i
Modélisation des opérations du secteur électrolyse de l’aluminerie
Alcoa Deschambault dans le but d’améliorer la productivité de
l’aluminerie en situation d’augmentation d’ampérage
Mémoire
Valérie Veilleux
Maîtrise en génie mécanique
Maître ès sciences (M. Sc.)
Québec, Canada
© Valérie Veilleux, 2018
ii
Modélisation des opérations du secteur électrolyse de l’aluminerie Alcoa
Deschambault dans le but d’améliorer la productivité de l’aluminerie en situation
d’augmentation d’ampérage
Mémoire
Valérie Veilleux
Sous la direction de :
Louis Gosselin, directeur de recherche
Nadia Lehoux, codirectrice de recherche
iii
Résumé
Une bonne planification et un bon contrôle des opérations ayant lieu dans une aluminerie sont
cruciaux pour atteindre un haut niveau de performance et de productivité dans l'usine. Compte
tenu du grand nombre de processus impliqués dans le secteur de l’électrolyse, de leur complexité
ainsi que de leurs interrelations, il est loin d'être trivial d'évaluer les impacts causés par un
changement d’ampérage dans les cuves d’électrolyse sur la capacité opérationnelle de l’usine.
Dans le présent travail, un modèle de simulation basé sur la méthode à événements discrets est
développé pour analyser la gestion des opérations dans le secteur de l’électrolyse. Les entrées
du modèle sont l’aménagement des installations, les horaires de travail, les temps de
déplacements et de traitement, la disponibilité et la capacité des équipements tels que les
creusets, les ponts roulants, etc., et la liste des cuves à traiter en fonction des demandes de la
fonderie. Le modèle a été validé avec les données de l'usine. Les résultats de la simulation
incluent des détails sur les opérations effectuées au cours d’une période de 12 heures, soit le
temps d'un quart de travail et le moment où elles ont été complétées. La simulation fournit
également des informations pertinentes telles que l'incapacité opérationnelle à respecter la
planification. En se basant sur le contexte actuel de l’aluminerie Alcoa Deschambault, la recherche
permet de démontrer qu'il est possible, avec les ressources actuelles, de soutenir des
augmentations de 5% et 10% d’ampérage dans les cuves d’électrolyse. Les travaux contribuent
de plus à démontrer la façon de déployer correctement des véhicules autoguidés pour le transport
des anodes afin de bien répondre aux besoins de l’entreprise. Le modèle de simulation proposé
dans ce mémoire peut donc être considéré comme un outil puissant d’aide à la décision pour
tester différents scénarios et ainsi conduire à des décisions bénéfiques à court et à long terme.
iv
Summary
A good planning and control of the operations involved in a smelter is crucial for achieving a high-
level of performance and productivity for the plant. Given the large number of processes involved
in a smelter, as well as their complexity and interrelationships, it is far from trivial to evaluate the
real impact that a change to the cell amperage may have on work organization and schedules,
equipment capacities and replacement, etc. In the present work, a simulation model based on the
discrete event method is developed to analyze the operations management in a potroom. The
inputs to the model are the plant layout, the work schedule, the travel and process times, the
availability and the capacity of equipment such as crucibles, cranes, etc., and the list of required
cells to be tapped, based on the cast house requirements. The model was validated with plant
data. Results of the simulation include some details concerning the operations performed within a
12-hour period, a work shift duration, and the time at which they were completed. The simulation
also provides information such as the operational incapacity to respect the planning when
applicable. Based on the actual context of the Alcoa Deschambault’s smelter, the research
demonstrates that it is possible, with current resources, to support an increase of 5% or 10% of
amperage. Furthermore, it shows how auto-guided vehicles for the transport of the anodes could
be implemented regarding the needs of the company. The proposed simulation model can
therefore be viewed as a powerful tool to test different scenarios and lead towards profitable short-
term and long-term planning decisions.
v
Table des matières
Résumé .......................................................................................................................................................... iii
Summary ....................................................................................................................................................... iv
Tables des figures .......................................................................................................................................... vi
Table des tableaux ........................................................................................................................................ vii
Remerciements ........................................................................................................................................... viii
Avant-propos ................................................................................................................................................. ix
Chapitre 1 Introduction ................................................................................................................................. 1
Chapitre 2 Revue de la littérature ................................................................................................................. 4
2.1 Aluminium ........................................................................................................................................... 4
2.2 Recherche opérationnelle et simulation appliquées au secteur de l’aluminium................................ 8
2.3 La simulation ..................................................................................................................................... 11
Chapitre 3 L’entreprise ................................................................................................................................ 15
Chapitre 4 Méthodologie ............................................................................................................................ 19
Chapitre 5 Modèle de simulation ................................................................................................................ 25
5.1 Éléments physiques ........................................................................................................................... 25
5.2 Coulée ................................................................................................................................................ 27
5.3 Changement d’anodes ...................................................................................................................... 31
5.4 Calorifugeage ..................................................................................................................................... 35
5.5 Ajout de AlF3 et de bain ..................................................................................................................... 37
5.6 Relevage cadre .................................................................................................................................. 38
5.6 Division du travail .............................................................................................................................. 40
Chapitre 6 Analyses de divers scénarios et résultats .................................................................................. 41
6.1 Scénario 0 : Situation actuelle ........................................................................................................... 42
6.2 Scénario 1 : Augmentation d’ampérage de 5 % ................................................................................ 45
6.3 Scénario 2 : Augmentation d’ampérage de 10 % .............................................................................. 49
6.4 Scénario 3 : Intégration des véhicules autoguidés pour le transport des cabarets d’anodes .......... 51
Chapitre 7 Conclusion et discussion ............................................................................................................ 55
Bibliographie ............................................................................................................................................... 58
Références ................................................................................................................................................... 59
vi
Tables des figures
Figure 2.1 Répartitions mondiales de la production d'aluminium primaire pour 2016 1 ... 5
Figure 2.2 Opérations liées à la production primaire d'aluminium ................................... 6
Figure 3.1 Représentation schématique des principales étapes de la production d'aluminium primaire ...................................................................................................... 16
Figure 4.1 Étapes de la méthodologie du projet ............................................................ 21
Figure 5.1 Représentation générale de la zone de production de l'aluminerie Alcoa Deschambault ................................................................................................................ 25
Figure 5.2 Chemin suivi par un creuset pour réaliser l’opération de la coulée............... 28
Figure 5.3 Image du modèle Simio de diverses opérations de la coulée ....................... 28
Figure 5.4 Probabilités d'occurrences des différentes vitesses de récolte d'aluminium (kg Al/s) prise durant les observations comparées à la loi triangulaire utilisée dans le modèle ...................................................................................................................................... 30
Figure 5.5 Chemin suivi par une anode pour réaliser l’opération des changements d’anodes ........................................................................................................................ 31
Figure 5.6 Image du modèle Simio d’un cabaret d’anode en attente durant l’opération de changement d’anodes ................................................................................................... 32
Figure 5.7 Illustration d'une cuve d'électrolyse vue de haut ........................................... 33
Figure 5.8 Chemin pour réaliser l’opération de calorifugeage ....................................... 36
Figure 5.9 Chemin pour réaliser l’opération d'ajustement de niveau d'AlF3 et de bain .. 37
Figure 5.10 Chemin pour réaliser l’opération de relevage cadre ................................... 38
Figure 6.1 Chemin que suivent les véhicules autoguidés .............................................. 52
vii
Table des tableaux
Table 2.1 Opérations affectées par l’augmentation d’ampérage et leur impact ............... 7
Table 5.1 Comparaison entre la simulation et les observations du temps de traitement de creusets pour la validation de l'opération de la coulée dans le modèle .................... 31
Table 5.2 Comparaison entre la simulation et les observations du temps de changement d’anodes pour la validation de l'opération de changement d'anodes dans le modèle .. 35
Table 5.3 Comparaisons entre la simulation et les observations du temps de relevage cadre validation de l'opération de relevage cadre ......................................................... 39
Table 6.1 Résultats d'analyses générales du scénario 0 ............................................... 43
Table 6.2 Résultats d'analyse de la coulée du scénario 1 pour l'allée A ....................... 47
Table 6.3 Résultats d'analyse de la coulée du scénario 1 pour l'allée B ....................... 48
Table 6.4 Résultats d'analyses générales du scénario 2 ............................................... 50
Table 6.5 Résultats d'analyses générales du scénario 3 ............................................... 53
viii
Remerciements
Pour leur confiance, leur appui et leurs disponibilités durant ce projet, je tiens à remercier
mes directeurs de maîtrise Louis Gosselin et Nadia Lehoux. Je remercie également le
partenaire industriel Alcoa Deschambault et Jayson Tessier pour le projet de recherche
ainsi que tous les employés qui m’ont accompagnée et aidé lors de mes observations. Je
souhaite aussi souligner la confiance et le soutien financier du FRQNT et du REGAL dans
ce projet.
Je remercie ma famille pour leurs nombreux encouragements et mon conjoint pour sa
patience et son soutien tout au long de mon cheminement.
ix
Avant-propos
Pour des besoins de confidentialités, aucune information jugée privée par l’entreprise
Alcoa Deschambault n’est dévoilée dans ce mémoire. Ce document ne contient donc
aucun détail précis sur les paramètres de l’usine Alcoa Deschambault, de ses
équipements ou de ses employés. Les données récoltées et analysées ne sont pas
présentées explicitement dans le document.
1
Chapitre 1 Introduction
Le secteur de l’aluminium est un domaine faisant face à une forte compétition
internationale. Un des principaux enjeux pour chaque aluminerie est de constamment
augmenter sa production. Pour ce faire, depuis 1886, les alumineries utilisent le procédé
Hall-Héroult afin de transformer l’alumine en aluminium selon l’équation de réduction
suivante :
2Al2O3 + 3C → 4Al + 3CO2
Cette réaction se déroule à l’intérieur de cuves d’électrolyse et nécessite un apport
important de courant électrique continu lors du procédé de transformation. Or, dans
l’optique d’accroître leur production, les alumineries cherchent à augmenter le courant
électrique qui circule dans les cuves d’électrolyse. De cette façon, le taux de production
du procédé Hall-Héroult est plus élevée et donc, le rythme de production augmente.
L’augmentation d’ampérage dans une aluminerie amène plusieurs impacts au niveau des
cuves d’électrolyse en modifiant les équilibres thermiques, magnétiques, électriques, etc.,
ce qui demande divers ajustements pour assurer le bon fonctionnement des cuves. Ces
changements relatifs aux réacteurs eux-mêmes ne sont pas l’objet du présent mémoire.
Toutefois, en changeant le rythme de production des cuves d’électrolyse, ce sont aussi
toutes les opérations connexes qui sont affectées. Par exemple, les anodes de carbone
sont consommées plus rapidement et donc, nécessitent d’être remplacées plus
fréquemment. Dans le même ordre d’idée, les opérations de récolte d’aluminium, de
relevage cadre, d’ajout de bain et de AlF3 sont amenées à être effectuées plus souvent.
Or, ces tâches impliquent plusieurs travailleurs et équipements dont la logistique diffère,
ce qui fait en sorte que le pilotage devient rapidement complexe. Ainsi, avant de procéder
2
à l’augmentation d’ampérage dans le secteur d’électrolyse, il est primordial de procéder
à l’étude des impacts de ce changement sur l’ensemble des opérations du secteur.
Le travail réalisé dans le cadre de ce mémoire utilise la simulation par événements
discrets afin d’étudier les changements apportés par l’augmentation d’ampérage dans les
cuves d’électrolyse. En se basant sur le contexte réel de l’aluminerie Alcoa
Deschambault, la recherche veut démontrer s’il est possible ou non, avec les ressources
actuelles, de supporter des augmentations de 5% et 10% d’ampérage. Dans un autre
ordre d’idée, l’entreprise désire évaluer la possibilité d’implanter des véhicules autoguidés
pour le transport de ses cabarets d’anodes.
