THÈSE

En vue de l'obtention du

DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE

Délivré par Institut National Polytechnique de Toulouse
Discipline ou spécialité : Génie des Procédés et de l’Environnement

Présentée et soutenue par Marianne Boix

Le 28 Septembre 2011

Titre : Optimisation multicritère de réseaux d’eau.

JURY

Luc PIBOULEAU – Professeur d’université (Directeur de thèse)

Ludovic MONTASTRUC – Maître de conférences (Co-directeur de thèse)
Jean-Michel RENEAUME – Professeur d’université (Rapporteur)
Gilles TRYSTRAM – Professeur d’université (Rapporteur)
Sylvain CAILLOL – Maître de conférences (Examinateur)
Serge DOMENECH – Professeur d’université (Examinateur)

Ecole doctorale : Mécanique Energétique Génie Civil et Procédés

Unité de recherche : LGC, UMR 5503
Directeur(s) de Thèse : Luc Pibouleau et Ludovic Montastruc
-2-
 Optimisation multicritère de réseaux d’eau

Résumé :
Dans cette étude, les cas les plus représentatifs de réseaux d’eau industriels sont optimisés à
l’aide d’une procédure de programmation mathématique de façon à proposer des solutions
concrètes au plus grand nombre d’industries. Un réseau industriel est composé d’un certain
nombre d’unités de procédés, d’unités de régénération et de polluants. Ces différentes unités
se caractérisent par des valeurs bien définies : concentrations d’entrée et de sortie maximales
en polluant. Le but est ici de déterminer quels sont les courants circulant dans le réseau et de
proposer leur allocation entre les unités tout en optimisant plusieurs objectifs. Sont
minimisés : le débit d’eau entrant dans le réseau (F1), le débit d’eau régénérée (F2), le nombre
de connexions (F3), l’énergie consommée (F4) et/ou le nombre d’échangeurs utilisé (F5).
L’optimisation multicritère est basée sur la stratégie epsilon-contrainte développée à partir
d’une méthode lexicographique menant à la construction de fronts de Pareto.

Les réseaux d’eau contenant un seul polluant sont abordés grâce à une programmation
mathématique mixte linéaire (Mixed Integer Linear Programming, MILP), à l’aide d’une
formulation originale basée sur des débits partiels. Les résultats obtenus sont en accord avec
la littérature et valident la méthode utilisée. L’optimisation multiobjectif mène à un front de
Pareto offrant un grand nombre de solutions. C’est parmi ces solutions qu’un choix est
effectué grâce à un nouvel indicateur : le CEG (coût équivalent global). Ce dernier permet
d’obtenir un réseau impliquant moins de connexions pour des consommations d’eau
équivalentes. Lorsque le réseau fait intervenir plusieurs polluants, le problème est formulé de
façon mixte non linéaire (Mixed Integer Non Linear Programming, MINLP). Grâce à la même
stratégie que pour les réseaux monopolluants, les réseaux optimisés sont topologiquement
plus simple que ceux de la littérature et n’impliquent aucun débit d’eau très faible.

Une procédure MILP est ensuite utilisée dans le cadre de l’optimisation des réseaux d’eau et
de chaleur. Plusieurs exemples sont présentés, dont un cas réel concernant une industrie
papetière. L’optimisation multiobjectif suivie d’une réflexion d’aide à la décision permet
d’améliorer les résultats antérieurs de 2 à 10% en termes de consommation d’eau et de 7 à
15% pour la dépense énergétique.

Cette méthodologie est ensuite étendue à l’optimisation de parcs éco-industriels et permet

d’opter pour une solution efficace d’un point de vue à la fois écologique et économique.
Parmi les différentes configurations étudiées, c’est celle présentant une unité de régénération
individuelle pour chaque industrie qui est choisie car elle implique un gain d’environ 13%
pour chacune d’entre elles. Enfin, lorsque le réseau de l’écoparc fait intervenir de la chaleur,
c’est un gain de près de 11% qui est obtenu par rapport au cas où les industries fonctionnerait
de façon individuelles.

Mots-clés : optimisation multicritère, MILP, MINLP, allocation de réseaux d’eau, réseaux

d’eau et de chaleur, parcs éco-industriels.
-3-
-4-
 Table des matières

Multiobjective optimization of industrial water networks

Abstract:
This study presents a multiobjective optimization of industrial water networks through
mathematical programming procedures. A large range of various examples are processed to
propose several feasible solutions. An industrial network is composed of fixed numbers of
process units and regenerations and contaminants. These units are characterized by a priori
defined values: maximal inlet and outlet contaminant concentrations. The aim is both to
determine which water flows circulate between units and to allocate them while several
objectives are optimized. Fresh water flow-rate (F1), regenerated water flow-rate (F2),
interconnexions number (F3), energy consumption (F4) and the number of heat exchangers
(F5) are all minimized. This multiobjective optimization is based upon the epsilon-constraint
strategy, which is developed from a lexicographic method that leads to Pareto fronts.

Monocontaminant networks are addressed with a mixed linear mathematical programming

(Mixed Integer Linear Programming, MILP) model, using an original formulation based on
partial water flow-rates. The obtained results we obtained are in good agreement with the
literature data and lead to the validation of the method. The set of potential network solutions
is provided in the form of a Pareto front. An innovative strategy based on the GEC (global
equivalent cost) leads to the choice of one network among these solutions and turns out to be
more efficient for choosing a good network according to a practical point of view. If the
industrial network deals with several contaminants, the formulation changes from MILP into
MINLP (Mixed Integer Non Linear Programming). Thanks to the same strategy used for the
monocontaminant problem, the networks obtained are topologically simpler than literature
data and have the advantage of not involving very low flow-rates.

A MILP model is performed in order to optimize heat and water networks. Among several
examples, a real case of a paper mill plant is studied. This work leads to a significant
improvement of previous solutions between 2 to 10% and 7 to 15% for cost and energy
consumptions respectively.

The methodology is then extended to the optimization of eco-industrial parks. Several

configurations are studied regarding the place of regeneration units in the symbiosis. The best
network is obtained when the regeneration is owned by each industry of the park and allows a
gain of about 13% for each company. Finally, when heat is combined to water in the network
of the ecopark, a gain of 11% is obtained compared to the case where the companies are
considered individually.

Key-words: multiobjective optimization, MILP, MINLP, water networks allocation, heat

networks, eco-industrial parks.

-5-
Table des matières

-6-
 Table des matières

Préambule

Je souhaite adresser mes remerciements les plus sincères aux nombreuses personnes qui m'ont aidée et
accompagnée lors de ces trois années de doctorat.

Je remercie Joël Bertrand ainsi que Béatrice Biscans, de m'avoir accueillie au sein du Laboratoire de
Génie Chimique.

Merci à Jean-Michel Reneaume et Gilles Trystram, pour avoir accepté d'être les rapporteurs de ce
mémoire. Merci pour leur commentaires et remarques qui m'ont permis d'améliorer la qualité du
présent manuscrit.

Je tiens à remercier l'équipe Conception, Optimisation et Ordonnancement de Procédés (COOP) pour

m'avoir fait confiance, et ce malgré mes origines universitaires quelque peu atypiques et (en
apparence) éloignées du génie des procédés.

Mes plus vifs remerciements vont à mes deux directeurs de thèse Luc Pibouleau et Ludovic
Montastruc. Luc, merci pour tout! Merci pour tes conseils et ton expérience, notamment pour les
phases de rédaction pour lesquelles tu m'as beaucoup apporté. Ludo, je tiens à te remercier du fond du
cœur pour ta disponibilité et ta précieuse aide durant ces trois années. Merci d'avoir su me redonner
confiance dans les moments où je doutais le plus, tant sur le plan humain que professionnel.

Je tiens à remercier Serge Domenech pour son aide précieuse et son investissement dans mon travail
de thèse. Je remercie également Catherine Azzaro-Pantel pour ses conseils et sa bonne humeur. Enfin,
merci à André Davin pour ses précieuses relectures et ses recommandations lors des répétitions.

Un grand merci aux personnes avec qui j'ai pu collaborer dans le cadre de mon monitorat. Je pense
notamment à Pascal Floquet, Sébastien Teychené, Michèle Freche, Christèle Combes, Vanessa
Durieu, Ahmed Al-Kattan et bien d'autres. Je les remercie vivement pour leur compréhension, leur
bonne humeur et leur professionnalisme.

J'embrasse de tout cœur mes collègues et amis du bureau 2-R3-10: Mary, Adama, Guillermo et Dan.
Un grand merci pour tous les agréables moments que l'on a passés ensembles et pour cette grande
complicité, y compris dans les moments les plus difficiles. J'ai également une pensée amicale pour
tous les doctorants du laboratoire et plus particulièrement ceux de l'équipe PSI: Marie & Marie,
Juliette, Raul, Sofia, Fernando, Jesus, Ali et les autres. Merci pour la bonne ambiance qui règne dans
notre couloir!

Merci aussi à tous mes amis géologues du labo d'à côté de m'avoir soutenue (ils se reconnaîtront),
ainsi qu'à Armelle et Guiz (deux fois!) pour leurs cafés et leur gentillesse. Plus particulièrement, merci
à Alex pour le tandem de choc que nous avons formés durant les années fac...

Enfin, je voudrais remercier mes proches de m'avoir toujours soutenue. En particulier merci à ma
mère, mon père, mes frères (Pierre, Raphaël et Sébastien), mes grands-parents ainsi que tout le reste de
la famille. Merci aussi à Martine pour ses petits plats réconfortants. Et évidemment, merci du fond du
cœur à Thomas pour son soutien sans faille et ses années de bonheur passées à ses côtés. Je souhaite
de continuer notre belle aventure pour de longues années encore...

-7-
Table des matières

-8-
 Table des matières

Table des matières

-9-
 Table des matières

Liste des acronymes ................................................................................................................. 13

AVANT-PROPOS .................................................................................................................... 15

CHAPITRE I – MOTIVATIONS DE L’ETUDE : ANALYSE BIBLIOGRAPHIQUE ET POSITION

DU PROBLEME ....................................................................................................................... 21
1. Contexte environnemental de l’étude ........................................................................ 23
1.1 Contexte et enjeux : l’eau dans le monde.................................................................................... 23
1.2 L’eau et les industries ................................................................................................................. 27
1.3 Vers une maîtrise de la pollution industrielle ............................................................................. 29
1.4 Le problème d’allocation des réseaux d’eau industriels ............................................................. 31
2. Les techniques d’intégration des procédés pour l’optimisation des réseaux d’eau .. 32
3. Méthodes graphiques pour l’intégration des procédés ............................................. 35
3.1 Analyse du pincement hydraulique ............................................................................................. 35
3.2 Autres techniques ........................................................................................................................ 37
4. Méthodes d’optimisation mathématique pour l’intégration des procédés ................ 38
4.1 Méthodes d’optimisation ............................................................................................................ 38
4.2 Les méthodes stochastiques ........................................................................................................ 40
5. Modélisation des réseaux d’eau industriels .............................................................. 41
5.1 Concept de superstructure ........................................................................................................... 42
5.2 Optimisation monocritère ........................................................................................................... 42
5.3 Optimisation multicritère ............................................................................................................ 47
6. Stratégies utilisées et plan de l’étude ........................................................................ 48
6.1 Choix de la procédure d’optimisation multicritère ..................................................................... 48
6.2 Choix de l’algorithme et du logiciel ........................................................................................... 49
7. Plan de l’étude ........................................................................................................... 50

CHAPITRE II – ETUDE DES RESEAUX D’EAU MONOPOLLUANTS ...................................... 53

1. Introduction et motivations ........................................................................................ 56
2. Formulation générale (MINLP) ................................................................................ 58
2.1 Superstructure ............................................................................................................................. 58
2.2 Formulation................................................................................................................................. 59
2.3 Développement d’une méthode d’optimisation multiobjectif ..................................................... 65
2.4 Cas des réseaux complexes ......................................................................................................... 67
3. Formulation MILP : cas des réseaux d’eau monopolluants ..................................... 68
3.1 Phase de formulation et de définition ......................................................................................... 68
3.2 Phase de validation ..................................................................................................................... 73
4. Conclusion ................................................................................................................. 83

CHAPITRE III – ETUDE DES RESEAUX D’EAU MULTIPOLLUANTS .................................... 85

1. Formulation du problème d’allocation d’un réseau multipolluant ........................... 88
2. Résolution du problème multiobjectif ........................................................................ 89
3. Comparaison des réseaux multipolluants vs monopolluants .................................... 90
4. Etude de différents exemples ..................................................................................... 93
4.1 Réseau extrait de Wang et Smith (1994)..................................................................................... 93
4.2 Réseau de Feng et al. (2008) ....................................................................................................... 94
4.3 3ème étude : réseau de Feng et al. (2008) ..................................................................................... 97
- 10 -
 Table des matières

5. Conclusion ............................................................................................................... 107

CHAPITRE IV – OPTIMISATION DE RESEAUX D’EAU ET DE CHALEUR........................... 109

1. Allocation de réseaux d’eau et de chaleur .............................................................. 113
1.1 Formulation du problème .......................................................................................................... 113
1.2 Méthode de résolution du problème multiobjectif ................................................................... 115
1.3 Premier exemple d’application : 8 procédés ............................................................................. 116
2. Intégration des réseaux d’eau et de chaleur ........................................................... 120
2.1 Formulation du problème .......................................................................................................... 120
2.2 Exemple d’application .............................................................................................................. 124
3. Optimisation multiobjectif d’un cas réel industriel ................................................. 129
3.1 Transformation du problème original ....................................................................................... 129
3.2 Allocation du réseau d’eau et de chaleur .................................................................................. 135
3.3 Intégration énergétique ............................................................................................................. 141
4. Conclusion ............................................................................................................... 143

CHAPITRE V – OPTIMISATION DE RESEAUX D’EAU DANS UN CADRE D’ECOLOGIE

INDUSTRIELLE : APPLICATION AUX ECO-PARCS ................................................................ 147
1. Travaux antérieurs dans le domaine de l’écologie industrielle .............................. 150
2. Optimisation d’un réseau d’eau d’un parc éco-industriel ...................................... 153
2.1 Définition du problème ............................................................................................................. 153
2.2 Stratégie d’optimisation multiobjectif ...................................................................................... 155
2.3 Présentation de l’EIP étudié ...................................................................................................... 157
2.4 Etude des cas de base (1 et 5) : entreprises sans lien avec les autres ........................................ 160
2.5 Parc éco-industriel sans unités de régénération (Cas 2, 3 et 4) ................................................. 162
2.6 Parc éco-industriel avec une unité de régénération par entreprise (Cas 6, 7 et 8) ..................... 164
2.7 Parc éco-industriel avec une unité de régénération commune (Cas 9 à 13) .............................. 167
2.8 Discussion ................................................................................................................................. 168
3. Réseau d’eau et de chaleur au sein d’un parc éco-industriel ................................. 171
3.1 Formulation du problème .......................................................................................................... 171
3.2 Présentation de l’étudié ............................................................................................................. 171
3.3 Résultats des optimisations ....................................................................................................... 172
4. Conclusion ............................................................................................................... 177

CHAPITRE VI – CONCLUSIONS ET PERSPECTIVES............................................................. 181

Conclusions ..................................................................................................................... 183
Perspectives .................................................................................................................... 187

REFERENCES BIBLIOGRAPHIQUES ..................................................................................... 191

- 11 -
Liste des acronymes
AA Abeilles Artificielles

AG Algorithme Génétique

BONMIN Basic Open-source Nonlinear Mixed INteger programming

CEG Coût Equivalent Global

CF Colonie de Fourmis

COIN COmputational INfrastructure

COUENNE Convex Over and Under ENvelopes for Nonlinear Estimation

CPU Central Processing Unit

EIP Eco-Industrial Park (parc éco-industriel)

EP Essaim de Particules

GAMS General Algebraic Modelling System

IP Intégration des procédés

LP Linear Programming

MCDM Multicriteria Choice Decision Making

MI Méthode Immunitaire

MILP Mixed-Integer Linear Programming

MINLP Mixed-Integer NonLinear Programming

M-TOPSIS Modified - Technique for Order Preference by Similarity to Ideal Situation

NCE Nombre de Connexions Equivalent

NLP NonLinear Programming

RN Réseau de Neurones

RS Recuit Simulé

TOPSIS Technique for Order Preference by Similarity to Ideal Situation

WS Weighted Sum

ε-C Epsilon Constraint

- 13 -
Avant-propos

- 15 -
Avant-propos

- 16 -
 Avant-propos

En 2009, à l’issue d’un rapport de l’Organisation des Nations Unies, son directeur
général, Koïchiro Matsuura déclare : " Dans un contexte marqué par des pénuries
croissantes, une bonne gouvernance est plus que jamais essentielle à la gestion de l’eau. La
lutte contre la pauvreté dépend aussi de notre capacité à investir dans cette ressource."
Depuis quelques décennies, la société prend ainsi conscience que les nombreuses ressources
primaires, pensées jusqu’alors inépuisables, sont désormais à préserver. Le phénomène de
mondialisation, étroitement lié à celui de l'augmentation de la population, est de plus en plus
présent et de nouveaux concepts globaux émergent, tel que celui de développement durable.
Ce concept avait été initialement évoqué en 1987 par la Commission mondiale sur
l’environnement et le développement, dans le rapport Brundtland. Les trois piliers de ce
concept regroupent des aspects environnementaux, sociaux et économiques, tel que l’illustre
la figure 1.

Figure 1. Interactions des trois piliers du concept de développement durable.

L’action pour le développement durable se situe à de nombreuses échelles de la

société. Particulièrement, le monde industriel sert de moteur dans cette optique à travers
diverses normes internationales telles que l’ISO 14001 (environnement), l’ISO 9001 (qualité)
ou encore le guide SD 21000 (développement durable dans les entreprises). Cette étude se
situe entièrement dans cette démarche puisqu’elle consiste à concevoir des réseaux d’eau
industriels, respectueux de l’environnement et satisfaisant un certain nombre de critères
économiques et topologiques.

- 17 -
 Avant-propos

Ces travaux ont été réalisés au sein du Laboratoire de Génie Chimique (UMR
CNRS/INP/UPS 5503), et plus particulièrement dans l’équipe COOP (Conception,
Optimisation et Ordonnancement des Procédés) du département PSI (Procédés et Systèmes
Industriels). Le thème général de recherche de l’équipe COOP concerne l’optimisation et la
conception de procédés, et dans ce cadre émerge de façon importante la classe des problèmes
mixtes, qui contiennent des variables continues (conditions opératoires) et des variables
entières (structure du procédé), voire des variables de décision. La démarche s’inscrit ainsi de
façon prépondérante dans le développement de stratégies d’optimisation en variables mixtes,
impliquant ou associant des méthodes stochastiques ou déterministes. Plusieurs travaux de
thèse réalisés au sein de l’équipe depuis 2005 ont étudié les possibilités de résolution de ces
différentes méthodes à travers leur application à des réseaux complexes. Il s’agit notamment
des réseaux de transport de gaz (Ponsich, 2005 ; Tabkhi, 2007 ; Gugenheim, 2011) ou encore
des mélanges hydrogène/gaz naturel (Hernandez, 2011). Ainsi, ce travail s’inscrit dans cette
continuité puisqu’il propose d’étendre les études de l’équipe au cas des réseaux d’eau
industriels.

Les objectifs qui ont conduit à la rédaction de ce mémoire sont multiples :

- Formuler le problème mathématiquement dans un premier temps, puis
numériquement ensuite, pour le cas particulier des réseaux d’eau.
- Proposer une stratégie de résolution fiable et applicable à des réseaux de taille
industrielle.
- Développer une méthode d’optimisation permettant la prise en compte de
nombreux critères antagonistes.
- Balayer un spectre plus large d’applications industrielles en adaptant la méthode
aux réseaux d’eau et d’énergie.

La finalité de ces différents objectifs est de s’orienter vers une perspective d’écologie
industrielle, au travers d’études de symbioses industrielles, qui représentent un des grands
défis de la société contemporaine. Le manuscrit est composé de six chapitres s’articulant
comme suit, tel que cela est illustré par la figure 2 :

- Le chapitre I présente une analyse bibliographique concernant l’intégration des

procédés pour l’étude des réseaux d’eau. Il positionne le problème, les

- 18 -
 Avant-propos

motivations, et permet de choisir les méthodes utilisées pour la résolution du

problème.

- Le chapitre II consiste en l’étude des réseaux d’eau avec un seul polluant (désigné
par réseau monopolluant).

- Le chapitre III étudie le cas des réseaux d’eau industriels incluant plusieurs
polluants (désigné par réseau multipolluant).

- Le chapitre IV étend les méthodologies utilisées dans le chapitre II au cas des

réseaux d’eau et d’énergie. Il est illustré par un exemple issu de l’industrie
papetière.

- Le chapitre V est dédié à l’extension de la méthode d’optimisation au cas des

parcs éco-industriels dans un contexte global d’écologie industrielle. Les réseaux
d’eau et d’énergie sont étudiés pour divers regroupements d’entreprises.

- L’analyse de l’ensemble des travaux et résultats est mentionnée en conclusion, et

certaines perspectives pour la conduite de futures études sont formulées dans le
chapitre VI.

Eau et CHAPITRE IV
énergie
CHAPITRE V

Eau
CHAPITRE II CHAPITRE III

Réseau Réseau
monopolluant multipolluant

INDUSTRIE SYMBIOSE
INDIVIDUELLE INDUSTRIELLE

Figure 2. Thèmes des chapitres du manuscrit.

- 19 -
Avant-propos

- 20 -
CHAPITRE I – Motivations de l’étude :
analyse bibliographique et position du
problème

- 21 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Nomenclature du chapitre
f fonction objectif de R n1 × [0 ,1] n2 dans R
fi iéme fonction objectif de R n1 × [0 ,1] n2 dans R (cas multicritère)
g(x) vecteur des contraintes inégalité (dimension m)
h(x) vecteur des contraintes égalité (dimension p avec p < n1 + n2)
k nombre de fonctions objectif (cas multicritère)
m nombre de contraintes inégalité
n1 nombre de variables réelles
n2 nombre de variables binaires
p nombre de contraintes égalité
x vecteur des variables ( ∈ R n1 × [0 ,1] n2 )

- 22 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

1. Contexte environnemental de l’étude

1.1 Contexte et enjeux : l’eau dans le monde

La quantité d’eau douce dans le monde est finie et renouvelable mais sa distribution à
la surface de la Terre n’est pas homogène et varie de façon considérable. Ces variations sont
principalement contrôlées par des épisodes successifs de gel/dégel,
d’évaporation/précipitation ainsi que par l’évapotranspiration forestière et le ruissellement. La
figure I-1a illustre le cycle hydrologique naturel terrestre. La majorité de l’eau présente sur
Terre est de l’eau de mer, seuls 2.5 % du total sont constitués par l’eau douce. Les activités
anthropiques sont devenues le premier facteur contrôlant les systèmes hydrologiques de notre
planète (UNESCO, 2009). Ces pressions sont le plus souvent liées au développement humain
ainsi qu’à la croissance économique ; de fait, le cycle hydrologique naturel s’en trouve
modifié tel que l’illustre la figure I-1b.

Figure I-1. Cycles hydrologiques sur Terre.

a. Composantes naturelles du cycle. b. Interaction des activités humaines sur le cycle naturel.

- 23 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

D’après un récent rapport de l’UNESCO (2009), la quantité totale d’eau douce

annuelle utilisée par l’Homme est estimée à environ 4000 km3 par an, tous usages confondus
(domestiques, industriels, agricoles). A cette valeur s’ajoutent 6400 km3 d’eau de pluie
directement utilisés par l’agriculture. Bien sûr, la quantité d’eau consommée à travers le
Monde est fortement dépendante de la démographie (et implicitement du niveau de vie de
chacun). L’accroissement démographique actuel est estimé à 80 millions d’humains
supplémentaires chaque année (UNESCO, 2009), conduisant logiquement à multiplier les
interactions entre l’Homme et la nature dans le temps. Si la croissance démographique reste
stable, nous devrions être plus de 8 milliards d’individus sur Terre d’ici l’an 2025 (PRB,
2009). Cet accroissement de population induira donc une intensification des activités
agricoles, industrielles et domestiques, et par conséquent, une augmentation générale de la
consommation d’eau douce. Ainsi, les quantités d’eau consommées devraient augmenter de
64 km3 par an, compte tenu du développement actuel de la population (UNESCO, 2009).

Parallèlement à cette demande en forte croissance, la distribution des ressources en eau

à la surface de la Terre n’est pas homogène et bien souvent, ce sont les régions qui sont les
plus dépourvues en eau qui en sont les plus importantes consommatrices (Figure I-2). Le
volume total d’eau douce utilisable s’élève à environ 12500 km3 et si cette quantité était
équitablement répartie, elle serait probablement suffisante pour satisfaire tous les besoins
anthropiques (OECD, 2008). La figure I-2 montre que les cinq pays utilisant le plus d’eau (en
volume) sont l’Inde, la Chine, les Etats-Unis, le Pakistan et le Japon (OECD, 2008). Neuf
pays se partagent plus de 60% des ressources en eau douce. Par conséquent, des écarts
considérables s’observent entre les différentes consommations allant de 646 km3 par an pour
l’Inde à moins de 0.003 km3 par an en Tanzanie, par exemple.

De plus, les modifications climatiques dues aux activités anthropiques s’accompagnent

d’une dénaturation des réverses d’eau douce, d’une diminution du niveau des précipitations,
ainsi que d’un accroissement de la superficie des zones désertiques, créant ainsi des besoins
accrus en eau douce.

- 24 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

a.

b.

Figure I-2. Ressources (a) et consommation (b) d’eau dans le monde en 2005 (FAO-AQUASTAT, 2010).

D’ici 2025, environ 2,7 milliards de personnes devraient faire face à un manque sévère
d’eau, appelé aussi « stress hydrique » (BBC News Online, 2004). A l’heure actuelle, près de
deux milliards d’habitants vivent d’ores et déjà avec moins de cinq litres d’eau par jour tandis
que dans les pays industrialisés, un habitant consomme dix-huit fois plus d’eau en moyenne
chaque jour (World Water Council, 2010). De nombreuses solutions peuvent être apportées

- 25 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

pour faire face à cette pénurie, mais auparavant il est important de connaître les principaux
secteurs concernés.

Trois types d’activités se partagent la consommation totale de l’eau à l’échelle

planétaire (Figure I-3). L’agriculture représente de loin le principal utilisateur d’eau, avec
environ 70% de la consommation mondiale. Cette valeur peut atteindre 80% dans certaines
régions du globe comme en Asie ou en Afrique. Le secteur industriel, en forte croissance dans
les pays en voie de développement, représente actuellement 20% de l’utilisation totale, tandis
que les 10% restants sont attribués aux usages domestiques (FAO-Aquastat, 2010).
Cependant, dans les pays développés la tendance peut s’inverser passant à une consommation
industrielle de 60% et 30% pour les usages agricoles.

Figure I-3. Répartition moyenne de la consommation d’eau entre les différents secteurs.

Depuis une dizaine d’année, les problèmes liés à la pénurie d’eau sont ainsi devenus
une préoccupation majeure pour l’ensemble de la population et une priorité pour les autorités
publiques (IFEN, 2006). Dans les années à venir, trois axes prioritaires sont à développer et à
améliorer pour proposer des solutions tant au niveau de la qualité que de la quantité de l’eau
douce:
1) Réduire son utilisation et limiter sa pollution.
2) Augmenter les ressources en eau (Dessalement, Réutilisation, Recyclage…).
3) Lutter contre la présence de polluants émergents (Identification, Détection,
Elimination…).

- 26 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

1.2 L’eau et les industries

1.2.1 La consommation d’eau industrielle globale

Bien que la consommation d’eau industrielle ne représente pas la majeure partie de

l’utilisation totale de l’eau (Figure I-3), elle demeure largement majoritaire dans de nombreux
pays industrialisés (Figure I-4).

Cette étude a pour but de répondre à l’objectif premier des autorités ; il consiste à
proposer des solutions concernant la réduction de l’utilisation de l’eau et a pour thème les
réseaux d’eau industriels.

Figure I-4. Secteurs dominant l’utilisation de l’eau dans le monde

(World Resources Institute, 2009).

Il est d’abord nécessaire d’effectuer un état des lieux des relations entre le monde
industriel et l’eau. Deux constats s’imposent : l’eau est indispensable à la vie sur Terre et le
développement industriel est toujours dépendant de la disponibilité de l’eau (Crini et Badot,
2007). Passer de la production artisanale à la production industrielle a permis à l’humanité de
surmonter de nombreux obstacles et d’améliorer son mode de production. Cependant,
l’industrialisation croissante nécessite l’utilisation de grandes quantités d’eau, générant une

- 27 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

pollution importante des effluents aqueux. Il est communément admis qu’ « accepter d’utiliser
l’eau douce c’est aussi accepter de la polluer » (Boeglin, 2001). Parmi les trois pôles
consommateurs d’eau douce décrits plus haut, l’industrie est à l’origine du plus fort impact
environnemental, principalement en raison de la variété, du volume et de la toxicité des
polluants émis. Dans la plupart des cas, les dégradations environnementales sont dues à un
manque ou une absence de traitement approprié des eaux usées avant les rejets (Gavrilescu et
al., 2008).

La conception de réseaux d’eau industriels efficaces peut considérablement réduire

tant la consommation d’eau fraîche que le rejet d’eau usée. La recherche de réseaux d’eau
mieux conçus et adaptés au secteur industriel représente ainsi un challenge scientifique
concret visant à neutraliser les activités polluantes tout en maintenant la productivité et la
compétitivité des entreprises. De nombreuses contributions ont déjà permis d’améliorer les
critères environnementaux des industries depuis une quinzaine d’années. Idéalement, c’est un
rejet nul d’eaux polluées (circuit fermé) qui est visé d’ici 2020 selon les nouvelles directives
européennes (2455/2001/CE et 2000/60/CE).

1.2.2 L’utilisation de l’eau dans les industries

Différents secteurs se partagent les 20% de la consommation totale industrielle. La

figure I-5 illustre la répartition de la consommation d’eau parmi ces différents secteurs
industriels. Les valeurs données sur la figure I-5 sont des moyennes mondiales et il est
important de garder à l’esprit qu’elles varient considérablement d’une région du monde à
l’autre (UNESCO, 2009).

Figure I-5. Répartition de la consommation d’eau industrielle parmi les principaux secteurs.

- 28 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Bien que les secteurs mis en jeu soient divers, les usages de l’eau restent souvent
identiques :
- Dans les opérations de lavage, où elle assure le rôle de fluide de nettoyage des
équipements en y assurant le rôle de « solvant » de la salissure.
- En tant qu’agent de transport des produits finis et des polluants.
- Durant les étapes de fabrication : en tant que solvant, diluant ou encore comme
matière première.
- Enfin, elle est aussi utilisée en tant que conducteur thermique dans les circuits de
chauffage et de refroidissement d’une usine (sous forme d’eau chaude, d’eau
froide ou encore de vapeur).

Dans la pratique, l'eau des réseaux industriels peut également subir des changements
d'état passant de l'eau liquide à vapeur lors de certaines opérations. Enfin, d’un secteur à
l’autre, seul l’aspect quantitatif de ces utilisations est susceptible de varier. La diversité des
usages de l’eau dans les industries implique des contraintes très variées concernant la qualité
de l’eau utilisée. En effet, la qualité exigée varie selon que l’eau est utilisée pour le procédé,
le lavage ou des échanges thermiques. Il paraîtrait évident que les industries ne doivent pas
nécessairement utiliser de l’eau potable, mais malheureusement les eaux souterraines ou les
eaux de surface ne satisfont que très rarement les contraintes demandées (Boeglin, 2007).
Ainsi, les petites et moyennes entreprises alimentent leur réseau avec l’eau potable publique
qui est la plus polyvalente en termes d’utilisation, car la plus propre. Ce n’est
qu’occasionnellement que quelques grandes industries, lorsqu’elles possèdent une
implantation propice, utilisent d’autres ressources (eau de mer, de rivière voire de forage).

1.3 Vers une maîtrise de la pollution industrielle

En France, c’est en 1964 (Loi n° 64-1245) que la première loi concernant la gestion
des ressources en eau a été adoptée. Elle stipule qu’une aide financière peut être octroyée aux
personnes morales (par exemple, les industries) lorsqu’une lutte contre la pollution
(modification physico-chimique de l’eau) des eaux naturelles est engagée. Depuis, la loi de
1992 (Loi n° 92-3) et la législation récente (Loi n°2006-1772) sont venues compléter ce texte.
Proposer des solutions faisables aux industries fait partie des principaux objectifs de ce
travail. Cependant, il est nécessaire de connaître dans quel type d’action l’étude se situe et la

- 29 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

nature des autres aides qui peuvent être apportées aux industriels. Il existe trois types
d’actions se distinguant les unes des autres par leur situation au sein de la chaîne de
production.

1.3.1 Actions préventives

En amont de la chaîne de production, c'est-à-dire avant la mise en place des

équipements de production, un investissement de la part des industriels doit être réalisé en
intégrant les contraintes environnementales au stade de conception, ceci peut inclure (Boeglin,
2007):
- L’achat d’unités de régénération et la prévision d’un réseau permettant le recyclage
et la réutilisation des eaux usées.
- Les techniques d’intégration des procédés, conduisant à une allocation de manière
à ce que le procédé fonctionne tout en économisant les ressources naturelles.
Ce type d’action peut aussi être mis en œuvre lorsque l’usine existe déjà et qu’elle
nécessite une amélioration de sa gestion. Dans ce cas, une restructuration des réseaux, des
contrôles réguliers de la qualité des rejets ou encore, plus simplement, une amélioration des
pratiques propres à l’entreprise peuvent être proposés.

1.3.2 Actions curatives

La complexité et la diversité des rejets industriels induit la mise en œuvre de

nombreuses techniques visant à dépolluer l’eau avant son rejet dans l’environnement. Dans la
plupart des cas, la première étape consiste à éliminer la pollution insoluble présente dans les
eaux résiduaires industrielles à travers divers procédés :
- Le dégrillage : élimination des débris de taille importante.
- Le dessablage : élimination des particules en suspension (décantation).
- L’écrémage : suppression des phases légères principalement et des mousses
surnageant (substances hydrophobes et hydrocarbonées).
- Le séparateur spécifique aux hydrocarbures dispersés (débourbeur et déshuileur).
La seconde étape consiste à éliminer la pollution dissoute par le biais de traitements
physiques ou physico-chimiques. Ceci est le plus souvent réalisé par précipitation et filtration
afin d’éliminer le plus souvent des métaux lourds (ONEMA, 2009). Enfin, la dégradation de

- 30 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

matière organique par des bactéries est réalisée par voie aérobie ou anaérobie lors des
traitements par voie biologique.

1.4 Le problème d’allocation des réseaux d’eau industriels

L’objectif de ce travail s’inscrit dans la catégorie des actions préventives car il consiste
à concevoir des réseaux d’eau industriels propres. La démarche adoptée vise à concevoir une
allocation optimale des réseaux d’eau étudiés. Cela consiste à définir parfaitement (en termes
de débits d’eau et de concentrations en polluants) les différents courants liant toutes les unités
(de procédé ou de régénération) entre elles. En outre, il s’agit également de connaître quels
sont les courants existants (topologie) de manière à ce que le réseau fonctionne ; c'est-à-dire
qu’il satisfasse les contraintes qui lui sont imposées tout en minimisant un ou plusieurs
objectifs.

Les contraintes imposées sont généralement de deux types : celles dominées par les
équations de bilans (eau, polluants) se présentant sous forme d’égalités et les équations de
type inégalité. Ce sont les limites propres à chacune des unités composant le réseau qui
déterminent ces dernières. En effet, chaque unité de procédé possède des limites concernant
les concentrations en polluants et/ou les débits d’eau nécessaires à son bon fonctionnement.
Des ordres de grandeurs disparates : le ppm pour les concentrations en polluants et souvent les
T/h pour les débits d’eau imposent une résolution « parfaite » des différentes équations de
bilan. Concernant les objectifs, il en existe de différents types pouvant être pris en compte :

- Le plus courant est la minimisation de l’eau fraîche alimentant le réseau (Savelski

et Bagajewicz, 2003 ; Feng et al., 2008 ; de Faria et al., 2009 ; Tudor et Lavric,
2010). Etant donné le contexte environnemental actuel, il devient urgent de
proposer des solutions qui impliquent un débit d’eau minimal. En effet, chaque
réseau possède une « valeur-cible » représentant la valeur minimale du débit d’eau
fraîche permettant son fonctionnement ; c’est cette valeur que l’on cherche à
obtenir lorsque ce critère est minimisé.

- Le deuxième objectif le plus répandu est un critère de coût total (Bogataj et

Bagajewicz, 2008 ; Dong et al., 2008 ; Jezowski, 2008). L’expression de cet
objectif varie et ne s’exprime donc pas toujours de la même manière dans les
différentes études. De façon commune, il prend en compte plusieurs composantes :
- 31 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

a) un coût d’investissement : coût des différentes connexions et de l’achat des

unités de traitement ; b) un coût de fonctionnement : lié à l’utilisation de l’eau
fraîche et au débit d’eau nécessitant d’être traité. En fonction des problèmes
étudiés, des termes peuvent être ajoutés de façon à décrire au mieux ce critère.

- Bien qu’importante, la topologie du réseau ou en d’autres termes sa complexité,

n’est pas souvent prise en compte dans les études antérieures (Feng et al., 2008). Il
est cependant nécessaire de proposer des solutions qui ne soient pas aberrantes ;
c'est-à-dire qui soient simples d’un point de vue topologique.

- Enfin, selon les études, le débit d’eau régénérée (Boix et al., 2010, 2011), la
concentration en sortie de l’unité de régénération (Feng et al., 2008) ou encore la
concentration en polluant des effluents peuvent être considérés.

Finalement, deux types de réseaux existent dans la littérature : les réseaux d’eau
monopolluants et ceux en contenant plusieurs. Les premiers sont, par exemple, ceux
rencontrés dans les industries des pâtes et papiers. En effet, ce type d’industrie utilise de très
grandes quantités d’eau et les matières en suspension (fibres de bois de différentes tailles)
sont considérés comme l’unique polluant. Les industries de peinture ou encore celles
fabriquant l’acier et les semi-conducteurs prennent également en compte un seul polluant
(Bagajewicz et Savelski, 2001). Les autres, celles impliquant plusieurs polluants, représentent
notamment les raffineries, au sein desquelles circulent des sels, des hydrocarbures ou des
solides en suspension ; mais aussi, les industries pétrochimiques ou encore les industries
textiles ou agroalimentaires.

Afin de mener à bien ce problème d’allocation de réseaux d’eau, et afin de le situer par
rapport aux études antérieures, un état de l’art des techniques disponibles d’intégration des
procédés est exposé ci-après.

2. Les techniques d’intégration des procédés pour l’optimisation des

réseaux d’eau
Le concept d’intégration des procédés (IP) consiste en une approche systémique ayant
pour objectif premier la réduction de l’utilisation des ressources naturelles au sein de

- 32 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

complexes industriels (El-Halwagi, 2006). Les ressources naturelles considérées dépendent du

domaine industriel étudié et sont en général représentées par l’eau, l’énergie ou d’autres
matières premières. Enfin, l’intégration des procédés vise également une réduction des
émissions de gaz à effet de serre ainsi qu’une minimisation des rejets d’effluents pollués dans
l’environnement (Dunn et El-Halwagi, 2003). Récemment, les méthodologies mises en œuvre
pour concevoir un système industriel ont pris en compte l’aspect environnemental de la
solution en évaluant son coût pour l’entreprise (coûts d’opération et d’investissement,…)
(Taal et al., 2003).

L’intégration des procédés étant une méthodologie générale, ses concepts permettent
d’être utilisés dans de nombreuses branches d’industries chimiques : raffineries (Takama et
al., 1980 ; Savelski et al., 1999), pétrochimie (Mann et Liu, 1999), industries des pâtes et
papiers (Yang et al., 2000 ; Jacob et al., 2002 ; Manan et al., 2006), agroalimentaire (Klemes
et al., 1999 ; Thevendiraraj et al., 2003) ou encore dans le textile (Wenzel et al., 2002). Les
techniques d’intégration des procédés peuvent être utilisées soit pour concevoir une industrie,
c’est alors un problème d’allocation de réseau (Feng et al., 2008); soit pour améliorer
(retrofit) un procédé déjà existant (Zhu et al., 2000 ; Du et al., 2004). Dans les deux cas, une
intégration des procédés doit mener à répondre aux questions suivantes :
- Quels sont les courants d’eau pouvant être directement réutilisés ?
- Quelle est la charge optimale en polluant que chaque courant d’eau doit
transporter ?
- Quelle est la configuration optimale du système dans sa globalité ?
- Quelle est la meilleure façon d’allouer les courants d’eau allant d’une unité à une
autre ?
C’est à la fin des années 70 et dans les années 80 que les premières contributions
systémiques ont vu le jour dans le but de proposer des outils pour l’intégration des procédés
au sein des réseaux d’échangeurs de chaleur (Heat Exchanger Network – HEN) (Linnhoff et
Flower, 1978 ; Linnhoff et al., 1979, 1982; Linnhoff et Hindmarsh, 1983 ; Belkebir et al.,
1989 ; Guiglion et al. 1989a, 1989b). L’application de ces outils à la conception des réseaux
d’eau a débuté en 1980 avec le travail de Takama et al. (1980). Ce sont les premiers auteurs à
avoir formulé un problème d’allocation de réseaux d’eau incluant des unités de procédé et de
régénération dans une raffinerie pétrochimique. Ils ont aussi été les premiers à utiliser une
technique d’optimisation basée sur le concept de superstructure pour traiter le problème. Suite
- 33 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

à ce travail, ce n’est qu’une quinzaine d’années plus tard qu’une série de publications
concernant la conception de réseaux d’eau est apparue, débutant avec une étude significative
de Wang et Smith (1994).

Afin de minimiser l’approvisionnement en eau, et également le rejet d’eaux usées d’un

réseau d’eau industriel, trois importantes technologies sont utilisées lors de sa
conception /amélioration (Iancu, 2007 ; Feng et al., 2008):
- En réutilisant directement (lorsque cela est possible) les eaux usées sortant des
unités de procédés vers ceux pouvant accepter une eau de telle nature (Reuse).
- En traitant l’eau utilisée dans les procédés via une unité de régénération avant
qu’elle ne soit rejetée dans l’environnement et en autorisant la réutilisation entre
procédés comme dans le premier cas (Regeneration reuse).
- En traitant et recyclant l’eau : dans ce cas, les unités de procédés réutilisent l’eau
venant d’être traitée par l’unité de régénération ainsi que celle des unités de
procédé (Regeneration recycling) (Figure I-6).

Figure I-6. Schéma d’un réseau impliquant un traitement, une réutilisation et un recyclage de l’eau
(Feng et al., 2008).

Pour mémoire, signalons enfin le principe à l’origine d’industries « propres » qui

consiste à essayer de retirer la pollution de la matière première (et à la valoriser séparément)
avant d’entreprendre le procédé proprement dit (cas des industries d’évacuation d’amidon).
Dans cette étude, c’est le troisième cas qui est considéré car de tels réseaux peuvent
considérablement réduire la consommation d’eau fraîche et le rejet des eaux usées. De plus,

- 34 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

ce type de réseaux incluent des solutions pour lesquelles le rejet zéro est réalisable puisque
l’eau est réutilisée au sein du même réseau.
Les outils disponibles pour l’intégration des procédés sont divers et regroupent de
nombreuses techniques. Cependant, ces dernières peuvent être classifiées en deux grands
groupes : les approches graphiques et les techniques d’optimisation mathématique.

- Approches graphiques : elles sont basées sur des principes thermodynamiques et

prennent en compte la quantité de charge transférée au sein des courants d’eau
entre les différents procédés. Leur application nécessite deux étapes : trouver dans
un premier temps le minimum de la consommation d’eau fraîche pour tout le
réseau puis dans un second temps, une fois que la valeur cible est déterminée, il
s’agit de concevoir la topologie du réseau (Wang et Smith, 1994).

