FacebookTwitterLinkedInImprimer

Un grand nombre de simulateurs, qu’ils portent sur le dimensionnement des procédés réactionnels, sur l’évolution des réservoirs pétroliers ou de celle des dispositifs de combustion, nécessitent d’accéder à des propriétés thermodynamiques. Pour fournir ces propriétés, IFPEN a développé une bibliothèque de modules de calculs, nommée « Carnot », du nom du célèbre thermodynamicien français. Or ces calculs, en particulier ceux concernant l’équilibre entre phases (aussi appelés « flash »), sont généralement très consommateurs en ressource de calcul du fait de la complexité des systèmes considérés, et représentent dans de nombreux cas la partie la plus chronophage de la simulation.

Pour y remédier, un travail doctoral 1 s’est attaché à développer un algorithme d’apprentissage par les données, utilisant les réseaux neuronaux, en vue de le substituer aux modèles actuels des calculs de flash [1]. Pour cela, trois réseaux neuronaux spécifiques ont été mis en place (figure 1) pour :
 

  • prédire le nombre et le type de phases d'équilibre coexistantes ;
      
  • initialiser les coefficients de distribution K_i 2  ;
      
  • évaluer les coefficients de fugacité φ_i 3 utilisés pour mettre à jour K_i.
     

Cliquer sur l'image pour l'agrandir

Figure 1 : Organigramme des calculs de flashs basés sur des données
Figure 1 : Organigramme des calculs de flashs basés sur des données


La nécessité d’intensifier les calculs d’équilibre fait ressortir l’intérêt des calculs de flash basés sur les données car l’un des avantages les plus convaincants des réseaux neuronaux est de se prêter au calcul parallèle.

Notre méthodologie a été validée sur un panel d’expériences avec comme résultat une accélération des calculs d’un facteur 30 (figure 2), tout en assurant un haut degré de précision.

Flash
Figure 2 : Comparaison entre l’outil Carnot et le flash basé sur des données en termes de temps d'exécution pour 230 mille échantillons d’un mélange d'eau et de méthane.

  
Les prochaines étapes viseront à automatiser le cadre d'apprentissage pour toute composition donnée et à intégrer les modèles statistiques résultants dans Carnot afin d'évaluer les performances sur des simulations à partir de compositions de référence.

A plus long terme, l’objectif sera d’optimiser en temps réel le processus d’apprentissage dans les conditions opératoires propres à chaque cas de simulation numérique.

 

1- Jingang QU : « Acceleration of numerical simulations by means of deep learning - Application to thermodynamic equilibrium calculations », thèse IFPEN en cours.   
2- Le coefficient de distribution du i-ème composant K_i correspond au rapport de la fraction molaire du i-ème composant entre la phase gazeuse et la phase liquide.   
3- Le coefficient de fugacité du i-ème composant φ_i est le rapport entre la fugacité réelle et la fugacité du gaz parfait en mélange aux mêmes pression, température et composition.
 


Publication :

[1]  J. Qu, M. D’Heilly, P. Gallinari, J-C. de Hemptinne, T. Faney et S. Youssef, Efficient phase equilibrium computations using learning algorithms, ESAT 2021-31st European Symposium on Applied Thermodynamics, July 2021. 
   

Contact scientifique : thibault.faney@ifpen.fr

>> NUMÉRO 45 DE SCIENCE@IFPEN