Ainsi, en utilisant le logiciel Simio, la recherche veut d’abord représenter la réalité de
l’aluminerie Alcoa Deschambault. Pour ce faire, de nombreuses observations terrain ont
été effectuées afin de déterminer les paramètres physiques et mathématiques du modèle.
Celui-ci a ensuite été validé par l’entreprise et utilisé afin de simuler les différents
scénarios identifiés précédemment.
Cet ouvrage est l’un des premiers travaux publics de simulation à évènements discrets
adapté au secteur de l’aluminium. Il contribue à faire avancer l’état des connaissances
des alumineries sur les méthodes de simulation ainsi que sur les possibilités d’analyses
que celles-ci peuvent offrir. Suite aux analyses, les résultats présentés dans ce mémoire
vont démontrer qu’il est possible d’augmenter l’ampérage dans les cuves de 5% et 10%,
la charge de travail supplémentaire pouvant être supportée par les ressources actuelles
de l’entreprise du point de vue opérationnel. Toutefois, le bilan sur l’intégration de
véhicules autoguidés n’est pas aussi favorable. Les résultats ont établi qu’un minimum de
8 véhicules autoguidés serait nécessaire pour répondre à la demande de l’usine. Ainsi,
selon l’analyse présentée dans ce mémoire, ce projet ne semble pas avantageux pour
l’entreprise d’un point de vue économique.
3
Afin de bien résumer l’ensemble du travail réalisé au cours de cette étude, le mémoire
débute avec une brève revue de la littérature sur le contexte des alumineries, sur les
travaux de modélisation précédemment réalisés dans ce secteur et sur la simulation par
évènements discrets. Le travail enchaîne avec un bref portrait général de l’entreprise.
Ensuite, il décrit la méthodologie utilisée pour construire et analyser le modèle de
simulation et ses diverses adaptations. En premier lieu, c’est un modèle fidèle à la réalité
de l’aluminerie Alcoa Deschambault qui est bâti. Puis, en apportant diverses
modifications, les scénarios sont développés et analysés. Ces scénarios consistent, dans
un premier temps, à étudier la faisabilité des opérations quotidiennes en situation
d’augmentation d’ampérage dans la salle des cuves d’électrolyse. Le dernier scénario
étudie s’il y a un gain potentiel pour l’entreprise à acquérir des véhicules autoguidés pour
ses opérations de changements d’anodes. Finalement, le travail se conclut avec un retour
sur les résultats.
4
Chapitre 2 Revue de la littérature
La première section de ce chapitre vise à situer le sujet de cette étude par rapport au
contexte du secteur de l’aluminium. De plus, afin de bien comprendre les opérations
modélisées dans la simulation, une brève description des étapes de production est faite,
suivie par un résumé des travaux mathématiques de modélisation des opérations dans le
domaine de la production primaire d’aluminium. Enfin, une introduction à la simulation par
évènements discrets est présentée.
2.1 Aluminium
Le Canada est le troisième plus grand producteur d’aluminium primaire au monde, avec
environ 3 millions de tonnes produites par an1. La présence des alumineries au Canada,
et plus spécifiquement au Québec, vient du fait que l’énergie y est abondante et peu
coûteuse. Au Québec, l’aluminium constitue un secteur industriel stratégique, avec
environ 30 000 emplois qui y sont reliés et des exportations de près de 7 milliards $. Dans
sa stratégie de développement de l’aluminium 2015-2025, le gouvernement du Québec
s’est d’ailleurs engagé à appuyer les projets des producteurs d’aluminium primaire afin
de contribuer à leur compétitivité. La figure 2.1 présente la répartition mondiale de la
production d’aluminium primaire pour 2016. On remarque que l’Amérique du Nord se
retrouve derrière la Chine et la région du Conseil de coopération du Golfe Arabique. La
Chine possède à elle seule plus de la moitié de la production mondiale, ce qui illustre
grandement la compétition internationale dans le secteur.
5
Figure 2.1 Répartitions mondiales de la production d'aluminium primaire pour 2016 1
La production d’aluminium primaire se déroule à l’intérieur de cuves d’électrolyse. Les
étapes de production sont identifiées dans la figure 2.2. Le procédé de transformation est
décrit en détail dans l’article de Haupin (1983) et l’historique des changements
technologiques du procédé sont présentés dans l’article de Tarcy et al. (2011). En
résumé, de l’alumine est dissoute dans un mélange à 960oC de cryolite et d’AlF3 appelé
bain et qui se trouve dans la cuve d’électrolyse. Des anodes sont déposées dans un
mélange liquide communément appelé le bain. Le fond de la cuve agit comme une
cathode, ce qui permet au courant électrique de circuler dans la cuve. La réaction
électrochimique introduite au chapitre 1 se produit dans la cuve en consommant le
carbone des anodes et en rejetant du CO2 gazeux sur le dessus de la cuve. Ceci s’appelle
le procédé Hall-Héroult et permet de transformer l’alumine en aluminium. L’aluminium
liquide créé se dépose au fond de la cuve. Il faut ensuite récolter ce produit afin de le
mettre en forme de lingots d’aluminium solide ou en tout autre produit souhaité.
6
Figure 2.2 Opérations liées à la production primaire d'aluminium
Un élément capital dans ce procédé de fabrication est l’alimentation en électricité des
cuves d’électrolyse. Le procédé Hall-Héroult demande en effet un fort ampérage dans les
cuves, ce qui fait de la production primaire une industrie particulièrement énergivore.
Comme le secteur de l’aluminium est très compétitif et comme les coûts de construction
de nouvelles installations sont colossaux, les alumineries cherchent constamment à
augmenter la quantité de métal produit dans leurs installations existantes. Pour ce faire,
elles cherchent principalement à augmenter l’ampérage dans les cuves puisque la
consommation d’électricité est directement reliée au rythme de production de l’aluminium.
Toutefois, un changement du rythme de production entraine plusieurs conséquences.
D’abord d’un point de vue technique, il y a beaucoup de risques quant à l’équilibre
thermique de la cuve, aux variations des champs magnétiques, etc. D’un point de vue
plus opérationnel, le contrôle et la planification doivent aussi s’adapter aux changements.
Par exemple, en augmentant l’ampérage et ainsi le rythme de production, il faut récolter
plus d’aluminium liquide dans les cuves et couler plus de lingots. Aussi, les anodes seront
consommées plus rapidement et il faut donc les changer plus régulièrement. Les impacts
sur les opérations reliés à l’augmentation d’ampérage sont résumés dans le Tableau 2.1.
Ces impacts ont été étudiés et analysés par l’entreprise Alcoa elle-même. Il faut noter que
d’autres facteurs peuvent aussi influencer ces opérations. Toutefois, ce mémoire n’en fait
pas la description détaillée.
7
Table 2.1 Opérations affectées par l’augmentation d’ampérage et leur impact
Opération Description de l’opération Impact occasionné par
l’augmentation d’ampérage
Récolte
d’aluminium
(aussi appelé
la coulée)
Récolter à l’aide d’un creuset
l’aluminium liquide se trouvant
dans le fond de la cuve
d’électrolyse
La production d’aluminium est
plus rapide, il faut donc récolter
une plus grosse quantité pour le
même délai de récolte
Changement
d’anodes
Remplacer des anodes usées
par des anodes neuves dans la
cuve d’électrolyse
Les anodes sont consommées
plus rapidement, il faut donc les
changer plus fréquemment
Calorifugeage Recouvrir les anodes changées
d’un mélange de calorifugeage
Il y a plus de changements
d’anodes, donc plus de
calorifugeage
Remplissage
d’AlF3
Ajouter de l’AlF3 à l’intérieur de la
cuve
La production d’aluminium est
plus rapide, il faut donc
approvisionner la cuve plus
souvent
Relevage
cadre
Relever le cadre qui tient les
anodes en fonction du niveau
d’aluminium dans les cuves
d’électrolyse
La production d’aluminium est
plus souvent, le niveau
d’aluminium monte plus
rapidement, il faut relever le
cadre des anodes plus
rapidement
La recherche exposée dans ce mémoire intègre toutes les opérations et les impacts
décrits dans le tableau précédent. La simulation représente un moyen peu risqué pour
l’entreprise d’étudier les conséquences possibles d’un changement avant de réellement
l’implanter en usine.
8
2.2 Recherche opérationnelle et simulation appliquées au secteur de
l’aluminium
Bien que la simulation des opérations démontre des avantages intéressants pour tous les
domaines industriels, elle n’a été que peu utilisée pour les alumineries. Les premiers
travaux mathématiques ayant été développés pour le secteur de l’aluminium ont été
réalisés par Nicholls et al. (1993). Ils furent les premiers à adapter un modèle
mathématique intégrant la disponibilité et la capacité des ressources afin de planifier les
changements d’anodes. Leurs travaux ont permis à une aluminerie de Portland de
prendre des décisions de gestion plus précises notamment pour les changements à
apporter à la planification et pour l’évaluation de l’impact de tels changements.
Par la suite, en 1997, les premières approches d’optimisation de la coulée d’aluminium
ont été décrites par Tuck (1997). Il applique une méthode nommée «cell batching problem
» à une aluminerie de Nouvelle-Zélande. Cet algorithme permet de mieux planifier la
récolte d’aluminium dans les cuves en fonction de la pureté du métal désirée. Avec cette
nouvelle méthode de planification, l’aluminerie de Nouvelle-Zélande a pu améliorer de
10% la qualité de son aluminium produite et devenir plus compétitive.
Plus tard, Ryan (1998) et Piehl (2000) ont simplifié les travaux de Tuck et décrété que le
problème pouvait se résoudre plus naturellement comme un problème de partition (Set
Partitioning Problem (SPP)).
D’autres recherches en 2001 ont continué à se concentrer sur la gestion et la planification
de la coulée d’aluminium. Voorhis et al. (2001) ont cherché à développer un logiciel basé
sur la méthode de séparation/évaluation (Branch-and-Bound) afin de générer la séquence
de récolte et d’évaluer la performance de la planification de la coulée pour le département
9
de fonderie d’une aluminerie. Ils ont toutefois conclu que sans programme de simulation,
il est impossible de prendre une décision en prenant en considération toutes les
contraintes complexes de l’aluminerie. Ceci vient démontrer pour la première fois que des
algorithmes mathématiques ne sont pas nécessairement en mesure de prendre en
compte tous les phénomènes d’interactions entre les opérations d’une aluminerie. Les
modèles de simulation à évènements discrets semblent ainsi bien positionnés pour
répondre à cette problématique. Enfin, toujours dans le but d’optimiser la production,
Duman et al. (2008) ont développé un algorithme de colonies de fourmis afin d’effectuer
l’ordonnancement de la récolte d’aluminium.
À cette étape, il est important d’expliquer la différence entre la modélisation mathématique
et la simulation. D’abord, les modèles mathématiques cherchent à expliquer des résultats
concrets par un ensemble d’équations logiques reliées entre elles. Il s’agit donc de faire
l’étude d’un phénomène connu dont les résultats sont mesurables. D’un autre côté, la
simulation cherche à prédire des résultats inconnus à partir d’équations connues. Cette
dernière est donc utilisée lorsque l’on ne peut pas mesurer les résultats ou qu’il y a
énormément d’interactions complexes dans le système à l’étude. Toutefois, il y a des liens
très forts entre la modélisation et la simulation. Généralement, la modélisation
mathématique fournit des équations qui sont utilisées pour simuler les éventuelles
interactions d’un système. La simulation utilise ces équations afin de prédire le
comportement du système dans le temps.