- Techniques de programmation mathématique : l’optimisation est un autre outil

disponible pour l’intégration des procédés. Elle conduit à la détermination des
« meilleures » solutions parmi un très grand ensemble de possibilités (El-Halwagi,
2006). Des algorithmes spécifiques sont utilisés dans le but de générer cet
ensemble de solutions répondant à des contraintes précises et satisfaisant une ou
plusieurs fonctions objectifs.

3. Méthodes graphiques pour l’intégration des procédés

3.1 Analyse du pincement hydraulique

La méthode, essentiellement graphique, se résume en deux principales étapes :

répertorier les courants « demande » et « source », et estimer les débits et concentrations du
polluant dans chacun des courants. Deux courbes sont ainsi tracées dans un diagramme
« charge polluante /débit », une pour les sources et l’autre pour les demandes (Figure I-7). En
faisant « coulisser » les deux courbes l’une vers l’autre jusqu'à ce qu’elles se touchent sans se
croiser, on atteint le point de pincement (Wang et Smith, 1994, 1995). Ce point indique
plusieurs informations :
- La quantité suffisante et minimale d’eau fraîche à fournir au procédé.
- La quantité maximale d’eau usée à rejeter.

- 35 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Figure I-7. Diagramme du pincement hydraulique (Wang et Smith, 1994).

Depuis l’étude de Wang et Smith (1994), de nombreux développements dans la

conception des réseaux de recyclage et de régénération à l’aide de méthodes graphiques ont
été réalisés. Ces derniers démontrent que pour une certaine concentration post-régénération, la
concentration optimale de régénération est identique à la concentration du pincement du
système. En 1996, Dhole et al. présentent une méthode graphique alternative permettant
d’éliminer les limitations que présentaient la publication originale (pertes d’eau, gains,
etc.…). Leur méthode divise le problème en deux régions distinctes : au-dessus et en dessous
du point de pincement (figure I-8). Pour atteindre la valeur minimale cible, l’eau fraîche
entrant dans le réseau ne doit pas se situer dans une région en dessous du pincement et les
sources sur le pincement ne doivent pas être rejetées telles quelles.

Figure I-8. Diagramme du pincement (Dhole et al., 1996).

Plus tard, Mann et Liu (1999) montrent que, dans certains cas, les deux concentrations
(du point de pincement et en sortie de l’unité de régénération) ne sont pas totalement

- 36 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

identiques, et que la concentration du pincement du système est en dessous de celle de la

régénération. Dunn et Wenzel (2001) ont effectué une étude en plusieurs volets portant sur les
techniques de conception des réseaux d’eau dans le cadre de la synthèse des procédés. Dans
une première étude qui traite plus particulièrement de la conception dans le cas où un seul
polluant est présent, ils utilisent la technologie du pincement.

Jacob et al. (2002) automatisent cette méthode en créant un algorithme implémentant

les propriétés citées ci-dessus à partir de données de base (débits, concentrations…). La
principale limitation de cette technique est qu’il faille traiter chaque partie du procédé d’une
même usine séparément car on ne peut tenir compte que d’un seul polluant à la fois. Au cours
de la même année, Hallale (2002) crée une nouvelle méthode visant à atteindre le minimum
d’eau fraîche et d’eau usée. Cette dernière est similaire à celle de Dhole et al. (1996) : pour
obtenir les courbes composites des sources et des demandes, elle utilise la pureté de l’eau à la
place des concentrations de polluants. La pureté est calculée comme étant le rapport entre les
concentrations en polluants dans l’eau relativement à l’eau pure. Dans un cadre plus général,
Savulescu et al. (2005a, b) ont étudié la possibilité de minimiser simultanément les
consommations d’énergie et d’eau dans des réseaux avec une réutilisation maximale de l’eau.
Ils utilisent des méthodes graphiques pour satisfaire les critères. Plus récemment, Feng et al.
(2007), proposent une méthode graphique pour démontrer que la concentration optimale de
régénération ne dépend pas de la concentration de pincement mais de l’allure des courbes
composites. Une étude similaire a été réalisée par Jidong et al. (2008) au sein d’une industrie
papetière réelle. Leur cas comporte sept unités de procédé, un seul contaminant ainsi qu’une
unité de régénération. Leur analyse réduit la consommation d’eau de 90 m3 à 2 m3 par tonne
de papier produit pour l’usine considérée.

3.2 Autres techniques

Des approches complémentaires à celle du pincement hydraulique sont exposées dans

divers travaux basés sur les méthodes sources/demandes (Kuo et Smith, 1998, Feng et Seider,
2001, El-Halwagi, 1997 ; El-Halwagi et al., 2003; Kazantzi et el-Halwagi, 2005; Prakash et
Shenoy, 2005; Bandyopadhyay, 2006; Manan et al., 2006; Tan et al., 2007). Récemment,
Manan et al. (2006) publient une méthode basée sur celle du pincement. Ils proposent de
coupler cette dernière avec un algorithme stochastique et appliquent la méthodologie sur
l’étude d’une industrie papetière Malaisienne (Wan Alwi, 2007, Manan et al., 2006).
- 37 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

3.3 Conclusion
Les techniques graphiques peuvent s’avérer d’une grande utilité dans des cas simples
avec des systèmes a un seul polluant, elles ne sont pas encore adaptées pour la conception de
réseaux d’eau dans des industries, telle que les industries pétrochimiques ou les raffineries où
de nombreux polluants sont mis en jeu : sels divers et variés, hydrocarbures, et solides en
suspension. Par ailleurs, elles sont limitées au cas monocritère de la minimisation de la
consommation d’eau fraîche pour un réseau considéré. Elles sont inadaptées au traitement de
problèmes multicritères, qui sont actuellement récurrents en ingénierie et en particulier dans le
domaine de la conception de réseaux d’eau industrielle. Enfin, ces méthodes sont
essentiellement basées sur les concepts « sources/demandes » ; ainsi les courants ne peuvent
pas circuler de façon des demandes vers les sources. Ceci est pourtant souvent le cas lorsque
par exemple une unité de procédé redistribue son eau usée vers une autre unité ; cette
méthode limite ainsi l’espace des solutions obtenu. Pour ces raisons, elles n’ont pas été
retenues dans la présente étude.

4. Méthodes d’optimisation mathématique pour l’intégration des

procédés
4.1 Méthodes d’optimisation

Il existe de nombreuses méthodes d’optimisation, celles étant les plus couramment

utilisées sont regroupées dans la figure I-9. On distingue deux grandes classes de méthodes.
D’une part, la programmation linéaire qui est utilisée pour obtenir une solution optimale à des
problèmes parfaitement décrits et représentés par un ensemble d’équations linéaires. Selon
que le problème comporte des variables entières ou non, on distingue ainsi les MILP (Mixed
Integer Linear Programming) des LP (Linear Programming). D’autre part, la programmation
non linéaire sert à résoudre des problèmes décrits par des équations non linéaires. Elle
regroupe deux grandes familles de méthodes : les procédures déterministes et les algorithmes
stochastiques.
L’intégration des procédés consiste en une approche systémique utilisée pour lier les
différentes unités d’un procédé et les divers équipements dans le but d’obtenir de meilleures
solutions pour la conception et la fonctionnalité du réseau d’eau étudié. Depuis une quinzaine
d’années, de nombreuses contributions optent pour une des méthodes exposées ci-dessus pour
- 38 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

optimiser les réseaux d’eau industriels. Une revue des techniques utilisées est illustrée dans la
figure I-10, où les réseaux monopolluants sont séparés des réseaux multipolluants car leurs
méthodes de résolution diffèrent.

Figure I-9. Classification des principales méthodes d’optimisation

(Garcia et al., 2005).

Cette figure met en évidence plusieurs tendances :

- Les réseaux d’eau ne contenant qu’un seul polluant ont été très largement étudiés à
l’aide de techniques graphiques incluant notamment la technique du pincement. Toutefois, des
approches de programmation mathématique sont également utilisées pour étudier ce type de
réseau avec une prédominance des formulations non linéaires.

- L’étude des réseaux multipolluants est menée par deux principales approches : la
programmation mathématique non linéaire et les algorithmes génétiques.

- 39 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Figure I-10. Revue des études concernant l’optimisation des réseaux d’eau industriels monopolluants et
multipolluants.

(1) : Rossiter et Ravi, 1995 ; Dunn et al., 2001 ; Feng et al., 2008.
(2) : Takama et al., 1980 ; Bagajewicz et al., 2000 ; Dunn et al., 2001; Savelski et Bagajewicz, 2003 ; Feng et
al., 2008 ; de Faria et al., 2009 ; Teles et al., 2009 ; Ahmetovic et Grossmann, 2010.
(3) : Quesada et Grossmann, 1995 ; Huang et al., 1999 ; Gunaratnam et al., 2005 ; Karuppiah et Grossmann,
2006 ; Feng et al., 2008.
(4) : Galan et Grossmann, 1998 ; Yang et al., 2000 ; Savelski et Bagajewicz, 2003 ; Feng et al., 2008 ; de Faria
et al., 2009 ; Boix et al., 2011.
(5) : Savelski et Bagajewicz, 2000 ; Bagajewicz et Savelski, 2001.
(6) : Koppol et al., 2004 ; Poplewski et al., 2010 ; cette étude.
(7) : Tsai et Chang, 2001 ; Coello-Coello et al., 2002 ; Zheng et al., 2003, 2006 ; Poplewski, 2004 ; Prakotpol et
Srinophakun, 2004 ; Shafiei et al., 2004 ; Keedwell et Khu, 2005 ; Lavric et al., 2005 ; Cao et al., 2007 ;
Tudor et Lavric, 2010.
(8) : Wang et Smith, 1994, 1995 ; Dhole et al., 1996 ; El-Halwagi, 1997 ; El-Halwagi et al., 2003 ; Olesen et
Polley, 1996 ; Kuo et Smith, 1998 ; Mann et Liu, 1999 ; Dunn et Wenzel, 2001 ; Feng et Seider, 2001 ;
Jacob et al., 2002 ; Hallale, 2002 ; Kazantzi et el-Halwagi, 2005 ; Prakash et Shenoy, 2005 ;
Bandyopadhyay, 2006 ; Manan et al., 2006 ; Wan Alwi, 2007 ; Gomes et al., 2007 ; Tan et al., 2007 ;
Jidong et al., 2008.
(9) : Manan et al., 2006 ; Wan Alwi et al., 2008.
(10) : Alva-Argaez et al., 2006 ; Statyukha et al., 2008 ; Poplewski et al., 2011.

4.2 Les méthodes stochastiques

Ces méthodes sont particulièrement adaptées à des problèmes de type « boîte noire »
où aucune propriété mathématique du problème n’est connue ; il suffit de savoir évaluer les
critères et les contraintes pour un jeu donné de valeurs des variables indépendantes. Malgré

- 40 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

leur facilité de mise en œuvre et leur capacité à s’extraire des optima locaux en autorisant
certaines dégradations des critères, leurs conditions de convergence ne sont pas clairement
établies. Ces méthodes consistent à faire évoluer une ou plusieurs solutions initiales à l’aide
de règles probabilistes mimant souvent un processus naturel. Par exemple, on peut citer les
algorithmes génétiques (Holland, 1975 ; Chafekar et al., 2005 ; Jezowski et al., 2007), le
recuit simulé (Kirkpatrick, 1983), les systèmes immunitaires artificiels (Farmer et al., 1986),
les colonies de fourmis (Dorigo, 1992 ; Maier et al., 2003), les essaims de particules
(Kennedy et Eberhart, 1995), les abeilles artificielles (Nakrani et Tovey, 2004) et les réseaux
de neurones (Ang et al., 2007). Toutefois, en présence de contraintes égalité difficiles à
satisfaire de par les ordres de grandeur très disparates des termes impliqués (ici la tonne et le
gramme), ces méthodes doivent faire appel à un solveur externe à chaque mouvement sur les
variables, ce qui peut pénaliser énormément leur temps de calcul. Elles n’ont donc pas été
retenues dans cette étude.

4.3 Les méthodes déterministes

Ces méthodes requièrent la connaissance de certaines propriétés mathématiques du

problème telles que la convexité ou la dérivabilité des critères et leurs conditions de convergence
sont théoriquement établies. De la même manière que pour la programmation linéaire, elles
peuvent soit être de type MINLP (Mixed Integer Non Linear Programming) si elles incluent des
variables entières ou NLP (Non Linear Programming) dans le cas inverse. Avant de procéder au
choix d’une procédure d’optimisation déterministe, il est nécessaire d’analyser la modélisation du
problème de conception de réseaux d’eau industrielle.

5. Modélisation des réseaux d’eau industriels

L’utilisation de programmes mathématiques pour la conception et l’intégration de
procédés, consiste en trois étapes majeures (Grossmann et al., 2000) :

- La représentation de toutes les possibilités parmi lesquelles la solution optimale est

extraite par définition d’une superstructure.

- La formulation d’un modèle mathématique incluant généralement des variables

discrètes et continues. Les principaux composants d’un modèle sont : a) les critères à
- 41 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

optimiser qui s’expriment sous forme d’une fonction mathématique et b) les

contraintes qui peuvent être soit de type égalité, soit inégalité.

- La résolution du modèle mathématique afin de déterminer une ou plusieurs solutions

optimales.

5.1 Concept de superstructure

Une superstructure est définie comme l’ensemble de toutes les connexions possibles
pour un réseau. Les questions posées sont alors: a) A partir d’un ensemble de possibilités
devant être analysées, quels sont les principaux types de représentation pouvant être utilisés et
quelles sont leurs implications sur la modélisation mathématique ? b) Pour une représentation
donnée et sélectionnée, quelles sont les différentes propriétés garantissant que l’optimum
global peut être atteint ?

Pour le problème considéré ici, les différents éléments entrant dans la représentation d’une
superstructure pour un réseau d’eau sont les suivants:

Mélangeur Diviseur

Unité de procédé Unité de traitement

Figure I-11. Eléments composant une superstructure de réseau d’eau

5.2 Optimisation monocritère

La formulation monocritère est la plus ancienne pour les problèmes d’optimisation,

elle s’écrit (Bierlaire, 2006) :

- 42 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Min
Avec
Et

Où f est une fonction de R n1 × [0, 1]n2 dans R , , .

Ici, f(x) est la fonction objectif, les vecteurs et représentent respectivement

m contraintes d’inégalité et p contraintes d’égalité. Cet ensemble de contraintes délimite un
espace restreint de recherche de la solution optimale. Les problèmes d’optimisation sont donc
non linéaires ou linéaires en fonction du type d’équations qui les composent et continus ou
discrets selon le type de variables. D’où la distinction réalisée dans la figure I-10 entre
LP/MILP et NLP/MINLP.

5.2.1 Programmation linéaire (LP/MILP)

Relativement peu de modèles de programmation linéaire sont publiés pour optimiser

les réseaux d’eau monopolluants (Savelski et Bagajewicz, 2000 ; Bagajewicz et Savelski,
2001 ; Koppol et al., 2004, Poplewski et al., 2010). Bagajewicz et Savelski (2001) proposent
une contribution importante dans le sens où les conditions d’optimalité dans le cas d’un
réseau monopolluant sont précisément décrites. A travers des simplifications concernant les
concentrations en polluant en sortie de chaque unité de procédé, le problème est linéarisé sous
certaines conditions. A l’issue de cette étude et malgré sa facilité d’application et de
résolution, seules deux études reprennent cette formulation (Koppol et al., 2004, Poplewski et
al., 2010). Dans ce modèle, les variables sont les débits totaux d’eau et de polluants circulant
dans le réseau, et c’est au niveau des équations que la concentration en sortie de chacun des
procédés est fixée à son maximum autorisé. Pour ces études, l’objectif minimisé est la
consommation d’eau fraîche ou le coût global du réseau, demeurant ainsi dans le cadre de
l’optimisation monocritère.

Les avantages de ce type de méthode sont multiples : a) Des temps de résolution

infimes (de l’ordre de la seconde) comparés à ceux des autres méthodes, b) Une convergence
rapide et quasiment automatique vers un optimum global, c) La phase d’initialisation n’est pas
nécessaire comme dans le cas des modèles non linéaires.

- 43 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

5.2.2 Etudes antérieures basées sur la programmation mathématique non

linéaire

Le problème d’allocation des réseaux d’eau est généralement formulé à l’aide d’un
programme non linéaire (NLP) ou d’un programme non linéaire à variables mixtes (MINLP)
dans le cas où il prend en compte le nombre de connexions dans le réseau (cf. Figure I-10
pour les références). En effet, dans sa formulation mathématique, il contient des contraintes
non linéaires comportant des termes bilinéaires dus aux produits des débits par les
concentrations en polluant (Jezowski, 2008).

Le modèle proposé par Rossiter et Ravi (1995) de type NLP est appliqué à une
raffinerie. Les auteurs minimisent un seul objectif : la consommation d’eau fraîche entrant
dans le réseau. Quesada et Grossman (1995) et plus tard Galan et Grossman (1998) et Huang
et al. (1999) introduisent une stratégie de type MINLP. Le principal problème mis en
évidence dans ces études est le temps de calcul trop important notamment si la complexité du
problème augmente à cause du nombre de procédés ou de polluants. Yang et al. (2000) optent
également pour une programmation mathématique de type non linéaire afin de concevoir un
réseau avec unité de régénération impliquant plusieurs polluants. Les auteurs se focalisent
alors sur l’optimisation du réseau annexe de réutilisation des eaux blanches dans le cas de
l’industrie papetière. Ils aboutissent à la conception d’un réseau optimal mais toujours avec
une optimisation monocritère (minimisation de la consommation d’eau fraîche).

Dans la deuxième partie d’une publication de 2001, Dunn et al. (2001) utilisent le
logiciel LINGO pour résoudre le problème. L’étude concerne un réseau d’eau au sein d’une
industrie contenant plusieurs contaminants et un réseau de régénération des eaux usées. De
façon analogue à la résolution effectuée dans la première partie de leur étude pour un seul
polluant (Dunn et Wenzel, 2001), le problème est non linéaire. La fonction-objectif choisie est
la minimisation des rejets d’effluents, il s’agit donc également d’une optimisation monocritère
d’un réseau d’eau ayant permis de placer des unités de régénération de façon optimale dans le
réseau.

Gunaratnam et al. (2005) utilisent une stratégie relativement complexe pour résoudre
le problème incluant plusieurs polluants. La méthode exposée consiste à résoudre le problème
sous forme linéaire en se plaçant aux concentrations maximales autorisées. Les valeurs
- 44 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

obtenues lors de cette première étape servent alors comme valeurs d’initialisation au MINLP.
Ils implémentent cette procédure à l’aide du logiciel GAMS (General Algebraic Modelling
System).

En 2006, Karuppiah et Grossmann travaillent sur l’algorithmique de la résolution du

modèle MINLP. En effet, la non-convexité du problème engendre des difficultés de
convergence lors de la résolution ; de plus, la solution retournée peut être un optimum local et
non global. Ainsi, dans cette étude, un algorithme de type « branch-and-cut» est couplé à un
algorithme de type « branch-and-bound » pour accélérer la convergence de ce dernier.

Plus récemment, une quantité relativement importante de travaux apparait ; celle-ci

concerne l’optimisation des réseaux d’eau multipolluants selon plusieurs objectifs sur
différents exemples (Savelski et Bagajewicz, 2003 ; Isafiade et Fraser, 2008 ; Feng et al.,
2008 ; de Faria et al., 2009 ; Teles et al., 2009 ; Ahmetovic et Grossmann, 2010). Dans ces
travaux, la même méthodologie est appliquée : elle consiste à résoudre le problème
d’optimisation à l’aide de solveurs globaux tels que CONOPT (Ahmetovic et Grossmann,
2010), BARON (Teles et al., 2009) ou LINGO (Feng et al., 2008) le plus souvent à l’aide de
la bibliothèque GAMS. En prenant en compte les importances relatives de différents critères,
une optimisation séquentielle monocritère est mise en œuvre pour résoudre ces problèmes
multiobjectifs. La consommation d’eau fraîche, le débit d’eau régénérée, le coût global du
réseau ou la charge en polluant jetée à l’égout sont minimisés, ce qui correspond à différents
modèles mathématiques, ou fonction-objectifs. En résolvant ces modèles pas par pas, un
réseau efficace de recyclage et de régénération des eaux peut être construit. Contrairement à la
méthode Weighted-Sum, où une somme pondérée des critères est optimisée, et qui relève des
méthodes d’optimisation multicritère par scalarisation, le facteur de pondération est affecté à
chacune des fonctions après leur optimisation individuelle. Cette procédure est donc en fait
une séquence d’optimisations monocritères.

Finalement, une résolution à l’aide d’une procédure de type NLP/MINLP présente

certains inconvénients tels qu’une difficulté lors de la phase d’initialisation du problème
(Karuppiah et Grossmann, 2006), ainsi qu’une convergence vers une solution optimale au
sens global souvent difficile à obtenir. En effet, de nombreux solveurs retournent uniquement
une solution locale si la fonction est de type non-convexe (Jezowski, 2008).

- 45 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

Malgré ces inconvénients, les études antérieures montrent des résultats intéressants
concernant la minimisation d’eau fraîche. Dans les études précédemment évoquées, des gains
significatifs sont obtenus puisque le réseau optimal atteint le minimum d’eau fraîche possible
(Bagajewicz et al., 2002; Feng et al., 2008 ; Ahmetovic et Grossmann, 2010). De plus, un des
principaux avantages de cette méthode est d’être polyvalente puisqu’elle résout aussi bien les
réseaux monopolluants que multipolluants. Enfin, il est important de noter le manque de
travaux étudiant le problème selon plusieurs objectifs simultanés malgré son importance dans
le contexte environnemental actuel.

5.2.3 Autres modèles mathématiques

Des approches mathématiques complémentaires ont également été mises en œuvre

pour pallier les inconvénients précédemment évoqués. La première étude concernant les
réseaux d’eau date de 1980 (Takama et al., 1980), dans laquelle les auteurs proposent un
modèle analogue aux modèles de transport utilisés dans les réseaux d’acheminement des
matières premières, comme le gaz naturel par exemple (Han et al., 2004). Pour formuler le
modèle, les auteurs assimilent le polluant comme une entité pouvant être transportée des
sources (courants sortant des unités riches en polluant) vers des demandes (courants d’eau
pauvres en polluants). La solution de ce problème consiste donc à déterminer le débit d’eau
minimum associé aux courants pauvres de façon à pouvoir transférer tout le polluant des
sources vers les demandes.
Suh et Lee (2002) proposent une méthode basée sur le paramètre d’incertitude
fournissant des résultats robustes vis-à-vis d’aspects économiques et techniques. Le paramètre
d’incertitude est représenté par différents scénarii et la probabilité qui leur est associée. Ce
problème de conception peut alors être formulé sous forme de plusieurs problèmes NLP
multi-scénarii minimisant le coût (NPC – Net Present Cost). Plus récemment, Feng et Chu
(2004) décomposent le réseau en plusieurs sous-systèmes : un réseau contenant les unités de
procédés, un second incluant uniquement des unités de régénération et enfin une unité traitant
l’eau avant de la rejeter à l’égout. C’est ensuite trois NLP qui sont résolus de façon
séquentielle.

- 46 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

5.3 Optimisation multicritère

La présente étude est effectuée dans un cadre multicritère où plusieurs objectifs

antagonistes doivent être optimisés simultanément. On peut envisager par exemple un critère
économique, un critère lié à la consommation d’eau fraîche, un autre relatif à l’eau régénérée,
et un critère traduisant la complexité du réseau à travers le nombre de connexions. La
formulation générale d’un problème d’optimisation multicritère s’écrit :

Min [f1(x),f2(x),…, fk(x)]

Avec

Et

où fi (i =1, k) est une fonction de R n1 × [0, 1]n2 dans R , , .

De façon générale, ce type de problème possède un ensemble de solutions non

dominées représentées graphiquement par un front de Pareto. Un tel front est en fait une
courbe d’équilibre telle que l’on ne puisse pas améliorer l’un des critères sans en dégrader au
moins un autre.

Seules quelques études proposent une optimisation multicritère (Vamvakeridou-

Lyroudia et al., 2005 ; Farmani et al., 2006 ; Mariano-Romero et al., 2007; Tanyimboh et al.,
2010). Les deux études de 2005 et 2007 portent sur l’optimisation de réseaux exclusivement
monopolluants selon deux objectifs : la consommation d’eau fraîche et le coût
d’investissement du réseau, dans leur cas un réseau de distribution. Les auteurs couplent les
principes de l’analyse du pincement avec une programmation mathématique pour obtenir des
solutions mais aucune aide à la décision n’est proposée finalement. Farmani et al. (2006) et
Tanyimboh et al. (2010) explorent l’optimisation multiobjectif via les algorithmes génétiques
avec, pour domaine d’application, les réseaux de distribution d’eau.

Malgré leur utilité dans ce domaine, relativement peu d’études présentent une réelle
vision d’un ensemble de solutions optimales ainsi que des procédures d’aide à la décision
permettant de sélectionner une ou plusieurs « bonnes » solutions sur le front de Pareto. Cette
rareté de travaux concernant l’optimisation multicritère des réseaux d’eau industrielle a
constitué la motivation majeure de la présente étude.

- 47 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

6. Stratégies utilisées et plan de l’étude

6.1 Choix de la procédure d’optimisation multicritère

Rappelons que les méthodes stochastiques, en particulier les algorithmes génétiques

très fréquemment mis en œuvre dans la cadre de l’optimisation multiobjectif, n’ont pas été
retenues, par suite de la présence de contraintes égalité mal conditionnées. En effet, les
équation de bilans nécessitent d’être résolues avec une tolérance inférieure à 10-15, en d’autres
termes elles doivent être vérifiées « exactement » ; si cette condition n’est pas remplie, le
problème ne peut pas être résolu (Boix et al., 2011).

Dans ce travail, nous avons choisi de résoudre le problème de conception de réseaux

d’eau à l’aide d’une programmation mathématique déterministe. Celle-ci nécessite
l’utilisation d’une procédure NLP (nonlinear programming) ou MINLP (mixed integer non
linear programming) dans le cas où le nombre de connexions doit être comptabilisé car il
requiert l’introduction de variables binaires. L’espace multidimensionnel R n1 × [0, 1]n 2 dans
lequel se situe l’étude n’étant pas pourvu d’une relation d’ordre total, l’utilisation de
méthodes déterministes dans un cadre multicritère est effectuée par le biais des méthodes de
scalarisation, où le problème multiobjectif est transformé en un problème monobjectif
admettant les mêmes solutions.

Miettinen (1999) effectue une revue de différentes techniques et Engau and Wiecek
(2005) présentent sept types de méthodes de scalarisation, mais les deux plus populaires sont
la méthode des sommes pondérées (Weighted Sum - WS) et ε- contrainte (ε-C). La procédure
WS est fondée sur une fonction de recouvrement, somme convexe pondérée des divers
critères, qui contient les contributions de chacune des fonctions objectif. Les facteurs de
pondération sont attribués a priori, puis modifiés pour obtenir le front de Pareto, c'est-à-dire
l’ensemble des solutions non dominées (ou solutions satisfaisantes). Le problème majeur de
cette méthode est la variation des facteurs de pondération qui conduit souvent à des fronts de
Pareto comportant une faible densité de solutions (thèse en cours de G. Hernandez-Rodriguez,
2011). Dans la méthode ε-C, qui a été retenue dans cette étude, un seul critère est optimisé
alors que les autres sont introduits en tant que contraintes bornées supérieurement. En faisant
varier les valeurs numériques des bornes supérieures, on peut obtenir un front de Pareto.
Toutefois la difficulté majeure de cette méthode réside dans la détermination des Nadir points

- 48 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

(points où les critères prennent leurs plus mauvaises valeurs). Les travaux récents de
Mavrotas (2009) ont apporté un éclairage nouveau sur ce problème, et c’est pourquoi la
méthode ε-C a été choisie pour traiter le problème multicritère; elle est décrite dans le chapitre
suivant.

Enfin, se pose la question du choix d’une ou plusieurs « bonnes » solutions sur le front
de Pareto. A cet effet, un nouvel indicateur économique est mis en place dans le chapitre
suivant : le coût équivalent global (CEG) mesuré en débits d’eau équivalents. Ce nouvel outil
permet d’exprimer le coût total d’un réseau en termes de quantité d’eau fraîche et non en unité
monétaire (Boix et al., 2011).

6.2 Choix de l’algorithme et du logiciel

De nombreux progrès ont été réalisés dans les années 1950 et 1960 avec le
développement d’algorithmes et de codages informatiques pour résoudre des problèmes
d’optimisation de tailles relativement importantes. Toutefois, dans les années 1970, le nombre
d’applications de ces outils a été plus faible que ce qui était attendu en raison de la difficulté à
modéliser les problèmes. En effet, dans un processus d’optimisation, la majeure partie du
temps de travail est consacrée au développement du modèle, à sa transformation, ainsi qu’à sa
préparation en vue de l’optimiser. Chaque modèle demandait ainsi de nombreuses heures de
travail afin d’écrire le programme qui transformerait les données dans une forme acceptée par
les logiciels optimiseurs. Il était alors difficile de détecter et d’éliminer des erreurs car les
programmes étaient uniquement accessibles aux spécialistes qui avaient écrit les codes
d’optimisation et non aux analystes qui étaient en charge du projet.

De nos jours, la plupart des logiciels d’optimisation sont accessibles sans entrer dans
le codage de l’algorithme d’optimisation. Ceci est particulièrement vrai pour le logiciel
GAMS, qui offre une grande variété de procédures d’optimisation et qui permet une
description du modèle indépendante des solutions algorithmiques. De plus, des modèles
complexes peuvent s’écrire de façon compacte et des changements dans le programme sont
relativement simples à réaliser. En fait, le logiciel possède une interface d’entrée avec un
langage particulier qui possède toutes les fonctionnalités d’un langage de programmation
dédié. Enfin, l’écriture du modèle est générique et l’on peut aisément changer le solveur selon

- 49 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

la nature du problème (linéaire, non linéaire, continu, mixte) sans avoir à modifier sa
formulation. Toutes ces raisons ont conduit à retenir le logiciel GAMS.

Les formulations linéaires, de résolution facile car la convergence est en général

immédiate, sont optimisées grâce au solveur CPLEX 9.1 utilisant l’algorithme du simplexe.
Concernant les formulations de type non linéaires, d’une façon générale, certains solveurs de
GAMS n’arrivent pas à obtenir des solutions NLP à cause de termes bilinéaires (non
convexes) intervenant dans les contraintes. C’est pour cette raison que les optimiseurs
globaux et robustes COIN-BONMIN 0.9 (COmputational INfrastructure - Basic Open-source
Nonlinear Mixed Integer Programming, avec la bibliothèque Bonmin 0.99 qui utilise
MUMPS 4.7.3) (Bonami et al., 2006) et COIN-COUENNE 0.3 (Convex Over and Under
ENvelopes for Nonlinear Estimation) sont choisis pour résoudre les problèmes de type NLP et
MINLP.

Le premier utilise différents algorithmes exacts pour optimiser des problèmes dont les
fonctions sont convexes et heuristiques lorsqu’elles sont non-convexes (Bonami et al., 2008).
Les algorithmes sont : un algorithme par séparation et évaluation progressive (Branch and
Bound), des méthodes à chemin irréalisable, des algortithmes Branch-and-cut ainsi que des
approches combinant tous ces algorithmes simultanément. Le solveur COIN-COUENNE est
spécialisé dans la résolution de problèmes non-convexes. Il implémente une linéarisation au
sein d’une procédure par séparation et évaluation progressive.

7. Plan de l’étude
Les pressions économiques et environnementales actuelles impliquent d’obtenir des
réseaux d’eau industrielle optimisés selon des critères antagonistes. Dans ce premier chapitre,
en s’appuyant sur une analyse bibliographique, les choix primordiaux concernant cette étude
ont été effectués (programmation mathématique déterministe, méthode ε-C, logiciel GAMS).

Dans le deuxième chapitre, la formulation du problème est exposée dans son cadre le
plus général et adaptée ensuite aux réseaux n’impliquant qu’un seul polluant. Des réseaux
provenant d’exemples de la littérature sont étudiés afin de valider la méthode. Enfin une

- 50 -
 CHAPITRE I – Motivations de l’étude : analyse bibliographique et position du problème

procédure d’aide à la décision basée sur un nouvel indicateur économique est proposée pour
obtenir un « bon » compromis parmi les fronts de Pareto.

Le troisième chapitre a pour but l’étude des réseaux multipolluants qui sont les plus
courants dans l’industrie des procédés. Bien que leur résolution soit plus complexe, l’étude
multiobjectif présentée dans cette thèse offre l’avantage de proposer un ensemble de solutions
parmi lesquelles un réseau optimal peut être sélectionné pour chacun des exemples traités.

L’étude réalisée pour les réseaux d’eau monopolluants est étendue à l’optimisation de
réseaux d’eau et d’énergie dans le chapitre IV. Le travail consiste également à minimiser
plusieurs objectifs avec, notamment, la consommation d’énergie. Une méthodologie originale
est proposée de manière à résoudre facilement l’allocation des réseaux d’eau et de chaleur.
Plusieurs exemples, incluant en particulier un cas réel d’une industrie de pâtes et papiers, sont
étudiés.

Enfin, dans un cadre plus général, la méthodologie mise en œuvre est appliquée aux
parcs éco-industriels, grand challenge de ces dernières années, tant au plan scientifique qu’au
plan écologique, économique et sociétal. La procédure permettant d’aborder des problèmes
très complexes, elle a pu être étendue au cas des éco-parcs, incluant un grand nombre de
variables. Enfin, les parcs éco-industriels impliquant simultanément eau et énergie sont
finalement abordés.

Une conclusion générale met en lumière les principaux acquis au cours de cette étude
et dresse quelques perspectives concernant la poursuite de ce travail.

- 51 -
CHAPITRE II – Etude des réseaux d’eau
monopolluants

- 53 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Nomenclature du chapitre
Les indices i=1 et i>1 sont respectivement attribués à l’eau et aux divers polluants.
j et k représentent les unités de procédé et m et n les unités de régénération.

Wp j → k débit massique total allant du procédé j au procédé k (T/h)

Wr m→n débit massique total allant de l’unité de régénération m à l’unité de régénération n (T/h)
m→ j
Wrp débit massique total allant de l’unité de régénération m au procédé j (T/h)
Wpr j →m débit massique total allant du procédé j à l’unité de régénération m (T/h)
j
Wd débit massique total allant du procédé j à la décharge (T/h)
m
Wrd débit massique total allant de l’unité de régénération m à la décharge (T/h)
j
W1 débit total d’eau fraîche entrant dans le procédé j (T/h)

Cp ej ,i concentration du polluant i en entrée du procédé j (ppm)

Cp sj ,i concentration du polluant i à la sortie du procédé j (ppm)

Crme ,i concentration du polluant i en entrée de l’unité de régénération m (ppm)

Crms ,i concentration du polluant i à la sortie de l’unité de régénération m (ppm)

Cd i concentration du polluant i à la décharge (ppm)

ypij variable binaire du courant d’eau fraîche arrivant au procédé j, pour le polluant i

ypij → k variable binaire du courant reliant le procédé j au procédé k, pour le polluant i

ypri j →m variable binaire du courant reliant le procédé j à l’unité de régénération m, i donné

yd i j variable binaire du courant reliant le procédé j à la décharge, pour le polluant i

yrpim→ j variable binaire du courant reliant l’unité de régénération m au procédé j, pour i donné

yrim→n variable binaire du courant reliant l’unité de régénération m à l’unité n, pour i donné

C max ej ,i concentration maximale du polluant i à l’entrée du procédé j (ppm)

C max sj ,i concentration maximale du polluant i à la sortie du procédé j (ppm)

M ij charge en polluant i générée par l’unité de procédé j (g/h)

Cr max ms ,i concentration du polluant i à la sortie de l’unité de régénération m (ppm)

Rim rendement de l’unité de régénération m pour le polluant i, (0<R<1)

wpij → k débit massique du composé i allant du procédé j au procédé k (T/h)

wrim→ n débit massique du composé i allant de l’unité de régénération m à l’unité n (T/h)

wrpim→ j débit massique du composé i allant de l’unité de régénération m au procédé j (T/h)

- 54 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

wpri j →m débit massique du composé i allant du procédé j à l’unité de régénération m (T/h)

wd i j débit massique du composé i allant du procédé j à la décharge (T/h)

wrd im débit massique du composé i allant de l’unité de régénération m à la décharge (T/h)

w1j débit d’eau fraîche entrant dans le procédé j (T/h)

wp ej ,i débit massique du composé i entrant dans le procédé j (T/h)

wp sj ,i débit massique du composé i sortant du procédé j (T/h)

wrms ,i débit massique du composé i sortant de l’unité de régénération m (T/h)

U paramètre fixé à une grande valeur (c.a.d. supérieure à chaque débit massique)
F1 fonction-objectif 1 : consommation totale d’eau fraîche (T/h)

F2 fonction-objectif 2 : débit total d’eau régénérée (T/h)

F3 fonction-objectif 3 : nombre total d’interconnexions dans le réseau

FD débit d’eau rejeté à la décharge (T/h)

- 55 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

1. Introduction et motivations

D’un point de vue conceptuel, la formulation d’un problème d’optimisation peut être
définie comme une méthode visant à concevoir, à partir d’un ensemble de données et
d’équipements disponibles, un modèle satisfaisant des objectifs, des contraintes et une
topologie, tout en optimisant un ou plusieurs critères. Dans le cas des réseaux industriels
d’eau, il s’agit de construire un modèle mathématique polyvalent qui puisse être adapté aux
différents types de réseaux rencontrés dans le monde industriel.

Les étapes de construction et d’élaboration du modèle servant de base à l’optimisation

sont illustrées sur la figure II-1:

- La phase de formulation et de définition constitue la première étape. Elle nécessite

d’obtenir des informations sur le problème : cela peut provenir de l’industrie
concernée, d’expériences réelles ou encore de cas théoriques. Dans cette étape, les
objectifs doivent être clairement formulés. En fonction des données, les variables de
décision ainsi que les principes physiques appliqués pour modéliser le réseau sont
choisis.

- La deuxième étape consiste à choisir une méthode de résolution appropriée, appelée

phase de conception. Selon la formulation préalablement effectuée, une méthode de
résolution ainsi que l’outil nécessaire pour mener à bien cette résolution doivent être
sélectionnés. Dans le cas présent, l’outil regroupe l’algorithme mathématique et le
logiciel correspondant qui vont résoudre le problème.

- Enfin, une phase d’évaluation sur des cas simples permet la vérification du modèle
construit. Si les solutions obtenues ne sont pas en accord avec la réalité, il pourra être
nécessaire de revoir l’étape de formulation afin de s’assurer de la conformité du
problème.

Une fois ces étapes réalisées, les optimisations de divers exemples peuvent être
menées. Dans ce chapitre, ces différentes étapes sont exposées dans le but de proposer une
méthode globale permettant d’optimiser les réseaux d’eau industriels les plus variés.

- 56 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Expériences, Problème Objectifs d’une

réalité théorique industrie

Phase de
Formulation et de
Formulation des
Définition du
objectifs du
problème
problème, évaluation

Sélections des
variables, des
principes physiques

Développement du
Phase de
modèle, choix du
conception
Données logiciel
Estimation des
d’observations
paramètres

Phase
Validation du modèle
d’évaluation

Utilisation de Applications et
l’optimisation optimisation

Figure II-1. Schéma de la procédure globale d’optimisation (Edgar et al., 2001).

La première partie repose sur une formulation du problème dans son cas le plus
général. S’appuyant sur le concept de superstructure, elle reprend la modélisation effectuée
dans la littérature pour la majorité des réseaux d’eau industriels. Cependant, puisque cette
méthode possède certains inconvénients pour des problèmes bien particuliers, la deuxième
partie propose une formulation propre aux réseaux d’eau monopolluants. Pour chacun des cas,
des exemples de validation sont exposés afin de permettre une utilisation de ces méthodes
dans les chapitres suivants.

- 57 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

2. Formulation générale (MINLP)

2.1 Superstructure

Une programmation mathématique est utilisée dans ces travaux afin de résoudre les
problèmes d’allocation de réseaux d’eau. Dans la littérature, il est communément admis de
définir une superstructure (Takama et al., 1980 ; Bagajewicz et al., 2002 ; Grossman, 2005 ;
Feng et al., 2008). Cette étape requiert de répondre à deux principales questions :

- Lorsqu’un jeu d’alternatives possibles doit être analysé, quels sont les types de
représentations disponibles pouvant être utilisées et surtout quelles en seront les
implications sur la modélisation ?

- Pour une représentation sélectionnée, quelles sont les alternatives possibles pouvant
être incluses et garantissant qu’un optimum global est bien obtenu ?

En partant d’un nombre d’unités utilisant de l’eau, on doit aboutir à un réseau

constitué de courants (interconnexions) entre les différentes unités de façon à minimiser l’eau
fraîche qui alimente le réseau et que les besoins en termes de qualité d’eau pour les différentes
unités soient respectés. Ceci définit une superstructure qui prend en compte toutes les
possibilités de courants telles que l’illustre la figure II-2.

Figure II-2. Superstructure générale d’un réseau d’eau.

- 58 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Chaque procédé requiert des concentrations d’entrée et de sortie maximales et de

même, les unités de régénération ont une capacité de traitement fixée. L’eau fraîche entrant
est définie comme l’eau n’ayant pas encore traversé le réseau, c’est donc une eau « pure » ou
« vierge ». Pour chacun des procédés utilisant l’eau, les sources en eau peuvent être l’eau
fraîche, l’eau utilisable provenant des autres procédés et/ou l’eau directement recyclée ; tandis
qu’en sortant d’un procédé, l’eau peut aller directement à la décharge, aux autres procédés
et/ou être envoyée dans les unités de traitement. Pour une unité de traitement donnée, l’eau
entrant peut provenir des procédés et/ou des autres unités de traitement. Une certaine quantité
d’eau peut être rejetée directement à la décharge avant traitement si elle a des concentrations
en polluant peu importantes en fonction des valeurs fixées par le problème. Après avoir été
traitée, l’eau est réutilisée dans les différents procédés et/ou envoyée dans les autres unités de
régénération.

Le problème est abordé sous forme de boites noires par souci de généralisation des cas
traités. On appelle réseau en « boites noires » une représentation où il est possible de travailler
sans se préoccuper des rôles qu’ont chacun des procédés au sein du réseau afin de pouvoir
adapter les programmes écrits au plus grand nombre de réseaux possibles. Même si le rôle
exact de chacun des procédés n’est pas connu, ils doivent cependant être parfaitement définis.
En effet, pour chacun d’entre eux, il est fondamental de connaître toutes les caractéristiques
en termes de concentrations en polluants, de débits d’eau et/ou de température.

2.2 Formulation

La superstructure une fois établie, il est possible de définir le système dans sa

globalité. Les questions qui se posent sont les suivantes : quels paramètres sont fixés dans le
réseau ? Quelles sont les variables d’optimisation cherchées ? Quelles contraintes a-t-on sur la
résolution ? Et enfin, quels objectifs doit-on satisfaire ?

2.2.1 Les variables

Dans un problème d’optimisation, les variables, dites encore variables de décision,

sont les composantes du système sur lesquelles il est possible d’agir afin d’améliorer son
fonctionnement. C’est donc en faisant varier le vecteur x que l’on recherche l’optimum de la
fonction objectif choisie dans le cas monocritère, et dans le cas multicritère on recherche le
meilleur compromis possible entre les différents objectifs. Si ces variables sont au nombre de
- 59 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

n, elles sont représentées par un vecteur colonne appartenant à R n , qui s’écrit :

xT = ( x1 ,K, xn ) .

