Etude expérimentale et modélisation du procédé de

granulation humide
Maroua Rouabah

To cite this version:

Maroua Rouabah. Etude expérimentale et modélisation du procédé de granulation humide. Génie des
procédés. Université de Lyon, 2022. Français. �NNT : 2022LYSE1061�. �tel-04719165�

HAL Id: tel-04719165

https://theses.hal.science/tel-04719165v1
Submitted on 3 Oct 2024

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 N° d’ordre NNT : 2022LYSE1061

THESE de DOCTORAT DE L’UNIVERSITE DE LYON

Opérée au sein de
L’Université Claude Bernard Lyon 1

École Doctorale N°206

École Doctorale de Chimie de Lyon

Spécialité de doctorat : Génie des procédés

Soutenue publiquement le 04/04/2022, par :

Maroua ROUABAH

Étude expérimentale et modélisation du

procédé de granulation humide

Devant le jury composé de :

SALEH, Khashayar PU / TIMR - Université de Technologie de Compiègne Rapporteur

SIEPMANN, Juergen PU / U1008 - Université de Lille Rapporteur
JALLUT, Christian PU / LAGEPP - Université Lyon 1 Président du jury
OULLION, Mathieu Ingénieur de recherche / SOLVAY Saint Fons Examinateur
COGNÉ, Claudia MCF / LAGEPP - Université Lyon 1 Directrice de thèse
BOURGEOIS, Sandrine MCF / LAGEPP - Université Lyon 1 Co-directrice de thèse
BRIANÇON, Stéphanie PU / LAGEPP - Université Lyon 1 Co-directrice de thèse
2
Université Claude Bernard – LYON 1
Administrateur provisoire de l’Université M. Frédéric FLEURY

Président du Conseil Académique M. Hamda BEN HADID

Vice-Président du Conseil d’Administration M. Didier REVEL

Vice-Président du Conseil des Études et de la Vie Universitaire M. Philippe CHEVALLIER

Vice-Président de la Commission de Recherche M. Jean-François MORNEX

Directeur Général des Services M. Pierre ROLLAND

COMPOSANTES SANTE

Département de Formation et Centre de Recherche en Biologie Directrice : Mme Anne-Marie

Humaine SCHOTT

Faculté d’Odontologie Doyenne : Mme Dominique SEUX

Faculté de Médecine et Maïeutique Lyon Sud - Charles Mérieux Doyenne : Mme Carole BURILLON

Faculté de Médecine Lyon-Est Doyen : M. Gilles RODE

Institut des Sciences et Techniques de la Réadaptation (ISTR) Directeur : M. Xavier PERROT

Institut des Sciences Pharmaceutiques et Biologiques (ISBP) Directeur : M. Claude DUSSART

COMPOSANTES & DEPARTEMENTS DE SCIENCES & TECHNOLOGIE

Département Génie Electrique et des Procédés (GEP) Directrice : Mme Rosaria

FERRIGNO

Département Informatique Directeur : M. Behzad SHARIAT

Département Mécanique Directeur M. Marc BUFFAT

Ecole Supérieure de Chimie, Physique, Electronique (CPE Lyon) Directeur : Gérard PIGNAULT

Institut de Science Financière et d’Assurances (ISFA) Directeur : M. Nicolas LEBOISNE

Institut National du Professorat et de l’Education Administrateur Provisoire : M.

Pierre CHAREYRON

Institut Universitaire de Technologie de Lyon 1 Directeur : M. Christophe VITON

Observatoire de Lyon Directrice : Mme Isabelle DANIEL

Polytechnique Lyon Directeur : Emmanuel PERRIN

UFR Biosciences Administratrice provisoire : Mme

Kathrin GIESELER

UFR des Sciences et Techniques des Activités Physiques et Sportives Directeur : M. Yannick VANPOULLE
(STAPS)

UFR Faculté des Sciences Directeur : M. Bruno ANDRIOLETTI

3
4
À mes chers parents, mes H2M et mon soleil Luna...

5
Remerciements

Isaac Newton avait dit un jour : « Lorsque deux forces sont jointes, leur efficacité est double. ».
Sa pensée s’applique certes à un large champ d’étude de la physique mais rejoint si bien la définition
d’un travail d’équipe pour mener à bien et à terme un travail de thèse. Un projet d’une longueur de
trois années mais dans lequel certaines ondes dépassent la notion du temps.
Par la beauté et le sens de cette citation, je tenais vivement à mentionner que ce travail n’aurait pas
pu voir le jour sans la présence, l’aide, l’encouragement et la participation de près ou de loin de
nombreuses personnes. C’est ainsi qu’il convient d’adresser mes plus amples et sincères
remerciements à chacune d’entre elles m’ayant accompagnées tout au long de ce périple.

Ce travail a été réalisé au sein du Laboratoire d’Automatique de Génie des Procédés et de Génie
Pharmaceutique (LAGEPP), UMR 5007 CNRS - Université Claude BERNARD Lyon 1. Mes plus vifs
remerciements s'adressent en premier lieu à la directrice du laboratoire et en même temps co-
directrice de ma thèse Mme Stéphanie BRIANÇON, pour son accueil au sein de la structure, qui de par
sa confiance en moi m’a offert la possibilité d’effectuer ce travail de recherche. Je la remercie
également pour ses encouragements, ses conseils et les opportunités qu’elle m’a accordées pour la
suite de mon parcours académique. Dans le cadre de la direction du laboratoire, je remercie
chaleureusement la directrice administrative que je surnomme Soleil du laboratoire Mme Nadia
CHAPEL, pour l’énergie positive qu’elle dégage au quotidien, pour son travail, sa réactivité, sa présence
et ses encouragements sans faille.

Ce travail a été jugé et validé par l’ensemble des membres du jury qui ont pris le temps d’évaluer cette
thèse pour qui j’associe mes plus sincères remerciements : M. Khashayar SALEH et M. Juergen
SIEPMANN qui m’ont fait l’honneur d’être rapporteurs principaux de mon manuscrit ainsi que M.
Christian JALLUT et M. Mathieu OUILLON en tant qu’examinateurs. Je vous remercie pour vos précieux
commentaires bien avisés ainsi que vos compliments sur ce travail.

J’adresse mes chaleureux et spéciaux remerciements à la personne sans qui rien n’aurait été possible
ma directrice de thèse Mme. Claudia COGNÉ, pour cette belle opportunité qu’elle m’a offerte de
pouvoir travailler à ses coté, d’apprendre et de grandir scientifiquement et humainement en
m’inspirant de son professionnalisme, ses compétences, son engagement pour le projet, ses qualités
scientifiques et pédagogiques ainsi que ses nombreuses qualités humaines. Ce fut un honneur pour
moi d’évoluer sous son encadrement. Je la remercie pour le temps qu’elle m’a accordé, pour sa
présence, son aide et soutien inestimables, sa patience et sa compréhension.

Je tiens également à remercier ma co-encadrante Mme. Sandrine BOURGEOIS, de m’avoir accompagné

durant ce travail et de m’avoir guidé et aidé sur le plan expérimental pharmaceutique. Grâce à elle
mon initiation à la pharmacie galénique fut un succès et mes participations aux enseignements de
travaux pratiques au sein de l’Institut des Sciences Pharmaceutiques et Biologiques à la faculté de
Pharmacie de Lyon furent un pur plaisir.

Ces travaux n’auraient pas pu être réalisés sans le soutien de M. Roman PECZALSKI, que je tiens à
remercier énormément pour l’opportunité qu’il m’a accordé de réaliser mon stage de Master II sous
sa direction. Je le remercie pour son aide et de m’avoir si bien formé et partagé son savoir. Un savoir
scientifique solide qui m’a permis de passer en immersion directe dans mon sujet de thèse.

Il me doit aussi de remercier l’ensemble des membres du laboratoire où nos chemins se sont croisés
d’une longue ou courte durée et où on a partagé des moments conviviaux inoubliables. Mention
spéciale pour l’équipe technique M. Olivier GUARRIGUES pour son aide côté informatique (merci
également pour les moments de partages musicaux), M. Jean-Pierre VALOUR pour sa présence tout en

6
sourire, Mme. Géraldine AGUSTI pour son aide, sa disponibilité et ses superbes images au MEB qui
n’ont fait qu’embellir mes posters/présentations étoilées, merci également de m’avoir si bien intégrée
au laboratoire, Mme. Cynthia BARRATIER pour ses encouragements et pour tous les merveilleux
moments qu’on a passé ensemble à l’ISPB et enfin Maria pour son énergie positive contagieuse.

Ce projet de recherche s’est effectué à cheval entre deux équipes ProDis et GePharm. J’adresse ainsi
mes remerciements aux membres des deux équipes et spécialement à Mme. Émilie GAGNIÈRE (ma
prof préférée), qui a été pour moi une grande source d’inspiration depuis ma licence à l’UCBL de par
son professionnalisme et sa détermination mais aussi son soutien et conseils avisés, M. Noureddine
LEBAZ d’avoir enrichi ma culture générale lors de nos pauses déjeuner, ainsi que M. Stéphane
LABOURET. Je remercie également M. Julien ANDRIEU pour son soutien et suivi jusqu’au jour de ma
soutenance mais aussi Mme. Valérie DOS SANTOS pour ses encouragements et sa sympathie.

Durant ces trois années de thèse, ma deuxième maison était le bureau G231 et je peux dire que j’avais
une deuxième famille qui y habitait avec des membres qui venait et qui partait. Je tiens à les remercier
tous un par un du plus ancien au plus récent survivor, en commençant par le pack’doc : Alinette qui
m’avait si bien accueillie lors de mon stage de Master II dans le cadre de sa thèse, Asma, Pierrot, Marie
Thé, Fabrice, Maria et par la suite le pack’next’doc : Steeven et Quentin (nos IA genius ! Merci
beaucoup pour votre précieuse aide Pythonienne), Fadwa, Lei, et enfin Romanos que je remercie
énormément pour son soutien et son écoute spécialement lors de mes derniers mois de thèse. Merci
à vous tous, pour tous les merveilleux moments qu’on a pu vivre en doc’habitant ensemble et d’avoir
contribué à embellir et ensoleiller mes journées de thèse.

Mes remerciements s’adressent également à tous mes collègues doctorants et permanents du

laboratoire, trop nombreux pour tous les citer au risque d’en oublier certains mais je tiens à
mentionner le bureau G203 vers lequel j’ai effectué beaucoup de pas pour me dégourdir les jambes
entre deux simulations et ne pas manquer de discuter avec les girls. Je remercie ainsi Maya (avec qui
j’ai partagé un bateau dans un large scientifique depuis le stage de M1), Carla, Tian, Xiaoqian et surtout
Rita (qui ne reste pas au stade de collègue mais upgrade en amie avec succès). Je vous remercie tous
pour votre amitié et votre soutien.

Un grand merci à mes amis, pour leurs encouragements, leur motivation quand j’en avais le plus
besoin, merci de m’avoir écouté me plaindre quand ça n’allait pas et d’être contents pour moi quand
les thèse’days me souriaient. Merci à Rym, Sara, Greta, Chahinez, Rita, Albert, Anis et Romain. Vous
êtes les meilleurs.

On dit qu’il faut garder le meilleur pour la fin et le meilleur pour moi c’est ma famille. Si je suis arrivée
là aujourd’hui c’est grâce à eux, je tiens alors à les remercier modestement du plus profond de mon
cœur car je ne pourrais jamais le faire au degré qu’ils méritent. Merci à mon frère Hamza et ma belle-
sœur Cécilia pour leur énorme soutien malgré les kilomètres qui nous séparaient. Merci à ma petite
sœur Manar pour sa force et son courage desquels j’ai pu m’inspirer. Merci à ma grande sœur Mouna,
grande par sa sagesse et sa générosité, celle qui m’épaule depuis ma naissance mais spécialement par
sa présence, son aide et son soutien inconditionnels durant mes années d’études (rien n’aurait pu se
passer ainsi sans ta présence). Merci également à mon beau-frère Zine-Eddine et spécialement à notre
soleil Luna, ma nièce que j'aime tant.

Enfin, j’adresse le plus beau des remerciements à mes chers parents, pour tout l’amour dans lequel on
m’a fait grandir, de m’avoir tant donné, de m’avoir toujours poussé vers le haut et soutenu pour
réaliser mes rêves. Je me sens tellement reconnaissante, chanceuse et bénie d’avoir des parents
comme vous. Et mon papa, cette thèse on l’a faite ensemble comme tu le sais et elle t’est entièrement
dédiée.

7
8
Résumé
La granulation humide, procédé couramment utilisé dans différents secteurs industriels
(pharmaceutiques, chimiques, cosmétiques, …) a été abordée dans cette thèse. Ce procédé
consiste à fabriquer des agrégats solides (granulés) et constitue une étape intermédiaire à la
fabrication de différentes formes pharmaceutiques (comprimés, gélules…). L'industrie
pharmaceutique exige des propriétés contrôlées et une très bonne reproductibilité des
produits intermédiaires (granulés) et finis (comprimés), il est donc nécessaire de comprendre
et de maîtriser le procédé. Des études expérimentales et numériques ont été menées dans
cette thèse afin de mieux appréhender le processus de granulation humide à fort taux de
cisaillement. Le modèle numérique est basé sur la méthode des éléments discrets (DEM) : ce
modèle tient compte des propriétés intrinsèques de la poudre, de la géométrie du procédé
ainsi que des conditions opératoires. Il présente l’avantage de prendre en compte la
dynamique des particules et d’intégrer des phénomènes complexes entre les particules telles
que la cohésion.

Dans un premier temps, un travail préliminaire a été mené pour calibrer les paramètres
d'entrée du modèle : il a nécessité l’ajustement du coefficient de frottement statique et de
l’énergie de surface à partir de mesures expérimentales d’angles de repos. Cette calibration a
été validée par des essais expérimentaux (volumétrie, mélange en tambour) et pour différents
types de poudre.