Les premiers travaux reposant sur des approches mathématiques, adaptés au secteur de
l’aluminium, ont permis d’ouvrir la voie aux méthodes de recherche et d’amélioration
moderne. Toutefois, comme le mentionne Harton (2010): « Ces modèles n’ont pas été en
mesure de modéliser la complexité des contraintes réelles du système à l’étude. La seule
façon d’y parvenir est par la simulation ». À notre connaissance, W. Harton est le premier
chercheur à avoir fait la simulation du flux d’aluminium dans une aluminerie. Il affirme que
10
la gestion de ces flux fournit une occasion d’augmenter les revenus sans altérer les
processus de base qui produisent le métal. L’objectif est donc d’utiliser les ressources le
plus efficacement possible pour produire le type d’alliage le plus profitable pour
l’entreprise. Ses simulations permettent de voir comment les décisions stratégiques
affectent les opérations quotidiennes d’une aluminerie et comment elles impactent
l’efficacité globale du système.
Avec l’avènement du concept de Lean Manufacturing, Meijer (2011) explique que le
développement de modèles de simulation adaptés à la logistique des alumineries mérite
d’être étudié plus amplement, car il représente une importante solution de réduction de
coût :
«Combining discrete modeling with the advanced models of cell simulation open up a new area of research in which the material flow can be optimized, towards the need of the individual cell. Since anode changing and metal tapping are important parameters that influence the stability of a cell, such an attempt can create a more efficient use of assist and higher productivity of the smelter. » Meijer (2011) p. 423.
En 2013, Eick et al. (2013) ont développé un modèle de simulation dynamique pour aider
à la planification des opérations et de la logistique nécessaire dans le cadre d’un projet
d’expansion d’une aluminerie. Pour leurs travaux, ils ont utilisé le logiciel POSES ++.
Celui-ci offre un environnement de modélisation et de simulation pour les systèmes à
événements discrets. Ils concluent que la simulation est un outil visuel qui peut prédire la
réalité avec une précision raisonnable.
11
2.3 La simulation
Comme le mentionne Banks et al. (2005), la simulation est une imitation des opérations
d’un procédé ou d’un système réel évoluant dans le temps. En effet, la simulation permet
d’étudier le comportement d’un système dynamique. En général, un modèle de simulation
repose sur un ensemble d’hypothèses concernant le fonctionnement global d’un système.
Une fois le modèle créé et validé, il est alors possible de prédire les effets de diverses
altérations sur le système étudié et de proposer des recommandations. Par exemple, la
simulation peut être utilisée afin de prédire la performance d’un nouveau système soumis
à différentes contraintes.
La modélisation du système à étudier dans un tel contexte ne fait alors pas référence à
un modèle mathématique pur. Il s’agit plutôt d’une modélisation où la logique et les
relations entre les entités d’un système sont intégrées. Pour citer Banks et al. (2005):
«In some instances, a model can be developed which is simple enough to be “solved” by mathematical methods. […] However, many real-world systems are so complex that models of theses systems are virtually impossible to solve mathematically. In these instances, numerical, computer-based simulation can be used to imitate the behavior of the system over time. » Banks et al. (2005) p.3
Ces types de modèles sont donc très utilisés dans le cadre d’un projet étudiant un
système complexe où un modèle mathématique ne serait pas suffisant pour bien prendre
en considération toutes les relations logiques et dynamiques existantes. Naylor et al.
(1966) et Shannon (1998) ont identifié 11 principales raisons expliquant dans quelles
occasions la simulation est un outil à utiliser :
12
1. La simulation permet d’étudier et d’expérimenter les interactions internes d’un
système complexe ou d’un sous-système dans un système complexe ;
2. Il est possible de simuler des changements de type informationnel, organisationnel
et environnemental et d’étudier leurs effets sur le comportement d’un système ;
3. Les connaissances acquises lors de la conception d’un modèle de simulation sont
utiles pour suggérer des améliorations au système ;
4. Faire des modifications sur les variables d’entrées de la simulation et étudier les
résultats sortants donne une idée précieuse des variables les plus importantes et
de leurs interactions ;
5. La simulation peut être utilisée comme dispositif pédagogique dans l’étude des
solutions analytiques ;
6. La simulation permet d’expérimenter de nouvelles conceptions avant leur mise en
œuvre et d’éviter des investissements importants de ressources ;
7. La simulation peut être utilisée pour vérifier des solutions d’ordre analytique ;
8. La simulation des différentes fonctionnalités d’un équipement aide à déterminer
ses exigences futures ;
9. Les modèles de simulation conçus pour des fins de formation rendent
l’apprentissage possible sans les coûts et les perturbations occasionnés par une
formation avec un instructeur, en plus d’être utilisables plus d’une fois ;
10. La simulation peut être utilisée comme outil de visualisation grâce à ses
animations ;
11. La simulation est la seule option pour traiter les systèmes modernes dont les
interactions internes sont de plus en plus complexes.
Les modèles de simulation offrent beaucoup d’avantages, mais aussi quelques
inconvénients. Voici une liste faite par Pegden et al. (1995) relevant les principaux
avantages de la simulation :
13
1. Plusieurs scénarios de changements politiques, procéduraux, organisationnels,
etc. peuvent être explorés sans perturber les opérations en cours du système réel
;
2. Il est possible de tester l’intégration de nouveaux équipements ou aménagement
sans engager les ressources réelles pour leurs acquisitions ;
3. Le temps peut être compressé ou étendu pour permettre une accélération ou un
ralentissement des phénomènes sous enquête ;
4. Il est possible d’obtenir des informations sur les interactions entre les variables ;
5. Il est possible d’obtenir des informations sur l’importance des variables sur la
performance du système ;
6. L’analyse du goulot d’étranglement peut être effectuée ;
7. La simulation permet d’aider à comprendre comment fonctionne réellement le
système plutôt que de se fier aux croyances des gens ;
8. Il est possible de répondre aux questions « qu’est-ce qui se passerait si ? »
Et voici une liste des principaux inconvénients :
1. La conception d’un modèle de simulation nécessite une formation spécialisée.
C’est un art qui s’acquiert avec le temps et l’expérience ;
2. Les résultats donnés par la simulation peuvent parfois être difficiles à interpréter
en raison de l’utilisation de variables aléatoires ;
3. La conception et l’analyse d’un modèle de simulation peuvent prendre beaucoup
de temps et donc occasionner des coûts importants.
De plus, il faut ajouter à cette liste que les logiciels de simulation sont souvent dispendieux
et que peu de gens maitrisent bien de tels outils.
14
Pour terminer cette introduction à la simulation, il est important de noter que l’un des
éléments primordiaux d’un bon modèle de simulation est sa validité. Pour que les résultats
des expériences soient considérés valables, il faut d’abord que le modèle représente le
plus possible la réalité modélisée. Pour cela, la précision du modèle doit être considérée
comme acceptable. Toutefois, cela représente parfois une difficulté puisque tous les
projets de simulation présentent des caractéristiques différentes et uniques. Selon
Sargent (2013), il existe quelques techniques pratiques pour vérifier et valider un modèle
de simulation. Par exemple, la technique de validation d’évènements consiste à
reproduire un événement réel et à comparer les résultats obtenus de la simulation avec
ceux de la réalité. Une autre technique consiste à faire valider les résultats de son modèle
de simulation par une partie prenante externe au travail. La prochaine section du mémoire
s’attardera à la présentation du cas d’études simulé durant la recherche, soit l’aluminerie
Alcoa de Deschambault.
15
Chapitre 3 L’entreprise
Le modèle de simulation développé dans ce mémoire est basé sur la réalité de l’une des
alumineries du groupe Alcoa. Cette entreprise américaine est le troisième plus grand
producteur d’aluminium au monde tout juste derrière Rusal et Rio Tinto Alcan. Au Québec,
Alcoa emploie plus de 2500 personnes et a enregistré un chiffre d’affaires de 2,2 G$ en
20152.
L’ensemble des usines au Canada de ce producteur d’aluminium primaire possède une
capacité de production de plus de 3,5 millions de tonnes métriques par années. Depuis
1888 3, cette entreprise fait la production d’aluminium primaire puis moule l’aluminium afin
d’obtenir principalement des lingot-T et des plaques de feuilles d’aluminium. Ceux-ci sont
destinés aux fonderies de fabrication de pièces moulées. Elle fait aussi la fabrication de
billettes, destinées aux extrudeurs pour la fabrication de profilés pour l’industrie du
transport et de la construction 4.
Alcoa est présente à toutes les étapes de fabrication de l’aluminium. Pour obtenir de
l’aluminium primaire, il faut d’abord extraire de la bauxite qui est un minerai naturel.
Ensuite, à partir cette matière, il est possible d’extraire de l’alumine. Enfin, grâce au
procédé d’électrolyse Hall-Héroult, il est possible de fabriquer de l’aluminium primaire.
Ces étapes sont représentées de façon schématique à la figure 3.1.
16
Figure 3.1 Représentation schématique des principales étapes de la production d'aluminium primaire
Pour commencer, l’entreprise est propriétaire de sept mines de bauxite dans le monde et
exploite quatre d’entre elles. Sa mine de Huntly en Australie est d’ailleurs la deuxième
plus grande mine de bauxite au monde. Son réseau des mines de bauxite est
stratégiquement situé à proximité des principaux marchés de l’Atlantique et du Pacifique.
Leurs positions leur permettent donc un approvisionnement constant, fiable et durable de
matières premières pour les raffineries d’alumine5.
Ensuite, Alcoa possède une immense force dans le marché mondial de production
d’alumine. Son réseau, constitué de 6 raffineries situées en Australie, au Brésil, en
Espagne et en Arabie Saoudite, détient une capacité de production de plus de 17 millions
des tonnes métriques par an. À elles seules, grâce à leur plus grande source d’alumine
au monde, les raffineries d’Australie sont capables de fournir 8% du marché mondial.
Avec cette puissance de production, les raffineries d’alumine d’Alcoa sont non seulement
capables d’approvisionner l’ensemble de leurs alumineries, mais aussi de faire de la vente
externe d’alumine 6.
Enfin, comme mentionné précédemment, Alcoa détient de nombreuses alumineries qui,
au Canada, sont situées au Québec. Les alumineries d’Alcoa produisent plus de 3.5
millions de tonnes métriques d’aluminium primaire par année.
17
En plus de sa forte présence de production dans le secteur de l’aluminium, Alcoa est aussi
reconnue mondialement pour ses valeurs de hauts standards d’excellence opérationnels,
environnementaux et éthiques. Ils sont continuellement en recherche de solutions afin
d’être plus productifs, efficaces, innovants et durables. D’ailleurs, Alcoa détient un Centre
d’excellence qui est établi à l’aluminerie Deschambault. Il s’agit d’un carrefour de
formation pour tous les employés, mais aussi d’un centre de développement où de
nombreux projets sur les meilleures pratiques en gestion manufacturière sont réalisés
chaque année. Ce mémoire s’inscrit dans la liste des nombreux projets étudiants qu’Alcoa
chapeaute quotidiennement. La recherche et le développement en collaboration avec les
universités du Canada sont très valorisés au sein de l’entreprise. Chaque année, de
nombreux évènements rassemblent les étudiants et exposent leurs travaux devant toutes
les parties intéressées du secteur de l’aluminium. Alcoa entretient d’ailleurs des relations
avec le Centre de Recherche sur l’Aluminium – REGAL 7 qui est un regroupement
stratégique dont les travaux de recherche s’articulent autour du matériau aluminium, de
sa production primaire en passant par le développement du procédé de mise en forme et
de design jusqu’à la conception de nouveaux alliages. Le REGAL rassemble plus de 35
membres réguliers, 42 membres collaborateurs provenant des secteurs publics et privés,
ainsi que 170 étudiants de maîtrise, de doctorat et de stage post-doctoral.