Dans la superstructure qui a été sélectionnée, comme le montre la figure 2, des

courants circulent entre les différentes composantes du réseau d’eau. Chacun de ces courants
est caractérisé par un débit d’eau et une certaine concentration en polluant(s), qu’il y en ait un
seul ou plusieurs. En effet, on cherche à déterminer la valeur du débit d’eau et de la
concentration en polluant de chaque courant du réseau de façon à optimiser le ou les différents
objectifs. Il est aussi important de noter que tous les courants décrits sont des chemins
faisables, mais qui n’existent pas forcément tous. Si, pour un courant donné, les variables
sont toutes nulles, c’est que le courant n’existe pas. Dans la suite de l’étude, les variables sont
notées selon la nomenclature donnée en début du chapitre. Nous rappelons que les débits
d’eau seront toujours attribués à l’indice i=1 et les polluants i>1.

Ainsi, dans un réseau donné, le nombre de variables dépend du nombre de procédés,

d’unités de régénération et bien sûr de polluants. A titre d’exemple, un réseau très simple de
deux procédés, un seul polluant et une seule unité de régénération en contient déjà 32.
Retenons que ce nombre augmente très vite et atteint rapidement plusieurs centaines voir des
milliers pour des systèmes ne contenant qu’un seul polluant.

En conclusion, les variables du système sont donc tous les courants caractérisés par un
débit total massique en eau et en polluant(s). Ce sont toutes ces valeurs qui varient lors de la
minimisation des objectifs et qui sont ainsi adaptés de façon optimale.

2.2.2 Les fonction-objectifs

Plusieurs objectifs peuvent être impliqués dans le cas des réseaux d’eau industriels.
Concevoir des réseaux « propres » d’un point de vue environnemental constitue un des
objectifs premiers. Cependant, afin de proposer des solutions applicables en pratique, il est
souvent nécessaire de prendre en compte l’aspect économique de façon simultanée.

Dans un premier temps, le critère essentiel à optimiser, celui qui est le plus largement
utilisé dans les travaux antérieurs, est la consommation d’eau fraîche. En effet, moins on
consomme d’eau fraîche, moins on a de chance de polluer une grande quantité d’eau ; toute
l’eau entrante est en général rejetée par la suite. Dans un souci environnemental, lorsque l’on
- 60 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

conçoit un réseau, il est important de veiller à ce que le débit d’eau fraîche consommé soit le
plus faible possible, il constitue ainsi le premier critère choisi :
 
F1 : Min ∑W1 j 
 j 
F1 représente la somme des courants d’eau fraîche alimentant chacun des procédés j.

Lorsque la consommation d’eau fraîche dans un réseau est minimisée, il est logique
que le débit d’eau à l’entrée des unités de régénération augmente. En effet, moins la source en
eau fraîche est importante, plus l’eau usée devra être traitée pour alimenter les différents
procédés. Par conséquent, c’est le second critère qui a été choisi pour l’étude, F2 :
  
F2 : Min  ∑  ∑Wr n → m + ∑Wpr j → m  
   
m n j 
F2 est la somme sur l’ensemble des unités de régénération m de la somme des courants venant
des divers procédés et des autres unités de régénération. Ce paramètre est aussi relié au coût
total de traitement des eaux usées. Plus le débit entrant dans les unités de traitement sera
élevé, plus le coût sera élevé (Wright et Woods, 1993, 1994).

Enfin, le dernier critère F3 qui peut être utilisé concerne la topologie du réseau. Les
solutions proposées doivent posséder un nombre limité de connexions. Si un réseau
consomme le moins d’eau fraîche possible et a un coût de régénération des eaux très faible, il
y a une forte probabilité pour qu’il soit très complexe. Si le nombre de connexions y est très
important, même en minimisant le coût des unités de régénération, le coût d’investissement
sera élevé. La configuration d’un réseau d’eau va influencer fortement son coût. Ainsi, le
nombre d’interconnexions dans le procédé doit aussi être minimisé.

L’existence ou non d’un courant est caractérisée par des variables binaires : 0 si le
courant n’existe pas, 1 s’il existe. Les variables binaires utilisées sont répertoriées dans la
nomenclature en début de chapitre. D’où la définition du critère F3, qui ne prend que des
valeurs entières.
    
F3 : Min ∑  ∑ ypij → k + ∑ ypri j → m + yd i j  + ∑  ∑ yrpim → j + ∑ yrim → k  
     
 j  k m  m j k 
F3 représente la somme des différentes connexions qui composent le réseau.

- 61 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

2.2.3 Les paramètres

Les paramètres sont les valeurs qui sont fixées par l’utilisateur. Ce sont des données
qui peuvent varier d’un exemple de réseau à un autre. Elles sont représentées par une étoile
sur la figure II-3. Ainsi, chaque procédé est défini par trois caractéristiques différentes : les
concentrations maximales d’entrée et de sortie ainsi que la charge en polluant qu’il génère par
son fonctionnement.

Figure II-3. Paramètres fixés par l’utilisateur (étoiles de la superstructure)

Ainsi, à l’entrée et à la sortie de chaque procédé, des fractions massiques exprimées en

unités acceptables, ont une valeur définie par l’utilisateur. Ces paramètres sont introduits dans
la formulation en tant que contraintes puisque ces valeurs représentent des bornes maximales.

Toute unité contamine l’eau à hauteur d’une certaine fraction massique en polluant,
dépendant du débit entrant et de la masse de pollution entrainée. Par exemple dans le cas du
procédé papetier, une des unités de procédé est la machine à papier. Lorsque l’eau est
introduite dans ce procédé elle peut être vierge mais la fabrication de la feuille de papier va
introduire dans l’eau une quantité importante de fibre de bois. La quantité de polluant i
engendrée par un procédé j s’exprime en débit massique soit en g/h afin que les unités soient
homogènes avec les T/h et les ppm (10-6).

- 62 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Une unité de régénération peut être définie de plusieurs façons : soit elle possède un
certain rendement, ou efficacité, en fonction du polluant qu’elle traite, soit elle traite les eaux
usées qu’elle reçoit de façon à ce qu’elles ressortent de l’unité avec une fraction massique en
polluant fixée. Lorsqu’un seul polluant circule au sein du réseau, ce sera cette dernière
solution qui sera utilisée car elle est plus en accord avec la réalité. Tandis que lorsque
plusieurs polluants sont mis en jeu, il est plus probable que chaque unité traite en particulier
un seul des polluants. Ceci constitue donc un paramètre variable selon le problème posé.

Certains travaux antérieurs (Karrupiah et Grossmann, 2008) ont étudié l'influence de

l'incertitude posée par certains de ces paramètres. En effet, la charge en polluant générée par
chacune des unités de procédé peut ne pas être connue parfaitement par l'utilisateur. Ainsi, il
peut être utile de considérer non pas une valeur définie mais une gamme de variation pour le
paramètre dans laquelle une optimisation multi-scénarii est étudiée. Ce travail peut être réalisé
en fonction des cas industriels étudiés et si le besoin est pour l'entreprise considérée.

2.2.4 Les équations

Les équations qui vont servir à modéliser le réseau, sont des équations de bilans basées
sur la conservation des débits et la conservation de la masse pour les différents courants. Dans
tous les exemples étudiés, on considèrera qu’il n’y a pas de perte d’eau. Les équations qui
suivent sont écrites dans leur forme générique avec les notations précédemment explicitées.

- Pour un procédé j, le débit total d’eau entrant est égal au débit d’eau sortant (k≠j) :

W1j + ∑Wp k → j + ∑Wrp m → j = Wd 1j + ∑Wp j → k + ∑Wpr j → m (1)

k m k m

- Pour un polluant i donné, le bilan de masse pour le point de mélange à l’entrée du

procédé j s’écrit (k≠j):

∑ (Wp ) ( )  
k→ j
× Cpks ,i + ∑ Wrp m → j × Cpms ,i = W1 j + ∑Wp k → j + ∑Wrp m → j  × Cp ej ,i (2)
k m  k m 

- Pour un polluant i donné, le bilan de masse associé au transfert de masse est (k≠j):
 j   
W1 + ∑Wp k → j + ∑Wrp m → j  × Cp ej ,i + M i j = W1 j + ∑Wp k → j + ∑Wrp m → j  × Cp sj , i (3)
 k m   k m 

- 63 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

- De même, pour l’unité de régénération m, le débit total d’eau entrant est égal au débit
total sortant (m≠n):

∑Wpr j → m + ∑Wr n → m = ∑Wrp m → j + ∑Wr m → n + Wrd m (4)

j n j n

- Le bilan de masse concernant le polluant i au point de mélange d’entrée dans l’unité

de régénération m, s’écrit (m≠n):
 
∑ (Wpr j →m
) ( )
× Cp sj ,i + ∑ Wr n → m × Crns,i =  ∑Wpr j → m + ∑Wr n → m  × Crme, i (5)
j n  j n 

- Enfin, le bilan de masse pour le polluant i à la décharge est:

 
∑ (Wd j
) ( )
× Cp sj ,i + ∑ Wrd m × Crms ,i =  ∑Wd j + ∑Wrd m  × Cdi (6)
j m  j m 

2.2.5 Les contraintes

Les contraintes d’un problème d’optimisation précisent le domaine de valeurs que

certaines des variables de décision peuvent prendre suivant les circonstances. Dans tous les
réseaux, le problème est ainsi contraint par les paramètres qui ont été explicités avant dans le
texte:
Cp ej ,i ≤ C max ej ,i (7)

Cp sj , i ≤ C max sj , i (8)

De même pour les unités de régénération, en fonction des données du problème on

utilisera soit l’équation 9 soit l’équation 10 si les rendements sont explicites:
Crms , i ≤ Cr max ms ,i (9)

m Crme,i − Crms , i
R =
i (10)
Crme, i

Dans un réseau d’eau avec régénération, le débit d’eau à l’entrée des unités de
régénération peut être supérieur à l’eau fraîche totale entrant dans le réseau. Par conséquent,
les procédés exigeant une eau de qualité supérieure à celle sortant de l’unité de régénération
- 64 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

ne pourront pas être connectés seuls à l’unité de régénération. D’une manière générale, les
procédés pourront utiliser de l’eau traitée, de l’eau fraîche ou même de l’eau provenant
directement de la sortie des autres procédés en mélange pour satisfaire leur demande
spécifique.

2.2.6 Type de formulation

Tel qu’il vient d’être formulé, le problème est de type non linéaire à cause des
bilinéarités causées par les produits des concentrations et des débits d’eau (équations 2, 3 et 5)
représentant tous deux des variables. Ce problème doit ainsi être résolu à l’aide d’une
programmation de type NLP, voire MINLP lorsque le nombre de connexions dans le réseau
est considéré.

2.3 Développement d’une méthode d’optimisation multiobjectif

La procédure est implémentée au sein du logiciel GAMS© (General Algebraic

Modeling System) (Bonami et al., 2006) grâce au solveur CONOPT. Cependant, ce logiciel
permet d’optimiser en minimisant (ou maximisant, selon les cas) un seul objectif à la fois.
Suite à la revue bibliographique effectuée dans le chapitre 1, il est important de noter que très
peu d’études réalisent une optimisation multicritère de réseaux d’eau industriels. Il est plus
commun de choisir une fonction objectif exprimant le coût total à minimiser. Cependant, dans
le contexte actuel, il est fondamental de proposer des solutions économiquement viables, tout
en minimisant leur impact environnemental; l’optimisation multiobjectif prend dès lors tout
son sens. De plus, une approche multicritère offre un ensemble de solutions, tandis qu’une
optimisation mono-objectif ne conduit qu’à une unique solution. Enfin, la solution finalement
obtenue peut ne pas être applicable au milieu industriel si elle comporte un trop grand nombre
de connexions.

Plusieurs approches permettent de prendre en compte plusieurs objectifs. Les

algorithmes génétiques, par exemple, précédemment évoqués en font partie (Tamaki et al.,
1996) mais ne sont pas utilisés dans cette étude pour les raisons exposées plus haut
(contraintes égalités très strictes). Les deux autres techniques les plus répandues sont : la
somme pondérée (Zadeh, 1963 ; Kim et de Weck, 2005) et la méthode epsilon-contrainte
(Marglin, 1967). La première consiste à attribuer a priori des poids à chacun des objectifs et à
- 65 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

minimiser la somme pondérée. Cependant elle a l’inconvénient majeur d’être beaucoup

moins représentative de cas réels en raison de la subjectivité des poids affectés. De plus, elle
est susceptible de ne pas de trouver de solutions à des problèmes localement non-convexes, ce
qui est le cas dans cette étude (Kim et de Weck, 2005). Par conséquent, une stratégie adaptée
de la méthode epsilon-contrainte est mise en place pour traiter l’allocation des réseaux d’eau
selon les différents objectifs énoncés plus haut.

L’optimisation multiobjectif est résolue à l’aide d’une optimisation lexicographique et

est inspirée de la stratégie epsilon-contrainte (Mavrotas, 2009). Elle se réalise en plusieurs
étapes afin de s’assurer que la solution obtenue est bien optimale pour l’espace considéré :

- La première étape a pour but de minimiser le premier objectif (F1) alors que le second
(F2) est introduit dans le problème en tant que contrainte bornée. Les bornes sont
choisies arbitrairement de manière à diviser l’espace de F2 en de nombreuses sections
pour avoir autant de solutions que de sections.

- Ensuite, on réitère la première étape pour chaque fourchette de l'espace de variation de

F2 compris entre les valeurs Nadir (plus mauvaise valeur du critère) et Utopia
(meilleure valeur du critère) de F2. De cette manière, un front de Pareto est tracé sur
un graphique représentant les valeurs de F2 en fonction de F1.

- Durant ces deux étapes, le troisième objectif (F3) est fixé à une valeur donnée. Les
deux premières phases sont réitérées pour chaque valeur de F3 comprise dans
l’intervalle [F3min ; F3max]. Cette démarche est possible car le cardinal de cet
intervalle est toujours réduit. Pour chaque cas particulier, les deux bornes de
l’intervalle peuvent être aisément déterminées par une simple analyse de la
superstructure.

Cette procédure permet de tracer des fronts de Pareto selon F1 et F2 pour chaque
valeur possible de F3. Ce sont ainsi des optimisations bicritères paramétrées par le nombre de
connexions dans le réseau. La figure II-4 illustre la stratégie adoptée. Si la valeur finale
obtenue est bien B-ε alors, le point (C, B-ε) est optimal pour la fourchette considérée et peut
être reporté sur le graphique. Il est procédé ainsi pour chaque fourchette [B-ε ; B+ε] de
l’espace [F2min ; F2max] et pour chaque valeur de A réalisable.

- 66 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Puisque les objectifs F1 et F2 sont antagonistes, la valeur maximale de F2 est atteinte lorsque
F1 est au minimum et inversement.

Figure II-4. Stratégie adoptée lors de l’optimisation multiobjectif

2.4 Cas des réseaux complexes

Le tableau II-1 représente le nombre de variables continues et binaires qu’un problème

MINLP pour un réseau monopolluant contient en fonction du nombre de procédés et d’unités
de régénération qui le composent.

Unités de
régénération 1 2
Procédés
Continues | Binaires Continues | Binaires
2 18 | 10 26 | 14
4 52 | 36 68 | 44
8 282 | 136 346 | 152
10 584 | 200 642 | 220
Tableau II-1. Nombre de variables pour différents nombre de procédés et d’unités de régénération.

Il est important de remarquer que le nombre de variables augmente très rapidement

lorsque des unités sont ajoutées au problème et ce, même dans le cas monopolluant. Lorsque
les problèmes sont à variables continues, ils sont considérés comme des problèmes
appartenant au domaine de l’optimisation difficile. Pour ce type d’exercice, on ne connait pas
d’algorithme permettant de repérer un optimum global à coup sûr et en un nombre fini de
calculs. Il existe toutefois un arsenal important de méthodes classiques dites d’optimisation
globale. Les méthodes les plus classiques d’optimisation globale sont les méthodes
d’optimisation par intervalles (Messine, 2006), mais compte tenu des temps de calcul, elles ne
peuvent traiter efficacement que des problèmes de tailles modestes. Cependant, si la fonction
- 67 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

objectif ne possède pas une propriété structurelle particulière, telle que la convexité,
l’optimum global sera plus difficile à obtenir.

La formulation non linéaire énoncée dans ce chapitre possède l’avantage de pouvoir

traiter tous les types de réseaux qu’ils soient monopolluants ou multipolluants, elle est
universelle dans les problèmes d’allocation de réseaux d’eau industriels. Cependant, elle a
l’inconvénient de ne pouvoir résoudre des réseaux très complexes lorsque l’on considère le
nombre de connexions et qu’une procédure de type MINLP doit être utilisée (cas
multipolluant). Quand un réseau incluant un seul polluant est optimisé selon plusieurs
objectifs, quelques simplifications peuvent être réalisées et conduisent à une résolution plus
efficace. C’est l’objet de la partie 3 de ce chapitre qui se focalise sur l’étude des réseaux
monopolluants.

3. Formulation MILP : cas des réseaux d’eau monopolluants

Cette partie a pour but de proposer une nouvelle écriture du problème dans le cas
particulier des réseaux d’eau monopolluants. En effet, des simplifications permettent de
linéariser la formulation initiale. Pour cela, il est nécessaire de redéfinir tout ce qui compose
le problème : les variables, équations et contraintes doivent être remaniées.

3.1 Phase de formulation et de définition

3.1.1 Les variables

La linéarisation du problème s’accompagne de la génération de nouvelles variables.

En effet, la transformation de la formulation passe par l’utilisation de débits partiels au lieu de
débits totaux. Les polluants seront désormais caractérisés par un débit (g/h) au lieu de
concentrations (en ppm). Le débit partiel d’un polluant est lié à sa concentration, au débit
partiel d’eau du courant associé (T/h) par la définition suivante (en considérant un courant
allant d’un procédé j vers un procédé k) :

wpij>→ k
1 = C sj (11)
N +1
wp1j → k + ∑ wpij → k
i=2

- 68 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

N +1
Le dénominateur, wp1j → k + ∑ wpij→k représente le débit total du courant concerné.
i=2

Ce terme peut être réduit lorsqu’une attention est accordée aux ordres de grandeur et unités

qui le composent. En effet, wp1j→ k est exprimé en T/h alors que l’unité de wpij>→1 k est le g/h

(soit 10-6 T/h). Cette simplification permet d’écrire la relation (12) menant à l’équation (13)
qui donne la définition de ce qui est utilisé dans cette étude pour le terme « débit partiel d’un
polluant » :

wpij>→ k
1
= C maxis, j (12)
wp1j → k

wpij>→ k s
1 = C maxi , j × wp1
j →k
(13)

Il est important de noter que les équations sont exprimées dans le cas monopolluant
avec l’indice i>1 (soit i=2 dans ce cas) se référant au seul polluant du réseau (i=1 étant le
débit d’eau).

3.1.2 Les équations

A partir de ces variables, les équations de la première partie sont transformées et

deviennent toutes linéaires. En effet, en utilisant des débits partiels au lieu de débits totaux, il
n’y a plus de bilinéarités causées par les produits des concentrations et des débits d’eau. Ainsi,
pour chaque procédé et chaque unité de régénération, les bilans sur les entrées et sorties sont
écrits comme suit:
- Pour un procédé j donné, le débit total d’eau entrant est égal au débit total d’eau
sortant (k≠j) :
w1j + ∑ wp1k → j + ∑ wrp1m → j = wd1j + ∑ wp1j → k + ∑ wpr1 j → m (14)
k m k m

- De même, pour un procédé j donné, le débit total de polluant entrant est égal au débit
total de polluant sortant plus le débit ajouté par le procédé en question (k≠j):

∑ wp
k
k→ j
i >1 + ∑ wrpim>1→ j + M i j>1 = wd i j>1 + ∑ wpij>→1 k + ∑ wpri >j 1→ m
m k m
(15)

- Pour une unité de régénération m donnée, le débit total d’eau entrant est égal à celui
qui sort (m≠n):

∑ wr
n
1
n→m
+ ∑ wpr1 j → m = wrd1m + ∑ wrp1m → j + ∑ wr1m → n
j j n
(16)

- 69 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

- De même, pour l’unité de régénération m, le débit total de polluant entrant est égal au
débit total jeté à la décharge plus le débit total sortant :

∑ wr
n
n→m
i >1 + ∑ wpri >j 1→ m = wrd im>1 + ∑ wrpim>1→ j + ∑ wri m>1→ n
j j n
(17)

- Le débit total d’eau entrant dans le réseau doit être égal à tout ce qui sort à la
décharge :

∑ wrd +∑ wd
m
1
m

j
1
j
= ∑ w1j
j
(18)

- Le débit total en polluant entrant dans le réseau est égal au débit massique total de
polluant allant à la décharge :

∑ wrd
m
m
i >1 + ∑ wd i j>1 = ∑ M i j>1
j j
(19)

3.1.3 Les contraintes

Chaque procédé est limité par des concentrations des polluants en entrée et sortie
suivant ces inégalités, écrites pour un procédé j donné:

wp ej ,i >1 ≤ C max ej × wp ej ,1 (20)

wp sj ,i >1 ≤ C max sj × wp sj ,1 (21)

De la même manière, la concentration à la sortie de l’unité de régénération est fixée et

conduit à l’égalité (22) :

wrms ,i >1 = Crms × wrms ,1 (22)

L’ajout des contraintes précédentes entraine des modifications conséquentes ;

notamment les équations (21) et (22) car elles représentent des équations de bilans au niveau
de diviseurs. Par conséquent, les courants sortants d’un procédé donné doivent tous posséder
la même concentration en polluant, pour un procédé j, ce qui se traduit par la relation
mathématique suivante :

j →k j →k
s
0= wpi >1 − C max j × wp1 = wpri >j →
1
m
− C max sj × wpr1j → m = wd i j>1 − C max sj × wd1j (23)

De façon analogue pour l’unité de régénération m:

- 70 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

m→n s m→n
0= wri > 1 − Crm × wr1 = wrpim>→ j s m→ j
1 − Crm × wrp1 (24)

Cependant, ces différentes égalités induisent une condition importante. En effet, si le

débit d’eau d’un des courants sortant est nul, ce courant n’existe pas, ce qui se traduit par la
condition logique suivante :

Si wp1j → k = 0 alors wpij>→ k

1 =0 (25)

Si par exemple, le procédé j ne distribue pas d’eau à un autre procédé k, l’équation

(23) devient :

0 = wpri >j →
1
m
− C max sj × wpr1j → m = wd i j>1 − C max sj × wd1j (26)

Cela implique que: wpri >j →

1
m
= C max sj × wpr1j → m (27)

La démonstration précédente transforme l’équation (21) d’une inégalité en égalité.

Ceci implique que les concentrations en polluant à la sortie des procédés soient égales à la

concentration maximale autorisée : C max sj , et ce, pour chaque procédé du réseau. Cette

condition ne compromet pas la garantie de trouver une solution optimale, car formulé de cette
manière, le problème vérifie toutes les « conditions d’optimalité nécessaires » pour un réseau
monopolluant décrites par Savelski et Bagajewicz (2000). Les théorèmes décrits dans cette
étude (Savelski et Bagajewicz, 2000) et concernant les concentrations de sortie des différentes
unités de procédé, sont les suivantes, lorsque F1 (le débit d’eau fraîche) est minimisé :

- Théorème 1 : si une solution du problème d’allocation est optimale, alors les

concentrations de sortie des procédés de tête seront égales au maximum autorisé.
Sinon, une solution équivalente avec la même consommation d’eau fraîche existe pour
lesquelles les concentrations sont situées sur les bornes maximales.

- Théorème 2 : si une solution du problème d’allocation est optimale, alors les

concentrations de sortie des procédés intermédiaires seront égales au maximum
autorisé. Sinon, une solution équivalente avec la même consommation d’eau fraîche
existe pour lesquelles les concentrations sont situées sur les bornes maximales.

- 71 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

- Théorème 3 : si une solution du problème d’allocation est optimale, alors les

concentrations de sortie des procédés terminaux seront égales au maximum autorisé.
Sinon, une solution équivalente avec la même consommation d’eau fraîche existe pour
lesquelles les concentrations sont situées sur les bornes maximales. »

Dans un réseau d’eau, par définition, chaque procédé appartient forcément à une des
trois catégories : de tête, intermédiaire ou terminal ; ainsi, la contrainte (26) ne constitue pas
un obstacle aux conditions d’optimalité démontrées par Savelski et Bagajewiz (2000). Le
problème est linéaire et peut être résolu grâce à une procédure LP (linear programming).

Néanmoins, pour évaluer la complexité du réseau, comme il a été précisé

précédemment, des variables binaires sont associées à chaque courant. Cela change la
procédure en une forme MILP (mixed integer linear programming). Ces variables sont
ajoutées dans le programme à l’aide de contraintes supplémentaires :

wp1j → k ≤ yp j → k × U (28)

Où U est être un grand nombre, beaucoup plus grand que les débits massiques de chaque
courant du réseau.

Enfin, pour éviter d’introduire des débits trop faibles dans le réseau, la contrainte (29)
est ajoutée au problème. Dans la réalité, les connexions impliquant des débits inférieurs à 2
T/h engendrent des tuyaux dont le diamètre est inférieur à 1 pouce (2.82 cm) et sont donc à
proscrire dans les solutions proposées. Il n’est pas nécessaire d’investir dans des connexions
faisant circuler des débits d’eau très faibles :

( 2 − wp1j → k ) ≤ U × ( 1 − yp j → k ) (29)

Cette contrainte implique que lorsque le débit est inférieur à 2, le terme de gauche est
positif et engendre ainsi un y nul dans le terme de droite. A l’inverse, si le débit est supérieur à
2, le terme de gauche devient négatif et le y peut alors valoir un ou zéro en fonction des autres
contraintes du problème.

- 72 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

3.1.4 Type de formulation

Le fait d’utiliser des débits partiels à la place de débits totaux fait disparaitre les
bilinéarités précédemment rencontrées lors de l’écriture des équations de bilan pour la
formulation générale (résolue à l'aide d'une procédure de type NLP). En effet, les équations
(14) à (19) deviennent toutes linéaires. Cependant, l’introduction de débits partiels implique
que les contraintes inégalités sur les concentrations de sortie (équation 20) soient transformées
en contraintes égalités (équation 27). Cela revient à admettre que les concentrations de sortie
de chaque unité de procédé sont égales aux concentrations maximales de sortie. Cela dit, cette
condition ne compromet pas d’obtenir une solution optimale puisque les conditions
d’optimalité énoncées par Savelski et Bagajewicz (2000) sont vérifiées même dans ce cas.
Elles stipulent que les solutions optimales sont celles pour lesquelles les concentrations de
sortie du polluant sont fixées à leurs valeurs maximales. Le problème, dans le cas
monopolluant, est ainsi linéaire puisque toutes les équations de bilan et les contraintes le sont
également. Il doit être résolu à l’aide d’une programmation de type LP/MILP.

3.2 Phase de validation

Le problème d’optimisation d’un réseau à un seul polluant est a présent formulé dans
sa globalité en tant que problème MILP, deux exemples de réseaux d’eau industriels sont ainsi
optimisés. Le premier est issu d’une publication de Feng et al. (2007), tandis que le second,
plus complexe, provient d’une étude de Bagajewicz et al. (2001). Pour chacun des deux
réseaux, une optimisation multicritère a été réalisée selon la technique lexicographique
adaptée de la méthode epsilon-contrainte explicitée dans la partie 1.

3.2.1 Réseau de Feng et al. (2007)

• Présentation

Le réseau est extrait d’une étude de Feng et al. (2007) et est composé de quatre
procédés, une unité de régénération et un polluant. Pour ce problème, 65 équations et 74
variables sont ainsi mises en jeu. De plus, l’addition de variables binaires ajoute au problème
50 équations et 28 variables. Le tableau II-2 rappelle les données du problème énoncées par
Feng et al. (2007).

- 73 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Procédé C max ej (ppm) C max sj (ppm) M ij (g/h)

1 0 100 6000
2 50 150 4000
3 75 100 2500
4 100 125 1250

Tableau II-2. Paramètres du réseau de Feng et al. (2007).

• Optimisations monocritères et bicritères

Dans un premier temps, des optimisations monocritères sont réalisées afin de pouvoir
trouver les différents intervalles au sein desquels les 3 critères varient : [F1min, F1max],
[F2min, F2max] et [F3min, F3max]. Dans le tableau II-3, sont reportés les résultats de ces
calculs où, pour chaque ligne, le nombre en gras représente le résultat du critère minimisé.

Nombre de Débit d'eau Débit d'eau

connexions fraîche (T/h) régénérée (T/h)
Nombre de connexions 5 112 25

Débit d'eau fraîche (T/h) 28 60 95

Débit d'eau régénérée
28 122 0
(T/h)
Tableau II-3. Résultats des optimisations monocritères du réseau 1

Ceci montre que le nombre de connexions varie entre 5 et 28. En effet, lorsque cette
valeur est minimisée, le résultat est 5 et quand il est laissé libre il vaut 28, qui représente donc
la valeur maximale de l’intervalle. Le débit d’eau fraîche minimum est de 60 T/h, valeur
précédemment obtenue par Feng et al. (2007). Enfin, le débit d’eau régénérée minimal vaut 0,
ce qui représente le cas où l’unité de régénération n’est pas en fonctionnement. C’est donc un
cas qui n’a pas vraiment d’intérêt dans le problème traité présentement puisque celui-ci doit
comporter une unité traitant l’eau. Le graphique II-5 montre que les débits d’eau dans le
réseau varient dans le même sens que les concentrations en sortie de l’unité de régénération :
plus la concentration de sortie augmente et plus les débits d’eau impliqués sont importants.

Ceci s’explique par le fait que lorsque l’unité de régénération traite davantage l’eau
(20 ppm), elle peut être redistribuée plus facilement vers les procédés et donc le débit d’eau
régénérée diminue. Traiter l’eau à des concentrations plus faibles engendre un coût plus
important pour l’industrie tandis qu’impliquer des débits d’eau plus importants est plus
avantageux d’un point de vue environnemental.
- 74 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

40 ppm 30 ppm 20 ppm

80
70
Débit d'eau régénérée (T.h-1 )

60
50
40
30
20
10
0
40 50 60 70 80 90 100 110 120
Débit d'eau fraiche (T.h-1 )

Figure II-5. Résultats de l’optimisation sur l’exemple de Feng et al. (2007).

Calculs pour différentes valeurs de concentration en sortie de l’unité de régénération.

• Optimisations multicritères

Le nombre maximal de connexions variant entre 5 et 28, les optimisations bicritères

sont réalisées pour différentes valeurs dans cet intervalle et les résultats sont illustrés sur la
figure II-6 sous forme de fronts de Pareto :

28 connexions 10 connexions 8 connexions

7 connexions 6 connexions 5 connexions

80
Débit d'eau régénérée (T.h-1)

60

40

20

0
50 70 90 110
Débit d'eau fraiche (T.h-1)

Figure II-6. Résultats des optimisations bicritères pour différents nombres de connexions dans le réseau.
- 75 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Davantage de solutions ont été obtenues suite à l’optimisation du réseau, cependant,

seules les solutions non dominées sont retenues pour la décision finale. Par définition, pour
qu’une solution soit intéressante, il faut qu’il existe une relation de dominance au sens de
Pareto entre la solution considérée et les autres solutions dans le sens suivant :

r r r r
On dit que le vecteur x1 domine le vecteur x2 si x1 est au moins aussi bon que x2 pour tous
r r
les objectifs et x1 est strictement meilleur que x2 s pour au moins un des objectifs.

r
Ainsi, un vecteur x est optimal globalement au sens de Pareto s’il n’existe pas de
r r r
vecteur x ' tel que x ' domine le vecteur x . La figure II-6 représente donc les différents fronts
de Pareto avec en abscisses le débit d’eau fraîche exprimé en T/h et en ordonnées, le débit
d’eau à l’entrée de la régénération également en T/h.

- Pour 28 connexions : l’ensemble des courants existe, cela revient à un problème bi-
objectif (LP). L’espace des solutions est une droite sur laquelle tous les points sont des
solutions réalisables. Lorsque toutes les connexions sont possibles, le débit d’eau
fraîche le plus faible correspond à 60 T/h. Cependant, puisque les deux objectifs sont
antagonistes, cette faible valeur engendre un débit d’eau régénérée élevé. En revanche,
si l’unité de régénération est réduite à son minimum soit zéro, le débit d’eau fraîche
dans le réseau doit augmenter et passe à un débit de 105 T/h.

- Pour 6, 7, 8 et 10 connexions (valeurs intermédiaires) : la première remarque à noter

est le fait qu’il existe moins de solutions que dans le cas précédent (avec toutes les
connexions possibles). En effet, plus un système est contraint, plus le nombre de
solutions faisables diminue. Une valeur notable change pour ces différentes séries : le
minimum du débit d’eau fraîche, la figure II-7 illustre cette tendance.

D’après cette figure, un réseau incluant 10 connexions nécessite la même entrée d’eau
fraîche qu’un réseau avec 28 connexions. C’est lorsque le réseau possède moins de 10
connexions que le débit d’eau fraîche minimal augmente. Par exemple, pour 7 connexions, le
débit minimal pouvant être atteint vaut 62 T/h.

Avec 10 connexions, les mêmes ordres de grandeur de débits d’eau qu’avec 28

connexions sont atteints. Ce type de réseaux représente ainsi des solutions intéressantes
puisqu’ils offrent des débits d’eau faibles et une topologie relativement simple.
- 76 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

90
Débit d'eau fraiche minimal (T.h-1) 85
80
75
70
65
60
55
50
0 5 10 15 20 25 30
Nombre de connexions
Figure II-7. Valeurs du débit minimal d’eau fraîche pour un nombre de connexions fixé

- Pour 5 connexions : valeur minimale du nombre connexions, il est impossible de

construire ce réseau avec moins de 5 connexions. Le système est ici bien contraint et
par conséquent, le nombre de solutions faisables baisse : il n’en existe plus que deux.
De plus, le minimum d’eau fraîche n’est plus de 60 T/h, mais de 85 T/h. Ceci est
logique, le réseau étant plus contraint, il nécessite davantage d’eau fraîche.

• Conclusions du premier exemple

Les principales conclusions de cette première étude sont les suivantes :

- Le débit minimal d’eau fraîche obtenu avec ce réseau est égal à 60 T/h pour un
nombre de connexions supérieur à 7. Cette valeur est en accord avec celle donnée par
Feng et al. (2007).

- Lorsque le nombre de connexions est réduit à son minimum, le débit d’eau fraîche
devra forcément augmenter pour satisfaire toutes les contraintes et vaut 85 T/h.

- Le débit d’entrée à la régénération est inversement proportionnel au débit d’eau

fraîche à l’entrée du réseau.

Une remarque importante peut être faite suite à cette optimisation multiobjectif. Dans
les études antérieures (Tudor, 2007 ; Feng et al., 2007), l’optimisation est réalisée pour un
- 77 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

seul objectif : le débit d’eau fraîche. C’est donc une seule solution qui est choisie. Cette étude
montre que de nombreuses solutions intéressantes existent et méritent de faire l’objet d’une
étude post-optimisation pour aider le décideur à prendre une décision parmi celles qui sont
proposées ; c’est ce qui est mis en œuvre pour le second exemple étudié. Enfin, le fait de fixer
les concentrations de sortie à leur valeur maximale (conditions d’optimalité) n’affecte pas les
valeurs obtenues puisque la cible minimale d’eau fraîche est atteinte et correspond à celle
avancée dans les travaux antérieurs (Feng et al., 2007).

3.2.2 Réseau de Bagajewicz et al. (2001)

Le deuxième exemple provient d’une étude plus ancienne de Bagajewicz et al. (2001).
Feng et al. (2008) avaient eux aussi repris ce réseau pour valider leur méthode MINLP. Ainsi,
plusieurs études ayant obtenu les mêmes résultats sur ce réseau, permettent de valider la
méthode pour les réseaux à un seul polluant. Cet exemple est plus complexe que le précédent
car il comporte un nombre plus important de procédés.

• Présentation du réseau

Le réseau, tel qu’il a été décrit par Bagajewicz et al. (2001) est polluant de dix
procédés, une unité de régénération et un polluant. Les caractéristiques de ce réseau sont
représentées dans le tableau II-4 et la concentration en sortie de l’unité de régénération est de
5 ppm. Le fait d’augmenter le nombre de procédés a pour effet d’augmenter considérablement
le nombre d’équations, de contraintes et de variables. En effet, le problème contient désormais
143 variables discrètes, 351 équations et 475 variables (dont les variables binaires).

Procédé C max ej (ppm) C max sj (ppm) M i j (g/h)

1 25 80 2000
2 25 90 2880
3 25 200 4000
4 50 100 3000
5 50 800 30000
6 400 800 5000
7 400 600 2000
8 0 100 1000
9 50 300 20000
10 150 300 6500
Tableau II-4. Paramètres fixés pour le réseau extrait de Bagajewicz et al. (2001)

- 78 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

• Optimisations monocritères

De la même façon que pour l’exemple 1, voici les valeurs obtenues pour l’exemple 2.
L’optimisation a d’abord été menée de façon monocritère et a conduit aux résultats suivants :

- Le nombre de connexions minimum pour ce réseau est de 11.

- Le minimum d’eau fraîche est de 10 T/h.
- Le minimum d’eau pouvant être régénérée est de 0 T/h.
Le tableau II-5 indique les valeurs des deux autres critères laissés libres lors de l’optimisation
monocritère.

Nombre de connexions Débit d’eau Débit d’eau

fraîche (T/h) régénérée (T/h)
Nombre de connexions 11 205 38
Débit d’eau fraîche 120 10 196
Débit d’eau régénérée 120 231 0
Tableau II-5. Résultats des optimisations monocritères

• Optimisations multicritères

De façon analogue a ce qui été réalisé lors du premier exemple, le débit d’eau fraîche
minimal est calculé pour différents nombres de connexions compris dans l’intervalle [11,
120]. La figure II-8 illustre ces résultats.

180
160
Débit d'eau fraiche minimal (T.h-1)

140
120
100
80
60
40
20
0
0 10 20 30 40 50
Nombre de connexions

Figure II-8. Débit d’eau fraîche minimum pour un nombre de connexions donné.

- 79 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Pour des nombres de connexions compris entre 19 et 120, le débit d’eau fraîche
minimal est de 10 T/h, valeur identique à celle obtenue lors des optimisations monocritères.
Lorsque le réseau comporte seulement 11 connexions, valeur minimale, le débit d’eau fraîche
augmente considérablement puisqu’il atteint 162 T/h.

Les résultats des optimisations bicritères paramétrées par le nombre de connexions

sont illustrés par la figure II-9.

120 connexions 19 connexions 12 connexions 11 connexions

180
160
Débit d'eau régénérée (T.h-1)

140
120
100
80
60
40
20
0
0 50 100 150 200 250
Débit d'eau fraiche (T.h-1)

Figure II-9. Courbes de Pareto obtenues après optimisation avec CPLEX 9.0.

- Lorsque le nombre de connexions est égal au maximum : le système est libre (120
connexions). Toutes les solutions pour le réseau et les deux autres critères se trouvent
sur une droite. Tous les points situés sur la droite sont des solutions faisables et
réalisables pour le réseau, on se retrouve dans le cas d’une optimisation bicritère (débit
d’eau fraîche versus débit d’eau régénérée) (LP).

- Lorsque le nombre de connexions est égal au minimum (11): la figure montre qu’au
delà d’un débit de 60 T/h d’eau régénérée et de 162 T/h d’eau fraîche, il n’existe plus
de solution pouvant satisfaire le système. Il est important d’ajouter qu’entre les
différents points portés sur le graphique, aucune autre solution n’est trouvée. Il existe
ainsi un nombre restreint de solutions : seulement cinq réseaux sont possibles pour ce
nombre de connexions.

- 80 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

- Lorsque 19 connexions composent le réseau : les mêmes débits d’eau que pour 120
connexions sont atteints, la figure 8 mettait également en évidence ces valeurs. Cela
signifie qu’un réseau à 19 connexions sera toujours préféré à un réseau en comportant
un nombre plus élevé.

La question qui se pose maintenant est : parmi les solutions proposées, quel réseau doit-on
choisir en considérant les 3 objectifs de façon simultanée ?

• Aide à la décision parmi des choix multiples

Afin de choisir un réseau parmi les solutions proposées dans la figure II-9, un nouvel
indicateur économique est mis en place : le coût équivalent global (CEG) mesuré en débits
d’eau équivalents. Ce nouvel outil permet d’exprimer le coût total d’un réseau en termes de
quantité d’eau fraîche et non en unité monétaire (Boix et al., 2011). Pour le calculer, il est
nécessaire de prendre en compte les débits d’eau fraîche, d’eau régénérée et d’eau déversée à
l’égout. Ces différentes variables sont alors pondérées par leur contribution relativement à
celle de l’eau fraîche (prise comme référence, soit égale à 1). Les trois critères sont alors
rassemblés en un seul par la relation suivante :

CEG = F1 + R + D (29)

Avec R et D étant les contributions des débits d’eau régénérée et rejetée à l’égout, avec:

R = α × F2 et D = β × FD (30) (31)

Avec F1 le débit d’eau fraîche, F2, le débit d’eau régénérée et FD, le débit d’eau rejetée à
l’égout.
Dans la précédente relation, α et β sont respectivement liés au coût de régénération de
l’eau et au coût de post-traitement de l’eau envoyée à la décharge. α dépend du type d’unité
de régénération utilisée dans le réseau (Tableau II-6) et β est égal à 5.625 selon Bagajewicz et
Faria (2009). Bien sûr, les valeurs de α et β peuvent dépendre de la localisation géographique
de l’étude, mais elles sont moins sujettes à caution qu’une expression du coût en devises. Les
valeurs reportées ci-dessous sont couramment admises dans la littérature dédiée.

- 81 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Concentration post-
Type d’unité de régénération α
régénération (ppm)
I 50 0.375
II 20 1.75
III 5 3.125
Tableau II-6. Valeurs du paramètre α en fonction de l’unité de régénération

Dans l’exemple étudié, l’eau sort de l’unité de régénération avec une concentration de
5 ppm, c’est donc une unité de type III :

CEG = 6.625 × F1 + 3.125 × F2 (32)

Pour différentes valeurs du nombre de connexions, le CEG est calculé et reporté sur la
figure II-10. Pour un nombre de connexions compris entre 17 et 19, le CEG se situe autour de
600 T/h et augmente très vite pour des réseaux beaucoup plus simples. Il atteint ainsi 1260
T/h pour un réseau incluant 11 connexions.

1400
Valeur minimale du CEG (eq. T.h-1)

1300
1200
1100
1000
900
800
700
600
500
400
9 11 13 15 17 19 21
Nombre de connexions

Figure II-10. CEG minimal obtenu pour un nombre de connexions donné. L’étoile représente la solution
obtenue par Bagajewicz et al. (2001).

Un bon compromis semble être le réseau cerclé sur la figure II-10. En effet, il inclut 17
connexions pour CEG de 619 T/h. Ceci correspond à des consommations d’eau fraîche de 10
T/h (minimum atteint pour ce réseau) et d’eau régénérée de 177 T/h. Le schéma de ce réseau
est illustré sur la figure II-11.

- 82 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

Eau fraîche 10 (1) 8 7 (2) 6 7 (3) Unité de régénération

II

27 (4) 34 (5) 32 (6)

1 3 2 4 21
17
(7) 46 (9)
23 4 (11) 3 32 (8)
(10) 31 (12)
(13)
5 7 10 9 3

40 (14) 4 31 (15) 78 (16) 21 (17)

Décharge

Figure II-11. Schéma du réseau choisi (cerclé sur la figure II-10). Les nombres en italiques représentent le
numéro de la connexion, ceux en écriture normale sont les débits d’eau exprimés en T/h et les flèches en
pointillés sont les débits allant à l’égout (non comptabilisés dans le nombre de connexions).

