . . . . . . . . . . . . . . . . . . . . . 71
5.2.2 Modèle du processus de digestion anaérobie . . . . . . . 72
5.2.3 Résultats de l’estimation . . . . . . . . . . . . . . . . . . 76
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.1 Motivation
La digestion anaérobie est largement utilisée pour le traitement des eaux usées in-
dustrielles et domestiques, et constitue une source d’énergie renouvelable à travers
la production de biogaz. Afin d’optimiser le fonctionnement de ce processus, des
stratégies de contrôle avancées doivent être développées. Néanmoins, une difficulté
majeure est le manque de capteurs fiables et bon marché pour la surveillance et le
contrôle en ligne du processus. Pour mettre fin au manque des capteurs, ce travail
vise à développer des capteurs logiciels qui estiment les variables du processus, en
se basant sur les données disponibles en ligne via des mesures issues de capteurs.
En effet, la qualité de la conduite d’un procédé industriel est étroitement liée au
nombre et à la qualité des variables d’états disponibles (les mesures en ligne par
exemple). Un moyen de surmonter cet obstacle consiste donc à faire appel à la théo-
rie des observateurs pour l’estimation des états et des paramètres non accessibles
(ou difficilement accessibles) à la mesure. C’est pour cela que l’observabilité et la
synthèse d’observateurs est un des thèmes importants de la théorie du contrôle.
Les modèles dynamiques sont décrits par des équations différentielles ordinaires
qui peuvent être considérées comme des représentations d’états, dans lesquelles les
états ne sont pas tous mesurés et les paramètres ne sont pas également connus
dans l’ensemble. A travers quelques mesures en ligne, il s’agit de faire une analyse
qualitative permettant d’aboutir, à base du modèle considéré et des mesures dis-
ponibles, à des algorithmes (estimateurs d’état) pouvant reconstruire les variables
non mesurées en ligne. On obtient alors un système augmenté des états et para-
mètres inconnus, appelé système étendu. La notion d’observabilité et la structure
de l’estimation sont données en annexe C.
Dans le cas du procédé de digestion anaérobie, la majorité des digesteurs sont
équipés de capteurs en ligne mesurant des variables biochimiques tel que pH, débit
de gaz, alcalinité, et des capteurs plus modernes mesurant les AGV [26]. Aussi,
l’enjeu majeur dans le cas de la digestion anaérobie est de pouvoir estimer, en
temps réel, les variables non mesurées telles que les concentrations de biomasse et de

69
70 CHAPITRE 5. ESTIMATION

substrat, à partir de mesures simples (pH, température, débit de gaz). Différentes

approches sont proposées dans la littérature.
On peut citer :
— En général, des stratégies d’estimation dites classiques, utilisant les ap-
proches de l’Automatique tels que [125, 67, 128] : le filtre de Kalman (y
compris UKF), l’observateur à grand gain, les observateurs par intervalles,
les observateurs asymptotiques, Leurs performances dépendent fortement
en générale de la qualité du modèle. Aussi, la robustification de ce type de
stratégie est généralement considéré.
— Les approches basées sur les données (data-driven) et par apprentissage, tel
que les réseaux de neurones et les SVM [128, 72]. Elles présentent l’avan-
tage d’être plus robustes vis-à-vis du modèle (dans certains cas elles sont
indépendantes du modèle), mais supposent une bonne qualité et richesse de
mesures.
La difficulté dans le cas d’un bioprocédé est la nature incertaine et complexe de
son modèle, notamment le taux spécifique de croissance. Aussi, l’estimateur se
doit d’être robuste vis-à-vis des incertitudes sur le modèle de la cinétique. Parmi
les approches possibles, celle fréquemment utilisée est l’approche par observateur
asymptotique [41]. Cet observateur permet, via un changement de variable, de se
libérer de la connaissance du taux spécifique de croissance. Cet observateur est
rappelé dans la section de ce chapitre.
Une autre possibilité serait d’estimer, en ligne, ce taux spécifique, avec un obser-
vateur à grand gain par exemple, selon une démarche adaptative [43]. Une autre
possibilité pour estimer le taux spécifique de croissance est d’utiliser l’approche al-
gébrique différentielle qui a déjà démontré ses performances dans le cas de procédé
de digestion anaérobie [28, 39].
L’approche algébrique différentielle des problèmes d’observation remonte à la fin
des années 1980 et au début des années 1990 avec les travaux de [100, 40]. La par-
tie essentielle de cette approche, telle qu’expliquée pour la première fois dans [57],
est qu’une quantité, dite Z, d’un système est observable par rapport à une autre,
dite W (qui est supposée être disponible dans un certain intervalle de temps), si
chaque composante de Z est une solution d’une équation algébrique (non diffé-
rentielle) dont les coefficients dépendent finalement de W et d’un nombre fini de
ses dérivées temporelles. La théorie s’applique aux modèles de systèmes en termes
d’équations algébriques différentielles uniquement, mais qui peuvent être implicites
en les variables à observer.
En résumé, l’approche algébrique différentielle de l’observabilité non linéaire peut
répondre aux problèmes d’identifiabilité et d’observabilité qui se posent dans les
processus biotechnologiques. La principale limite que l’on peut rencontrer en sui-
vant cette approche sont la disponibilité de ressources informatiques suffisantes
pour effectuer tous les calculs proposés. L’approche algébrique différentielle est
l’une des rares approches à fournir des tests explicites d’observabilité. Il existe de
nombreuses méthodes de ce type, mais la plus intéressante utilise la notion d’en-
semble de caractéristiques (feature set) [27]. L’observabilité d’une variable Z par
rapport à une variable mesurée supposée W est vérifiée en utilisant des algorithmes
d’ensemble de caractéristiques à travers les équations du système par rapport à un
classement qui ordonne W et toutes ses dérivées avant Z.
Dans la section 5.2, un observateur avec cette approche différentielle algébrique
que nous avons développé est présenté. Dans ces travaux, le taux spécifique de
croissance, pour un modèle simple à une étape, est estimé à partir de la mesure du
5.2. ESTIMATION DU TAUX SPÉCIFIQUE DE CROISSANCE 71

débit de biogaz, et des entrées du système (taux de dilution). Les concentrations

de la biomasse est du substrat sont alors reconstruites à partir de cette estimée
du taux spécifique de croissance. Les résultats en simulation montrent les perfor-
mances de l’estimateur proposé. Le présent chapitre s’inscrit dans une approche
d’estimation des variables d’états non mesurés, en faisant appel, à une approche
algébrique différentielle. Cette approche portera sur l’estimation du taux spécifique
de croissance des microorganismes. Elle existe dans plusieurs travaux de recherche
dont celui de [27].
Motivé par l’enjeu qui se trouve dans ce domaine d’estimation des variables, nous
avons tenté de mener un travail sur l’estimation du taux spécifique de croissance en
utilisant uniquement les mesures du taux de dilution (avec D positif) et du débit de
biogaz (Q). Une des raisons ayant conduit à réfléchir sur une telle étude serait, d’une
part, du fait de ne pas utiliser un algorithme d’identification des paramètres, et
d’autre part, son utilisation est appropriée pour un système de digestion anaérobie
à une étape.
Bref de nos jours, il n’existe pas d’appareils pour mesurer le taux de croissance spé-
cifique des bactéries dans un digesteur, c’est pourquoi les techniques d’estimation
sont très sollicitées.

5.2 Estimation du taux spécifique de croissance

5.2.1 Introduction [11]
La digestion anaérobie est largement utilisée pour le traitement des déchets, et
constitue une source d’énergie renouvelable à travers la production de biogaz. Afin
d’optimiser le fonctionnement de ce processus, des stratégies de contrôle avancées
doivent être développées. Néanmoins, une difficulté majeure est le manque de cap-
teurs fiables et bon marché pour la surveillance et le contrôle en ligne du processus.
Pour mettre fin au manque des capteurs, ce travail vise à développer des capteurs
logiciels qui estiment les variables du processus. Une possibilité pour estimer le
taux spécifique de croissance des microorganismes consiste à l’utilisation d’une
approche algébrique, cette approche a déjà démontré ses performances dans le cas
de procédé de digestion anaérobie [28, 39].
L’approche algébrique différentielle des problèmes d’observation remonte à la fin
des années 1980 et au début des années 1990 avec les travaux de [100, 40]. La par-
tie essentielle de cette approche, telle qu’expliquée pour la première fois dans [57],
est qu’une quantité, dite Z, d’un système est observable par rapport à une autre,
dite W (qui est supposée être disponible dans un certain intervalle de temps), si
chaque composante de Z est une solution d’une équation algébrique non différen-
tielle dont les coefficients dépendent finalement de W et d’un nombre fini de ses
dérivées temporelles. Cette théorie s’applique aux modèles de systèmes en termes
d’équations algébriques différentielles uniquement, mais qui peuvent être implicites
en des variables à observer.
En résumé, l’approche algébrique différentielle de l’observabilité non linéaire peut
répondre aux problèmes d’identifiabilité et d’observabilité qui se posent dans les
processus biotechnologiques. La principale limite que l’on peut rencontrer en sui-
vant cette approche est la disponibilité de ressources informatiques suffisantes pour
effectuer tous les calculs proposés.
L’approche algébrique différentielle est l’une des rares approches à fournir des tests
explicites d’observabilité. Il existe de nombreuses méthodes de ce type, mais la plus
intéressante utilise la notion d’ensemble de caractéristiques (feature set) [27].
72 CHAPITRE 5. ESTIMATION

L’observabilité d’une variable Z par rapport à une variable mesurée supposée W

est vérifiée en utilisant des algorithmes d’ensemble caractéristiques à travers les
équations du système par rapport à un classement qui ordonne W et toutes ses dé-
rivées avant Z. Dans la section 5.2, un observateur avec cette approche différentielle
algébrique que nous avons développé est présenté.
Cette section correspond à l’article :
— Y. M. Baldé, S. Diop, S. Tebbani et C. Kanté, Estimation of the specific
growth rate for an anaerobic digestion process, 2021 29th Mediterranean
Conference on Control and Automation (MED), New York : IEEE Press,
pp. 109–114, DOI : 10.1109/MED51440.2021.9480197.
Dans ces travaux, le taux de croissance spécifique, pour un modèle simple à une
étape, est estimé à partir de la mesure du débit de biogaz, de la concentration de
l’influent, et du taux de dilution. Les concentrations de la biomasse, et du substrat
sont alors reconstruites à partir de cette variable estimée appelée taux de spécifique
croissance des bactéries.

5.2.2 Modèle du processus de digestion anaérobie

Dans ce mémoire, le modèle du processus de digestion anaérobie est exprimé par le
modèle dit à une étape [111] et présenté au précèdent chapitre. Ce modèle simple
est exprimé comme nous montre l’expression (5.1) :


 Ẋ = (µ − D)X

Ṡ = −K1 µX + D(Sin − S) (5.1)

Q = K2 µX
Ou S est la concentration du substrat, X est la concentration de la biomasse, D est le
taux de dilution, Sin est la concentration du substrat dans l’alimentation (supposée
constante et positive), µ est le taux spécifique de croissance des microorganismes
et les quantités K1 et K2 sont des paramètres stœchiométriques et sont également
constantes. Pour rappel, cette équation décrit la croissance et les changements
de la biomasse (X) consommant le substrat approprié S. Le premier terme de la
partie droite reflète à la croissance des bactéries et le second terme reflète au taux
de liquide de l’effluent. Le bilan de masse du substrat est décrit par la deuxième
équation, où le premier terme correspond à la consommation du substrat par les
bactéries, le deuxième terme correspond au taux de liquide de l’influent avec la
concentration de matière organique diluée Sin , à l’entrée. La dernière équation du
système de l’expression (5.1) décrit la formation de biogaz (Q).
En termes de système, le taux de dilution (D) est l’entrée du système de contrôle,
la sortie est le débit de biogaz (Q). Le taux de croissance spécifique des microor-
ganismes, µ, est une fonction assez complexe.
Il est courant dans la littérature d’approximer µ par une fonction empirique des
concentrations de la biomasse (X) et du substrat (S). Les modèles empiriques de
taux de croissance spécifique les plus rependues sont les modèles de Monod, Contois
et Haldane [111], [53](voir section 4.3.3 au chapitre 4).
Notez que la théorie d’approche algébrique différentielle s’applique aux systèmes
qui sont décrits par des polynômes différentiels dont les coefficients sont des fonc-
tions monomorphes du temps. La théorie peut être étendue à des descriptions
impliquant des fractions rationnelles différentielles.
Des équations et des inégalités différentielles doivent alors être considérées afin de
vérifier l’observabilité de la variable latente z par rapport à, u et y. Elles peuvent
s’écrire comme l’équation (5.2) avec i l’indice de l’équation :
5.2. ESTIMATION DU TAUX SPÉCIFIQUE DE CROISSANCE 73

˙ ...) = 0 (i = 1, 2, ...)
Pi (u, u̇, ... y, ẏ, ... z, ż, ... ξ, ξ, (5.2)
L’ensemble caractéristique des polynômes différentiels est alors calculé par rapport
à un classement, défini par : {{u, y}, {z}, {ξ}}. Pour le problème considéré, la dé-
cision sur l’observabilité du taux spécifique de croissance des bactéries par rapport
à D, Q, Sin et éventuellement K1 et K2 , peut être prise sur la base d’un ensemble
caractéristique de l’ensemble des polynômes différentiels.
{u} est l’entrée du système incluant les paramètres du modèle, {y} est la sortie du
système, {z} est la variable estimée, {ξ} est la variables d’état.
Les équations (5.1) sont réécrites sous la forme (5.2) et on obtient alors l’expression
(5.3) : 



Ṡ + K1 µX − D(Sin − S) = 0
 Ẋ − (µ − D)X = 0



Q − K2 µX = 0 (5.3)




 K̇ 1 = 0


K̇2 = 0
En ce qui concerne la classification de l’approche algébrique différentielle, nous
avons l’expression (5.2) :

{{u, y}, {z}, {ξ}} = {{D, Q, Sin , K1 , K2 }, {µ}, {X, S}}

Après les dérivation et réduction du système, nous trouvons ce qui suit :



 K̇1 = 0
K̇2 = 0


(5.4)


 Qµ̇ + Qµ2 − Q̇µ − DQµ − K2 µX + Q = 0
K2 Ṡ + K2 DS − K2 DSin + K1 Q = 0



L’observabilité par rapport à D, Q, Sin , K1 et K2 signifie l’existence d’un polynôme

non différentiel dans une indéterminée, dépendant de D, Q, Sin , K1 et K2 , tel que
µ = 0. Étant donné la première équation de (5.4), l’observabilité impliquerait que
la dynamique de concentration de la biomasse (X ) ne dépende que de D et de Sin ,
non dépendant de la concentration du substrat (S ), ce qui est absurde.
Ceci donne le résultat suivant :
Théorème 1 [27] : Le taux spécifique de croissance des microorganismes de la
digestion anaérobie lorsque ce dernier processus évolue selon le modèle (5.4) n’est
pas observable pour D, Q, Sin , K1 et K2 . L’équation différentielle à coefficients
indéterminés et dépendant de la dérivée de D, Q, Sin , K1 et K2 , d’ordre inférieur
est donnée par l’expression (5.5).