Le sujet de ce mémoire est en outre un projet soutenu par le REGAL et qui s’est déroulé
au Centre d’excellence de l’Aluminerie Deschambault. Cette aluminerie possède 264
cuves d’électrolyse dédiées à la fabrication d’aluminium primaire et situées dans 2 salles
de cuves d’une longueur d’environ 1 km chacune. Ce sont d’ailleurs les opérations reliées
à ces cuves qui sont étudiées dans cette étude. Cette aluminerie utilise différentes
méthodes de pilotage dans ses opérations. Par exemple, pour la récolte d’aluminium, la
planification se base sur la qualité de l’aluminium pouvant être extraite des cuves tout en
essayant de minimiser les distances parcourues. D’un autre côté, le changement
d’anodes se fait de façon séquentielle, soit la cuve directement à côté de la précédente.
Malgré leurs diverses méthodes de pilotage, les opérations ont lieu selon les mêmes
18
horaires de travail. La recherche proposée dans ce mémoire est directement en lien avec
la gestion des opérations quotidiennes de l’aluminerie. On cherche à savoir si les
méthodes de pilotage actuelles peuvent fonctionner sous une augmentation d’ampérage
de 5% et 10%. Enfin, on cherche à savoir s’il est possible d’intégrer de nouveaux
équipements aidant aux opérations quotidiennes.
19
Chapitre 4 Méthodologie
L’approche retenue dans ce mémoire est semblable à celle proposée par les auteurs Eick
et al. (2013). Dans le cas présent, la simulation est utilisée afin d’observer les impacts
qu’apportent des changements liés à la planification et à la gestion des opérations sur la
performance globale d’un département de production. Basé sur le cas réel de l’usine
Alcoa de Deschambault, le modèle de simulation développé sous Simio tente de
reproduire avec le plus de détails possible l’environnement actuel de l’aluminerie.
Ainsi, le projet englobe les 264 cuves de production d’aluminium et les opérations
nécessaires à leur bon fonctionnement. En effet, pour maintenir le rythme et la qualité de
production, les opérations telles que les changements des anodes, le calorifugeage, le
relevage cadre et l’ajout de bain et d’AlF3 sont nécessaires. Le modèle doit donc inclure
toutes ces opérations de production et leur logistique afin de rester fidèle à l’aluminerie
d’Alcoa Deschambault.
Une fois les opérations bien intégrées dans le modèle de simulation, l’objectif est de tester
des scénarios d’améliorations potentielles et d’évaluer leurs impacts sur la performance
de la production. Ces idées d’amélioration ont été proposées par l’entreprise elle-même
dans le but de répondre à des problématiques actuelles faisant partie de leurs projets
d’améliorations à court et à moyen terme. L’outil de simulation développé dans le cadre
de ce mémoire permet donc de répondre rapidement à des interrogations pertinentes pour
l’entreprise. Il agit aussi à titre de projet pilote puisqu’il s’agit du premier projet de ce genre
pour Alcoa. Cet ouvrage sert donc aussi à démontrer que la simulation est un outil
puissant offrant un immense potentiel d’exploration en ce qui a trait aux possibilités
d’amélioration.
20
Mais tout d’abord, pour bien construire le modèle, il est primordial de suivre les grandes
étapes décrites à la figure 4.1. De cette façon, le projet s’assure de rester fidèle à la réalité
de l’entreprise étudiée et de valider le modèle durant toutes les étapes du projet. Dans un
premier temps, les étapes de la méthodologie consistent à prendre connaissance en
temps réel du fonctionnement du processus de production et de faire la récolte de
données jugées pertinentes. Une fois les données en main, celles-ci sont intégrées au
modèle. Pour confirmer que les données sont bien intégrées, les résultats fournis par le
modèle doivent être validés en comparant des événements réels avec les résultats
dégagés par la simulation. Enfin, une fois le modèle validé, il est possible de tester de
nombreux scénarios et d’analyser les résultats obtenus. En fonctionnant selon ces
étapes, le risque de construire un modèle de simulation non représentatif est grandement
diminué.
21
Figure 4.1 Étapes de la méthodologie du projet
Pour ce projet, tout a débuté avec les observations terrain. C’est en discutant avec les
personnes-ressources telles que les responsables de la production, les employés du
secteur électrolyse, les gestionnaires de recherche et développement, etc., qu’il a été
possible de comprendre la complexité du processus. Pour bien définir l’ampleur du projet,
ce sont les caractéristiques physiques du modèle qui ont d’abord été mises en place dans
le modèle, soit les plans d’aménagements, le nombre de cuves d’électrolyse, le nombre
22
de véhicules et de ponts roulants, etc. Une fois l’environnement de simulation créé, il a
été possible d’y inclure des opérations de production. Pour simplifier la conception du
modèle, les opérations de production ont été intégrées une à la fois et validées avant d’en
intégrer une nouvelle au modèle. Ainsi, les étapes 1 à 4 de la figure précédente ont été
réalisées séquentiellement pour toutes les opérations dans l’ordre suivant : la coulée, le
changement d’anodes, le calorifugeage, l’ajout de bain et de AlF3 et le relevage cadre.
L’ordre des ajouts est important puisqu’il reflète l’importance des tâches. En effet, dans
les alumineries, les tâches les plus complexes en termes de planification des opérations
dans le secteur électrolyse sont la coulée et les changements d’anodes. Pour chaque
opération, des observations et des prises de temps de cyles ont été réalisées en usine
afin de déterminer les temps de traitement.
Une fois les observations complétées, la gestion des données a tenté d’associer les
observations récoltées avec une loi statistique. Bien entendu, des examens statistiques
ont été effectués afin de tester l'adéquation entre la série d’observations et des familles
de lois de probabilité.
Ensuite, l’opération étudiée a été incluse dans le modèle de simulation. D’abord
physiquement, son lieu de départ, ses déplacements potentiels et son lieu d’arrivée ont
été inclus. Puis, la logique du procédé a été intégrée. Par exemple, les véhicules et les
ponts roulants nécessaires pour les déplacements et la loi statistique représentant le
temps de traitement de la tâche ont été mis en place dans le modèle.
Une fois la tâche insérée dans le modèle de simulation, la validation s’est alors avérée
une étape obligatoire avant de commencer l’insertion d’une autre opération. L’étape de
validation consiste à comparer les résultats obtenus grâce à la simulation avec les
résultats réels donnés par l’entreprise. Par exemple, pour l’opération de la coulée, la
planification réelle d’une journée de travail est simulée. Si, selon l’entreprise, la simulation
23
révèle des résultats près de la réalité (dans ce cas, le temps de traitement des creusets),
cela signifie que le modèle représente bien la situation actuelle de l’entreprise. Dans le
cas contraire, un retour à l’étape 1 est nécessaire afin de comprendre d’où provient
l’erreur et la corriger. Le modèle se construit donc en répétant les étapes 1 à 4 pour toutes
les opérations de production.
Lorsque ce travail a été complété, il est alors devenu possible d’explorer tous les
scénarios d’amélioration souhaités. Comme mentionné auparavant, c’est l’entreprise qui
a demandé l’analyse des scénarios suivant :
1- Découvrir les impacts reliés à une augmentation d’ampérage de 5 % dans le
secteur d’électrolyse ;
2- Découvrir les impacts reliés à une augmentation d’ampérage de 10 % dans le
secteur d’électrolyse ;
3- Advenant l’intégration de véhicules autoguidés pour le transport des cabarets
d’anodes, déterminer la quantité d’équipements nécessaires pour répondre à
la demande actuelle.
Pour chaque scénario, les données d’entrée du modèle de simulation ont été modifiées.
À quelques occasions, même la logique du modèle a été appelée à changer. L’étape
d’analyse des résultats s’est donc faite un scénario à la fois et des données de sortie
pertinentes ont été préalablement identifiées afin de faciliter l’analyse. Ces données sont
différentes selon l’opération analysée, elles sont décrites dans les sections suivantes de
ce mémoire. Enfin, des conclusions et des recommandations ont pu être émises pour
chaque scénario étudié.
24
Compte tenu de la complexité et du nombre d’opérations de production différentes, la
méthodologie utilisée s’est avérée efficace. Effectivement, en se concentrant sur une
étape à la fois et en validant chacune d’entre elles, le projet n’a eu d’autre choix que de
se solidifier au fil de l’avancement du projet et de démontrer dès lors les avantages d’un
bon outil de simulation.
25
Chapitre 5 Modèle de simulation
Comme mentionné dans la section précédente, le modèle de simulation se construit en
répétant les étapes 1 à 4 de la figure 3 pour toutes les opérations de production. Toutefois,
avant même d’ajouter les opérations au système, il a été nécessaire de bien définir et
construire ses paramètres physiques.
5.1 Éléments physiques
D’abord, le secteur étudié a été délimité. Pour ce faire, les plans de l’usine et des
équipements ont été obtenus. Il a donc été possible de représenter avec exactitude les
paramètres physiques de l’aluminerie dans le modèle. En effet, les distances et les
dimensions réelles ont été utilisées ainsi que les vitesses réelles de chaque équipement.
Sans montrer les plans d’usine détaillés, il est possible de représenter grossièrement la
zone de production de l’usine avec la figure 5.1.
Figure 5.1 Représentation générale de la zone de production de l'aluminerie Alcoa Deschambault
26
L’usine est donc divisée en 4 grandes zones. Dans un premier temps, il y a la zone
d’électrolyse avec deux allées de production (l’allée A et l’allée B). C’est à cet endroit que
se retrouvent 132 cuves d’électrolyse par allée pour un total de 264 cuves. De plus, par
allée, il y a toujours 3 ponts roulants qui fonctionnent en même temps. Ensuite, il y a la
zone de fabrication des anodes. C’est à cet emplacement que se trouve l’inventaire des
anodes et que les employés préparent et déchargent les cabarets d’anodes et de mégots.
Un cabaret d’anodes est une remorque qui permet de transporter 3 paires d’anodes en
même temps. Près de là, la zone de préparation des creusets permet de préchauffer les
creusets vides afin qu’ils soient disponibles pour récolter de l’aluminium liquide des cuves
d’électrolyse. Après la récolte, ces creusets sont acheminés à la dernière zone, la
fonderie. On y fait des alliages d’aluminium dans des fours et le produit est ensuite
transformé en lingots. Il faut noter que dans le modèle construit dans ce mémoire, il y a
deux fours de transformation qui sont chacun dédiés à une allée. Ainsi, le four 1 répond
aux besoins de l’allée A et le four 2, aux besoins de l’allée B. Ceci ne reflète pas
exactement la réalité de l’usine, mais il s’agit ici d’un choix de conception de modèle afin
de faciliter la répartition des tâches et de simplifier l’ordonnancement des opérations.
Grâce à cette simplification, lors des simulations, il a été possible de faire un suivi sur les
creusets et ainsi d’extraire les bonnes données liées aux bons creusets. Enfin, pour bien
acheminer les cabarets d’anodes et les creusets, il y a 3 véhicules de transport
disponibles. Deux sont consacrés au transport des cabarets d’anodes et le dernier sert
au transport des creusets.
27
Voici une liste des éléments physiques de l’aluminerie Alcoa Deschambault qui ont permis
la construction du modèle :
• 2 zones d’électrolyse (Allée A et Allée B) ;
• 1 zone de préparation des anodes ;
• 1 zone de préparation des creusets ;
• 1 zone fonderie ;
• 264 cuves d’électrolyse ;
• 6 ponts roulants (vitesse constante de 0,5 m/s) ;
• 2 fours de maintien ;
• 2 transporteurs de cabaret d’anodes (vitesse constante de 10 km/h) ;
• 1 transporteur de creusets (vitesse constante de 10 km/h).