• Conclusions

Pour terminer cet exemple, il est important de noter que les valeurs ayant été mises en
évidence au cours de l’optimisation sont les mêmes que celles obtenues par Feng et al. (2008)
et par Bagajewicz et al. (2001), la méthode utilisée est donc validée. Ensuite, les résultats de
l’exemple 2 peuvent être résumés en deux points essentiels :

- la réduction du front de Pareto au fur et à mesure que le nombre de connexions est

réduit,

- la discrétisation des solutions représentées par des points sur une même droite lorsque
le nombre de connections est réduit, donc que le système est plus contraint.

4. Conclusion
Dans la première partie de ce chapitre, une formulation non linéaire est proposée dans
l’optique de traiter des cas de réseaux les plus divers. En effet, cette formulation générale est
capable de résoudre aussi bien les réseaux multipolluants que ceux ne contenant qu’un seul
polluant. Cependant, dans le cas particulier de réseaux d’eau monopolluants, des hypothèses
permettent de simplifier la formulation sans compromettre les conditions d’optimalité
- 83 -
 CHAPITRE II – Etude des réseaux d’eau monopolluants

précédemment énoncées par Savelski et Bagajewicz (2000). Celles-ci précisent que la

concentration du polluant en sortie des différentes unités du procédé est forcément égale à la
concentration maximale lorsqu’une solution optimale est obtenue. De fait, en fixant les
concentrations de sortie égales aux bornes maximales, la formulation devient de type MILP.
L’optimisation multiobjectif est implémentée à l’aide du logiciel GAMS et résolue
grâce au solveur CPLEX 9.0. Les objectifs considérés dans ce chapitre sont : le débit d’eau
fraîche, le débit d’eau régénérée et le nombre connexions. Ces trois objectifs sont minimisés à
l’aide d’une stratégie adaptée de la méthode epsilon-contrainte (Mavrotas et al., 2009). Deux
exemples extraits de la littérature sont étudiés afin de pouvoir comparer les résultats obtenus
dans cette étude et ceux des études antérieures. Les résultats montrent que la méthode
multiobjectif permet d’améliorer les précédentes solutions en sélectionnant un réseau ne
consommant pas forcément le minimum d’eau fraîche. Ainsi, à l’aide d’un nouvel indicateur,
le coût équivalent global (CEG) un réseau plus intéressant en termes de consommations d’eau
peut être proposé.

L’étude exposée au cours de ce chapitre a permis plusieurs avancées notables

concernant l’allocation des réseaux d’eau monopolluants :

1) Une formulation innovante à l’aide de débits partiels conduit à une formulation

MILP d’une implémentation aisée et adaptable à tous les réseaux monopolluants.

2) Un nouvel outil, le CEG permet d’exprimer un coût en équivalent d’eau fraîche

afin d’éviter une utilisation de coûts trop dépendants du lieu où l’industrie est
implantée et des fluctuations monétaires.

3) Une approche multiobjectif est intéressante dans un tel contexte puisqu’elle

entraîne une amélioration significative du réseau choisi par rapport aux études
antérieures (Bagajewicz et al., 2001). De plus, l’approche utilisée permet d’obtenir
des réseaux topologiquement simples et n’impliquant aucun débit d’eau très faible,
contrairement aux résultats de la littérature.

- 84 -
CHAPITRE III – Etude des réseaux
d’eau multipolluants

- 85 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

Nomenclature du chapitre
Les indices i=1 et i>1 sont respectivement attribués à l’eau et aux divers polluants.
j et k représentent les unités de procédé et m et n les unités de régénération.

wpij → k débit massique du composé i allant du procédé j au procédé k (T/h)

wpri j →m débit massique du composé i allant du procédé j à l’unité de régénération m (T/h)

wd i j débit massique du composé i allant du procédé j à la décharge (T/h)

w1j débit d’eau fraîche entrant dans le procédé j (T/h)

C max ej ,i concentration maximale du polluant i à l’entrée du procédé j (ppm)

C max sj ,i concentration maximale du polluant i à la sortie du procédé j (ppm)

Cr max ms ,i concentration du polluant i à la sortie de l’unité de régénération m (ppm)

M ij charge en polluant i générée par l’unité de procédé j (g/h)

Cp sj ,i concentration du polluant i à la sortie du procédé j (ppm)

Crms ,i concentration du polluant i à la sortie de l’unité de régénération m (ppm)

F1 fonction-objectif 1 : consommation totale d’eau fraîche (T/h)

F2 fonction-objectif 2 : débit total d’eau régénérée (T/h)

F3 fonction-objectif 3 : nombre total d’interconnexions

FD débit d’eau rejeté à la décharge (T/h)

- 86 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

Dans le chapitre précédent, des exemples d’industries contenant un seul polluant ont
été étudiés. C’est le cas par exemple d’une industrie papetière avec pour seul polluant des
fibres en suspension. Cependant, ce type d’industries est assez rare car la majorité des
activités industrielles génèrent de nombreux polluants circulant au sein du réseau d’eau. Les
raffineries, par exemple, dans lesquelles doivent être traités des hydrocarbures, des sulfures
d’hydrogène ainsi que divers sels, font partie de ce type d’industries. Dans le même cas, on
peut aussi nommer les industries textiles, agro-alimentaires ou métallurgiques. De par leur
diversité, ces polluants sont difficiles à traiter et dans le contexte environnemental actuel, il
est pourtant nécessaire de minimiser le rejet d’effluents pollués, la consommation d’eau et/ou
le débit d’eau régénéré. Le problème qui en résulte est de type multiobjectif avec plusieurs
critères antagonistes et qui, typiquement, peut être étudié grâce à la méthode mise en œuvre
dans le chapitre précédent. Très peu de travaux rapportent une approche multicritère de ce
type de réseau malgré son importance.

La formulation du problème d’allocation d’un réseau multipolluant diffère de celle

d’un réseau n’incluant qu’un seul polluant. En effet, les simplifications précédemment
effectuées doivent être revues ce qui entraine une modification de la programmation
mathématique. De par leur complexité, ces réseaux ne peuvent être optimisés à l’aide de
techniques graphiques qui sont restreintes à l’étude des réseaux monopolluants (Savulescu et
al., 2005a). Ainsi, dans les travaux antérieurs, c’est le plus souvent grâce à des
programmations de type non linéaires (NLP ou MINLP) que ces réseaux sont optimisés
(Bagajewicz et al., 2002 ; Feng et al., 2008).

Dans cette partie, trois exemples d’industries extraits d’études antérieures sont étudiés.
Le premier est un réseau provenant d’une étude de Wang et Smith (1994). Les deux autres
exemples ont été précédemment étudiés par Gunaratnam et al. (2005) et Feng et al. (2008). Ce
sont des réseaux contenant un grand nombre de variables car constitués de trois polluants,
cinq procédés et d’une ou plusieurs unités de régénération. Chacun d’entre eux fait ainsi
l’objet d’une procédure d’aide à la décision afin de choisir le meilleur optimal vis-à-vis de
plusieurs critères.

- 87 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

1. Formulation du problème d’allocation d’un réseau multipolluant

Dans la première partie du chapitre précédent, la formulation non linéaire présentée
était celle du cas général. Elle s’applique à tous les réseaux industriels cependant, elle
comporte certaines difficultés quant à l’initialisation des procédures d’optimisation non
linéaires, d’où la linéarisation dans le cas monopolluant. La différence la plus importante
entre un réseau monopolluant, et un autre qui en contient plusieurs se situe au niveau des
contraintes sur les concentrations en sortie de chaque procédé. Lorsqu’un seul polluant circule
dans le réseau, l’équation (12) du chapitre précédent s’écrit sous la forme d’une égalité car
c’est la concentration du polluant concerné qui est limitante et qui se trouve par conséquent
sur la borne maximale autorisée. D’où la simplification effectuée pour une résolution MILP :

Si wp1j → k = 0 , alors wpij → k = 0 (1)

Devient : 0 ≤ wp2j → k ≤ wp1j → k × A (2)

wpij>→ k s
1 − C max j × wp1
j →k
= wpri >j →
1
m
− C max sj × wpr1j → m = wd i j>1 − C max sj × wd1j (3)

Lorsque l’on passe dans un système avec plusieurs polluants, un seul des polluants
doit avoir sa concentration sur la borne supérieure de sortie des procédés et c’est alors lui le
polluant limitant. Les autres peuvent avoir effectivement des concentrations inférieures ou
égales à la borne maximale. Il en revient à ce que l’équation (3) soit effective pour le polluant
i limitant mais pas pour les autres où là, une inégalité doit impérativement intervenir. Pour les
autres polluants, ceux dont les concentrations ne sont pas forcément sur les bornes maximales,
si l’équation (3) est vérifiée, l’équation (1) n’a plus aucun sens. La technique de linéarisation
établie n’est alors plus valable dans ce cas là.

Ainsi, le problème non linéaire énoncé dans la première partie du chapitre précédent
doit être reprise. Dans ce cas, ce sont des débits totaux qui sont utilisés et non des débits
partiels et les contraintes peuvent alors être exprimées sous forme d’inégalités.

Cp ej ,i ≤ C max ej ,i (4)

Cp sj ,i ≤ C max sj ,i (5)

Crms , i ≤ Cr max ms ,i (6)

- 88 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

2. Résolution du problème multiobjectif

Le logiciel GAMS est utilisé pour optimiser les différents réseaux. Le projet COIN-
OR (Computational Infrastructure for Operations Research) (Linderoth et Ralphs, 2005)
implémenté dans GAMS vise à étendre et à rendre plus accessible l’utilisation de logiciels
parfois très lourds. COIN-IPOPT (Wächter and Biegler, 2006), acronyme d’Interior Point
OPTimizer, est un logiciel permettant de résoudre les optimisations non linéaires des systèmes
continus, il est écrit en Fortran et C. Il implémente la Méthode du point intérieur et utilise des
recherches linéaires basées sur des méthodes de filtre (Fletcher et al., 2000). Il ne nécessite
pas une méthode d’initialisation trop coûteuse comme la majorité des autres solveurs. De ce
fait, ce solveur est utilisé pour résoudre le problème NLP. Tandis que le solveur COIN-
BONMIN 0.9 (Basic Open-source Nonlinear Mixed Integer programming) est employé
lorsque des variables binaires sont introduites, ce qui transforme alors le problème en un
problème de type MINLP (Bonami et al., 2008).

En ce qui concerne la résolution du problème multiobjectif, la procédure est

comparable à celle d’un réseau monopolluant. La méthode inspirée de la stratégie epsilon-
contrainte utilisée permet de minimiser les 3 objectifs :

- La consommation d’eau fraîche (F1).

- Le débit d’eau régénérée (F2).

- Le nombre de connexions dans le réseau (F3).

De façon analogue à l’étude réalisée pour les systèmes monopolluants, des

optimisations bi-critères sont réalisées pour différentes valeurs du nombre de connexions.
Ceci permet de tracer des fronts de Pareto mettant en évidence les solutions possibles pour
l’utilisateur concerné. Le but de la linéarisation du problème pour un système monopolluant
est de ne pas avoir recours à une méthode d’initialisation difficile à mettre en œuvre ; une
méthode a cependant été mise en place de façon à simplifier cette étape. En effet dans
GAMS, il est possible de traiter plusieurs problèmes au sein du même programme, ce qui
permet d’initialiser le problème global à l’aide d’un « sous-problème » qui ne prend pas en
compte toutes les contraintes. La procédure est illustrée par la figure III-1 dans laquelle les

- 89 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

valeurs sont données à titre d’illustration mais ne reflètent pas celles qui sont exposées dans la
partie résultats.

« Sous-problème » :
F3 = 15
100<F1<120
Min F1 MINLP

Problème global :
F3 = 15
Valeur initiale : F1=100

Min F2

MINLP
Résultats
F3=15
F1=100
F2=80

Figure III-1. Procédure d’initialisation du MINLP sous GAMS

Le sous-problème est constitué du problème complet mais sa résolution consiste à

fixer deux bornes sur le critère F1 et à le minimiser sans se préoccuper de F2. Avant de
déterminer les bornes de F1, il est nécessaire de réaliser des optimisations monocritères de
façon à obtenir l’espace dans lequel F1 varie : [F1min ; F1max]. C’est ensuite cet intervalle qui
est découpé en fourchettes d’espace constant et qui déterminent les bornes des différentes
optimisations. Ceci revient à fixer F1 à la valeur minimale de la fourchette choisie et c’est
cette valeur que GAMS utilise pour initialiser le problème global et minimiser F2. Pour
résoudre ce dernier il prend donc F1 à sa valeur minimale pour l’intervalle choisi
précédemment et il minimise F2. Toutes ces étapes sont réalisées avec F3 fixé pour résoudre le
problème multiobjectif comme dans le chapitre précédent.

3. Comparaison des réseaux multipolluants vs monopolluants

Avant d’étudier les réseaux multipolluants dans leur ensemble, une étude préliminaire
est réalisée. Le principal objectif de cette partie porte sur le choix de la démarche: est-il plus
efficace de traiter un réseau multipolluant en programmation linéaire LP en séparant chacun
des polluants, ou mieux vaut-il regrouper les polluants et étudier le réseau en programmation
non linéaire NLP? Le réseau considéré à titre d’exemple est constitué de 5 procédés, 3
- 90 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

polluants et une unité de régénération. La figure III-2 regroupe les résultats des différentes
optimisations. Les 3 droites avec diamants, carrés et triangles représentent les résultats des LP
attribués à chacun des polluants dans leur ordre respectif, tandis que la courbe symbolisée par
les cercles est le résultat du problème NLP multipolluant. Les symboles pleins montrent les
résultats des LP/NLP et les symboles vides sont les résultats des MILP/MINLP dans chacun
des cas pour un nombre de connexions contraint à son minimum, soit 11 connexions.

350
Polluant 1
Polluant 2
300
Polluant 3
Multipolluant
Débit d'eau régénéré (T/h)

250

200

150

100

50

0
0 50 100 150 200
Débit d'eau fraîche (T/h)

Figure III-2. Résultats des optimisations LP (monopolluant) vs NLP (multipolluant)

La première tendance notable et à la fois attendue, est que les 3 LP mènent à des
droites tout comme le NLP. Cela dit, elles ne sont pas parallèles entre elles et se situent à des
ordres de grandeur des débits plus faibles. Cela s’explique très bien car en monopolluant, le
système est moins contraint, donc le réseau peut atteindre de faibles consommations d'eau.
Plusieurs observations au sujet des ces courbes peuvent être faites :

- La courbe du polluant 1 (diamants) est la plus basse. Ceci montre que ce polluant n’est
à aucun moment le polluant limitant puisque lui tout seul peut atteindre un débit d’eau
fraîche minimum de 20 T/h alors qu’il est de 30 T/h pour le réseau multipolluant. De
même, lorsque le débit d’eau régénéré est nul, l’eau fraîche qui entre dans le réseau
peut avoir un débit de 100.3 T/h, alors que cette valeur était à 189.9 T/h dans le
système multipolluant.

- 91 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

- Les courbes des polluants 2 et 3 (respectivement carrés et triangles) se croisent (cf.

cercle noir sur la figure 2). Ceci met en évidence l’action du polluant limitant pour
différentes valeurs des débits d’eau. Ainsi, pour un débit d’eau fraîche allant jusqu’à
80 T/h, c’est le polluant 3 qui est limitant, et implique que la consommation d’eau
fraîche du réseau ne peut être inférieure à 30 T/h. En revanche, pour des débits d’eau
fraîche au-delà de 80 T/h, c’est le polluant 2 qui devient limitant et qui conditionne le
réseau global.

- Il est intéressant de constater qu’en additionnant les 3 LP séparés, on obtient des

valeurs de débits plus élevées pour le minimum d’eau régénérée (90+130+150) que
dans le cas multipulluant (223.4). En ce qui concerne les MILP vs MINLP, il faut
s’intéresser aux symboles vides. Pour des réseaux à 11 connexions, voici leurs valeurs
qui sont regroupées dans le tableau III-1.

Eau fraîche Eau régénérée

(T/h) (T /h)
MINLP Multipolluant 30 303.9
MILP Polluant 1 20 163.3
Polluant 2 25 170.8
Polluant 3 30 243.5
Tableau III-1. Valeurs des débits d’eau pour les résolutions de type MILP et MINLP.

Ces valeurs montrent bien qu’en monopolluant MILP on obtient des valeurs plus
importantes lorsque l’on additionne les résultats qu’en MINLP multipolluant. Il est important
de préciser que construire une courbe en MINLP est très long, car les codes informatiques
sont plus complexes. Les temps de calcul sont donc importants mais finalement les débits
d’eau obtenus sont meilleurs. A titre indicatif, pour un même réseau, le rapport des temps de
calcul NLP/LP et MINLP/MILP valent respectivement 2/0.001 (2000) et 5/0.006 (840). Ces
résultats préliminaires renforcent l’intérêt d’implémenter une procédure multiobjectif de type
MINLP de façon à traiter le problème multipolluant dans sa globalité et non comme une
juxtaposition de problèmes monopolluants.

- 92 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

4. Etude de différents exemples

Dans cette partie, trois exemples différents issus d’études antérieures sont traités dans
le but de comparer les résultats obtenus avec ceux proposés dans la littérature. Ils ont été
choisis de façon à augmenter la complexité progressivement au fil du texte.

4.1 Réseau extrait de Wang et Smith (1994)

Cet exemple a été choisi pour sa simplicité car il permet de valider la méthode en
retrouvant les résultats obtenus dans les études antérieures. Il a donc été étudié grâce à une
optimisation biobjectif, à l’aide d’une procédure NLP. Les variables binaires n’interviennent
pas dans ce cas là car F3 n’est pas considéré, seuls les deux objectifs F1 et F2 sont pris en
compte (le débit d’eau fraîche en T/h et le débit d’eau régénérée en T/h).

Le réseau est composé de deux procédés, une unité de régénération et deux polluants.
Le réseau est celui d’une raffinerie où les deux polluants sont des hydrocarbures et des
solides en suspension. L’exemple NLP comporte 26 variables, 19 contraintes égalité et 4
contraintes inégalité en sortie de chacun des procédés pour les deux polluants. Les valeurs des
paramètres sont regroupées dans le tableau III-2.

Charge en polluant
Procédé Polluant C max ej (ppm) C max sj (ppm)
générée par j (g/h)

1 1 0 100 4000
2 25 75 2000
2 1 80 240 5600
2 30 90 2100
Tableau III-2. Paramètres du réseau de Wang et Smith (1994)

Ce sont les valeurs des concentrations qui sont fixées en sortie de l’unité de
régénération et non les rendements. Le polluant 1 sort de l’unité avec une concentration de 50
ppm et le deuxième avec une concentration de 5 ppm.

Les résultats obtenus sont reportés sur la figure III-3 et sont en accord avec ceux de
Wang et Smith (1994), à savoir un débit minimal d’eau fraîche de 40 T/h. Pour cette valeur de
40 T/h d’eau fraîche consommée, le débit d’eau régénérée correspondant vaut 15.8 T/h. La
limite inférieure pour le débit d’eau fraîche est située à 40 T/h et pour l’eau régénérée à 0 T/h
- 93 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

ce qui représente un cas inintéressant dans la pratique puisqu’il implique qu’aucune unité de
régénération n’est introduite au réseau, ce qui ne correspond pas au réseau étudié.

16
14
Débit d'eau régénérée (T/h)

12
10
8
6

4
2
0
35 40 45 50 55
Débit d'eau fraiche (T/h)

Figure III-3. Front de Pareto obtenu pour le 1er exemple en NLP.

On observe que les points s’alignent sur une droite d’équation y=-1.111x+60 avec un
coefficient de corrélation de 1. Pour le problème biobjectif, l’utilisateur aura donc à faire un
choix parmi les points de cette droite qui représentent tous des solutions réalisables pour le
réseau considéré. Ce résultat coïncide avec les travaux de Feng et al. (2007) qui montrent que
le débit d’eau fraîche et le débit d’eau régénérée sont liées par une relation linéaire
s’exprimant sous cette forme :

F2 = A − B × F1 (7)

Avec A et B étant des constantes dépendantes des concentrations maximales et de la charge

polluante.

4.2 Réseau de Feng et al. (2008)

Le réseau suivant est plus complexe et est issu d’une étude de Feng et al. (2008). La
principale différence est qu’il comporte trois unités de régénération au lieu d’une seule.
Chacune d’elle traite les trois polluants avec une efficacité caractéristiques. Ainsi, il s’agit des
rendements qui sont fixés et non des concentrations en sortie de chacune d’entre elles. Cela

- 94 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

change simplement une contrainte dans le programme. Au total, cinq procédés, trois polluants
et trois unités de régénération sont mises en jeu dans ce réseau dont les paramètres sont
donnés dans les tableaux ci-dessous (Tableaux III-3 et III-4).

Procédé Polluant C max ej (ppm) C max sj (ppm) M ij (g/h)

1 0 15 750
1 2 0 400 20000
3 0 35 1750
1 20 120 3400
2 2 300 12500 414800
3 45 180 4590
1 120 220 5600
3 2 20 45 1400
3 200 9500 520800
1 0 20 160
4 2 0 60 480
3 0 20 160
1 50 150 800
5 2 400 8000 60800
3 60 120 480
Tableau III-3. Paramètres fixés pour le réseau d’eau

Unités de
Rendements
régénération
Polluant 1 Polluant 2 Polluant 3
1 0 0.999 0
2 0.7 0.9 0.98
3 0.95 0 0 .5
Tableau III-4. Rendements des unités de régénération pour chacun des polluants.

A l’origine, cet exemple provient d’une étude de Gunaratnam et al. (2005) et

représente un problème simplifié d’une raffinerie. Les trois polluants sont respectivement des
hydrocarbures, des sulfures d’hydrogène ainsi que des solides en suspension. Pour traiter
l’eau et ôter les polluants, les unités de régénération utilisées sont : une colonne de distillation
vapeur, une unité de traitement biologique et un séparateur décanteur longitudinal (appelé
séparateur « API »). Les cinq procédés sont associés à une opération en particulier :
distillation vapeur, hydrodésulfurisation, désalinateur et distillation sous-vide. Enfin, il existe
des limites fixées pour les concentrations de chacun de ces polluants dans les égouts :

- 95 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

hydrocarbures (HC), 20 ppm ; sulfure d’hydrogène (H2S), 5 ppm ; solides en suspension (SS),
100 ppm. Elles sont ajoutées au programme sous forme de contraintes inégalités.

Le programme NLP correspondant à ce réseau comporte 120 variables et 97

contraintes. Les résultats de l’optimisation bicritère non linéaire sont présentés sur la figure
III-4.

120
Débit d'eau régénérée (T/h)

100

80

60

40

20

0
0 58 T/h 200 400 600 800
Débit d'eau fraiche (T/h)

Figure III-4. Résultats du NLP pour le réseau d’eau considéré.

Plusieurs observations sont à noter :

- Contrairement au premier réseau traité, les points ne s’alignent pas sur une droite ; la
figure III-4 présente toutes les solutions possibles.

- Le débit minimal d’eau fraîche obtenu est le même que celui de Gunaratnam et al.
(2005) et de Feng et al. (2008), soit 58 T/h. En revanche, le débit d’eau régénéré
associé est ici de 99.4 T/h, soit une valeur nettement plus faible que celle obtenue lors
des précédentes études (164.15 T/h).

Dans la première partie du chapitre un point a été fait concernant le fait qu’en
multipolluants, le programme doit forcément devenir non linéaire en raison des concentrations
en sortie de chacun des procédés. Le polluant limitant possède sa concentration sur la borne
de sortie des différents procédés tandis que les autres ont une concentration inférieure à la
borne maximale. Dans ce cas-là, les données montrent que ces faits sont vérifiés pour les
quatre premiers procédés mais pas pour le cinquième. Au niveau du procédé 5, les résultats
- 96 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

montrent qu’aucun des trois polluants n’a une concentration de sortie égalant la borne
maximale. Cependant, un des trois, le polluant 2 qui était limitant au niveau des quatre autres
procédés possède une concentration égale à la borne d’entrée du procédé. On se retrouve
ainsi, face à un problème où l’un des polluants est limitant sur la borne d’entrée et non sur la
borne de sortie.

4.3 3ème étude : réseau de Feng et al. (2008)

4.3.1 Présentation de l’exemple

Cet exemple est issu de l’étude de Feng et al. (2008). Il permet d’approfondir
l’optimisation simultanée de trois objectifs. Pour ce réseau, il est donc nécessaire de passer en
MINLP afin d’introduire le troisième objectif qui représente la somme du nombre
d’interconnexions et est représenté par des variables binaires y.

Le réseau contient cinq procédés, trois polluants et une unité de régénération traitant
l’eau avec une concentration de sortie fixe pour chacun des trois polluants. Le problème
comporte 145 variables continues déclarées positives et 36 variables binaires pour les
interconnexions. Les paramètres fixes sont regroupés dans le tableau III-5.

Procédé Polluant C max ej (ppm) C max sj (ppm) M ij (g/h)

1 0 50 1000
1 2 0 100 2500
3 0 50 1500
1 10 100 5000
2 2 30 300 20000
3 40 600 5000
1 20 200 5000
3 2 50 400 15000
3 50 100 10000
1 50 600 20000
4 2 110 450 15000
3 200 400 10000
1 500 1100 30000
5 2 300 3500 15000
3 600 2500 25000
Tableau III-5. Paramètres du réseau de Feng et al. (2008)

- 97 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

Les concentrations en sortie de l’unité de régénération pour les polluants sont

respectivement : 10, 30 et 40 ppm.

4.3.2 Optimisations mono et bicritères

Avant d’effectuer les optimisations multicritères, il est important de cibler les valeurs
extrêmes en optimisant le problème selon un seul objectif. C’est ce que représentent les
résultats du tableau III-6, où le critère optimisé est noté en gras. Chaque ligne du tableau
présente ainsi trois valeurs : celle du critère optimisé (en gras) et celles des deux autres
critères laissés libres.

Nombre de connexions Débit d’eau fraîche Débit d’eau régénéré

Nombre de connexions 11 122 322

Débit d’eau fraîche 40 30 223
Débit d’eau régénéré 40 189 0
Tableau III-6. Résultats des optimisations monocritères.

D’après ces résultats, le nombre minimal de connexions possible est de 11, alors qu’il
vaut 40 lorsque ce critère est laissé libre. Le débit minimal d’eau fraîche pouvant alimenter le
réseau est quant à lui de 30 T/h, ce qui correspond à la valeur donnée par Feng et al. (2008).
Enfin, le débit minimal d’eau régénérée est nul. Le réseau correspondant ne représente
toutefois qu’une solution théorique, sans réel intérêt d’un point de vue industriel puisqu’il
n’inclut pas d’unité de régénération.

Une fois les optimisations monocritères réalisées, les objectifs sont ensuite minimisés
deux par deux. Ainsi, les résultats montrent que le débit d’eau fraîche minimal est de 30 T/h et
ce, pour chaque nombre de connexions, même lorsque ce dernier est aussi à son minimum
(11). Les résultats pour le couple [débit d’eau régénéré ; nombre de connexions] sont reportés
sur la figure III-5. Plus le débit d’eau régénéré augmente et plus le nombre de connexions
diminue. C’est donc pour un débit de 307 T/h que 11 connexions sont présentes dans le
réseau. C’est à partir de 15 connexions que le débit minimum d’eau régénérée peut être
atteint, cela signifie que si le nombre de connexions est inférieur à 15 le minimum du débit
d’eau régénérée ne peut être atteint.

- 98 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

320

Débit d'eau régénérée minimum 300

280
(T/h)

260

240

220

200
0 10 20 30 40 50
Nombre de connexions

Figure III-5. Evolution du nombre de connexions en fonction du débit d’eau régénérée.

4.3.3 Optimisations multicritères

Une fois que les valeurs extrêmes sont trouvées, l’optimisation selon les trois objectifs
peut être réalisée. Le nombre de connexions varient entre 11 et 40, le débit d’eau fraîche est
supérieur à 30T/h et celui de l’eau régénérée sera simplement positif. La figure 6 illustre les
résultats de l’optimisation tricritère sur un graphique 3D, dans lequel chacun des axes
représente l’un des trois objectifs.

Nombre de connexions

Figure III-6. Représentation 3D des résultats de l’optimisation tricritère

- 99 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

Bien que les représentations en trois dimensions soient toujours assez difficiles à lire,
la flèche située sur le graphique indique la tendance globale des résultats : plus le nombre de
connexions dans le réseau est limité, plus les débits d’eau impliqués sont importants. Dans les
graphiques qui suivent c’est donc le nombre de connexions qui paramètre le problème, d’où
l’apparition de graphes 2D où le débit d’eau régénérée est représenté en fonction du débit
d’eau fraîche.

La figure III-7 illustre tous les résultats obtenus lors de l’optimisation multiobjectif,
qu’ils soient dominés ou non ; ce ne sont donc pas les fronts de Pareto qui sont représentés.

11 connexions 12 connexions 13 connexions

15 connexions connexions max (40)
400
350
Débit d'eau régénérée (T/h)

300
250
200
150
100
50
0
0 30 60 90 120 150 180 210 240
Débit d'eau fraiche (T/h)

Figure III-7. Résultats (dominés et non dominés) des optimisations bi-critères paramétrées par le nombre
de connexions.

- Lorsque le nombre de connexions est au maximum (40) : les points représentent les
résultats de l’optimisation NLP. En effet, le nombre de connexions étant laissé libre
(les variables binaires sont enlevées) le problème est ramené à une optimisation bi-
critère. Dans cet exemple, deux segments représentés sur la figure par des droites en
pointillés sont obtenus et tous les points situés sur ces segments (de pentes différentes)
représentent des solutions faisables. Le premier débute au point (30, 223.4) et arrive
aux environs des coordonnées (82, 140), tandis que le deuxième reprend le relais au
niveau de ce deuxième point et arrive à (189.6, 0). Ces deux segments de pentes
différentes correspondent exactement à ce qui avait été préalablement observé sur la

- 100 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

figure III-2. De 30 à 82 T/h d’eau fraîche consommée, c’est le polluant trois qui est
limitant et c’est donc lui qui conditionne la pente de la droite. Lorsque plus de 82 T/h
d’eau fraîche sont consommées le polluant deux devient le limitant. Ce sont des
réseaux complexes car ils comportent 40 connexions et ils seront par conséquent
coûteux lors de l’installation même si des débits d’eau faibles sont atteints.

- Lorsque le nombre de connexions est minimal (11): ces points sont le résultat de
l’optimisation MINLP. Le système est par conséquent contraint au maximum. Les
débits d’eau sont beaucoup plus élevés. Pour obtenir une entrée d’eau fraîche de 30
T/h, le débit d’eau régénérée doit passer à 309.9 T/h, alors qu’il peut descendre à
223.4 T/h lorsque le système est plus libre. De plus, avec un réseau simplifié au
maximum, composé de 11 connexions, le débit d’eau régénérée ne pourra en aucun
cas descendre en dessous de 309.9 T/h, impliquant un recyclage très important. Ce qui
risque de coûter relativement cher à l’utilisateur. D’un point de vue environnemental,
il peut cependant atteindre le débit d’eau fraîche minimum qui est de 30 T/h, ce qui
peut présenter un intérêt si la ressource est particulièrement limitée.

Les deux possibilités venant d’être étudiées représentent des cas extrêmes où pour
chacun des deux, un des trois critères est à sa valeur maximale. Dans le premier cas, il s’agit
du nombre de connexions et dans le second c’est l’eau régénérée qui est maximale. Il est
important d’identifier des cas intermédiaires afin que les trois critères soient minimisés de
façon simultanée.

- Les réseaux comportant 12 connexions : dans ce cas, le réseau comporte une

connexion de plus par rapport au cas précédent. Les solutions obtenues sont
intéressantes car les débits d’eau régénérée baissent pour un débit d’eau fraîche
équivalent. Ainsi, pour un débit d’eau fraîche à 30 T/h, l’utilisateur pourra se
permettre de descendre le débit d’eau régénérée à 276.2 T/h, avec un gain de près de
34 T/h. En revanche, lorsque davantage d’eau fraîche est utilisée dans le réseau, le
débit d’eau régénérée diminue mais pas de façon linéaire comme en NLP. D’une
manière générale, plus le débit d’eau fraîche augmente, plus le débit d’eau régénérée
diminue. Pour un nombre de connexions maximal, tous les points situés sur la droite
représentaient des solutions réalisables mais lorsque le système est plus contraint, le
nombre de solutions diminue considérablement. Plus particulièrement, le nombre de
- 101 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

solutions non dominées diminue. Même si dans ce cas les débits d’eau sont faibles
pour un nombre de connexions assez restreint, les valeurs des débits sont encore
éloignées de la droite représentant le minimum.

- Lorsque le réseau comporte 13 connexions: dans ce cas, les mêmes conclusions que
pour le cas précédent peuvent être tirées. Le réseau se complexifie et les débits d’eau
diminuent sans atteindre les valeurs des débits minimum. C’est un cas intermédiaire
typique avec un nombre limité de solutions mais intéressantes d’un point de vue
pratique. Pour un débit d’eau fraîche de 30 T/h, le débit d’eau régénéré associé est de
257.8 T/h.

- Lorsque le réseau inclut 15 connexions : à première vue, cette série représente

l’ensemble des solutions les mieux placées selon les trois objectifs. Par rapport aux
débits, elle est située quasiment sur la droite des solutions associées au nombre
maximal de connexions. Cela signifie que les réseaux atteignent des débits d’eau
minimaux pour un nombre de connexions le plus faible possible. Une remarque
importante est le fait que par rapport à la droite comportant les solutions avec un
nombre de connexions maximum, le nombre de solutions est plus restreint dans ce cas.

4.3.4 Aide à la décision

La figure III-8 est un sous-ensemble de la figure III-7 et comporte uniquement les

points non dominés et met par conséquent en évidence les fronts de Pareto pour chaque
nombre de connexions dans le réseau. Plus le nombre de connexions diminue, moins il existe
de solutions. Le cas le plus flagrant est pour un nombre de connexions égal à 11, où il ne reste
plus qu’une seule solution aux coordonnées (30, 309.9).

Il existe donc une solution pour 11 connexions, 5 pour 12 connexions, 9 pour 13

connexions, une quinzaine pour 15 connexions, et enfin, une infinité pour 40 connexions.
« Comment choisir la meilleure solution parmi les points des fronts de Pareto ? » est la
question à laquelle l’on doit s’efforcer de répondre dans le cadre d’une procédure d’aide à la
décision. En anglais, un tel problème est appelé MCDM pour Multiple Choice Decision
Making et consiste à considérer globalement les trois critères. Aucune décision ne peut être
prise sans prendre en compte l’un des trois. Deux outils d’aide à la décision sont ici étudiés et

- 102 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

comparés de façon à proposer une solution. Il s’agit de la méthode TOPSIS (Ren et al., 2007)
ainsi que du nouvel indicateur économique, le CEG – coût Economique Global – (Boix et al.,
2011) qui a été précédemment utilisé (cf. chapitre 2).

11 connexions 12 connexions 13 connexions

15 connexions 40 connexions (max)
350

300
Débit d'eau régénérée (T/h)

250

200

150

100

50

0
0 30 60 90 120 150 180 210
Débit d'eau fraiche (T/h)

Figure III-8. Fronts de Pareto obtenus suite au tri des solutions globales.

• Analyse TOPSIS

M-TOPSIS est une méthode d’évaluation synthétique basée sur le concept de la

version originale TOPSIS (Ren et al., 2007). Dans cette approche, la distance entre chacun
des points du front de Pareto et « le point optimisé idéal de référence » est calculée. Ce
dernier est un point théorique où la valeur de chacun des objectifs est au minimum ; dans le
cas présent bicritère, ce point est l’origine (0, 0). Par conséquent, ce programme calcule la
distance entre chacune des solutions et l’origine, il classe ensuite chaque solution de façon
croissante avec la distance. Le programme TOPSIS est implémenté grâce à la boite à outils de
MATLAB et assigne un rang à chacune des solutions vis-à-vis de plusieurs critères pondérés.
Dans le cas présent, les trois objectifs considérés sont pris en compte avec le même poids (soit
1) ; les 30 premiers résultats de cette analyse sont donnés dans le tableau III-7.

- 103 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

Débit d’eau fraîche Débit d’eau régénérée Nombre de Rang M-

(T/h) (T/h) connexions TOPSIS
98.9 114.5 15 1
95.4 120 15 2
108.2 100 15 3
82.7 140 15 4
122.5 80 15 5
57.3 180 15 6
138.6 59.9 15 7
44.8 199.9 15 8
110.1 118 13 9
100 134.8 13 10
32.1 220 15 11
30 223.4 15 12
154.7 40 15 13
119.6 109.8 13 14
162.7 30 15 15
85 167.6 13 16
178.9 10 15 17
60.1 206.8 13 18
186.9 0 15 19
115 137.3 12 20
30.1 257.8 13 21
196 0 15 22
40.1 247.9 13 23
30 273.1 12 24
80.1 201.5 12 26
70.1 219.0 13 27
150.1 99.4 13 28
179.9 63.2 13 29
30 304 11 30
Tableau III-7. Résultats de l’analyse M-TOPSIS

Ces résultats mettent clairement en évidence le fait que les réseaux considérés comme
optimaux selon les trois critères par l’analyse M-TOPSIS sont ceux qui comportent 15
interconnexions. En effet, ce sont les réseaux impliquant les débits d’eau les plus faibles.
Cependant, il apparait un inconvénient majeur à cette approche: celle-ci ne considère que très
peu la complexité du réseau. Cela s’explique par la différence d’échelle entre les différents
critères : pour le nombre de connexions, seulement 5 (de 11 à 15 la différence est 4) unités
séparent les réseaux les mieux placés de ceux comportant plus de connexions. L’analyse
privilégiera toujours les débits d’eau les plus faibles. Par conséquent, le seul réseau contenant
11 connexions arrive en 30ème position selon ce classement. Afin de remédier à cet
inconvénient, le coût équivalent global (CEG, Boix et al., 2011) est utilisé par la suite.

- 104 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

• Coût Equivalent Global (CEG)

Pour évaluer le coût des réseaux, un nouvel indicateur économique est utilisé : le coût
équivalent global (CEG), mesuré en débits d’eau équivalents, son expression a précédemment
été évoquée dans le chapitre II. Pour rappel, il vaut :

CEG = F1 + R + D (8)

Avec R et D étant les contributions des débits d’eau régénérée et rejetée à l’égout, avec:

R=α×F2 et D=β×FD (9) (10)

Avec F2, le débit d’eau régénérée et FD, le débit d’eau rejetée à l’égout.

Dans la précédente relation, α et β sont respectivement liés au coût de régénération de

l’eau et au coût post-traitement de l’eau envoyée à la décharge. α dépend du type d’unité de
régénération utilisée dans le réseau (Tableau 8) et β est égal à 5.625 (Bagajewicz et Faria,
2009).

Concentration post-
Type d’unité de régénération α
régénération (ppm)
I 50 0.375
II 20 1.75
III 5 3.125
Tableau III-8. Valeurs du paramètre α en fonction de l’unité de régénération (Bagajewicz et
Faria, 2009).

Dans l’exemple étudié ici, les concentrations en sortie de l’unité de régénération sont
10, 30 et 40 ppm pour les polluants 1, 2 et 3 respectivement. Le meilleur compromis est ainsi
de choisir une unité de régénération de type II correspondant le mieux aux valeurs fixées. Ces
paramètres mènent ainsi à l’équation suivante:

CEG = 6.625 × F1+ 1.75 × F2 (11)

Pour chaque réseau de la figure 8, le CEG correspondant est calculé et tracé en

fonction du nombre de connexions associé (Figure III-9). Ainsi, pour chaque valeur du
nombre de connexions, seule la solution contenue sur le front de Pareto et ayant le CEG
minimum est tracée. Afin de montrer la stabilisation de la solution, le CEG minimal est
également reporté pour 20 et 30 connexions. De cette façon, si le CEG et le nombre de
- 105 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

connexions sont considérés simultanément, le réseau optimal est celui incluant 15 connexions
(cerclé sur la figure 7). Ce dernier implique une consommation d’eau fraîche de 30 T/h et une
régénération de 223 T/h d’eau. Les réseaux placés à droite de ce point ne sont pas intéressant
par rapport à celui-ci car pour la même valeur du CEG ils incluent plus de connexions.

Figure III- 9. CEG minimal pour chaque nombre de connexions.

Selon l’analyse M-TOPSIS précédemment effectuée, ce réseau était classé 12ème. En

termes de topologie et de consommation d’eau, c’est le réseau le plus avantageux. Il est
dessiné sur la figure 10. La conception d’un tel schéma est intéressante d’un point de vue
pratique car il n’implique pas de très petits débits d’eau. Dans l’étude de Feng et al. (2008),
un réseau similaire est finalement proposé, ce-dernier possède un CEG similaire au réseau
choisi ici mais possède un plus grand nombre de connexions (19) impliquant de faibles débits
d’eau (< 2 T/h). Le CEG de ce réseau est d’environ 589 T/h alors que le CEG des autres
réseaux consommant 30T/h d’eau fraîche vaut 650, 680 et 730 T/h pour 13, 12 et 11
connexions, respectivement. Ces réseaux arrivent en position 21, 24 et 30 du classement
TOPSIS.

- 106 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

142

Eau Fraîche 30 1 30 3 46 Unité de

régénération
84 36
74 8
2 5 4

68 144 34

Figure III-8. Schéma du réseau optimal selon l’analyse CEG.

5. Conclusion
Ce chapitre a permis de mener à bien l’optimisation multiobjectif de différents types
de réseaux. A l’aide d’une procédure MINLP, les réseaux d’eau multipolluants sont optimisés
selon trois objectifs antagonistes. Les données nécessaires à cette approche sont, pour chaque
réseau, le nombre de procédés, leurs concentrations maximales d’entrée et de sortie ainsi que
la charge polluante qu’ils générent. Ensuite, le nombre d’unités de régénération doit être
connu avec leur efficacité correspondant à chacun des polluants. Les objectifs considérés sont
le débit d’eau fraîche à l’entrée du réseau (étroitement lié au critère environnemental), le débit
d’eau régénérée (davantage lié au critère économique), ainsi que le nombre de connexions
associé à la complexité topologique du réseau.

Une étude préliminaire a permis de conclure sur la nécessité de traiter ce type de

réseaux en MINLP. En effet, cette méthode permet d’obtenir de meilleures solutions que les
procédures de type MILP ou LP, pour lesquelles les polluants sont traités de façon
séquentielle dans le réseau. Ainsi, la procédure MINLP implémentée à l’aide d’une stratégie
ε-contrainte fournit un jeu de solutions optimales sous forme de fronts de Pareto. Pour le
troisième réseau présenté dans ce chapitre, une méthodologie d’aide à la décision est mise en
œuvre . Du point de vue du décideur, la solution proposée doit impérativement impliquer une
consomamtion d’eau fraîche faible, des coûts réduits, et le réseau doit être topologiquement
simple avec des débits d’eau significatifs. Ce problème est traité à l’aide de deux méthodes

- 107 -
 CHAPITRE III – Etude des réseaux d’eau multipolluants

différentes : la procédure de classement TOPSIS et par le biais de l’indicateur économique

CEG. Ce dernier outil, combiné au nombre de connexions dans le réseau, se révèle être
relativement puissant dans le sens où il permet d’obtenir la solution optimale en ne
défavorisant aucun des trois objectifs par rapport à un autre.