Dans un second temps, le modèle a été déployé pour simuler le comportement des particules
au cours du procédé de granulation. Une démarche progressive a été développée afin de
tester la robustesse du modèle et un outil de post-traitement a été programmé pour calculer
la taille des granulés formés. Deux échelles de granulateurs ont pu être modélisées (0,5L et
4L) et comparées aux résultats expérimentaux. Bien qu’il n’a pas été possible de modéliser
des tailles de particules aussi fines que celles expérimentales, nous avons pu conclure que le
modèle permet de suivre les cinétiques de croissance des granulés et que les tendances
observées sont similaires.

Enfin une étude paramétrique a été menée. Elle a permis de mettre en évidence l’influence
des vitesses d’agitation, de la présence de l’émotteur et de la méthode d’ajout du liant, à la
fois d’un point de vue numérique et expérimental. Une étude de changement d’échelle a
également été développée, permettant de conclure que l’outil élaboré permet de sécuriser
les problématiques de changement d’échelle des granulateurs à fort taux de cisaillement.

Mots-clés :

Granulation humide, Granulateur à fort taux de cisaillement, Modélisation et Simulation par

DEM, Formation numérique de granulés, Changement d’échelle, Procédé pharmaceutique.

9
Abstract

Wet granulation, which is a process commonly used in different industrial sectors

(pharmaceutical, chemical, cosmetic, ...), has been discussed in this thesis. This process
consists of producing solid aggregates (granules) and represents an intermediate step in the
manufacturing of different pharmaceutical forms (tablets, capsules...). The pharmaceutical
industry requires highly controlled properties and a good reproducibility of the intermediate
(granules) and final (tablets) products, so it is necessary to understand and control the
process. Experimental and numerical studies were carried out in this thesis to gain a better
understanding of the high shear wet granulation process. The numerical model is based on
the discrete element method (DEM) that takes into account the intrinsic properties of the
powder, the geometry of the process, and the operating conditions. It has the advantage of
taking into account the dynamics of the particles and integrating complex phenomena
between the particles such as cohesion.

First, preliminary work was carried out to calibrate the input parameters of the model. This
required the adjustment of the static friction coefficient and the surface energy based on
experimental measurements of the angles of repose. This calibration was validated using
experimental tests (volumetry, drum mixing) and for different types of powder.

Second, the model was deployed to simulate the behaviour of the particles during the
granulation process. A stepwise approach was developed to test the robustness of the model
and a post-processing tool was programmed to calculate the size of the granules formed. Two
scales of granulators were modelled (0.5L and 4L) and compared with experimental results.
Although it was not possible to model particle sizes as fine as those found in the experiments,
we concluded that the model was able to follow the growth kinetics of the granules and that
the observed trends were similar.

Finally, a parametric study was carried out. It allowed to highlight the influence of the agitation
speeds, the presence of the chopper and the binder addition method, both numerically and
experimentally. A scaling study was also developed, concluding that the developed tool can
secure the scaling-up to high shear granulators.

Keywords :

Wet granulation, High shear granulator, Modelling and Simulation by DEM, Numerical granule
formation, Process Scale-up, Pharmaceutical process.

10
Table des matières

REMERCIEMENTS ....................................................................................................................... 6
RÉSUMÉ ...................................................................................................................................... 9
ABSTRACT ................................................................................................................................. 10
LISTE DES FIGURES.................................................................................................................... 15
LISTE DES TABLEAUX ................................................................................................................ 18
NOMENCLATURE ...................................................................................................................... 19
INTRODUCTION GÉNÉRALE ...................................................................................................... 21
CHAPITRE I : SYNTHÈSE BIBLIOGRAPHIQUE ............................................................................. 25
PARTIE I : LA GRANULATION HUMIDE : ÉTUDES EXPÉRIMENTALES ........................................ 26
1. ÉTAT DE L’ART SUR LA GRANULATION ............................................................................. 26
2.1. Méthodes de granulation .............................................................................................. 26
2.1.1. La granulation par voie sèche ................................................................................ 27
2.1.2. La granulation par voie humide ............................................................................. 27
2.1.3. Procédés divers ...................................................................................................... 27
2.2. La granulation humide et ses différents mécanismes .................................................. 28
2.2.1. Mouillage et nucléation ......................................................................................... 28
2.2.1.1. Régimes de nucléation ........................................................................................... 29
2.2.1.2. Mécanismes de nucléation .................................................................................... 31
2.2.1.3. Mécanismes de liaison en agglomération ............................................................. 32
2.2.2. Consolidation et croissance ................................................................................... 34
2.2.2.1. Mécanismes de croissance .................................................................................... 34
2.2.2.2. Propriétés de saturation du liquide liant ............................................................... 36
2.2.3. Attrition et rupture ................................................................................................ 38
2.3. Technologies de granulation humide ............................................................................ 38
2.3.1. Granulateurs mécaniques ...................................................................................... 39
2.3.1.1. Granulateurs à faible taux de cisaillement ............................................................ 39
2.3.1.2. Granulateurs à fort taux de cisaillement (GFTS) .................................................... 39
2.3.2. Granulateurs à lit fluidisé ....................................................................................... 40
2.4. Méthodes de contrôle du procédé de granulation humide en GFTS ........................... 41
2.4.1. Mesures indirectes ................................................................................................. 41
2.4.2. Mesures directes .................................................................................................... 43
2.5. Effet des paramètres opératoires sur les granulés produits......................................... 44
2.5.1. Paramètres de formulation.................................................................................... 44
2.5.1.1. Caractérisation du liquide liant .............................................................................. 44
2.5.1.2. Effet de la méthode d’ajout de liant ...................................................................... 46
2.5.1.3. Effet de la méthode de distribution de liant ......................................................... 47
2.5.1.4. Effet du débit d'ajout de liant ................................................................................ 47
2.5.2. Impact de la géométrie de l’équipement et des paramètres du procédé ............ 48
2.5.2.1. Conception et vitesse de rotation de la turbine et de l’émotteur ........................ 48

11
2.5.2.2. Taux de remplissage de la cuve ............................................................................. 50
2.5.2.3. Impact des caractéristiques du matériau sur les propriétés des granulés ............ 50
2.6. Propriétés et contrôle des granulés .............................................................................. 51
2.6.1. Granulométrie ........................................................................................................ 51
2.6.2. Forme ..................................................................................................................... 51
2.6.3. Porosité interne ..................................................................................................... 52
2.6.4. Surface spécifique .................................................................................................. 52
2.6.5. Densité ................................................................................................................... 52
2.6.6. Teneur en eau ........................................................................................................ 53
2.6.7. Aptitude à l’écoulement ........................................................................................ 53
2.6.8. Études de tassement .............................................................................................. 54
2.6.9. Friabilité ................................................................................................................. 54
3. CONCLUSION SUR LES ÉTUDES EXPÉRIMENTALES DE LA GRANULATION HUMIDE ......... 55
PARTIE II : LA GRANULATION HUMIDE : ÉTUDES NUMÉRIQUES ............................................. 57
1. INTRODUCTION SUR LA MODÉLISATION ET SIMULATION NUMÉRIQUE.......................... 57
2. L’ANALYSE DIMENSIONNELLE ........................................................................................... 58
2.2. Prédiction des mécanismes de fonctionnement .......................................................... 60
3. MÉTHODES NUMÉRIQUES EN GRANULATION.................................................................. 61
3.1. Modélisation par bilans de populations (PBM)............................................................. 61
2.2. Modélisation par éléments discrets (DEM)................................................................... 63
2.2.1. Physique de suivi temporel .................................................................................... 63
2.2.2. Modèles de contact ............................................................................................... 66
2.2.2.1. Modèle de contact de Hertz-Mindlin..................................................................... 66
2.2.2.2. Le modèle Hertz-Mindlin avec JKR......................................................................... 69
2.2.2.3. Le modèle Hertz-Mindlin avec JKR version 2 ......................................................... 70
2.2.2.4. Modèle de contact par ponts liquides ................................................................... 71
2.3. Modèles hybrides .......................................................................................................... 73
3. OUTILS DE CALIBRATION NUMÉRIQUE DES PARAMÈTRES DEM ...................................... 74
4. APPLICATIONS DE LA DEM EN GRANULATION HUMIDE................................................... 75
5. CONCLUSION ..................................................................................................................... 79
CHAPITRE II : ÉTUDE EXPÉRIMENTALE ET NUMÉRIQUE DE CALIBRATION DES PARAMÈTRES
D'ENTRÉE POUR LA SIMULATION DU PROCÉDÉ DE GRANULATION HUMIDE ......................... 81
1. INTRODUCTION ................................................................................................................. 82
2. MATÉRIELS ET MÉTHODES ................................................................................................ 83
2.2. Étude expérimentale ..................................................................................................... 83
2.2.1. Choix des poudres modèles et formation des granulés ........................................ 83
2.2.2. Caractérisation des poudres .................................................................................. 84
2.3. Étude numérique........................................................................................................... 84
2.3.1. La modélisation par DEM ....................................................................................... 84
2.3.2. Procédure de simulation par DEM ......................................................................... 85
3. RÉSULTATS ET DISCUSSION ............................................................................................... 88

12
3.1. Caractérisation des poudres ......................................................................................... 88
3.2. Étude de calibration des paramètres d’entrées DEM ................................................... 91
3.2.1. Prédiction du coefficient de frottement statique .................................................. 91
3.3. Études de cas de validations expérimentales et numériques ....................................... 94
3.3.1. Applications de compressibilité ............................................................................. 94
3.3.2. Influence de la granulométrie sur les propriétés d’écoulement des poudres ...... 96
3.3.3. Étude du mélange de particules .......................................................................... 102
4. CONCLUSION ................................................................................................................... 104
CHAPITRE III : MODÉLISATION ET SIMULATION DU PROCÉDÉ DE GRANULATION HUMIDE . 107
1. INTRODUCTION ............................................................................................................... 108
2. MATÉRIELS ET MÉTHODES .............................................................................................. 109
2.1. Conception d’un granulateur numérique à fort taux de cisaillement. ....................... 109
2.2. Modèle des particules simulées .................................................................................. 111
2.3. Propriétés mécaniques des matériaux........................................................................ 112
2.4. La méthode DEM adaptée à la modélisation du procédé........................................... 114
2.5. Approche de granulation numérique .......................................................................... 115
2.6. Outils de post-traitement des granulés ...................................................................... 116
3. RÉSULTATS ET DISCUSSIONS ........................................................................................... 120
3.1. Essais avec la grande cuve de 4L ................................................................................. 120
3.1.1. Résultats expérimentaux de granulation à fort taux de cisaillement .................. 120
3.1.2. Suivi granulométrique temporel .......................................................................... 123
3.2. Résultats numériques des simulations préliminaires ................................................. 125
3.2.1. Simulation avec 100 particules ............................................................................ 125
3.2.2. Simulation avec 10.000 particules ....................................................................... 128
3.2.3. Simulation avec 100.000 particules ..................................................................... 130
3.3. Validation de la routine de calcul des diamètres d’agglomérats ................................ 132
3.4. Influence du taux de remplissage de la cuve sur la répartition granulométrique...... 134
3.4.1. Post-traitement à 2000 Particules ....................................................................... 135
3.4.2. 50.000 particules.................................................................................................. 136
3.4.3. 100.000 particules................................................................................................ 138
3.5. Comparaison granulométrique expérimentale et numérique pour la cuve de 4L ..... 140
3.6. Essais avec la cuve de 0,5 L ......................................................................................... 144
3.6.1. Résultats expérimentaux de granulation ............................................................. 144
3.6.2. Résultats numériques .......................................................................................... 147
3.6.2.1. Simulation avec 20 g (environ 70 000 particules)................................................ 147
3.6.2.2. Simulation avec 40 g (environ 100 000 particules).............................................. 150
3.6.2.3. Simulation avec 62 g (environ 385 000 particules).............................................. 153
3.6.3. Validation du modèle numérique : Comparaison des tests de 62 g.................... 154
4. CONCLUSION ................................................................................................................... 156
CHAPITRE IV : ÉTUDE DES EFFETS DES PARAMÈTRES OPÉRATOIRES – APPROCHE DE
CHANGEMENT D’ÉCHELLE ...................................................................................................... 159

13
1. INTRODUCTION ............................................................................................................... 160
2. ÉTUDE PARAMÉTRIQUE .................................................................................................. 160
2.1. Effet de la vitesse d’agitation de la turbine ................................................................ 160
2.2. Effet de l’émotteur ...................................................................................................... 163
2.3. Effet de la méthode d’ajout du liant ........................................................................... 166
3. ÉTUDE DU CHANGEMENT D’ÉCHELLE ............................................................................. 170
3.1. Rappels des principaux nombres adimensionnels ...................................................... 170
3.2. Étude du changement d’échelle.................................................................................. 172
4. CONCLUSION ................................................................................................................... 174
CONCLUSION GÉNÉRALE ........................................................................................................ 177
1. Bilan des travaux ......................................................................................................... 178
2. Perspectives de l’étude ............................................................................................... 182
RÉFÉRENCES BIBLIOGRAPHIQUES .......................................................................................... 185
ANNEXES................................................................................................................................. 193

14
Liste des figures

Figure 1: Représentation des mécanismes de granulation humide ((Kristensen, 1988))........ 28