5.2 Coulée
Une fois l’environnement du modèle créé vient le temps d’intégrer les étapes de
production. Comme indiqué dans la section modélisation du présent mémoire, la première
opération à être modélisée est la coulée d’aluminium. Cette tâche consiste à récolter
quotidiennement une quantité précise d’aluminium dans toutes les cuves d’électrolyse.
La figure 5.2 représente le chemin qu’un creuset doit parcourir pour réaliser cette
opération ainsi que les transporteurs qui sont responsables de son acheminement entre
les étapes. La figure 5.3 montre des images du logiciel durant quelques étapes de la figure
5.2.
28
Figure 5.2 Chemin suivi par un creuset pour réaliser l’opération de la coulée
Figure 5.3 Image du modèle Simio de diverses opérations de la coulée
Comme l’illustre bien la figure 5.3, un creuset est transporté de la zone de préparation
des creusets vers une zone d’attente dans l’allée (1). Le pont roulant vient alors chercher
le creuset et des quantités précises d’aluminium sont extraites des cuves spécifiées par
la planification (2 et 3). En moyenne, il est récolté environ 3000 kg d’aluminium par cuve
d’électrolyse et un creuset permet de faire la récolte de 4 cuves d’électrolyse. Les creusets
ont une capacité maximale de 16 000 kg. Une fois la récolte terminée, le pont roulant
retourne le creuset plein à la zone d’attente (4). Le transporteur vient alors déposer un
nouveau creuset vide, puis achemine le creuset plein vers la fonderie. La séquence des
cuves à récolter est déterminée par le département de planification. Actuellement, la
planification cherche à faire la récolte des cuves en optimisant le grade d’aluminium
29
obtenu tout en réduisant la distance parcourue. Cette variable est très importante puisque
la salle des cuves fait plus de 1 km de long et que l’on veut maximiser le nombre de
creusets récoltés tout en minimisant la distance parcourue.
Une série d'observations en usine sur les étapes de la récolte d’aluminium a été effectuée
durant deux jours. Les temps suivants ont été observés : (i) le temps requis pour attacher
ou détacher le creuset au pont roulant (équation 5.1) et (ii) le temps de récolte nécessaire
pour extraire une quantité d'aluminium spécifique des cuves (équation 5.2).
𝑇𝑒𝑚𝑝𝑠 𝑑𝑒 𝑚𝑖𝑠𝑒 𝑒𝑛 𝑝𝑙𝑎𝑐𝑒 𝑑𝑢 𝑐𝑟𝑒𝑢𝑠𝑒𝑡 (𝑠) = 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 ( 40, 90, 146 ) (5.1)
𝑉𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑟é𝑐𝑜𝑙𝑡𝑒 𝑑′𝑎𝑙𝑢𝑚𝑖𝑛𝑖𝑢𝑚 (𝑘𝑔 𝐴𝑙 / 𝑠) =
𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (24, 35, 52) + 𝑋
𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (9, 15,5, 22)
Où
X= Quantité d’aluminium à récolter (kg) (5.2)
Il est important de noter que plusieurs sources de variabilités peuvent affecter ces temps.
Par exemple : l’expérience des opérateurs, l’obstruction dans le tuyau alimentant le
creuset, la planification de la récolte, etc. Sur la base de ces observations, des lois
statistiques ont été utilisées pour inclure de la variabilité dans les temps d’opérations des
simulations. Après discussions, il a semblé adéquat d’utiliser des lois triangulaires pour
représenter les observations recueillies. Effectivement, comme le montre la figure 5.4, il
semble bien y avoir une forme triangulaire aux données récoltées. Ces lois ont l’avantage
d’être relativement simples, en plus d’offrir une représentation adéquate des observations
qui ont été faites. Il faut noter que toutes les unités sont des secondes.
30
Figure 5.4 Probabilités d'occurrences des différentes vitesses de récolte d'aluminium (kg Al/s) prise durant
les observations comparées à la loi triangulaire utilisée dans le modèle
Le modèle a ensuite été validé en simulant les situations réelles observées dans l’usine.
Pour ce faire, le logiciel Simio suit les indications d’une liste semblable à celle que le
département de planification donne à ses employés. Cette liste détient l’ordre des cuves
à récolter ainsi que la quantité d’aluminium à récolter à chaque cuve. La simulation
effectue la liste de tâches et enregistre le temps de traitement de chaque creuset du
moment où il commence sa première récolte et où il termine sa dernière récolte.
Le tableau 5.1 montre les temps simulés nécessaires pour traiter différents creusets et
les temps réels observés dans l’usine. On constate que les différences sont inférieures à
3,83 minutes, ce qui a été jugé acceptable par l'entreprise.
31
Table 5.1 Comparaison entre la simulation et les observations du temps de traitement de creusets pour la
validation de l'opération de la coulée dans le modèle
Creuset A B C D E F G H
Temps
obtenus par
simulation
(minutes)
27,15 26,83 23,98 20,59 21,15 24,26 27,03 24,30
Temps réels
(minutes)
30 23 21 19 24 24 26 25
Différence
absolue
(minutes)
2,85 3,83 2,98 1,59 2,85 0,26 1,03 0,7
5.3 Changement d’anodes
Il est possible de poursuivre avec l’intégration de la seconde opération : les changements
d’anodes. Lors de la production d’aluminium liquide dans les cuves d’électrolyse, les
anodes servent à la réaction et sont donc consommées par le procédé. Ainsi, il faut
remplacer les anodes usées par de nouvelles. La figure 5.5 illustre le chemin suivi par
une anode pour réaliser l’opération des changements d’anodes. La figure 5.6 illustre un
cabaret d’anodes en attente d’un pont roulant disponible.
Figure 5.5 Chemin suivi par une anode pour réaliser l’opération des changements d’anodes
32
Figure 5.6 Image du modèle Simio d’un cabaret d’anode en attente durant l’opération de changement
d’anodes
C’est dans un cabaret d’anodes que le transporteur déplace trois paires d’anodes neuves
vers une allée d’électrolyse. Le pont roulant effectue ensuite un changement d’anodes
sur 3 cuves d’électrolyse. Pour chaque cuve, c’est une paire d’anodes qui est changée
quotidiennement. Une fois tous les changements d’anodes effectués, le transporteur vient
chercher le cabaret de mégots et le retourne à la zone de préparation des anodes. Ces
mégots sont ensuite broyés et réutilisés avec d’autres matières premières pour la
fabrication de nouvelles anodes, mais ces opérations relevant de la fabrication des
anodes, elles n’ont pas été modélisées.
Une série d'observations sur le temps nécessaire pour effectuer un changement d’anodes
a été effectuée durant une journée. Ces observations ont été ajoutées à celles que
l’entreprise avait elle-même faites pour un ancien projet.
Encore une fois, la planification des changements d’anodes et l’expérience des
opérateurs de pont roulant fait varier les temps observés. De plus, la position dans la cuve
des anodes qui sont changées influence aussi le temps requis pour le changement en
33
raison des déplacements différents et de la présence des barres omnibus qui peut ralentir
le travail des opérateurs. Effectivement, il est plus long de changer les anodes 1 et 40 dû
à leur position près d’un mur. De plus, les anodes 2 à 20 sont plus difficiles à changer à
cause de la présence des barres omnibus (figure 5.7). Les équations 5.3 à 5.6 décrivent
les différentes vitesses de changement d’anodes selon les différentes positions de la paire
d’anode dans la cuve. Comme les anodes sont toujours changées en paires, les équations
suivantes sont fonction d’une paire d’anode. L’anode impaire est toujours jumelée avec
l’anode paire suivante, par exemple les anodes 3 et 4 sont changées en même temps.
De façon semblable à la coulée, la loi triangulaire est la loi statistique qui représentait le
mieux les observations.
Figure 5.7 Illustration d'une cuve d'électrolyse vue de haut
34
X = position de la paire d’anodes à changer déterminée par la planification
Si X =1 (5.3)
𝑉𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑢𝑛 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑′𝑎𝑛𝑜𝑑𝑒 (𝑠) =
700 + 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (−65, −1, 93)
Si 3<=X <=19 (5.4)
𝑉𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑢𝑛 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑′𝑎𝑛𝑜𝑑𝑒 (𝑠) =
590 ∗ 𝑋−0,03 + 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (−65, −1, 93)
Si 21<=X <=37 (5.5)
𝑉𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑢𝑛 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑′𝑎𝑛𝑜𝑑𝑒 (𝑠) =
400 ∗ 𝑋0.07 + 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (−65, −1, 93)
Si X =39 (5.6)
𝑉𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑢𝑛 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑′𝑎𝑛𝑜𝑑𝑒 (𝑠) =
600 + 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (−65, −1, 93)
Une fois l’opération intégrée au modèle et la loi statistique développée vient l’étape de
validation. De nouveau, le logiciel Simio suit les indications d’une liste semblable à celle
que le département de planification donne à ses employés. Cette liste détient l’ordre des
cuves dont les anodes sont à remplacer et spécifie les numéros d’anodes à changer. La
simulation effectue la liste de tâches et enregistre le temps nécessaire pour effectuer le
changement d’une paire d’anodes. Le modèle a été validé en simulant les situations
35
réelles observées dans l’usine. Le tableau 5.2 montre les temps simulés nécessaires pour
traiter différents changements d’anodes et les temps réels observés dans l’usine. On
constate que les différences sont inférieures à 103 secondes, ce qui a été jugé adéquat
par l'entreprise.
Table 5.2 Comparaison entre la simulation et les observations du temps de changement d’anodes pour la
validation de l'opération de changement d'anodes dans le modèle
Changement
d'anode A B C D E F G H I J K L M N O
Position de
l'anode à
changer
23 23 23 15 15 15 17 17 17 5 5 5 11 11 11
Temps de la
simulation
(s)
482 517 535 555 561 578 535 552 545 630 548 533 595 545 575
Temps réels
(s) 534 437 432 621 493 479 576 493 591 655 505 572 585 574 511
Différence
absolue
(s)
52 80 103 66 68 99 41 59 46 25 43 39 10 29 64
5.4 Calorifugeage
Après un changement d’anodes, l’opérateur de pont roulant doit procéder à un
calorifugeage afin de bien recouvrir la paire d’anodes changée. La couverture anodique
permet de conserver la chaleur dans la cuve et d’éviter l’oxydation de l’anode. Cette
opération doit se faire dans un délai de moins de 2 heures suite à un changement
d’anodes. De plus, le mélange de recouvrement est contenu dans le pont roulant. La
capacité du réservoir du pont roulant subvient à calorifuger environ 15 changements de
paires d’anodes. La recharge du réservoir est d’une durée approximative de 30 minutes.
36
Pour la modélisation, on fait l’hypothèse qu’à la suite de 6 changements d’anodes,
l’opérateur de pont roulant effectue le calorifugeage de ces 6 cuves. Ensuite, il va remplir
son réservoir pour une durée approximative de 15 minutes. Il a d’ailleurs été observé que
les employés procèdent ainsi en général. Ce chemin est illustré à la figure 5.8.
Figure 5.8 Chemin pour réaliser l’opération de calorifugeage
Les observations en usine récoltées durant la même journée que celles des changements
d’anodes ont démontrée qu’encore une fois, la loi triangulaire est appropriée pour décrire
les temps de calorifugeage. Le temps nécessaire pour le calorifugeage d’une cuve
d’électrolyse est donc décrit par l’équation 5.7 et ne dépend d’aucune variable, il s’agit
plutôt d’un temps constant. Le temps de recharge est exprimé selon la même logique par
l’équation 5.8. Puisque ces lois ont été déterminées avec l’entreprise, les équations
suivantes ont directement été approuvées et n’ont pas nécessité de validation.
