limitation du colmatage dans les bioréacteurs à membranes

Saumur – Abbaye Royale de Fontevraud

98ème congrès de l’Astee - 4 au 6 juin 2019

Speaker : Session :

#ASTEE2019

Limitation du colmatage dans les

bioréacteurs à membranes à l’échelle

industrielle : modélisation et

caractérisation de l’hydrodynamique

Directrices de thèse : S. Gillot, C. Albasi

Encadrement : Y. Fayolle, M. Alliet

Elodie Suard



Bioréacteurs à membranes

� Traitement biologique suivi d’une séparation physique membranaire

� Problématiques industrielles

o Maintien des capacités de filtration (rétrolavages, aération, lavages chimiques)

o Consommation énergétique liée à l’aération

� Problématiques scientifiques

o Identification et hiérarchie des paramètres opératoires et propriétés des boues impactant le colmatage

o Compréhension des mécanismes physiques d’impact de l’aération par l’étude de la dispersion du gaz

Conception et mise en place d’un pilote

de filtration semi-industriel



Pilote de filtration

� 3 sous modules membranaires industriels

KMS Puron®



Pilote de filtration

� 3 sous modules membranaires industriels

� Alimenté en continu sur site (Seine Aval, SIAAP)

� Instrumenté pour suivre

o les caractéristiques des boues : conductivité, pH, température, MES, DCOsurnageant,

o du perméat : DCO

o et l’évolution de la perméabilité

13 combinaisons de conditions opératoires testées sur 4,2 mois

(Qair inst / Séquençage aération / Nombre sous-modules aérés)



Démarche

Caractérisation hydrodynamique

� Tomographie de résistivité électrique

� Etude de la dispersion du gaz pour différents Qair et [MES]

Analyse des données

� Logique floue

� Détermination des impacts et hiérarchie des facteurs d’influence

Pilote : suivi actif

avec focus aération

Etude de l’impact de l’aération et identification d’éventuels couplages avec les

propriétés des boues



Tomographie de résistivité électrique

� Basée sur la différence de résistivité des phases en présence

� Injection de courant (I) sur 2 électrodes A et B et mesure du potentiel résultant (∆∆∆∆V) sur 2 autres électrodes M et N

� Mesure sur une séquence de quadripôles ABMN

� Etape d’inversion nécessaire pour reconstituer la cartographie des résistivités électriques du système

ρρρρ : résistivité électrique

K : coefficient géométrique dépendant de la configuration du quadripôle

I

K . ∆V====ρρρρ (Ohm m)



3 g L-1

0 g L-1

Dispersion du gaz au sein du pilote

� Répartition sur l’ensemble de la zone membranaire

� Distribution moins homogène en présence de MES

� Augmentation de la proportion de gaz avec le Qair injecté

� Proportion de gaz plus faible en présence de MES

Qair

30 Nm3 h-1

Qair

41 Nm3 h-1

Qair

51 Nm3 h-1

Coupe transversale du pilote – 1,2 m du fond



10 g L-1

Dispersion du gaz au sein du pilote

� Existence de chemins préférentiels de passage des bulles

� Qair élevé nécessaire pour une répartition sur l’ensemble de la zone membranaire

Qair

30 Nm3 h-1

Qair

41 Nm3 h-1

Qair

51 Nm3 h-1

6 g L-1

Coupe transversale du pilote – 1,2 m du fond

Stratégie d’asservissement

de l’aération aux propriétés

des boues



Impact sur l’évolution de la perméabilitéCoupe transversale du pilote – 1,2 m du fond

Qair MES DCOs dPej moy

Nm3 h-1 g L-1 mg L-1 L m-2 h-1 bar-1

30 9,8 887 -0,8

42 9,5 867 -0,7

42 11,0 1099 -1,4

50 11,2 1028 -0,8

30 10,1 1112 -1,3

Impact positif du Qair à concentrations en MES et

DCOsurnageant similaires

10g L-1

Qair

30 Nm3 h-1

Qair

41 Nm3 h-1

Qair

51 Nm3 h-1



Système d’inférence floue

� Concept d’ensemble flou (Zadeh, 1965)

� Simulation de systèmes à l’aide de règles simples (Si …Alors …)

� Création de systèmes d’inférence floue (SIF)

o Logiciel FisProFuzzy Inference

System PROfessional



Partitionnement des variables

� Plage de variation divisée en plusieurs sous-ensembles flous

0

0,2

0,4

0,6

0,8

1

1,2

7,5 8 8,5 9 9,5 10 10,5 11 11,5 12

Deg

ré d

'app

arte

nanc

e

Concentration en MES (g L-1)

