Chapitre 1 : Introduction à la Modélisation et Simulation des Processus

La modélisation et la simulation ne sont pas figées, mais constituent un art. Ce chapitre présente les
concepts de base de la modélisation mathématique, les éléments essentiels à sa construction, les
types de modèles et leurs classifications. Un modèle mathématique ne remplace jamais totalement
les observations et expériences, mais constitue un outil complémentaire.

L'industrie chimique utilise de plus en plus des processus intégrés, qui impliquent une grande
diversité de flux de matière et d'énergie, afin de réduire les coûts. La simulation d'une usine chimique
complète avec des modèles mathématiques rigoureux est essentielle pour garantir l'intégrité du
projet et sa faisabilité.

Les modèles mathématiques sont utiles à toutes les étapes de l'ingénierie, depuis la recherche et le
développement jusqu'à l'exploitation des usines et aux analyses économiques. Leur principal rôle est
de remplacer temporairement le système physique pour étudier ses réactions à diverses conditions
d'entrée de manière rapide et économique, sans intervention sur le système réel.

Le processus est l’ensemble des unités d’opération. Le modèle en est la représentation

mathématique.

Les modèles mathématiques reposent sur les lois fondamentales de la physique et de la chimie,
notamment les principes de conservation de la masse, de l’énergie et de la quantité de mouvement,
ainsi que sur les concepts d’équilibre chimique et thermodynamique.

Les domaines de connaissance essentiels incluent l’écoulement des fluides, le transfert de masse et
de chaleur, la cinétique, la thermodynamique, ainsi que le contrôle et l’optimisation des processus.

La modélisation repose sur plusieurs étapes clés pour la formulation du modèle (Ogunnaike, 1994 ;
Luyben, 1996 ; Bequette, 1998).

Les éléments fondamentaux de la modélisation et simulation sont détaillés ci-dessous. Ces éléments
doivent être intégrés dans le processus de modélisation afin d’assurer des performances optimales du
modèle développé (Luyben, 1996 ; Ogunnaike, 1994).

1. Description du processus et définition du problème

Cette étape consiste à comprendre les phénomènes impliqués dans le processus et à définir
clairement les objectifs de l’étude, notamment l’analyse des causes et des effets. Il s’agit souvent de
l’étape la plus cruciale dans l’analyse d’un processus.

2. Théorie et application des lois fondamentales

Une fois le processus décrit et compris, il est nécessaire d’appliquer les principes fondamentaux qui
régissent ses phénomènes, comme les lois de conservation de la masse, de l’énergie et de la quantité
de mouvement.

3. Équationnement

Cette étape consiste à traduire mathématiquement les lois et théories qui décrivent le processus
étudié sous forme d’équations.
4. Considérations et simplifications

L’ingénieur doit faire preuve de discernement pour établir des hypothèses pertinentes. Une
modélisation trop complexe peut entraîner des difficultés dans la résolution et l’analyse des résultats,
ainsi qu’un coût computationnel élevé. Il est donc essentiel de vérifier que les termes négligés sont
effectivement insignifiants. En conséquence, un modèle simplifié, mais toujours représentatif, permet
une résolution plus efficace avec un effort de calcul réduit.

5. Consistance du modèle

Cette vérification concerne principalement deux aspects :

 Nombre d’équations et de variables : Pour qu’un système soit bien posé, le nombre
d’équations doit être égal au nombre de variables inconnues. Un déséquilibre peut indiquer
un système sous-spécifié ou sur-spécifié, voire une erreur de formulation.

 Cohérence des unités : Toutes les unités de mesure des termes présents dans les équations
doivent être homogènes.

6. Méthodes mathématiques et calcul numérique

La nature des équations du modèle détermine la méthode de résolution appropriée, qu’elle soit
analytique ou numérique. Par exemple, un modèle dynamique produisant une équation différentielle
ordinaire (EDO) de premier ordre avec une condition initiale peut être résolu par la méthode de
Runge-Kutta d’ordre 4.