µQ̇ − µ̇Q − µ2 Q + QµD = 0 (5.5)

Une conséquence de ce théorème est qu’il n’est pas possible de concevoir un esti-
mateur qui soit basé sur des mesures en ligne de D, Q, Sin uniquement, et avec la
liberté de choisir sa vitesse de convergence.
La section suivante présente un regard sur l’équation (5.5) qui donne un estimateur
mais avec une vitesse de convergence totalement dépendante du taux de dilution
(D). En supposant que nous estimons de la manière indiquée dans la section sui-
vante : X et S sont observables à partir des paramètres : D, Q, Sin , K1 et K2 .
Par rapport à X, la réponse est positive et est directement donnée par le troisième
polynôme dans (5.4). La réponse à S est négative, comme le suggère le dernier
polynôme différentiel dans (5.4). Pour prouver cela, il est nécessaire de se référer
à [38]. La dernière équation de (5.4) peut être réécrite comme l’expression (5.6) :
74 CHAPITRE 5. ESTIMATION

K1
Ṡ + DS − DSin + Q=0 (5.6)
K2
Notre expression peut être réécrite comme indiqué dans (5.7) :

Ṡ + P1 = 0 (5.7)
Où P1 = DS + P0 , avec P0 = -DSin + K 1
K2
Q n’implique pas S. L’expression (5.7)
ne peut pas être factorisée sous la forme (Ṡ + P2 ) (1 + P3 ). Avec P2 et P3 deux
polynômes (non différentiels) dans S dont les paramètres dépendent des dérivées
de D, Q, Sin , K1 , K2 et µ. On teste également un autre théorème pour infirmer ou
confirmer l’hypothèse que P1 est un polynôme de premier degré en S.
Théorème 2 [27] : La concentration de biomasse X de la digestion anaérobie
lorsque ce dernier processus évolue selon le modèle (5.1) est observable par rapport
à D, Q, Sin , K1 et K2 et µ. Cependant, la concentration du substrat S n’est pas
observable par rapport à D, Q, Sin , K1 et K2 et µ [27].
L’estimation du taux de croissance spécifique des bactéries peut être faite par la
méthode directe de dénombrement des cellules bactériennes ou par la méthode in-
directe de mesure de la biomasse. Dans notre cas l’estimation du taux de croissance
spécifique est effectuée à partir d’une approche algébrique différentielle.
Reprenons le polynôme différentiel µQ̇ − µ̇Q − µ2 Q + QµD = 0. Cette équation
peut être reformulée comme suit :

µQ̇ − µ2 Q = −QµD + µ̇Q

On peut alors noter que dans les intervalles de temps où elle n’est pas identique à
zéro, µ peut être mise sous la forme de l’expression (5.8) :
   
d Q Q
= −D  + Q (5.8)
dt µ µ

Étant donné le signe constant de D et de Q, on introduit la variable auxiliaire Z

définie par l’expression 5.9 :  
Q
Z=  (5.9)
µ
Cette quantité peut donc être estimée grâce à la stabilité exponentielle de l’équa-
tion dynamique précédente. Le taux spécifique de croissance des microorganismes
est estimé en simulant simplement la dynamique (5.10) à partir des mesures expé-
rimentales de D et de Q : (
Ż = −D(Z) + Q
(5.10)
µ̂ = Q
Z
L’initialisation, Z(t0 ), de cette équation dynamique est meilleure avec l’expression
(5.11) [27] :
Q(t0 )
Z(t0 ) = Z0 = (5.11)
D(t0 )
Cette expression est obtenue en considérant que Z(t0 ) et en utilisant (5.10). Ainsi,
l’estimation du taux de croissance spécifique est donnée par (5.10), initialisé par
(5.11). Cet observateur est un estimateur en boucle ouverte, dont la convergence est
directement dictée par le taux de dilution (D). La convergence est garantie tant
que D est strictement positif (similairement à l’observateur asymptotique décrit
dans l’annexe D.1).
5.2. ESTIMATION DU TAUX SPÉCIFIQUE DE CROISSANCE 75

L’observabilité d’un processus est un concept important dans le domaine de l’esti-

mation de l’état des variables. En effet, pour reconstruire les états inaccessibles d’un
système, il faut savoir, si les variables d’états sont observables ou non. L’observa-
bilité d’un système est la propriété qui permet de dire si l’état peut être déterminé
uniquement à partir de la connaissance des signaux d’entrées et de sorties.
Dans le cas des systèmes non linéaires, la notion d’observabilité est peu maniable
et elle est liée aux entrées et aux conditions initiales. Il n’existe pas de technique
pour mesurer les variables non mesurées, les techniques d’estimation sont alors
nécessaires dans ce domaine.
Les méthodes d’approche algébriques différentielles nous permettra de trouver des
réponses partielles au problème de l’estimation des taux de croissance spécifiques
de la biomasse sur la base de mesures disponibles.
A partir de cette estimation du taux spécifique de croissance, les variables d’état
du modèle peuvent également être estimées comme suit :
— Etape 1 : µb est estimé à l’aide des mesures D et Q indépendamment des
autres paramètres.
— Etape 2 : X, c S,
b Q,b sont estimés à partir du modèle du système (i.e. en
intégrant les fonctions Ṡ et Ẋ).
Pour cela, nous avons utilisé comme entrée : µ,D et Sin . Il est important de noter
qu’il faut attendre que l’estimateur du taux spécifique ait convergé avant de pouvoir
l’exploiter. Ici, le temps de convergence est de l’ordre de 12 jours (de l’ordre de 3/D).
Par ailleurs, la détermination de S et Q nécessite la connaissance des paramètres
(K1 et K2 ).
Ces paramètres avaient été identifiés avec le modèle à une étape au chapitre 4. On
peut également identifier les paramètres K1 et K2 pour améliorer l’estimation de
Q et S. La procédure est alors la suivante :
— K1 a été identifié par la méthode des moindres carrées non linéaires, à partir
de la concentration du substrat (S),
— K2 a été identifié par la méthode des moindres carrées linéaires linéaire à
partir du débit de biogaz (Q).
La Figure 5.1, nous montre le processus mis en place pour l’estimation et simulation
développé.

Figure 5.1 – Processus d’estimation et de simulation du modèle simplifié

76 CHAPITRE 5. ESTIMATION

5.2.3 Résultats de l’estimation

Dans cette section, l’observateur développé précédemment est mis en œuvre pour
le même cas d’étude que celui présenté à la section 4.3.3 du chapitre 4.

Figure 5.2 – Evolution du taux spécifique de croissance en fonction du temps

(TRH = 45 jours)

La Figure 5.2 montre le résultat de l’estimation du taux spécifique de croissance

des microorganismes.
L’estimation du taux spécifique de croissance donne des résultats cohérents avec
le profil du taux de dilution (D).
La comparaison entre les concentrations de la biomasse (X ) et du substrat (S )
obtenu à partir de l’association des variables d’état du modèle ADM1 et du débit
de biogaz est montrée sur la Figure 5.3. On compare les résultats obtenus avec les
paramètres K1 et K2 identifiés du chapitre précédent, et les résultats obtenus avec
une identification de ces paramètres en utilisant l’estimation de µ.
Pour l’identification, les données ont été divisées en deux ensembles :
— du temps est égal à 15 jours au temps est égal à 30 jours (désigné par
data#1), les données sont utilisées pour l’identification des paramètres,
— du temps est égal à 30 jours au temps est égal à 45 jours (désigné par
data#2), les données sont utilisées pour la validation.
Les nouvelles valeurs identifiées pour K1 et K2 sont données dans le tableau 5.1.

Table 5.1 – Valeurs des paramètres du modèle

Désignation K1 (Kg/m3 ) K2 (Kg/m3 )

Première identification 6,12 5,35
Seconde identification 9,02 5,78
5.3. CONCLUSION 77

Figure 5.3 – Comparaison entre les concentrations de X, S et du débit de biogaz

(Q) (TRH = 45 jours)

La Figure 5.3 nous montre que, le modèle estimé prédit bien le comportement des
données mesurées pour le reste des jours. L’estimateur proposé conduit à des bons
résultats, avec une simplification de la procédure d’identification. En effet, unique-
ment deux paramètres sont à identifier, et chacun peut être identifié séparément
de l’autre.

5.3 Conclusion
Dans ce chapitre, nous avons proposé un estimateur du taux spécifique de crois-
sance des microorganismes et des concentrations de biomasse, de substrat et du
débit de biogaz, pour le modèle à une étape. La particularité et l’intérêt de cet
estimateur est qu’il ne dépend pas des paramètres de la cinétique de croissance
pour sa mise en œuvre pour l’estimation du taux spécifique de croissance et pour
la biomasse. Premièrement, l’estimation de µ est effectuée en utilisant seulement
la mesure du débit de biogaz (Q), et le taux de dilution (D).
Une fois le taux de croissance spécifique estimé, en seconde étape nous utilisons
les valeurs du taux de croissance spécifique des bactéries obtenu et les valeurs
de la concentration d’effluent du substrat, et du taux de dilution comme entrée ;
pour estimer de nouveau les concentrations de la biomasse, du substrat et du
débit du biogaz. L’estimateur proposé est similaire, dans sa structure finale, à
l’estimateur asymptotique D.1. Néanmoins, le changement de variable introduit
n’est pas linéaire, et la philosophie et la démarche qu’il utilise ne sont pas les
mêmes. En effet, l’estimateur proposé estime le taux de croissance spécifique, alors
que l’observateur asymptotique élimine cette variable.
Les différents résultats obtenus montrent la qualité de l’estimateur développé, car
78 CHAPITRE 5. ESTIMATION

à partir des données existantes, l’estimateur permet de reconstruire les concentra-

tions en biomasse, sans avoir recours à un modèle au taux de croissance spécifique.
Cela permet de faciliter grandement l’étude de bioprocédés, car il ne nécessite
pas l’identification des paramètres du modèle de croissance, ce qui est une étape
délicate comme discuté dans le chapitre précédent.
La prédiction de la concentration de substrat et celles du débit de biogaz peuvent
être améliorées en identifiant les paramètres de leur modèle d’évolution, en utilisant
l’estimation du taux spécifique de croissance. Dans ce cas, l’identification est plus
simple à mener, car on peut découpler les identifications des deux paramètres
(K1 et K2 ). Cependant, il faut que l’estimateur du taux spécifique de croissance
ait convergé avant de pouvoir l’exploiter pour une prédiction des autres variables
d’état. Par ailleurs, l’estimateur développé suppose un modèle à une étape.
En perspective, il faut étendre l’approche à un modèle à deux étapes.
6 | Conclusion générale

Sommaire
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . 81

6.1 Conclusion
La valorisation des déchets est de plus en plus sollicitée. De nos jours les rejets des
déchets d’animaux (bouse de vache, fiente de poules), municipaux et industriels
(eaux usées d’huile de palme) sont croissants. Il est nécessaire de rechercher des
solutions pour limiter le rejet de ces types de déchets dans la nature. En effet,
ces déchets contribuent à la dégradation de l’environnement et jouent un rôle de
premier plan dans la pollution de l’environnement. Afin de protéger les milieux
récepteurs, il faut traiter ces déchets en passant par leur valorisation. Par ailleurs,
réutiliser les ressources épurées en agriculture et/ou en industrie, permettrait de
faire baisser considérablement l’utilisation des engrais chimiques. La dépollution
par voie biologique a lieu dans un bioréacteur qui peut être aérobie ou anaérobie.
Dans le cas étudié dans cette thèse, nous avons considéré la technique de la di-
gestion anaérobie. Ce procédé, s’il est de plus couplé à un système de commande
permettant d’optimiser son fonctionnement, apparaît comme une solution très pro-
metteuse pour atteindre l’objectif de favoriser la production d’une énergie propre
(le biogaz), tout en générant un engrais naturel et propre pour des débouchés en
agriculture (le digestat).
La digestion anaérobie est un processus biologique complexe, qui fait intervenir
des organismes vivants dont les caractéristiques évoluent dans le temps et qui peut
facilement être déstabilisé. Pour éviter ces genres des problèmes, il est nécessaire
de contrôler le système. Cela nécessite le recours à un modèle mathématique qui
contiendrait des informations pertinentes sur les variables clés du système et qui
décrit au mieux son comportement dynamique.
Aussi, Il est donc important de faire une étude détaillée de la modélisation et l’es-
timation de la digestion anaérobie afin de mieux comprendre le rôle des paramètres
non mesurés dans le fonctionnement du bioprocédé, pour pouvoir ensuite optimiser
son fonctionnement et son rendement.
Le chapitre 2 a présenté le dispositif et les procédures expérimentaux, ainsi que
le travail qui nous a permis de étudier la production du biogaz afin d’évaluer le
potentiel énergétique des déchets d’animaux (bouse de vaches et fiente de poules),
municipaux et industriel (eaux usées d’huile de palme) et cela en vue de leur
valorisation énergétique. Ces recherches nous ont permis de déterminer les para-
mètres physico-chimiques des déchets : Humidité, Matière Sèche, Matière Orga-

79
80 CHAPITRE 6. CONCLUSION GÉNÉRALE

nique (MO), masse volumique, taux de carbone, rapport carbone azote, Demande
Chimique en Oxygène (DCO) et Acide Gras Volatils (AGV). Plusieurs expériences
sur la méthanisation de ces types de déchets ont été réalisées avec une digestion
anaérobie qui a duré 45 jours, dans une gamme de température de 27 à 28˚C (plage
mésophile). Le potentiel biométhane (BMP) a également été déterminé ainsi que
le débit de biogaz des différents types des déchets étudiés. Ces résultats comparés
à ceux de la littérature ont révélé une très bonne cohérence.
A partir des données expérimentales, la modélisation du procédé a été réalisée et
présentée dans le chapitre 3 en considérant un modèle de référence : le modèle
ADM1. Les paramètres du modèle ADM1 ont alors été identifiés selon une procé-
dure que nous avons proposée. Cette procédure d’identification proposée s’appuie
sur une analyse de sensibilité des sorties par rapport aux variations des paramètres.
Seulement 7 paramètres parmi les 105 paramètres du modèle ADM1 ont été identi-
fiés, alors que les autres paramètres ont été fixés à leur valeur d’après la littérature.
Les données mesurées de la production de biogaz, des concentrations d’AGV et de
DCO ont été utilisées pour cette phase d’identification. Les résultats de validation
ont mis en évidence les performances du modèle obtenu. Il faut ceci dit préciser que
ce modèle devra être consolidé et vérifié avec de nouveaux jeux de données. Il a été
considéré comme le modèle de référence dans la suite de l’étude, en remplacement
du procédé réel.
Le modèle ADM1 reste malgré tout complexe et de grande taille, limitant son utili-
sation pour la synthèse des stratégies d’estimation et de contrôle. Aussi, nous avons
considéré au chapitre 4 la mise au point de modèles réduits pour le procédé. Deux
modèles ont été développés et leurs paramètres identifiés. Le premier, dit à une
étape, suppose que l’ensemble du biogaz est produit par une seule biomasse, qui
consomme un seul substrat. Le deuxième considère deux biomasses et deux sub-
strats, et permet de séparer les étapes d’acidogénèse de celle de méthanogénèse.
Une cinétique de type Monod a été considéré dans l’ensemble des cas, modélisant
ainsi une limitation par le substrat. Un modèle de type Haldane, modélisant l’in-
hibition a également été considéré pour le modèle à une étape (présenté dans le
chapitre 5). Les paramètres de ces modèles ont été déterminés pour reproduire
au mieux le comportement dynamique du modèle ADM1, à partir des mesures
des concentrations de biomasses, substrats et débit de biogaz. Les résultats de si-
mulation ont illustré l’efficacité de la stratégie d’identification proposée, mais ont
démontré qu’il fallait l’améliorer, notamment dans le régime transitoire. Il faut
également améliorer la qualité du modèle à deux étapes qui aboutit à des résultats
moins performants que le modèle à une étape.
La mise en place d’une stratégie d’estimation a fait l’objet du chapitre 5. L’origina-
lité de notre approche réside dans la détermination des concentrations de biomasse
et substrat à partir de l’estimation du taux spécifique de croissance. L’avantage
principal est que l’estimateur développé ne nécessité aucune hypothèse sur la struc-
ture du taux de croissance et est indépendant de son modèle empirique et de ses pa-
ramètres. Ainsi, l’estimateur proposé utilise une formulation mathématique simple,
et les mesures du débit de biogaz pour reconstruire le taux spécifique de croissance,
et ainsi les variables d’état du système (avec hypothèse de modèle classique issu
d’un bilan de matière). L’approche algébrique différentielle a été utilisée pour la
conception de cet estimateur. Il a alors été démontré dans cette thèse que :
— le taux spécifique de croissance des micro-organismes n’est pas observable
selon l’approche algébrique différentielle ;
— mais, en utilisant les méthodes algébriques de décision, une équation dif-
6.2. PERSPECTIVES 81

férentielle spécifique impliquant le taux spécifique de croissance des micro-

organismes et les quantités supposées mesurées en ligne est obtenue et uti-
lisée comme un capteur logiciel pour le taux de croissance de ces espèces.
Les résultats en simulation, dans le cas du modèle à une étape ont démontré l’ef-
ficacité de cet estimateur, qui est de plus simple à mettre œuvre (durée d’implé-
mentation et temps de calcul).