Figure 2 : Représentation des mécanismes de nucléation ((Narang and Badawy, 2018)) ...... 29
Figure 3 : Carte de régimes de nucléation ((Hapgood et al., 2003)) ........................................ 32
Figure 4 : Schéma des mécanismes de croissance régulière et par induction ((Narang and
Badawy, 2018)) ......................................................................................................................... 35
Figure 5 : Représentation des différents états de saturation en liquide des granulés (Narang
and Badawy, 2018) ................................................................................................................... 36
Figure 6 : Profil de l’énergie de consommation en fonction du liquide ou du temps de
granulation ((Betz et al., 2003)). .............................................................................................. 42
Figure 7 : Turbine à deux pales (Gentlewing) avec deux ailes latérales allongées .................. 50
Figure 8 : Représentation graphique des pores inter et intra-granulaires ((Le Hir, 2001)) ..... 53
Figure 9 : Algorithme général de calcul par éléments discrets ................................................ 65
Figure 10 : Schéma descriptif du modèle de Hertz-Mindlin ................................................... 69
Figure 11 : Variation de la force normale en fonction du chevauchement pour le modèle de
Hertz-Mindlin et pour le modèle de Hertz-Mindlin avec JKR .................................................. 71
Figure 12 : Exemple de pont liquide ((Zuo et al., 2006)) .......................................................... 72
Figure 13 : Exemple de pont liquide ((S. C. Yang & Hsiau, 2001)) ............................................ 73
Figure 14 : Schéma d'un granulateur de laboratoire à fort taux de cisaillement (Hofmaier,
n.d.) .......................................................................................................................................... 83
Figure 15 : Images du testeur de poudre expérimental HOSOKAWA à gauche et du testeur
simulé par EDEM à droite (vues de face et de côté) ................................................................ 87
Figure 16 : Images du voluménomètre de tassement expérimental à gauche (© Engelsmann)
et de l'appareil simulé par EDEM à droite (vues de face et de côté) ....................................... 87
Figure 17 : Images au MEB des particules de lactose ((a) à 50 μm, (b) à 300 mm) ................. 89
Figure 18 : Images au MEB des granulés de lactose ((a) à 500 μm, (b) à 1 mm) ..................... 89
Figure 19 : Distribution expérimentale de la taille des particules de Lactose et de MCC avant
(a) et après (b) granulation ...................................................................................................... 90
Figure 20 : Ajustement du coefficient de frottement statique de la poudre et des granulés de
Lactose : Angles de repos expérimentaux (a) poudre : 29,70° ; (c) granulés : 32, 00°. Angles
de repos numérique (b) poudre : 29,67° ; (d) granulés : 32,07 ............................................... 92
Figure 21 : Ajustement du coefficient de frottement statique de la poudre et des granulés
d'MCC : Angles de repos expérimentaux (a) poudre : 28,60° ; (c) granulés : 33,70°. .............. 92
Figure 22 : Résultats avant et après le tassement des granulés de MCC. ............................... 96
Figure 23 : Angles de repos expérimentaux et numériques du mélange 1 en fonction du
pourcentage croissant de poudre A ......................................................................................... 99
Figure 24 : Angles de repos expérimentaux et numériques du mélange 2 en fonction du
pourcentage croissant de poudre B ......................................................................................... 99

15
Figure 25 : Images de simulations des angles de repos des mélanges 1 (a) et 2 (b) avec coupe
intérieures .............................................................................................................................. 101
Figure 26 : Images de simulation et d'expérience de ségrégation des particules dans un
tambour tournant sans ailette centrale ................................................................................. 102
Figure 27 : Images de simulation et d'expérience de ségrégation des particules dans un
tambour tournant avec ailette centrale................................................................................. 103
Figure 28 : Représentations tridimensionnelles de la petite (a) et la grande (b) cuves de
granulation ............................................................................................................................. 110
Figure 29 : Dimensions de la cuve de 0,5 L. (a) Vue de côté, (b) vue d’en haut .................... 110
Figure 30 : Dimensions de la cuve de 4L. (a) Vue de côté, (b) vue d’en haut ........................ 110
Figure 31 : Étapes numériques de granulation sous EDEM - (1) : remplissage de la cuve ; (2) :
granulation ; (3) : formation des granulés ............................................................................. 115
Figure 32 : Image illustrant la formation des granulés dans une cuve de granulation avec le
modèle JKR ............................................................................................................................. 116
Figure 33 : Image illustrant la démarche de calcul du diamètre équivalent d’un granulé .... 119
Figure 34 : Algorithme de post-traitement des granulés ....................................................... 119
Figure 35 : Vitesses et couples de l’agitateur et l’émotteur .................................................. 122
Figure 36 : Images au MEB du suivi de formation des granulés toutes les 2 minutes .......... 124
Figure 37 : Distributions granulométriques des granulés de MCC chaque 2 minutes .......... 125
Figure 38 : Image du début et de la fin d’une granulation simulée à 100 particules ............ 126
Figure 39 : Nombre de coordination dans la cuve de 100 particules .................................... 127
Figure 40 : Nombre de coordinations en fonction du temps pour 100 particules ................ 127
Figure 41 : Image zoomée sur les vecteurs de contacts entre les particules d’un agglomérat
................................................................................................................................................ 128
Figure 42 : Images d’une granulation simulée à 10.000 particules ....................................... 129
Figure 43 : Nombre de coordination au cours du temps de la simulation à 10.000 particules
................................................................................................................................................ 129
Figure 44 : Distribution granulométrique initiale des 100.000 particules ............................. 130
Figure 45 : Vitesses moyennes des 100.000 particules dans la cuve ..................................... 130
Figure 46 : Nombre de coordination au cours du temps de la simulation à 100.000 particules
................................................................................................................................................ 131
Figure 47 : Nombre de coordination au cours du temps de la simulation à 100.000 particules
................................................................................................................................................ 132
Figure 48 : Masses des agglomérats par EDEM ..................................................................... 133
Figure 49 : Distribution granulométrique : Simulation à 2000 particules ............................. 136
Figure 50 : Distribution granulométrique : Simulation à 50.000 particules .......................... 137
Figure 51 : Simulation à 100.000 particules : Distributions granulométriques par volume
initiale et finale ....................................................................................................................... 139
Figure 52 : Comparaison des distributions granulométriques expérimentales et numériques
pour la poudre initiale et pour les granulés ........................................................................... 141

16
Figure 53 : Comparaison des diamètres moyens expérimentaux et numériques au cours du
temps ...................................................................................................................................... 143
Figure 54 : Vitesses et couples de l’agitateur et de l’émotteur – Cuve de 0,5 L.................... 145
Figure 55 : Distribution granulométrique finale moyenne à 25% de la cuve de 0,5 L ........... 146
Figure 56 : Images du début de la simulation à 20g .............................................................. 147
Figure 57 : Vitesses moyennes de 20 g de particules dans la cuve ........................................ 148
Figure 58 : Images des particules en nombre coordination - Simulation à 20 g.................... 149
Figure 59 : Nombre de coordination au cours du temps de la simulation à 20 g de particules
................................................................................................................................................ 149
Figure 60 : Cuve de 0,5L remplie à 16% ................................................................................. 150
Figure 61 : Vitesses moyennes de 40 g de particules dans la cuve ........................................ 151
Figure 62 : Images des particules en nombre coordination - Simulation à 40 g.................... 152
Figure 63 : Nombre de coordination moyen au cours du temps - Simulation à 40 g de
particules ................................................................................................................................ 152
Figure 64 : Distribution granulométrique initiale pour la simulation à 62 g ......................... 153
Figure 65 : Comparaison des distributions granulométriques expérimentales et numériques
................................................................................................................................................ 155
Figure 66 : Distributions granulométriques expérimentales et numériques finales à
différentes vitesses d’agitation (trait plein : données expérimentales, pointillés : résultats
numériques) ........................................................................................................................... 161
Figure 67 : Effet de la vitesse de cisaillement sur le d50 (Ramaker et al., 1998) .................. 163
Figure 68 : Vitesse moyenne des particules dans la cuve avec et sans émotteur ................. 164
Figure 69 : État des particules dans la cuve avec et sans émotteur ...................................... 165
Figure 70 : Distributions granulométriques numériques des granulés en fin de granulation
avec et sans et sans émotteur................................................................................................ 165
Figure 71 : Méthode d’ajout par pulvérisation ...................................................................... 167
Figure 72 : Méthode d’ajout avec la poudre .......................................................................... 167
Figure 73 : Nombre de coordination par méthode ................................................................ 168
Figure 74 : Distributions granulométriques numériques des granulés en fin de granulation
par deux méthodes d’ajout du liant ....................................................................................... 169
Figure 75 : Répartition granulométrique expérimentale et numérique pour la cuve de 0,5 L
(900 tour/min) et pour la cuve de 4L (600 tour/min) ............................................................ 173

17
Liste des tableaux

Tableau 1 : Taux d’humidité en fonction des régimes de croissance des granulés ................. 37
Tableau 2 : Synthèse bibliographique des effets des paramètres opératoires sur les
propriétés des granulés ............................................................................................................ 55
Tableau 3 : Nombres adimensionnels utilisés en mise à l’échelle en GFTS ............................. 59
Tableau 4 : Synthèse bibliographique des avantages et inconvénients des trois méthodes
numériques appliquées à la granulation humide .................................................................... 79
Tableau 5 : Propriétés mécaniques des matériaux lactose et MCC (G : Granulés, NG : Non
granulés) ................................................................................................................................... 86
Tableau 6 : Les coefficients de frottement statique calibrés.................................................... 93
Tableau 7 : Propriétés mécaniques des matériaux pour les essais de compressibilité ........... 95
Tableau 8 : Résultats des hauteurs des poudres avant et après tassement pour la poudre et
les granulés de MCC, et les granulés de lactose ...................................................................... 95
Tableau 9 : Nombre de particules par mélange et pourcentage en masse ............................. 97
Tableau 10 : Simulation des propriétés mécaniques et des angles de repos expérimentaux et
numériques pour les mélanges 1 et 2 ...................................................................................... 98
Tableau 11 : Propriétés mécaniques des particules utilisées ................................................ 113
Tableau 12 : Propriétés expérimentales avant et post granulation avec la cuve de 4 L ....... 120
Tableau 13 : Résultats de masse de simulation et de code de calcul + diamètre équivalent 134
Tableau 14 : Conditions numériques de la simulation à 2000 particules .............................. 135
Tableau 15 : Conditions numériques de la simulation à 50.000 particules ........................... 137
Tableau 16 : Conditions numériques de la simulation à 100.000 particules ......................... 139
Tableau 17 : Tailles et nombres de cellules de contact par simulation ................................ 140
Tableau 18 : Résultats statistiques des distributions granulométriques ............................... 141
Tableau 19 : Propriétés expérimentales avant et post granulation avec la cuve de 0,5L ..... 144
Tableau 20 : Conditions numériques de la simulation 20 g ................................................... 148
Tableau 21 : Conditions numériques de la simulation 40 g ................................................... 151
Tableau 22 : Conditions numériques de la simulation 60 g ................................................... 154
Tableau 23 : Résultats statistiques des distributions granulométriques ............................... 154
Tableau 24 : Résultats statistiques granulométriques aux différentes vitesses .................... 162
Tableau 25 : dimensions des cuves de granulation de 0,5 et de 4L ....................................... 170
Tableau 26 : Valeurs des différents nombres sans dimensions ............................................. 172
Tableau 27 : Résultats statistiques granulométriques du changement d’échelle ................. 173
Tableau 28 : Étude paramétrique d’établissement d’un protocole expérimental ................ 194
Tableau 29 : Résultats de l’ étude paramétrique ................................................................... 195
Tableau 30 : Images au MEB à différentes échelles ............................................................... 196
Tableau 31 : Dimensions et propriétés du tambour tournant: .............................................. 197

18
Nomenclature

Lettres romaines
a Rayon de contact m
dv Diamètre volumique m
E Module de Young Pa
e Coefficient de restitution -
F Force N
FJKR Force normale de contact JKR N
Fij Force de contact N
Fr Nombre de Froude -
Frup Force de rupture N
g Accélération de la pesanteur m.s-2
G Module de cisaillement Pa
Ic Indice de compressibilité -
Ih Indice d’Hausner -
mi Masse d’une particule i kg
Np Nombre de Newton -
R Rayon équivalent d’une particule donnée m
Re Nombre de Reynolds -
S rigidité N.m-1
Smax Saturation maximale des granulés en liquide -
Stdef Indice de déformation de Stokes -
T Température °C
tc Temps de circulation s
Tij Couple de contact Nm
tp Temps de pénétration d’une goutte dans une particule s
v Vitesse tr/min
V Volume m3

Indices

i Particule i
j Particule j
n Normal
t Tangentiel

19
Lettres grecques

β Coefficient d’amortissement Kg.s-1

γ Énergie de surface J.m-2
Γ Énergie de surface interfaciale J.m-2
δ Chevauchement (Profondeur d’interpénétration) m
μs Coefficient de frottement statique -
ν Coefficient de poisson -
ρ Masse volumique Kg.m-3
τp Temps de pénétration adimensionnel -
Ψa Flux de pulvérisation adimensionnel -

Acronymes

CCD Charge Coupled Device

CFD Computational Fluid Dynamics
DEM Discrete Element Method
DG Distribution granulométrique
G Granulé
GFTS Granulateurs à fort taux de cisaillement
HPMC Hydroxypropylméthylcellulose
JKR Johnson-Kendall-Roberts
MCC Cellulose microcristalline
MEB Microscopie électronique à balayage
NG Non granulé
PBM Balance population model
PMMA Polyméthacrylate de méthyle
PTFE Polytétrafluoroéthylène
PVP Polyvinylpyrrolidone

20
Introduction générale

Dans le cadre de la mise en forme de matériaux pulvérulents, la granulation en voie humide à

fort taux de cisaillement est un procédé couramment utilisé dans diverses industries
(pharmacie, chimie, alimentaire, …). Elle permet de transformer des particules de poudres en
agrégats solides appelés granulés. Elle est souvent requise pour améliorer les propriétés
mécaniques et d’écoulement des particules. Les récentes études sur le procédé de granulation
humide ont permis de souligner le caractère complexe du procédé qu’on peut résumer en
quatre points :

- Les mécanismes du processus d’agglomération en voie humide ont pu être définis

comme une succession de trois étapes : (i) mouillage et nucléation, (ii) consolidation et
croissance par coalescence et (iii) rupture et attrition. Néanmoins, la prédominance
d'un mécanisme sur les autres est difficile à prédire et la plupart des études sont
consacrées à l'investigation d'un seul mécanisme prédominant.
- Des études systémiques permettent d'établir des liens entre les paramètres opératoires
(taux de remplissage, vitesse d'agitation, présence d'émotteur, …), les caractéristiques
physico-chimiques du liant (mouillabilité, angle de contact, viscosité, …) et la qualité du
produit final (taille, distribution, aptitude à l’écoulement, …). Mais l'effet des
paramètres opératoires sur les mécanismes de croissance des granulés est fortement
dépendant des matières premières et de la technologie utilisée, ce qui rend difficile la
généralisation des tendances observées et l’optimisation globale du procédé.
- Des études de suivi en ligne permettent de caractériser l’homogénéité des matériaux
en cours de production, mais le caractère très dispersé de la phase solide rend les
observations difficiles. Le suivi en ligne est souvent limité à la mesure du couple sur
l’arbre d’agitation qui traduit la variation de la consistance de la poudre.
- La prédiction des comportements lors de la granulation est très peu abordée dans la
littérature. Les modèles de croissance développés sont de deux types : (i) les modèles
empiriques qui cartographient le comportement des grains en fonction de nombres
adimensionnels, mais dans lesquels la physique du procédé n’est pas considérée ; (ii)
les modèles théoriques de type bilan de population qui permettent de décrire
l’évolution cinétique du nombre et de la taille de particules, mais qui nécessitent

21
 l’estimation de paramètres empiriques pas toujours faciles à mesurer et ne tiennent
pas compte de la dynamique des particules.