7. Résolution et validation du modèle

La dernière phase consiste à résoudre les équations et à valider les résultats en comparant les
prédictions du modèle avec des données expérimentales. Cette validation est essentielle pour
s’assurer que le modèle représente fidèlement le processus réel.

Définitions essentielles

 Équation : Relation mathématique reliant différentes variables.

 Variable : Symbole mathématique représentant une grandeur physique.

 Variable d’état : Variable décrivant l’évolution du processus, apparaissant naturellement dans

les termes d’accumulation des bilans de masse et d’énergie. Elle est mesurable (au moins
conceptuellement) et reflète l’état du système. Par exemple, la température est une variable
d’état dérivée du bilan d’énergie dynamique (Bequette, 1998).

 Variable d’entrée : Variable devant être spécifiée avant la résolution du problème,

déterminée à partir des caractéristiques du processus. Il s’agit de paramètres pouvant varier
au cours de l’opération et influençant l’état stationnaire du système dynamique, comme les
débits d’entrée et de sortie, la composition et la température à l’entrée du système
(Bequette, 1998).

 Paramètre : Valeur caractéristique d’une propriété physique ou chimique qui doit être
connue ou spécifiée pour résoudre un problème mathématique, comme la densité ou la
viscosité, conductivité thermique, coefficient de transfert de chaleur et coefficient de
transfert de masse (Bequette, 1998).
 Force motrice : Variable générée par une fonction connue ou imposée au processus (existe
uniquement en simulation dynamique). Par exemple, dans un système de réservoirs en série,
le débit d’entrée du premier réservoir influence la dynamique de l’ensemble du système.
Ainsi, le débit d’entrée constitue la force motrice du système.

 Condition initiale : État initial du processus.

 Condition aux limites : Définition des contraintes spatiales du processus (restrictions sur les
variables en fonction de leur position).

 Degré de liberté : Pour simuler un processus, il est essentiel de s’assurer que les équations du
modèle forment un système solvable, c’est-à-dire que les variables de sortie peuvent être
exprimées en fonction des variables d’entrée. Pour garantir une solution unique, le nombre
de variables inconnues doit être égal au nombre d’équations indépendantes du modèle
(Ogunnaike, 1994).

La relation s'exprime comme suit :

NF=NV−NENF = NV - NENF=NV−NE

où :NF : degré de liberté, NV : nombre de variables indépendantes du processus, NE : nombre

d’équations indépendantes du processus.

1.2 Construction et classification des modèles mathématiques

Lors de l’élaboration d’un modèle mathématique, on peut s’appuyer soit sur les phénomènes
physiques et chimiques du système, soit sur une approche empirique. Ainsi, il existe deux
méthodes principales pour la construction d’un modèle mathématique (Luyben, 1996 ; Bequette,
1998) :

1. Modélisation physique ou phénoménologique : Cette approche consiste à diviser le système

en sous-systèmes aux comportements connus, en appliquant les lois fondamentales de
l’ingénierie chimique, telles que les bilans de masse, d’énergie et de quantité de mouvement.

2. Identification empirique : Basée sur l'observation et l’expérimentation, cette approche vise à

ajuster les propriétés du modèle en fonction du comportement du système étudié.

Les modèles mathématiques sont développés pour différents types de systèmes, qui peuvent
présenter diverses caractéristiques. Certains systèmes peuvent être traités quantitativement, où
les variables sont mesurables et les relations entre elles peuvent être exprimées analytiquement
(Maya et Leonardi, 2014).

Comprendre la classification des systèmes permet de faciliter le développement des modèles qui
les représentent. Un comparatif entre les différents types de systèmes est présenté ci-après, afin
d’aider à la compréhension et à la prise de décision quant à la résolution des modèles.

