Abstract FR:

La distillation est un procede tres important dans l'industrie chimique et petrochimique. Sa modelisation et sa commande ne sont pas des taches faciles a realiser, car il s'agit d'un procede tres complexe en raison de ses non-linearites et de sa nature multivariable ; en outre, il est soumis a de nombreuses perturbations et a des contraintes. Dans ce travail nous etudions l'application des reseaux de neurones et des systemes d'inference floue (sif) a la commande de procedes de distillation. Nous traitons principalement deux problemes, a savoir, la commande multivariable des compositions des produits en colonnes operant en continu et la commande optimale en colonnes operant en discontinu. Pour le probleme de commande multivariable des colonnes continues, nous utilisons des reseaux de neurones pour la modelisation et des sif pour la commande. Tout d'abord, nous realisons une comparaison entre plusieurs types de reseaux recurrents en fonction de leurs structures et d'un point de vue d'identification de systemes. Ensuite nous utilisons le plus approprie pour la modelisation inverse du procede de distillation. Ce modele inverse est utilise comme predicteur dans un schema de commande predicteur-correcteur. Le correcteur est implemente par des sif, dont les parametres sont adaptes a l'aide d'un algorithme de descente de gradient. L'utilisation de ce schema produit une amelioration des reponses du systeme aux changements de consigne et aux perturbations. Pour le probleme de commande optimale des colonnes discontinues, nous utilisons les sif et nous adaptons leurs parametres au moyen d'un algorithme d'apprentissage par renforcement, le q-learning flou. A notre connaissance, l'application de cette methode pour resoudre des problemes de commande optimale en colonnes de distillation discontinue n'a pas ete abordee jusqu'a present. Nous traitons differents problemes de commande optimale sur plusieurs procedes de distillation simules ainsi que sur un procede reel. Nous avons obtenu de bons resultats avec l'avantage supplementaire d'une grande simplicite de mise en uvre, l'algorithme s'adaptant tres bien a ce type de problemes.