L’objectif de cette étude est de développer des méthodologies prédictives permettant de

mieux appréhender les liens qui peuvent exister entre les caractéristiques intrinsèques d’une
poudre, les paramètres opératoires de la granulation et la qualité finale des granulés produits.
Le nombre important de paramètres du procédé rendant l’étude expérimentale assez lourde,
une approche par la simulation numérique de la granulation a été envisagée. Elle a pour
objectif de développer un modèle multi-physique et multi échelle capable de prédire
l’évolution de la croissance des particules. La méthode retenue est celle des éléments discrets
(DEM pour Discrete Element Method). Elle permet de suivre individuellement chaque
particule et d’intégrer des interactions complexes entre les particules telles que les forces de
cohésion. Ainsi, il est possible de connaitre la position et la vitesse de chaque particule, mais
également d’identifier les particules agglomérées.

Ce manuscrit s’articule autour de 4 chapitres. Le premier chapitre, consacré à l’étude

bibliographique, rappelle les connaissances à ce jour sur la granulation humide à la fois d’un
point de vue expérimentale en nous focalisant notamment sur l’influence des paramètres
opératoires sur les propriétés d’usage des granulés, mais également d’un point de vue
numérique en résumant les principaux modèles de prédiction trouvés dans la littérature et en
décrivant la méthode numérique retenue.

Le deuxième chapitre est une étude intermédiaire au développement final du modèle. On y

décrit la méthodologie de calibration qui est une étape nécessaire au développement du
modèle. Elle consiste à ajuster un (pour des poudres non cohésives) ou deux (pour des
poudres cohésives) paramètres numériques sur des valeurs expérimentales. La connaissance
de ces paramètres d’entrée nous a permis de valider avec succès le modèle dans des procédés
de manipulation de poudres relativement simples à mettre en œuvre : la volumétrie et le
mélange en tambour.

Dans le troisième chapitre, nous nous sommes focalisés sur la modélisation du procédé de
granulation humide. Le matériel expérimental utilisé y est décrit et reproduit numériquement.
Un outil numérique de post-traitement est également développé dans cette partie afin de
détecter les agglomérats et de calculer leur volume. Une série de tests numériques sera

22
présentée avant de terminer par une comparaison expérimentale/numérique des cinétiques
de croissance des granulés à deux échelles de procédés.

Enfin dans le dernier chapitre, dans un premier temps, une étude paramétrique sur les effets
des paramètres opératoires sur les granulés produits sera développée. Les paramètres testés
sont la variation de la vitesse d’agitation de la turbine, la présence ou non de l’émotteur et
enfin l’effet de la méthode d’ajout de l’élément liant corrélé à l’énergie de surface. Dans un
second temps, une étude de changement d’échelle est explorée par calcul de nombre
adimensionnel pour une extrapolation à une similitude physique. Deux échelles de cuves de
granulateurs à fort taux de cisaillement de 0,5 et 4L seront traitées.

23
24
Chapitre I : Synthèse bibliographique

25
 Partie I : La granulation humide : études expérimentales

1. État de l’art sur la granulation

La granulation est un procédé qui prend effet dans plusieurs domaines, tels que les domaines
pharmaceutique, chimique, agroalimentaire… Cette opération consiste en l’agglomération de
fines particules de poudres cristallisées ou amorphes en agrégats solides de taille plus
importante que celle de la poudre initiale appelés grains ou granulés. Ces granulés sont
généralement d’aspects plus ou moins résistants et plus ou moins poreux (Le Hir, 2001).

Cette opération intervient dans la fabrication de nombreuses préparations pharmaceutiques

où le granulé est souvent considéré comme un stade intermédiaire dans la fabrication des
comprimés, mais il peut aussi être réparti en doses unitaires pour remplir des gélules ou des
sachets (Bouillon-Camara, 2005).

Dans le domaine pharmaceutique, la granulation est principalement utilisée pour avoir une
facilité d’écoulement supérieure, une plus grande densité, une meilleure conservation et une
répartition plus homogène des dosages volumétriques, une grande aptitude à la compression
et enfin une porosité supérieure mais bien calibrée facilitant la dissolution (Saleh and Guigon,
2009a). À cet effet les propriétés physico-chimiques de la poudre s’améliorent et sa
manipulation ultérieure est facilitée. Dans le contexte de l’industrie pharmaceutique destinée
à la fabrication de médicaments, la maitrise du procédé de granulation humide revêt un
caractère prépondérant pour garantir la qualité du produit fini dispensé au patient et peut
engendrer d’importants enjeux thérapeutiques et économiques. Une bonne reproductibilité
de ce procédé est essentielle à l’homogénéité finale de teneur en substance active dans le
médicament ainsi qu’à la stabilité de cette dernière. Il convient donc de tenir compte de toutes
contraintes supplémentaires spécifiques.

2.1. Méthodes de granulation

Le procédé de granulation mis en œuvre dans la fabrication des médicaments comporte

différents types, catégorisés comme suit :

26
 2.1.1. La granulation par voie sèche

Cette technique est généralement utilisée dans le cas où les produits modèles sont sensibles
à l’humidité et au séchage par chaleur ou lorsqu’ils sont caractérisés par une grande solubilité
dans les liquides de mouillage. Des liants sous forme de poudres sèches sont préconisés afin
d’assurer une cohésion entre les particules (Parikh, 1997).
La granulation par voie sèche comprend deux étapes : une étape de compression ou de
compactage (rollor-compactor) des poudres suivie d’un broyage-tamisage.
Les principaux avantages de cette méthode sont sa simplicité, sa transposition industrielle et
son faible coût, particulièrement dans le cas d’un procédé par compactage. Elle présente
toutefois l’inconvénient de produire des granulés plus friables...

2.1.2. La granulation par voie humide

C’est le procédé le plus classique et le plus courant dans le domaine pharmaceutique. Une
opération beaucoup plus sollicitée mais complexe à la fois, comportant plusieurs mécanismes.
C’est une technique qui consiste en l’agglomération de particules de poudre fine (principes
actifs et excipients) en présence d’un agent de mouillage et d’un liant, afin de créer des ponts
liquides entre les particules et de provoquer leur croissance (Bouillon-Camara, 2005).

2.1.3. Procédés divers

Il existe d’autres procédés de granulation peu communs dans le domaine pharmaceutique, ou

parmi lesquels on peut citer : la granulation par frittage, la granulation par nébulisation et la
granulation par extrusion.

Parmi ces méthodes, la granulation humide est la plus courante en pharmacie et est l’objet
principal de notre étude. Dans la suite de cette thèse, nous nous focalisons donc uniquement
sur la granulation humide.

27
 2.2. La granulation humide et ses différents mécanismes

Le procédé de granulation humide fait l’objet de différentes recherches depuis plusieurs

années. Le mécanisme des différentes étapes du procédé a notamment été décrit par Ennis
et al., (Ennis, 1996), qui a passé en revue l’agglomération et la croissance des particules. Les
phénomènes de nucléation, croissance et rupture ont été ensuite étudiés par Iveson et al.,
(Iveson et al., 2001). Ces études ont permis de distinguer les différents mécanismes de
granulation humide, comme illustrés sur la figure 1. Il s’agit du mouillage et nucléation, de la
coalescence (ou croissance) et consolidation et enfin de l’attrition et rupture. Ces différentes
étapes sont décrites ci-après.

Figure 1: Représentation des mécanismes de granulation humide ((Kristensen, 1988))

2.2.1. Mouillage et nucléation

Le mouillage est l’étape qui consiste à mettre le liant liquide en contact avec la poudre sèche
dans la zone de mouillage et à tenter de distribuer ce liquide uniformément sur toute la
poudre. C’est une étape très importante dans la granulation humide qui est fortement
influencée par plusieurs paramètres opératoires comme la méthode et le débit d’ajout du
liant, ainsi que de sa distribution dans la cuve (Narang and Badawy, 2018).

28
L’étape du mouillage favorise la nucléation, qui est définie comme étant l’étape où le liant
liquide et la surface de la poudre entrent en contact pour la première fois formant le granulé
primaire (noyaux initiaux) dans la zone de nucléation (Iveson et al., 2001). Il existe deux
processus très importants dans la zone de nucléation. Premièrement, la formation des noyaux
qui est influencée par la thermodynamique et la cinétique de mouillage et deuxièmement la
dispersion du liant, qui change suivant les différents paramètres opératoires. Le mécanisme
de nucléation est de plus influencé par la taille des gouttelettes du liquide liant par rapport à
la taille des particules de poudre sur lesquelles elles se déposent. De ce fait, deux mécanismes
de nucléation ont été distingués (Iveson et al., 2001).

Le premier proposé par Kristensen et al., (Kristensen and Schaefer, 1987), et le deuxième
proposé par Scott et al., (Scott et al., 2000) comme montré sur la figure 2. Ces mécanismes
stipulent que si la gouttelette du liquide liant est plus grosse que les particules de poudre, la
nucléation se fait par immersion des particules les plus petites dans la gouttelette la plus
grosse. Cela forme des noyaux avec des pores saturés. Autrement, la nucléation avec des
gouttelettes relativement petites, se produit par distribution des gouttelettes sur la surface
des particules, qui commence alors à coalescer (Hapgood et al., 2003).

Figure 2 : Représentation des mécanismes de nucléation ((Narang and Badawy, 2018))

2.2.1.1. Régimes de nucléation

Le comportement d’une gouttelette unique, les interactions d’un ensemble de gouttelettes

avec la poudre, la formulation ainsi que les conditions opératoires déterminent le régime de

29
nucléation (Iveson et al., 2001). Parmi les paramètres clés qui contrôlent cette étape, on cite
le temps de pénétration de gouttelettes et le débit de pulvérisation de la solution liante. Ces
deux propriétés sont détaillées ci-après :

- Temps de pénétration de gouttelettes

Lorsqu’un liquide liant entre en contact avec la surface du lit de poudre, il pénètre dans les
pores, à l’intérieur et entre les particules pour former des noyaux. Le temps nécessaire pour
qu’une goutte pénètre complètement dans un lit de poudre sans qu’il ne reste de liquide à la
surface est défini comme étant le temps de pénétration de la goutte (Parikh, 2016).

Un modèle simple du temps de pénétration des gouttes dans un lit de poudre a été établi par
Denesuk et al., Ce modèle tient en compte de la tension superficielle et de la viscosité du
liquide, de l’angle de contact solide-liquide et de la taille des pores du lit de poudre (Denesuk
et al., 1993).

Cette approche a été réétudiée par la suite par Hapgood et al., en introduisant des termes
pour la porosité effective et la taille effective des pores du lit de poudre (Hapgood et al., 2002).
Puis Nguyen et al., ont ajouté les effets des composants hydrophobes de la poudre (Nguyen
et al., 2009) en définissant le temps de pénétration de la goutte comme suit :

ൗమ
௏೏ య ఓ
‫ݐ‬௣ ൌ ͳǡ͵͹ మ ………………. (1)
‫ כ‬൰ ோ ఊ௖௢௦ఏ
൬ሺଵିకሻఌ೐೑೑ ೐೑೑

Où tp est le temps de pénétration prévu de la goutte, Vd le volume de la goutte, εeff la porosité

effective du lit de poudre, Reff le rayon effectif des pores, μ la viscosité du liquide, γ la tension
superficielle du liquide de l’interface solide-liquide, θ l'angle de contact liquide/solide et [ est
la proportion de la surface de la poudre constituée de particules hydrophobes.

Cependant le temps de pénétration le plus souvent utilisé est celui proposé par Hapgood et
al., (Hapgood et al., 2003). Il est représenté par un temps de pénétration adimensionnel défini
tel que :

௧೛
߬௣ ൌ ………………. (2)
௧೎

30
Où tp est le temps de pénétration de la goutte et tc le temps de circulation, qui représente
l’intervalle de temps entre le moment où une quantité de poudre quitte la zone de
pulvérisation et celui où elle y retourne de nouveau. Le temps de circulation est fonction de
l’écoulement de la poudre, du taux de remplissage du granulateur et de la vitesse de rotation
de la pale d’agitation (Hapgood et al., 2003).

- Flux de pulvérisation adimensionnel

Le flux de pulvérisation du liant fait partie des paramètres clés qui contrôlent la nucléation. Il
est défini par Litster et al., comme étant un nombre adimensionnel mesurant le débit de
pulvérisation du liant à partir de la buse par rapport au flux de renouvellement à la surface de
la poudre (Litster et al., 2001). Ce paramètre aide à quantifier la taille des premiers noyaux
formés par nucléation (<a).

ଷ௏
Ȳ௔ ൌ ………………. (3)
ଶௗ೏ ఔ௪ೞ

Où V est le débit volumétrique du liquide, dd la taille moyenne des gouttelettes, ߥ la vitesse

de surface de la poudre sous la buse et ‫ݓ‬௦ est la largeur de la buse de pulvérisation.