1.2.1 Systèmes à paramètres concentrés × paramètres distribués

Les paramètres d’un système sont les grandeurs qui représentent les propriétés des éléments de
ce système. Par exemple, dans un système de réaction chimique, la concentration d’un
composant ou la constante de vitesse de réaction sont des paramètres appartenant à ce système.

Dans les systèmes à paramètres concentrés, les propriétés sont décrites de manière concentrée
en des points bien définis du système, c’est-à-dire que les variations spatiales sont négligées. Les
propriétés ou l’état du système sont considérés comme homogènes dans tout le volume de
contrôle, ce qui génère des systèmes d’équations différentielles ordinaires. Les variations sont
concentrées dans une seule variable indépendante (Luyben, 1996 ; Bequette, 1998 ; Aguire,
2007 ; Maya et Leonardi, 2014).

Un exemple de système à paramètres concentrés est un réservoir de chauffage parfaitement

mélangé (agité), où l’on considère que la température du fluide est uniforme dans tout le
réservoir et peut être représentée par l’équation suivante :

dTdt=FV(Ti−T)+QρVCp\frac{dT}{dt} = \frac{F}{V} (T_i - T) + \frac{Q}{\rho V C_p} dtdT=VF(Ti−T)

+ρVCpQ

où :

 TTT – température du fluide,

 FFF – débit volumique,

 TiT_iTi – température à l’entrée,

 QQQ – chaleur ajoutée,

 ρ\rhoρ – densité du fluide,

 VVV – volume du réservoir,

 CpC_pCp – chaleur spécifique.

Dans les systèmes à paramètres distribués, les variations spatiales du comportement des
variables sont prises en compte, ce qui donne lieu à un système d’équations différentielles
partielles. Il y a donc plus d’une variable indépendante.

Un exemple de système à paramètres distribués est un échangeur de chaleur à coque et tubes en

contre-courant, où la température du fluide varie le long de la longueur de l’échangeur ainsi
qu’en fonction du temps. Sa représentation peut être donnée par l’équation suivante (Luyben,
1996 ; Bequette, 1998 ; Aguire, 2007 ; Jana, 2011) :

∂T∂t+v∂T∂Z=πdUρCpA(Tst−T)\frac{\partial T}{\partial t} + v \frac{\partial T}{\partial Z} = \frac{\pi

d U}{\rho C_p A} (T_{st} - T) ∂t∂T+v∂Z∂T=ρCpAπdU(Tst−T)

où :

 TTT – température du fluide,

 vvv – vitesse du fluide,

 ddd – diamètre du tube,

 UUU – coefficient global d’échange thermique,

 ρ\rhoρ – densité du fluide,

 CpC_pCp – chaleur spécifique,

 AAA – aire de la section transversale du tube,

 TstT_{st}Tst – température à l’état stationnaire.

 Il est important de garder à l’esprit que tout système réel est distribué. Il y a toujours des
variations spatiales, et lorsque ces variations sont très faibles, on peut les approximer par un
système concentré.

1.2.2 Systèmes linéaires × non linéaires

Un système est considéré comme linéaire si la variable dépendante ou ses dérivées apparaissent
uniquement au premier degré, et si les principes de superposition et d’homogénéité sont
applicables.

Selon ces principes, un système linéaire doit satisfaire les conditions suivantes (Luyben, 1996 ;
Bequette, 1998 ; Aguire, 2007 ; Maya et Leonardi, 2014) :

 Principe d’homogénéité :
Si, en perturbant un système avec une entrée u1(t)u_1(t)u1(t), la réponse est y1(t)y_1(t)y1(t),
alors si nous appliquons une perturbation kkk fois plus grande, c’est-à-dire k×u1(t)k \times
u_1(t)k×u1(t), la réponse devra être k×y1(t)k \times y_1(t)k×y1(t), soit :

y(ku1)=ky(u1)y(k u_1) = k y(u_1)y(ku1)=ky(u1)

