Disposer de modèles cinétiques de plus en plus précis et robustes en extrapolation pour prédire certaines propriétésa reste un enjeu majeur des procédés comme l’hydrotraitement et l’hydrocraquage du distillat sous vide (DSV). Pour les modèles couramment utilisés, simples ou complexes, l’objectif est de déterminer les descripteurs pertinents en conciliant deux contraintes antagonistes : d’une part, un besoin de complexité pour accepter de larges variations dans les charges entrant dans le procédé et, d’autre part, la rareté des données industrielles et leur inadaptation, car généralement limitées aux propriétés macroscopiques.
Une approche originale a consisté à utiliser les techniques de machine learning pour identifier ces descripteurs clés(1), en y ajoutant de l’information a priori sur la forme et les paramètres des modèles cinétiques, de manière à garantir la réalité physique du modèle(2). Cette approche est proposée aussi bien pour le design des réacteurs que pour prédire l’évolution de l’activité du catalyseur au cours d’un cycle industriel. Dans ce cas, le temps sous charge (TOS : Time on Stream) et l’historiqueb du catalyseur doivent être intégrés.
Dans le modèle développé, la variation de la propriété à prédire est le produit d’une fonction empirique des propriétés de la charge - mais également, si nécessaire, du TOS et des conditions opératoires passées - et de la fonction décrivant le modèle cinétique, incluant d’éventuels termes d’inhibition.
(Process_T_WABT = température mesurée)
La qualité prédictive obtenue est illustrée au travers de l’évolution de la température en fonction du temps sous charge (figure). Cette méthodologie permet d’obtenir des modèles suffisamment précis et robustes pour être utilisés industriellement, pour la conception de nouvelles unités ou pour le remplacement de catalyseurs. Elle pourrait être étendue à d’autres procédés.
a - Teneur en azote ou en soufre, degré de conversion, température du réacteur, etc.
b - Températures, pressions, charges traitées, etc.
c - Weighted Average Bed Temperature
(1) J. J. Da Costa, F. Chainet, B. Celse, M. Lacoue-Nègre, C. Ruckebusch, N. Caillol, D. Espinat. Energy Fuels 2017,
DOI : 10.1021/acs.energyfuels.7b03266.
(2) P. J. Becker, N. Serrand, B. Celse, D. Guillaume, H. Dulot. Fuel 2016, 165, 306–315,
DOI : 10.1016/j.fuel.2015.09.091.
Contact scientifique : benoit.celse@ifpen.fr