Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach

Résumé Technique : Estimation de la hauteur de la zone dense compactée (DPZ) par Réseaux de Neurones Informés par la Physique (PINN)

1. Problématique

Dans les processus industriels (chimie, pharmacie, recyclage), la séparation liquide-liquide dans des décanteurs gravitaires est cruciale. Un indicateur de performance et de sécurité majeur est la hauteur de la zone dense compactée (DPZ) — une couche de dispersion qui s'accumule entre les deux phases. Si cette zone dépasse un seuil critique, elle provoque l'engorgement (flooding) du séparateur, perturbant l'efficacité de la séparation.

Cependant, mesurer directement cette hauteur est difficile, coûteux et souvent impraticable en conditions réelles en raison de limitations optiques et de l'opacité des milieux. Les modèles mécanistes existants manquent de précision dynamique, tandis que les approches purement basées sur les données (data-driven) nécessitent des volumes de données expérimentales massifs, souvent indisponibles.

2. Méthodologie

Les auteurs proposent un cadre hybride combinant la physique et l'apprentissage profond pour estimer les hauteurs de phase en utilisant uniquement les débits volumiques (facilement mesurables).

• Modèle PINN (Physics-Informed Neural Network) : Contrairement aux réseaux de neurones classiques, le PINN intègre les équations de bilan de masse (conservation du volume) comme contraintes lors de l'entraînement. Cela permet au modèle de respecter les lois physiques même avec peu de données.
• Stratégie d'entraînement en deux étapes :
  1. Pré-entraînement : Le réseau est d'abord entraîné sur des données synthétiques générées par un modèle mécaniste de "basse fidélité" (approximatif). Cela permet au modèle d'apprendre la dynamique fondamentale du système.
  2. Affinage (Fine-tuning) : Le modèle pré-entraîné est ensuite ajusté avec des données expérimentales réelles (plus rares et bruitées) pour capturer les spécificités du système physique réel.
• Estimation d'état via un Filtre de Kalman Étendu (EKF) : Pour la phase de déploiement (utilisation réelle), le PINN est intégré dans un cadre inspiré de l'EKF. Le PINN sert de modèle de transition d'état. Le filtre fusionne les prédictions du modèle avec les mesures de débit en temps réel pour suivre et mettre à jour les hauteurs de phase, compensant ainsi le bruit de mesure et l'incertitude du modèle.
• Apprentissage d'ensemble (Ensemble Learning) : Plusieurs modèles sont entraînés pour quantifier l'incertitude épistémique et améliorer la robustesse des prédictions.

3. Contributions Clés

• Approche de pré-entraînement/affinage : Démontre qu'un modèle peut apprendre efficacement des lois physiques approximatives pour ensuite s'adapter à la réalité expérimentale.
• Soft-sensor (Capteur virtuel) : Création d'un système capable d'estimer des variables non mesurables (hauteurs de phase) à partir de variables mesurables (débits).
• Gestion de la géométrie complexe : Utilisation d'un réseau de neurones simple pour mapper la hauteur moyenne de la DPZ vers la hauteur maximale à la sortie du séparateur (zone critique pour l'engorgement), compensant ainsi l'hypothèse simplificatrice de "bande constante" du modèle.

4. Résultats

• Précision supérieure : Le PINN entraîné en deux étapes surpasse nettement le modèle mécaniste seul, le réseau de neurones classique (VNN) et les PINN entraînés uniquement sur des données expérimentales.
• Capacité d'extrapolation : Le modèle a démontré une capacité robuste à prédire les hauteurs de phase même lors de changements de débit non rencontrés durant l'entraînement (tests d'extrapolation).
• Performance de l'EKF : L'intégration du PINN dans le filtre de Kalman a permis une estimation stable et précise des hauteurs de phase, même en partant d'états initiaux inconnus, en utilisant uniquement les mesures de débit.
• Réduction de l'erreur : Les résultats montrent que l'utilisation de l'ensemble de modèles réduit l'impact des valeurs aberrantes et fournit une mesure fiable de l'incertitude (via l'écart interquartile).

5. Signification et Impact

Cette recherche offre une solution technologique pour la surveillance en temps réel des séparateurs industriels. En transformant des mesures de débit simples en informations critiques sur la structure interne du séparateur, cette méthode permet de prévenir l'engorgement avant qu'il ne survienne, améliorant ainsi la sécurité des procédés et l'efficacité énergétique des opérations de séparation liquide-liquide.