6.2 Perspectives
Les travaux entrepris dans cette thèse ouvrent de nombreuses perspectives. Sur le
plan expérimental, les perspectives concernent l’étude et l’amélioration du dispo-
sitif expérimental à l’IST de Mamou. Parmi les perspectives de continuité de ce
travail pour le digesteur pilote, on peut citer :
— Effectuer des expérimentations avec différents profils de débit pour consoli-
der les résultats expérimentaux,
— Approfondir l’étude de la codigestion, pour un meilleur rendement du pro-
cédé de digestion anaérobie.
— Aller vers une automatisation du digesteur, avec des capteurs logiciels dans
un premier temps, puis vers des unités de pilotage à plus long termes.
Pour ce qui est de la modélisation du procédé, les premiers résultats obtenus sont
encourageants, mais il s’agira de les améliorer, via par exemple :
— Effectuer des expérimentations dédiées à l’identification du modèle ADM1
(via une planification d’expériences),
— Améliorer la qualité du modèle réduit à deux étapes,
— Développer un modèle réduit représentatif du comportement global du sys-
tème de digestion anaérobie.
Pour ce qui est de l’estimation, la perspective principale est en lien avec l’estimateur
du taux spécifique de croissance. Il s’agira notamment de :
— Valider l’estimateur sur des données expérimentales,
— Etendre cet estimateur vers des modèles à plusieurs étages, et prendre en
compte d’autres mesures (le pH et température par exemple).
— Proposer des estimateurs hybrides pour robustifier l’estimation des concen-
trations à partir de µ notamment vis-à-vis des incertitudes sur les rende-
ments. Cette approche d’hybridation peut par exemple combiner cet esti-
mateur avec un estimateur plus classique comme un filtre de Kalman.
Un aspect non abordé dans cette thèse concerne la commande du procédé. Beau-
coup de travaux existent dans la littérature concernant la commande de procédé
de digestion anaérobie [118, 35, 117, 36, 108, 37, 92].
Une piste à explorer serait d’utiliser le taux spécifique de croissance estimé et de
l’intégrer dans une loi de commande pour le maintenir à une valeur optimale. On
peut pour cela, par exemple, concevoir une loi de commande prédictive [129] ou
une loi de type Economic MPC (pour intégrer des informations supplémentaires,
tels que les demandes des usagers et les coûts économiques d’exploitation).
Etant donné les limitations en terme d’automatisation du procédé, la conception
d’une loi de contrôle sans modèle pourrait être une piste prometteuse [49]. L’idée
serait d’utiliser la mesure de biogaz pour identifier un modèle linéaire simple, en
temps réel, pour lequel une loi classique de type PID devra maintenir le débit
de biogaz à une valeur optimale souhaitée. L’estimateur du taux spécifique de
croissance permettrait alors d’avoir un outil de surveillance du bon déroulé de la
digestion. Il pourrait également être combiné à cette stratégie de commande sans
82 CHAPITRE 6. CONCLUSION GÉNÉRALE

modèle pour une meilleure efficacité (par exemple commande sans modèle sur le
taux de croissance estimé).
La perspective principale de ces travaux de thèse reste l’aboutissement à une solu-
tion de digestion automatisée avec un rendement optimal pouvant être facilement
déployée dans les zones rurales en Guinée.
A | Etude expérimentale du di-
gesteur expérimental

La caractérisation du substrat ainsi que celle du potentiel biométhane dans le cas

du digesteur à échelle de laboratoire, via l’étude du débit en biogaz produit, sont
détaillés dans [10]. Cet article est fourni ci-après.

83
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

AN EXPERIMENTAL STUDY FOR THE CHARACTERIZATION OF

BIOGAS PRODUCTION FROM COW DUNG AND DROPPINGS
Younoussa Moussa Baldé, Cellou Kanté, Sette Diop, Sihem Tebbani
Abstract: The present work is an account of an ongoing work on biogas production from animal wastes at LEREA
(Laboratoire d’enseignement et de recherche en énergétique appliquée) in Mamou, Guinea. The work consists of biogas
production from anaerobic digestion and co-digestion of cow dung and droppings. We focus in this report on the
determination of the physico-chemical characteristics of the experimental setup. We have carried out three experiments
of anaerobic digestion each one lasting 45 days at mesophilic temperature (temperature was maintained in the range
27°C - 28°C). Biogas - 28.4 liters have been obtained from droppings, 22.6 liters from cow dung and 38.7 liters from
co-digestion of the previous two wastes. The following physico-chemical characteristcs were observed for cow dung:
humidity 43%, dry matter 20.83%, organic matter 57%, density 625kg/m3, carbon content 31%, nitrogen content 1.46%,
nitrogen-carbon ratio 21/30. For droppings we measured: humidity 35%, dry matter 65%, organic matter 62%, density
250 kg/m3, carbon content 36%, nitrogen level 1.83%. This characterization was carried out on a sample of 3 g of each
type of substrate. These results agree with those of the literature that we were able to compare with.
Keywords: anaerobic digestion; anaerobic co-digestion; physico-chimical characterization; cow dung weste; droppings
weste; methanation; animal waste

1. INTRODUCTION first part of the work at LEREA. After the

characterization of the samples we proceed to the
In order to meet Guinea's energy needs,
methane production from the wastes. We provide
significantly reduce local pollution and the
experimental characterization of substrates
greenhouse effect, and preserve the environment, it
consisting of cow dung and droppings that may be
is necessary to explore and develop new energy
found in the area of Mamou in Guinea. Typical
sources such as biogas. This widely available,
values of biogas production from cheap bioreactors
inexpensive and non-polluting renewable energy can
are also provided by our study, including co-
be used to complement so-called non-renewable
digestion of cow dung and droppings.
fossil fuels [15, 9, 16].
We have carried out three experiments of
In Guinea, despite the importance of
anaerobic digestion each one lasting 45 days at
hydropower potential, the supply of thermal and
mesophilic temperature (temperature was
electrical energy remains one of the major
maintained in the range 27°C - 28°C). 28.4 liters
problems in most of the country's rural areas,
have been obtained from droppings and 22.6 liters
leading to increased wood consumption, severe
from cow dung and 38.7 liters from co-digestion of
forest degradation, soil erosion and climate and
the previous two wastes. The following physico-
environmental degradation. On the other hand,
chemical characteristcs were observed for cow
organic wastes may be turned into a source of
dung: humidity 43%, dry matter 20.83%, organic
wealth in remote rural areas thanks to anaerobic
matter 57%, density 625kg/m3, carbon content
digestion. The biogas produced by this natural
31%, nitrogen content 1.46%, nitrogen-carbon ratio
anaerobic digestion process may be used for the
21/30. For droppings we measured: humidity 35%,
production of heat and electricity for
dry matter 65%, organic matter 62%, density
households.
250kg/m3, carbon content 36%, nitrogen level
In addition, animal wastes, thanks to the organic
1.83%. This characterization was carried out on a
matter they contain, are a guarantee for soil fertility.
sample of 3g of each type of substrate. These
Farm animals release 20 to 40% of the nitrogen and
results agree with those of the literature that we
phosphorus and 70 to 90% of the potassium ingested
were able to compare with.
with feed. For poultry, the release is about 70% of
The paper is organized as follows. In next
the nitrogen [3, 8]. The gaseous emissions from
section we present the materials and methods used
these effluents are methane, , ammonia, ,
for characterization of the wastes as well as the
hydrogen sulphide, , carbon dioxide, .
biogas production. Section 3 is devoted to
Recovering the biogas and agricultural
exposition of the results and their discussions. The
fertilizer contained in these animal wastes requires
paper ends with concluding remarks and words on
prior characterization of their physico-chemical
future works.
parameters [11, 5]. This is the motivation of the

54
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61
61

2. MATERIALS
MATERIALS AND METHODS humidity,
humidity, dry matter, organic matter, mineral matter,
matter,
the carbon
c and nitrogen
n contents of the various cow
The equipment used for the characterization
dung and droppings saamples
saamples.
consisted of an oven, a W10/10A-HERAUS
W10/10A HERAUS incinerator
of 800 W, a DIAL-O-GRAM
GRAM brand analytical balance of 2.1. Substrates
2610 g capacity, a stirrer glass for the agitation and
The substrates used in this study consist of
homogenization of the substrate, a clamp allowing
allowing the
easily biodegradable organic wastes
wastes. Specifically,
Specifically,
manipulation of hot glassware,
glassware and two containers
we chose cow dung, and droppings for their
which are graduated in centiliters.
centiliter
availability in the area of Mamou. Fig. 1 below
These equipments make it possible to measure
shows
show plastic bags of samples of these wastes.
wa
the following characteristics: density, relative

Fig. 1. Animal waste samples

sample

Samples of cow dung and droppings are bioreactor and the second hole lets the water flow to
collected from a cattle park and a poultry farm in the third bottle which is a water collector.
collector. The
Mamou. The analysis of these samples was carried principle of measurement of the biogas is thus very
out at the Microbiology Laboratory of the National simple: under the biogas pressure in the biogas
Control Office (ONCQ) of Matoto in Conakry. The container the water
w flows to the water collector
results obtained were
were interpreted at LEREA facilities bottle. The latter is equipped with graduations
graduations
at UGANC in Conakry and in Mamou. measuring
measuring the displaced water and the volume of
biogas produced,
produced too.. The pho photograph
ograph of Fig. 2
2.2. Experimental setup
shows the three bioreactors each one made of the
This is a cheap poorman’s bioreactor consisting
consist previously mentioned three bottles and diagram of
of bottles of volume varying between 4.5 4 5 and 5 Fig. 3 shows the principle of each bioreactor.
litters. The first one is the bioreactor itself. It is Therefore, the digester is essentially a closed airtight
equipped with a flexible tube which lets the biogas and preferably thermally insulated vessel from the
leave the first bottle to a second one which is the outside in which different bacterial species degrade
container of the produced biogas. This bottle is the organic waste and produce duce biogas [18].[18].
initially filled with water.
water It is equipped with two Therefore,
refore, our bioreactors are of batch type.
holes: the first one is for the supply of gas from the

55
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61
61

Fig. 2. Experimental method

Fig. 3. Experimental setup

2.3. Analytical methods 2.3.1. Gravimetric method

Characterization of wastes is done through the two The gravimetric method consists of the
following methods: gravimetric and volumetric [12].
[12 determination of the following parameters: density,

56
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

amount of organic matter, amount of mineral matter,

moisture and the amount of dry matter.
Density
A glass vessel of 1 liter of volume is filled with
organic waste without settlement and weighed on the 2.3.2. Volumetric method
scales. The average density (ρ in kg/m3) is calculated
according to the following formula The volumetric method consists of determining
the organic carbon and nitrogen content.
Organic carbon rate
Organic Matter The organic carbon content in the sample was
The determination of the rate of organic matter determined according to the content of organic
(MO) for each substrate consists of placing a sample matter according to the standard (NF44-161) by the
of 20 g of each substrate in the oven for 24 hours at relation [11]
70 . And then the calcination of samples of the 3g
previously dried for 2 hours in the incinerator. The
rate of organic matter is determined according to
Nitrogen rate
The total nitrogen content was determined by
digesting 1g of the sample with concentrated sulfuric
where Msec is the weight (in g) before calcination acid in the presence of a catalyst (copper sulphate
and MSI the weight (also in g) after calcination. plus sodium sulphate) for 2 hours then distillation
Mineral matter and titration of the ammonia released with a sulfuric
acid solution of normal 0.02 concentration. En we
After 6 hours in incinerator, an inorganic residue use the relation
is obtained. This mass of the waste calcined at 600
(MSI) is the mineral matter. Measuring the
weight of the fraction of residual ash by the loss on where is the titration volume in (ml/g), is
ignition allows us to determine the percentage of the the test mass in (g/ml).
mineral contained in the waste. The mineral matter
is determined by the equation The analysis of these samples was carried out at
the Microbiology Laboratory of the National Control
Office (ONCQ) of Matoto in Conakry. The results
obtained were interpreted at the laboratory LEREA
Relative humidity in UGANC and in Mamou.
The majority of protocols determine moisture by 2.3.3. Experimental procedures
drying at temperature of 105 to a constant weight. The determination of the densities consisted in
The moisture percentage of the different organic filling a container of volume of waste (v=1 liter)
wastes is determined by the difference of weight of without settlement and then weighed on balance.
the sample before and after drying until the This amount of initial substrate is dried successively
stabilization of the mass by formula [2] in the oven in five steps. Knowing the different
masses (in g) we applied the formula (1) to calculate
the different densities ( in kg/m3), so the density of
the substrate is the average of the densities coming
where MSo is the initial mass of the sample, Msec from the five experiences.
the mass of the dried sample, , The determination of the other parameters
the mass of water contained in the sample. consists in carrying out successively five
Organic matter rate in the dry matter experiments on the same sample of 3 g of each
type of substrate, until a constant mass of the
The organic matter content in the dry matter and sample is obtained. These experiments consist of
in the initial substrate (MSo) are respectively successively introducing the dried 3 g sample into
determined by the relations