 Principe de superposition :
Si la réponse à une perturbation u1(t)u_1(t)u1(t) est y1(t)y_1(t)y1(t) et pour une autre
perturbation u2(t)u_2(t)u2(t), la réponse est y2(t)y_2(t)y2(t), alors la réponse à la somme des
excitations u1(t)+u2(t)u_1(t) + u_2(t)u1(t)+u2(t) sera égale à la somme des réponses y1(t)
+y2(t)y_1(t) + y_2(t)y1(t)+y2(t) :

y(u1+u2)=y(u1)+y(u2)y(u_1 + u_2) = y(u_1) + y(u_2)y(u1+u2)=y(u1)+y(u2)

Les systèmes où ces principes ne s’appliquent pas sont considérés comme non linéaires.

Une caractéristique importante à prendre en compte concernant la linéarité d’un système est que
tous les systèmes réels sont non linéaires. Toutefois, ils peuvent se comporter comme linéaires
dans certaines limites ou être linéarisés pour obtenir une approximation du système (ce sujet
sera abordé plus tard).

Un exemple de limite de linéarité est celui d’un ressort, où la loi de Hooke s’applique : la
déformation est proportionnelle à la force appliquée. Cependant, si une force trop grande est
appliquée, le ressort peut subir une déformation permanente, cessant ainsi d’être linéaire (Maya
et Leonardi, 2014).

Un exemple de représentation des systèmes linéaires et non linéaires peut être observé dans les
équations 1.3 et 1.4, respectivement.

Dans l’équation 1.3, nous avons la loi de Hooke, qui exprime une relation linéaire entre la force et la
déformation d’un ressort :

F=kxF = kxF=kx

où :

 FFF – force appliquée,

 kkk – constante de raideur du ressort,

  xxx – déplacement ou déformation du ressort.

Cette relation est linéaire, car la force est proportionnelle au déplacement.

Dans l’équation 1.4, nous avons le principe de Bernoulli, qui décrit le comportement du flux de
liquides passant à travers une vanne, où le débit volumique dépend de la racine carrée de la
pression :

Q=CvΔPQ = C_v \sqrt{\Delta P}Q=CvΔP

où :

 QQQ – débit volumique,

 CvC_vCv – coefficient de débit de la vanne,

 ΔP\Delta PΔP – différence de pression entre l’amont et l’aval de la vanne.

Cette relation est non linéaire, car le débit volumique QQQ dépend de la racine carrée de la pression
différentielle ΔP\Delta PΔP, ce qui viole les principes de linéarité (homogénéité et superposition)

1.2.3 Systèmes continus × discrets

Un système continu est un système où la relation entre la variable et le signal d’intérêt est décrite de
manière continue dans le temps. Les équations différentielles sont fréquemment utilisées pour
décrire cette relation.

En pratique, les signaux d’intérêt sont souvent obtenus sous une forme discrète dans le temps. Ainsi,
un système dans lequel les relations entre la variable et le signal d’intérêt sont exprimées
uniquement à des instants d’échantillonnage est appelé système discret ou échantillonné
(Ogunnaike, 1996 ; Luyben, 1996 ; Aguire, 2007).

Les équations suivantes illustrent la relation entre la concentration et le temps dans un système
chimique, en forme continue (Eq. 1.5) et en forme discrète (Eq. 1.6) :

dcdt=kc(t)(Eq. 1.5)\frac{dc}{dt} = k c(t) \quad \text{(Eq. 1.5)}dtdc=kc(t)(Eq. 1.5) ΔcΔt=c(t+Δt)

−c(t)Δt=kc(t)(Eq. 1.6)\frac{\Delta c}{\Delta t} = \frac{c(t+\Delta t) - c(t)}{\Delta t} = k c(t) \quad \
text{(Eq. 1.6)}ΔtΔc=Δtc(t+Δt)−c(t)=kc(t)(Eq. 1.6)

où :

 ccc – concentration,

 kkk – constante de vitesse de réaction,

 Δc\Delta cΔc – variation de concentration,

 Δt\Delta tΔt – variation de temps (période d’échantillonnage).