2.2.1.2. Mécanismes de nucléation

Selon la formulation et les variables du procédé, deux mécanismes distincts de nucléation ont
été proposés par Litster et al., (Litster et al., 2001) : la nucléation par dispersion contrôlée par
gouttes et la dispersion mécanique.

Lorsqu’une goutte pénètre assez rapidement et que les différentes gouttes sont bien séparées
les unes des autres, la nucléation est contrôlée par la goutte. Ce mécanisme est observé en
appliquant un faible flux de pulvérisation et un petit temps de pénétration des gouttes.

Au contraire, si la pénétration des gouttelettes est lente ou si le flux de pulvérisation est trop
élevé, le mécanisme de dispersion mécanique domine (Iveson et al., 2001).

31
 Figure 3 : Carte de régimes de nucléation ((Hapgood et al., 2003))

En se basant sur ces régimes, Hapgood et al., ont proposé une carte de régimes de nucléation
représentée en figure 3 (Hapgood et al., 2003). Cette carte trace le temps de pénétration
adimensionnel des gouttes en fonction du flux de pulvérisation. Bien que les valeurs exactes
des limites de cette carte ne soient pas connues, elle fournit quand même une base logique
pour l'étude et le développement des processus de granulation. La quantification des limites
de transition de la carte du régime est un domaine clair pour les études futures, ce qui
permettrait de faire progresser davantage le domaine de la nucléation contrôlée.

2.2.1.3. Mécanismes de liaison en agglomération

Il existe cinq mécanismes responsables des forces qui s’exercent pendant et après
l’agglomération. Il s’agit des éléments suivants :

- Forces d’adhésion et de cohésion dans des liants immobiles :

L’énergie de cohésion est définie comme le travail nécessaire pour séparer deux surfaces
unitaires d’un même matériau. De façon analogue, l’énergie d’adhésion est le travail
nécessaire pour séparer deux surfaces de matériau différent.

32
La résistance d’un pont liquide immobile est liée à la fois à l’action de la tension superficielle
du pourtour du ménisque de liquide entre deux particules et à la différence de pression entre
l’intérieur du ménisque et l’extérieur.

L’humidité résiduelle après séchage des granulés peut être présente sous forme de couches
minces, mais il est peu probable qu‘elle contribue de manière significative à la résistance
globale des granulés secs. Les films minces et immobiles de liants très visqueux, peuvent
parfois former des liaisons solides, dont la résistance peut dépasser celle des couches liquides
mobiles (Parikh, 2016).

- Forces d’adhésion et de cohésion dans des liants mobiles :

Une problématique en granulation est la qualité de l’étalement du liquide sur la surface des
particules. Lorsque le niveau du liquide à la surface augmente au-delà de celui d’un film
mince, le liquide mobile forme des ponts où la pression capillaire et les forces interfaciales
créent de fortes liaisons (Saleh and Guigon, 2009b). La résistance du pont liquide est liée à la
nature du liant (tension de surface), du solide (mouillabilité) et à l’angle solide. Ces liaisons
précèdent la formation de ponts solides. Les films liquides mobiles sont une condition
préalable aux ponts solides formés par les liants liquides de granulation (Bouillon-Camara,
2005).

- Les ponts solides :

Les ponts solides peuvent se développer par diffusion de molécules d’une particule à une
autre par fusion partielle à des points de contact où des pressions élevées se développent, en
particulier à des températures élevées. Cette augmentation en température peut provenir
d’une source externe, d’un frottement durant la granulation ou de la conversion énergétique.

Des ponts solides peuvent également se créer par réactions chimiques, cristallisation des
substances dissoutes par le liant, solidification des composant fondus et durcissement des
liants (Hadzovic, 2008).

33
- Forces d’interaction entre les particules solides :

Il existe des forces qui s’exercent sur les surfaces des particules, quand elles se rapprochent
assez les unes vers les autres. Ces forces interagissent pour lier ces particules même en
l’absence de liquide liant. Il s’agit d’interactions de Van Der Waals, des forces électrostatiques
ou des interactions de type magnétique. Les deux premiers types de force sont les plus
rependus dans le domaine de la granulation humide pharmaceutique (Parikh, 2016).

- Enclenchement mécanique :

Plusieurs types de particules telles que les fibres ou les petites plaquettes peuvent
s’entrecroiser ou se plier les unes autour des autres, ce qui entraine des liaisons à forme
fermée. Bien que les imbrications mécaniques des particules influencent la résistance des
agglomérats, leur contribution est généralement considérée comme faible par rapport aux
mécanismes cités précédemment (Parikh, 2016).

2.2.2. Consolidation et croissance

La consolidation des granulés (aussi appelée densification ou compactage) est produite par
collision d’un grain avec des grains voisins, avec les pales d’agitation ou les parois du
granulateur. Elle résulte donc d’une contrainte externe qui s’applique sur un granulé (Iveson
et al., 2001). Cette étape diminue la porosité des granulés, où le liquide liant vient combler les
pores en augmentant leur saturation. La consolidation favorise la croissance, où la collision de
deux particules ou plus provoque la formation d’un granulé plus gros (Narang and Badawy,
2018).

2.2.2.1. Mécanismes de croissance

Deux mécanismes de croissance ont été distingués par Iveson et Litster : croissance régulière
et croissance par induction, avec l’hypothèse que le liant liquide soit déjà réparti
uniformément sur la surface de la poudre (Iveson and Litster, 1998).

La croissance régulière se produit lorsque la taille moyenne des granulés augmente

régulièrement avec le temps. Cela se fait quand les matériaux sont facilement déformables et
que les collisions entrainent de grandes surfaces de contact. Cela engendre une coalescence
34
facile et rapide (Iveson et al., 2001). Si la collision est suffisamment forte, le liquide liant se
disperse rapidement aux points de contact, ce qui favorise la croissance des granulés. Ce
processus est caractérisé par un profil de croissance linéaire (figure 4A), où l'augmentation de
la taille des granulés commence immédiatement après l'addition du liant liquide (étape
confondue avec le mouillage et la nucléation).

La croissance par induction quant à elle, est caractérisée par un retard dans le processus de
croissance de la taille des granulés après l’ajout du liquide liant (figure 4B). Ce type de
croissance est susceptible de se produire beaucoup plus dans le cas des matériaux non
déformables (non élastiques), où les granulés ne se déforment pas suffisamment pour se
coalescer au moment de l’impact. Cependant une consolidation très lente au fil du temps
s’opère si le liquide est suffisamment présent à la surface des grains (Narang and Badawy,
2018).

Par ailleurs, la croissance des granulés s’arrête lorsqu’une quantité suffisante de liquide liant
est disponible à la surface des granulés (Iveson and Litster, 1998).

Figure 4 : Schéma des mécanismes de croissance régulière et par induction ((Narang and
Badawy, 2018))

35
 2.2.2.2. Propriétés de saturation du liquide liant

L’augmentation de la teneur en liquide liant a un effet bien marqué sur la structure des
granulés produits lors d’une granulation humide, sachant que les mécanismes de liaison à
l’état humide dépendent des forces capillaires et des forces interfaciales entre les particules.
Une fois qu’une quantité suffisante de liquide est ajoutée, la formation de granulés passe d’un
état liquide à surface immobile à un état de film mobile. Cet effet a tout d’abord été décrit par
Newitt et Conway-Jones (Newitt and Conway-Jones, 1958) puis par Barlow (Barlow, 1968) où
quatre états de saturation ont été définis et appelés : pendulaire, funiculaire, capillaire et
gouttelettes ou suspension. Ces quatre états sont schématisés sur la figure 5.

Figure 5 : Représentation des différents états de saturation en liquide des granulés (Narang
and Badawy, 2018)

Plus récemment, Iveson et al., ont montré qu’au fur et à mesure que la teneur en liant liquide
augmente, le nombre de ponts liquides entre les particules primaires augmente : le granulé
passe de l’état primaire « pendulaire » à l’état « funiculaire » (Iveson et al., 2001). Lorsque la
teneur en liquide augmente davantage, les ponts liquides se fondent en un réseau continu
conduisant à l’état « capillaire ». Une augmentation supplémentaire de la teneur en liquide
liant entraine une sursaturation (Iveson et al., 2002). À ce stade, l’état de gouttelettes est
atteint et le liquide entoure complètement le granulé, résultant en une phase externe
composée de liquide, avec une phase solide interne (suspension ou état de gouttelettes). La
force capillaire (force exercée par un pont liquide reliant deux grains sphériques) dépend de
la tension superficielle de la phase liquide (Bocquet et al., 2002) de l’interface solide-liquide.
Un état intermédiaire entre l’état capillaire et l’état de gouttelette peut exister, si de l’air reste
piégé entre les granulés. Il pourrait donc être possible que le liquide de surface soit à une

36
saturation légèrement inférieure à 100 % (Iveson et al., 2001). Cet état est nommé pseudo-
gouttelettes, comme illustré sur la figure 5.

À partir d’une hypothèse de sphères lisses et monodisperses, Flemmer a rapporté les taux
d’humidité (% MC (moisture content)) par volume de poudre sèche pour les trois premiers
états de croissance des granulés, comme montré en tableau 1 (Flemmer, 1991).

Tableau 1 : Taux d’humidité en fonction des régimes de croissance des granulés

Régime % MC

Pendulaire 0 - 13,6

Funiculaire 13,6 – 100

Capillaire 100

L'augmentation de la teneur en liquide dans les pores en fonction de la teneur en liquide liant
peut varier au cours du processus de granulation selon la formulation et les paramètres
opératoires. Ces variables influent toutes les deux sur l'étendue de la consolidation des
granulés (Barlow, 1968). Afin de quantifier la teneur en liquide liant, la saturation maximale
des granulés en liquide Smax est utilisée comme une mesure adimensionnelle de cette
propriété. Elle est généralement utilisée comme un moyen de comparaison entre différents
systèmes de granulation. Sa formule a été appuyé par Iveson et Litster(Iveson and Litster,
1998)(Iveson and Litster, 1998), en se basant sur l’étude théorique de Kristensen et Schaefer
(Iveson and Litster, 1998; Kristensen and Schaefer, 1987) et est donnée par :

௠ఘೞ ሺଵିఌ೘೔೙ ሻ
ܵ௠௔௫ ൌ ఘ೗ ఌ೘೔೙
………………. (4)

Où m est le rapport massique liquide/solide, ρs la masse volumique des particules solides, ρl

la masse volumique du liquide, et εmin la porosité minimale de la poudre.

37
 2.2.3. Attrition et rupture

Ces deux derniers mécanismes consistent en la brisure, la rupture ou la fracture des granulés
humides ou secs à la suite d’un choc, d’une usure ou d’un compactage dans le granulateur
voire lors de la manipulation ultérieure du produit.

Deux phénomènes distincts sont à considérer à l’issue de ces deux mécanismes :

- Rupture des granulés humides dans le granulateur.

- Attrition ou fracture des granulés séchés dans ou en dehors du granulateur.

La rupture des granulés humides a une influence directe et peut permettre de contrôler la
distribution granulométrique finale, particulièrement dans des granulateurs à fort taux de
cisaillement. La rupture peut être utilisée dans certains cas pour réduire la taille maximale
des granulés (Narang and Badawy, 2018).

L’attrition des granulés secs entraîne la formation de poudres fines à nature poussiéreuse.
Pour la plupart des fabricants, cela représente souvent une situation désastreuse à éviter
(Bouillon-Camara, 2005).

L’attrition et la rupture des granulés sont potentiellement des processus très importants en
granulation humide, qui affectent directement la dispersion du liant et donc la distribution
granulométrique finale des granulés. Il est donc important de bien étudier ce processus et
d’établir les conditions dans lesquelles ces mécanismes se produisent (Iveson et al., 2001).

2.3. Technologies de granulation humide

De nombreuses technologies de granulation sont à la disposition de la fabrication de produits

pharmaceutiques. Le choix d’un procédé spécifique dépend généralement des propriétés de
la matière première, des conditions opératoires, des propriétés et caractéristiques souhaitées
du produit fini mais aussi du coût de fabrication, sachant que la production des médicaments
repose sur de lourds enjeux économiques (Narang and Badawy, 2018).

La granulation humide peut s’effectuer en trois différents modes : discontinu (batch), semi-
continu (semi-batch) et continu. Deux grandes catégories de technologies ont été répertoriées

38
et sont les plus souvent utilisées actuellement à savoir : les granulateurs mécaniques (à faible
ou fort taux de cisaillement) et les granulateurs à lit fluidisé. Les deux catégories fonctionnent
dans les deux modes continu ou discontinu (Suresh et al., 2017).

2.3.1. Granulateurs mécaniques

Les granulateurs mécaniques regroupent les deux types à faible et fort taux de cisaillement.
Les mécanismes de ce type de granulateurs se basent sur des forces mécaniques comme le
cisaillement et sont généralement utilisés en mode discontinu (batch) (Narang and Badawy,
2018).

2.3.1.1. Granulateurs à faible taux de cisaillement

Les granulateurs à faible taux de cisaillement souvent utilisés pour le traitement de matériaux
sensibles au cisaillement et fonctionnent généralement à une vitesse inférieure à 150 tr/min.
Parmi les granulateurs de ce type couramment utilisés, on peut citer : les granulateurs à ruban,
les granulateurs planétaires, à vis en orbite et à lame sigma (Suresh et al., 2017).

2.3.1.2. Granulateurs à fort taux de cisaillement (GFTS)

Les granulateurs à fort taux de cisaillement intègrent une turbine à la base de la cuve et un
broyeur (émotteur) généralement monté verticalement, fonctionnant à des vitesses de
rotation très élevées. La turbine fournie l’énergie mécanique nécessaire à l’alimentation du
mélange de poudre tandis que l’émotteur sert à briser les gros agglomérats qui se créent et
ainsi réduire leur granulométrie. À une énergie suffisamment importante, le mécanisme de
rupture des granulés domine. Ainsi une augmentation de la vitesse de rotation de turbine et
de l’émotteur, entraine une diminution de la taille des granulés (Kristensen and Schaefer,
1987) (Suresh et al., 2017).