57
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

the muffle furnace and removing it after each 3. RESULTS AND DISCUSSION
hour, this operation is carried out 5 times on the 3.1. Results and discussion of the
same sample until a constant mass (MSI) is characterization of animal wates
obtained which corresponds to the value of the
The tables below present the results obtained
fifth experiment.
during the process of characterizing animal waste.
At each operation, the MS is determined by
The results obtained show that the dry matter
weighing, the other parameters are determined by all
rates of the cow dung and droppings samples (57%
the above relations. The averages of the five
and 65%) are relatively high compared to those
experiments represent the values of the
given by [13] and [14] or 15% for cow dung and
physicochemical parameters of the substrate [11].
30% for hen droppings.
2.3.4 The method of production of biogas The MO rate of cow dung 54% MS and quite
close to the result as reported by [14], ie 55% MS,
This research concerns the determination of the
and the MO rate of the hen droppings is 65% MS,
amount of biogas contained in 1.5 kg of each type of
results obtained by [10] is some 60% MO.
substrate (cow dung and droppings) and the mixture
The carbon and nitrogen contents of the waste
of both substrates (co-digestion) in the proportion of
for cow dung 31% and for droppings 36%
one (0.75kg) each. We simultaneously used 3 plastic
respectively, the ratios of carbon and nitrogen (C/N)
bottles of 5 liters as digesters, they were filled up to
for these wastes are respectively 21 and 20. These
3/4 of their volume respectively by the two types of
results show that the C/N ratios of cow dung and hen
substrate and their mixture. These samples were
droppings are close of the litterature. For some
diluted in 2 liters of water each. These three
authors a ratio of 25/30 is considered optimal for
digesters have been each connected to an air
anaerobic digestion, while for others, C/N ratios
chamber (gasometer) through the flexible hoses of
between 20 and 30 were critical for the stability of
8mm interior diameter.
conversion processes, [4, 7].
Table 1: Characteristics of cow dung
Sample (MSo)g MSec(g) MSI(g) H(%) MS(%) MO(%) kg/m3

1 3 2.25 0.63 25.00 75.00 72 1000.00

2 3 2.2 0.63 26.66 73.34 71 750.00

3 3 2 0.63 33.33 66.67 69 666.00

4 3 1.45 0.63 51.66 48.33 58 500.00

5 3 0.625 0.63 79.17 20.83 - 208.00

Average 3 1.72 0.63 43 57 54 625.00

Table 2: Characteristics of droppings

Sample (MSo)g MSec(g) MSI(g) H(%) MS(%) MO(%) kg/m3

1 3 2.63 0.5 13.00 87.00 72 333.00

2 3 2.44 0.5 18.00 82.00 71 291.67

3 3 2.25 0.5 25.00 75.00 69 270.83

4 3 1.55 0.5 48.33 51.67 58 208.33

5 3 1.88 0.5 38.00 62.00 - 250.00

Average 3 2.14 0.5 35 65 62 271.00

58
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

Table 3: Chemical characterization of cow dung

Experiment Vtit(ml/g) MSec(g/ml) C(%) N(%) C/N
1 45 1.5 42 1.46 28.50
2 5.00 1.5 41 1.46 28.30
3 5.00 1.5 40 1.46 27.20
4 5.00 1.5 30 1.46 23.00
5 5.00 1.5 - 1.46 -
Average 5.00 1.5 31 1.46 21.40

Table 4: Chemical characterization of droppings

Experiment Vtit(ml/g) MSec(g/ml) C(%) N(%) C/N
1 5.00 1.88 47 1.83 25.66
2 5.00 1.88 46 1.83 25.00
3 5.00 1.88 45 1.83 25.00
4 5.00 1.88 43 1.83 23.00
5 5.00 1.88 - 1.83 -
Average 5.00 1.88 36 1.83 20.00

Table 5: Physico-chemical characteristics of the 2 wastes compared

Type of waste H(%) MS(%) MO(%) MV(kg/m3) C(%) N(%) C/N
Cow dung 43 57 54 625 31 1.46 21.40
Droppings 35 65 62 271 36 1.83 20.00

3.2. Results and discussion of the biogas production

The table below illustrate the results obtained during the process of experiments animal wastes, with:

Table 6: Biogas produced by intrans (in liters)

Sample (MSo)g MSec(g) MSI(g) H(%) MS(%) MO(%) kg/m3

1 3 2.25 0.63 25.00 75.00 72 1000.00

2 3 2.2 0.63 26.66 73.34 71 750.00

3 3 2 0.63 33.33 66.67 69 666.00

4 3 1.45 0.63 51.66 48.33 58 500.00

5 3 0.625 0.63 79.17 20.83 - 208.00

Average 3 1.72 0.63 43 57 54 625.00

59
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

Fig. 4. Kinetics of cumulative biogas (Liter/day)

Biogas production started on the 3rd day after anaerobic digestion [6, 17] of animal wastes which
the digester load and lasted 45 days. The are produced in the area of Mamou.
biodegradation of organic substrate into gaseous
ACKNOWLEDGEMENT: The French Embassy
compounds occurs as follows:
in Guinea is acknowledged for their financial
(i) over a period of 45 days, 50% of the total
support of Younoussa Moussa Baldé.
volume of gas is produced in 9 days with a
maximum on the 9th day of fermentation; REFERENCES
(ii) the continuous fermentation process from
1. Aboubakar, Z. Boli and C.M.F. Mbofung,
the 10th to the 45th day. After 45 days of Etude du potentiel biogaz des déjections animales:
methanation in a temperature range of 27 to 28 , bouses de bovins et fientes de volailles d’un centre
the amount of biogas for droppings is 28.4 liters, zootechnique à Maroua - Cameroun, Revue des
higher than that of cow dung 22.6 liters. Co- Energies Renouvelables, 19 (2016), 447-464.
digestion gives a higher value 38.7 liters. On 2. Amaranth, João Alberto Lima, Biomethanization
average, the daily specific biogas production of the of Municipal Putrescible Waste-Available Technologies
different animal wastes is: cow dung (0.50 liter/day), and Challenges for Quebec. University of Sherbrooke,
droppings (0.63 liter/day) and finally co-digestion 99 (2010).
(0.86 liter/day) at an average temperature of 3. Castaing, J., P. Pouech and R. Coudure,
28 .The resultats of the literature give an average Digestion anaérobie anaérobique de lisiers de porc en
production of 18 liters to 20 liters for cow dung and mélange avec les déchets agro-industriels, Journée de
la Recherche Porcine, 34 (2002), 195-202.
19 liters to 40 liters for the droppings [1]. 4. Claire Chottier, Composés Organiques
4. CONCLUSION Volatils du Silicium et sulfured’hydrogène - Analyse -
Traitement - Impact sur la valorisation des biogaz,
This research shows the importance of the [Link] 2012, 38-41.
knowledge of certain physico-chemical parameters 5. De Baere, L. Will, Anaerobic digestion of
of wastes in order to improve their productivity in solid waste survive in the future, Water Science and
biogas. This study also documents the fact that co- Technology, 200(2006), 187-194.
digestion is a factor of optimization of biogas 6. Dinova, N., M. Belouhova, I. Schneider and Y.
production by anaerobic digestion. Future work tries Topalova, Functional control of the technologies for
to improve all these experimental procudures which biogas production, Ecological Engineering and
were described in this paper. One of the objectives is Environment Protection, 1 (2016), 52-64.
7. Gunaseelan, V. N. Regression models of
to be able to deliver to decision makers reliable ultimate methane yields of fruits and vegetable solid
quantitative evaluation of energetic potentialities of wastes, sorghum and napiergrass on chemical
animal wastes, and other waste types, too. Ongoing composition, Bioresource Technology, 98 (2007),
work also concerns modeling of dynamics of 1270-1277.

60
 Ecological Engineering and Environment Protection, No 1, 2019, p. 54-61

8. Held, C., M. Wellacher, K. Robra, G.M. 13. Parra, R., A. Escobar, Use of fibrous
Gubitz, Two-stage anaerovic fermentation of organic agricultural residues (FAR) in ruminant feeding in
waste in CSTR and UFAF-reactors, Bioressource Latin America. In: FAO. Better utilization of crop
Technology, 81 (2002), 19-24. residues and by-products in animal feeding: research
9. Kabaivanova, L., I. Simeonov, D. Denchev, S. guidelines - State of knowledge. Rome, 1985, pp. 213.
Mihaylova, V. Hubenov, R. Nikolova and D. Todorova, 14. Parra, R., A. Escobar, E. Gonzalez, El
Thermochemical pretreatment of lignocellulosic potencial de los recursos agricolas fibrosos. Jornadas
substrates for anaerobic digestion at mesophilic and Agronomicas, Maracay, Venezuela, 11(1977), 12-15.
thermophilic conditions, Ecological Engineering and 15. Rakotoniaaina, V.A., Co-méthanisation des
Environment Protection, 2(2016), 42-49. déchets fermiers et alimentaires: experimentation et
10. Lacour, J., R. Bayard, E. Emmanuel, R. Gourdon, modelisation, thèse Université de la Réunion, 2012.
Evaluation du potentiel de valorisation par digestion 16. Traoré, D., D. Dianou and A. S. Traoré,
anaérobie des gisements de déchets organiques d’origine Biomethane Potential of Some Agroresources in
agricole et assimilés en Haïti, Déchets - Revue Burkina Faso: Case Study of Vegetable Residues, Pig
Francophone d’Écologie Industrielle, 60 (2011). Manure, Mango Waste and Bovine Manure, Journal of
11. M’Sadak, Y. and A. Ben M’Barek, Advances in Biology and Biotechnology, 15 (2017), 1-11.
Caractérisation quantitative du digestat solide de la 17. Ward, A.J., P.J. Hobbs, P.J. Holliman, D.L.
biométhanisation industrielle des fientes avicoles et Jones, Optimisation of the anaerobic digestion of
alternatives de son exploitation agronomique hors sol, agricultural resources. Bioresource Technology,
Revue des Energies Renouvelables, 16(2013), 33-42. 99(2008), 7928-7940.
12. M’Sadak, Y. and A. Ben M’Barek, and L. 18. Yong, Zihan, Yulin Dong, Xu Zhang and
Tayachi, Possibilités d’Incorporation du Méthacompost Tianwei Tan, Anaerobic co-digestion of food waste
Avicole dans la Confection des Substrats de Culture à and straw for biogas production, Renewable Energy,
Base de Compost Sylvicole en Pépinière Forestière, 78(2015), 527-530.
Revue Nature et Technologie, 6 (2012), 59-70.

ЕКСПЕРИМЕНТАЛНО ИЗСЛЕДВАНЕ НА ПОЛУЧАВАНЕТО НА

БИОГАЗ ОТ КРАВЕШКИ И ПТИЧИ ТОР
Йонуса Муса Балде, Целу Канте, Сет Диоп, Сихем Тебани
Резюме. Настоящата статия е равносметка на продължаващата работа за производство на биогаз от животински
отпадъци в LEREA (Лаборатория за обучение и научни изследвания в приложната енергетика) в Маму, Гвинея.
Работата се състои в производство на биогаз чрез анаеробна биодеградация на кравешки тор и смеси от птичи и
кравешки тор. В този доклад се фокусираме върху определянето на физико-химичните характеристики на
експерименталната установка. Проведени бяха три експеримента на анаеробна биодеградация, като всеки един от тях
бе с продължителност 45 дни при мезофилна температура (температурата се поддържа в диапазона 27° C - 28° C).
Добивите на биогаз бяха както следва: 28.4 литра са получени от птичия тор, 22.6 литра от кравешкия тор и 38.7 литра
от сместта на предишните две отпадъци. Физико-химичните характеристики за кравешкия тор са следните: влажност 43
%, сухо вещество 20.83 %, органична материя 57%, плътност 625 кг/м3, съдържание на въглерод 31%, съдържание на
азот 1.46%, съотношение въглерод/азот 21/30. За птичия тор те са: влажност 35 %, сухо вещество 65 %, органична
материя 62 %, плътност 250 кг/м3, съдържание на въглерод 36%, съдържание на азот 1.83%. Тези характеристики са
получени от проба от 3 г от всеки субстрат. Получените резултати са подобни на известните от литературата.
Ключови думи: анаеробна биодеградация, моно- и смесени субстрати, физико-химични характеристики,
кравешки тор, птичи тор, метанизация

Sette Diop and Sihem Tebbani

Cellou Kanté, Director
Laboratoire des signaux & systèmes
Institut supérieur de technologie de Mamou
CNRS – CentraleSupélec – Université Paris-Sud –
Laboratoire d’enseignement et de recherche en
Université Paris Saclay
énergétique appliquée
3 rue Joliot Curie
Université Gamal Abdel Nasser de Conakry (UGANC)
91192 Gif sur Yvette cedex, France
BP 063Mamou, Guinea
E-mails: Diop@[Link],
E-mail: CelKante@[Link]
[Link]@[Link]
Younoussa Moussa Baldé
Laboratoire d’enseignement et de recherche en énergétique
appliquée and the Laboratoire des signaux & systèmes.
E-mail: [Link]@[Link]

61
B | Le modèle ADM1

B.1 Description du modèle de digestion anaéro-

bie ADM1

Le modèle ADM1 est un modèle mathématique mettant en œuvre les différentes

étapes réactionnelles de la conversion de la matière organique particulaire en CO2 ,
CH4 et en matières inertes à travers des processus physico-chimiques et biolo-
giques. Les mécanismes de solubilisation extracellulaire sont divisés en une étape
de désintégration et une étape d’hydrolyse.
La première est considérée comme une réaction de déstructuration qui consiste à
convertir la matière organique complexe en protéines, glucides, lipides et matières
inertes.
La seconde est une hydrolyse enzymatique des composés biochimiques particulaires
en acides aminés, sucres simples et acide gras long chaine (AGLC). Elle permet
de décrire la dégradation de substrats purs tels que la cellulose, l’amidon ou les
protéines. Les étapes intracellulaires incluses dans la structure du modèle sont les
suivantes :
— l’acidogenèse qui est la conversion des sucres simples ou des acides aminés
en AGV et en hydrogène, les AGLC sont oxydés pour produire de l’acétate
et de l’hydrogène ;
— l’acétogenèse où le propionate, le butyrate et le valerate sont convertis en
acétate et en hydrogène ;
— la méthanogénèse acétoclastique au cours de laquelle le méthane est produit
par clivage de l’acétate en CH4 ;
— la méthanogénèse hydrogénophile qui est la réduction du dioxyde de carbone
par l’hydrogène pour produire du méthane.
Le modèle ADM1 compte 26 ou 32 variables d’état permettant ainsi de décrire
le comportement dynamique des différentes réactions. L’ensemble des variables de
l’ADM1 s’expriment en kgDCO.m-3 ou gDCO.l-1 , et le bilan est mis en DCO.
L’azote et le carbone inorganiques s’expriment en leurs concentrations molaires
respectives, kmol.m-3 . Il est à retenir que les composés particulaires sont représentés
avec un X, il s’agit des composés organiques particulaires et des micro-organismes
actifs qui ne peuvent pas traverser la paroi cellulaire des bactéries.
Les espèces microbiennes incluses dans le modèle sont les microorganismes dégra-
dant les sucres simples, Xsu , les acides aminés, Xaa , les AGLC, Xfa , le butyrate et
le valerate, Xc , le propionate, Xpro , l’acétate, Xac et l’hydrogène, Xh2 .
La mortalité des microorganismes actifs est incorporée dans le modèle. Les cellules
mortes retournent en entrée du modèle dans la fraction Xc (composites) qui est
elle-même convertie en protéines Xpr , glucides Xch et en lipides Xli .
Le modèle ADM1 se présente sous la forme d’un système d’équations différentielles

92
B.1. DESCRIPTION DU MODÈLE DE DIGESTION ANAÉROBIE ADM1 93

ordinaire (ODE) et algébriques (DAE) avec 33 variables en régime permanent

(substrats, intermédiaires de réaction et produits gazeux, c’est-à-dire le méthane,
l’hydrogène, le dioxyde de carbone en phase liquide et gazeuse) et 105 paramètres
stœchiométriques et cinétiques. Le logiciel Matlab/Simulink a été utilisé comme
outil de simulation [94].