1.2.4 Systèmes statiques × dynamiques

Un système statique, également appelé stationnaire ou invariant dans le temps, est un système dans
lequel la valeur de la variable reste constante dans le temps. Ces systèmes sont exprimés par des
équations algébriques et répondent instantanément à une perturbation, sans dépendre des
conditions précédentes.
Un système dynamique (ou transitoire) se caractérise par une variation des variables du processus
au fil du temps. Il est exprimé par des équations différentielles, et sa réponse dépend des conditions
initiales (Aguire, 2007).

Un réservoir de stockage de liquide (ou réservoir tampon) peut être représenté soit sous forme
transitoire (Eq. 1.7), soit sous forme stationnaire (Eq. 1.8) :

Adhdt=F0−Cvxh(t)(Eq. 1.7)A \frac{dh}{dt} = F_0 - C_v x \sqrt{h(t)} \quad \text{(Eq. 1.7)}Adtdh=F0−Cv

xh(t)(Eq. 1.7) F0−Cvxh=0(Eq. 1.8)F_0 - C_v x \sqrt{h} = 0 \quad \text{(Eq. 1.8)}F0−Cvxh=0(Eq. 1.8)

où :

 hhh – niveau du liquide dans le réservoir,

 AAA – aire de la section transversale du réservoir,

 F0F_0F0 – débit volumique à l’entrée,

 CvC_vCv – constante de la vanne,

 xxx – ouverture de la vanne.

L’équation transitoire (Eq. 1.7) décrit comment le niveau hhh varie au cours du temps, tandis que
l’équation stationnaire (Eq. 1.8) décrit la condition d’équilibre où le débit d’entrée F0F_0F0 est égal au
débit de sortie.

1.2.5 Systèmes déterministes × stochastiques

Certains modèles ne prennent pas en compte l’aléatoire des phénomènes et n’impliquent pas de
variables aléatoires dans leur formulation.

Un modèle déterministe est un modèle où les variables et paramètres ne sont pas aléatoires. Ce
type de modèle établit une relation exacte entre les variables mesurées, sans considérer les
incertitudes du système.

En revanche, un modèle stochastique prend en compte les incertitudes et les probabilités dans
l’étude des phénomènes (Aguire, 2007 ; Verna, 2015).

Ainsi, on peut dire qu’un modèle déterministe est prévisible, tandis qu’un modèle stochastique
contient une part d’imprévisibilité (Ogunnaike, 1994).

1.3 Applications des modèles mathématiques en ingénierie chimique

L’application des modèles mathématiques est essentielle dans toutes les phases de l’ingénierie
chimique, allant de la recherche et développement à l’exploitation des installations industrielles.

Les modèles mathématiques jouent un rôle fondamental dans la compréhension des processus,
l’analyse des relations cause-effet, ainsi que l’étude de la dynamique des systèmes (Luyben, 1994 ;
Bequette, 1998).
Considérons le CSTR présenté à la figure 3. 2 où la réaction exothermique, élémentaire, en phase
liquide de premier ordre, A→ B. Comme il s’agit d’une réaction exothermique, il est nécessaire de
refroidir le réacteur, ce qui se fait au moyen d’une chemise à travers laquelle passe un fluide
frigorigène (Bequette, 1998).

Le processus est le regroupement d’unités opérationnelles. Le modèle est la représentation

mathématique du processus. Les fondements des modèles mathématiques sont les lois
fondamentales de la physique et de la chimie, telles que les lois de conservation de la masse, de
l’énergie et de la quantité de mouvement, et les concepts d’équilibre chimique et thermodynamique.
Les domaines de connaissances de base comprennent l’écoulement des fluides, le transfert de masse,
le transfert de chaleur, la cinétique, la thermodynamique et le contrôle et l’optimisation des
processus. Les éléments de base de la modélisation impliquent des étapes pour la formulation du
modèle (Ogunnaike, 1994 ; Luyben, 1996 ; Bequette, 1998).
Les éléments de base de la modélisation et de la simulation sont détaillés ci-dessous. Ces éléments
doivent être présents dans le processus de modélisation afin que le modèle développé ait les
meilleures performances possibles (Luyben, 1996 ; Ogunnaike, 1994).