- 108 -
CHAPITRE IV – Optimisation de
réseaux d’eau et de chaleur

- 109 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Nomenclature du chapitre
L’eau est attribuée à l’indice i=1 et le polluant à l’indice i=2.
wpij → k débit circulant du procédé j au procédé k (T/h)
wrim → n débit d’eau ou de polluant circulant de l’unité de régénération m vers l’unité n (T/h)
wrpim → j débit d’eau ou de polluant circulant de l’unité de régénération m au procédé j (T/h)
wpri j → m débit d’eau ou de polluant circulant du procédé j à l’unité de régénération m (T/h)
wd i j débit d’eau ou de polluant circulant du procédé j à la décharge (T/h)
wrd im débit d’eau ou de polluant circulant de l’unité de régénération m à la décharge (T/h)
w1j débit d’eau fraîche entrant dans le procédé j (T/h)
yp j → k variable binaire du courant reliant le procédé j au procédé k
j
M charge polluante générée par le procédé j (g/h)

C max sj concentration maximale du polluant à la sortie du procédé j (ppm)

C max ej concentration maximale du polluant à l’entrée du procédé j (ppm)
We1j débit d’eau fixé pouvant entrer dans le procédé j (T/h)
TW température de l’eau fraîche (°C)
Tp j température de fonctionnement du procédé j (°C)

Trm température de fonctionnement de l’unité de régénération m (°C)

Td température de l’eau rejetée à la décharge (°C)
Qp j flux énergétique nécessaire pour chauffer le procédé j (énergie positive) (kW)
Qn j flux énergétique nécessaire pour refroidir le procédé j (énergie négative) (kW)
Qrpm flux énergétique nécessaire pour chauffer l’unité de régénération m (énergie positive)
(kW)
Qrnm flux énergétique nécessaire pour refroidir l’unité de régénération m (énergie négative)
(kW)
Qpd flux énergétique nécessaire pour chauffer l’eau rejetée à l’égout (énergie positive)
(kW)
Qnd flux énergétique nécessaire pour refroidir l’eau rejetée à l’égout (énergie négative)
Cp capacité calorifique
Fc( i ) débit calorifique du courant chaud i (kW/h)
Ff ( j ) débit calorifique du courant froid j (kW/h)
tc(i ,k ) température du courant chaud i pour une étape k de la superstructure (°C)
tcin( i ) température d’entrée du courant chaud i (°C)
tfin( j ) température d’entrée du courant froid j (°C)

- 110 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

tcout( i ) température de sortie du courant chaud i (°C)

tfout( j ) température de sortie du courant froid j (°C)
tucin température d’entrée de l’utilité chaude (vapeur) (°C)
tufin température d’entrée de l’utilité froide (eau) (°C)
tucout température de sortie de l’utilité chaude (vapeur) (°C)
tufout température de sortie de l’utilité froide (eau) (°C)
hc( i ) coefficient de transfert de chaleur du courant chaud i (kW/m2.°C)
hf ( j ) coefficient de transfert de chaleur du courant froid j (kW/m2.°C)
huc coefficient de transfert de chaleur de l’utilité chaude (vapeur) (kW/m2.°C)
huf coefficient de transfert de chaleur de l’utilité froide (eau) (kW/m2.°C)
Qtot _ c( i ) quantité de chaleur échangée pour le courant chaud i (kW)
Qtot _ f ( j ) quantité de chaleur échangée pour le courant froid j (kW)
tf ( j ,k ) température du courant froid j pour une étape k de la superstructure (°C)
q(i , j ,k ) énergie échangée entre le courant chaud i et le courant froid j (kW)
qc( j ) énergie échangée entre le courant chaud i et l’utilité froide (kW)
qf (i ) énergie échangée entre le courant froid j et l’utilité chaude (kW)
dt (i, j , k ) différence de température entre i et j pour une étape k de la superstructure (°C)
dtuf (i ) différence de température entre i et l’utilité froide (°C)
dtuc( j ) différence de température entre j et l’utilité chaude (°C)
A _ int (i, j , k ) aire d'échange pour le couplage i-j pour une étape k de la superstructure (m2)
A _ ucc( j ) aire d’échange pour le couplage Fj-Uc (m2)
A _ uff (i ) aire d'échange pour le couplage Ci-Uf (m2)
z (i, j , k ) variable binaire concernant l’existence de l'échangeur Ci-Fj
zuf (i ) variable binaire concernant l’existence de l’échangeur Ci-utilité froide
zuc( j ) variable binaire concernant l’existence de l’échangeur et Fj-Utilité chaude
tmapp température minimale d’approche (°C)
U paramètre fixé à une grande valeur (c.a.d. supérieure à chaque débit massique)
A aire de l’échangeur de chaleur (m2)
F1 fonction-objectif 1 : consommation totale d’eau fraîche (T/h)
F2 fonction-objectif 2 : débit total d’eau régénérée (T/h)
F3 fonction-objectif 3 : nombre total d’interconnexions
F4 fonction-objectif 4 : flux énergétique total nécessaire (kW)
F5 fonction-objectif 5 : nombre d’échangeurs de chaleurs présents dans le réseau
F6 fonction-objectif 6 : critère de coût
FD débit d’eau rejetée à la décharge (T/h)

- 111 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

L’eau et l’énergie sont très largement utilisées dans les industries et jouent un rôle
important au sein du développement durable d’une société. Réduire simultanément les
consommations d’énergie et d’eau fraîche dans une industrie constitue un but majeur.
Récemment, de nombreux efforts ont été effectués dans ce domaine suite à l’augmentation
significative du prix du pétrole, qui de plus, est prévu pour rester relativement élevé étant
donnée la diminution des ressources primaires. Dans les industries, l’eau est habituellement
utilisée afin de véhiculer la chaleur pour chauffer et/ou refroidir, ou comme moyen pour
extraire les impuretés suivant les différents courants. Par exemple, au sein des raffineries, la
vapeur d’eau est utilisée dans la séparation du brut sous vide ainsi que dans les opérations de
cokéfaction, de raffinage catalytique ou encore lors de l’alkylation. Toutes ces opérations
nécessitent ainsi une eau chauffée à une température donnée. Récemment, la conception des
réseaux d’eau et de chaleur a été traitée de façon séquentielle avec l’optimisation de
l’allocation du réseau d’eau dans un premier temps et ensuite celle du réseau de chaleur
(Leewongtanawit et Kim, 2008). Cela ne garantit pas forcément de trouver les points
optimaux car toutes les interactions entre les étapes ne sont pas réellement prises en compte.
Ce chapitre a pour but d’optimiser des réseaux d’eau et de chaleur selon plusieurs
objectifs. En introduisant de nouveaux paramètres par rapport aux chapitres précédents, ainsi,
le nombre de variables, de critères et la taille des problèmes va considérablement augmenter.
Les différents réseaux traités dans ce chapitre seront optimisés via des programmations
mathématiques de façon similaire à ce qui a été réalisé jusqu’ici. Deux façons d’aborder le
problème de réseaux d’eau et de chaleur sont rencontrées dans la littérature. La première
consiste à pratiquer une allocation du réseau, c'est-à-dire que les procédés sont assimilés à des
boîtes noires et le but est de trouver tous les débits d’eau circulant dans le réseau. La seconde
considère davantage le procédé et donne ainsi des informations sur les débits d’eau
nécessaires au bon fonctionnement de ce dernier. Ces deux pratiques sont ainsi abordées dans
ce chapitre et illustrées par différents exemples de la littérature. Enfin, des réseaux optimaux
en termes énergétiques et environnementaux seront proposés à l’issue des phases
d’optimisations dans chacun des cas présentés.

- 112 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

1. Allocation de réseaux d’eau et de chaleur

1.1 Formulation du problème

Un réseau contenant un certain nombre de procédés utilisant l’eau avec ou sans unités
de traitement en fonction de l’exemple considéré est optimisé. De façon similaire à ce qui a
été réalisé précédemment, les unités de procédé sont considérées comme des boîtes noires car
leur mode de fonctionnement et leur rôle au sein du réseau reste toujours inconnu. Cependant
un nouveau paramètre est introduit : la température de fonctionnement de chaque unité est
imposée et par conséquent déterminée. L’énergie est fournie en entrée de chacun des procédés
et de chacune des unités de régénération si elle est nécessaire. Cela signifie que lorsque les
courants entrent dans un procédé donné, ils se mélangent avec leur concentration et leur
température respectives, c’est après ce mélange qu’une énergie peut être fournie pour
réchauffer ou refroidir en fonction des besoins du procédé (Figure IV-1).

Figure IV-1. Superstructure générale d’un réseau

- 113 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Les données connues pour chaque procédé sont : les concentrations d’entrée et de
sortie maximales admises, la charge en polluant générée, la température de fonctionnement et
parfois le débit maximal d’eau permettant à l’unité de fonctionner correctement. Pour chaque
unité de régénération, la concentration de sortie est fixée ainsi que sa température. En fonction
de chaque problème, ces données pourront être adaptées ou précisées. Enfin, pour terminer
avec la définition de la superstructure, il est important d’ajouter que toutes les connexions
entre les divers éléments sont possibles et autorisées dans le programme hormis l’auto-
alimentation d’un procédé ou d’une unité de traitement.

L’introduction de la température nécessite l’ajout de nouvelles équations au sein du

programme mathématique. Les mêmes équations que dans la partie 2 du chapitre 2 sont
formulées de façon à obtenir un programme linéaire, d’autant que les réseaux traités ne
contiennent qu’un seul polluant. Tous les bilans de masse et de débits sont ainsi conservés de
même que les contraintes d’inégalité sur les concentrations d’entrée et de sortie.

Le bilan du flux énergétique pour un procédé j est donné par :

 j 
 1 1 1 
( )
 w × TW + ∑ wp k → j × Tpk + ∑ wrp m → j × Trm  + Qp j − Qn j ×/C p =
 k m 
(1)
 
Tp j ×  ∑ wp1j → k + wd 1j + ∑ wpr1j → m 
 
k m 

De même pour une unité de régénération m :

 
 ∑ wpr1 j →m × Tp j + ∑ wr1n→m × Trn  + (Qrp m − Qrnm )×/C p =
 
 j n 
(2)
 
Trm ×  ∑ wrp1m→ j + wrd1m + ∑ wp1m→n 
 j n 

Le bilan du flux énergétique au niveau de la décharge est exprimé par :

∑ wdr1j × Tp j + ∑ wrd1m × Trm + (Qpd − Qnd ) ×/C p =

j m
  (3)
Td ×  ∑ w1j + ∑ wrd1m 
 
 j m 

- 114 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Pour calculer le flux énergétique total, il suffit de prendre les valeurs absolues de
chacun des termes Q et de les ajouter. Cette notation est utile car dans certains exemples plus
concrets, il peut être important de ne considérer que l’énergie nécessaire pour chauffer et non
celle pour refroidir car d’un point de vue économique, elle peut ne pas être assez significative.
Le flux énergétique total obtenu sera exprimée en kW, comme cela a été fait dans la
littérature.

Enfin, d’autres contraintes au problème sont ajoutées afin que le réseau soit simple et
ne comporte pas d’aberrations en termes de mise en œuvre. Une limite inférieure est fixée
pour les débits d’eau afin d’éviter de trop petites connexions (dont le diamètre est inférieur à
un pouce soit 2.54 cm). Pour cette taille de tuyau, le débit d’eau circulant doit être supérieur à
2 T/h en considérant une vitesse de 1 m/s, vitesse considérée comme optimale d’un point de
vue technico-économique dans l’industrie des procédés, tel que cela a précédemment été
exposé au chapitre II :

(ε − wp ) ≤ U × (1 − yp )
1
j→k j →k
(4)
où U est un nombre très grand et ε=2. Enfin, les variables binaires sont introduites à l’aide
d’inégalités comme dans le chapitre précédent pour pouvoir introduire le critère portant sur le
nombre d’interconnexions dans le réseau et ce, pour chaque courant qui circule.

1.2 Méthode de résolution du problème multiobjectif

Le problème global reste ainsi linéaire et est résolu sous GAMS à l’aide d’un MILP
avec le solveur CPLEX 9.0. Dans les études antérieures, ce type de réseau est toujours
optimisé en minimisant un seul critère pouvant être la consommation énergétique globale ou
encore une fonction coût regroupant plusieurs critères en un seul. Or, traiter un tel problème
selon un seul objectif tend à réduire l’espace des solutions car un seul réseau est finalement
obtenu. Suite aux chapitres précédents, il est évident que toutes les solutions doivent être
envisagées et que nombre d’entre elles peuvent présenter un choix potentiel pour l’utilisateur.
Ainsi, plusieurs objectifs sont proposés et seront utilisés ou non selon le réseau optimisé :

- F1 : la consommation d’eau fraîche (exprimée en T/h),

- F2 : le débit d’eau régénérée (T/h),
- F3 : le nombre de connexions dans le réseau,

- 115 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

- F4 : la consommation énergétique totale (kW)

- F5 : le nombre d’échangeurs de chaleur présents dans le réseau,
- F6 : un critère de coût pourra aussi être introduit afin d’améliorer les solutions
obtenues.
Pour un problème donné, les objectifs choisis sont dans un premier temps minimisés un
par un afin d’obtenir les bornes du problème (Utopia values). Ensuite, la stratégie adoptée est
identique à celle utilisée pour les réseaux d’eau : elle est basée sur la méthode epsilon-
contrainte qui permet d’optimiser un des objectifs en bornant ou en fixant les autres à des
valeurs définies.

1.3 Premier exemple d’application : 8 procédés

Le premier réseau est issu d’une étude de Bagajewicz et al. (2002) et a été repris plus
tard par Feng et al. (2009). Il comporte 8 procédés mais n’a pas d’unité de régénération. Le
modèle contient ainsi 103 contraintes et 140 variables. La température de l’eau fraîche est
fixée à 20°C et celle des eaux rejetées à l’égout ne doit pas excéder 30°C. Les données du
problème se trouvent dans le tableau IV-1.

Procédé C max ej (ppm) C max sj (ppm) M j (g/h) TPj (°C)

1 25 80 2000 40
2 25 90 2880 100
3 25 200 4000 80
4 50 100 3000 60
5 50 800 30000 50
6 400 800 5000 90
7 400 600 2000 70
8 0 100 1000 50
Tableau IV-1. Données de l’exemple 1.

Même si ce réseau ne comporte pas d’unité de régénération, il est apparu important de

le traiter afin de valider la formulation proposée pour ce qui est de l’introduction des
températures et du calcul du flux énergétique total. Tel qu’il est posé, le problème nécessite
une optimisation tri-critère. Afin de borner les valeurs des différents objectifs, des
optimisations monocritères ont été menées et les résultats figurent dans le tableau IV-2.

Eau Fraîche (T/h) Nombre de connexions Energie totale (kW)

Valeur minimale 125.9 8 31943
Tableau IV-2. Résultats des optimisations monocritères pour l’exemple 1
- 116 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Le débit d’eau fraîche minimal pour le réseau est 126 T/h, valeur obtenue par
Bagajewicz et al. (2002), ainsi que par Feng et al. (2009). Le nombre de connexions minimal
est 8 alors que lorsque ce paramètre est laissé libre il atteint 64. Enfin, le minimum du flux
énergétique à fournir pour que le réseau fonctionne est de 31943 kW. Cette valeur ne peut pas
être comparée à la valeur trouvée par les autres auteurs car le problème n’est pas traité de la
même façon. Les études antérieures proposent une intégration énergétique tandis qu’ici les
échangeurs sont positionnés en entrée de procédé et avant la décharge à l’égout sans
intégration si le besoin en température de chacune des unités l'exige. Le but de cette première
approche consiste à proposer une aide à la décision efficace suite à l’obtention de l’ensemble
des solutions possibles. Cependant, dans les parties suivantes une intégration énergétique sera
menée afin de proposer une extension de cette méthode.

43000
Consommation d'énergie minimale (kW)

40000

37000

34000

31000
6 8 10 12 14 16
Nombre de connexions

Figure IV-2. Consommation énergétique minimale obtenue pour différents nombre de connexions.

La figure IV-2 met en évidence les résultats de la minimisation du flux énergétique

total en fonction du nombre de connexions. De façon prévisible, plus le réseau contient de
connexions, moins l’énergie à fournir sera importante car le système est de moins en moins
contraint. Si c’est l’eau fraîche qui est considérée au lieu du nombre de connexions, la même
tendance est observée sur la figure IV-3 : plus la consommation d’eau fraîche est faible et plus
le nombre de connexions minimal augmente dans le réseau.

- 117 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

160
155
Consommation d'eau fraîche 150
minimale (T/h) 145
140
135
130
125
120
6 8 10 12 14 16
Nombre de connexions

Figure IV-3. Consommation d’eau fraîche minimale for différents nombres de connexions.

Les observations des figures IV-2 et IV-3 montrent que lorsque le nombre de
connexions est égal à 12 on peut avoir d’un côté le minimum d’eau fraîche, et de l’autre le
minimum d’énergie. En revanche, on ne peut pas avoir les deux en même temps. Ainsi, les
optimisations bicritères considérant la consommation énergétique en fonction du débit d’eau
fraîche utilisé vont être menées pour un nombre de connexions compris entre 8 et 12.

Ces résultats sont ainsi représentés dans la figure IV-4 qui met seulement en évidence
les points non dominés, ce sont donc des fronts de Pareto. En effet, d’autres solutions sont
possibles mais elles sont toutes dominées par celles placées sur la figure. Ainsi, pour un
réseau très simple avec seulement 8 connexions, une seule solution optimale existe mais cette
configuration implique une consommation énergétique de 41800 kW tout en utilisant 154.5
T/h d’eau fraîche ce qui fait de cette solution un réseau simple mais très peu avantageux d’un
point de vue économique. En augmentant la complexité des réseaux, les consommations d’eau
et d’énergie diminuent mais toujours l’une au détriment de l’autre. Si une connexion est
ajoutée, 4 solutions sont disponibles (triangles sur la figure 4) proposant des consommations
en eau et énergie plus faibles. Il en est de même lorsque le réseau est constitué de 10, 11 ou 12
connexions. C’est pour 11 connexions que le minimum d’eau fraîche (125.9 T/h) est atteint et
pour 12 connexions que la consommation énergétique est minimale (31943 kW). Ces deux
valeurs ne peuvent cependant pas être atteintes de façon simultanée.

- 118 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Consommation énergétique (kW) 41000

39000

37000
8 connexions
35000 9 connexions
10 connexions
33000
1
11 connexions
2 12 connexions
31000
120 125 130 135 140 145 150 155 160
Débit d'eau fraiche (T/h)

Figure IV-4. Résultats de l’optimisation bi-critère du débit d’eau fraîche vs la consommation énergétique
pour différents nombres de connexions dans le réseau.

Dans la littérature, les auteurs trouvent toujours le minimum d’eau fraîche

(Bagajewicz et al., 2002 ; Dong et al., 2008 ; Feng et al., 2009) pour le réseau considéré et
minimisent ensuite la consommation énergétique globale. Comme cela peut être observé sur
la figure 4, seules deux solutions sont disponibles pour le minimum d’eau fraîche : un réseau
avec 11 connexions et une consommation de 33934 kW et un autre avec 12 connexions et
33649 kW pour le flux énergétique. Même si ces deux réseaux sont des solutions
envisageables ce ne sont pas les seuls et les autres méritent aussi d’être étudiées.

En considérant des coûts donnés dans la littérature, une brève analyse permet de se
rendre compte facilement que le réseau noté 1 dans la figure 4 n’est pas forcément le meilleur
choix d’un point de vue pratique. Le coût de l’eau fraîche est donné par Kim et al. (2010) à
0.45€ la tonne tandis que le celui de l’énergie est évalué à 0.095€ le kWh d’après le portail de
l’énergie en Europe ([Link] Pour un nombre de connexions
identique (11), les réseaux notés 1 et 2 (Figure IV-4) sont comparés :

- Le réseau 1 consomme environ 5 T/h d’eau de moins que le réseau 2 ce qui lui permet
de faire obtenir un bénéfice de 19720 € sur une année complète d’activité avec le coût
retenu.

- 119 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

- D’autre part, le réseau 1 consomme 33650 kWh tandis que le réseau 2 demande 32680
kWh d’énergie. Le second permet ainsi un bénéfice de 800 000€ sur un an.
Le réseau 2 permet ainsi de faire plus de 7% de bénéfice en comparaison au réseau 1. Ceci
montre bien qu’en fonction des coûts choisis, se placer au minimum d’eau fraîche ne garantit
pas une solution optimale en termes de coût. Enfin, la figure 5 montre le schéma du réseau 2.
Les connexions reliant les procédés à l’égout sont représentées mais ne sont pas
comptabilisées dans le nombre total de connexions, le coût de l’eau étant dérisoire par rapport
à celui de l’énergie, faire un choix sur ce seul critère parait illusoire.

+ 1678
20
27.5 20 5
32 25.7 4
2
+ 297 40
+ 10700 7
16.5 + 167
+ 1254 3 8.3 6
10
8 + 3611 + 347
- 12540
25 1
+ 2090

Figure IV-5. Schéma du réseau choisi, noté 2 sur la figure IV-4. Les valeurs en gras italiques représentent
les consommations énergétiques (kW) nécessaires et les autres sont les débits d’eau.

2. Intégration des réseaux d’eau et de chaleur

2.1 Formulation du problème

L’intégration d’un réseau d’eau et de chaleur se réalise en deux étapes :

- La première réside en l’obtention d’un réseau d’eau grâce à la méthode qui a été mise
en place dans la partie précédente. Si dans la littérature un seul réseau d’eau est obtenu
suite à cette première étape, dans ce travail ce sont des fronts de Pareto qui sont tracés
afin de proposer différentes solutions. Cette étape, identique à ce qui a été réalisé dans
la partie 1.3 de ce chapitre, se résout à l’aide d’une procédure MILP, le problème se
formulant de façon linéaire.

- 120 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

- Une fois les réseaux d’eau optimaux obtenus, la seconde étape consiste à intégrer un
réseau d’échangeurs de chaleur dans le réseau d’eau considéré. Pour ce faire, le réseau
est décomposé en courants chauds et froids caractérisés par des températures de début
et fin de parcours ainsi que par un débit d’eau. Cette nouvelle étape est explicitée dans
cette partie du chapitre car elle nécessite un programme mathématique indépendant de
celui de la première.

Afin de faciliter la formulation du modèle mathématique, quelques hypothèses

basiques de simplification sont initialement introduites :
- Le procédé est stationnaire.
- Les unités de procédé fonctionnent de façon isotherme, c'est-à-dire qu’ils ont la même
température d’entrée et de sortie.
- L’intégration de la chaleur implique seulement les courants d’eau et les utilités chaudes
ou froides. N’importe quel autre courant est exclu pour des raisons de simplification.
- Les courants considérés ont une capacité calorifique constante.
- Enfin, les échangeurs de chaleur disponibles sont de type contre-courant.
Le modèle permet de concevoir un réseau d’échangeurs de chaleur en minimisant une
fonction donnée (coût ou consommation énergétique) tout en satisfaisant des demandes de
chauffage et de refroidissement données. La formulation est adaptée d’un modèle développé
en 1990 par Yee et al., ce dernier étant basé sur une superstructure en étapes d’un réseau
d’échangeur de chaleur représentée sur la figure IV-6.

Figure IV-6. Superstructure d’un réseau d’échangeurs de chaleur (modifiée de Yee et al., 1990)

- 121 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

- Lorsque le réseau d’eau à intégrer est obtenu, les courants chauds et froids doivent être
isolés de façon à connaître leurs températures d’entrée et de sortie ainsi que le débit
calorifique qui les parcourt.
Les données à connaître pour intégrer un tel réseau sont récapitulées dans le tableau IV-3.

Paramètres Associé à Symbole Unité

Débit calorifique Courants chauds et froids Fc(i ), Ff ( j ) kW/°C

Température d’entrée Courants chauds et froids Tcin(i ), Tfin( j ) °C

Température de sortie Courants chauds et froids Tcout (i ), Tfout ( j ) °C

Utilités chaudes (vapeur)
Température d’entrée tucin, tufin °C
et froides (eau)
Utilités chaudes (vapeur)
Température de sortie tucout, tufout °C
et froides (eau)
hc(i ), hf ( j )
Coefficient de transfert de
Côtés chaud et froid kW/m2°C
chaleur
Coefficient de transfert de Utilités chaudes (vapeur)
huc, huf kW/m2°C
chaleur pour utilité et froides (eau)
Quantité de chaleur échangée Courants chauds et froids Qtot _ c(i ), Qtot _ f ( j ) kW
Tableau IV-3. Paramètres nécessaires pour l’intégration d’un réseau d’eau

Les équations permettant de décrire le problème sont basées sur des bilans
énergétiques ainsi que des calculs d’aires d’échanges :
- Les bilans énergétiques des courants chauds (i) et froids (j) à l’étape k de la
superstructure s’écrivent respectivement :
Fc(i ) × (tc(i ,k ) − tc(i ,k + 1)) = ∑ q(i , j ,k ) (5)
j

Ff ( j ) × (tf ( j , k ) − tf ( j ,k + 1)) = ∑ q (i , j , k ) (6)

i

- De la même manière, les bilans énergétiques du courant chaud i avec l’utilité froide et
du courant froid j avec l’utilité chaude sont :
Fc(i ) × (tc(i ,k ) − tcout (i )) = qf (i ) (7)

Ff ( j ) × (tfout ( j ) − tf ( j ,k )) = qc( j ) (8)

- Afin d’affecter les températures d’entrée des courants chauds et froids, les équations
(9) et (10) sont introduites :

- 122 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

tcin(i ) = tc(i ,k ) (9)

tfin(i ) = tf ( j , k ) (10)
- Les calculs des aires d’échanges pour le couplage d’un courant chaud i avec un froid j à
l’étape k, pour un courant froid j avec une utilité chaude et pour un courant chaud avec
une utilité froide sont donnés respectivement par (Yee et al., 1990):
 1 1 
q (i , j ,k ) ×  + 
AInt (i , j ,k ) =  hc(i ) hf ( j )  (11)
1
 dt (i , j ,k ) + dt (i , j ,k + 1)  3
 dt (i , j ,k ) × dt (i , j ,k + 1) × 
 2 

 1 1 
qc( j )×  + 
AUcc( j ) =  hf ( j ) huc  (12)
1
 (tucin − tfout ( j )) + dtuc( j )  3
 (tucin − tfout ( j )) × dtuc( j )× 
 2 

 1 1 
qf (i )×  + 
Auff (i ) =  hc(i ) huf  (13)
1
 (tcout (i ) − tufin ) + dtuf (i )  3
 (tcout (i ) − tufin ) × dtuf (i ) × 
 2 

Enfin, les variables binaires z sont introduites par l’ajout de contraintes logiques afin
de pouvoir apprécier la présence ou non des échangeurs et utilités :

( )
q(i , j ,k ) − min Qtot c(i ) ,Qtotf ( j ) × z (i , j ,k ) ≤ 0 (14)

qf (i ) − Qtot c(i ) × zuf (i ) ≤ 0 (15)

qc( j ) − Qtot f ( j ) × zuc( j ) ≤ 0 (16)

La température minimale d’approche (tmapp) représentant les bornes inférieures de dt,

dtuc et dtuf est fixée à 10°C comme dans la majorité des travaux antérieurs. Les équations (5)
à (16) constituent donc un ensemble d’équations non linéaires contenant des variables
binaires. Le problème se résout par conséquent à l’aide d’une méthode MINLP. C’est avec le
solveur COIN-COUENNE que les optimisations ont été réalisées car il est capable de gérer
une phase d’initialisation de façon autonome.
- 123 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

2.2 Exemple d’application

L’exemple permettant de valider cette méthode en deux étapes est issu de Bagajewicz
et al. (2002) et a été repris plus récemment par Dong et al. (2008). Il comporte 3 procédés
sans unité de régénération. L’eau fraîche arrive dans le réseau à une température de 20°C et
l’eau usée doit être rejetée à l’égout à 30°C. Les données de cet exemple sont regroupées dans
le tableau IV-4. Pour ce réseau, des données additionnelles sont fournies : il s’agit des débits
maximaux autorisés pour chacun des procédés.

Procédé C max ej (ppm) C max sj (ppm) M j (kg/s) TPj (°C) W max1, j (kg/s)
1 50 100 5000 100 100
2 50 800 30000 75 40
3 800 1000 50000 100 166.7
Tableau IV-4. Données de l’exemple considéré (Dong et al., 2008)

2.2.1 Optimisation du réseau d’eau sans intégration énergétique

Dans un premier temps, la même étude que celle de la partie 1.3 de ce chapitre est
menée tout en conservant la même stratégie d’optimisation multiobjective. Les résultats des
optimisations monocritères sont d’abord mis en évidence dans le tableau IV-5.

Eau Fraîche (kg/s) Nombre de connexions Energie totale (kW)

Valeur minimale 77.27 3 46930
Tableau IV-5. Résultats des optimisations monocritères pour le réseau considéré.

Le minimum de connexions (toujours hormis celles allant à l’égout) se situe à 3 et le

débit d’eau fraîche est minimal lorsqu’il vaut 77.27 kg/s, valeur obtenue par les études
précédentes. Enfin, la consommation énergétique minimale sans intégration énergétique est de
46930 kW.

Ce réseau, avec 3 unités de procédés, est relativement simple ce qui explique qu’il
n’existe que trois solutions non dominées (Tableau IV-6). Par conséquent, ces solutions ne
sont pas illustrées par des fronts de Pareto mais sont regroupées dans le tableau IV-6.

Eau Fraîche (kg/s) Nombre de connexions Energie totale (kW)

Réseau 1 87.5 3 47025
Réseau 2 77.27 5 48450
Réseau 3 88.2 5 46930
Tableau IV-6. Résultats des optimisations multicritères

- 124 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Pour 3 connexions, le réseau consommerait 87.5 kg/s d’eau fraîche et 47025 kW pour
le flux énergétique (Réseau 1). En ajoutant 2 connexions, soit on améliore le débit d’eau
fraîche en passant au minimum possible : 77.27 kg/s (Réseau 2) soit on améliore la
consommation énergétique en la diminuant jusqu’au minimum possible : 46930 kW (Réseau
3). Systématiquement, dans les travaux antérieurs, le réseau désigné est celui qui correspond
au minimum d’eau fraîche, soit dans le cas présent, le réseau 2. Cependant, ce point ne
garantit pas forcément un coût ou une consommation énergétique optimale, d’où l’intérêt
d’une telle étude multiobjective. Les schémas des 3 réseaux sont représentés sur la figure IV-
7.

Réseau 1

Réseau 2

Réseau 3

Figure IV-7. Schémas des 3 réseaux.

Les débits d’eau sont exprimés en kg/s, le numéro de la connexion est indiqué entre parenthèses et l’utilité
à fournir pour chaque échangeur de chaleur est indiquée en kW, en italique. Une utilité négative
représente un refroidissement et une positive un réchauffement.
- 125 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

2.2.2 Amélioration des solutions via l’intégration énergétique

Afin de choisir une solution parmi les 3 réseaux proposés, un coût est désormais
introduit en tant que critère à minimiser pour la résolution MINLP visant à mener une
intégration énergétique des réseaux. Le programme MINLP est celui explicité à la fin de la
partie 2.1 du présent chapitre. Chaque réseau est ainsi décomposé en courants froids et chauds
possédant un débit calorifique donné ainsi que des températures d’entrée et de sortie fixées.
Le critère est issu de Dong et al. (2008) dans le but de comparer les résultats avec ceux
obtenus dans cette étude. De façon commune (Bogataj et Bagajewicz, 2008 ; Dong et al.,
2008), la fonction objectif s’exprime par l’équation suivante :

Coût = ∑∑∑ C EC (i , j ) × z (i , j ,k ) + ∑ C EC (i )× zuf (i ) + ∑ C EC ( j ) × zuc( j )

i j k i j

+ ∑∑∑ C A (i , j ) ×AInt (i , j ,k )β + ∑ C A (i )× Auff (i )β + ∑ C A ( j ) × Aucc ( j )β

i j k i j
  (17)
+ f a  ∑ Cuf (i )× qf (i ) + ∑ Cuc ( j )× qc( j ) + ∑W1, j × C EF
 
 i j  j

( ) ( )
 
+ Ccon  ∑ ∑ ∑ yf i ,i 0 ,k + ∑ ∑ ∑ yc j , j 0 ,k
 i i0 ≠i k j j0 ≠ j k
 

Cette fonction exprimant le coût total du réseau prend ainsi en compte :

- Le coût d’investissement des échangeurs de chaleur par :

∑∑∑ C EC (i , j )× z (i , j ,k ) + ∑ C EC (i )× zuf (i ) + ∑ C EC ( j )× zuc( j ) +

i j k i j
(18)
∑∑∑ C A (i , j )×AInt (i , j ,k )β + ∑ C A (i )× Auff (i )β + ∑ C A ( j )× Aucc ( j )β
i j k i j

- Le coût d’investissement des connexions du réseau :

 
 ( )
Ccon  ∑ ∑ ∑ yf i ,i 0 , k + ∑ ∑ ∑ yc j , j 0 , k
 i i0 ≠i k
( )

 (19)
 j j0 ≠ j k 
- Le coût annuel de la consommation énergétique du réseau :
 
f a  ∑ Cuf (i )× qf (i ) + ∑ Cuc ( j )× qc( j ) (20)
 
 i j 
- Le coût de l’eau fraîche consommée :
- 126 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

∑W1, j × C EF (21)
j

Les paramètres retenus pour les différents coûts utilisés dans les équations (17) à (21)
sont regroupés dans le tableau IV-7, les valeurs sont issues de Dong et al. (2008).

Symbole Signification Valeur Unité

C EC Coût fixe d’investissement pour un échangeur de chaleur 8000 $/an
CA Facteur préexponentiel pour le coût de l’aire d’échange 1200 $/an
Cuf Coût de l’utilité froide 189 $/kW
Cuc Coût de l’utilité chaude 377 $/kW
C EF Coût de l’eau fraîche 0.45 $/T
β Exposant pour le coût des aires 0.6 -
0.91
fa Fraction de temps d’opération de l’usine -
(8000h/an)
tucin, tucout Températures d’entrée et de sortie de la vapeur pour
120 °C
chauffer
tufin, tufout Températures d’entrée et de sortie de l’eau pour refroidir 10 et 20 °C
huc, huf , hc, hf Coefficients de transfert de chaleur 0.5 kW/m2°C
tmapp Température minimale d’approche 10 °C

Tableau IV-7. Paramètres de coûts et d’opérations pour le réseau d’échangeurs de chaleur.

Pour les 3 réseaux présentés plus haut, l’intégration énergétique est effectuée avec la
procédure MINLP résolue avec COIN-COUENNE sous GAMS. La particularité de ce solveur
est de mener une phase d’initialisation de façon autonome facilitant les calculs. Lors de cette
étape, le but est de trouver lequel des 3 précédents réseaux intégrés conduit à un coût
minimum. Le coût global explicité avec l’équation (17) est séparé de façon logique en deux
termes distincts :

- Un coût d’investissement (CI), regroupant les équations (18) et (19) donné par :
CI = ∑∑∑ C EC (i, j )× z (i, j , k ) + ∑ C EC (i )× zuf (i ) + ∑ C EC ( j )× zuc( j ) + ∑∑∑ C A (i, j )×
i j k i j i j k


( )
AInt (i, j , k ) + ∑ C A (i )× Auff (i ) + ∑ C A ( j )× Aucc ( j ) + Ccon  ∑∑∑ yf i, i 0 , k + ∑ ∑∑ yc j , j 0 , k
β β β
( )
i j  i i 0 ≠i k j j0 ≠ j k 
(22)
- Un coût annuel opérationnel (CAO), exprimé par la somme des équations (20) et (21) :
 
CAO = f a  ∑ Cuf (i )× qf (i ) + ∑ Cuc ( j )× qc( j ) + ∑W1, j × C EF (23)
 i j  j

- 127 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Le tableau IV-8 regroupe les données relatives aux caractéristiques et aux résultats de
l’optimisation pour les 3 réseaux ainsi que pour le réseau optimal obtenu par Dong et al.
(2008). Dans cette dernière étude, les auteurs ont intégré directement le réseau conduisant au
minimum d’eau fraîche sans proposer d’optimisation multiobjectif préalable. Cependant, il est
important de constater que l’intégration du réseau 2 (minimum d’eau fraîche) conduit à un
coût total minimal de 4.31 M$ alors que Dong annonce une valeur de 2.937 M$ pour le même
réseau. La différence entre ces deux résultats provient du fait que le programme MINLP
utilisé dans le présent travail n’autorise pas les divisions de courant. Cela signifie qu’un
courant va forcément d’un procédé à un autre sans pouvoir se diviser, ce qui contraint
d’avantage le problème. Par conséquent, une optimisation MINLP a aussi été réalisée sur le
réseau 2 en autorisant les divisions de courant. La valeur obtenue pour le coût total minimum
est 2.938 M$ (Tableau IV-8), elle est pratiquement égale à celle avancée par Dong et al.
(2008).

Coût
CI CAO
Réseaux Caractéristiques Total
(M$) (M$)
(M$)
Réseau 1 2 courants froids
0.468 2.398 2.861
(Nombre minimal de connexions) 2 courants chauds
Réseau 2
3 courants froids
(Consommation d’eau fraîche 0.57 3.74 4.31
2 courants chauds
minimale)
Réseau 3
3 courants froids
(Consommation énergétique 0.601 3.149 3.75
3 courants chauds
minimale)
4 courants froids
Réseau de Dong et al. (2008) 0.305 2.632 2.937
3 courants chauds
4 courants froids
Réseau 2 avec divisions de courants 0.567 2.371 2.938
3 courants chauds
Tableau IV-8. Résultats de l’intégration énergétique sur les 3 réseaux retenus.

Enfin, à la lecture des résultats, une information importante à retenir est que le coût
minimal est obtenu pour le réseau 1. Ce réseau était celui qui comportait le plus faible nombre
de connections lors de la première étape et des consommations d’eau et d’énergie
intermédiaires. Or, suite à l’intégration énergétique, c’est celui-ci qui minimise le mieux le
coût total avec 2.861M$.

- 128 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Cette étude préalable montre ainsi l’utilité de mener à bien une analyse multiobjectif
post-intégration dans le sens où ce n’est pas forcément le réseau atteignant le minimum d’eau
fraîche qui devient optimal lorsque le coût est minimisé. Dans ce cas, le réseau le plus simple
est le plus avantageux en termes de coût annuel, déclassifiant même la solution proposée par
Dong et al. (2008) dans laquelle les divisions de courants étaient autorisées.

3. Optimisation multiobjectif d’un cas réel industriel

3.1 Transformation du problème original

L’optimisation est à présent menée sur un cas réel de réseau de façon à étudier le
problème de façon plus concrète. Le réseau d’eau étudié est inspiré d’une industrie papetière
Malaisienne. Manan et al. (2009) ont optimisé ce réseau à l’aide de la méthode du pincement
en minimisant la consommation d’eau fraîche d’abord puis l’énergie dans une seconde étape.
Au sein de ce type d’industrie, l’eau est utilisée en abondance pour des procédés tels que la
dilution, le nettoyage, la production de vapeur ou encore la mise en forme des feuilles de
papier. D’autre part, l’énergie thermique est employée au niveau des procédés de séchage et
pour générer l’électricité de l’usine. La figure IV-8 montre la structure de l’usine telle qu’elle
fonctionne actuellement.

Figure IV-8. Superstructure de l’industrie papetière avant optimisation (Manan et al. 2009).

La méthode utilisée dans ce travail exige des données de départ bien précises pour
optimiser le réseau. Comme indiqué précédemment, il est nécessaire d’obtenir pour chacune
- 129 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

des unités de procédés, des concentrations maximales d’entrée et/ou de sortie, une
température de fonctionnement et un débit d’eau maximal. Manan et al. (2009) ont travaillé
sur la méthode du pincement via une séparation des données en sources et demandes obtenue
à partir de la figure IV-8. Ainsi, l’étape de presse par exemple, se décompose en 3 sous-unités
de procédé ayant chacune leurs caractéristiques bien définies. De plus, les concentrations de
sortie sont connues en différents points après mélange de certains courants. Tous les courants
sortant des stations de formage et de pressage (soit 5 au total) se mélangent et c’est après ce
mélange que la concentration est connue, dans ce cas elle est de 3750 ppm. C’est à partir de
ces valeurs, que la charge en contaminant M j de chaque unité est déduite de la relation

suivante : M j = C max sj × We1j − C max ej × We1j (24)

avec We1j le débit d’eau fixé pour le procédé j représentant la somme des courants entrant
en tenant compte de l’eau fraîche, de l’eau régénérée et de l’eau provenant directement des
autres procédés. Une fois tous les calculs nécessaires effectués, le réseau contient 12 unités de
procédé, 4 unités de régénération et un polluant (Figure IV-9). Le polluant considéré
représente la quantité totale de solides en suspension mesurée en parties par million (ppm), il
rassemble ainsi différentes variétés de polluants inclus dans l’eau permettant d’assimiler le
problème à un système monopolluant.

Dans cette usine, la machine à papier est composée de deux sections : une unité de
formation suivie d’une presse. Une fois formée, la pulpe de bois est appelée « stock » et c’est
ce stock qui est envoyé vers la section de formage afin que la feuille de papier soit constituée
puis amenée vers les presses. La machine à papier peut ainsi recevoir de l’eau des différentes
unités de régénération, de l’unité de défibrage ainsi que de la tour de clarification. Cependant,
les différentes unités constituant la machine à papier ne peuvent pas s’échanger des courants
d’eau. L’eau apportée au sein de la machine est utilisée pour éliminer les débris des sections
de formage et de pressage, elle est ensuite enlevée du stock et quitte la machine. Cette eau est
alors envoyée en partie vers les filtres à disques afin de récupérer les nombreuses fibres
qu’elle transporte. Elle peut aussi être dirigée vers le procédé de désencrage ainsi que vers
l’unité de flottation à air dissous. Il est important de noter qu’une importance est apportée aux
trajets des courants d’eau, celui des fibres et de la pulpe de bois n’étant pas le cœur du sujet
traité dans ce travail. Le décanteur (défibreur) est alimenté en eau afin d’extraire les polluants

- 130 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

plus lourds que les fibres, de l’eau fraîche lui est en général nécessaire (défibreur I). Enfin,
l’eau fraîche est aussi utilisée pour dilution lors du désencrage chimique. Les 4 unités de
régénération disponibles sont 3 disques de filtration et 1 unité de flottation à air dissous. La
première catégorie repose sur un principe classiquement utilisé dans les industries papetières :
cela fonctionne en passant les eaux usées à travers des filtres à disques (filtrant sur les deux
faces) afin de disposer dans un espace réduit de la plus grande surface pour piéger le contenu
solide. L’unité de flottation à air dissous, est une technique de purification de l’eau utilisée
pour enlever les particules en suspension. En générant de fines bulles de gaz dans l’eau usée,
par introduction d’eau saturée et de gaz (généralement de l’air) sous pression, les particules à
éliminer fixent les microbulles et remontent à la surface où elles sont récupérées. Ainsi, l’eau
soutirée en bas du décanteur quitte l’unité à de plus faibles concentrations. Les données
annoncées sur la figure IV-9 sont celles qui ont été récupérées à partir des schémas de
fonctionnement de l’usine et ceux obtenus par Manan et al. (2009).

Procédés Type We1j (T/h) C max ej (ppm) M j (g/h) T (°C)

1 Formage I 54 20 201420 50
2 Formage II 155 160 556450 43
3 Pressage I 126 20 469980 50
4 Pressage II 169 100 616850 43
5 Pressage III 677 160 2430430 43
6 Défibreur I 18 20 2826 38
7 Défibreur II 104 160 1775 46
8 Défibreur III 68 250 -4993 40
9 Préparation chimique 36 20 0 81
10 Procédé de désencrage 432 148 756720 49
11 Clarification I 202 20 28224 38
12 Clarification II 1130 150 11304 46
Unités de Cls (ppm)
Type Wre1l (T/h) T (°C)
régénération
1 Disque de filtration I 169 250 - 40

2 Disque de filtration II 436 100 - 43

3 Disque de filtration III 1130 150 - 46

4 Flottation à air dissous 832 150 - 48

Tableau IV-9. Données de l’usine de pâtes et papiers.
- 131 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Les charges en contaminants ont été calculées a posteriori. L’ensemble des données est
consigné dans le tableau IV-9 pour plus de lisibilité.