B.1.1 Structure des processus biochimiques

Le modèle de digestion anaérobie inclut trois principales étapes intracellulaires
(acidogenèse, acétogenèse et méthanogénèse). Les étapes extracellulaires de désin-
tégration et d’hydrolyse sont montrées sur la Figure B.1.

Kdecx Complex Particulate

Organic Matter (Xc)

Inert
Particulates
(XI)
Carbohydrates (Xch) Proteins (Xpr) Fats (Xli) Inert
Soluble
Khydpr

Khydpr

ffali
Khyd
Ksfa
Kmfa
(1-ffali)
(SI)

Sugars Amino Acids Long Chain Fatty

(Ssu) (Saa) Acids (Sfa)
fh2su
fh2aa

Propionate (Spro) Butyrate (Sbu)

Valerate (Va)
fh2su

Acetate (Sac) fh2aa Hydrogen (Sh2)

Methane (Sch4)

Figure B.1 – Représentation schématique de la digestion anaérobie

Les différentes phases de la méthanisation sont décrites de la manière suivante :

Désintégration et l’hydrolyse : La désintégration et l’hydrolyse sont des pro-
cessus biologiques extracellulaires. Elles permettent, la solubilisation des molécules
complexes en des monomères utilisables en biomasse. La dépolymérisation de ces
macromolécules conduit à la formation de sucres simples, d’acide aminés (AA) et
d’acides gras à longues chaînes (LCFA).
Acidogénèse : L’acidogenèse est la seconde étape du processus de conversion de
la matière organique, elle transforme les produits de l’étape d’hydrolyse en acide
gras volatils (AGV).
Acétogenèse : L’acétogenèse est l’étape biochimique de formation d’acétate de
dioxyde de carbone et d’hydrogène à partir de la phase d’hydrolyse jusqu’à la
phase d’acidogenèse.
Méthanogénèse : La méthanogénèse est la dernière étape du processus de conver-
sion de la digestion anaérobie, et elle consiste à transformer l’acétate, l’hydrogène
et le dioxyde de carbone en méthane CH4 [98].

B.1.2 Processus physico-chimiques

Les processus physico-chimiques sont inclus dans la digestion anaérobie, le système
physico-chimique peut être définit comme un processus non biologique qui se dé-
roule dans les biodigesteurs qui fonctionnent en absence d’oxygène (anaérobies) et
donc ils sont intégrés dans le modèle. Ces processus décrivent principalement les
94 ANNEXE B. LE MODÈLE ADM1

phénomènes physiques et les réactions chimiques, comme le transfert de gaz, la

précipitation et les réactions acido-basiques.
— Réactions acido-basiques
Du fait que l’inhibition du potentiel hydrogène (pH) est incorporée dans le modèle,
le comportement du pH doit être vérifié. La détermination du pH dans le modèle
se fait par la résolution de l’équation de l’équilibre des charges.
X X
Sc+ = SA+ (B.1)
P P
Sc+ représente l’ensemble des cations et SA+ = 0 représente l’ensemble des
anions. Le bilan de charge mis en œuvre par l’association internationale de l’eau
est monté comme B.2.
SAC − SP r− SBu− SV a−
Scat+ = SN H + + SH + − SHCO3− − − − − − SOH − − SAn− = 0
64 112 160 208
(B.2)
+
A partir de l’équation B.2, on peut calculer la concentration des ions H comme
l’équation B.3.
θ 1q 2
SH = +
+ θ − Kw (B.3)
2 2
Où
SAC − SP r− SBu− SV a−
θ = Scat+ +SN H + −SHCO3− − − − − −SAn −SN H + = SIC −SN H3
64 112 160 208
(B.4)
SCO2 = SIC − SHCO3− (B.5)
En effet, le pH peut être déterminé comme le montre l’expression (B.6).

pH = − log(SH + ) (B.6)

— Transferts liquide-gaz
La phase gazeuse en contact avec la phase liquide va atteindre un état stable.
Lorsque la phase liquide est relativement diluée, la loi d’Henry peut être utilisée
pour décrire la relation d’équilibre, comme le montre B.7 :

KHPgaz,i,ss − Sliq,i,ss = 0 (B.7)

— Pgaz,i,ss , la pression de la phase gazeuse à l’état d’équilibre du composant i ;
— Sliq,i,ss , la concentration de la phase liquide à l’état d’équilibre pour le com-
posant i ;
— KH est le coefficient de la loi d’Henry.
Il est possible de déterminer le taux de transfert massique spécifique d’un gaz i à
partir de la relation décrit comme l’expression B.8 :

ρT,i = kLa (Sliq,i KHP gaz,i ) (B.8)

L’ensemble du taux de transfert des composés gazeux est présenté dans la matrice
de transfert liquide-gaz de Petersen. Les étapes extracellulaires sont identifiées
comme des cinétiques du premier ordre. Les étapes intracellulaires sont décrites
selon trois expressions : croissance, mort et consommation. L’ensemble des pro-
cessus est alors exprimé sous forme de matrice appelée matrice de Petersen [98].
La matrice de Peterson est la structure la plus largement répandue, elle est assez
flexible pour élaborer les modèles chimiques et biologiques.
B.1. DESCRIPTION DU MODÈLE DE DIGESTION ANAÉROBIE ADM1 95

Une ligne représente un processus qui est listé dans la colonne à gauche de la
matrice, l’indice j est associé à chaque processus qui varie de 1 à 19, par contre
une colonne correspond à un composant qui est listé du côté supérieur du tableau
par leurs symboles et du côté inférieur par leurs noms et unités. Les expressions
des cinétiques pour chaque processus sont marquées dans la colonne à droite de la
matrice notée (ρj ).
Les coefficients stœchiométriques vi,j font ressortir le rapport de masse entre le
composant dans les processus, le signe (−) pour représenter la consommation et
le signe (+) pour la production. Parfois les paramètres stœchiométriques sont re-
présentés par le taux de conversion de chaque substrat en biomasse. Il existe 19
processus biochimiques dans le modèle ADM1, les quatre premiers processus sont
la désintégration et l’hydrolyse, la cinétique adoptée dans cette étape et la cinétique
du 1er ordre exprimée comme par la relation B.9.

ρi = kj Xi (B.9)
Avec :
— ρi : taux de consommation du substrat i, kgDCO.m-3 ;
— kj : paramètre cinétique du composé particulier i, j-1 ;
— Xi : composé particulier i, kgDCO.m-3 .
Le paramètre Kdec est utilisé pour la désintégration, par contre les paramètres
Khy,ch , Khyd,pr et Khyd,li sont utilisés pour l’hydrolyse des carbohydrates (ch), des
protéines (pr) et les lipides (li) respectivement.
Après la désintégration et l’hydrolyse viennent trois autres étapes : l’acidogenèse,
l’acétogenèse et la méthanogénèse des processus 5 à 12 qui représentent les pro-
cessus de consommation du substrat. Sept (7) espèces sont impliquées dans les
3 étapes, à savoir les espèces utilisées dans la dégradation des sucres, des acides
aminés, des AGLC, de valerate, de butyrate, de propionate, d’acétate ainsi que l’hy-
drogène. La cinétique pour la description du taux de consommation du substrat
est de la forme B.10[69] :
Si
ρj = Km,j Xi Ii,j (B.10)
KS,j + Si
Avec :
— ρj : taux de réaction du processus j en (kgDCO.m 3 j-1 ) ;
— Km,j : taux spécifique maximale de consommation du processus j en (j-1 ) ;
— KS,j : concentration de demi-saturation du processus j en (kgDCO.m-3 ) ;
— Si : composant soluble du substrat utilisé en (kgDCO.m-3 ) ;
— Xi : composant particulaire de la biomasse en (kgDCO.m-3 ) ;
— Ii,j : fonction d’inhibiteur i au processus j en (kgDCO.m-3 ).
L’étape indispensable du processus biochimique est la dissolution de la biomasse
des 7 dernières espèces, du processus 13 à 19. Elle est décrite comme des cinétiques
du 1er ordre, d’où l’utilisation de la même formule donnée dans le processus de
désintégration et d’hydrolyse. Il est de même que les Kdec,i représentent le taux de
désintégration des espèces différentes.
Ainsi, le modèle comporte 24 variables dynamiques et 19 processus biochimiques.
Ils ont été implémentés dans la matrice de Petersen. Les processus 1 à 4 sont la
désintégration et l’hydrolyse, les processus 5 à 12 sont les processus de consom-
mation du substrat et les 7 derniers processus de 13 à 19 sont la disparition de
la biomasse des 7 espèces. Cette matrice nécessite l’utilisation de 55 paramètres
parmi lesquels des constantes de demi-saturation KS , des taux de consommation
du substrat Km et des constantes d’inhibition (KI ) [69] :
96 ANNEXE B. LE MODÈLE ADM1

B.1.3 Taux d’inhibitions

Différentes inhibitions sont prises en compte dans le modèle afin de considérer
l’influence du pH, de l’hydrogène, de l’ammoniac et d’une insuffisance en azote
inorganique. Celles-ci sont reportées dans la référence [109].

B.2 Mise en équation du modèle ADM1

B.2.1 Variables d’états dynamiques
Le modèle ADM1, se compose d’un système d’équations algébro-différentielles
(DAE), de 35 équations différentielles et d’une équation algébrique. 29 variables
d’états sont en fait des concentrations dans la phase liquide et la phase gazeuse qui
sont mentionnés dans les Tableaux B.1 et B.2. Les 6 autres variables représentent
des concentrations ionisées et sont listés dans le tableau B.3.

Table B.1 – Composés dans la phase liquide du modèle ADM1

i Description i Description
1 Monosaccharides (Ssu ) 2 Acides aminés (Saa )
3 Acides gras longue chaines (Sfa ) 4 Valérate (Sva )
5 Butyrate (Sbu ) 6 Propionate (Spro )
7 Acétate (Sac ) 8 Hydrogène (Sh2 )
9 Méthane (Sch4 ) 10 Carbone inorganique (Sic )
11 Azote inorganique (Sin ) 12 Solubles Inertes (Si )
13 Composite (Xc ) 14 Glucides (Xch )
15 Protéine(Xpr ) 16 Lipides (Xli )
17 Sucre dégradé (Xsu ) 18 Acides aminés (Xaa )
19 Acides gras longue chaines (Xfa ) 20 Valérate et Propionate (Xc4 )
21 Propionate dégradés (Xpro ) 22 Acides acétiques particuliers (Xac )
23 Hydrogène(Xaa ) 24 Particules inertes (Xi )
25 cations (Scat ) 26 Anions (San )

Table B.2 – Composés dans la phase gazeuse du modèle ADM1

i Composés Description
33 SgCO2 Dioxyde de carbone
34 SgCH4 Méthane
35 SgH2 Hydrogène
B.2. MISE EN ÉQUATION DU MODÈLE ADM1 97

Table B.3 – Composés dans la phase gazeuse du modèle ADM1

i Composés Description
27 SVa− Valérate
28 Sbu− Butyrate
29 Spro− Propianate
30 Sac− Acétate
31 SHCO3 Bicarbonate
32 SNH3 Amoniaque

B.2.2 Equations dynamiques

Ce paragraphe décrit la mise en équation du modèle ADM1. Le biodigesteur anaé-
robie est considéré comme un réacteur complètement agité à un seul étage (CSTR),
ainsi le modèle utilisé est basé sur ce type de bioréacteur représenté par la figure
B.2.

Figure B.2 – Digesteur anaérobie du type CSTR

D’après l’équation du bilan de matière, l’état de chaque composant dans la phase

liquide peut être exprimé par l’équation B.11 :

 dSliq,i Qin P19
dt
= Vliq
(Si,in − Si ) + i=1 ρi vi,j , i = 1...12
dXliq,i Qin (B.11)
(Xi,in − Xi ) + 19
P

dt
= Vliq j=1 ρj vi,j , i = 1...24

ρj est le taux de réaction du processus j et vi,j est le coefficient stœchiométrique du

composant i impliqué dans le processus j, qui sont regroupés dans la matrice de
Petersen. Dans le modèle ADM1, l’équilibre du carbone est considéré pour toutes
les réactions biologiques pour empêcher toutes pertes dues aux différences dans
les paramètres de fraction du modèle. Ceci est réalisé en définissant la teneur en
carbone Ci dans tous les composants du modèle afin de satisfaire le bilan massique
du carbone pour chaque réaction par le biais du carbone inorganique Sic . En consé-
quence, pour toutes les réactions la stœchiométrie de Sic est définie par l’équation
B.12.
98 ANNEXE B. LE MODÈLE ADM1

11−24
X
∀ : j = 1...19 v10,j = − Ci vi,j (B.12)
i=1−9

Avec Ci est la teneur en carbone du composant i.

De même, en définissant la teneur en azote Ni de tous les composants du modèle,
l’équation B.13 est appliquée pour réaliser l’équilibre de l’azote.
12−24
X
∀ : j = 1 · · · 19 v10,j = − Ni vi,j (B.13)
i=1−9

Les bilans massiques du carbone et d’azote sont importants pour modéliser le

système. Le carbone et l’azote inorganique sont sources de la concentration en bi-
carbonate et en ammonium respectivement, comme indiqué dans [69]. L’expression
mathématique pour les différents gaz en phase gazeuse est donnée comme B.14.
dSgas,i Qgas Vi
=− Si + ρT,i i = 33, 34, 35 (B.14)
dt Vgas Vgas
Avec Vgas est le volume total du gaz dans le réacteur et ρT,i est la vitesse de
transfert des gaz appropriés aux composantes (Sgas , CH4 , Sgas , H2 , Sgas , CO2 ).
Où :
R × Top
Pgas,h2 = Sgas,h2 × (B.15)
16
R × Top
Pgas,CH4 = Sgas,CH4 × (B.16)
64
Pgas,CO2 = Sgas,CO2 × R × Top (B.17)
Pgas = Pgas,h2 + Pgas,CH4 + Pgas,CO2 (B.18)
Pgas
Qgas = kp × (Pgas − Patm ) × (B.19)
Patm
Avec kp est le coefficient du flux de sortie, Patm est la pression atmosphérique. Qgas
est la sortie du débit du biogaz, Pgas est la pression du biogaz donnée par la somme
des pressions partielles de l’hydrogène, le méthane, le dioxyde de carbone et eau,
ainsi on a l’expression B.20.