• Description du processus et définition du problème : Connaissance des phénomènes

qui impliquent le processus et ce que l’on veut savoir sur ses causes et ses effets. Il peut être
considéré comme la partie la plus importante pour l’analyse d’un processus. • Théorie et application
des lois fondamentales : Après avoir décrit le processus et compris le

La théorie qui régit ses phénomènes doit être appliquée.

• Équation : représenter mathématiquement les théories qui décrivent le

processus étudié.

• Considérations : À ce stade, la sensibilité de l’ingénieur chimiste est

fondamental pour juger des considérations à prendre. Rappelez-vous que les modèles complexes
peuvent entraîner des difficultés lors de la résolution et de l’analyse des résultats, c’est-à-dire que la
complexité du processus est directement liée aux efforts de calcul et aux coûts de sa résolution. Les
considérations doivent être soigneusement analysées afin que tout terme omis dans le
développement du modèle soit en fait insignifiant. En raison de ces considérations, nous disposons
d’un ensemble d’équations mathématiques moins complexes et nécessitant moins d’efforts de calcul
pour le résoudre. • Cohérence : Cet élément n’est rien d’autre que la vérification du nombre de

équations et le nombre de variables à déterminer. Si le nombre d’équations est égal au nombre de

variables, le système est cohérent. Si le nombre d’équations et de variables à déterminer est
différent, cela impliquera que le système est sous-spécifié ou surspécifié et parfois avec la mauvaise
formulation. Un autre point important est la cohérence des unités de mesure de tous les termes
impliqués dans les équations.

• Mathématiques et calcul : La nature des équations du modèle est que

détermine la méthode d’obtention de la solution à sélectionner, qu’elle soit analytique ou numérique.

Exemple : un modèle dynamique qui aboutit à un EDO du premier ordre comme condition initiale
peut être résolu par la méthode de Runge-kutta du 4ème Odem. Dans la figure 1. 3, nous pouvons
observer un système algébrique-différentiel contenant les méthodes les plus intéressantes selon leur
catégorie.

• Solution et validation : Dernière phase de développement des modèles d’un

Le processus est l’étude et la vérification des solutions obtenues à partir des modèles mathématiques
par des comparaisons avec des données expérimentales.

La compréhension de certaines définitions est d’une importance fondamentale pour l’élaboration

d’un modèle mathématique concis. Certaines définitions sont présentées ci-dessous.

• Équation : expression mathématique reliant les variables.

• Variable : symbole mathématique qui représente la magnitude

• Variable d’état : décrit le comportement du processus. C’est la variable qui

Elle apparaît naturellement dans le terme d’accumulation du bilan matière ou du bilan énergétique et
est une quantité mesurable (au moins conceptuellement) qui indique l’état du système. Par exemple,
la température est une variable d’état qui découle du bilan énergétique dynamique (Bequette, 1998).

• Variable d’entrée : il s’agit d’une variable qui doit normalement être spécifiée

avant qu’un problème ne puisse être résolu. Ces entrées sont spécifiées en fonction de la
connaissance du procédé considéré. Par exemple, les débits d’entrée et de sortie du processus, la
composition et la température à l’entrée du système, entre autres. C’est la variable qui subira des
modifications en cours de fonctionnement et changera l’état stationnaire du système dynamique
(Bequette, 1998).

• Paramètres : un paramètre est généralement une valeur de propriété physique, ou

chimie qui doit être spécifiée ou connue pour résoudre