Les paramètres qui ont une influence majeure sur les granulés produits par cette méthode,
sont : les propriétés géométriques de la turbine et de l’émotteur ainsi que leurs vitesses
d’agitation, la géométrie de la cuve de granulation (la forme, la taille) et le taux de remplissage
de la cuve (Badawy et al., 2012) (Chitu et al., 2011a).

Grace à l’agitation continue de la turbine, le liant se répartit uniformément sur les surfaces de
la poudre, ce qui provoque les différents mécanismes de granulation cités précédemment, à

39
savoir la nucléation, la consolidation et la croissance des particules en agglomérats de taille
plus importante. Ceux-ci sont brisés par les lames de l’émotteur pour réduire leur taille et ainsi
contrôler leur croissance.

Ce type de granulateurs est le plus souvent utilisé dans l’industrie pharmaceutique et fait le
support de notre étude expérimentale. Il présente tout de même certains inconvénients tels
que :

- La dégradation mécanique des particules fragiles

- La dégradation chimique des matériaux thermiquement sensibles à des températures
élevées
- La formation probable de grumeaux dus à un mouillage excessif

Un bon contrôle des paramètres clés est donc nécessaire.

2.3.2. Granulateurs à lit fluidisé

Ce type de granulateurs se compose généralement d’une chambre de fluidisation renfermant

la poudre, d’une turbine permettant de faire circuler l’air et d’un dispositif de chauffage de
ce dernier, d’une buse d’atomisation bi-fluide de la solution liante reliée à un système de
distribution de la solution liante et de l’air comprimé pour atomiser le liant. La poudre est
initialement chargée dans le système à lit fluidisé et l’air est envoyé dans le système par le
fond du granulateur. Une fois la poudre fluidisée, la solution liante est pulvérisée sous forme
de gouttelettes liquides à l’aide de la buse d’atomisation pour amorcer le revêtement en
formant des granulés. La pulvérisation de la solution liante se fait généralement par le haut à
contre-courant (top-spray). Les granulés sont séchés par la suite avec un flux d’air passant à
travers le système (Rajniak et al., 2007).

Les granulateurs à lit fluidisé fonctionnent sur les deux modes batch et continu. Une première
étape en batch consiste en la formation des granulés suivie d’une deuxième étape en continu
où le produit fini est déchargé à travers une vanne de sortie (Suresh et al., 2017).

Ce type de granulateurs est polyvalent vu qu’il permet la granulation et le séchage dans le

même système, bien que les granulés produits sont souvent plus poreux, moins denses, plus
compressibles et plus friables que ceux produits par la granulation à fort taux de cisaillement.
(Horisawa et al., 2000).
40
 2.4. Méthodes de contrôle du procédé de granulation humide en GFTS

La granulation à fort taux de cisaillement demande un suivi et un contrôle tout au long du

processus. Sachant que les propriétés des granulés produits dépendent des paramètres du
procédé tels que la vitesse de rotation de la turbine, la quantité du liquide liant ainsi que son
temps et son débit d’ajout, connaitre le temps nécessaire pour arrêter la granulation devient
critique (Badawy et al., 2012). Le but principal de la détermination du point d’arrêt du
processus de granulation est d’obtenir une indication de la formation de granulés ayant les
propriétés physiques souhaitées. Cela contribuera à évaluer la matière première, à assurer
une reproductibilité et une uniformité entre les lots et enfin à détecter les problèmes
mécaniques dans le granulateur (Suresh et al., 2017). Il existe dans la littérature deux
méthodes de contrôle et de détermination du point d’arrêt de granulation. Ces méthodes
sont classées en deux catégories : méthodes de mesures indirectes et méthodes de mesures
directes.

2.4.1. Mesures indirectes

Dans la mesure indirecte, les propriétés et caractéristiques mécaniques (le couple et la

tachymétrie) et électriques du moteur (le courant moteur et la consommation électrique)
sont mesurées.

La consommation d’énergie du moteur du granulateur est liée à la résistance du mélange aux

pales du granulateur, qui varie avec la résistance du mélange de poudre (Badawy et al., 2012).
La consommation d’énergie a été le paramètre utilisé par Betz et al. pour contrôler le point
d’arrêt de granulation en fonction de la quantité de liquide liant ajoutée (niveaux de
saturation), ce qui est relié aussi à la croissance des granulés (Betz et al., 2003).

Le profil typique de la consommation d’énergie en fonction de la quantité de liquide liant ou

du temps obtenu par une granulation à fort taux de cisaillement est tracé sur la figure 6.

D’après Betz et al., ce profil se compose de cinq phases distinctes durant un processus
classique de granulation humide (Betz et al., 2003).

La phase I représente les débuts des mécanismes de mouillage et nucléation, où le mélange

de poudre commence à s’humidifier en ajoutant le liquide liant. Dans cette phase, il n’y a pas

41
encore de formation de ponts liquide entre les particules primaires. On remarque donc que
la consommation d’énergie n’augmente pas.

Dans la phase II, les ponts liquides entre les particules commencent à se former, ce qui fait
référence au début du mécanisme de consolidation avec la formation des premiers granulés.
L’énergie de consommation quant à elle augmente considérablement avec l’augmentation de
la quantité du liant ajouté.

Dans la phase III, le mécanisme de croissance prend le relais, avec la formation de granulés
plus gros grâce à la multiplication de ponts liquides entre les particules et le remplissage des
vides interparticulaires. La consommation d’énergie reste relativement constante dans cette
phase.

La phase IV connait à nouveau une augmentation de l’énergie de consommation avec

l’augmentation de la quantité de liquide liant ajoutée. La saturation en liquide atteint l’état
capillaire et les granulés deviennent de plus en plus gros.

Dans la Vème et dernière phase, à mesure où le liquide liant est ajouté, des suspensions se
forment, où les particules s’entourent complètement de liquide. Dans cette phase la
saturation en liquide arrive à l’étape de gouttelettes. Cette phase est caractérisée par une
diminution de l’énergie de consommation (Rondet et al., 2012).

Figure 6 : Profil de l’énergie de consommation en fonction du liquide ou du temps de

granulation ((Betz et al., 2003)).

42
Par ailleurs, Betz et al., stipulent que seuls les granulés formés au cours de la phase III avec
une saturation en liquide à l’état funiculaire sont utilisables pour le développement ultérieur
de la forme posologique (Betz et al., 2003).

Ainsi, le profil de consommation d’énergie peut être utilisé pour surveiller le processus de
granulation humide et déterminer le point optimal d’arrêt.

Une autre méthode citée dans la littérature, consiste à mesurer en ligne la distribution
granulométrique et la forme des granulés. Un premier cas d’étude a été élaboré par Watano
et Miyanami, où un système de contrôle a été mis au point pour le suivi de la croissance des
granulés dans un granulateur à lit fluidisé (Watano and Miyanami, 1995). Le dispositif
expérimental doté d’une sonde d’image comprenant une caméra CCD (Charge Coupled
Device – Récepteur à transferts de charge qui convertit les signaux lumineux en signaux
électriques) a permis de photographier en continu les granulés pendant la granulation. Les
photos ont été alors stockées, numérisées puis traitées par un système de traitement
d’image. Ainsi, grâce à l’analyse statique des images, la taille (médiane), le facteur de forme
(par circularité et rapport d’aspect) et le nombre de granulés ont été déterminés. Les résultats
de cette étude ont montré que cette méthode a permis de détecter avec précision la
croissance des granulés dans des plages à faible et forte teneur d’humidité lors de la
granulation ainsi que leur forme.

Cette méthode a été également appliqué dans les granulateurs à fort taux de cisaillement par
Watano et al., (Watano et al., 2001).

2.4.2. Mesures directes

Durant un processus de granulation humide à fort taux de cisaillement, le liquide liant est
dispersé dans le mélange de poudre. Des ponts liquides se créent entre les particules afin de
former des agglomérats. Ainsi les propriétés physiques du mélange de poudre telles que la
taille des particules, la forme, la porosité, la densité et la consistance du mélange changent
avec le temps au cours du processus de granulation. Les modifications constatées sur les
particules/granulés, peuvent être utilisées comme méthode de mesure directe pour indiquer
et déterminer le point d’arrêt de granulation (Parikh, 2016).

43
 2.5. Effet des paramètres opératoires sur les granulés produits

Plusieurs paramètres du procédé ont des effets sur les granulés produits en granulateur à fort
taux de cisaillement. Parmi ces paramètres, on retrouve essentiellement les caractéristiques
de formulation, dont le choix du liant et sa concentration ainsi que son débit et sa méthode
d’ajout, mais aussi les paramètres de l’équipement et des variables du procédé, comme la
vitesse de rotation de la turbine ou de l’émotteur. Ces propriétés influent sur le produit fini
par sa distribution granulométrique, sa forme, sa porosité et sa fluidité.

2.5.1. Paramètres de formulation

2.5.1.1. Caractérisation du liquide liant

Le liant est un composant très important en granulation humide. Il favorise la cohésion et aide
à la transformation de la poudre en granulés. Il peut être ajouté au mélange de poudre sous
forme de poudre sèche ou de solution dissoute dans un solvant (généralement de l’eau ou de
l'éthanol ou un mélange de ces deux substances) (Li et al., 2013). La distribution
granulométrique, la dureté et la compressibilité des granulés dépendent du type et de la
quantité de liant ajouté ainsi que de sa méthode et son débit d’ajout. Plusieurs facteurs
influencent l'efficacité d'un liant dans une formulation, sachant que certains sont liés aux
principes actifs et aux excipients utilisés (Rajniak et al., 2007).
Les propriétés des liquides liants doivent être caractérisées et bien étudiées avant d'essayer
de concevoir un procédé de granulation humide. Ces dernières incluent la tension
superficielle, la viscosité et l’angle de contact entre le liquide et le solide :

- Tension superficielle : également appelée tension de surface, énergie d’interface ou

énergie de surface. C’est une force s’exerçant sur toutes interfaces entre deux milieux
différents. D’un point de vue énergétique, c’est l’énergie nécessaire pour augmenter l’aire
de l’interface d’une unité. Plusieurs méthodes peuvent être utilisées pour mesurer la
tension superficielle d'un liquide, comme la méthode de la remontée capillaire et la
méthode de la goutte pendante (Narang and Badawy, 2018). Dans le cas de la granulation
humide, les tensions superficielles gaz/liquide, solide/liquide et liquide/gaz vont
intervenir.

44
- Viscosité : La viscosité d'un liquide est la mesure de sa résistance à l'écoulement et est
généralement mesurée à l'aide d'un rhéomètre rotatif à cisaillement continu (Parikh,
1997).
- Angle de contact : L'angle entre la surface d'un liquide et le plan du solide est appelé angle
de contact. Cet angle est le résultat des énergies interfaciales. C’est une mesure de la
mouillabilité d'un solide par un liquide. Un angle de contact entre le liquide liant et la
poudre inférieur à 90 degrés, implique un mouillage presque total de la surface de la
poudre, ce qui peut favoriser la distribution du liquide liant (Hapgood et al., 2002).

L'influence de la tension superficielle solide/liquide a été étudiée par Ennis et al., et ensuite
par Iveson et al., (Ennis et al., 1991) et (Iveson et al., 2001). Ils ont constaté qu'une tension
superficielle minimale était nécessaire pour favoriser l'agglomération.

Iveson et al., ont stipulé qu’une diminution de la tension superficielle du liant peut entraîner
une diminution de la limite d'élasticité dynamique dans l'agglomérat, mais qu’à des viscosités
plus élevées, la viscosité du liant domine la limite d'élasticité dynamique du granulé humide
(Iveson et al., 2001).

Ritala et al., ont constaté que la consommation d'énergie du granulateur augmente avec
l'augmentation de la tension superficielle du liant (Ritala et al., 1988). Et enfin Ennis et al., ont
étudié l'effet couplé de la viscosité et de la tension superficielle (Ennis et al., 1991). Ils ont
constaté que les mécanismes de granulation dépendent essentiellement de la concurrence
entre les forces capillaires et visqueuses. Ils ont ainsi défini un nombre capillaire visqueux
(Cavis) en relation avec ces forces tel que :

ఓಽ ௎
‫ܽܥ‬௩௜௦ ൌ ………………. (5)
ఊಽ

Où U est la vitesse des particules, μL la viscosité du liant et γL la tension superficielle du liquide.

Ils ont conclu que :

- Si ‫ܽܥ‬௩௜௦ < 10-3, la dissipation d'énergie due à la viscosité peut être négligée par rapport aux
forces capillaires et que l'adhésion est le produit des forces interfaciales.

- Si ‫ܽܥ‬௩௜௦ > 1, les forces visqueuses dominent les forces statiques.

45
L’impact de la viscosité du liant sur les granulés produits a été examiné dans la littérature et
est souvent controversé. La viscosité gouverne le temps d’étalement du liquide sur la poudre
sèche lors de la phase de nucléation, mais affecte également les mécanismes de croissance et
de consolidation des granulés.

Chitu et al., ont étudié l’influence des propriétés du liant à différentes concentrations de
povidone (PVP) et d’hypromellose (HPMC), afin de couvrir différentes valeurs de viscosité et
d’adhérence sur les courbes de couple de granulation, de cinétique de croissance et de
résistance des granulés (Chitu et al., 2011a). Il a été constaté que le besoin optimal en liquide
durant la granulation varie selon le type de liant et diminue avec l’augmentation de la
viscosité, tandis que la cinétique de croissance des granulés est plutôt liée au travail
d’adhésion des liants à faible viscosité.

2.5.1.2. Effet de la méthode d’ajout de liant

Bien que la granulation humide puisse s’effectuer en utilisant seulement des solvants purs tels
que l’eau comme liant liquide, dans la majorité des cas, des liants en poudre sont ajoutés pour
améliorer le processus de granulation (Tamrakar et al., 2018). Généralement ces liants sont
ajoutés au système par deux méthodes :

- Méthode d’ajout de liant humide : dans cette méthode le liant est dissous dans un fluide de
granulation approprié à la formule pour former une solution liante, qui est ensuite pulvérisée
sur le lit de particules.