RTop RTop
Pgas = Sgas − H2 + Sgas −CH4 − + Sgas −CO2 RTop + PH2 O (B.20)
64 64
R étant la constante des gaz parfaits. Les équations différentielles de l’anion et le
cation sont simplement définies par l’effet de dilution du réacteur, car ils sont non
réactifs, ce qui donne l’équation B.21.
dSliq,i Qin
= (Si,in − Si ), i = 25, 26 (B.21)
dt Vliq
Les dynamiques de l’acide dissocié et de l’ammoniac libre sont donnés par l’expres-
sion B.22 :
dSliq,i
= −ρA,i , i = 27 , ..., 32 (B.22)
dt
ρA,i est le taux cinétique acide-base, il est suggéré dans (Batstone et al., 2002) [15].
Dans cette étude nous allons faire cas à deux types d’analyse de sensitivité : Ana-
lyse de sensitivité globale (indice de Sobol) et Analyse de sensitivité locale. La
détermination de l’influence des paramètres sur les sorties a été déterminée grâce
à une analyse de sensibilité. La fonction de sensitivité relative (RSF) a été utilisée.
B.3. PARAMÈTRES D’ENTRÉES DU MODÈLE ADM1 99

B.3 Paramètres d’entrées du modèle ADM1

Le modèle mis en œuvre dans cette étude est le modèle ADM1 de (Batstone et
al., 2002) [15]. L’ADM1 est un modèle structuré à base de la demande chimique
en oxygène (DCO) qui décrit le processus de digestion anaérobie par un ensemble
de processus biochimiques et physico-chimiques dans le biodigesteur (CSTR). Les
processus biochimiques inclus dans le modèle ADM1 sont les suivants : la désinté-
gration des composites (XC ) en hydrates de carbone (Xch ), les protéines (Xpr ), les
lipides (Xli ) et les inertes soluble (SI ) ; particulaire (XI ), l’hydrolyse des glucides,
les protéines et des lipides en sucres (Ssu ), les acides aminés (Saa ) et les acides gras à
longue chaîne (LCFA) (Sfa ), respectivement, l’acidogenèse des sucres et des acides
aminés en acides gras volatils (AGV) valerate, (Sva ) ; butyrate (Sbu ) ; propionate,
(Spro ) et en hydrogène, l’acétogenèse des AGV en acétate (Sac , la méthanogénèse
séparée de l’acétate et de l’hydrogène et du dioxyde de carbone et les processus
correspondants à la décomposition de la biomasse pour les dégradants des sucres
(Xsu ) ; les dégradants des acides aminés (Xaa ) ; les dégradants des acides gras à
chaîne courte (Xfa ) ; les dégradants du valerate et du butyrate (Xc4 ) ; les dégra-
dants du propionate (Xpro ) ; les dégradants de l’acétate (Xac ) ; et les dégradants de
l’hydrogène (Xh2 ).
Ces processus biochimiques sont décrits soit par des équations de taux de premier
ordre, soit par des équations cinétiques de croissance de type Monod. Les équations
de taux du premier ordre sont utilisées pour modéliser les processus de désintégra-
tion, d’hydrolyse et de décomposition. Les équations cinétiques de croissance de
type Monod sont utilisées pour modéliser l’absorption de substrat dans les étapes
acidogène, acétogène et méthanogène [15].

Figure B.3 – Processus biochimiques de la digestion anaérobie [15]

C | Notions d’observabilité

C.1 Notion d’observabilité

Considérons le système dynamique non linéaire décrit par la représentation d’état
exprimée par C.1 : (
ẋ(t) = f (x(t), u(t))
(C.1)
y(t) = h(x(t))
Où x ∈ Rn est le vecteur d’état, y ∈ Rp est le vecteur des sorties mesurées,
u ∈ U ⊂ Rm cela dénote le vecteur d’entrées, f et h sont les fonctions non linéaires
avec les dimensions appropriées.
Observabilité globale : une entrée u définie sur [0, T] rend l’expression C.1, ob-
servable si et seulement si : x(0) ̸= x(0) quelconque, la sortie du système y(x(0), u,t)
n’est pas identique à la sortie y(x, u, t) pour t ∈ [0, T ]. On affirme que u distingue
tous les couples (x(0), x(0)) dans le domaine de x.
Observabilité faible : l’état x1 ∈ Rn est faiblement observable, s’il existe un
voisinage de V ⊂ Rn contenant x1 , tel que pour tout point x2 ∈ V , les couples
(x1 , x2 ) sont distinguables et les trajectoires x(t, x1 , u(t)) et x(t, x2 , u(t)) évoluent
à l’intérieur de V . Le système est faiblement observable sur Rn s’il l’est en tout
point de Rn .
Dans le cas d’un système linéaire, donné par :
(
ẋ(t) = Ax(t) + Bu(t)
(C.2)
y(t) = Cx(t)

Pour deux conditions initiales distinctes x(0) ̸= x(0) et une entrée u, à l’instant
t ∈ [0, T ], nous pouvons décrire les trajectoires correspondantes de sortie comme
C.3 :
y(t) = Cx(t) = Cexp(At)x(0) + C 0t exp((t − s)A)Bu(s)ds
( R
(C.3)
y(t) = Cx(t) = Cexp(At)x(0) + C 0t exp((t − s)A)Bu(s)ds
R

Si x(0) ̸= x(0), on a alors y(t) − y(t) = Cexp(At)(x(0) − x(0)) ̸= 0. En conclusion,

on peut noter que l’entrée u n’intervient pas dans la notion de l’observabilité du
système.
En utilisant le théorème de Cayley-Hamilton, un critère de Kalman peut être dé-
montré pour assurer l’observabilité de ce type de système. Ce critère consiste à
vérifier si la matrice suivante est de rang complet [70, 71] :
 
C

 CA 

rang  ..  =n
.
 
 
CAn−1

100
C.2. ESTIMATION 101

L’observabilité des systèmes non linéaires est plus complexes à étudier. Le critère
de Kalman n’est pas utilisable et il n’existe pas critère simple à appliquer. Il existe
néanmoins des classes de systèmes non linéaires, avec des résultats pour étudier
leur observabilité. Il est à noter que contrairement au cas linéaire, l’observabilité
du système non linéaire dépend des entrées et des états. Donc, on peut perdre la
propriété de l’observabilité pour certaines trajectoires du système.

C.2 Estimation
L’estimation des systèmes dynamiques s’intéresse au problème de reconstruction
des états non accessibles x(t) d’un système dynamique, en considérant seulement
ses entrées u(t) et ses sorties ou mesures y(t) pour tout t ≥ t0 . Si x désigne l’état
(non mesuré) du système, x̂ représente l’estimation de l’état faite par l’observateur.
Le principe de l’observateur est présenté sur la Figure C.1.

Figure C.1 – Schéma de principe d’un observateur

L’estimation de l’état se fait en recopiant de façon virtuelle la dynamique du sys-

tème en prenant en compte non seulement la commande u, mais aussi les sorties
du système (les mesures) y dans le but de corriger les écarts éventuels. Cela n’est
possible que si le système est observable.
D | Observateur asymptotique

D.1 Notion d’observateur asymptotique

Pour les modèles bien connus, il est intéressant de développer des observateurs dont
on peut régler la vitesse de convergence. Toutefois, les modèles des bioprocédés sont
souvent mal connus, notamment les cinétiques de réactions. Dans ce cas, il y a une
motivation à développer des observateurs à convergence asymptotique pour estimer
les variables non mesurées. Cette classe d’observateurs pour les bioprocédés porte
le nom d’observateurs asymptotiques et ont été introduits la première fois par [41].
— Hypothèse 1 : la matrice des coefficients de rendement est connue ;
— Hypothèse 2 : le nombre de mesures disponibles est supérieur ou égal
au nombre de réactions biologiques. Le détail et la généralisation de cette
approche est donnée dans [30, 42].
Nous nous contentons ici d’illustrer directement cette approche sur un exemple,
celui du modèle à deux étapes (décrit dans la section 4.3.4). Supposons que S1 et
S2 sont mesurées, que X1 et X2 ne sont pas mesurées et que µ1 et µ2 sont inconnues.
Introduisons les combinaisons suivantes :
(
Z1 = S1 + K1 X1
K2 (D.1)
Z2 = S2 + K3 X2 + S
K1 1
Les dynamiques de Z1 et Z2 s’écrivent sous la forme suivante, qui ne dépend pas
de µ1 et µ2 :
(
Ż1 = −DZ1 + DSin1
K2 (D.2)
Ż2 = −DZ2 + DSin2 + S
K1 in1
D’où les équations de l’observateur :
˙

 Ẑ1 = −DẐ1 + DSin1
(D.3)
 Ẑ˙ = −D Ẑ + DS K2
2 2 in2 + S
K1 in1

Les variables X1 et X2 peuvent être estimées par les relations suivantes :

˙

1
 X̂1 = K1
(Ẑ1 − S1 )
˙ (D.4)
1 K2
 X̂
2 = K3
(Ẑ2 − S2 − S)
K1 1

Posons e1 = Z1 − Ẑ1 et e2 = Z2 − Ẑ2

D’où l’expression D.5 des dynamiques des erreurs d’estimation :
(
ė1 = −De1
(D.5)
ė2 = −De2

102
E | Données expérimentales

E.1 Productivité du biogaz

Table E.1 – Débit de biogaz dans le cas de la bouse de vache

Temps Q Temps Q Temps Q

jour m3 j-1 jour m3 j-1 jour m3 j-1
0 0 16 2.213 32 2.114
1 0.737 17 2.286 33 2.174
2 0.798 18 2.343 34 2.219
3 1.142 19 2.312 35 2.255
4 1.460 20 2.274 36 2.294
5 1.704 21 2.254 37 2.269
6 1.808 22 2.232 38 2.193
7 1.827 23 2.193 39 2.144
8 1.815 24 2.229 40 2.150
9 1.809 25 2.314 41 2.217
10 1.787 26 2.255 42 2.274
11 1.855 27 2.143 43 2.299
12 1.967 28 2.098 44 2.341
13 2.064 29 2.100 45 2.427
14 2.112 30 2.083 46 2.493
15 2.156 31 2.080 - -

103
Bibliographie

[1] N. Abas, A. R. Kalair et N. Khan. “Review of fossil fuels and future

energy technologies”. In : Futures 69 (2015), p. 31-49. doi : 10.1016/j.
futures.2015.03.003.
[2] M. E. Afilal, O. Elasri et Z. Merzak. “Caractérisations des déchets
organiques et évaluation du potentiel biogaz”. In : J. Mater. Environ. Sci
5.4 (2014), p. 1160-1169. url : [Link]
Document/vol5/vol5_N4/[Link].
[3] B. K. Ahring, éd. Biomethanation I. Advances in Biochemical Enginee-
ring/Biotechnology 81. Berlin-Heidelberg : Springer-Verlag, 2003. isbn :
978-3-540-44322-3. doi : 10.1007/3-540-45839-5.
[4] M. S. Al Mamun et S. Torii. “Anaerobic co-digestion technology in solid
wastes treatment for biomethane generation”. In : International Journal of
Sustainable Energy 36.5 (2017), p. 462-472.
[5] L. E. Allison. “Organic carbon”. In : Methods of Soil Analysis: Part 2
Chemical and Microbiological Properties. Sous la dir. de C. A. Black et
al. Agronomy Monographs 9. Madison, WI : American Society of Agronomy,
1965, p. 1367-1378. isbn : 978-0-89118-204-7. doi : 10.2134/agronmonogr9.
2.c39.
[6] Irini Angelidaki et al. “Defining the biomethane potential (BMP) of solid
organic wastes and energy crops: a proposed protocol for batch assays”. In :
Water science and technology 59.5 (2009), p. 927-934.
[7] APHA. Standard Methods for the Examination of Water and Wastewater.
Washington D. C. : American Public Health Association, 2005. url : https:
//[Link].
[8] J. E. Bailey et D. F. Ollis. Biochemical Engineering Fundamentals. Se-
cond Edition. Singapore : McGraw-Hill, 1986. isbn : 978-0-07-003212-5.
[9] R. B. Baird, A. D. Eaton et E. W. Rice, éd. Standard Methods for the
Examination of Water and Wastewater 23rd Edition. Washington, DC :
American Public Health Association, 2017. isbn : 978-0-87553-287-5.
[10] Y. M. Baldé et al. “An experimental study for the characterization of bio-
gas production from cow dung and droppings”. In : Ecological Engineering
and Environment Protection 1 (2019), p. 54-61. doi : 10 . 32006 / eeep .
2019.1.5461.

104
BIBLIOGRAPHIE 105

[11] Y. M. Baldé et al. “Estimation of the specific growth rate for the anaerobic
digestion process”. In : MED’21 29th Mediterranean Conference on Control
and Automation. New York : IEEE Press, 2021. doi : 10.1109/MED51440.
2021.9480197.
[12] Y. M. Baldé et al. “Modeling of a continuous anaerobic digestion of was-
tes”. In : 24th International Conference on System Theory, Control and
Computing, October 2020, Sinaia, Romania. University of Craiova. Craiova,
Romania, 2020, p. 596-601. doi : 10.1109/ICSTCC50638.2020.9259735.
[13] D. J. Batstone, J. Keller et L. L. Blackall. “The influence of sub-
strate kinetics on the microbial community structure in granular anaero-
bic biomass”. In : Water Research 38.4 (juin 2004), p. 1390-1404. doi :
10.1016/[Link].2003.12.003.
[14] D. J. Batstone, S. Tait et D. Starrenburg. “Estimation of hydrolysis
parameters in full-scale anerobic digesters”. In : Biotechnol. Bioengrg. 102.5
(2009), p. 1513-1520.
[15] D. J. Batstone et al. “The IWA anaerobic digestion model No 1 (ADM1)”.
In : Water Sci. Technol. 45.10 (2002), p. 65-73. doi : 10.2166/wst.2002.
0292.
[16] Ibrahima Bayo et Mamby Keita. “Evaluation of the quantity of biogas
produced from the cow box in an experimental digester”. In : International
Journal of Advance Research and Innovative Ideas in Education 5 (2019),
p. 441-445.
[17] F. Benaouira. “Evaluation de la qualité physico-chimique et bactériolo-
gique des eaux usées épurées destinées à l’irrigation (Cas de la Station d’épu-
ration de M’sila)”. Thèse de doct. Université Mohamed Boudiaf de M’Sila,
2016.
[18] B. Benyahia. “Modélisation et bservation des bioprocédés à membranes:
application à la digestion anaérobie”. Ph. D. dissertation. Montpellier, France :
Université de Tlemcen, Algeria et Université de Montpellier 2, 2012. url :
[Link]
[19] O. Bernard et al. “Dynamic model development and parameter identi-
fication for an anaerobic wastewater treatment process”. In : Biotechnol.
Bioengrg. 75 (2001), p. 424-438. doi : 10.1002/bit.10036.
[20] Olivier Bernard et Georges Bastin. “On the estimation of the pseudo-
stoichiometric matrix for macroscopic mass balance modelling of biotech-
nological processes”. In : Mathematical biosciences 193.1 (2005), p. 51-77.
doi : 10.1016/[Link].2004.10.004.
[21] Piotr Biernacki et al. “Application of Anaerobic Digestion Model No. 1
for describing an existing biogas power plant”. In : Biomass and Bioenergy
59 (2013), p. 441-447. doi : 10.1016/[Link].2013.08.034.
[22] F. Blumensaat et J. Keller. “Modelling of two-stage anaerobic digestion
using the IWA Anaerobic Digestion Model No. 1 (ADM1)”. In : Water
Research 39.1 (2005), p. 171-183. doi : 10.1016/[Link].2004.07.024.
106 BIBLIOGRAPHIE