Figure IV-9. Superstructure de l’usine contenant 12 procédés et 4 unités de traitement. Les données
écrites sont celles avancées par Manan et al. (2009) : les concentrations maximales d’entrée des procédés,
les concentrations post-régénération ainsi que les débits d’eau.

Les températures étaient données pour chacun des procédés, cependant, une réécriture
plus pertinente à permis d’écrire le problème tel que le montre la superstructure de la figure
IV-10. Dans cette figure, des « boites » ont été ajoutées afin que l’estimation des températures

- 132 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

concorde davantage à la réalité. Par exemple, à la sortie de l’unité de formation, les deux
courants provenant des unités de formation I et II se mélangent à présent avec leurs débit et
température respectifs. Cet artifice permet de distribuer un courant ayant une température plus
adaptée au cas réel et augmente le nombre de procédés de 4 unités. Les 4 procédés ainsi créés
n’ont cependant pas les mêmes possibilités que les autres : ils ne peuvent recevoir l’eau que
de leur prédécesseur. Cela signifie que le courant sortant de l’unité de formage I ne peut aller
qu’au mélangeur I (figure IV-10) et ce dernier ne peut recevoir que ce courant et celui
provenant de l’unité de formage II. Le réseau global comporte désormais 16 procédés et 4
unités de régénération. Pour terminer avec les paramètres, selon Manan et al. (2009), la
température de l’eau fraîche est fixée à 30°C et l’eau doit être rejetée à l’égout à une
température de 35°C.

A l’instar de ce qui a été réalisé précédemment, ce réseau va être optimisé selon

plusieurs méthodes. Dans un premier temps, l’allocation est réalisée afin d’obtenir des fronts
de Pareto exprimant le débit d’eau fraîche en fonction de la consommation énergétique.
Ensuite, une intégration énergétique est menée en minimisant plusieurs critères de coût. Pour
terminer, une analyse plus intuitive post-allocation sera aussi menée afin d’avoir une grille de
comparaison des méthodes complète.

- 133 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Figure IV-10. Superstructure de l’usine contenant 16 procédés et 4 unités de traitement.

- 134 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

3.2 Allocation du réseau d’eau et de chaleur

Comme cela peut être observé sur la figure IV-8, le réseau actuel de l’industrie
comporte 6 échangeurs de chaleur. Dans cette étude, un échangeur peut être placé si
nécessaire à l’entrée de chacun des procédés, il peut chauffer ou refroidir en fonction du
besoin. Dans la pratique, il n’est pas très intéressant, en terme de coût d’investissement de
positionner un échangeur sur chacun des 12 procédés, des 4 unités de régénération et de
l’égout soit 18 échangeurs au total. C’est ainsi qu’un nouveau critère est formulé : le nombre
d’échangeurs présents dans le réseau, ce critère doit être minimisé. Ceci transforme le
problème, car il implique l’ajout de variables binaires. Les objectifs retenus sont ainsi : le
débit d’eau fraîche, la consommation énergétique, le nombre d’échangeurs et enfin le nombre
de connexions.

Optimisations préalables
Afin d’obtenir les bornes du problème, le réseau est optimisé selon un seul objectif au
préalable, et ce, pour les 4 critères. Les résultats sont ainsi donnés dans le tableau IV-10.

Débit d’eau Energie totale Nombre Nombre de

Critères
fraîche (T/h) (kW) d’échangeurs connexions
Valeur
377.5 36621 8 27
minimale
Tableau IV-10. Résultats des optimisations monocritères.

A ce stade, il est important de noter que la consommation d’eau fraîche minimale

obtenue est 377.5 T/h, valeur préalablement annoncée par Manan et al. (2009). Cela vient
créditer la formulation du problème et montre que le réseau est traité de façon identique à ce
qui a été réalisé auparavant. Le nombre de connexions est étroitement lié au nombre
d’échangeurs présents dans le réseau : plus le réseau va contenir des échangeurs de chaleur et
moins celui-ci va être complexe car moins contraint. La figure IV-11 représente ainsi le
nombre de connexions minimal pour chaque nombre d’échangeurs dans le réseau. Ainsi, dans
la suite de l’étude, lorsque le nombre d’échangeurs est fixé, le nombre de connections
minimal lui est automatiquement associé dans le programme. Par exemple, lorsqu’un réseau à
8 échangeurs est traité, il comportera forcément un nombre de connexions inférieur à 41+2.
La valeur 2 est ajoutée au nombre minimal (41 dans l’exemple) pour assurer un degré de
liberté supplémentaire. Cette démarche permet de ne plus avoir à se préoccuper du nombre de

- 135 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

connections en gardant à l’esprit qu’il est toujours minimisé dans les résultats qui suivent et
lié au nombre d’échangeurs dans le réseau.

45
Nombre de connexions

40
minimal

35

30

25
6 8 10 12 14 16 18
Nombre d'échangeurs

Figure IV-11. Nombre de connections minimal en fonction du nombre d’échangeurs présents.

Optimisation multiobjectif

Pour un nombre d’échangeurs fixé dans le réseau, et par conséquent pour un nombre de
connexions restreint, l’optimisation bi-critère est menée et conduit à l’ensemble des solutions
représentées sur la figure IV-12. De nombreux points sont dominés par d’autres, ce ne sont
donc pas des fronts de Pareto qui sont figurés ici, mais l’ensemble des résultats.

Lorsque le nombre d’échangeurs est fixé à 8, soit au minimum, la consommation

minimale d’eau fraîche est alors de 406.8 T/h, tandis que 377.5 T/h d’eau sont consommées
quand le réseau contient 13 échangeurs. Enfin, la consommation énergétique minimale, soit
36621 kW est obtenue pour un réseau à 10 échangeurs et celle-ci augmente avec par ordre
croissant d’énergie, 9, 8 puis 11, 12 et 13 échangeurs. Afin d’augmenter la lisibilité des
résultats, la figure 15 montre les fronts de Pareto obtenus, c'est-à-dire les points non dominés.

La première observation est le fait qu’il ne reste plus que 8 solutions possibles pour des
débits d’eau fraîche variant entre 377.5 et 411 T/h.

- 136 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

8 échangeurs 9 échangeurs 10 échangeurs

11 échangeurs 12 échangeurs 13 échangeurs
43000
Consommation énergétique (kW)

41000

39000

37000

35000
360 380 400 420 440 460
Débit d'eau fraiche (T/h)

Figure IV-12. Ensemble des solutions obtenues pour des nombres de connexions et d’échangeurs limités.

Plusieurs tendances peuvent être mises en exergue :

- La diminution du nombre d’échangeurs et de connexions dans le réseau influe très

fortement sur le débit d’eau fraîche consommée. En effet, c’est pour 8 échangeurs que
la consommation d’eau fraîche est la plus importante, puis en augmentant le nombre
d’échangeurs et de connexions, le débit d’eau diminue jusqu’à atteindre sa valeur
minimale lorsque 13 échangeurs sont mis en jeu.

- La consommation énergétique ne varie pas de la même manière, c’est pour 10

échangeurs qu’elle est la plus faible et elle augmente si l’on ajoute ou enlève des
échangeurs de chaleur.

- En revanche, pour un nombre d’échangeurs et de connexions donnés, le débit d’eau

fraîche et la consommation énergétique varient en sens inverse. Ces deux critères sont
donc bien antagonistes.

- 137 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

8 échangeurs 9 échangeurs 10 échangeurs

11 échangeurs 12 échangeurs 13 échangeurs
39000
Consommation énergétique (kW)

38500 7

6
38000 5
8
4
37500 2
3

37000
1
36500
370 380 390 400 410 420
Débit d'eau fraîche (T/h)
Figure IV-13. Fronts de Pareto pour des nombres de connexions et d’échangeurs limités. Les nombres
associés à chacun des points représentent le rang TOPSIS (cf. Tableau IV-11).

Analyse post-optimisation

La mise en œuvre de l’un des 8 réseaux obtenus doit forcément passer par une
réflexion post-optimisation. Le décideur qui doit choisir parmi les 8 solutions peut dans un
premier temps utiliser un programme tel que TOPSIS (Ren et al., 2007) par exemple, afin de
classer les solutions en tenant compte des différents objectifs. Cette analyse a été menée sur
les 8 réseaux afin d’estimer leur classement lorsque tous les objectifs ont le même poids. Les
résultats sont présentés dans le tableau IV-11.

C’est sur le réseau classé premier selon l’analyse TOPSIS que la démarche va être
explicitée. L’enjeu de cette étape consiste à positionner de façon judicieuse les différents
échangeurs de chaleur dans le réseau. L’optimisation sous GAMS permet de savoir quels sont
les procédés et les unités de régénération qui vont être précédés par un échangeur et quelle
utilité devra lui être fournie. Cependant, il est possible d’optimiser davantage la configuration
finale en plaçant l’échangeur sur le courant entrant dans le procédé de façon à minimiser son
aire d’échange.

- 138 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Rang Nombre Consommation Consommation

TOPSIS d'échangeurs d'énergie (MW) d'eau fraîche (T/h)
1 10 36 .62 389.3
2 11 37.49 383.5
3 9 37.36 398.5
4 6 37.93 379.3
5 8 37.90 406.9
6 11 38.38 383.8
7 13 38.57 377.5
8 8 37.76 411.0
Tableau IV-11. Résultats de l’analyse TOPSIS classant les 8 réseaux par ordre de priorité vis-à-vis des
objectifs considérés.

Le résultat de GAMS indique que les échangeurs sont placés au niveau des procédés 1,
2, 3, 5, 6, 7, 8, 10 et 12 ainsi que devant la sortie vers l’égout. La figure IV-14 présente le
schéma plus détaillé du procédé 1. On constate que trois courants arrivent au mélangeur du
procédé, chacun avec leur propre débit et leur température fixée.

+ 1104 kW
46 T/h 30°C
Procédé 1

8 T/h 48°C 54 T/h 50°C

Figure IV-14. Schéma détaillé du procédé 1 avec un échangeur de chaleur. Les débits d’eau et les
températures de chaque courant sont précisés ainsi que les caractéristiques propres au procédé.

L’équation (25) permet de calculer l’aire d’un échangeur en fonction du flux

énergétique qu’il doit fournir et de la différence de température entre l’entrée et la sortie
(Biegler et al., 1997). On peut alors se rendre compte que si cette différence de température
est élevée, l’aire sera d’autant plus faible. Il parait donc judicieux de positionner l’échangeur
sur le courant entrant qui possède le plus grand écart avec la température désirée. Dans le cas
présent, ce sera le courant d’eau fraîche (figure IV-14) :
Q
A= (25)
∆T × U

- 139 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Q = m × Cp × ∆T (26)
où A, l’aire de l’échangeur considéré (m2), Q, la quantité d’énergie qu’il doit fournir (J) et
U est le coefficient de transfert de chaleur. D’après Manan et al., (2009) la valeur de U est
estimée à U=5678W/m2K. Cp est la chaleur spécifique de l’eau et vaut donc 1cal/Kg.°C et
est la différence de température.

- La première étape consiste à calculer la température qu’atteint le courant le plus froid

lorsque l’énergie Q lui est fournie, c’est la relation (26) qui permet de déduire la
température à la sortie de l’échangeur. Avec les données du procédé 1, on obtient la
température T avec T1 la température du courant d’eau fraîche fixée à 30°C et m vaut
46 :

Q
T= + T1 (27)
m × Cp
1104
T= + 30 = 54°C (28)
1 × 46
54°C est la température que le courant d’eau fraîche atteindra à sa sortie de l’échangeur.
L’aire doit donc être calculée en conséquence.

- La seconde étape permet de calculer l’aire de l’échangeur selon la relation 25 :

1104 × 4.18 × 10 6 3600

A= = 6.7 m 2 (29)
(54 − 20 ) × 5678

L’échangeur est dimensionné et positionné au niveau du procédé 1 tel que le montre la

figure 17.

+ 1104 kW (7 m2)
46 T/h 30°C 54°C
Procédé 1

8 T/h 54 T/h 50°C

48°C

Figure IV-15. Procédé 1 avec l’échangeur de chaleur positionné et dimensionné.

- 140 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

En utilisant cette méthode, l’utilisateur obtient un réseau acceptable et pouvant être

mis en œuvre de façon judicieuse dans la pratique. Cette réflexion post-optimisation est
indispensable dans le sens où elle permet non seulement un positionnement sur les différents
courants mais aussi un dimensionnement de l’échangeur. En réalisant la même procédure sur
les autres réseaux, il est par conséquent possible d’opter pour un réseau plutôt qu’un autre en
considérant sa configuration finale plutôt que les consommations brutes. De plus, il est utile
d’effectuer ce type de réflexion lorsque le réseau est déjà mis en place et que l’utilisateur
souhaite l’optimiser a posteriori. Dans ce cas, il sera plus judicieux de choisir la solution
nécessitant le moins de modifications par rapport à la configuration originale.

Une autre solution pour choisir parmi les 8 réseaux proposés permettant aussi
d’améliorer la consommation d’énergie globale consiste à mener une intégration énergétique
des solutions via un MINLP comme cela a été introduit dans la partie 2 de ce chapitre. Grâce
à l’introduction de critères économiques, des décisions peuvent être prises.

3.3 Intégration énergétique

Les résultats obtenus sont numérotés de 1 à 8 pour la suite de l’analyse (Figure IV-13).
Si un industriel devait mettre en œuvre l’un des 8 réseaux obtenus à l’étape 3.2, lequel
choisirait-il et pourquoi ? Telle est la question que l’on doit se poser suite à une optimisation
multiobjectif. Afin de proposer des solutions, la suite du travail propose une intégration
énergétique des 8 réseaux restants afin d’améliorer leur consommation énergétique et de
minimiser un critère économique. Dans cette partie, chaque réseau est ainsi décomposé en
courants froids et chauds aux caractéristiques bien définies, de façon similaire à ce qui a été
précédemment réalisé en 2.2b. La figure IV-16 montre les résultats obtenus suite à
l’intégration énergétique en minimisant le critère économique donné par l’équation (31).

La consommation énergétique des réseaux se situe entre 14.07 et 14.74 MW, tandis
que Manan et al. (2009) proposent un réseau consommant 17.22 MW pour 377.5 T/h d’eau.
La méthode mise en œuvre dans cette étude est ainsi validée et permet d’obtenir des solutions
déclassifiant les précédentes.

- 141 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

Avant intégration Après intégration Manan et al. (2009)

45
Consommation énergétique (MW

40 7 6
5 8
4 2 3
35 1
30

25

20

15

10
375 380 385 390 395 400 405 410 415
Débit d'eau fraîche (T/h)
Figure IV-16. Résultats de l’intégration énergétique des 8 réseaux. A titre de comparaison, le réseau
obtenu par Manan et al. (2009) est aussi représenté.

Dans cette partie, la même fonction coût est minimisée et les mêmes valeurs (Tableau
IV-7) que dans la partie précédente sont utilisées pour le calculer :

Coût = ∑∑∑ C EC (i, j )× z (i, j , k ) + ∑ C EC (i )× zuf (i ) + ∑ C EC ( j )× zuc( j ) + ∑∑∑ C A (i, j )×

i j k i j i j k

 
AInt (i, j , k ) + ∑ C A (i )× Auff (i ) + ∑ C A ( j )× Aucc ( j ) + f a  ∑ Cuf (i )× qf (i ) + ∑ Cuc ( j )× qc( j ) +
β β β

i j  i j 

∑W 1, j ( )
× C EF + Ccon  ∑∑∑ yf i, i 0 , k + ∑ ∑∑ yc j , j 0 , k ( )
j  i i0 ≠i k j j0 ≠ j k 
(31)

Les caractéristiques et les résultats des 8 réseaux optimisés via MINLP sous GAMS
sont récapitulés dans le tableau IV-13. Le débit d’eau fraîche, le nombre de connexions, le
nombre de courants froids et chauds, l’énergie consommée avant et après intégration, ainsi
que les coûts d’après les valeurs de Dong et al. (2008) y sont regroupés. Dans les résultats du
tableau IV-12, les chiffres en gras représentent la valeur minimale obtenue pour la
caractéristique considérée. Par exemple, avant l’intégration énergétique, le réseau 1 était le
mieux placé vis-à-vis de la consommation d’énergie tandis qu’après, c’est le réseau 8 qui
- 142 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

consomme le moins. Les études précédentes proposent toujours de se placer au minimum

d’eau fraîche avant d’améliorer le critère énergétique, le réseau 7 serait ainsi choisi d’office.
Cependant, il n’est pas le meilleur lorsque de nouveaux critères sont considérés : si le critère
de coût est pris en compte, c’est le réseau 6 qui obtient le meilleur résultat.

Energie Energie
EF Nombre de Courants Courants Cout
Réseau avant après
(T/h) connexions chauds froids (M$)
(MW) (MW)
5 406.8 40 1 6 37.9 14,33 4.01
8 411 40 1 7 37.8 14.07 4.07
3 398.5 39 2 7 37.4 14.47 3.95
1 389.3 34 1 5 36.6 14.19 3.82
2 383.5 31 2 5 37.5 14.49 3.77
6 380 30 2 4 38.4 14.15 3.64
4 379.9 29 2 5 37.9 14.69 3.72
7 377.5 27 2 4 38.6 14.74 3.72
Tableau IV-13. Caractéristiques et résultats des intégrations énergétiques pour les 8 réseaux.

L’optimisation multiobjectif d’un exemple adapté d’un cas réel d’industrie a montré
que plusieurs étapes sont nécessaires pour obtenir un ensemble de solutions optimales. Choisir
le réseau à mettre en œuvre peut se révéler être un choix difficile mais ceci dépend
essentiellement du critère minimisé. Dans le contexte environnemental actuel, un réseau
consommant peu d’eau sera probablement la priorité, ce sera ainsi le réseau 7 qui sera
favorisé. Cela dit, en augmentant le débit d’eau fraîche de seulement 2.5 T/h, le coût prend
une valeur minimale et la consommation énergétique se place en deuxième position.
Contrairement aux études antérieures dans lesquelles le réseau 7 aurait été directement retenu,
ici, le choix du réseau 6 représente une bonne alternative lorsque l’on considère plusieurs
objectifs simultanément. Ce réseau présente aussi l’avantage d’être relativement simple
puisqu’il ne comporte que 30 connexions au total, la configuration du réseau d’eau est
représentée sur la figure IV-17 et le réseau d’échangeurs de chaleur associé est présenté sur la
figure IV-18.

4. Conclusion
Ce chapitre a permis d’optimiser des réseaux d’eau et de chaleur monopolluants selon
plusieurs objectifs de façon simultanée. Cette nouvelle méthode est innovante dans le sens où
des solutions optimales différentes de celles avancées dans les travaux antérieurs sont
- 143 -
 CHAPITRE IV – Optimisation de réseaux d’eau et de chaleur

proposées et offrent de meilleurs compromis vis-à-vis des critères choisis. Le fait de traiter ce
type de problème en considérant plusieurs objectifs met en exergue l’importance de ne pas se
limiter à une seule solution (souvent le minimum d’eau fraîche) avant de traiter le problème
posé par la chaleur. La résolution du problème d’allocation sous la forme d’un programme
MILP permet de traiter des réseaux importants sans causer de difficultés liées au calcul
numérique. En effet, l’exemple réel de l’industrie papetière a été optimisé avec de très faibles
temps de calcul. Cette première étape engendre un ensemble de fronts de Pareto offrant les
solutions prétendantes soit à une analyse post-optimisation, soit à une intégration énergétique.
La première mène à un positionnement et un dimensionnement des échangeurs de chaleur
sans passer par des calculs numériques intermédiaires. L’intégration énergétique, permet
quant à elle, d’améliorer le résultat obtenu lors de la phase d’allocation en ce qui concerne la
consommation d’énergie tout en minimisant une fonction coût donnée, à l’aide d’une méthode
de type MINLP. Le réseau obtenu suite à l’intégration énergétique pour l’industrie papetière
Malaisienne offre un gain de 21% par rapport à ce qui avait été proposé par les précédents
auteurs ayant traité ce cas (Manan et al., 2009)

- 144 -
Figure IV-17. Schéma du réseau d’eau choisi (réseau n°6) consommant 380 T/h d’eau.

- 145 -
 Figure IV-18. Réseau d’échangeurs de chaleur intégré au réseau d’eau n°6.
Les chiffres en italiques représentent les températures, les chiffres en gras et soulignés sont les flux
énergétiques exprimés en KW.

- 146 -
 Chapitre V – Optimisation de réseaux
d’eau dans un cadre d’écologie
industrielle : application aux éco-parcs

- 147 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Nomenclature du chapitre

yp j → k variable binaire associée à la présence du courant circulant du procédé i vers le

procédé j

yrp l → j variable binaire associée à la présence du courant circulant de l’unité de régénération l

vers le procédé j

ypr j →l variable binaire associée à la présence du courant circulant du procédé j vers l’unité de
régénération l

F1 débit d’eau fraîche entrant dans le réseau (T/h)

F2 débit d’eau régénéré (T/h)

Fw débit d’eau rejeté à la décharge (T/h)

NCE nombre de connexions équivalent

CEG cout équivalent global (T/h)

EIP parc éco-industriel

- 148 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Il est communément répandu dans les esprits qu’écologie et activités industrielles sont
des notions antinomiques. Cependant, les écologistes industriels voient les systèmes
industriels comme un type particulier d’écosystèmes. En effet, les premières références à
l’écologie remontent jusqu’en 1749 où Linnaeus se réfère à l’écologie en tant qu’ « économie
de la nature » (Worster, 1977).

Durant ces dix dernières années, la majorité des pays industrialisés ont largement
investi dans la recherche sur l’environnement grâce à une prise de conscience générale
concernant l’appauvrissement des ressources naturelles (UNESCO, 2009). Dans le cadre de
l’eau douce, il existe ainsi un réel besoin de diminuer cette consommation en redéfinissant
des réseaux d’eau industriels propres de façon à ce qu’ils réduisent leur impact sur
l’environnement. C’est en réponse à ces problèmes environnementaux que le terme d’écologie
industrielle et tout ce qu’il implique est né. C’est avec l’étude de Frosch and Gallapoulos en
1989 que la communauté scientifique à commencé à s’intéresser de très près au regroupement
d’industries dans un but commun de développement durable. Le terme anglais d’ « ecopark »
est alors apparu, se traduisant en français par parc éco-industriel. De nombreux exemples ont
commencé à voir le jour dans la pratique depuis ces travaux avec notamment le fameux
exemple des pionniers du Danemark avec la symbiose industrielle de Kalundborg qui fait ses
preuves depuis maintenant près de 20 ans (1990). D’autres fructueux exemples, toujours plus
nombreux, voient à présent le jour partout dans le monde. Cependant, dans la majorité des cas
relatifs à l’agro-alimentaire, c’est surtout l’échange de matières qui est concerné en évitant
des transports et les séchages attachés.

La première partie de ce chapitre a pour but de développer le concept d’écologie

industrielle ainsi que les travaux qui ont été menés sur le sujet durant les deux dernières
décennies. La méthodologie appliquée pour optimiser un groupement de réseaux d’eau est
similaire à ce qui a été réalisé dans ce manuscrit dans le cas monopolluant, mais quelques
ajustements doivent être apportés au niveau des contraintes. C’est toujours dans un cadre
multicritère que cette étude est menée en minimisant la consommation d’eau fraîche, le
nombre de connexions et cela en étudiant des cas où les unités de régénération sont placées
différemment. Ce sont ces études de cas qui permettent de proposer une réelle solution pour la
mise en œuvre d’un tel parc à l’aide d’une programmation linéaire, toujours intéressante en
termes de fiabilité et de temps de calcul qu’une approche non linéaire de type MINLP.

- 149 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

1. Travaux antérieurs dans le domaine de l’écologie industrielle

Bien que la naissance de l’écologie industrielle soit souvent attribuée à Frosch et
Gallapoulos (1989), les premières études remontent en réalité à la deuxième moitié du XIXème
siècle. La notion de symbiose industrielle se retrouve déjà à la fin des années 1800 quand
Simmonds (1862) décrit une utilisation potentielle des déchets par d’autres industries et
établit un recensement des progrès réalisés à ce sujet sur près d’un quart de siècle (1876).
Ensuite, au début du XXème siècle, Conover (1918) étudie la récupération et l’utilisation des
déchets par d’autres entreprises, alors que Koller et Stocks (1918) s’intéressent plus
spécifiquement à la réutilisation des papiers usés. Les premières manifestations de
rassemblement éco-industriel sont dévoilées par l’étude de Clement en 1927. Dans ce rapport,
il décrit comment les produits secondaires sont utilisés dans une conserverie de viande : des
groupes entiers de petites usines évoluent en symbiose autour de cette conserverie.

Durant les années 1960, l’idée d’une symbiose industrielle comparable à une symbiose
biologique commence à émerger, ainsi que les premières publications sur le sujet. Parmi les
pionniers figurent Odum, sans doute à l’origine du terme d’écologie industrielle, ainsi que
d’autres auteurs tels que Hall (1975) aux Etats Unis, Billen et al. (1983) en Belgique, et
finalement Frosch et Gallopoulos (1989), dont les travaux représentent vraisemblablement le
fondement des études appliquées aux parcs éco-industriels.

Durant les vingt dernières années, de nombreux termes et concepts ont émergé dans le
vaste domaine de l’écologie industrielle. On retrouve entre autres : « écosystèmes
industriels », « métabolisme industriel », « symbiose industrielle » ainsi que des termes tels
que « parc éco-industriel », « réseau éco-industriel », ou encore « éco-parc ». Les réseaux éco-
industriels regroupent des réseaux divers allant de relations très limitées (par exemple lorsque
l’eau chaude d’une industrie est utilisée pour le chauffage des habitations adjacentes) à des
écosystèmes industriels complexes dans lesquels des infrastructures, habitations et produits
sont conçus de manière à fonctionner de façon cyclique (Chertow, 2000 ; Allenby, 2006). Le
terme « parc éco-industriel », (eco-industrial park, EIP) est utilisé pour décrire la quasi-totalité
des types de communautés économiques regroupant des caractéristiques écologiques et situés
dans les limites d’un parc industriel traditionnel (Chertow, 2007 ; Côté, 2008). Lowe et al.
(1996) proposent comme définition d’un parc éco-industriel « tout regroupement d’industries
cherchant à améliorer leurs performances environnementales et économiques à travers une
- 150 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

collaboration dans la gestion des ressources incluant l’énergie, l’eau et les matériaux ». Cette
définition stipule également qu’ « en travaillant ensemble, la communauté recherche un
bénéfice commun supérieur à la somme des bénéfices individuels que chaque industrie aurait
gagné si elle fonctionnait seule ». Un parc éco-industriel peut alors être défini comme un
réseau constitué d'entreprises qui coopèrent pour optimiser leur usage des ressources
primaires, le recyclage de leurs déchets ainsi que le traitement des eaux usées (Liwarska-
Bizukojc et al., 2009). Il s’agit en quelque sorte d’un ensemble de procédés faisant partie ou
non de la même entreprise et qui interagissent en permanence. Une condition sine qua non
pour qu’un parc éco-industriel soit économiquement viable est que les bénéfices obtenus par
chacune des industries incluses dans le parc doivent être au moins supérieurs à ceux qui
auraient été générés en fonctionnant de façon indépendante. Bien sûr, d’autres conditions sont
nécessaires pour assurer la viabilité d’un tel parc qui se doit d’assurer (Lowe, 1997) :

- l’inter-connexion des industries dans une zone géographiquement limitée

- la conception de boucles de recyclage et de réutilisation des eaux usées
- la maximisation et la réutilisation de l’énergie et de l’eau
- la minimisation de la quantité de déchets produits
- La valorisation des déchets comme produits utilisables dans une autre industrie
- l’équilibrage des entrées et sorties du parc avec l’écosystème naturel environnant
- la réduction de l’impact environnemental
- la re-conception des procédés devant mieux s’intégrer à l’EIP.

Sans tomber dans le piège de discours écologiques abstrus, il est évident que sous le
vaste terme d’écologie industrielle de nombreux problèmes sociétaux et/ou industriels
apparaissent (Côté et Cohen-Rosenthal, 1998 ; Cohen-Rosenthal, 2000 ; Tudor et al., 2007).
En complément des relations symbiotiques traitant des ressources et des matériaux, il est
important de proposer des réseaux annexes de transport, de formation du personnel,
d’informations et de communication au sein de l’EIP.

De nombreux exemples sont désormais disponibles partout dans le monde. Un

exemple notable en la matière et déjà mentionné plus haut est le parc éco-industriel de
Kalundborg au Danemark qui a exploré 24 symbioses différentes sur une période de plus de
30 ans (Ehrenfeld and Gertler, 1997 ; Jacobsen, 2006). Les entreprises incluses au sein de ce
parc regroupent différentes industries comme une centrale électrique, une raffinerie de
- 151 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

pétrole, une cimenterie, une usine de placoplâtre, une compagnie pharmaceutique, une
pisciculture et le chauffage de la ville de Kalundborg. Ce parc est devenu un modèle pour de
nombreux autres en voie de construction, une illustration en est donnée sur la figureV-1.

Figure V-1. Symbiose industrielle de Kalundborg.

La plupart ont vu le jour dans les pays industrialisés d’Amérique du Nord (Côté et
Cohen-Rosenthal, 1998; Gibbs et Deutz, 2005, 2007, Heeres et al., 2004), d’Europe (Baas et
Boons, 2004; Heeres et al., 2004; Mirata, 2004; Van Leeuwen et al., 2003), ou encore en
Australie (Roberts, 2004; Van Beers et al., 2007; Van Berkel, 2007; Giurco et al., 2010). Plus
récemment, c’est dans les pays en cours d’industrialisation que de nombreux parcs naissent.
Des pays tels que la Chine (Geng et Hengxin, 2009; Liu et al., 2010 ; Shi et al., 2010), le

- 152 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Brésil (Veiga et al., 2009) ou enfin la Corée (Oh et al., 2005; Park et al., 2008) sont des
témoins de ce développement.

La conception d’un EIP dans le but de minimiser les ressources primaires

(principalement l’eau) est abordée par des procédures de programmation mathématique en
utilisant une méthode NLP ou MINLP (Aviso et al., 2010a, 2010b ; Chew et al., 2008, 2010a,
2010b ; Lovelady et El-Halwagi, 2009 ; Kim et al., 2010). La complexité majeure du
problème vient ici de la difficulté à gérer plusieurs critères antagonistes simultanément (Erol
et Thöming, 2005). Récemment, quelques stratégies ont été mises en œuvre pour pallier ce
problème : l’implémentation d’une optimisation basée sur la théorie des jeux (Chew et al.,
2009, 2010c), ou une optimisation à deux étapes fondée sur la logique floue (Aviso et al.,
2010a, 2010b). Ces approches sont limitées à l’optimisation de deux objectifs pris en compte
de façon séquentielle et non simultanée. Les objectifs les plus communs pour ce type de
problème sont la consommation d’eau fraîche et la satisfaction des participants (Lim et Park,
2008). Des études récentes se sont penchées sur le développement d’indicateurs visant à
évaluer la satisfaction des différents participants de l’EIP (Tiejun, 2010 ; Zhu et al., 2010).

Même si de nombreux exemples réels fonctionnent, ce type de symbiose doit faire face
à deux défis majeurs pour que leur développement soit viable. Le premier est de type
technico-économique : si les échanges parmi les participants du parc ne sont pas réalisables, le
parc ne peut pas fonctionner. Aussi faut-il nécessairement un véritable lien entre les industries
du parc. Le second défi est lié à la stratégie commerciale qui peut représenter un frein au
développement d’un réseau symbiotique. Nous admettons que ces deux conditions sont
réunies pour que la mise en œuvre du parc puisse avoir lieu. Le but ici est, dans un premier
temps, de concevoir un réseau d’eau intégré au sein d’un éco-parc. L’étude est ensuite élargie
à la conception d’un réseau d’eau et d’énergie d’un parc éco-industriel.

2. Optimisation d’un réseau d’eau d’un parc éco-industriel

2.1 Définition du problème

Dans les chapitres précédents, une méthode de conception de réseaux d'eau ainsi que
de réseaux d’eau et d’énergie a été validée en se basant sur des exemples de la littérature
(Bagajewicz et Savelski, 2001, Feng et al., 2008, Savelski et Bagajewicz, 2003, Manan et al.,

- 153 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

2009). La procédure est désormais étendue aux parcs éco-industriels (EIP) dont la
superstructure générale est illustrée ci-dessous dans le cas de trois entreprises (Figure V-2).

INDUSTRIE A INDUSTRIE B

Procédé j Procédé j

Régénération I Régénération II

INDUSTRIE C

Procédé j

Régénération III

Figure V-2. Superstructure d’un EIP (représenté avec 3 industries).

La formulation du problème reste identique à celle exposée dans le chapitre 2 : les

équations et contraintes sont linéaires tout en respectant les conditions d’optimalité données
par Savelski et Bagajewicz (2001). La principale difficulté pour l’adaptation du problème au
cas des éco-parcs vient du nombre de variables qui augmente considérablement. Cependant, le
fait d’avoir opté pour une approche par programmation mathématique et surtout d’utiliser une
procédure de type MILP/LP constitue un avantage important par rapport aux autres méthodes
de résolution. En l’occurrence, la linéarité permet de déterminer des solutions optimales en
des temps de calculs très réduits, généralement inférieurs à la minute, et de plus les problèmes
d’initialisation ne se posent pas.
Les équations sont identiques à celles proposées dans la partie 3 du chapitre 2. Seules
quelques contraintes sont ajoutées pour ce problème ; elles concernent les échanges entre les
différentes industries du parc. L’exemple considéré ci-après regroupe trois entreprises,
chacune composée de cinq unités de procédé indicées par j et, selon les cas, une unité de
régénération. Ainsi, l’industrie A inclut les procédés 1 à 5, l’industrie B les procédés 6 à 10 et
enfin, l’entreprise C contient les procédés 11 à 15. La contrainte additionnelle consiste à
admettre qu’entre chaque industrie, seuls deux courants inverses peuvent être échangés. Cela

- 154 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

signifie que l’industrie A ne doit posséder que deux connexions avec l’industrie B (un courant
de A vers B (1) ; et un autre de B vers A (2)) au maximum.
5 10 10 5
∑ ∑ yp i → j + ∑ yrp 1→ j + ∑ ypr i → 2 = 1 (1)
i =1 j = 6 j =6 i =1

5 10 10 5
∑ ∑ yp j →i + ∑ yrp j →1 + ∑ ypr 2 → i = 1 (2)
i =1 j =6 j =6 i =1

Le nombre d’échanges externes est ainsi fixé à deux pour chaque industrie dans cette
étude mais peut être modifié si la configuration géographique du parc le permet.
Généralement, cette contrainte se justifie pour des raisons de topologie et de simplification du
parc final. En effet, une brève évaluation de l’impact économique des connexions peut
expliquer ce choix.
Considérons une industrie individuelle composée de cinq unités de procédé, une unité
de régénération et huit connexions. On fait l’hypothèse qu’un même débit de 23.25 T/h
circule dans chaque courant. Le coût des connexions est calculé selon Chew et al. (2008) avec
une longueur moyenne des canalisations de 50 m, un taux d’intérêt de 5% sur une période de
5 ans et le coût de l’eau fraîche fixé à 0.1 €/T (coût de l’eau de rivière). Le rapport calculé
[Coût des connexions/ Coût de l’eau fraîche] est de 14%. Ainsi, même en incluant un nombre
de connexions très limité (huit étant le minimum possible), cet exemple montre, d’un point de
vue économique, l’utilité de prendre en compte le critère du nombre de connexions. Il est
important de noter, que dans le cas particulier d’un EIP, les connexions externes (entre
industries) n’ont pas le même coût que les connexions internes. En effet, elles sont beaucoup
plus longues, et peuvent atteindre un facteur multiplicatif de 10 dans certains cas. Ceci a pour
effet d’augmenter de façon significative le rapport [Coût des connexions/ Coût de l’eau]. Les
contraintes (1) et (2), énoncées plus haut, prennent alors tout leur sens.

2.2 Stratégie d’optimisation multiobjectif

L’originalité de cette étude consiste à traiter le problème d’EIP à l’aide d’une

formulation linéaire, de la même manière que dans les chapitres précédents. A cela s’ajoute
une optimisation selon plusieurs objectifs, car le regroupement d’industries doit forcément
passer par ce type de résolution puisque de nombreux critères sont impliqués.
Comme dans les chapitres précédents, trois objectifs sont considérés :
- F1 : l’eau fraîche permettant d’alimenter le parc.

- 155 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

- F2 : lorsque les unités de régénération sont utilisées, le débit d’eau régénérée est
considéré.
- F3 : le nombre total de connexions, introduit en tant que contrainte égalité.

Il est important de prendre en compte simultanément de ces trois objectifs au lieu de

les regrouper dans une unique fonction coût, comme il est souvent le cas. En effet, la
minimisation d’une seule fonction coût conduit à une seule et unique solution, tandis que le
fait de prendre en compte trois objectifs mène à des fronts de Pareto et donc, à un ensemble de
solutions possibles, mathématiquement aussi bonnes les unes que les autres. Ceci est
fondamental pour proposer une procédure d’aide à la décision et ne pas limiter l’étude à une
solution qui n’est pas forcément optimale au regard d’autres critères. En outre, cette méthode
mise en œuvre présente l’avantage d’être universelle car elle permet d’exploiter les résultats
différemment selon la région géographique (différents coûts) ou selon le type de critère à
privilégier. La stratégie d’optimisation multiobjectif utilisée ici est identique à celle mise en
œuvre dans le chapitre 2. Elle consiste à fixer F3 et à mener des optimisations bicritères [F1,
F2] selon la méthode ε-contrainte, pour chaque valeur fixée de F3.

C’est ensuite parmi les solutions de Pareto qu’un tri est effectué à l’aide des deux
indicateurs économiques présentés dans cette étude, afin de proposer le choix du meilleur
compromis:

- Le CEG (cout équivalent global, défini au Chapitre 2), exprimé par la relation
suivante :
CEG = F1 + α × F2 + β × Fw (3)
Les valeurs de α dépendent du type d’unité de régénération choisie (Tableau V-1) et β
est estimé à 5.625 (Bagajewicz et Faria, 2009).

Concentration post-
Type d’unité de régénération α
régénération (ppm)
I 50 0.375
II 20 1.75
III 5 3.125
Tableau V-1. Valeurs du paramètre α en fonction de l’unité de régénération.

- 156 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

- Le NCE (nombre de connexions équivalent) : nous supposons que la distance entre les
industries est fixée et que le coût des connexions externes entre entreprises est divisé
par deux (50% pour chaque entreprise) :
NCE = nombre de connexions internes+ 0.5 × nombre de connexions externes (4)
La valeur du NCE reflète les coûts d’investissement et de pompage ainsi que
l’infrastructure associée au réseau étudié. Les solutions viables pour l’EIP sont donc
sélectionnées a posteriori en calculant la valeur du couple [CEG, NCE] pour chaque
entreprise et pour les différents cas étudiés.
Enfin, un critère technique permet d’affiner le choix selon le couple [CEG, NCE]. Si la
solution retenue comporte au moins une connexion avec un débit d’eau inférieur ou égal à une
valeur seuil (fixée à 2T/h), la solution est écartée et la suivante dans le classement est
considérée.

2.3 Présentation de l’EIP étudié

Lorsqu’un regroupement d’industries est envisagé, il est important de se poser les

questions suivantes : chaque industrie doit-elle investir dans une unité de régénération ? Est-
ce plus avantageux de posséder une unité de régénération commune ? Comment le réseau
d’eau global de l’EIP doit-il être construit de manière à ce que les industries profitent toutes
d’un tel regroupement ?
Afin de répondre à ces questions, trois configurations différentes sont étudiées en vue
de montrer l’utilité de ce type de symbiose et nous verrons, a posteriori, que toutes les
configurations ne sont pas nécessairement intéressantes. Les configurations sont décrites ci-
dessous:
- Les entreprises collaborent entre elles sans utiliser d’unité de régénération, qu’elle soit
individuelle ou collective (Figure V-3a).

- Les entreprises investissent chacune dans une unité de régénération (Figure V-3b).

- Une seule unité de régénération commune est utilisée par l’EIP (Figure V-3c).

- 157 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

a. b.
.

c.

Figure V-3. Différentes configurations pour le positionnement de l’unité de régénération.

La conception des EIP pour la gestion des eaux et énergies industrielles est illustrée
par l'exemple proposé par Olesen et Polley (1996). Rappelons que le parc est composé de trois
entreprises impliquant chacune cinq unités de procédés. De manière analogue aux problèmes
de réseaux d’eau pour une seule entreprise, chaque industrie de l’EIP doit être parfaitement
définie, en terme de charge de polluant (supposé unique dans cette étude). Les charges en
polluant entrant dans chacune des unités de procédés ainsi que leurs concentrations
maximales autorisées en entrée et en sortie sont connues (Tableau V-2). Comme dans les
exemples précédents, le logiciel GAMS est utilisé pour résoudre le problème MILP à l’aide
du solveur CPLEX. Rappelons que la contrainte concernant l’interdiction de la présence de
faibles débits est également incluse au programme, ce qui permet de construire des réseaux
n’incluant pas de débits inférieurs à 2 T/h. En fait, la contrainte technique concernant les
débits mentionnée ci-dessus fait partie de la formulation du problème et est donc vérifiée pour
chaque solution générée.
Selon le tableau V-1, trois types d’unités de régénération sont disponibles. Pour
chacune des configurations envisagées, deux types de contraintes sont étudiées, d’une part le
nombre de connexions et d’autre part, les bénéfices relatifs de chaque entreprise. L’objectif
est alors d’identifier la meilleure stratégie pour que chaque entreprise puisse minimiser les
valeurs du CEG et du NCE. Ainsi, pour chaque cas, le gain par rapport à un cas de base est

- 158 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

retenu s’il est positif pour le CEG. Lorsque deux solutions possèdent la même valeur de gain
du CEG, c’est alors le réseau possédant le NCE le plus faible qui est retenu.

Concentration Concentration
Charge en
Entreprise Procédé maximale d’entrée maximale de sortie
polluant (g/h)
(ppm) (ppm)
1 2000 0 100
A 2 2000 50 80
3 5000 50 100
4 30000 80 800
5 4000 400 800
6 2000 0 100
7 2000 50 80
B 8 5000 80 400
9 30000 100 800
10 4000 400 1000
11 2000 0 100
12 2000 25 50
C 13 5000 25 125
14 30000 50 800
15 15000 100 150
Tableau V-2. Données limitantes pour le parc éco-industriel étudié.
Les résultats du travail réalisé dans cette partie sont présentés dans des différents
tableaux où les valeurs des différents objectifs sont récapitulées. Etant donné que le système
est très contraint, les fronts de Pareto ne sont pas représentés puisque relativement peu de
solutions existent dans chacune des configurations proposées. Pour chacune d’entre elles,
plusieurs cas sont explorés et récapitulés dans le tableau V-3 afin de faciliter la
compréhension du lecteur. Les cas en italiques (1 et 5) ne sont pas des EIP, mais représentent
les cas de base servant de base de comparaison dans la suite de l’étude.

- 159 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Configuration Cas Description des contraintes

Les industries ne sont pas incluses dans un EIP,
Cas 1 elles n’ont aucun lien avec les autres et n’ont pas d’ unité de
Cas de base (sans EIP) régénération
Les industries n’ont aucun lien avec les autres et ont leur
Cas 5
propre unité de régénération

Cas 2 Le nombre de connexions est laissé libre

EIP sans unité de

Cas 3 Le nombre de connexions est fixé au minimum faisable (21)
régénération
Le nombre de connexions est restreint au minimum (21) et
Cas 4
chaque industrie doit avoir le même gain

Cas 6 Le nombre de connexions est laissé libre

EIP avec unités de
régénérations individuelles Cas 7 Le nombre de connexions est fixé au minimum faisable (26)
(Intégration directe)
Le nombre de connexions est restreint au minimum (26) et
Cas 8
chaque industrie doit avoir le même gain
L’EIP possède un intercepteur avec une unité de
Cas 9
régénération de type I
L’EIP possède un intercepteur avec une unité de
Cas 10 régénération de type I et le nombre de connexions externes
EIP avec une unité de est limité à 2
régénération commune L’EIP possède un intercepteur contenant des unités de
(Intégration indirecte) Cas 11
régénération de types I, II et III
Idem que le cas 11 avec le nombre de connexions limité à
Cas 12
26 et chaque industrie doit avoir le même gain
Idem que le cas 11 avec le nombre de connexions limité à
Cas 13
31 et chaque industrie doit avoir le même gain
Tableau V-3. Caractéristiques des configurations et cas étudiés.