𝑇𝑒𝑚𝑝𝑠 𝑑𝑒 𝑐𝑎𝑙𝑎𝑢𝑟𝑖𝑓𝑢𝑔𝑒𝑎𝑔𝑒 𝑑′𝑢𝑛𝑒 𝑐𝑢𝑣𝑒 (𝑠) = 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 ( 114, 133, 166) (5.7)
𝑇𝑒𝑚𝑝𝑠 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑟𝑔𝑒 𝑑𝑢 𝑝𝑜𝑛𝑡 𝑟𝑜𝑢𝑙𝑎𝑛𝑡 (𝑠) = 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (600, 750, 900) (5.8)
Pour effectuer ces opérations, le logiciel Simio suit à nouveau une liste indiquant les cuves
nécessitant un calorifugeage. Bien entendu, cette liste suit le même ordre que la liste des
changements d’anodes.
37
5.5 Ajout de AlF3 et de bain
Une fois que les changements d’anodes et les calorifugeages sont complétés, les
opérateurs de ponts roulants sont responsables d’ajuster le niveau d’AlF3 et de bain dans
les cuves d’électrolyse. Ces substances sont des éléments nécessaires dans le
processus de production de l’aluminium. Il est donc important de toujours avoir une
quantité suffisante de ces produits dans les cuves. Pour réaliser cette tâche, l’opérateur
de pont roulant doit utiliser une trémie. Il doit suspendre cette trémie sous le pont roulant
pour remplir la cuve. Cette trémie a la capacité d’ajuster le niveau de produits pour environ
15 cuves d’électrolyse. Le chemin fait par l’opérateur de pont roulant est illustré à la figure
5.9.
Figure 5.9 Chemin pour réaliser l’opération d'ajustement de niveau d'AlF3 et de bain
Suite à quelques observations et des discussions avec l’entreprise, il a été décidé de
poursuivre avec l’utilisation de lois triangulaires pour décrire le temps nécessaire pour
attacher/déposer une trémie (équation 5.9) ainsi que le temps pour effectuer un
ajustement sur une cuve (équation 5.10) : Encore une fois, les équations 5.9 et 5.10 ont
directement été approuvées et n’ont pas eu besoin de validation
𝑇𝑒𝑚𝑝𝑠 𝑝𝑜𝑢𝑟 𝑚𝑖𝑠𝑒 𝑒𝑛 𝑝𝑙𝑎𝑐𝑒 𝑑𝑒 𝑙𝑎 𝑡𝑟é𝑚𝑖𝑒 (𝑠) = 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (140, 170, 200) (5.9)
𝑇𝑒𝑚𝑝𝑠 𝑑′𝑎𝑗𝑢𝑠𝑡𝑒𝑚𝑒𝑛𝑡 𝑑𝑢 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑𝑒 𝐴𝑙𝐹3 𝑒𝑡 𝑑𝑒 𝑏𝑎𝑖𝑛 (𝑠) = 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (23, 46, 96) (5.10)
38
De nouveau, une fois les opérations de changement d’anodes et de calorifugeage
terminées, le logiciel Simio suit les indications d’une liste indiquant les cuves nécessitant
un ajout de AlF3 et de bain. Cette liste est une copie de la planification d’une journée
typique
5.6 Relevage cadre
La dernière opération à intégrer au modèle de simulation est celle du relevage cadre. Lors
du processus de production de l’aluminium dans les cuves, les anodes sont consommées
et le niveau d’aluminium monte dans la cuve. Pour que les anodes restent toujours à la
bonne position dans le bain, il faut parfois relever le cadre qui tient toutes ces anodes
dans une cuve donnée. Cette opération s’appelle le relevage cadre. À chaque début de
quart de travail, une quinzaine de cuves nécessitent un relevage. Il est à noter que deux
équipes de travail sont requises pour compléter cette tâche, une équipe de l’allée A et
une équipe de l’allée B. Le chemin fait par cette équipe est illustré sur la figure 5.10.
Figure 5.10 Chemin pour réaliser l’opération de relevage cadre
Une série d'observations sur le temps nécessaire pour effectuer un relevage a été
effectuée durant deux journées. Suite à l’analyse des données, l’équation 5.11,
représentant le temps pour attacher/déposer l’équipement de relevage a été choisi.
Toutefois, une validation fut requise pour l’équation 5.12, représentant le temps
nécessaire pour effectuer le relevage cadre d’une cuve d’électrolyse.
39
𝑇𝑒𝑚𝑝𝑠 𝑚𝑖𝑠𝑒 𝑒𝑛 𝑝𝑙𝑎𝑐𝑒 𝑑𝑒 𝑙′é𝑞𝑢𝑖𝑝𝑒𝑚𝑒𝑛𝑡𝑑𝑒 𝑟𝑒𝑙𝑒𝑣𝑎𝑔𝑒 𝑐𝑎𝑑𝑟𝑒 (𝑠) = (5.11)
𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (300, 450, 600)
𝑇𝑒𝑚𝑝𝑠 𝑝𝑜𝑢𝑟 𝑙𝑒 𝑟𝑒𝑙𝑒𝑣𝑎𝑔𝑒 𝑐𝑎𝑑𝑟𝑒 𝑑′𝑢𝑛𝑒 𝑐𝑢𝑣𝑒 (𝑠) = (5.12)
335 + 𝑅𝑎𝑛𝑑𝑜𝑚. 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 (−62, 0, 89)
De nouveau, le modèle a été validé en simulant les situations réelles observées dans
l’usine. De plus, comme les opérations précédentes, le logiciel Simio suit les indications
d’une liste de cuves dont le relevage cadre est nécessaire. Cette opération a lieu en début
de quart de travail et empêche les opérations d’une équipe de changement d’anodes dans
chaque allée d’électrolyse. En effet, il faut 2 équipes de travail pour effectuer la tâche de
relevage cadre. Le tableau 5.3 montre les temps simulés nécessaires pour traiter
différents relevages cadres et les temps réels observés dans l’usine. Puisque les écarts
étaient inférieurs à 73 secondes, il a été jugé que l’équation 5.12 était bien représentative
de la réalité.
Table 5.3 Comparaisons entre la simulation et les observations du temps de relevage cadre validation de
l'opération de relevage cadre
Cuve A B B C D E F G H I J
Temps
simulés
(secondes)
347 335 347 338 401 329 361 349 261 360 297
Temps
réels
(secondes)
303 324,6 274,2 273 362,4 313,2 315,6 321 327,6 393 367,2
Différence
absolue
(secondes)
44 10,4 72,8 65 38,6 15,8 45,4 28 66,6 33 70,2
40
5.6 Division du travail
Afin d’effectuer toutes les tâches précédemment décrites, une division du travail est faite
pour les 6 équipes de production travaillant à chaque quart de travail.
Dans un premier temps, le secteur est divisé entre deux équipes; l’équipe A, qui travaille
dans l’allée A et l’équipe B, qui travaille dans l’allée B. Chaque équipe est ensuite sous-
divisée en 3 groupes de travail. Dans chaque équipe, deux groupes sont responsables
des opérations de changement d’anodes, d’ajout de bain et d’AlF3 et de calorifugeage,
tandis que le dernier groupe est responsable de la coulée. Enfin, l’opération de relevage
cadre est effectuée en début de quart de travail par un groupe du changement d’anodes
de l’allée A et un groupe du changement d’anodes de l’allée B.
Le logiciel Simio a aussi été assujetti aux mêmes horaires de travail que les employés.
Ainsi, pour le quart de jour, les opérations débutent à 7h30 et se terminent à 19h00. Pour
le soir, les opérations commencent à 19h30 et terminent à 7h00. Pour chaque quart, il y
a deux pauses de 15 minutes et un arrêt repas de 1 heure.
Cette dernière partie complète les étapes 1 à 4 de la figure 4.1. Il est donc maintenant
possible de poursuivre avec l’analyse des trois scénarios identifiés à la section
méthodologie du présent mémoire.
41
Chapitre 6 Analyses de divers scénarios et résultats
Une fois le modèle de base bien construit et validé, il a été possible de poursuivre avec
les étapes 5 et 6 de la figure 4.1. Pour ce faire, il a donc fallu modifier le modèle pour
répondre aux nouvelles réalités des scénarios étudiés. Rappelons que l’entreprise a
demandé l’analyse des scénarios suivant :
1- Découvrir les impacts reliés à une augmentation d’ampérage de 5 % sur les
opérations dans le secteur d’électrolyse ;
2- Découvrir les impacts reliés à une augmentation d’ampérage de 10 % sur les
opérations dans le secteur d’électrolyse ;
3- Advenant l’intégration de véhicules autoguidés pour le transport des cabarets
d’anodes, déterminer la quantité d’équipements nécessaires pour répondre à
la demande actuelle.
Les sections suivantes expliquent les changements apportés au modèle de base pour
représenter chaque scénario. Les résultats et les conclusions des alternatives sont aussi
détaillés. Toutefois, pour bien comprendre les impacts des nouvelles solutions, il faut avoir
en main des valeurs de référence sur lesquelles se baser pour l’analyse des résultats des
scénarios. Il faut donc d’abord expliquer le scénario 0 qui représente la situation actuelle
de l’aluminerie.
42
6.1 Scénario 0 : Situation actuelle
Comme mentionné précédemment, afin d’avoir une valeur de référence pour l’analyse
des scénarios, il a d’abord fallu bien identifier l’état actuel du système. Ainsi, cette section
résume les résultats généraux du modèle représentant l’état réel de l’usine.
Lors de la création du modèle de la situation initiale, les hypothèses suivantes ont été
faites :
H1 : Il n’y a pas de défaillances ou de bris d’équipements possible.
H2 : Les employés commencent le travail à 7h30 et terminent à 19h00.
H3 : Il n’y a pas d’arrêts dus aux pauses, on considère que les employés
prennent leurs pauses lors des temps morts ou qu’ils se remplacent entre
eux.
H4 : Les creusets vides sont d’abord envoyés à partir de la zone de préparation
des creusets. Puis, après l’envoi des six premiers creusets, les prochains
creusets vides sont acheminés à partir de la fonderie.
H5 : Il y a arrêt d’envois de creusets vides dans les allées lorsque le four de
maintien qui leur est dédié est en fonctionnement et qu’il y a déjà 3 creusets
pleins en attente. On attend la fin du traitement du four avant d’envoyer de
nouveaux creusets vides.
Il est important de noter que ces hypothèses sont intégrées dans tous les scénarios.
43
Lors des analyses des résultats, il est nécessaire de répliquer les simulations plus d’une
fois. En effet, puisque le logiciel et les formules utilisés dans le cadre de ce projet
emploient des nombres aléatoires, il faut faire plusieurs réplications des simulations afin
d’avoir des résultats qui sont statistiquement significatifs. Le logiciel Simio recommande
de faire plus de 10 réplications pour considérer la variabilité des simulations. Dans le
cadre de ce projet, pour toutes les analyses, on réplique donc 25 fois chaque simulation.
Le tableau 6.1 fait le résumé des résultats de la situation actuelle. Ceux-ci seront utilisés
afin de comparer les scénarios 1, 2 et 3.
Table 6.1 Résultats d'analyses générales du scénario 0
Situation
actuelle
Écart type
du
scénario 0
Temps total nécessaire pour compléter toutes les opérations
(heures) 11,3
0,09
Nombre de cabarets d’anodes traités 39 0
Nombre de creusets coulés dans l’allée A 11,68 0,47
Nombre d’arrêts de production dans l’allée A 0,88 0,27
Temps de l’arrêt de production dans l’allée A (heures) 3,08 0,16
Nombre de creusets coulés dans l’allée B 11,76 0,37
Nombre d’arrêts de production dans l’allée B 1 0
Temps de l’arrêt de production dans l’allée B (heures) 2,96 0,17
Temps de fin du relevage (heures) 2,36 0,03
Nombre de calorifugeage dans l’allée A 10 0,57
Nombre de calorifugeage dans l’allée B 9 0
44
Ces résultats sont bel et bien le reflet de la réalité de l’aluminerie Alcoa Deschambault.