[23] J. M. Bremner et R. D. Hauck. “Advances in methodology for research on

nitrogen transformations in soils”. In : Nitrogen in Agricultural Soils. Sous la
dir. de F. J. Stevenson. Agronomy 22. Madison, WI : American Society of
Agronomy, Inc., Crop Science Society of America, Inc., Soil Science Society
of America, Inc., 1982, p. 467-502. isbn : 978-0-89118-070-8. doi : 10.2134/
agronmonogr22.c13.
[24] K. Bułkowska et al. “ADM1-based modeling of anaerobic codigestion of
maize silage and cattle manure – calibration of parameters and model ve-
rification (part II)”. In : Archives of Environmental Protection 41.3 (2015),
p. 20-27. doi : 10.1515/aep-2015-0027.
[25] J. Castaing, P. Pouech et R. Coudure. “Digestion anaérobie de lisiers
de porcs en mélange avec des déchets agro-industriels”. In : Journées de la
Recherche Porcine 34 (2002), p. 195-202. url : [Link]
[Link]/texte/2002/02txtEnv/[Link].
[26] Cyrille Charnier et al. “Combining pH and electrical conductivity mea-
surements to improve titrimetric methods to determine ammonia nitrogen,
volatile fatty acids and inorganic carbon concentrations”. In : Water research
95 (2016), p. 268-279.
[27] E. Chorukova, S. Diop et I. Simeonov. “On differential algebraic deci-
sion methods for the estimation of anaerobic digestion models”. In : Pro-
ceedings of the Second International Conference on Algebraic Biology, AB
2007, Castle of Hagenberg, Austria. Sous la dir. de H. Anai, K. Horimoto
et T. Kutsia. Lect. Notes Comput. Sci. 4545. Springer-Verlag Berlin Hei-
delberg, 2007, p. 202-216. isbn : 978-3-540-73432-1. doi : 10.1007/978-3-
540-73433-8_15.
[28] E. Chorukova, S. Diop et I. Simeonov. “On estimation problems of a
5-stage anaerobic digestion process”. In : Joint CTS-HYCON Workshop on
Nonlinear and Hybrid Control, Paris, France. 2006.
[29] A. Corti et L. Lombardi. “Anaerobic Codigestión of source selected orga-
nic waste and sewage sludge”. In : Memoirs from 11th International Waste
Management and Landfill Symposium, Sardinia, Italy. 2007, p. 599-600.
[30] N. Dautrebande et G. Bastin. “Positive linear observers for positive
linear systems”. In : Proceedings of the European Control Conference. Brus-
sels, Belgium : European Union Control Association, 1999, p. 1092-1095.
doi : 10.23919/ECC.1999.7099454.
[31] L. De Baere. “Will anaerobic digestion of solid waste survive in the fu-
ture?” In : Water Sci. Technol. 58.8 (2006), p. 187-194. doi : 10.2166/wst.
2006.249.
[32] J. De Vrieze. “The next frontier of the anaerobic digestion microbiome:
From ecology to process control”. In : Environmental Sci. Ecotechnology 3
(2020), Article 100032. doi : 10.1016/[Link].2020.100032.
[33] Jo De Vrieze. “The next frontier of the anaerobic digestion microbiome:
from ecology to process control”. In : Environmental Science and Ecotech-
nology (2020), p. 100032. doi : 10.1016/[Link].2020.100032.
BIBLIOGRAPHIE 107

[34] M. L. Diallo. Identification des besoins en technologies d’atténuation des

émissions des gaz à effet de serre. Technical report. Conakry : Global En-
vironment Facility, 2020. url : [Link]
content/uploads/sites/2/2020/05/[Link].
[35] N. Dimitrova et M. Krastanov. “Nonlinear adaptive control of a model
of an uncertain fermentation process”. In : International Journal of Robust
and Nonlinear Control: IFAC-Affiliated Journal 20.9 (2010), p. 1001-1009.
[36] N. Dimitrova et M. Krastanov. “Nonlinear adaptive stabilizing control
of an anaerobic digestion model with unknown kinetics”. In : International
Journal of Robust and Nonlinear Control 22.15 (2012), p. 1743-1752.
[37] N. Dimitrova et M. Krastanov. “Nonlinear stabilizing control of an un-
certain bioprocess model”. In : International Journal of Applied Mathematics
and Computer Science 19.3 (2009), p. 441.
[38] S. Diop. “Differential algebraic decision methods, and some applications
to system theory”. In : Theoret. Comput. Sci. 98 (1992), p. 137-161. doi :
10.1016/0304-3975(92)90384-R.
[39] S. Diop, E. Chorukova et I. Simeonov. “Modeling and specific growth
rates estimation of a two-stage anaerobic digestion process for hydrogen and
methane production”. In : IFAC PapersOnLine 50.1 (2017), p. 13176-13181.
doi : 10.1016/[Link].2017.08.2232.
[40] S. Diop et M. Fliess. “Nonlinear observability, identifiability, and per-
sistent trajectories”. In : Proceedings of the IEEE Conference on Decision
and Control. New York : IEEE Press, 1991, p. 714-719. doi : 10.1109/CDC.
1991.261405.
[41] D Dochain et G Bastin. Online estimation and adaptive control of bio-
reactors. Elsevier, 1990. doi : eBookISBN:9781483290980.
[42] D. Dochain, éd. Automatique des Bioprocédés. Paris : Hermes Science Pu-
blications, 2001. isbn : 978-2-7462-0230-6.
[43] D. Dochain et P. A. V. Vanrolleghem. Dynamical Modeling & Estima-
tion in Wastewater Treatment Processes. London : IWA Publishing, 2001.
isbn : 978-1900222501. doi : 10.2166/9781780403045.
[44] Denis Dochain. Automatic control of bioprocesses. John Wiley & Sons,
2013. doi : 10.1007/10_2012_167.
[45] Andres Donoso-Bravo et al. “Model selection, identification and valida-
tion in anaerobic digestion: a review”. In : Water research 45.17 (2011),
p. 5347-5364. doi : 10.1016/[Link].2011.08.059.
[46] G. A. Ekama, P. L. Dold et G v. R. Marais. “Procedures for deter-
mining influent COD fractions and the maximum specific growth rate of
heterotrophs in activated sludge systems”. In : Water Sci. Technol. 18.6
(1986), p. 91-114. doi : 10.2166/wst.1986.0062.
[47] Y. Feng et al. “Implementation of the IWA anaerobic digestion model No.1
(ADM1) for simulating digestion of blackwater from vacuum toilets”. In :
Water Sci. Technol. 53.9 (2006), p. 253-263. doi : 10.2166/wst.2006.273.
108 BIBLIOGRAPHIE

[48] Boubaker Fezzani et Ridha Ben Cheikh. “Extension of the anaerobic di-
gestion model No. 1 (ADM1) to include phenolic compounds biodegradation
processes for the simulation of anaerobic co-digestion of olive mill wastes
at thermophilic temperature”. In : Journal of hazardous Materials 162.2-3
(2009), p. 1563-1570. doi : 10.1016/[Link].2008.06.127.
[49] Michel Fliess et Cédric Join. “Model-free control”. In : International Jour-
nal of Control 86.12 (2013), p. 2228-2252.
[50] X. Flotats, B. K. Ahring et I. Angelidaki. “Parameter identification
of thermophilic anaerobic degradation of valerate”. In : Appl. Microbiol.
Biotechnol. 109.1 (2003), p. 47-62. doi : 10.1385/ABAB:109:1-3:47.
[51] X. Flotats et al. “Identifiability study of the proteins degradation model,
based on ADM1, using simultaneous batch experiments”. In : Water Sci.
Technol. 54.4 (2006), p. 31-39. doi : 10.2166/wst.2006.523.
[52] H. V. Galava, I Angelidaki et B. K. Ahring. “Kinetics and modeling
of anaerobic digestion process”. In : Biomethanation I. Sous la dir. de B. K.
Ahring. Advances in Biochemical Engineering/Biotechnology 81. Berlin-
Heidelberg : Springer-Verlag, 2003, p. 57-93. isbn : 978-3-540-44322-3. doi :
10.1007/3-540-45839-5_3.
[53] H. N. Gavala, I. Angelidaki et B. K. Ahring. “Kinetics and modeling
of anaerobic digestion process”. In : Biomethanation I. Sous la dir. de B. K.
Ahring. Advances in Biochemical Engineering/Biotechnology 81. Berlin-
Heidelberg : Springer-Verlag, 2003, p. 57-93. isbn : 978-3-540-44322-3. doi :
10.1007/3-540-45839-5_3.
[54] S. A. Ghanimeh et al. “Optimized anaerobic-aerobic sequential system for
the treatment of food waste and wastewater”. In : Waste Management 71
(2018), p. 767-774. doi : 10.1016/[Link].2017.06.027.
[55] G. de Gioannis et al. “Landfill gas generation after mechanical biologi-
cal treatment of municipal solid waste. Estimation of gas generation rate
constants”. In : Waste Management 29.3 (2009), p. 1026-1034. doi : 10.
1016/[Link].2008.08.016.
[56] R Girault et al. “A waste characterisation procedure for ADM1 imple-
mentation based on degradation kinetics”. In : Water Research 46.13 (2012),
p. 4099-4110. doi : 10.1016/[Link].2012.04.028.
[57] S. T. Glad et L. Ljung. “Model structure identifiability and persistence
of excitation”. In : Proceedings of the IEEE Conference on Decision and
Control. New York : IEEE Press, 1990, p. 3236-3240. doi : 10.1109/CDC.
1990.203389.
[58] J. Goldemberg et al. World Energy Assessment Overview: 2004 Update.
New York : United Nations Development Programme, 2004. url : https:
//[Link]/content/documents/2420World_
Energy_Assessment_Overview_2004_Update.pdf.
[59] J. Harmand et al. Le chémostat. Théorie mathématique de la culture conti-
nue de micro-organismes. Collection Génie des procédés 1. Boca Raton, FL :
ISTE Editions, 2017. isbn : 978-1-78405-218-8.
BIBLIOGRAPHIE 109

[60] S. Hassam. “Réduction de modèles de procédés biotechnologiques: Applica-

tions à l’ADM1”. Ph. D. dissertation. Tlemcen, Algeria : Université de Tlem-
cen, 2015. url : [Link]
[61] S. Hassam et al. “A generic and systematic procedure to derive a simplified
model from the anaerobic digestion model No. 1 (ADM1)”. In : Biochemical
Engrg. J. 99 (2015), p. 193-203. doi : 10.1016/[Link].2015.03.007.
[62] C. Held et al. “Two-stage anaerobic fermentation of organic waste in CSTR
and UFAF-reactors”. In : Bioresource Technol. 81.1 (2002), p. 19-24. doi :
10.1016/S0960-8524(01)00108-0.
[63] J. Hess. “Modélisation de la qualité du biogaz produit par un fermenteur
méthanogène et stratégie de régulation en vue de sa valorisation”. Ph. D.
dissertation. Sophia Antipolis, France : INRIA Sophia-Antipolis, 2007. url :
[Link]
[64] J. Hess et O. Bernard. “Design and study of a risk management criterion
for an unstable anaerobic wastewater treatment process”. In : Journal of
Process Control 18.1 (2008), p. 71-79.
[65] M. A. Iqbal et al. “Morphological, phenological characterization and adap-
tability of exotic olive cultivars in district Chakwal, Pakistan”. In : Pakistan
J. Agricultural Sci. 56.3 (2019), p. 587-594. url : [Link]
pk/papers/[Link].
[66] Jenny E Jeong et al. “Experimental design and model reduction in systems
biology”. In : Quantitative Biology 6.4 (2018), p. 287-306. doi : 10.1007/
s40484-018-0150-9.
[67] J. Jimenez et al. “Instrumentation and control of anaerobic digestion pro-
cesses: a review and some research challenges”. In : Reviews in Environ-
mental Science and Bio/Technology 14 (2015), p. 615-648. doi : 10.1007/
s11157-015-9382-6.
[68] C. G. Justesen et al. “Development and validation of a low-cost gas density
method for measuring biochemical methane potential (BMP)”. In : Water
11.12 (2019), p. 2431. doi : 10.3390/w11122431.
[69] S. Kahouadji. “Réduction du Modèle No. 1 de la Digestion Anaérobie
(ADM1)”. Thèse de doct. Université Abou Bekr Belkaid Tlemcen, 2013.
[70] R. E. Kalman. “Mathematical description of linear dynamical systems”.
In : SIAM J. Control Optim. 1 (1963), p. 152-192. doi : 10.1137/0301010.
[71] R. E. Kalman. “On the general theory of control systems”. In : IFAC
Proceedings Volumes (1960), p. 481-492. doi : 10.1016/S1474-6670(17)
70094-8.
[72] Pezhman Kazemi et al. “Robust data-driven soft sensors for online moni-
toring of volatile fatty acids in anaerobic digestion processes”. In : Processes
8.1 (2020), p. 67.
[73] Z. Khedim, B. Benyahia et J. Harmand. “Contribution of modeling in
the understanding of the anaerobic digestion: Application to the digestion
of protein-rich substrates”. In : p. 253-259. doi : 10.1007/978- 3- 319-
58421-8_40.
110 BIBLIOGRAPHIE

[74] Katheem Kiyasudeen et al. “An introduction to anaerobic digestion of

organic wastes”. In : Evaluation des Besoins en Technologies. Springer, 2016,
p. 23-44. doi : 10.1007/978-3-319-24708-3_2.
[75] R Kleerebezem et MCM Van Loosdrecht. “Critical analysis of some
concepts proposed in ADM1”. In : Water Science and Technology 54.4
(2006), p. 51-57. doi : 10.2166/wst.2006.525.
[76] W. L. Kohl. “Consumer country energy cooperation: The International
Energy Agency and the global energy order”. In : Global Energy Gover-
nance: The New Rules of the Game. Sous la dir. d’A. Goldthau et J. M.
Witte. Washington, DC : Brookings Institution Press, 2010, p. 195-220.
isbn : 978-0-8157-0343-3. url : [Link]
j.ctt6wpgm3.13.
[77] M. Kouas. “Caractérisation cinétique de la biodégradation de substrats so-
lides et application à l’optimisation et à la modélisation de la co-digestion”.
Thèse de doct. Montpellier, France : Université Montpellier, 2018. url :
[Link]
[78] Mokhles Kouas et al. “Robust assessment of both biochemical methane
potential and degradation kinetics of solid residues in successive batches”.
In : Waste Management 70 (2017), p. 59-70.
[79] Nicoletta Kythreotou, Georgios Florides et Savvas A Tassou. “A re-
view of simple to scientific models for anaerobic digestion”. In : Renewable
Energy 71 (2014), p. 701-714. doi : 10.1016/[Link].2014.05.055.
[80] B de La Farge et al. “Biogas: processes of methane fermentation.” In :
Biogas: processes of methane fermentation. (1995).
[81] I. López et L. Borzacconi. “Modelling of slaughterhouse solid waste
anaerobic digestion: Determination of parameters and continuous reactor
simulation”. In : Waste Management 30.10 (2010), p. 1813-1821.
[82] M. Lübken et al. “Modelling the energy balance of an anaerobic digester
fed with cattle manure and renewable energy crops”. In : Water Research
41.18 (2007), p. 4085-4096. doi : 10.1016/[Link].2007.05.061.
[83] Y. M’Sadak et A. Ben M’Barek. “Caractérisation qualitative du digestat
solide de la bio méthanisation industrielle des fientes avicoles et alternative
de son exploitation agronomique hors sol”. In : Revue des énergies renou-
velables 16.1 (2013), p. 33-42. url : [Link]
downArticle/401/16/1/121007.
[84] L. Mailleret, O. Bernard et J. P. Steyer. “Robust regulation of anae-
robic digestion processes”. In : Water Sci. Technol. 48.6 (2003), p. 87-94.
doi : 10.2166/wst.2003.0364.
[85] J. Mata-Alvarez, S. Macé et P. Llabrés. “Anaerobic digestion of or-
ganic solid wastes. An overview of research achievements and perspectives”.
In : Bioresource Technol. 74.1 (2000), p. 3-16. doi : 10 . 1016 / S0960 -
8524(00)00023-7.
[86] Joan Mata-Alvarez, S Macé et P Llabres. “Anaerobic digestion of or-
ganic solid wastes. An overview of research achievements and perspectives”.
In : Bioresource technology 74.1 (2000), p. 3-16. doi : 10 . 1016 / S0960 -
8524(00)00023-7.
BIBLIOGRAPHIE 111