- Méthode d’ajout de liant à sec : dans ce cas, les particules de liant solide sont directement
mélangées avec l’ensemble de poudre (principes actifs et excipients), puis un solvant
(habituellement de l'eau) est pulvérisé sur le lit de particules pour dissoudre ces liants.

La méthode d’ajout de liant humide est la plus favorisée en granulation humide à fort taux de
cisaillement, tandis que la méthode d’addition à sec est généralement utilisée dans les
procédés de granulation par voie sèche, tels que le compactage par rouleaux ou dans les
procédés de granulation par fusion (Suresh et al., 2017). Plusieurs études ont été effectuées
sur l’effet de la méthode d’addition de liants sur les propriétés des granulés finaux.

Chaturdedi et al., ont conclu que la croissance des granulés formés par la méthode d’ajout
humide est mieux maitrisée et que les granulés finaux sont plus calibrés que par la méthode
46
d’ajout à sec (Chaturbedi et al., 2017). Des résultats similaires ont été également observés par
D’alonzo et al., et Osborne et al., à travers des expériences de granulation à fort taux de
cisaillement (D’alonzo et al., 1990) (Osborne et al., 2011).

2.5.1.3. Effet de la méthode de distribution de liant

Trois méthodes d’addition de liant existent dans la littérature, à savoir : pulvérisation,

égouttement et versement. Plusieurs études ont examiné l’impact de ces différentes
méthodes sur les propriétés des granulés produits par granulation humide à fort cisaillement.
Morkhade a étudié cet effet en utilisant deux types de diluants (lactose monohydraté et
mannitol) ainsi que deux types de liants (l'hypromellose (HPMC E5) et la povidone (PVP K30))
(Morkhade, 2017). Les granulés ont été caractérisés par la suite selon leur granulométrie,
forme, densité, écoulement, ségrégation et friabilité. Les résultats ont montré que la méthode
de distribution de liant modifie la forme des granulés, agissant principalement sur les
propriétés d’écoulement. L'addition de liant par pulvérisation augmente la présence de fines
particules, le potentiel de ségrégation du mélange, la friabilité des granulés, la résistance à la
rupture du comprimé et son temps de désintégration. Tandis que l'addition de liant par
égouttement a un impact opposé : les granulés obtenus présentent une densité apparente
plus faible, un débit supérieur, un potentiel de ségrégation plus faible et une friabilité plus
élevée (Tan et al., 2014).

2.5.1.4. Effet du débit d'ajout de liant

Le débit d’ajout du liant peut avoir des effets sur la qualité des granulés finaux. Cependant, en
granulation humide, il est préférable d’ajouter le liquide liant à des vitesses relativement
faibles, pour éviter des surhumidifications locales (Morkhade, 2017). Afin d’assurer une
régularité de débit, il est conseillé par Narang et Badawy d’utiliser des buses pneumatiques
ou une pulvérisation par buse à pression (Narang and Badawy, 2018).

À grande échelle, des périodes d’addition de liquide plus longues sont favorisées également
pour éviter la sur-humidification locale du produit. Afin de maintenir un temps et un débit
d’ajout de liquide liant similaires à ceux d’une machine à petite échelle. Une approche sur le
temps d’addition de liant à grande échelle peut être calculée comme suit : Tour par minute

’‡–‹–‡± Š‡ŽŽ‡ሺ–‘—”Ȁ‹ሻ
‹–‡••‡†ᇱ ƒ††‹–‹‘†‡Ž‹ƒ–ሺ‰”ƒ†‡± Š‡ŽŽ‡ሻ ൌ –‡’•†ᇱ ƒ††‹–‹‘†‡Ž‹ƒ–’‡–‹–‡± Š‡ŽŽ‡ ൈ 
‰”ƒ†‡± Š‡ŽŽ‡ሺ–‘—”Ȁ‹ሻ

47
Tan et al., ont étudié l’effet du débit d’ajout du liant liquide sur les granulés. Il a été retenu
que la distribution du liant à un faible débit est plus rentable, vu l’uniformité du liant à la fois
à l’intérieur d’un lot et entre des lots différents (Tan et al., 2014).

2.5.2. Impact de la géométrie de l’équipement et des paramètres du procédé

Les variables de procédé jouent un rôle critique dans la finalité de production de granulés.
Certaines influent majoritairement sur les propriétés des granulés finaux. Les études des
impacts de ces variables sur le granulé produit sont généralement faites à l’échelle du
laboratoire avant de passer à l’échelle de production, sachant qu’il existe des différences
significatives entre les deux échelles en termes de conception, de forme, de taille, de vitesse
et de géométrie de la cuve du granulateur. Bien que la formulation soit similaire, les propriétés
physiques des granulés obtenues pourraient être radicalement différentes en raison de ces
différences. Cela pourrait directement influer sur les propriétés et le rendement des produits
finis (comprimés par exemple).

La compréhension de ces différentes variables de procédé, à savoir la conception et la vitesse

de rotation des turbines et des émotteurs, la conception de la cuve de granulation, le temps
de mouillage, ainsi que le niveau de remplissage de l’enceinte, est la clé pour améliorer la
production de granulés et des différentes formes pharmaceutiques tout en assurant un
changement d’échelle réussi dans le processus de développement de produits.

2.5.2.1. Conception et vitesse de rotation de la turbine et de l’émotteur

Un granulateur à fort taux de cisaillement est généralement composé d’une turbine et d’un
émotteur. La turbine assure le mélange et donc le mouvement du lit de poudre à l’intérieur
de la cuve de granulation, alors que l’émotteur, a pour fonction de réduire la taille des gros
agglomérats et aide à homogénéiser la distribution du liant à l’intérieur du granulateur.

Les différentes conceptions de la turbine et de l’émotteur peuvent avoir un impact majeur sur
le volume de poudre balayé (par la turbine et l’émotteur), la température du produit,
l'adhérence du matériau et l'attrition pendant le processus de granulation (Badawy et al.,

48
2012). Oulahna et al., ont étudié l’effet du cisaillement sur les propriétés de granulés formés
sous différentes vitesses de rotation de turbine (Oulahna et al., 2003). Les granulés produits
ont été examinés en termes de porosité, friabilité et teneur en liant. Ils ont constaté que
l'augmentation de la vitesse de rotation de la turbine entraîne une diminution de la proportion
des particules fines et une diminution du rapport liquide/solide nécessaire pour atteindre le
point de granulation optimal (point d’arrêt). Il est donc recommandé d’après cette étude de
travailler à des vitesses de rotation élevées de la turbine pour avoir un bon contrôle de la
croissance des granulés.

Chitu et al., ont aussi examiné l’effet de la vitesse d’agitation de la turbine dans un granulateur
à fort taux de cisaillement avec et sans présence d’émotteur, en effectuant des cycles de
granulation avec une poudre fine de cellulose microcristalline cohésive (Avicel 105, d50 = 20
μm) (Chitu et al., 2011b). Il a été constaté qu’à des faibles vitesses de rotation de turbine, la
présence d’un émotteur s’avère nécessaire pour une meilleure distribution du liant. Tandis
qu’à des vitesses de rotation plus élevées avec ou sans émotteur, des granulométries et des
mécanismes de croissance similaires ont été observés entre les différents lots produits. Il a été
aussi retenu que la résistance des granulés secs augmente avec l’augmentation de la vitesse
de rotation de la turbine.

Plus récemment, Börner et al., ont étudié la conception des pales de la turbine, sachant que
les turbines à trois pales sont souvent utilisées en GFTS. Ces dernières nécessitent des vitesses
de rotation élevées pour un meilleur mélange et homogénéité du lit de poudre, ce qui
engendre un grand besoin en énergie s’accompagnant d’une contrainte thermique
indésirable. Pour y remédier Börner et al., ont proposé une turbine à deux pales d’agitation
avec des ailes latérales allongées comme illustré sur la figure 7, fonctionnant à des vitesses de
rotation faibles. Leurs résultats ont montré que la turbine est performante à grande échelle
comme à l’échelle de laboratoire et que le comportement de croissance des granulés est plus
robuste (Börner et al., 2016).

Badawy et al., Mangwandi et al., Mirza et al., et Rahmanian et al., ont aussi étudié l’effet de
la conception et de la vitesse de rotation de la turbine (Badawy et al., 2012; Mangwandi et al.,
2010; Mirza et al., 2015; Rahmanian et al., 2011). Des résultats similaires à ceux de Oulahna
et al., Et Chitu et al., (Oulahna et al., 2003) (Chitu et al., 2011b) ont été obtenus.

49
 Figure 7 : Turbine à deux pales (Gentlewing) avec deux ailes latérales allongées
((Börner et al., 2016)).

2.5.2.2. Taux de remplissage de la cuve

Le taux de remplissage de la cuve est un paramètre très important en granulation humide.

Bock et Kraas ont étudié l’effet de ce paramètre sur la taille de granulés produits à petite
échelle (avec une cuve d’une capacité de 1L). Le taux de remplissage variait entre 10 et 80%.
Il a été observé que pour des taux entre 10 et 20%, les distributions granulométriques étaient
proches et semblables entre les lots. À des taux entre 50 et 70%, les similitudes étaient moins
marquées et à des taux encore plus élevés, une augmentation relative de la proportion de
poudres fines a été observée (Bock and Kraas, 2001).

Mangwandi ont étudié l’effet de la taille des lots sur les propriétés mécaniques des granulés
lors d’une GFTS, telles que la résistivité et le module de Young. Leurs résultats ont montré
qu’une augmentation de la taille des lots entraine une réduction de l’efficacité du mélange et
une plus grande distribution de la poudre dans la cuve. Ils ont également souligné l’influence
de la taille des lots sur les propriétés d’écoulement (Mangwandi et al., 2011).

2.5.2.3. Impact des caractéristiques du matériau sur les propriétés des granulés

Le choix du matériau des parois de la cuve peut influer sur la qualité et les propriétés des
granulés finaux. Bouwman et al., ont étudié l’impact de différents matériaux de parois de
cuves sur les distributions granulométriques des granulés lors d’une GFTS. Les types de
matériaux utilisés sont le verre, l’acier inoxydable, le PMMA (polyméthacrylate de méthyle) et

50
le PTFE (polytétrafluoroéthylène). Il a été retenu que les distributions granulométriques des
granulés diffèrent d’un matériau à un autre. L’angle de contact élevé du PMMA aide à avoir
un mouillage plus rapide du lit de poudre, ce qui conduit à des distributions granulométriques
plus étroites. Tandis que pour les cuves en verre ou en acier inox à faible angle de contact,
une couche de liquide peut se former sur la surface de la paroi, ce qui mène à la formation de
zones de sur-humidification locales, conduisant à une distribution granulométrique plus large
et hétérogène (Bouwman et al., 2004).

2.6. Propriétés et contrôle des granulés

Les granulés produits par tous les types de procédés de granulation doivent représenter et
respecter un certain nombre de propriétés d’usage selon les exigences et les attentes des
fabricants ainsi que leur utilisation ultérieure. Une série d’essais s’effectue sur les granulés
surtout en recherche et développement afin de garantir un procédé de granulation fiable avec
une bonne reproductibilité. Parmi ces contrôles, on retrouve classiquement les mesures
granulométriques, rhéologiques, la teneur en eau, l’écoulement et l’aptitude à la
compression…

2.6.1. Granulométrie

Il existe de différentes techniques pour l’analyse granulométrique des granulés, telles que :

- Le tamisage : une technique manuelle, très simple à utiliser mais ne peut être précise pour
des particules à forme allongée.
- Diffraction laser : plus facile et rapide que le tamisage, mais qui peut être inadaptée pour
des particules sphériques (Collet et al., 2010).

2.6.2. Forme

La forme des granulés est un paramètre très important, car elle a un effet sur plusieurs autres
paramètres tels que la fluidité ou son aptitude à l’écoulement. Parmi les techniques d’analyse
de la forme, on cite :

- L’œil nu : la forme des granulés peut être déterminée à l’œil nu, si ces derniers
représentent une taille macroscopique.

51
- Microscopie optique : plusieurs paramètres sont proposés pour déterminer la forme des
granulés par microscopie optique, tel que le facteur isométrique Q, qui est égal à 1 quand
le granulé est de forme sphérique.
ସగ஺೒
ܳൌ ௉೒మ
………………. (6)

Avec Ag et Pg la surface et le périmètre du granulé respectivement (Vandewalle et al., 2007).

2.6.3. Porosité interne

La porosité des granulés peut être décrite comme étant le pourcentage des espaces vides d’un
granulé tel que :

௏௢௟௨௠௘ௗ௘௦௣௢௥௘௦
ܲ‫ݐ݅ݏ݋ݎ݋‬± ൌ  ൈ ͳͲͲ ………………. (7)
௏௢௟௨௠௘௔௣௣௔௥௘௡௧

Elle peut être déterminée avec :

- Un porosimètre à hélium : la méthode consiste à déterminer la distribution des tailles des

pores en injectant de l’hélium dans les pores de l’échantillon (la méthode est aujourd’hui
obsolète dû à l’utilisation du mercure).
- BJH (Barrett, Joyner et Halenda) : une technique qui permet la détermination de la taille
et la distribution des pores dans le granulé grâce à l’adsorption d’un gaz neutre comme
l’azote à la surface (McMillan and Teller, 1951).