Linguistique

Numérique

Moyenne ForteFaible



Partitionnement des variables

� Plage de variation divisée en plusieurs sous-ensembles flous

� Variables définies par leur(s) degré(s) d’appartenance à un ou plusieurs sous-ensembles flous

0

0,2

0,4

0,6

0,8

1

1,2

7,5 8 8,5 9 9,5 10 10,5 11 11,5 12

Deg

ré d

'app

arte

nanc

e

Concentration en MES (g L-1)

Linguistique

Numérique 9 g L-1

Une donnée peut activer plusieurs règles

Possibilité d’intégrer des connaissances expertes

du procédé en ajustant les sous-ensembles

Moyenne ForteFaible



Analyse par scénario

� Impact du débit d’air injecté

Impact secondaire du débit d’air

Impact dépendant de la ∆DCO

Qair étudiés

30, 42 et 54 Nm3 h-1

Séquence fixe : 60 s/ 100 s

Ex : 44Moy : -0,93

---∆∆∆∆DCO*

Ex : 23Moy : -0,63

---MES

Ex : 26Moy : -0,99

---MES

Ex : 11Moy : -1,4

---Qair

Ex : 13Moy : -0,86

---Qair

Ex : 11Moy : -1,39

---MES

Ex : 16Moy : -0,63

Ex : 10Moy : -0,87

Ex : 7Moy : -0,84

Ex : 13Moy : -0,97

Ex : 2Moy : -0,19

Ex : 10Moy : -1,29

Ex : 13Moy : -1,06

Ex : 3Moy : -1,42

Ex : 7Moy : -1,35

Ex : 7Moy : -1,5

Ex : 4Moy : -1,46

faible fort

faible fort

forte très forte

moyenneforte très forte

moyenne

forte très fortemoyenne

faible fortemoyenne

*∆DCO : DCOsurnageant - DCOperméat



Conclusions et perspectives

� Intérêt du couplage d’une analyse statistique et d’une étude de phénomènes locaux pour la compréhension de l’impact de l’aération sur le colmatage

� Hiérarchisation de l’impact des paramètres opératoires et des propriétés des boues sur l’évolution du colmatage

� Etude de l’impact de la configuration membranaire et de l’injection d’air sur la répartition du gaz et les performances de filtration associées

� Développement de modèles sur d’autres jeux de données

� Intégration des modèles à la gestion des installations industrielles

� Intégration de mesures innovantes (mesures optiques notamment) aux jeux de données considérés pour l’amélioration des modèles



Speaker : Session :

#ASTEE2019

Merci de votre attention !

Elodie Suard



Développement d’un modèle prédictif

� Variable à modéliser : dérive de perméabilité journalière (dPe)

� Jeu d’apprentissage extrait de l’ensemble de la base de données (80 %)

� Validation sur les 20 % restant

40

50

60

70

80

90

100

110

120

130

28/10 02/11 07/11 12/11 23/11 28/11 04/12 09/12 18/12 23/12 08/01 13/01 28/03 11/04 16/4 27/04 06/05 12/05

Per

méa

bilit

é m

esur

ée e

n bo

ues

corr

igée

en

tem

péra

ture

(L m

-2h-

1ba

r-1)

Perméabilité observée Evolution de la perméabilité à partir des dPe inférées (logique floue)

1 2 3 4 5 6 8 9 10 12

*11B

*



Seine Aval – Unité de traitement des jus (TDJ)

� Filtrats issus du traitement des boues de la station Seine Aval

Echangeurs de chaleur Tamis rotatifs Bassins

biologiquesCuves

membranaires

Valeurs médianesTempérature

(°C)

Age de boues

(j)

MESCM

(g L-1)

DCOs

(mg L-1)

Campagne expérimentale 34,2 17,5 9,1 1023

Recirculation



Adaptation au pilote – Simulation numérique

� Sensibilité aux paramètres de mesure et d’inversion

Distributions théoriques

Résistivité boues

Résistivité boues + fibres

Variation par rapport à la

référence de + 10 %

Variation de résistivité

par rapport à la référence (%)

Modèles de résistivités interprétées

o Diffusion observée en zone éloignée des électrodes

o Artéfacts générés lors de l’inversion

Choix de paramètres

adaptés

limitation du colmatage dans les bioréacteurs à membranes

Documents