Effectivement, la planification utilisée pour cette simulation voulait compléter la récolte de
12 creusets dans l’allée A et de 12 creusets dans l’allée B. De plus, l’objectif du quart de
travail simulé était de compléter le changement d’anodes de 117 cuves d’électrolyse, soit
39 cabarets d’anodes. Avec des écarts types assez faibles, il est possible d’affirmer que
le modèle de simulation développé sous Simio est une bonne reproduction de la réalité.
45
6.2 Scénario 1 : Augmentation d’ampérage de 5 %
Le premier scénario testé consiste à déterminer s’il est possible d’augmenter l’ampérage
dans les cuves de 5%. En augmentant l’ampérage dans les cuves, le rythme de
production de l’aluminium augmente aussi. Ceci a comme impact de modifier la gestion
des opérations quotidiennes du département. Dans le cadre de cette recherche, c’est
l’entreprise Aloca Deschambault qui a déterminé les changements provoqués par une
augmentation de 5% d’ampérage. Pour ce scénario, voici les changements déterminés
par le partenaire industriel :
• Une augmentation de 5% de la quantité d’aluminium récoltée par cuve
d’électrolyse lors de l’opération de la coulée ;
• Une augmentation de 5% d’ampérage n’a pas d’impact significatif sur l’ensemble
des autres opérations.
Pour le bon fonctionnement du modèle de simulation, l’hypothèse suivante a été ajoutée
aux précédentes :
H6 : Les creusets ont une capacité maximale de 20 tonnes d’aluminium liquide.
Ainsi, en modifiant la quantité d’aluminium récoltée par creuset, on a pu déterminer la
nouvelle charge de travail de la coulée pour le scénario 1. Les autres opérations n’étant
pas impactées, leurs tâches sont restées les mêmes que celles du scénario 0.
46
Puisque seule l’opération de la coulée a été impactée pour ce scénario, il n’a alors pas
été nécessaire d’analyser les autres opérations pour savoir s’il était possible ou non
d’augmenter l’ampérage de 5%. Ainsi, l’analyse de faisabilité de ce scénario s’est
concentrée uniquement sur la réalisation des tâches de la coulée dans l’allée A et dans
l’allée B.
La simulation a été répliquée de nouveau 25 fois avec un niveau de confiance de 95%.
Les tableaux 6.2 et 6.3 résument les moyennes des 25 résultats d’analyse de la coulée
pour l’allée A et l’allée B. On y retrouve le nombre de creusets récoltés durant le quart de
travail et la quantité d’arrêts de production dus à l’hypothèse H5.
47
Table 6.2 Résultats d'analyse de la coulée du scénario 1 pour l'allée A
Scénario 0 Scénario 1 Écart type du scénario 1
Quantité de creusets récoltés 11,68 11,48 0,51
Quantité d'arrêts de production 0,88 0,84 0,37
Temps de l'arrêt de production
(heures) 3,08 2,53 0,23
Délais d'arrivée du creuset # 1
(heures) 1,47 1,48 0,02
Délais d'arrivée du creuset # 2
(heures) 2,23 2,25 0,03
Délais d'arrivée du creuset # 3
(heures) 2,86 2,98 0,03
Délais d'arrivée du creuset # 4
(heures) 3,70 3,75 0,03
Délais d'arrivée du creuset # 5
(heures) 4,43 4,50 0,08
Délais d'arrivée du creuset # 6
(heures) 5,23 5,24 0,10
Délais d'arrivée du creuset #
7(heures) 5,85 5,91 0,08
Délais d'arrivée du creuset # 8
(heures) 6,41 6,45 0,15
Délais d'arrivée du creuset # 9
(heures) 6,91 6,97 0,15
Délais d'arrivée du creuset #
10 (heures) 7,59 7,67 0,16
Délais d'arrivée du creuset #
11 (heures) 8,25 8,33 0,16
Délais d'arrivée du creuset #
12 (heures) 11,26 10,84 1,53
48
Table 6.3 Résultats d'analyse de la coulée du scénario 1 pour l'allée B
Scénario 0 Scénario 1 Écart type du scénario 1
Quantité de creusets récoltés 11,68 11,76 0,43
Quantité d'arrêts de production 1 1 0,00
Temps de l'arrêt de production
(heures) 2,96 2,89 0,26
Délais d'arrivée du creuset # 1
(heure) 1,30 1,31 0,03
Délais d'arrivée du creuset # 2
(heure) 2,00 2,01 0,04
Délais d'arrivée du creuset # 3
(heure) 2,70 2,73 0,04
Délais d'arrivée du creuset # 4
(heure) 3,22 3,25 0,05
Délais d'arrivée du creuset # 5
(heure) 3,93 3,98 0,05
Délais d'arrivée du creuset # 6
(heure) 4,62 4,68 0,05
Délais d'arrivée du creuset # 7
(heure) 5,10 5,18 0,08
Délais d'arrivée du creuset # 8
(heure) 6,45 6,53 0,06
Délais d'arrivée du creuset # 9
(heure) 7,00 7,09 0,08
Délais d'arrivée du creuset # 10
(heure) 7,67 7,74 0,09
Délais d'arrivée du creuset # 11
(heure) 8,30 8,37 0,10
Délais d'arrivée du creuset # 12
(heure) 11,76 11,77 0,14
49
En analysant ces résultats, on observe qu’il n’y a pas un grand écart entre les temps des
scénarios 0 et 1. Ceci est logique puisque le scénario 1 entraine simplement une faible
augmentation de tonnes d’aluminium récoltées. En général, les tableaux 6.2 et 6.3
indiquent qu’il est envisageable d’augmenter l’ampérage de 5% du point de vue
opérationnel. Effectivement, selon la moyenne des 25 simulations, il est possible de
compléter l’opération de la coulée dans un délai inférieur à 12 heures, ce qui correspond
à un quart de travail. Les résultats de la simulation du scénario 1 sont considérés comme
robustes puisque les moyennes correspondant au délai d’arrivée des creusets sont très
représentatives en raison de leur écart type très faible. Toutefois, il est vrai de dire
qu’advenant un long arrêt de production dû à l’hypothèse H5, il est probable que l’on ne
puisse pas récolter plus de 11 creusets par allée. Effectivement, ce phénomène est aussi
prouvé par les écarts types près de 0,5 sur les quantités de creusets récoltés.
6.3 Scénario 2 : Augmentation d’ampérage de 10 %
De façon semblable au scénario 1, le second scénario a consisté à déterminer s’il était
possible d’augmenter l’ampérage dans le secteur d’électrolyse de 10%. Pour répondre à
cette question, l’entreprise a déterminé que les impacts d’un tel changement sur un quart
de travail sont :
• Une augmentation de 10% de la quantité d’aluminium récoltée par cuve
d’électrolyse lors de l’opération de la coulée ;
• Une augmentation de 3 changements d’anodes par allée par quart de travail,
donc ajout d’un cabaret d’anodes par allée par quart de travail ;
• Une augmentation d’une cuve supplémentaire pour le relevage cadre par quart
de travail.
50
Il n’y a pas eu d’ajout d’hypothèses pour ce modèle de simulation. On a conservé les
hypothèses H1 à H6.
Puisque toutes les opérations ont été modifiées dans ce modèle et afin de faciliter
l’analyse de faisabilité, on a concentré l’analyse sur les résultats généraux de la simulation
(tableau 6.4).
Table 6.4 Résultats d'analyses générales du scénario 2
Scénario 0 Scénario 2 Écart type du scénario 2
Temps total nécessaire (heures) 11,3 11,48 0,07
Nombre de cabarets d'anodes traités 39 41 0,00
Quantité de creusets récoltés (allée A) 11,68 11,36 0,48
Nombre d'arrêts de production (allée A) 0,88 1 0,00
Temps de l'arrêt de production (allée A)
(heures) 3,08 2,99
0,16
Quantité de creusets récoltés (allée B) 11,76 11,60 0,50
Nombre d'arrêts de production (allée B) 1 1 0,00
Temps de l'arrêt de production (allée B)
(heures) 2,96 1,07
0,19
Temps pour compléter le relevage cadre
(heures) 2,36 2,45
0,03
Les résultats obtenus pour ce scénario sont très semblables à ceux du scénario 1. De
nouveau, la moyenne des 25 simulations démontre qu’il est possible de compléter toutes
les opérations dans un délai de 12 heures. De plus, grâce aux faibles écarts types entre
les différentes simulations, le scénario 2 est très robuste. Cependant, encore une fois, s’il
y a présence d’un long arrêt de production, il est fort probable que l’opération de la coulée
ne soit pas complétée.
51
Toutefois, notons que l’entreprise possède maintenant un troisième four de maintien
fonctionnel. Lors des observations et de la modélisation, le 3e four n’a pas été intégré au
modèle puisqu’il n’était pas encore opérationnel. Ainsi, aujourd’hui, il serait juste de
penser qu’une augmentation d’ampérage de 5% ou de 10% serait très faisable d’un point
de vue opérationnel pour le département de production de l’aluminerie Alcoa
Deschambault.
6.4 Scénario 3 : Intégration des véhicules autoguidés pour le transport des
cabarets d’anodes
Le dernier scénario de cette étude a proposé de vérifier si une intégration de véhicules
autoguidés (AGV) pour le transport de cabarets d’anodes pouvait s’avérer bénéfique pour
l’entreprise. De plus, pour cette partie, la firme de génie-conseil HATCH a été impliquée
afin de fournir des informations techniques à propos de l’équipement.
Pour ce modèle, l’augmentation d’ampérage n’a pas été prise en compte. Ainsi, on a
repris le scénario 0 ainsi que les hypothèses H1 à H5 et effectué les changements
suivants :
• On retire les 2 transporteurs de cabaret d’anodes ;
• On ajoute 8 véhicules autoguidés, 4 par allée d’électrolyse (voir explication plus
bas)
Il faut noter que les AGV ne fonctionnent pas tout à fait avec la même logique que les
transporteurs. En effet, ils doivent rester avec les cabarets lors des changements
d’anodes. La figure 6.1 illustre les opérations que les AGV doivent suivre. Donc, pour ce
scénario, il faut intégrer un minimum de 8 véhicules autoguidés pour que les ponts
52
roulants aient au moins tous 2 AGV qui se relaient continuellement. De cette façon, on
diminue les chances que les ponts roulants soient arrêtés parce qu’ils n’ont pas de cabaret
d’anodes à traiter immédiatement après le précédent.
Figure 6.1 Chemin que suivent les véhicules autoguidés
De plus, un élément très important à prendre en considération avec ces équipements est
le temps de recharge nécessaire. Puisqu’il s’agit de véhicules électriques, la capacité de
leur batterie n’est pas suffisante pour couvrir un quart de travail sans recharge.
Effectivement, selon les informations reçues par la firme HATCH, chaque AGV a besoin
de 40 minutes de charge pour chaque 80 minutes d’opération. En réalité, l’AGV peut
fonctionner plus de 100 minutes, mais le fabricant recommande la recharge lorsque la
batterie atteint un niveau de 20%. Dans ce scénario, il est parfois permis au véhicule de
dépasser la limite d’utilisation de 80 minutes. Après avoir pris connaissance de tous les
paramètres du véhicule, les hypothèses suivantes ont été insérées au modèle :
• Le véhicule a toujours une charge maximale au début des quarts de travail ;
• C’est lors du retour des cabarets d’anodes que l’AGV se fait recharger si son
temps d’opération depuis la dernière recharge est supérieur à 80 minutes ;
• 40 minutes de charge sont nécessaires lors des recharges ;
• La vitesse de déplacement de l’AGV est de 5 km/h.
