La combinaison de machine learning et de simulation numérique permet d'améliorer la prévision des syngas issus de la pyrogazéification de la biomasse en lit fluidisé bouillonnant[1]. C’est ce que révèle une étude de l’université chinoise de Nanjing. Une avancée qui va réduire les coûts des essais expérimentaux et améliorer la conception des future installations industrielles.

La pyrogazéification est un procédé permettant de transformer la biomasse (déchets agricoles, bois, etc.) en syngas, un mélange de gaz combustible (CH₄, CO, CO₂, H₂, etc.) qui peut être utilisé pour produire de l’énergie ou des produits chimiques. Pour l'optimiser, les industriels s'appuient, comme pour d'autres procédés, sur des techniques de simulation numérique. Dans cette étude, les chercheurs se sont penchés spécifiquement sur pyrogazéification de la biomasse dans un réacteur à lit fluidisé bouillonnant, l’un des  procédés de pyrogazéification, avec les bains circulant, notamment.

Un exercice de prédiction complexe

Dans le cas de la pyrogazéification, la modélisation reste un exercice complexe du fait du grand nombre de réactions chimiques en compétition et de leur très forte dépendance aux conditions opératoires. La composition du syngas dépend non seulement de l’intrant mais aussi de la température, de la durée de l’étape de pyrolyse, de la nature du gazéifieur ou encore de l’agent oxydant utilisé.

Surtout, Aspen Plus  - le logiciel de simulation de procédés thermochimiques le plus utilisé - ne permet pas de simuler directement la pyrolise, première phase de la pyrogazéification. Il était jusqu'ici difficile d'obtenir des prédictions précises de la décomposition de la biomasse à cette étape en raison des limites des méthodes utilisées, surtout pour les lits fluidifiés bouillonnants étudiés ici (modèles cinétiques, formules empiriques ou modèles thermodynamiques).

Tester une nouvelle approche hybride

Face à ce problème pour la précision du processus entier, les chercheurs de l'université de Nanjing ont décidé de tester une nouvelle approche hybride. Leur idée : utiliser le machine learning pour prédire les produits de pyrolyse courte durée, et faire tourner Aspen Plus sur ces prévisions.

Figure 1 : Présentation des modèles de machine learning utilisés

Les modèles de machine learning ont été entraînés sur des données expérimentales (197 jeux pour les gaz, 310 pour le char[2]) pour prédire en fonction des caractéristiques de la biomasse (composition, température, taille des particules, etc.), les quantités de gaz, char et goudrons produits lors de la pyrolyse.

À cette étape, les auteurs de l'étude ont vérifié la précision des premières prédictions qui conditionne toujours la précision globale du modèle. Les résultats montrent que les rendements en gaz de pyrolyse et en char sont bien prédits. Des différences entre les deux modèles apparaissent en termes de temps de calcul et de précision.

Des prédictions plus précises pour guider la décision

Les chercheurs ont ensuite fait tourner les modèles sur des conditions opératoires tirées de  six expériences dont les résultats sont connus. Après avoir vérifié la précision mais aussi la cohérence physique des prédictions fournies par les modèles de machine learning, les chercheurs les ont injectées dans Aspen Plus pour qu'il simule le comportement du gazéificateur et calcule la composition finale du syngas. En comparant, ces simulations aux résultats expérimentaux connus, ils ont relevé un taux d'erreur de ±20 % et même de ±10 % pour la moitié des cas. Soit une bonne précision globale.

Cette approche hybride pourrait donc permettre d'améliorer la conception des installations industrielles, en permettant d’ajuster plus précisément les dimensions et les matériaux aux caractéristiques prédites du gaz produit. Elle ouvre aussi la voie à une valorisation chimique plus ciblée du syngas, en permettant d’adapter la recette opératoire (en modulant par exemple les proportions de H₂, CO, CH₄) à l’application finale visée...

Même s’il constitue un outil d’aide à la décision prometteur, ce modèle ne peut toutefois pas, compte tenu des marges d'erreur persistantes à ce stade, se substituer entièrement aux validations expérimentales ou aux études pilotes nécessaires à une prise de décision d’investissement.

Découvrir la Veille technologique gaz verts #8 - Mai 2025 | R&D et innovation GRDF

[1] La biomasse pré-séchée est entraînée dans un lit fluidisé par les gaz réactifs introduits en partie inférieure. Le lit fluidisé est constitué d’un matériau de fluidisation inerte (sable) ou avec effet catalytique. La teneur du gaz produit en CO et H₂ augmente avec la température du lit. En principe celle-ci ne dépasse pas 950 °C. Cette technologie est compatible avec un fonctionnement en pression, ce qui permet d’en diminuer la taille, donc l’investissement, et de favoriser la production de méthane (CH₄).

[2] Résidu solide obtenu lors de la décomposition thermique de la biomasse.

Photo© Leroux & Lotz