[87] A. Mikol. “La communication environnementale de l’entreprise”. In : Revue

française de gestion 147 (juin 2003), p. 151-159. url : [Link]
[Link]/gratuit/RFG_29_147_13_P3Mikol147.pdf.
[88] R. Moletta, éd. La méthanisation. 2e édition. Paris : Lavoisier, 2011.
isbn : 978-2-7430-1271-7.
[89] R. Moletta. “Méthanisation de la biomasse”. In : Techniques de l’Ingé-
nieur Dossier BIO5100 (2008). url : [Link]
fr/base- documentaire/archives- th12/archives- bioprocedes- et-
bioproductions-tiabi/archive-1/methanisation%20-de-la-biomasse-
bio5100/.
[90] J. Monod. Recherches sur la croissance des cultures bactériennes. Actua-
lités scientifiques et industrielles 911. Paris : Hermann, 1942.
[91] Ismail Muhammad Nasir, Tinia I Mohd Ghazi et Rozita Omar. “Pro-
duction of biogas from solid organic wastes through anaerobic digestion: a
review”. In : Applied microbiology and biotechnology 95.2 (2012), p. 321-329.
doi : 10.1007/s00253-012-4152-7.
[92] Duc Nguyen et al. “Automatic process control in anaerobic digestion tech-
nology: A critical review”. In : Bioresource technology 193 (2015), p. 513-522.
[93] I. Nopens et al. “An ASM/ADM model interface for dynamic plant-wide
simulation”. In : Water Research 43.7 (2009), p. 1913-1923. doi : 10.2166/
wst.2010.044.
[94] D. I. Page et al. “Modeling anaerobic digestion of dairy manure using the
IWA Anaerobic Digestion Model no. 1 (ADM1)”. In : Water Sci. Technol.
58.3 (2008), p. 689-695. doi : 10.2166/wst.2008.678.
[95] SG Pavlostathis et E Giraldo-Gomez. “Kinetics of anaerobic treat-
ment: a critical review”. In : Critical Reviews in Environmental Science and
Technology 21.5-6 (1991), p. 411-490. doi : 10.1080/10643389109388424.
[96] M. Perrier et D. Dochain. “Evaluation of control strategies for anaerobic
digestion processes”. In : Internat. J. Adaptive Control Signal Process. 7.4
(1993), p. 309-321. doi : 10.1002/acs.4480070408.
[97] Britta Petersen et al. “Evaluation of an ASM1 model calibration proce-
dure on a municipal–industrial wastewater treatment plant”. In : Journal of
Hydroinformatics 4.1 (2002), p. 15-38. doi : 10.2166/hydro.2002.0003.
[98] R. L. Peterson et H. B. Massicotte. “Exploring structural definitions of
mycorrhizas, with emphasis on nutrient-exchange interfaces”. In : Canadian
Journal of Botany 82.8 (2004), p. 1074-1088. doi : 10.1139/b04-07.
[99] D Poggio et al. “Modelling the anaerobic digestion of solid organic waste–
Substrate characterisation method for ADM1 using a combined biochemical
and kinetic parameter estimation approach”. In : Waste management 53
(2016), p. 40-54. doi : 10.1016/[Link].2016.04.024.
[100] J. F. Pommaret. “Géométrie différentielle algébrique et théorie du contrô-
le”. In : C. R. Acad. Sci. Paris Sér. I 302 (1986), p. 547-550. url : https://
[Link]/ark:/12148/bpt6k57445816/[Link].r=Pommaret.
112 BIBLIOGRAPHIE

[101] N. R. Raherimalala. “Suivi et analyse d’une installation de production

de biogaz in-situ : élaboration d’un outil de calculs de dimensionnement de
biodigesteur”. Ph. D. dissertation. Antananarivo, Madagascar : Université
d’Antananarivo, 2016. url : [Link] antananarivo.
mg/pdfs/raherimalalaNorosoaI_ESPA_MAST_16.pdf.
[102] P Rivas-Garc’ıa et al. “New model of hydrolysis in the anaerobic co-
digestion of bovine manure with vegetable waste: Modification of anaerobic
digestion model no . 1”. In : Revista Mexicana de Ingenier’ıa Qu’ımica 19.1
(2020), p. 109-122. doi : [Link]
[103] P. Rivas-García et al. “New model of hydrolysis in the anaerobic co-
digestion of bovine manure with vegetable waste: Modification of Anaerobic
Digestion Model No. 1”. In : Revista Mexicana de Ingeniera Química 19.1
(2020), p. 109-122. doi : 10.24275/rmiq/Bio557.
[104] C. Rosén et U. Jeppsson. Aspects on ADM1 implementation within the
BSM2 framework. Rapp. tech. Lund, Sweden : Lund University, 2008. url :
[Link]
[105] Christian Rosén et Ulf Jeppsson. “Aspects on ADM1 Implementation
within the BSM2 Framework”. In : Department of Industrial Electrical En-
gineering and Automation, Lund University, Lund, Sweden (2006), p. 1-35.
doi : ae051f12f03847d498731eacad310c27.
[106] M. Rouez. “Dégradation anaérobie de déchets solides: Caractérisation, fac-
teurs d’influence et modélisations”. Ph. D. dissertation. Lyon, France : Ins-
titut National des Sciences Appliquées, 2008.
[107] José A Rubio et al. “Modelization of anaerobic processes during co-digestion
of slowly biodegradable substrates”. In : Chemosphere 250 (2020), p. 126222.
doi : 10.1016/[Link].2020.126222.
[108] M. Sbarciog, M. Loccufier et E. Noldus. “The estimation of stability
boundaries for an anaerobic digestion system”. In : IFAC Proceedings Vo-
lumes 43.6 (2010), p. 359-364. doi : 10.3182/20100707-3-BE-2012.0032.
[109] J. M. A. Scherpen et A. J. van der Schaft. “Normalized coprime fac-
torizations and balancing for unstable nonlinear systems”. In : International
Journal of Control 60.6 (1994), p. 1193-1222. doi : 10.1080/00207179408921517.
[110] Amadou SIDIBE, Ansoumane SAKOUVOGUI et Mamby KEITA. “Eva-
luation du Potentiel Energétique de Biogaz des Déjections Animales de la
Région Administrative de Kankan (République de Guinée)”. In : Interna-
tional Journal of Progressive Sciences and Technologies 32.1 (2022), p. 164-
174. doi : 10.52155/ijpsat.v32.1.4208. url : [Link]
[Link]/ijpsat/article/view/4208.
[111] I. Simeonov. “Mathematical modeling and parameters estimation of anae-
robic fermentation processes”. In : Bioprocess Engrg. 21 (1999), p. 377-381.
doi : 10.1007/s004490050690.
[112] I. Simeonov et S. Diop. “Stability analysis of some nonlinear anaerobic
digestion models”. In : Internat. J. Bioautomation 14.1 (2010), p. 37-48.
url : [Link]
14.1_04.pdf.
BIBLIOGRAPHIE 113

[113] Thomas J Snowden, Piet H van der Graaf et Marcus J Tindall. “Me-
thods of model reduction for large-scale biological systems: a survey of cur-
rent methods and trends”. In : Bulletin of mathematical biology 79.7 (2017),
p. 1449-1486. doi : 10.1007/s11538-017-0277-2.
[114] K. Solon et al. “Effects of influent fractionation, kinetics, stoichiometry
and mass transfer on CH4 , H2 and CO2 production for (plant-wide) mode-
ling of anaerobic digesters”. In : Water Sci. Technol. 71.6 (2015), p. 870-877.
doi : 10.2166/wst.2015.029.
[115] B. Sow. “Etude et réalisation de deux digesteurs à biogaz à l’ENAE de
Tolo, Mamou, Guinée”. Ph. D. dissertation. Conakry, Guinea : Université
Gamal Abdel Nasser de Conakry, 2001.
[116] K. Stamatelatou et al. “An invariant manifold approach for CSTR mo-
del reduction in the presence of multi-step biochemical reaction schemes.
Application to anaerobic digestion”. In : Chem. Engrg. J. 150.2–3 (2009),
p. 462-475. doi : 10.1016/[Link].2009.01.033.
[117] J. P. Steyer et al. “Advanced control of anaerobic digestion processes
through disturbances monitoring”. In : Water Research 33.9 (1999), p. 2059-
2068. doi : 10.1016/S0043-1354(98)00430-8.
[118] J. P. Steyer et al. “Lessons learnt from 15 years of ICA in anaerobic
digesters”. In : Water Sci. Technol. 53.4-5 (2006), p. 25-33. doi : 10.2166/
wst.2006.107.
[119] D. Tomé. “Besoins en protéines et en acides aminés & qualité des protéines
alimentaires”. In : Cholé-Doc 111 (2009).
[120] P. A. Vanrolleghem et al. “Continuity-based interfacing of models for
wastewater systems described by Petersen matrices”. In : Water Sci. Tech-
nol. 52.1-2 (2005), p. 493-500. doi : 10.2166/wst.2005.0558.
[121] V. A. Vavilin et al. “Simplified hydrolysis models for the optimal design of
two-stage anaerobic digestion”. In : Water Research 35.17 (2001), p. 4247-
4251.
[122] VA Vavilin et al. “Hydrolysis kinetics in anaerobic degradation of parti-
culate organic material: an overview”. In : Waste management 28.6 (2008),
p. 939-951. doi : 10.1016/S0043-1354(01)00148-8.
[123] M. J. Wade et al. “Perspectives in mathematical modelling for microbial
ecology”. In : Ecological Modelling 321.10 (2016), p. 64-74. doi : 10.1016/
[Link].2015.11.002.
[124] E. Walter et L. Pronzato. Identification of Parametric Models from
Experimental Data. Communications and Control Engineering. Berlin, Hei-
delberg, New York : Springer-Verlag, 1997. isbn : 978-3-540-76119-5.
[125] Alastair J Ward et al. “Optimisation of the anaerobic digestion of agricul-
tural resources”. In : Bioresource technology 99.17 (2008), p. 7928-7940.
[126] M. Weedermann. “Analysis of a model for the effects of an external toxin
on anaerobic digestion”. In : Math. Biosci. Engrg. 9.2 (2012), p. 445. doi :
10.3934/mbe.2012.9.445.
114 BIBLIOGRAPHIE

[127] Sören Weinrich et Michael Nelles. “Systematic simplification of the

Anaerobic Digestion Model No. 1 (ADM1)–Model development and stoi-
chiometric analysis”. In : Bioresource Technology 333 (2021), p. 125124.
doi : 10.1016/[Link].2021.125124.
[128] Pengfei Yan et al. “Review of Soft Sensors in Anaerobic Digestion Process”.
In : Processes 9.8 (2021), p. 1434.
[129] Kazuto Yoshida et Naoto Shimizu. “Biogas production management sys-
tems with model predictive control of anaerobic digestion processes”. In :
Bioprocess and biosystems engineering 43.12 (2020), p. 2189-2200.
[130] U. Zaher et S. Chen. “Interfacing the IWA Anaerobic Digestion Model
No.1 (ADM1) With Manure and Solid Waste Characteristics”. In : Procee-
dings of the Water Environment Federation WEFTEC. Water Environment
Federation, 2006. doi : 10.2175/193864706783751726.
Titre : Modélisation et estimation de digesteurs anaérobies pour la dépollution des déchets et la production
d’énergie

Mots clés : Digestion anaérobie, modélisation, estimation, biogaz.

Résumé : Dans le contexte actuel de lutte contre le Cet aspect est d’autant plus important qu’il
réchauffement climatique, le développement des représente un des verrous de l’exploitation
énergies renouvelables représente un enjeu majeur. industrielle de la digestion anaérobie dans le
La digestion anaérobie apparaît comme une solution traitement de déchets. Enfin, il s’agit de mettre en
très prometteuse pour atteindre l’objectif de place des lois de commande performantes et
favoriser la production d'une énergie propre (le robustes pour optimiser le fonctionnement de ce
biogaz), tout en générant un engrais naturel et procédé.
propre pour des débouchés en agriculture (le Dans ces travaux de thèse, le cas d’un digesteur
digestat). L’objectif finale est d’optimiser ce procédé pilote à l’IST de Mamou (Guinée) a été étudié. Une
via une loi de pilotage via un système automatisé. première étape a consisté à caractériser la
Cependant, le procédé est complexe, incertain, composition physico-chimique de différents
faisant intervenir un grand nombre de bactéries et de déchets (animaux et déchets municipaux et
composition chimique du substrat. industriels). Ensuite, un modèle mathématique a
Ainsi, les enjeux sont multiples pour atteindre les été déterminé à partir des données expérimentales
objectifs visés. Premièrement, il s’agit de mettre au obtenues sur le procédé pilote (modèle dit ADM1
point et de valider des modèles simples pour des et modèles réduits). Enfin, la conception d’un
phénomènes complexes ayant lieu au sein du estimateur du taux de croissance des bactéries
procédé. Deuxièmement, il faut pallier au manque de dans le digesteur a été proposée à partir des
capteurs physiques intrinsèque à la digestion mesures du débit de biogaz produit.
anaérobie.

Title: Modeling and estimation of anaerobic digesters for depollution and energy production

Keywords: Anaerobic digestion, modeling, estimation, biogas.

Abstract: In the current context of global warming, This aspect is all the more important as it
the development of renewable energies represents a represents one of the barriers to the industrial
major challenge. Anaerobic digestion appears to be exploitation of anaerobic digestion in waste
a very promising solution for achieving the objective treatment. Finally, it is necessary to set up efficient
of promoting the production of clean energy (biogas) and robust control laws to optimise the operation
while generating a natural and clean fertilizer for of this process.
agricultural use (digestate). The final objective is to In this thesis, the case of a pilot digester at the IST
optimize this process by means of an automated of Mamou (Guinea) was studied. The first step was
system. However, the process is complex, and to characterise the physico-chemical composition
uncertain, involving a large number of bacteria and of different wastes (animal, municipal and industrial
unknown chemical composition of the substrate. wastes). Then, a mathematical model was
Thus, there are multiple challenges to achieving the determined from the experimental data obtained
objectives. Firstly, it is necessary to develop and on the pilot process (ADM1 model and reduced
validate simple models for the complex phenomena models). Finally, the design of an estimator for the
taking place in the process. Secondly, the lack of growth rate of bacteria in the digester was
physical sensors intrinsic to anaerobic digestion must proposed from measurements of the biogas flow
be overcome. rate produced.