53
Puisque ces véhicules sont uniquement responsables du transport des cabarets d’anodes
et qu’ils n’interfèrent avec aucune autre opération, les résultats du scénario 3 n’ont pas
besoin de tenir compte de l’opération de la coulée. Effectivement, la coulée ne se déroule
pas sur le même chemin que les changements d’anodes et de plus, les AGV ont leur
propre espace de déplacements. Ainsi, de façon générale, on cherche à savoir si 8 AGV
sont suffisants pour répondre à la demande actuelle (scénario 0) et si les ponts roulants
responsables des changements d’anodes ont le temps de compléter les opérations de
changements d’anodes, de calorifugeage et de remplissage de bain ou d’AlF3. Le tableau
6.5 résume la moyenne des résultats des 25 simulations du scénario 3 dans le contexte
actuel, sans augmentation d’ampérage.
Table 6.5 Résultats d'analyses générales du scénario 3
Scénario 3 Écart type du scénario 3
Temps total nécessaire pour compléter toutes les
opérations (heures) 11,30 0,09
Nombre de cabarets d'anodes envoyés dans l'allée A 20 0,00
Nombre de cabarets d'anodes traités dans l'allée A 20 0,00
Nombre de cabarets d'anodes envoyés dans l'allée B 19 0,00
Nombre de cabarets d'anodes traités dans l'allée B 19 0,00
D’abord, on remarque que tous les cabarets d’anodes sont traités dans les 25 simulations,
écart type de 0. C’est donc dire que 8 AGV répondent bien à la demande actuelle. De
plus, le temps nécessaire pour compléter toutes les opérations (changements d’anodes,
calorifugeages et remplissages de bain ou d’AlF3) est de 11,30 heures. Ce temps est
inférieur au temps disponible total de 12 heures et grâce au faible écart type, il est ainsi
confirmé qu’il ne faut jamais plus de 12 heures pour accomplir la tâche. L’intégration d’un
minimum de 8 AGV ne nuit donc pas aux opérations quotidiennes de l’usine.
54
Toutefois, l’objectif de la simulation est de définir s’il est bénéfique pour l’entreprise de
faire l’acquisition de véhicules autoguidés. La simulation a démontré que pour remplacer
2 transporteurs de cabarets d’anodes par quart de travail, l’usine doit se procurer un
minimum de 8 AGV. Sans avoir les coûts exacts, il est possible d’imaginer la rentabilité
du projet. D’abord, le coût d’achat des véhicules est de plus d’un million de dollars par
unité. Ensuite, supposons qu’un employé coûte à l’entreprise 75 000 $ par année et
faisons l’hypothèse que 8 employés seront remplacés par les AGV. Le taux de rentabilité
du projet serait d’environ 7,5%. Ce taux n’est pas intéressant pour l’entreprise. En effet,
l’économie sur les salaires n’est pas assez importante pour compenser l’amortissement
des véhicules ou le rendement perdu sur l’investissement. De plus, l’ajout de véhicules
autoguidés ne représente pas une valeur ajoutée au produit.
Pour conclure, ce mémoire a utilisé la simulation à événements discrets afin d’investiguer
un changement opérationnel important pour l’entreprise. Sans cette simulation, il aurait
été difficile de déterminer avec le plus d’exactitude possible le nombre de véhicules
nécessaires pour le bon fonctionnement des opérations quotidiennes de l’aluminerie. La
méthode d’analyse s’avère donc un moyen judicieux pour étudier les systèmes complexes
sans bouleverser le système réel et sans immobiliser de véritables ressources.
55
Chapitre 7 Conclusion et discussion
Ce mémoire avait comme objectif de développer un modèle de simulation sous le logiciel
Simio afin d’analyser les opérations du secteur électrolyse de l’aluminerie Alcoa
Deschambault. Le modèle initial développé représentait la réalité actuelle de l’usine. C’est
la récolte de données telles que les plans d’aménagement, les horaires de travail et les
temps de déplacements et de traitements qui a permis de construire un modèle le plus
représentatif possible. Une fois ce premier modèle validé par les responsables du projet,
il a été possible d’apporter diverses modifications afin d’analyser la faisabilité de 3
scénarios identifiés par l’entreprise :
1- Découvrir les impacts reliés à une augmentation d’ampérage de 5 % dans le
secteur d’électrolyse ;
2- Découvrir les impacts reliés à une augmentation d’ampérage de 10 % dans le
secteur d’électrolyse ;
3- Advenant l’intégration de véhicules autoguidés pour le transport des cabarets
d’anodes, déterminer la quantité d’équipements nécessaires pour répondre à
la demande actuelle.
Suite aux analyses, les résultats présentés dans ce mémoire ont démontré qu’il est
possible d’augmenter l’ampérage du secteur d’électrolyse de 5% et de 10%. La charge
de travail supplémentaire peut effectivement être supportée par les ressources actuelles
de l’entreprise. Toutefois, le bilan sur l’intégration de véhicules autoguidés n’est pas aussi
favorable. Les résultats ont établi qu’un minimum de 8 véhicules autoguidés était
nécessaire pour répondre à la demande de l’usine. Ainsi, d’un point de vue économique,
ce projet ne s’avère pas avantageux pour l’entreprise.
56
Enfin, le modèle de simulation proposé dans ce mémoire s’est avéré un outil efficace pour
tester différents scénarios et orienter les décisions à prendre par l’entreprise à court terme
et à long terme. Effectivement, il s’agit d’une solution qui permet d’étudier la faisabilité
d’un projet sans occasionner de vrais coûts ou de vrais risques. La recherche exposée
dans ce travail n’est qu’une introduction quant aux possibilités d’applications de la
simulation par événements discrets dans le contexte des alumineries. Finalement, en
s’inspirant de ces travaux, le secteur de l’aluminium primaire possède maintenant une
méthode efficace qui mérite d’être utilisée davantage afin d’améliorer la performance
industrielle.
Le projet présenté dans ce mémoire s’est bien déroulé malgré les enjeux apportés par la
simulation. Il faut mentionner que l’entreprise partenaire a participé activement dans
toutes les étapes de la méthodologie. D’ailleurs, la prise de données a été rendue possible
grâce à l’excellente collaboration et disponibilité des employés de Deschambault. De plus,
la validation rigoureuse et rapide du modèle de simulation par les responsables de
l’entreprise a permis au projet de ne pas prendre de retard et d’avancer à bon rythme.
Les enjeux reliés à ce projet ont été principalement reliés à la conception du modèle de
simulation et à l’apprentissage du logiciel Simio. Il a parfois été difficile de créer les
interactions virtuelles du modèle avec le plus de réalisme possible. Toutefois, ce logiciel
offre un forum gratuit en ligne où des spécialistes sont toujours disponibles pour répondre
aux questions. Cette aide s’est avérée indispensable pour ce projet.
Pour conclure, ce travail se limite à l’étude des 3 scénarios identifiés au début de ce projet.
Il n’est donc pas possible, sans modifications, de simuler d’autres scénarios à partir de
cette étude. L’entreprise peut donc retirer les conclusions de ce mémoire, mais ne peut
pas simplement utiliser l’outil développé tel quel pour analyser d’autres scénarios.
57
Toutefois, à partir du modèle initial (scénario 0), beaucoup d’opportunités s’offrent à
l’entreprise pour continuer à simuler diverses possibilités d’amélioration. Il n’en nécessite
que l’implication d’une personne ayant des habiletés avec le logiciel Simio. Par exemple,
pour le futur, il serait possible d’adapter ce projet afin d’inclure les opérations de la
fonderie et d’essayer de trouver une solution afin de réduire ou d’éliminer les arrêts de
production dus aux attentes des creusets pleins. De plus, d’autres simulations pourraient
aider à déterminer si de nouveaux horaires de travail ou de nouveaux équipements
seraient bénéfiques pour l’entreprise.
58
Bibliographie
1. World Aluminium. (2017). Primary Aluminium Production. Récupéré le 24 avril 2017. http://www.world-aluminium.org/statistics/#map
2. Alcoa. (2016). Alcoa. Récupéré le 4 janvier 2017. https://www.alcoa.com/canada/fr/news/releases.asp?id=2016/05/laluminerie-alcoa-de-deschambault-releve-e-nouveau-le-defi-tetes-rasees-leucan-1&year=y2016
3. Alcoa. (2017). Who are we. Récupéré le 7 août 2017. http://www.alcoa.com/global/en/who-we-are/default.asp
4. Alcoa. (2017). Canada. Récupéré le 7 août 2017. http://www.alcoa.com/canada/fr/default.asp
5. Alcoa. (2017). Bauxite. Récupéré le 7 août 2017.
http://www.alcoa.com/global/en/what-we-do/bauxite/default.asp
6. Alcoa. (2017). Alumina. Récupéré le 7 août 2017.http://www.alcoa.com/global/en/what-we-do/alumina/default.asp
7. Centre de recherche sur l'aluminium - REGAL. (2017). Accueil. Récupéré le 7 août
2017. https://www.regal-aluminium.ca/fr/accueil/
59
Références
Banks, J., S.Carson, J., Nelson, B., Nicol, D.M., 2005, Discrete-event system simulation, 4th edition, 3-9 Duman, E., Yildirim, M.B and Alkaya, A.F., 2008, Scheduling Continuous Aluminium Casting Lines, International Journal of Production Research, 46, no. 20 Eick, I., Vogelsang, D., Behrens, A., 2013, Planning Smelter Logistics: A Process Modeling Approach, Essential Readings in Light Metals, 415–420 Harton, T.W., 2010, Virtual Smelter Modelling for Metal Flow Management, 45th Annual Conference of ORSNZ 45 Haupin, WE, 1983, Electrochemistry of the hall-heroult process for aluminum smelting, Journal of chemical education, Volume 60, 279-282 Meijer, M., 2011, Aluminium Smelter Manufacturing Simulation - Can These Bring Real Cost Savings, Light Metals, 421–423 McGeer, J.P., 1986, Hall-heroult: 100 Years of processes evolution, The journal of minerals, metals and materials society, volume 38, 27-33 Naylor, T.H., Balintfy, J.L.,Burdick, D.S., Chu, K., 1996, Computer simulation techniques, Wiley, New York Nicholls, M. G., Hedditch,D.J., 1993, The Development of an Integrated Mathematical Model of an Aluminium Smelter, The Journal of the Operational Research Society, 44, no. 3, 225–35
Pegden, C.D., Shannon, R.E., Sadowski, R.P., 1995, An introduction to simulation using SIMAN, 2d edition, McGraw-Hill, New York
Pegden, C.D., 2009, An introduction to Simio for Beginners, Learn Simio Simulation Software, 1-7
Piehl, T.S., 2000, Cell Batching for the New Zealand Aluminium Smelter, Annual Conference of ORSNZ
60
Ryan, D.M., 1998, Optimised Cell Batching for New Zealand Aluminium Smelters Ltd Sargent, R.G., 2013, Verification and validation of simulation models, Journal of simulation, 7, 12-24 Shannon, R.E., 1998, Introduction to the art and science of simulation, in proceeding of the winter simulation, Conference, Eds, Washington, DC, Dec 13-16, 7-14 Tarcy, G., Kvande, H., Tabereaux, A., 2011, Advancing the industrial aluminum process: 20th century breakthrough inventions and developments, The journal of minerals, metals and materials society, volume 63, 101-108 Tuck, S., 1997, Optimal Cell Batching For New Zeland Aluminium Smelters Tiwai Point Facility, Dept of Engineering Science, University of Auckland
Voorhis, T.V., Peters, F., Johnson, D., 2001, Developing Software for Generating Pouring Schedules for Steel Foundries, Computers & Industrial Engineering, 39, no. 3–4, 219–234