Forces électrostatiques dans les réacteurs à lit fluidisé : analyse expérimentale et numérique

Les lits fluidisés représentent l'une des opérations unitaires les plus utilisées dans la génie des procèdes. L'industrie pétrolière, énergétique et pharmaceutique sont quelques exemples des domaines bénéficiant de cette technologie. Néanmoins, et malgré leur importance, certains aspects des lits fluidisés restent très mal compris. Parmi les défis qui restent à relever, nous trouvons les effets des forces électrostatiques dans la dynamique du réacteur. Il est bien connu que cette force interparticulaires est à l'origine des nombreux problèmes industriels comme l'accumulation du matériel solide aux parois du réacteur, la perturbation des équipements électronique aux alentours, et même une perte complète de l'état de fluidisation. Malgré les nombreuses études consacrées à ce sujet, plusieurs questions restent toujours ouvertes. Parmi elles, nous trouvons l'utilisation des techniques des mesures non-intrusives pour caractériser le comportement du lit sous l'influence des forces électrostatiques; et la modélisation mathématique de la dynamique dans le réacteur d'un point de vue macroscopique. C'est dans cette perspective que ces travaux de recherches s'inscrivent. Dans le cadre du projet ANR-IPAF, cette thèse vise à améliorer la compréhension des effets électrostatiques dans la dynamique des lits fluidisés avec une approche numérique et expérimentale. Du point de vue de la modélisation, nous utilisons la théorie cinétique des milieux granulaires pour obtenir les équations gouvernant la dynamique de la charge des particules. Dans cette étude, nous modélisons non seulement l'équation de la charge moyenne des particules, mais aussi l'équation de la corrélation charge-vitesse et l'équation de la variance de la charge des particules. Nous proposons également deux modèles de fermeture algébriques pour les moments statistiques d'ordre trois. Cette modélisation représente, jusqu'à présent, la description Eulerienne la plus complète d'un écoulement gaz-particules monodisperse. L'analyse de ces équations nous permet d'établir les conditions dans lesquelles certains simplifications sont admissibles. Nous montrons qu'une modélisation correcte de la corrélation charge-vitesse est nécessaire dans les régions diluées pour bien pouvoir capturer le transport de charge dû aux mouvements aléatoires des particules. De la même façon, les effets de la variance de charge doivent être pris en compte lorsque l'énergie électrique du système est bien supérieure à l'énergie cinétique. Nous présentons aussi des simplifications possibles des modèles de fermetures des équations de transport avec leur plage de validité. Du côté expérimental, nous étudions un nouveau système de mesure non intrusive: l'ECVT. Nous nous focalisons sur l'un des points clé: l'algorithme de reconstruction d'image. Nous évaluons différentes algorithmes trouvées dans la littérature. Cependant, nos analyses montrent que les méthodes sont soit très imprécises soit très coûteuses en temps de calcul. Étant donnée ces limitations, nous nous intéressons à une nouvelle approche de reconstruction basée sur les techniques de l'intelligence artificielle. Nous proposons deux différentes solutions pour entraîner un réseau de neurones artificiels. La première approche s'appuie sur un apprentissage de type supervisée avec des données générées à partir des simulations numériques CFD. Tandis que la deuxième approche utilise une méthode d'apprentissage par renforcement en se servant uniquement des données expérimentales. Nous évaluons la qualité des ces approches avec des données simulées et des données réelles. Nos résultats montrent que les deux propositions sont aussi efficaces que les méthodes classiques de reconstruction. Mais elles peuvent réduire le temps de calcul par plusieurs ordres de grandeurs.Fluidized bed reactors are one of the unit processes most commonly used in the industry. Plastic production, energy conversion, petroleum refining, and medicine manufacturing are just a few examples of the fields benefiting from this type of technology. Although important advances have been made towards the understanding and prediction of the dynamics of fluidized beds, many important questions remain unanswered. One of the most important open challenges is the study of the effects of electrostatic forces inside the reactor. This electrostatic interaction is known to be the cause of some important problems such as the accumulation of material at the reactor's wall, the risk of explosion, the perturbation of nearby electronic devices and even the complete loss of the fluidization state. Despite the important research efforts in the last few decades, many problems are still unsolved. Amongst these, we find the use of non-invasive measurements techniques to characterize the hydrodynamics effects of electrostatic forces inside the reactor; and the macroscopic mathematical modeling of the charging dynamics in the bed. These are the issues that this research program tries to address. As part of the project ANR-IPAF, this Ph.D. thesis aims at improving the understanding of the effects of electrostatic forces in a fluidized bed reactor. On the modeling front, we use the kinetic theory of rapid granular flow to derive the most complete Eulerian model of the particle electric charge dynamics in monodispersed gas-solid flow systems. In this work, we show how to lift some of the most restrictive hypotheses of previous models. We show that the transport equation for the mean particle electric charge can be obtained without assuming the shape of the particle electric charge probability density function. In addition to this, we also derive and close the transport equation for the second order terms: the particle charge-velocity covariance and the particle charge variance. Our results show that a correct modeling of the second order moments is needed in dilute or highly electrically charged regions. Given that this complete model also adds many more partial differential equations to be solved, we study possible simplifications. Two algebraic models, one neglecting the effects of the charge variance and one taking it into account are proposed. The former proved to be suitable in configurations with low electric potential energy. However, the latter must be use with caution as it can become nonphysical in high charged situations. Finally, a semi-algebraic model is also proposed to solve the important limitations of the coupled algebraic model. On the experimental front, we study the use of an ECVT system to characterize the dynamics inside the bed. We focus our attention to the image reconstruction algorithm. We test the traditional reconstruction algorithms found in the literature. However, our results show that they are, either too inaccurate, or too computationally expensive. For these reasons, we explore the use of a novel reconstruction technique using machine learning algorithms. In this thesis, we propose two different strategies to train a feed forward artificial neural network to handle the image reconstruction step in a ECVT device. The first strategy is based on CFD-generated data which is coupled with the sensitivity matrix model to deduce the capacitance measurements. The second approach relies exclusively on real experimental data and it seeks to reconstruct an image that could explain the capacitance measurements. Our results show that artificial neural networks can be as accurate as the best image reconstruction algorithms found in the literature. However, they can reduce the computational cost by several order of magnitudes