2.4 Etude des cas de base (1 et 5) : entreprises sans lien avec les autres

Les résultats de ces deux études sont illustrés sur la figure V-4. Les fronts de Pareto
sont représentés selon les valeurs des deux objectifs F1 et F2. Lorsque F2 est égal à zéro la
configuration revient à un débit d’eau régénérée nul, ce qui équivaut au cas 1.

Le cas 5 revient à optimiser chaque industrie de manière individuelle. Pour chacune

d’entre elles, les fronts de Pareto sont tracés en laissant le choix de l’unité de régénération (I,
II ou III). Chaque valeur de α (équation 3 et Tableau V-1) est introduite en tant que contrainte
pour permettre à l’optimiseur de choisir l’unité de régénération adéquate pour chaque
entreprise. Selon cette stratégie, les unités de régénération de type I sont choisies pour les
- 160 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

industries A et B et celle de type II est la plus adaptée à l’industrie C. Ainsi, les débits d’eau
fraîche minimaux de chaque industrie (A, B et C) valent 20 T/h pour le cas 5 avec des débits
d’eau régénérée variables selon les industries (Figure V-4). Pour le cas 1, soit sans unité de
régénération, les débits d’eau fraîche minimaux sont plus importants : 98.3, 54.6 et 190 T/h
pour les industries A, B et C, respectivement (points cerclés sur la figure V-4).

350
Réseau A Réseau B Réseau C
Débit d'eau régénérée (T/h)

300
250
200
150
100
50
0
0 50 100 150 200
Débit d'eau fraiche (T/h)

Figure V-4. Résultats de l’optimisation bicritère pour les cas 1 et 5.

Les résultats pour le cas 5 sont donnés pour l’unité de régénération que chacune des
industries a choisie. Enfin, la minimisation du nombre de connexions (NCE) et du CEG
aboutit aux résultats présentés dans le tableau 4 pour les deux cas de base sans EIP.

Cas 1 Cas 5
Minimum du Minimum du Minimum du Minimum de
NCE CEG NCE CEG
A 6 651 8 195
B 8 362 8 157
C 7 1259 10 469
Total 21 2272 26 821
Tableau V-4. Résultats de la minimisation du nombre de connexions pour les cas de base (1 et 5).

Pour les cas de base, les résultats obtenus sont ceux attendus. En effet, si les industries
fonctionnent de façon individuelle et s’équipent chacune d’une unité de régénération, elles
- 161 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

réduisent largement leur consommation d’eau, avec un CEG divisé par 3 en moyenne pour
chaque entreprise. Cependant, l’ajout d’une unité de régénération a pour effet d’augmenter le
nombre minimal de connexions qui passent de 21 à 26 au total.

A titre indicatif, le réseau optimal de l’industrie A pour le cas 1 est illustré par la
figure V-5. Elle consomme 98.3 T/h d’eau fraîche, comporte 6 connexions (hormis celles
allant à la décharge) et n’inclut pas de débits inférieurs à 2 T/h.

20 6.7
1
(1)
13.3
41.6
(4)
(5) Décharge
Eau Fraîche 28.3 2 4
(2)

50 3 5.7 5 5.7
(3) (6)

44.3
INDUSTRIE A

Figure V-5. Réseau optimal de l’industrie A pour le cas de base 1 (les débits sont exprimés en T/h et les
numéros de connexions sont entre parenthèses).

2.5 Parc éco-industriel sans unités de régénération (Cas 2, 3 et 4)

Dans ce paragraphe, on suppose que les trois entreprises n'ont aucune unité de
régénération et décident de constituer un EIP sans unité de régénération commune. Les flux
d’eaux générés par une entreprise peuvent être utilisés en son sein ou envoyés soit à une ou
deux autres entreprises, soit à l’égout. Pour réaliser cet EIP avec la gestion la plus
performante possible, il est nécessaire d’étudier l’impact de chacune des contraintes sur les
résultats. Voici le rappel des différents cas étudiés, cas 2 à 4 (Tableau V-3) :

- Le cas 2 représente l’option selon laquelle les trois industries décident de se

rassembler au sein d’un EIP sans unité de régénération. Elles s’autorisent ici un
nombre illimité de connexions internes.

- 162 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

- Le cas 3 ne diffère du cas précédent que par le nombre de connexions qui est
désormais limité à 21, minimum obtenu pour le cas 1 (Tableau V-4).

- Le cas 4 implique également un nombre de connexion maximal limité à 21 et impose

que les bénéfices liés au regroupement soient identiques pour chaque entreprise. Cette
condition est souvent considérée dans les éco-parcs puisqu’il est difficile d’imaginer
que le réseau d’eau optimisé pour les entreprises de l’EIP leur profite de manière
inégale. Cette contrainte prend tout son intérêt dans le cas où les trois entreprises font
partie de compagnies différentes. Dans le cas où une seule compagnie détiendrait les
trois entreprises, on pourrait imposer comme contrainte que la somme des gains des
trois entreprises soit positive, c'est-à-dire que le gain global pour la compagnie mère
soit positif.

Les solutions obtenues suite à l’optimisation sont comparées avec le cas 1 (entreprise
seule) servant de référence pour cette configuration puisqu’il ne contient pas d’unité de
régénération. Les gains sont ainsi calculés en pourcentage (positif ou négatif) par rapport au
cas 1. Par soucis de lisibilité et de concision, seuls les résultats conduisant à des gains positifs
pour chacune des trois entreprises sont présentés dans les tableaux suivants. Un tableau
récapitulatif des solutions rejetées est donné en fin de partie (Tableau V-8). Les résultats
retenus sont ceux pour lesquels le gain est positif par rapport au cas 1, et ce pour chaque
industrie (A, B et C).

Industrie Cas F1 (T/h) Fw (T/h) CEG (T/h) NCE Gain (%)

Cas 1 98.3 98.3 651 6 -
A
Cas 4 103 92.6 623 6 +4.3
Cas 1 54.6 54.6 362 8 -
B
Cas 4 45 53.6 346 6 +4.3
Cas 1 190 190 1259 7 -
C
Cas 4 180 182 1204 9 +4.3
Total cas 1 343 343 2272 21 -
EIP
Total cas 4 328 328 2173 21 +4.3
Tableau V-5. Résultats positifs obtenus pour l’EIP sans unité de régénération.

D’après le tableau V-5, seul le cas 4 permet d’assurer un gain positif pour chaque
industrie. Les cas 2 et 3 présentent tous deux des gains négatifs pour au moins une industrie et
ont de ce fait été reportés dans le tableau V-8 en fin de paragraphe.

- 163 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Le regroupement des trois industries peut ainsi profiter à chacune d’entre elles à
condition qu’elles aient toutes le même bénéfice (condition imposée par le cas 4) par rapport
au cas où elles fonctionneraient de manière individuelle. Dans le cas présent, on obtient un
gain uniforme de +4.3% tout en conservant un nombre de connexions minimal (21).

INDUSTRIE A
20 20 Décharge
Eau (1) 1 4
fraîche 41.7 41.7
32.8 (4)
50 (2)
(3) 2 10
3 5
5.9
(2) 10
(3) 8.9 (4)
23.2 (1)

INDUSTRIE B INDUSTRIE C

Figure V-6. Réseau optimal de l’industrie A dans le cas 4, lorsqu’elle est incluse dans l’EIP (les débits sont
exprimés en T/h et les numéros de connexions sont entre parenthèses et normaux pour les connexions
internes et en italiques pour les externes).

La figure V-6 représente le réseau de l’industrie A incluse dans l’EIP (cas 4). Elle peut
être directement comparée à la figure V-5, qui illustre le réseau de la même industrie hors
regroupement (cas 1). La principale différence vient du fait que dans le cas 4, l’unité de
procédé 3 ne donne plus directement son eau usée au procédé 5, mais l’envoie vers les
industries B et C. De même, l’unité 5 reçoit l’eau de l’industrie C. Enfin, le réseau contient 4
connexions internes et 4 externes soit toujours un NCE de 6.

2.6 Parc éco-industriel avec une unité de régénération par entreprise (Cas 6, 7 et 8)

Désormais, chacun des trois membres de l'EIP décide d'être équipé d'une unité de
régénération. Selon l’optimisation effectuée précédemment, chaque entreprise fait son choix
parmi les trois types d'unités de régénération : I pour A et B et II pour C. Les trois entreprises
constituent un EIP sans unité commune de régénération, mais en permettant à leurs flux d’eau
pollués d’être traités soit dans leur propre unité de régénération, soit dans les deux autres
entreprises.
- 164 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Voici le rappel des cas étudiés dans cette partie :

- Cas 6 : les trois industries possèdent leur propre unité de régénération. Elles se
rassemblent au sein d’un EIP et autorisent un nombre illimité de connexions.

- Cas 7 : les trois industries possèdent leur unité de régénération mais le nombre de
connexions de l’EIP est limité au minimum faisable de 26 connexions (Tableau V-4).

- Cas 8 : les trois industries possèdent leur unité de régénération, le nombre de

connexions total est limité à 26 et le regroupement doit profiter économiquement à
chaque industrie de manière équivalente.

Comme pour les cas précédents, seuls les résultats positifs (gain positif pour chacune
des industries du parc) sont notés dans le tableau 6. Les gains sont calculés par rapport au cas
1 et par rapport au cas 5.

Gain par Gain par

F1 Fw F2 CEG
Cas NCE rapport au rapport au
(T/h) (T/h) (T/h) (T/h)
cas 1 (%) cas 5 (%)

Cas 1 98.3 98.3 - 651 6 - -

A Cas 5 20 20 166 195 8 +70 -
Cas 8 20 15 166 168 7 +74 +13.8
Cas 1 55 55 - 362 8 - -
B Cas 5 20 20 67 157 8 +57 -
Cas 8 20 12 128 135 9 +62 +13.8
Cas 1 190 190 - 1259 7 - -
C Cas 5 20 20 192 469 10 +63 -
Cas 8 20 33 114 404 10 +68 +13.8
Total Cas 1 343 343 - 2272 21 - -
Total Cas 5 60 60 426 821 26 +64 -
Total Cas 8 60 60 409 708 26 +69 +13.8
Tableau V-6. Résultats positifs obtenus pour l’EIP avec unités de régénération individuelles.

Les cas 6 et 7 n’ont pas permis d’obtenir un gain positif pour chaque industrie et sont
donc reportés dans le tableau 8. Seul le cas 8 dans lequel les industries doivent nécessairement
gagner le même bénéfice aboutit à un résultat positif pour chacune d’entre elles. Les gains
sont significatifs avec un total de 69 % de bénéfice par rapport au cas où l’industrie est seule,

- 165 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

sans unité de régénération (cas 1) et près de 14% dans le cas où elle est seule avec sa propre
unité de traitement (cas 5). Ce bénéfice est directement lié à la réduction du débit d’eau
déversé à la décharge. En effet, il vaut 426 T/h lorsque les industries sont hors EIP et 409 T/h
lorsqu’elles sont dans l’EIP. La redistribution d’une partie des eaux usées vers les industries
du parc a pour effet d’améliorer le gain pour chacune des entreprises. Ainsi pour une même
consommation d’eau fraîche, d’eau régénérée et un même nombre de connexions (26), les
résultats sont meilleurs lorsque les industries se regroupent, même si elles ont chacune leur
propre unité de régénération.
Cette étude permet donc de montrer que l’intérêt économique de posséder une unité de
régénération est significatif, que l’industrie ait un fonctionnement automone ou incluse dans
un EIP. Avec une unité de régénération, le regroupement est également plus avantageux pour
chacune d’entre elles.
Afin de constater l’évolution de l’industrie A, son réseau est illustré sur la figure V-7.
Il consomme 20 T/h d’eau, possède 6 connexions internes, 4 connexions externes (NCE=8) et
régénère 166 T/h d’eau.

INDUSTRIE A
3.7 Décharge
Eau 20 (1) 4
1 41.6
fraîche (4)
16.3 (3) Unité de
41.6 regeneration I

2 (2) 5 100 (5)

66.6 1.5 10 3
(6)

23 10
100 (3)
(1) (2) 108.7
(4)
INDUSTRIE B INDUSTRIE C

Figure V-7. Réseau optimal de l’industrie A dans le cas 8, lorsqu’elle est incluse dans l’EIP (les débits sont
exprimés en T/h et les nombres de connexions apparaissent entre parenthèses. Les nombres standard
indiquent les connexions internes tandis que ceux en italique représentent les connexions externes).

- 166 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

2.7 Parc éco-industriel avec une unité de régénération commune (Cas 9 à 13)

En prenant en compte les résultats positifs obtenus en constituant un EIP, on étudie

maintenant la possibilité d'avoir une unité de régénération commune à l’ensemble du parc.
Une étude d’optimisation préliminaire a montré que la meilleure solution globale pour les
trois entreprises est de partager l'unité de régénération I. Dans la littérature, cette
configuration est désignée par « intégration indirecte » (Chew et al., 2010b).

Les configurations étudiées sont les suivantes :

- Le cas 9 consiste à étudier le regroupement des 3 industries lorsqu’elles partagent

l’unité de régénération de type I, sans aucune autre contrainte.

- Le cas 10 est l’option selon laquelle les industries partagent l’unité de type I et pour
chacune, le nombre de connexions externes est limité à deux.

- Le cas 11 est le cas où l’EIP contient un intercepteur dans lequel les trois types
d’unités de régénération sont inclus (I, II et III) et chacune des industries a le choix
d’utiliser celui qu’elle veut. Le nombre de connexions est illimité.

- Le cas 12 est identique au cas 11, mais le nombre de connexions est limité au
minimum faisable : 26.

- Le cas 13 est également identique au cas 11, mais le nombre de connexions est
arbitrairement limité à 31.

Les résultats conduisant à un gain positif pour chaque industrie sont regroupés dans le
tableau V-7, dans lequel, comme pour les cas précédents, le gain est donné en pourcentage par
rapport au cas 1 et au cas 5. Seul le cas 13 est concerné, il est le seul à proposer des gains
positifs pour chacune des trois industries. En effet, les cas 9, 10, 11 et 12 défavorisent
toujours au moins une industrie qui perd tout bénéfice en se positionnant dans ces
configurations et ne trouve ainsi aucun avantage à intégrer l’EIP (Tableau V-8). Le cas 13 est
celui où chacune des industries doit tirer le même profit de l’EIP que les deux autres, mais le
nombre de connexions a été augmenté par rapport au minimum faisable (cas 12), puisque
cette configuration n’était pas satisfaisante. Donc, en augmentant légèrement le nombre de
connexions, une solution favorable est obtenue, sans toutefois permettre d’obtenir davantage

- 167 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

de bénéfices que dans le cas 8 précédemment étudié. En effet, en utilisant chacune leur propre
unité de régénération, les industries obtenaient 13.8 % de bénéfice (cas 8) alors que dans le
cas 13, elles ne gagnent que 3.8 %. Pour chaque industrie, une perte de 11.7% est ainsi
constatée pour cette configuration.

Gain par Gain par

F1 Fw F2 CEG
Cas NCE rapport au rapport au
(T/h) (T/h) (T/h) (T/h)
cas 1 (%) cas 5 (%)

Cas 1 98.3 98.3 - 651 6 - -

A Cas 5 20 20 166 195 8 +70 -
Cas 13 20 19 166 188 9 +71 +3.6
Cas 1 55 55 - 362 8 - -
B Cas 5 20 20 67 157 8 +57 -
Cas 13 20 19 67 151 12 +77 +3.6
Cas 1 190 190 - 1259 7 - -
C Cas 5 20 20 192 469 10 +63 -
Cas 13 20 22 213 452 10 +31 +3.6
Total Cas 1 343 343 - 2272 21 - -
Total Cas 5 60 60 426 821 26 +64 -
Total Cas 13 60 60 446 791 31 +65 +3.6
Tableau V-7. Résultats positifs obtenus pour l’EIP avec unité de régénération commune.

Le fait de posséder un intercepteur commun au sein de l’EIP n’est donc pas une
solution économiquement rentable, ni même d’un point de vue environnemental puisque cette
configuration ne permet pas de limiter les consommations d’eau. Dans une étude
complémentaire non reportée ici, le nombre de connexions a encore été augmenté, ce qui a
conduit à des accroissements mineurs du gain, non compensés par le coût supplémentaire
induit par les connexions.

2.8 Discussion

A titre indicatif, le tableau V-8 répertorie les différents cas ayant été rejetés puisqu’ils
conduisent à des gains négatifs pour au moins une des trois industries. Cette étude sur les
réseaux d’eau des EIP a permis de montrer plusieurs points intéressants. Le premier est le fait
qu’un investissement dans une unité de régénération permet d’augmenter les gains de façon
significative, que l’EIP existe ou non.
- 168 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Gain par rapport Gain par rapport

Solutions rejetées
au cas 1 (%) au cas 5 (%)
C Cas 2 -8.2 -
B Cas 3 -10.5 -
C Cas 3 -2.6 -
A Cas 6 - -10.2
B Cas 6 - -61.8
A Cas 7 - -74.9
A Cas 9 - -144.6
B Cas 10 - -233.1
B Cas 11 - -138.2
A Cas 12 - -7.7
B Cas 12 - -7.7
C Cas 12 - -7.7
Tableau V-8. Solutions donnant un gain négatif pour au moins une des trois industries.

Des travaux antérieurs (Chew et al., 2010b ; Aviso et al., 2010b) ont mis en œuvre des
stratégies pour optimiser des EIP via une intégration indirecte (unité de régénération
commune) car c’est a priori la solution écologiquement (terme pris dans un sens plus
politique que scientifique) la plus attractive. Cependant, cette étude montre qu’une intégration
directe (unités de régénération individuelles) est beaucoup plus avantageuse d’un point de vue
économique. Outre l’aspect économique, la mise en commun de moyens peut poser des
problèmes de management, si les entreprises ne sont pas assez culturellement préparées à ce
genre de situation. En effet lorsqu’un moyen de production est partagé entre de nombreux
intervenants, chacun des participants risque de ne pas s’impliquer suffisamment dans sa
gestion par suite d’une dilution des responsabilités. De façon plus générale, on peut retrouver
là ce que l’histoire récente du siècle précédant a clairement montré : la collectivisation à
outrance des moyens de production conduit très souvent à un désastre économique. Pour
revenir au sujet de ce mémoire, il est bien connu que de nombreux éco-parcs qui sont souvent
des vitrines écologiques des nations, ne survivent généralement que grâce à de massives
subventions publiques. L’intérêt majeur de cette étude est que sans aller s’intéresser
directement à la solution la plus écologiquement élégante, diverses situations partant de
l’absence totale de considération écologique, jusqu’à cette solution écologiquement idéale ont
été étudiées, afin de dégager le meilleur compromis entre écologie et économie.
La méthode mise en œuvre dans ce chapitre permet de calculer les solutions en des
temps de calcul très faibles, même si les cas étudiés contiennent un grand nombre de variables
(Tableau V-9). Ceci s’explique par une formulation linéaire présentant un très net avantage
- 169 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

pour la résolution de ce type de problème. Les calculs ont été réalisés à l’aide d’un ordinateur
équipé d’un processeur Intel Core 2 Duo cadencé à 2.53 GHz, et 3.45Go de mémoire vive.

Variables Variables Temps de calcul

Problème Contraintes
continues entières (s)
Cas 1 173 47 214 0.063
Cas 2-4 836 255 900 0.109
Cas 5-8 1164 357 1312 0.140
Cas 9-13 1164 357 1319 0.250
Tableau V-9. Dimensions des cas étudiés et temps de calcul associés.

Enfin, cette étude a permis de concevoir un réseau optimal (figure V-8) pour l’EIP
possédant plusieurs avantages :
- Chaque industrie profite d’un bénéfice de 13.8% sur la consommation d’eau.
- Les débits d’eau sont raisonnables, puisqu’ils sont tous supérieurs à 2 T/h, qui
représente la valeur minimale autorisée.
- Le nombre de connexions internes et externes est minimisé, ce qui conduit à une
topologie facile à mettre en œuvre dans la pratique.
- Les consommations d’eau fraîche et d’eau régénérée sont réduites, ce qui implique un
impact environnemental limité, ainsi qu’un faible rejet d’eaux usées.

108.7

1 4
Unité de
régénération I

20 2
5 3
INDUSTRIE C
INDUSTRIE A
11 13
Eau 20
1.
fraîche 100 12
23 10
20 15 Unité de
INDUSTRIE B 14 regeneration
6 9 II
Unité de 61
8
regeneration I
7
10 40

Figure V-8. Réseau optimal de l’EIP (cas 8, les débits sont exprimés en T/h).

- 170 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

3. Réseau d’eau et de chaleur au sein d’un parc éco-industriel

3.1 Formulation du problème

Après avoir démontré que la formation d’un EIP pouvait permettre des gains non
négligeables en ne s’intéressant qu’à l’eau, il est important d’élargir la collaboration au sein
d’un EIP avec des flux thermiques associés à l’eau. Le problème consiste à allouer les
courants dans le réseau constitué des trois industries présentées plus haut. En plus de ces
caractéristiques en termes de polluants, chaque unité de procédé possède désormais sa propre
température de fonctionnement. Ainsi, un échangeur de chaleur peut être positionné devant
chaque unité de procédé de manière à ce que la température désirée soit atteinte. La présence
des échangeurs est introduite dans le programme sous forme de variables binaires, de façon
analogue à ce qui a été réalisé dans la partie 1 du chapitre IV., Le réseau d'eau et d'énergie est
ainsi optimisé sans intégration énergétique, en considérant les objectifs suivants:
− le CEG de chaque industrie, sans sa composante concernant le débit d'eau régénérée
puisque nous ne considérons pas d'unité de régénération dans cet exemple
− la consommation énergétique de chaque industrie
− le nombre de connexions dans le parc
− le nombre d'échangeurs de chaleur nécessaire au fonctionnement du parc.
Afin d'éviter des débits dérisoires, la contrainte permettant d'éliminer les débits
inférieurs à 2T/h est ajoutée au programme. De plus, le nombre d'échanges entre chaque
industrie du parc est également limité à deux par couple d'industrie, comme cela a été réalisé
dans la première partie de ce chapitre. Pour cet exemple composé de trois industries, soit 15
unités de procédé, le problème MILP associé comporte 1261 variables continues, 388
variables entières et 1704 contraintes. Le temps CPU associé à la résolution de cet exemple
est de 0.328 s.

3.2 Présentation de l’étudié

L’exemple préalablement décrit (Tableau V-2) a été complété en assignant des

températures à chaque procédé. Les températures sont choisies de manière arbitraire en restant
dans les ordres de grandeur de ceux de la littérature (Chen et Hung, 2004 ; Chen et al., 2010).
Ainsi, à chaque procédé est associée une contrainte sur la température du flux sortant et il lui

- 171 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

sera adjoint un échangeur qui pourra être, soit un refroidisseur soit un réchauffeur. Les
paramètres de ce nouvel EIP sont notés dans le tableau V-10.

Charge en Concentration Concentration Température de

Entreprise Procédé polluant maximale maximale de sortie (°C)
(g/h) d’entrée (ppm) sortie (ppm)
1 2000 0 100 40
2 2000 50 80 100
A 3 5000 50 100 80
4 30000 80 800 60
5 4000 400 800 50
6 2000 0 100 90
7 2000 50 80 70
B 8 5000 80 400 50
9 30000 100 800 40
10 4000 400 1000 100
11 2000 0 100 80
12 2000 25 50 60
C 13 5000 25 125 50
14 30000 50 800 90
15 15000 100 150 70
Tableau V-10. Paramètres de l’EIP traité.

3.3 Résultats des optimisations

3.3.1 Entreprises sans lien avec les autres

L’ajout de températures a pour effet d’augmenter le nombre de critères à considérer.

Comme dans l’exemple précédent, la quantité d’eau fraîche et le nombre de connexions sont
prises en compte. A ceux-ci s’ajoutent le nombre d’échangeurs de chaleur ainsi que l’énergie
échangée. L’ensemble de ces critères représente l’impact économique mais aussi l’impact
environnemental. Des optimisations multiobjectifs sont réalisées dans un premier temps de
façon à déterminer les bornes du problème. Les valeurs optimales pour chaque entreprise
prise séparément sont consignées dans le tableau V-11. Il s’agit ici des repères initiaux pour
l’élaboration de l’EIP. Pour obtenir ces configurations, une stratégie identique à ce qui a été
réalisé précédemment est adoptée. Ainsi, pour chaque nombre d’échangeurs, le nombre de
connexions minimal est calculé dans un premier temps. C’est à partir de là, lorsque les
nombres d’échangeurs et de connexions sont fixés, que des optimisations bi-critères [CEG;
Energie échangée] sont réalisées.

- 172 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Débit d’eau Energie

Nombre de Nombre CEG
Entreprise fraîche échangée
connexions d’échangeurs (T/h)
(T/h) (MW)
A 7 3 111.8 740.7 740.9
B 8 3 63.1 418 418.2
C 7 5 195 1291.9 129.9
A+B+C 22 11 369.9 2450.6 2451
Tableau V-11. Configuration optimale de chaque industrie individuelle.

Les résultats montrent que l’ajout des températures engendre une augmentation des
consommations d’eau puisque le total du CEG du cas 1 était de 2272 T/h et passe ici à 2450
T/h. En effet, le fait d’imposer des températures implique une consommation d’eau plus
importante pour satisfaire aux besoins de chaque unité de procédé. Enfin, le nombre minimum
d’échangeurs est 11 au total lorsque l’on considère la somme des besoins individuels de
chaque entreprise. Cependant, le minimum pour l’EIP total est de 10 échangeurs, le
rassemblement des trois industries permettant d’économiser un échangeur. Ceci est engendré
par le fait que l’unité de procédé 10 (appartenant à l’industrie B) était alimentée par de l’eau
devant être chauffée (dans le cas où elle est individuelle) mais grâce au regroupement, c’est
l’unité 2 (de l’industrie A) qui l’alimente puisque ce courant sort également à 100°C. Le
réseau total de l’EIP comporte ainsi un échangeur de moins.

Suite à cette étude préliminaire, deux configurations incluant chacune plusieurs cas
décrits ci-après sont étudiés :

- Configuration selon laquelle l’éco-parc est constitué de 11 échangeurs.

- Configuration selon laquelle l’éco-parc est constitué de 10 échangeurs.

3.3.2 Eco-parc avec 11 échangeurs

Plusieurs cas sont étudiés et pour chacun d’entre eux, des fronts de Pareto sont tracés
selon le gain énergétique (en pourcentage par rapport au cas où les industries n’ont pas de lien
avec les autres), en fonction du nombre de connexions. Le premier critère (gain) doit être
maximisé tandis que le second (nombre de connexions) doit être le plus faible possible.
Les cas étudiés sont les suivants :

- 173 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

- Le cas 1 représente l’option selon laquelle le débit d’eau consommé par l’EIP est
inférieur à la somme des débits de chaque industrie (369.9 T/h).

- Le cas 2 implique que toutes les industries ont un gain positif sur le CEG.

- Le cas 3 impose un gain identique pour chaque entreprise sur le CEG.

Les résultats sont illustrés sous forme de fronts de Pareto sur la figure V-9.

Cas 1 Cas 2 Cas 3

12

10
Gain énergétique dans l'EIP (%)

0
20 22 24 26 28 30 32 34
Nombre de connexions dans l'EIP

Figure V-9. Fronts de Pareto pour chaque cas étudié lorsque l’EIP comporte 11 échangeurs.

Le cas 1 est celui permettant d’obtenir les meilleurs gains globaux pour l’EIP.
Cependant, il ne garantit pas que les trois industries tirent le même profit du regroupement.
Seul le cas 3 impose cette condition, mais lorsque le nombre de connexions est réduit au
minimum (22), aucun gain n’est obtenu. Il est donc alors nécessaire d’augmenter le nombre
de connexions pour obtenir des gains significatifs, sans toutefois pouvoir dépasser 8% de gain
énergétique pour chaque entreprise. Enfin, les cas 2 et 3 donnent lieu à des comportements
similaires. Avec 11 échangeurs et un nombre minimum de connexions, l’EIP ne permet pas de
faire des bénéfices. Le gain global le plus important qu’il est possible d’obtenir en termes
énergétique est 11% pour l’EIP (cas 2). Cette solution nécessite 28 connexions et chaque

- 174 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

industrie peut avoir le même gain que les autres sur le CEG, donc sur sa consommation d’eau.
En ce qui concerne l’énergie les gains respectifs pour les entreprises A, B et C sont
respectivement de 5%,3% et 3%.

3.3.3 Eco-parcs avec 10 échangeurs

Le nombre d’échangeurs de chaleur dans l’EIP est ici fixé à sa valeur minimale : 10.
De plus, il est imposé que le gain énergétique, par rapport au cas où l’industrie fonctionne
sans lien avec les autres, soit le même pour chaque entreprise de l’EIP. Les trois cas étudiés
dans cette nouvelle configuration sont les suivants :

- Le cas 4 est celui où le débit d’eau consommé par l’EIP est inférieur à la somme des
débits d’eau de chaque entreprise.

- Le cas 5 revient à ce que toutes les industries aient un gain positif sur le CEG.

- Le cas 6 correspond au cas où chaque industrie a le même gain que les autres sur le
CEG.

Les résultats sont représentés sur la figure ci-dessous (figure V-10) :

Cas 4 Cas 5 Cas 6

12

10
Gain énergétique dans l'EIP (%)

0
20 22 24 26 28 30 32 34
Nombre de connexions dans l'EIP

Figure V-10. Evolution du gain en fonction du nombre de connexions pour 10 échangeurs

- 175 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

Les courbes ont globalement la même allure que sur la figure 9, lorsque 11 échangeurs
étaient impliqués. On peut cependant constater que le fait de supprimer un échangeur conduit
à une baisse du gain maximal en termes d’énergie de 1%. Dans le cas présent, le maximum est
ainsi d’environ 10% de gain.

3.3.4 Discussion

Choisir la configuration optimale de l’EIP final à partir des figures V-9 et V-10 est un
problème délicat. Les entreprises doivent en effet choisir entre deux options : soit privilégier
un bénéfice sur leur consommation énergétique et donc sur leur coût, soit travailler dans un
secteur très concurrentiel les menant à opter pour un cas tel que le numéro 3. Dans ce travail,
le but n’est pas de trouver quelles décisions les entreprises prendront, mais de montrer que la
collaboration permet d’avoir des gains non négligeables.

Dans le cas des EIP, l’aide à la décision est souvent difficile à proposer, puisqu’elle
dépend justement de nombreux autres facteurs qu’ils soient sociétaux ou humains. Dans
l’exemple traité ici un changement de point de vue pourrait permettre de choisir parmi
l’ensemble des solutions proposées. En effet, si au lieu de considérer l’ensemble des unités de
procédé dans des entreprises différentes, on admet qu’elles sont détenues par la même
compagnie mère, les gains ne sont alors plus vus de la même manière, en particulier on peut
relaxer la contrainte de gain positif pour chaque enteeprise et la remplacer par un gain global
positif pour la compagnie. L’exemple étudié revient à explorer les solutions pour une
industrie de 15 unités de procédés et la solution finale doit maximiser ses gains en termes de
consommation énergétique et de consommation d’eau pour des nombres d’échangeurs et de
connexions limités. Ces optimisations multicritères ont été menées et les fronts de Pareto qui
en résultent sont représentés sur la figure V-11.

Les gains obtenus deviennent plus importants puisqu’ils sont d’environ 12% (sur l’eau
et l’énergie) lorsque le nombre d’échangeurs est au minimum (8) et grimpent jusqu’à environ
13 ou 14% si trois échangeurs sont ajoutés au réseau. Plus le nombre d’échangeurs du réseau
est augmenté, moins le système est contraint et plus les gains peuvent être importants. Les
gains maximaux obtenus sont de 14% concernant l’énergie et de 15% pour le CEG.

- 176 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

8 échangeurs 9 échangeurs
10 échangeurs 11 échangeurs
15
Gain sur la consommation énergétique (%)

14

13

12

11

10
10 11 12 13 14 15 16
Gain sur le CEG (%)
Figure V-11. Fronts de Pareto lorsque l’EIP est assimilé à une seule entreprise.

Cette approche permet de proposer une alternative à l’aide à la décision dans le cas des
EIP dans laquelle les facteurs sociétaux ne sont pas pris en compte. Il faut toutefois avoir
présent à l’esprit qu’un accroissement du nombre d’échangeurs de chaleur induit une
augmentation des coûts d’investissement, d’où la nécessité pour l’exploitant de déterminer un
compromis.

4. Conclusion
L’étude réalisée dans ce chapitre consiste dans un premier temps à proposer une
conception optimale des réseaux d’eau de parcs éco-industriels, puis dans un second temps, de
leurs réseaux d’eau et d’énergie. Grâce à l’approche mise en œuvre dans les chapitres
précédents pour les réseaux d’eau d’une entreprise sans aucun lien avec d’autres, des cas
complexes peuvent être résolus. En effet, la stratégie de résolution est basée sur une
programmation mathématique formulée de façon linéaire qui implique des temps de calculs
minimes même pour des problèmes comportant des milliers de variables et contraintes.

L’étude d’un exemple de parc extrait d’Olesen et Polley (1996) selon différents cas de
figure permet de formuler plusieurs conclusions importantes :

- 177 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

1) L’ajout d’une unité de régénération au sein d’un réseau d’eau (qu’il soit dans un
EIP ou non) permet d’obtenir des gains pouvant aller jusqu’à 70% en termes de
consommation d’eau (traduite par l’indicateur CEG).

2) Lorsqu’aucune unité de régénération n’est impliquée, le regroupement d’industries

au sein d’un EIP est économiquement rentable puisque des gains de l’ordre de 5%
peuvent être réalisés pour chaque entreprise désirant intégrer le parc.

3) Dans l’exemple traité, si les entreprises d’un EIP désirent investir dans une unité
de régénération, celle-ci doit être introduite au sein de chacune d’elles. En effet, il
est préférable que chaque industrie choisisse son unité de régénération plutôt que
d’investir dans une unité commune. En effet compte tenu des spécifications
(tableau 2), les entreprise A et B choisissent une unité de régénération de type I,
alors que l’entreprise C doit fonctionner avec une unité de type II, ce qui conduit à
CEG nettement plus important (tableau 1).

Le schéma d’intégration indirect (unité de régénération commune), approche très

souvent utilisée dans les études antérieures (Chew et al., 2010b, Aviso et al., 2010b) n’apporte
pas forcément des résultats très intéressants. Dans cette étude elle permet de proposer des
bénéfices d’environ 4% pour chaque industrie, contre près de 14% pour le schéma
d’intégration direct. Pour l’exemple présenté, la mise en commun de l’unité de régénération
doit faire intervenir une unité de type II, ce qui entraîne un sur coût inutile pour les entreprises
A et B.

En imposant une contrainte d’égalité de gain pour chaque participant à l’EIP, des
bénéfices significatifs pour chaque industrie sont obtenus. Contrairement à la majorité des
études précédentes où l’optimisation est effectuée dans un cadre monocritère, l’approche
multiobjectif mise en œuvre permet à partir de plusieurs solutions potentielles de concevoir
un EIP dont la topologie et les consommations d’eau sont limitées, c'est-à-dire compétitif au
plan économique. L’un des points clés de cette étude est que sans aller s’intéresser
directement à la solution la plus écologiquement élégante (mise en commun de l’unité de
régénération), diverses situations partant de l’absence totale de considération écologique,
jusqu’à cette solution écologiquement (le terme écologie est pris dans son sens plus politique
que scientifique) idéale ont été étudiées, afin de dégager le meilleur compromis entre écologie

- 178 -
 Chapitre V – Optimisation de réseaux d’eau dans un cadre d’écologie industrielle : application aux éco-parcs

et économie. En fait la mise en commun de l’unité de régénération est économiquement viable

lorsque tous les participants ont des spécifications de régénération similaires. Dans le cas
contraire, la mise en commun nécessite d’utiliser une unité adaptée aux spécifications les plus
strictes, ce qui peut entraîner un sur coût pour les entreprises dont les spécifications sont plus
larges.

L’approche mise en œuvre pour la conception des réseaux d’eau d’un éco-parc a
ensuite été étendue à celle considérant simultanément les problèmes énergétiques. La mise en
place d’un EIP a permis de montrer que les entreprises participantes pouvaient dégager un
gain économique significatif tout en limitant l’impact environnemental puisque une
diminution de la consommation énergétique et d’eau fraîche est observée.

Comme dans le cas des réseaux d’eau pour les EIP, le problème est traité sous un
angle muliobjectif, ce qui permet de proposer plusieurs solutions de compromis, alors que
dans la majorité des études antérieures l’intégration énergétique est effectuée sur la solution
correspondant à la consommation minimale d’eau fraîche. Toutefois la détermination de la
« meilleure » solution demeure un problème complexe qui dépasse largement le cadre de la
présente étude.

Bien sûr, économie et écologie sont très souvent antinomiques, la première fut très
longtemps privilégiée au détriment de la seconde, conduisant en particulier au dérèglement
climatique, dont nous avons récemment pris conscience. Ainsi, comme le met en exergue
l’étude récente de Reniers et al. (2010), la détermination d’une « bonne » solution de
compromis pour les EIP, doit également s’appuyer sur les sciences molles telles que les
sciences humaines ou sociétales, afin qu’une nouvelle culture industrielle pas uniquement
fondée sur la notion de profit, puisse se développer efficacement pour ne pas profiter qu’à un
groupe d’actionnaires, mais également à la région d’implantation et aux populations
avoisinantes.

- 179 -
Chapitre VI – Conclusions et
perspectives

- 181 -
Chapitre VI – Conclusions et perspectives

- 182 -
 Chapitre VI – Conclusions et perspectives

Conclusions

Ce travail de thèse a pour but d’optimiser des réseaux d’eau industriels selon plusieurs
objectifs. Dans le contexte environnemental actuel, il est primordial de proposer des actions
en amont de la production de manière à concevoir des infrastructures limitant au maximum
leur impact sur l’environnement. La concurrence étant également de plus en plus pressante
dans le secteur industriel, limiter les coûts d’investissement et de production devient essentiel
de manière à ce que les solutions proposées soient réalisables. Ces coûts sont estimés à l’aide
de différents paramètres comportant par exemple le nombre de connexions dans le réseau, la
quantité d’eau devant être régénérée, le débit d’eau fraîche alimentant le réseau ou encore le
nombre d’échangeurs de chaleur et l’énergie utilisée pour le fonctionnement des différentes
unités composant le système. Les réseaux industriels étudiés peuvent appartenir à deux
principales catégories : monopolluants ou multipolluants. Les premiers représentent par
exemple les industries papetières pour lesquelles les matières en suspension (fibres de bois de
différentes tailles et particules organiques) sont considérées comme un seul polluant. La
seconde catégorie de réseaux est caractérisée par la présence de plusieurs polluants. Ceci est
le cas pour les industries pétrochimiques et les raffineries au sein desquelles des
hydrocarbures, des sels ainsi que des solides en suspension circulent.
Il s’agit là d’un problème d’allocation des réseaux qui consiste à définir les liens qui
existent entre les différentes unités (de procédé et de régénération) en termes de débits d’eau
et de débits en polluants, ainsi que de déterminer leur existence de façon à minimiser les
critères retenus. Bien que pour des raisons de généricité de la démarche, le rôle précis au plan
physico-chimique de chacune des composantes du réseau soit volontairement ignoré, il est
cependant impératif que certaines de leur propriété soient parfaitement définies au préalable.
Ainsi, on se doit de connaître les concentrations maximales en polluants autorisées en sortie et
en entrée de chacune des unités ainsi que toutes les caractéristiques leur garantissant un bon
fonctionnement.

La diversité des méthodes mises en œuvre dans la littérature a conduit dans un premier
temps, à une analyse bibliographique critique en vue d’opter pour une stratégie de résolution
sûre et efficace.

- 183 -
 Chapitre VI – Conclusions et perspectives

Le chapitre I débute par la présentation du contexte dans lequel ce type d’étude s’est
mise en place. Ensuite, une revue des techniques d’intégration des procédés pour
l’optimisation des réseaux d’eau est proposée. Cette partie a permis de constater que les deux
grandes méthodes utilisées pour ce type de problème sont : les approches graphiques fondées
sur la technique du pincement, ainsi que les techniques de programmation mathématique. Le
principal inconvénient de la première classe de méthode est d’être limitée aux systèmes
monopolluants, en outre, elle ne permet pas d’optimiser un réseau selon plusieurs objectifs
simultanément. Les techniques de programmation mathématique regroupent les méthodes
déterministes (LP/MILP et NLP/MINLP) et les méthodes stochastiques (principalement les
algorithmes génétiques). La formulation du problème est basée sur des équations de bilans de
conservation des concentrations en polluants (ppm) et des débits d’eau (T/h) impliquant des
ordres de grandeur très disparates. Ceci nécessite que ces équations soient numériquement
résolues avec des tolérances strictes, inférieures à 10-5, ce qui est très délicat avec les
méthodes stochastiques, qui gèrent difficilement les contraintes égalité d’un problème
d’optimisation. Ce chapitre a ainsi conduit à opter pour une méthode de programmation
mathématique à l’aide d’une méthode de résolution déterministe. Pour mener à bien ces
optimisations le logiciel GAMS est choisi puisqu’il présente une grande variété de solveurs.
Enfin, l’absence d’études concernant des optimisations multiobjectif de réseaux d’eau malgré
leur importance dans le contexte actuel, nous a instantanément orienté vers la prise en compte
de plusieurs objectifs.

Le chapitre II présente dans un premier temps une formulation MINLP applicable à

tous les types de réseaux, qu’ils soient monopolluants ou multipolluants. Dans un second
temps, une formulation originale s’appuyant sur une expression des variables en débits
partiels (au lieu de débits totaux) est proposée. A l’aide d’une simplification basée sur les
conditions d’optimalité énoncées par Savelski et Bagajewicz (2001), la formulation devient
linéaire pour les cas particuliers des réseaux d’eau monopolluants. Le programme MILP est
résolu à l’aide du solveur CPLEX 9.1 de la bibliothèque GAMS. Deux exemples de réseaux
sont étudiés et optimisés selon plusieurs objectifs : le débit d’eau fraîche, le débit d’eau
régénérée et le nombre de connexions menant à la représentation des solutions sous forme de
fronts de Pareto. Cette optimisation multiobjectif est réalisée à l’aide d’une procédure
lexicographique adaptée d’une méthode epsilon-contrainte. Un nouvel indicateur est mis en
place : le CEG (cout équivalent global) afin de proposer une aide à la décision soit parmi les
- 184 -
 Chapitre VI – Conclusions et perspectives

solutions de Pareto, soit en phase post-optimisation. Il prend en compte les différents débits
d’eau impliqués dans le réseau affectés de coefficients relatifs au coût de l’eau fraîche, il est
exprimé en T/h. Cet indicateur a permis de choisir un réseau optimal en termes de
consommations d’eau et de topologie permettant d’économiser jusqu’à 7% d’eau par rapport
aux études antérieures.

Suite aux résultats positifs obtenus au cours du chapitre II, la stratégie multiobjectif est
ensuite étendue aux réseaux d’eau multipolluants dans le chapitre III. Seule la formulation
de base change puisque les simplifications précédemment effectuées dans le cas monopolluant
ne sont plus valables. En effet, dans le cas où plusieurs polluants sont impliqués, il est
impossible de fixer les concentrations de sortie à leur valeur maximale sans fausser l’équation
de bilan de sortie des unités de procédé. La formulation est donc de type MINLP pour le cas
des réseaux multipolluants. Plusieurs exemples de la littérature sont étudiés et optimisés selon
les trois objectifs précédemment évoqués. L’étude d’un réseau complexe incluant cinq unités
de procédés, une unité de régénération et trois polluants provenant d’une raffinerie, a permis
de déterminer un réseau optimal ne pénalisant aucun des trois critères, toujours à l’aide du
CEG. Par rapport aux précédentes études, le choix de ce réseau à conduit à un nombre de
connexions plus restreint (11 au lieu de 14) et à un débit d’eau régénérée plus faible (223 T/h
au lieu de 245 T/h).

Afin de balayer un spectre plus large d’applications industrielles, ce sont les réseaux
d’eau et d’énergie qui sont étudiés dans le chapitre IV. Aux différents flux d’eau circulant
dans le réseau, s’ajoute une température de consigne. Une formulation originale est proposée
puisqu’elle consiste à transposer le problème d’allocation des réseaux d’eau, aux réseaux
d’eau et d’énergie. La force de cette stratégie est de pouvoir traiter ce type de réseau à l’aide
d’une formulation linéaire permettant d’aborder des problèmes très complexes. Ainsi, un
échangeur de chaleur est attribué à chaque unité du procédé et de régénération de manière à ce
qu’il refroidisse ou réchauffe l’eau entrant pour que sa température corresponde à ce qui est
exigé par le procédé. Pour cela, chaque échangeur nécessite une certaine énergie impliquant la
formulation de nouveaux critères. Aux précédents objectifs (consommations d’eau et
topologie), s’ajoutent le nombre d’échangeurs de chaleur ainsi que l’énergie totale
consommée par le réseau. A titre d’exemple, le réseau d’eau et d’énergie optimisé contient 12
unités de procédé et cinq unités de régénération. Le réseau est optimisé en deux étapes : tout

- 185 -
 Chapitre VI – Conclusions et perspectives

d’abord en allouant les différents courants tout en minimisant les quatre critères retenus, puis
dans un second temps, une intégration énergétique permet l’amélioration des résultats
obtenus. Cette seconde étape est résolue à l’aide d’une formulation MINLP. Par rapport aux
techniques graphiques utilisées par les études antérieures, notre approche permet de proposer
un réseau final impliquant un gain de plus de 20% en termes de consommation énergétique,
pour une consommation d’eau fraîche similaire.

Dans le chapitre V, nous proposons d’étudier les réseaux d’eau dans le contexte d’une
symbiose industrielle. La possibilité de changer l’architecture des industries actuelles dans un
but de préservation de l’environnement, fait partie des grands challenges de ces dernières
années et de celles à venir. Cette étude explore plusieurs configurations pour le regroupement
de trois sociétés particulières. De nombreuses options sont étudiées, telles que
l’investissement dans une unité de régénération commune (schéma d’intégration indirecte) ou
dans plusieurs unités individuelles (schéma d’intégration directe), la limitation du nombre de
connexions au sein du parc éco-industriel, ou encore la distribution équitable des gains
obtenus par chaque entreprise. Une étude préliminaire permet de déterminer les solutions de
Pareto selon les différents critères minimisés (débit d’eau fraîche, débit d’eau régénérée et
nombre de connexions). Parmi ces solutions, deux outils d’aide à la décision sont mis en
oeuvre afin de déterminer si la solution est plus avantageuse que dans le cas où l’industrie
fonctionnerait de façon isolée. Ces deux indicateurs sont le CEG ainsi que le NCE (nombre de
connexions équivalent) ; le premier visant à évaluer les différentes consommations d’eau et le
second, la topologie du réseau final. La meilleure configuration est celle où chaque industrie
possède sa propre unité de régénération, mais peuvent également envoyer ou recevoir les eaux
usées de deux autres industries. Celle-ci permet à chaque entreprise d’obtenir un gain
significatif d’environ 14%.

Suite à ces résultats positifs, les derniers travaux ont été orientés vers la prise en
compte des réseaux d’eau et d’énergie au sein de ce type de regroupement. Pour étudier la
réalisation d’une telle symbiose, des données sur les températures sont ajoutées à chaque unité
de procédé de l’exemple précédent. Appliquée à ce type de réseau, la méthode mise en œuvre
permet une économie sur la consommation énergétique pouvant aller jusqu’à 11%. La prise
en compte de facteurs sociétaux, humains, géographiques, etc…, ressortant des sciences
« molles » et se situant au-delà du cadre de cette étude, dépend du regroupement en question

- 186 -
 Chapitre VI – Conclusions et perspectives

et devrait permettre, à terme, d’identifier une solution s’inscrivant dans un cadre de

développement durable.

Perspectives
Les réseaux d’eau multipolluants

Une évolution logique de ce travail de thèse concerne une étude approfondie des
réseaux d’eau et parcs éco-industriels incluant plusieurs polluants. Ceci présente un intérêt
dans le sens où l’eau de nombreuses activités industrielles telles que les raffineries ou les
industries agroalimentaires, sont contaminées par divers polluants. Dans ce type d’industries,
certaines unités de procédé peuvent nécessiter de fonctionner à des températures imposées
impliquant l’introduction d’échangeurs de chaleur. Une procédure identique à celle qui a été
utilisée pour les réseaux d’eau dans cette étude pourrait permettre d’étudier ce type de
réseaux. La résolution d’un tel problème doit forcément passer par une résolution de type
MINLP, tel que cela a été réalisé dans le chapitre III. Plusieurs approches numériques
pourraient permettre de pallier les problèmes concernant la résolution de cas réels, par nature
très complexes :

- La première consisterait à scinder le problème en sous-problèmes. Ceci permettrait

de résoudre plus facilement des problèmes simplifiés de façon séquentielle.
- Selon les cas traités, il pourrait également être important de diminuer le nombre de
critères progressivement, en analysant leurs interdépendances via des régressions
linéaires ou non. Ceci entrainerait une diminution des temps de calcul non
négligeable et ouvrirait la voie vers le traitement de problèmes de plus en plus
complexes.

Les parcs éco-industriels

Dans le cas des parcs éco-industriels, les industries qui se rassemblent sont souvent
liées à des domaines industriels variés nécessitant la considération simultanée de nombreux
objectifs antagonistes. Cependant, la prise en compte de critères sociétaux communs aux
différentes industries du parc permettrait probablement d’augmenter le nombre de critères et
de mieux adapter la formulation du problème au cas étudié. Les exigences sociétales
- 187 -
 Chapitre VI – Conclusions et perspectives

concernent par exemple la pérennité de l'emploi, mais aussi la garantie de sécurité totale d’un
procédé pour les exploitants, les consommateurs et le public. De la même manière, la
durabilité de l'entreprise pourrait mettre en avant un bénéfice sociétal supérieur à celui donné
par des gains pécuniaires. Ces critères supplémentaires devraient être considérés dans un
cadre global d’écologie industrielle.

Dans cette étude, les parcs éco-industriels sont étudiés en ne considérant uniquement
des échanges instantanés (en régime permanent), la mise en œuvre de tels rassemblements
industriels devra prendre en compte un système dynamique, plus réaliste, prenant en compte
différents stockage entre les sites. En effet, le coût, lié au volume du stockage de l'eau pourrait
également être introduit en tant que critère.

Vers un couplage de l’éco-conception et de l’écologie industrielle

L’étude de parcs éco-industriels du chapitre V se situe dans une démarche globale

d’écologie industrielle (Figure VI-1). Cette dernière se définit comme un outil opérationnel de
mise en œuvre des concepts de développement durable.

Figure VI-1. Concepts de l’écologie industrielle

- 188 -
 Chapitre VI – Conclusions et perspectives

Parallèlement au concept d’écologie industrielle, l’écoconception consiste à diminuer

les impacts environnementaux par l’amélioration des procédés existants ou d’en imaginer de
nouveaux qui évitent, ou à défaut qui minimisent la production de déchets à la source plutôt
que de les collecter et/ou de les retraiter, passant ainsi d’une conception curative à une action
préventive. Même si les deux approches ont un but environnemental commun, leurs objectifs
diffèrent puisque l’écoconception vise les produits et services, tandis que l’écologie
industrielle relève plutôt d’une démarche territoriale. Cette dernière agit à l’échelle de zones
urbaines, d’activités tout en recherchant des symbioses industrielles efficaces d’un point de
vue économique et sociétal.

Face à ces deux approches distinctes, une perspective intéressante serait un couplage
des deux concepts puisque ceux-ci se révèlent être parfaitement complémentaires, œuvrant de
fait pour un but commun. Ainsi, une modification et une amélioration du procédé via des
analyses de cycle de vie selon les concepts d’écoconception pourraient, dans un premier
temps, permettre d’obtenir des résultats répondant mieux aux exigences de l’écologie
industrielle et de l’écoconception. Ce ne serait qu’a posteriori, après avoir effectué des choix
stratégiques que le réseau global du parc éco-industriel considéré pourrait être optimisé selon
la méthode proposée dans cette étude.

- 189 -
Références bibliographiques

- 191 -
Références bibliographiques

- 192 -
 Références bibliographiques

Ahmetovic, E., Grossmann, I.E., 2010. Strategies for the global optimization of integrated
process water networks. Comp. Aid. Chem. Eng., 28, 901-906.
Allenby, B., 2006. The ontologies on industrial ecology? Progress in Industrial Ecology, An.
Int. J. 3, 1-2, 28-40.
Alva-Argaez, A., Kokossis, A., Smith, R., 2006. The design of water-using systems in
petroleum refining using a water-pinch decomposition. Chem. Eng. J.
DOI:10.1016/[Link].2006.10.001.
Ang, J.H., Goth, C.K., Teoh E.J., Mamun, A.A., 2007. Multiobjective evolutionary recurrent
neural netwoks for system identification. CEC’2007, IEEE Press, Singapore, pp. 1586-
1592.
Aviso, K.B., Tan, R.R., Culaba, A.B., 2010a. Designing eco-industrial water exchange
networks using fuzzy mathematical programming. Clean Techn. Environ. Policy. 12,
353-363.
Aviso, K.B., Tan, R.R., Culaba, A.B., Cruz Jr, J.B., 2010b. Bi-level fuzzy optimization
approach for water exchange in eco-industrial parks. Process. Saf. Environ. Prot. 88, 31-
40.
Baas, L., Boons, F., 2004. An industrial ecology project in practice: exploring the boundaries
of decision-making levels in regional industrial systems. J. Clean. Prod. 12, 1073-1085.
Bagajewicz, M.J., Rivas, M., Savelski, M.J., 2000. A robust method to obtain optimal and
sub-optimal design and retrofits solutions of water utilization systems with multiple
contaminants in process plants. Comp. Chem. Eng., 24, 1461-1466.
Bagajewicz, M., Savelski, M., 2001. On the use of linear models for the design of water
utilization systems in process plants with a single contaminant. Chem. Eng. Res. Des.
79, 600-610.
Bagajewicz, M., Rodera, H., Savelski, M., 2002. Energy efficient water utilization systems in
process plants. Comp. Chem. Eng. 26, 59-79.
Bagajewicz, M., Faria, D.C., 2009. On the appropriate architecture of the water/wastewater
allocation problem in process plants. Computer aided chemical engineering. 26, 1-20.
Bandyopadhyay, S., 2006. Source composite curve for waste reduction. Chem. Eng. J. 125,
99-110.
BBC News Online, 2004. Water Scarcity: A Looming Crisis by Kirby, A. (19 October 2004)
[Link]
Belkebir, M., Guiglion, C., Domenech, S., Pibouleau, L., 1989. Synthèse d’un réseau
d’échangeurs de chaleur. Chem. Eng. J. 42, 119-133.
Biegler, L., Grossmann, I., Westerberg, A., 1997. Systematic method of chemical process
design. Prentice-Hall PTR, New Jersey, USA.

- 193 -
 Références bibliographiques

Bierlaire, M., 2006. Introduction à l’optimisation différenciable. Presses Polytechniques

Universitaires Romandes Editeur.
Billen, G., Toussaint, F., Peeters, P., Sapir, M., Steenhout, A., Vanderborght, J.P., 1983.
L’écosystème Belgique. Essai d’écologie industrielle. Centre de recherché et
d’information socio-politique CRISP, Bruxelles.
Boeglin, J.C., 2001. L’eau et l’industrie. Techniques de l’ingénieur G1100
([Link]
Boeglin, J.C., 2007. Pollution industrielle de l’eau: caractérisation, classification et mesures.
Techniques de l’ingénieur G1210 ([Link]
documentaire).
Bogataj, M., Bagajewicz, M., 2008. Synthesis of non-isothermal heat integrated water
networks in chemical processes. Comp. Chem. Eng. 32, 3130-3142.
Boix, M., Montastruc, L., Pibouleau, L., Azzaro-Pantel, C., Domenech, S., 2010.
Multiobjective optimization of industrial water networks with contaminants. Computer
aided chemical engineering. 28, 859-864.
Boix, M., Montastruc, L., Pibouleau, L., Azzaro-Pantel, C., Domenech, S., 2011. A
multiobjective optimization framework for multicontaminant industrial water network
design. J. Env. Manag. 92, 1802-1808.
Bonami, P., Forrest, J.J., Ladanyi, L., Lee, J., Margot, F., Wächter, 2006. Bonmin: Basic
Open-source Mixed Integer solver. [Link] User’s Manual.
Bonami, P., Biegler L.T., Conn, A.R., Cornuéjols, G., Grossmann I.E., Laird C.D., Lee, J.,
Lodi, A., Margot, F., Sawaya, N., Wächter, A., 2008. An algorithmic framework for
convex mixed integer nonlinear programs. Tepper School of business, paper 270.
Cao, D., Feng, X., Ma, H., 2007. Pinch multi-agent algorithm for optimizing water-using
networks. Comp. Chem. Eng. 31, 1565-1575.
Chafekar, D., Shi, L., Radesh, K., Xuan, J., 2005. Constrained multi-objective GA
optimization using reduced models, IEEE Transactions on Systems Man and
Cybernetics 32, 261-265.
Chen, C.L., Hung, P.S., 2004. Simultaneous synthesis of flexible heat-exchange networks
with uncertain source-stream temperatures and flow-rates. Ind. Eng. Chem. Res. 43,
5916-5928.
Chen, C.L., Liao, H.L., Jia, X.P., Ciou Y.J., Lee J.Y., 2010. Synthesis of heat-integrated
water-using networks in process plants. J. Tawain Inst. Chem. Eng. 41, 512-521.
Chertow, M. R., 2000. Industrial symbiosis: Literature and taxonomy. Annu. Rev. Energy
Environ. 25, 313-337.
Chertow, M.R., 2007. “Uncovering” industrial symbiosis. J. Ind. Ecol. 11, 11-30.

- 194 -
 Références bibliographiques

Chew, I.M.L., Tan, R.R., Ng, D.K.S., Foo, D.C.Y., Majozi, T., Gouws, J., 2008. Synthesis of
direct and indirect interplant water network. Ind. Eng. Chem. Res. 47, 9485-9496.
Chew, I.M.L., Tan, R.R., Foo, D.C.Y., Chiu, A.S.F., 2009. Game theory approach to the
analysis of interplant water integration in an eco-industrial park. J. Clean. Prod. 17,
1611-1619.
Chew, I.M.L., Foo, D.C.Y., Ng, D.K.S., Tan, R.R., 2010a. Flowrate targeting algorithm for
interplant resource conservation network. Part 1: Unassisted integration scheme. Ind.
Eng. Chem. Res. 49, 6439-6455.
Chew, I.M.L., Foo, D.C.Y., Tan, R.R., 2010b. Flowrate targeting algorithm for interplant
resource conservation network. Part 2: Assisted integration scheme. Ind. Eng. Chem.
Res. 49, 6456-6468.
Chew, I.M.L., Thillaivarrna, S.L., Tan, R.R., Foo, D.C.Y., 2010c. Analysis of inter-plant
water integration with indirect integration schemes through game theory approach:
Pareto optimal solution with interventions. Clean. Techn. Environ. Policy. DOI:
10.1007/s10098-010-0280-x.
Clement, R.A., 1927. By-products in the packing industry. University of Chicago Press.
Coello Coello, C.A., Van Veldhuizen, D.A., Lamont, G.B., 2002. Evolutionary algorithms for
solving multi-objective problems. Kluwer Academic Publishers, New York 576 p.
Cohen-Rosenthal, E., 2000. A walk on the human side of industrial ecology. Amer. Behav.
Scient. 44, 245.
Conover, W. R., 1918. Salvaging and utilizing wastes and scrap in industry. Ind. M. 55.6,
449–451.
Côté, R., Cohen-Rosenthal, E., 1998. Designing eco-industrial parks: a synthesis of some
experiences. J. Clean. Prod. 6, 181-188.
Côté, R., 2008. Industrial ecology, industrial symbiosis and eco-industrial parks. Asia-Pacific
international workshop on industrial ecology, 4-6.
Crini, G., Badot P.M., 2007. Traitement et épuration des eaux industrielles polluées. Presse
universitaire de Franche-Comté.
Dhole, V.R., Ramchandani, N., Tainsh, R.A., Wasilewski, M., 1996. Make your process water
pay for itself. Chem. Eng. 103, 100-103.
Dong, H.G., Lin, C.Y., Chang, C.T., 2008. Simultaneous optimization approach for integrated
water-allocation and heat-exchange networks. Chem. Eng. Sci. 63, 3664-3678.
Dorigo, M., 1992. Optimization, learning and natural algorithms, PhD Thesis, Politecnico di
Milano, Italy.
Du, J., Meng, X.Q., Du, H.B., Yu, H.M., Fan, X.S., Yao, P.J., 2004. Optimal design of water
utilization network with energy integration in process industries. Chin. J. Chem. Eng.
12, 247-255.
- 195 -
 Références bibliographiques

Dunn, R.F., Wenzel, H., 2001. Process integration design methods for water conservation and
wastewater reduction in industry Part I: design for single contaminants. Clean Technol.
Environ. Pol. 3, 307-318.
Dunn, R.F., Wenzel, H., Overcash, M.R., 2001. Process integration design methods for water
conservation and wastewater reduction in industry Part II: design for multiple
contaminants. Clean Technol. Environ. Pol. 3, 319-329.
Dunn, R.F., El-Halwagi, M.M., 2003. Process integration technology review: background and
applications in the chemical process industry. J. Chem. Technol. Biotechnol. 78, 1011-
1021.
Edgar, T.F., Himmelblau, D.M., Lasdon, L.S., 2001. Optimization of chemical processes.
McGraw-Hill Professional Editor – Chemical Engineering series.
Ehrenfeld, J., Gertler, N., 1997. Industrial ecology in practice: the evolution of
interdependence at Kalundborg. J. Ind. Ecol. 1, 67-79.
El-Halwagi, M.M., 1997. Pollution prevention through process integration—Systematic
design tools, Academic Press, CA, USA.
El-Halwagi, M.M., Gabriel, F., Harell, D., 2003. Rigorous graphical targeting for resource
conservation via material recycle/reuse networks. Ind. Eng. Chem. Res. 42, 4319-4328.
El-Halwagi, M.M., 2006. Process integration. Amsterdam: Elsevier.
Engau, A., Wiecek, M.M., 2005. Generating epsilon efficient solutions in multiobjective
programming, Technical Report TR2005 10 EWb, Clemson University, South Carolina,
USA.
Erol, P., Thöming, J., 2005. ECO-design of reuse and recycling networks by multi-objective
optimization. J. Clean Prod.13, 1492-1503.
FAO-Aquastat (Food and Agriculture Organization of the United Nations), 2010. Base de
données informatique de FAO-Aquastat:
[Link]
de Faria, D.C., de Souza, A.A.U., Guelli Ulson de Souza, S.M.A, 2009. Optimization of water
networks in industrial processes. J. Clean Prod.17, 857-862.
Farmani, R., Walters, G., Savic, D., 2006. Evolutionary multi-objective optimization of the
design and operation of water distribution network: total cost vs. reliability vs. water
quality, J. Hydroinform. 8, 165-179.
Farmer, J.D., Packard, N., Perelson, A., 1986. The immune system, adaptation and machine
learning. Physica D22,187-204.
Feng, X., Seider, W., 2001. New structure and design methodology for water networks. Ind.
Eng. Chem. Res. 40, 6140.
Feng, X., Chu, K.H., 2004. Cost optimization of industrial wastewater reuse systems. Proc.
Safety Environ. Protection 82, 249-255.
- 196 -
 Références bibliographiques

Feng, X., Bai, J., Zheng, X.S., 2007. On the use of graphical method to determine the targets
of single contaminant regeneration recycling water systems. Chem. Eng. Sci. 62, 2127-
2138.
Feng, X., Bai, J., Wang, H.M., Zheng, X.S., 2008. Grass-roots design of regeneration
recycling water networks. Comp. Chem. Eng. 32, 1892-1907.
Feng, X., Li, Y., Shen, R., 2009. A new approach to design energy efficient water allocation
networks. Appl. Therm. Eng. 29, 2302-2307.
Fletcher, R., Leyffer, S., Toint, P.L., 2000. On the global convergence of a filter-SQP
algorithm. Dundee numerical analyses report na/197.
Frosh, R.A., Gallopoulos, N.E., 1989. Strategies for manufacturing, Sci. Am. 261, 144-152.
Galan, B., Grossmann, I.E., 1998. Optimal design of distributed wastewater treatment
networks. Ind. Eng. Chem. Res. 37, 4036-4048.
Garcia, J.S.D., Avila, S.L., Carpes, W.P., 2005. Introduction to optimization methods: a brief
survey of methods. IEEE multidisciplinary engineering education magazine 2, 2-7.
Gavrilescu, M., Teodoziu, C., Gavrilescu, D., Lupu, L., 2008. Strategies and practices for
sustainable use of water in industrial papermaking processes. Eng. Life Sci. 8, 99-124.
Geng, Y., Hengxin, Z., 2009. Industrial park management in the Chinese environment. J.
Clean. Prod. 17, 1289-1294.
Gibbs, D., Deutz, P., 2005. Implementing industrial ecology? Planning for eco-industrial
parks in the USA. Geoforum. 36, 452-464.
Gibbs, D., Deutz, P., 2007. Reflections on implementing industrial ecology through eco-
industrial park development. J. Clean. Prod. 15, 1683–1695.
Giurco, D., Bossilkov, A., Patterson, J., Kazaglis, A., 2010. Developing industrial water reuse
synergies in Port Melbourne: cost effectiveness, barriers and opportunities. J. Clean.
Prod. In Press.
Gomes, F.S., Queiroz, E.M., Pessoa, F.L.P., 2007. Design procedure for water/wastewater
minimization: single contaminant. J. Clean. Prod. 15, 474-485.
Grossmann, I.E., 2005. Advances in logic-based optimization approaches to process
integration and supply chain management. Chapter 11 in “Chemical engineering trends
and development” Wiley West Sussex Editor, pp. 299-322.
Grossmann, I.E., Caballero, J.A., Yeomans, H., 2000. Advances in mathematical
programming for the synthesis of process systems. Latin Amer. App. Res. 30, 263-284.
Gugenheim, D., 2011. Optimisation du dimensionnement et de l’exploitation des réseaux de
transport de gaz. Rapport de thèse. Institut National Polytechnique de Toulouse, France.
Guiglion, C., Domenech, S., Pibouleau, L., 1989a. Récupération optimale de l’énergie dans
les réseaux d’échangeurs de chaleur – I. Etude théorique. Int. J. Heat Mass Transf. 32,
243-250.
- 197 -
 Références bibliographiques

Guiglion, C., Domenech, S., Pibouleau, L., Belkebir, M., 1989b. Récupération optimale de
l’énergie dans les réseaux d’échangeurs de chaleur – II. Etude théorique. Int. J. Heat
Mass Transf. 32, 251-260.
Gunaratnam, M., Alva-Argaez, A., Kokossis, A., Kim, J.K., Smith, R., 2005. Automated
design of total water system. Ind. Eng. Chem. Res. 44, 588.
Hall, C.A.S., 1975. Look what’s happening to our Earth. The biosphere, the industriosphere
and their interactions. Bull. Atom. Scient. 31, 11-21.
Hallale, N., 2002. A new graphical targeting method for water minimisation. Adv. Environ.
Res. 6, 377-390.
Han, I.S., Han, C., Chung, C.B., 2004. Optimization of the air- and gas-supply network of a
chemical plant. Chem. Eng. Res. Des. 82, 1337-1343.
Heeres, R.R., Vermeulen, W.J.V., de Walle, F.B., 2004. Eco-industrial parks initiatives in the
USA and the Netherlands: first lessons. J. Clean. Prod. 12, 985-995.
Hernandez-Rodriguez, G., 2011. An optimization-oriented framework for natural gas
pipelines: a brief approach for evaluating the hydrogen injection. Rapport de these,
Institut National Polytechnique de Toulouse, France.
Holland, J.H., 1975. Adaptation in natural and artificial systems. Ann Arbor University of
Michigan Press.
Huang, C.H., Chang, C.T., Ling, H.C., Chang, C.C., 1999. A mathematical programming
model for water usage and treatment network design. Ind. Eng. Chem. Res. 38, 2666-
2679.
Iancu, P., 2007. Process integration for water minimisation in oil processing and
petrochemistry. PhD Thesis Report, Bucarest.
IFEN (Institut Français de L’environnement), 2006. L’environnement en France. Les
Synthèses Editions Orléans, France.
Isafiade, A.J., Fraser, D.M., 2008. Interval-base MINLP superstructure synthesis of heat
exchanger networks. Chem. Eng. Res. Des.86, 245-257.
Jacob, J., Viviant, C., Houle, H.F., Paris, J., 2002. Analyse et optimisation des réseaux d'eau
dans les procédés de fabrication des pâtes et papiers: La technique du pincement à
l'œuvre. Pulp Pap. Can. 103, 24-27.
Jacobsen, N.B., 2006. Industrial symbiosis in Kalundborg, Denmark: a quantitative
assessment of economic and environmental befefits. J. Ind. Ecol. 10, 239-256.
Jezowski, J., Bochenek, R., Poplewski, G., 2007. On application of stochastic optimization
techniques to designing heat exchanger and water networks. Chem. Eng. Process. 46,
1160-1174.
Jezowski, J., 2008. Review and analysis of approaches for designing optimum industrial water
networks. Chem. Proc. Eng. 29, 663-681.
- 198 -
 Références bibliographiques

Jidong, L., Yanling, H., Xudong, Z., Guodong, W., 2008. Pinch technology reduces
wastewater at a paper mill. Bioinfo. Biomed. Eng. 2753-2756.
Karuppiah, R., Grossmann, I.E., 2006. Global optimization for the synthesis of integrated
water systems in chemical processes. Comp. Chem. Eng. 30, 650-673.
Kazantzi, V., El Halwagi M.M., 2005. Targeting material reuse via property integration.
Chem. Eng. Prog. 101, 28-37.
Keedwell, E., Khu, S.T, 2005. A hybrid genetic algorithm for the design of water distribution
networks. Eng. Appl. Artific. Intell. 18, 461-472.
Kennedy, J., Eberhart, R.C., 1995. A new optimizer using particle swarm theory. In
“Proceedings of the IEEE International Conference on Neural Networks”, Piscataway,
NJ, pp. 1942-1948.
Kim, I.Y., de Weck, O.L., 2005. Adaptive weighted-sum method for bi-objective
optimization: Pareto front generation. Struct. Multidisc. Optim. 29, 149-158.
Kim, S.H., Yoon, S-G., Chae, S.H., Park, S., 2010. Economic and environmental optimization
of a multi-site utility network for an industrial complex. J. Environ. Manag. 91, 690-
705.
Kirkpatrick, S., Gellat, C.D., Vecchi, M.P., 1983. Optimization by simulated annealing,
Science 220, 671-680.
Klemes, J., Nenov, N., Kimenov, P., Mintchev, M., 1999. Heat integration in food industry.
Int. Tech. Energ. Sav. 4, 9-26.
Koller, T., Stocks, H.B., 1918. The utilization of waste products: a treatise on the rational
utilization, recovery, and treatment of waste products of all kinds. Scott Greenwood and
son Editor. 338p.
Koppol, A., Bagajewicz, M., Dericks, B., Savelski, M., 2004. On zero water discharge
solutions in the process industry. Adv. Environ. Res. 8, 151-171.
Kuo, W.-C.J., Smith, R., 1998. Designing for the interactions between water use and effluent
treatment. Chem. Eng. Res. Des. 76, 287-301.
Lavric, V., Iancu, P., Plesu, V., 2005. Genetic algorithm optimisation of water consumption
and wastewater network topology. J. Clean. Prod.13, 1405-1415.
Leewongtanawit, B., Kim, J.K., 2008. Synthesis and optimization of heat-integrated multiple-
contaminant water systems. Chem. Eng. Proc. 47, 670-694.
Linderoth, J.T., Ralphs, T.K., 2005. Noncommercial software for mixed-integer linear
programming. In “Integer programming: theory and practice” John Karlof Editor, 253.
Lim, S.R., Park, J.M., 2008. Cooperative water network system to reduce carbon footprint.
Environ. Sci. Techn. 42, 6230-6236.
Linnhoff, B., Flower, J., 1978. Synthesis of heat exchanger network. A. I. Ch. J. 24, 633-654.

- 199 -
 Références bibliographiques

Linnhoff, B., David, R.M., Wardle, I., 1979. Understanding heat exchanger networks.
Comput. Chem. Eng. 3, 295-302.
Linnhoff, B., Townsend, D.W., Boland, D., Hewitt, G.F., Thomas, B.E.A., Guy, A.R.,
Marsland, R.H., 1982. User guide on process integration fort he efficient use of energy.
Instit. Chem. Eng., Rugby, UK
Linnhoff, B., Hindmarsh, E., 1983. The pinch design method for heat exchanger networks.
Chem. Eng. Sci. 38, 745-763.
Liwarska-Bizukojc, E., Bizukojc, M., Marcinkowski, A., Doniec, A., 2009. The conceptual
model of an eco-industrial park based upon ecological relationships. J. Clean. Prod. 17,
732-741.
Liu, C., Zhang, K., Zhang, J., 2010. Sustainable utilization of regional water resources:
experiences from the Hai Hua ecological industry pilot zone (HHEIPZ) project in
China. J. Clean Prod. 18, 447-453.
Lovelady, E.M., El-Halwagi, M.M., 2009. Design and integration of eco-industrial parks for
managing water resources. Environ. Prog. Sustain. Energ. 28, 265-272.
Lowe, E., Moran, S., Holmes, D., 1996. Fieldbook for the development of eco-industrial
parks. Indigo Dev. 2, final report.
Lowe, E., 1997. Creating by-product resource exchanges: strategies for eco-industrial parks. J.
Cleaner Prod. 5, 57-65.
Manan, Z.A., Wan Alwi, S.R., Ujang, Z., 2006. Water pinch analysis for an urban system: a
case study on the Sultan Ismail Mosque at the Universiti Teknologi Malaysia (UTM).
Desalination. 194, 52-68.
Manan, Z.A., Tea, S.Y., Wan Alwi, S.R., 2009. A new technique for simultaneous water and
energy minimisation in process plant. Chem. Eng. Res. Des. 87, 1509-1519.
Mann, J., Liu, A.Y., 1999. Industrial water resue and wastewater minimization. McGraw-Hill
Professional Editor.
Maier, H.R., Simpson, A.R., Zecchin, A.C., Foong, W.K., Phang, K.Y., Seah, H.Y., Tan,
C.L., 2003. Ant colony optimization for design of water distribution systems. J. Water
Res. Plann. Manag. 129, 200-209.
Marglin, S., 1967. Public investment criteria. Cambridge, M.A: MIT press.
Mariano-Romero, C.E., Alcocer-Yamanaka, V.H., Morales, E.F., 2007. Multi-objective
optimization of water-using systems. Eur. J. Oper. Res. 181, 1691-1707.
Mavrotas, G., 2009. Effective implementation of the ε-constraint method in multi-objective
mathematical programming problems. Appl. Math. Comp. 213, 455-465.
Messine, F., 2006. L’optimisation globale par intervalles : de l’étude théorique aux
applications, HDR, INPT.

- 200 -
 Références bibliographiques

Mirata, M., 2004. Experiences from early stages of a national industrial symbiosis programme
in the UK: determinants and coordination challenges. J. Clean. Prod. 12, 967–983.
Miettinen, K., 1999. Nonlinear multiobjective optimization, Kluwer Academic Publishers,
Boston.
Nakrani, S., Tovey, S., 2004. On honey bees and dynamic server allocation in Internet hosting
centers, Adapt. Behav. 12, 223-240.
OECD (Organization for Economic Co-operation and Development), 2008. OECD
environmental outlook to 2030, Paris.
Oh, D.S., Kim, K.B., Jeong, S.Y., 2005. Eco-industrial park design: a Daedeok Technovalley
case study. Habitat Int. 29, 269-284.
Olesen, S.G., Polley, G.T., 1996. Dealing with plant geography and piping constraints in
water network design. Trans. I. Chem. E. 74, 273-276.
ONEMA (Office National de l’Eau et des Milieux Aquatiques), 2009. Le système
d’information sur l’eau : un dispositif fondamental de la politique de l’eau. Dossier
Mars 2009.
Park, H.S., Rene, E.R., Choi, S.M., Chiu, A.S.F., 2008. Strategies for sustainable
development of industrial park in Ulsan, South Korea - From spontaneous evolution to
systematic expansion of industrial symbiosis. J. Environ. Manag. 87, 1-13.
Ponsich, A., 2005. Strategies d’optimisation mixte en genie des procédés – application à la
conception d’ateliers discontinus. Rapport de these, Institut National Polytechnique de
Toulouse, France.
Poplewski, G., 2004. Water network optimization. PhD thesis, University of technology,
Rzeszow, Poland.
Poplewski, G., Walczyk, K., Jezowski, J., 2010. Optimization-based method for calculating
water networks with user specified characteristics. Chem. Eng. Res. Des. 88, 109-120.
Poplewski, G., Jezowski, J., Jezowska, A., 2011. Water network design with stochastic
optimization approach. Chem. Eng. Res. Des., In press.
Prakash, R., Shenoy, U.V., 2005. Targeting and design of water networks for fixed flowrate
and fixed contaminant load operations. Chem. Eng. Sci. 60, 255-268.
Prakotpol, D., Srinophakun, T., 2004. GAPinch: genetic algorithm toolbox for wáter pinch
technology. Chem. Eng. Proc. 43, 203-217.
PRB (Population Reference Bureau), 2009. World population data sheet, Washington.
Quesada, I., Grossmann, I.E., 1995. Global optimization of bilinear process networks with
multicomponent flows. Comp. Chem. Eng. 19, 1219-1242.
Ren, L., Zhang, Y., Wang, Y., Sun, Z., 2007. Comparative analysis of a novel M-TOPSIS
method and TOPSIS. Appl. Math. Res. Exp. 1.

- 201 -
 Références bibliographiques

Reniers, G., Dullaert, W., Visser, L., 2010. Empirically based development of a Framework
for advancing and stimulating collaboration in the chemical industry (ASC) : creating
sustainable chemical industrial parks. J. Cleaner. Prod. 18, 1587-1597.
Roberts, B.H., 2004. The application of industrial ecology principles and planning guidelines
for the development of eco-industrial parks: an Australian case study. J. Clean. Prod. 12,
997-1010.
Rossiter, A., Ravi, N., 1995. Wastewater minimization using Nonlinear programming. In
“Waste minimization through process design” McGraw-Hill Professional Editor, pp
225-243.
Savelski M. J., Rivas, M., Bagajewicz, M.J., 1999. Efficient use and reuse of water in
refineries and process plants. ENPROMER'99- II Congresso de Engenharia de
Processos do MERCOSUL, Florianópolis - Santa Catarina – Brasil.
Savelski, M., Bagajewicz, M., 2000. On the optimality conditions of water utilization systems
in process plants with single contaminants. Chem. Eng. Sci. 55, 5035-5048.
Savelski, M., Bagajewicz, M., 2003. On the necessary conditions of optimality of water
utilizations systems in process plants with multiple contaminants. Chem. Eng. Sci. 58,
5349-5362.
Savulescu, L.E., Kim, J.K., Smith, R., 2005a. Studies on energy and water minimization –
Part I: systems with no water re-use. Chem. Eng. Sci., 2005 60, 3279-3290.
Savulescu, L.E., Kim, J.K., Smith, R., 2005b. Studies on energy and water minimization –
Part II: systems with maximum re-use of water. Chem. Eng. Sci. 60, 3291-3308.
Shafiei, S., Domenech, S., Koteles, R., Paris, J., 2004. System closure in pulp and paper mills:
network analysis by genetic algorithm. J. Clean. Prod. 12, 131-135.
Shi, H., Chertow, M., Song, Y., 2010. Developing country experience with eco-industrial
parks: a case study of the Tianjin Economical-Technological Development Area in
China. J. Clean. Prod. 18, 191-199.
Simmonds, P. L. 1862. Waste products and undeveloped substances. London: Hardwicke.
Statyukha, G., Kvitka, O., Dzhygyrey, I., Jezowski, J., 2008. A simple sequential approach for
designing industrial wastewater treatment networks. J. Cleaner Prod. 16, 215-224.
Sue, M.H., Lee, T.Y., 2002. Robust optimal design of wastewater reuse network of plating
process. J. Chem. Eng. 35, 863-873.
Taal, M., Bulatov, I., Klemes, J., Stehlik, P., 2003. Cost estimation and energy price forecast
for economic evaluation of retrofit projects. Appl. Therm. Eng. 23, 1819-1835.
Tabkhi, F., 2007. Optimization of gas transmission networks. Rapport de thèse, Institut
National Polytechnique de Toulouse, France.
Takama, N., Kuriyama, T., Shiroko, K., Umeda, T., 1980. Optimal water allocation in a
petroleum refinery. Comp. Chem. Eng. 4, 251-258.
- 202 -
 Références bibliographiques

Tamaki, H., Kita, H., Kobayashi, S., 1996. Multiobjective optimization by genetic algorithms:
a review. IEEE International Conference on Evolutionary Computation, ICEC 1996,
Nagoya, Japan.
Tanyimboh, T.T., Ward, K., Prasad, T., Jarvis, E., Kanyoza, A., 2010. Multiobjective
optimization and multicriteria decision making for water networks. In: “Integrating
Water Systems” Boxall & Maksimovic Editor, pp. 277-283.
Tan, Y.L., Manan, Z.A., Foo, D.C.Y., 2007. Retrofit of water network with regeneration using
water pinch analysis. Proc. Saf. Environ. Protec. 85, 305-317.
Teles, J.P., Castro, P.M., Novais, A.Q., 2009. MILP-based initialization strategies for the
optimal design of water-using networks. Chem. Eng. Sci. 64, 3736-3752.
Thevendiraraj, S., Klemes, J., Paz, D., Aso, G., Cardenas, G.J., 2003. Water and wastewater
minimization study of a citrus plant. Ressources Cons. Recycl. 37, 227-250.
Tiejun, D., 2010. Two quantitative indices for the planning and evaluation of eco-industrial
parks. Res. Conserv. Recycle. 54, 442-448.
Tsai, M.J., Chang, C.T., 2001. Water usage and treatment network design using genetic
algorithm. Ind. Eng. Chem. Res. 4, 4874-4888.
Tudor, R., Lavric, V., 2010. Optimization of total networks of water-using and treatment units
by genetic algorithms. Ind. Eng. Chem. 49, 3715-3731.
Tudor, T., Adam, E., Bates, M., 2007. Drivers and limitations for the successful development
and functioning of EIPs (eco-industrial parks): A literature review. Ecol. Econ. 61,199-
207
UNESCO (United Nations Educational Scientific and Cultural Organization), 2009. Water in
a changing world. The United Nations world water development, Report 3.
Vamvakeridou-Lyroudia, L.S., Walters, G.A., Savic, D.A.,2005. Fuzzy multiobjective design
optimization of water distribution networks. Jour. Wat. Res. Plan. Man. ASCE, 131,
467-476.
Van Beers, D., Corder, G., Bossilkov, A., Van Berkel, R., 2007. Industrial symbiosis in the
Australian minerals industry: the cases of Kwinana and Gladstone. J. Ind. Ecol. 11, 55-
72.
Van Berkel, R., 2007. Cleaner production and eco-efficiency initiatives in Western Australia
1996-2004. J. Clean. Prod. 15, 741-755.
Van Leeuwen, M.G., Vermeulen, W.J.V., Glasbergen P., 2003. Planning eco-industrial parks:
an analysis of Dutch planning methods. Bus. Strat. Environ.12, 147-162.
Veiga, E., Bechara, L., Magrini, A., 2009. Eco-industrial park development in Rio de Janeiro,
Brazil: a tool for sustainable development. J. Clean. Prod. 17, 653-661.
Wächter, A., Biegler, L.T., 2006. On the Implementation of an Interior-Point Filter Line-
Search Algorithm for Large-Scale Nonlinear Programming. Math. Prog. 106, 25-57.
- 203 -
 Références bibliographiques

Wan Alwi, S.R., 2007. A new holistic framework for cost effective minimum water network
design. PhD thesis, University of technology, Malaysia.
Wan Alwi, S.R., Manan, Z.A., Samingin, M.H., Misran, N., 2008. A holistic framework for
design of cost effective minimum water utilization network. J. Env. Manag. 88, 219-
252.
Wang, Y.P., Smith, R., 1994. Wastewater minimization. Chem. Eng. Sci. 49, 981-1006.
Wang, Y.P., Smith, R., 1995. Wastewater minimization with flowrate constraints. Trans.
IChemE. 73, part A, 889.
Wenzel, H., Dunn, R.F., Gottrup, L., Kringelum, J., 2002. Process integration design methods
for water conservation and wastewater reduction in industry Part III: design for multiple
contaminants. Clean Technol. Environ. Pol. 4, 16-25.
World Resources Institute, 2009. Annual report 2009, Washington.
World Water Council, 2010. L’eau, priorité mondiale – Rapport d’activités 2010 du Conseil
Mondial de l’Eau, Marseille.
Worster, D., 1977. Nature’s economy: the roots of ecology. Sierra Club Books Editor, San
Francisco.
Wright, D.G., Woods, D.R., 1993. Evaluation of capital cost data. Part 7: Liquid waste
disposal with emphasis on physical treatment. Can. J. Chem. Eng. 71, 575-590.
Wright, D.G., Woods, D.R., 1994. Evaluation of capital cost data. Part 8: Liquid waste
disposal with emphasis on biological treatment. Can. J. Chem. Eng. 72, 342-351.
Yang, Y.H., Lou, H.H., Huang, Y.L., 2000. Synthesis of an optimal wastewater reuse
network. Waste Manag. 20, 311-319.
Yee, T.F., Grossmann, I.E., Kravanja, Z., 1990. Simultaneous optimization models for heat
integration - I. Area and energy targeting and modelling of multi-stream exchangers.
Comp. Chem. Eng. 14, 1151-1164.
Zadeh, L., 1963. Optimality and non-scalar-valued performance criteria. IEEE Trans. Autom.
Control. 8, 59-60.
Zheng, P., Feng, X., Cao, D., 2003. Design water allocation network with minimum fresh
water and energy consumption. Comp. Aid. Chem. Eng. 15, 388-393.
Zheng, P., Feng, X., Qian, F., Cao, D., 2006. Water system integration of a chemical plant.
Energy Conv. Manag. 47, 2470-2478.
Zhu, X.X., Zanfir, M., Klemes, J., 2000. Heat transfer enhancement for heat exchanger
network retrofit. Heat Transf. Eng. 21, 7-18.
Zhu, L., Zhou, J., Cui, Z., Liu, L., 2010. A method for controlling enterprises access to an
eco-industrial park. Sci. Total Environ. 408, 4817-4825.

- 204 -