2.6.4. Surface spécifique

Elle représente la surface totale d’une poudre par unité de masse tel que :

ௌ௨௥௙௔௖௘௧௢௧௔௟௘
ܵ‫݌ݏ݂݁ܿܽݎݑ‬±݂ܿ݅݅‫ ݁ݑݍ‬ൌ  ݁݊݉ଶ Ȁ݃ ………………. (8)
ெ௔௦௦௘

Elle peut aussi être déterminée avec la technique BET par l’adsorption d’un gaz neutre
(azote)

2.6.5. Densité
- Densité apparente : elle correspond au volume apparent d’un granulé

52
 ெ௔௦௦௘
‫ݐ݅ݏ݊݁ܦ‬±ܽ‫ ݁ݐ݊݁ݎܽ݌݌‬ൌ  ௏௢௟௨௠௘௔௣௣௔௥௘௡௧ ………………. (9)

- Densité granulaire : correspond au volume d’un granulé avec le vide intragranulaire :

ெ௔௦௦௘
‫ݐ݅ݏ݊݁ܦ‬±݃‫ ݁ݎ݈݅ܽݑ݊ܽݎ‬ൌ 
௏௢௟௨௠௘௔௣௣௔௥௘௡௧ି௏௢௟௨௠௘ௗ௘௦௣௢௥௘௦௜௡௧௘௥௚௥௔௡௨௟௔௜௥௘௦
………………. (10)

- Densité vraie : correspond au volume d’un granulé à l’exception de porosité :

ெ௔௦௦௘
‫ݐ݅ݏ݊݁ܦ‬±‫ ݁݅ܽݎݒ‬ൌ 
௏௢௟௨௠௘௔௣௣௔௥௘௡௧ି௏௢௟௨௠௘ௗ௘௦௣௢௥௘௦௜௡௧௥௔௚௥௔௡௨௟௔௜௥௘௦௜௡௧௘௥௚௥௔௡௨௟௔௜௥௘௦
………………. (11)

Figure 8 : Représentation graphique des pores inter et intra-granulaires ((Le Hir, 2001))

Le volume apparent peut être mesuré à l’aide d’un voluménomètre de tassement ou avec
une simple éprouvette graduée

2.6.6. Teneur en eau

L’humidité résiduelle est un facteur qui peut influer certains paramètres comme la cohésion,
l’adhésion ou l’électricité statique des granulés, ainsi que la stabilité et la conservation du
principe actif (Gabbott et al., 2016). Elle peut être quantifiée à l’aide d’une thermo-balance
infrarouge.

2.6.7. Aptitude à l’écoulement

Ce paramètre est très important lors du traitement ultérieur des granulés comme lors du
passage des granulés à travers la trémie pour la compression. La forme et la taille des granulés
peuvent faire varier ce facteur qui peut être déterminé à l’aide du testeur de poudre
(Hosokawa) en mesurant l’angle de repos statique des particules par exemple. Cette aptitude
53
peut aussi être déterminée selon différentes méthodes décrites à la Pharmacopée
Européenne en évaluant par exemple le débit d’écoulement à travers un orifice ou encore par
des études de tassements.

2.6.8. Études de tassement

Ces études consistent à déterminer les masses volumiques apparentes vracs et tassées des
granulés à l’aide d’un voluménomètre de tassement. Cela permet ainsi de calculer les indices
de compressibilité (ou indice de Carr) et d’Hausner. Le calcul se fait en déterminant les
volumes vracs V0 (Volume sans tassement) et les volumes apparents V10, V500 et V1250
(obtenus après 10, 500 et 1250 tassements).

Indice de compressibilité (%) :

௏బ ି௏೟೚೟ೌ೗ 
‫ ܿܫ‬ൌ ൈ ͳͲͲ ………………. (12)
௏బ

Indice d’Hausner

௏బ  ఘ೟ೌೞೞ± 
‫ ݄ܫ‬ൌ ൌ  ………………. (13)
௏೟ೌೞೞ± ఘೡೝೌ೎

Ces indices permettent de caractériser l’aptitude à l’écoulement d’une poudre (Ph. Eur, 2017).

2.6.9. Friabilité

Les granulés produits doivent présenter une certaine résistance et dureté pour ne pas
retourner à l’état de poudre initial au cours de traitements ultérieurs. Les tests de friabilités
peuvent être effectué dans un petit tambour tournant à des vitesses variables mais pas trop
élevées (Ph. Eur, 2017).

54
3. Conclusion sur les études expérimentales de la granulation humide

Dans cette première partie de rapport bibliographique, les aspects expérimentaux de la

granulation en général et de la granulation humide à fort taux de cisaillement plus
particulièrement ont été abordés.

Cette synthèse a permis de souligner la complexité du procédé de granulation humide et de

décrire les mécanismes clefs : (i) mouillage et nucléation, (ii) consolidation et croissance et (iii)
rupture et attrition. De plus, l’influence de certains paramètres sur les principales
caractéristiques des agglomérats obtenus a été étudiée, comme synthétisé dans le tableau
suivant :

Tableau 2 : Synthèse bibliographique des effets des paramètres opératoires sur les propriétés
des granulés

Néanmoins, la prédominance d’un mécanisme sur les autres est difficile à prédire et la plupart
des études sont consacrées à l’investigation d’un seul mécanisme prédominant. Par ailleurs,
l'effet des paramètres opératoires sur les mécanismes de croissance des granulés est
fortement dépendant des matières premières et de la technologie utilisée, ce qui rend difficile
la généralisation des tendances observées et la transposition d’échelle du procédé.

Il convient donc en parallèle de l’approche expérimentale, de s’intéresser aux outils qui

permettent d’approfondir la compréhension fondamentale des différents mécanismes de la
granulation humide et de sécuriser le changement d’échelle.

55
56
 Partie II : La granulation humide : études numériques

1. Introduction sur la modélisation et simulation numérique

La modélisation permet généralement une compréhension fondamentale de différents

procédés tels que la granulation. Cela offre une meilleure analyse de la dynamique du
système, afin d'améliorer la conception des équipements, de formuler une stratégie de
contrôle efficace pour valider l'efficacité de l'opération et de sécuriser la mise à l'échelle.

L'utilisation de divers outils de modélisation des processus devient de plus en plus courante
et joue un rôle essentiel dans la compréhension de ces processus. En effet l'approche basée
sur un modèle est toujours pratique quand l’étude expérimentale devient trop pesante,
demandant beaucoup d’expérimentations et d’un coût important pour comprendre les
multiples facettes d'un procédé dynamique comme la granulation. C’est pour cela que les
industries pharmaceutiques suscitent beaucoup d’intérêts à la modélisation et la simulation
numérique, car il est devenu possible de traiter avec précision les phénomènes de granulation
réels, en tenant compte des propriétés de la poudre, de sa distribution granulométrique, de
sa forme sphérique ou irrégulière et du nombre important de particules, mais aussi la
conception du procédé dont l’équipement. Des simulations à l'échelle macroscopique
(comportement de l’écoulement global du procédé), mésoscopique (ensembles de poudre et
de granulés) et microscopique (poudre ou granulés étudiés individuellement) pourront
considérablement aider à comprendre ce procédé.

Il existe différents niveaux de complexités dans les études numériques, dépendant du niveau
d’informations que nous souhaitons obtenir. Dans une première partie, nous développerons
quatre types de modèles : (i) l’analyse dimensionnelle, (ii) les bilans de population, (iii) la
méthode par éléments discrets, (iv) les modèles couplés.

Dans un second temps, nous nous intéresserons plus spécifiquement aux travaux de
modélisation en DEM appliqués à la granulation humide.

57
 2. L’analyse dimensionnelle

L’analyse dimensionnelle est souvent utilisée pour la mise à l’échelle de différents systèmes
tels que la granulation humide à fort taux de cisaillement. Pour deux systèmes
dynamiquement similaires, les nombres adimensionnels nécessaires pour décrire le processus
ont la même valeur numérique, où leur représentation sans dimension reste invariante
(Narang and Badawy, 2018).

2.1. Prédiction du changement d’échelle

En granulation à fort taux de cisaillement, plusieurs variables doivent être prises en compte
lors du changement d’échelle, à savoir : la vitesse de rotation de la turbine et de l’émotteur,
le débit d’ajout de liant et le taux de remplissage de la cuve. Les nombres adimensionnels les
plus couramment utilisés pour décrire le procédé de granulation humide et interagissent en
changement d’échelle sont : les nombres de Newton, Froude et Reynolds, résumés dans le
tableau 3 (Faure et al., 2001).

P, ߩ, n, d, ߟ, g, sont respectivement, la puissance requise par la turbine ou le moteur [W], la

densité spécifique des particules [kg/m3], la vitesse de la turbine [tr/s], diamètre ou rayon des
pales de la turbine [m], viscosité dynamique [Pa.s] et gravité [m/s²].

Bouillon Camara a montré la pertinence de la démarche de l’analyse dimensionnelle pour le

changement d’échelle d’un GFTS de petite échelle (250 mL) vers une échelle 20 fois plus
grande (Bouillon-Camara, 2005).

58
 Tableau 3 : Nombres adimensionnels utilisés en mise à l’échelle en GFTS

Nombre Équation Définition

adimensionnel

Le nombre de Newton représente une

mesure de la puissance nécessaire pour
surmonter la friction dans le flux de
Nombre de Newton
௉
ܰ௣ ൌ (14) fluide en réacteur agité. Ce nombre relie
ሺఘൈ௡య ൈௗఱ ሻ
(Np) la force de traînée agissant sur une unité
de surface de la turbine et la contrainte
d'inertie.

Le nombre de Froude est souvent utilisé

en mise à l’échelle pour des applications
Nombre de Froude
௡మ ൈௗ
‫ܨ‬௧ ൌ (15) de mélange et de granulation. Il peut être
௚
(Fr) calculé à partir de la consommation
d’énergie de la turbine ou du moteur.

Le nombre de Reynolds relie la contrainte

d'inertie à la force gravitationnelle par
unité de surface agissant sur le matériau.
La mécanique du phénomène a été
décrite comme l'interaction de la force
centrifuge (poussée des particules contre
Nombre de Reynolds la paroi du granulateur) et de la force
ௗమ ൈ௡ൈఘ
ܴ௘ ൌ (16)
ఎ centripète produite par la paroi, créant
(Re)
une zone de compactage.

Les nombres de Reynolds relient aussi la

force d'inertie à la force visqueuse. Il est
fréquemment utilisé pour décrire les
processus de mélange et les écoulements
visqueux.

59
 2.2. Prédiction des mécanismes de fonctionnement

Les processus qui se produisent en GFTS, sont classés dans les différents mécanismes cités en
section (2.3). Des cartes de régimes adimensionnelles ont été développées pour la croissance
et la consolidation (Iveson et al., 2001). Les principaux groupes adimensionnels qui définissent
les mécanismes de fonctionnement sur ces cartes de régime sont la saturation en liquide
maximale (Smax), l'indice de déformation de Stokes (Stdef), le flux de pulvérisation (ψa) et le
temps de pénétration (τp) adimensionnels (Hapgood et al., 2003). Ces quatre groupes
adimensionnels sont définis comme suit :

ଷ௏ሶ
߰௔ ………………. (17)
ଶ஺ሶௗ೏

௧೛
߬௣ ൌ ௧೎
………………. (18)

ఠఘೞ ሺଵିఌౣ౟౤ሻ
ܵ௠௔௫ ൌ ………………. (19)
ఘ೗ ఌౣ౟౤

ఘ೒ ௎಴మ
ܵ‫ݐ‬ௗ௘௙ ൌ ………………. (20)
ଶ௒೏

Où ܸሶ , ‫ܣ‬ሶ, dd, tp, tc, ߱, ߝ୫୧୬, ߩ௦ , ߩ௟ , ߩ௚ ,ܷ௖ , ܻௗ sont respectivement : le flux de pulvérisation, le
flux de poudre, le diamètre de la gouttelette, le temps de pénétration de la goutte, le temps
de circulation à l’intérieur du granulateur, le rapport massique liquide/solide, la porosité
minimale que la formulation atteint en conditions opératoires précises, la densité du liquide,
la densité du granulé, la vitesse de collision et enfin la limite élastique dynamique.

Ces groupes adimensionnels sont utilisés pour les cas d’étude prédiction de fonctionnement
optimale (Hapgood et al., 2003), (Iveson et al., 2001), (Kayrak-Talay and Litster, 2011).

Cette méthodologie est simple à mettre en œuvre mais ne permet pas d’obtenir des
informations pertinentes à l’échelle de la particule, telles que l’évolution de la taille des
particules au cours du temps qui permettrait d’identifier les paramètres clés du procédé.

60
 3. Méthodes numériques en granulation

3.1. Modélisation par bilans de populations (PBM)

Au cours du processus de granulation humide, plusieurs propriétés des granulés changent

avec le temps, telles que la distribution granulométrique, la forme et la porosité. La
modélisation par bilans de population est souvent utilisée afin de prédire la croissance des
granulés et d'analyser leur mécanisme, car il est très important de comprendre ces
changements temporels des propriétés des granulés (Suresh et al., 2017).

Les bilans de populations sont des bilans de matière, souvent appliqués aux systèmes
granulaires. Le bilan représente un équilibre numérique autour de chaque fraction de
distribution granulométrique basé sur une loi de "conservation des nombres". Cette loi sert à
suivre le nombre de particules ayant un ensemble donné de propriétés, telles que la taille, la
porosité et la forme, tout en tenant compte des changements qui peuvent survenir au cours
de la croissance, la rupture, ou d'autres phénomènes. L'équation générale de l'équilibre de
bilan de population est donnée par Ramkrishna (Ramkrishna, 2000) :

డிሺ௫ǡ௧ሻ డ ௗ௫ሺ௫ǡ௧ሻ
డ௧
൅ ቂ‫ܨ‬ሺ‫ݔ‬ǡ ‫ݐ‬ሻ ቃ ൌ Ը௙௢௥௠௔௧௜௢௡ ሺ‫ݔ‬ǡ ‫ݐ‬ሻ െ Ըௗ±௣௟±௧௜௢௡ ሺ‫ݔ‬ǡ ‫ݐ‬ሻ ………………. (21)
డ௫ ௗ௧

Avec, F la densité des particules, x le vecteur qui représente les caractéristiques d'un granulé.
Le terme de différence partielle par rapport à x tient compte des changements de propriété
dus à la stratification, à l'addition de liquide ou à la consolidation. Ըformation (x,t) et Ըdéplétion
(x,t) sont des fonctions représentant les taux de croissance et de disparition des particules
décrites par la propriété interne x. En granulation, ces deux taux sont régis par les processus
d'agrégation, de nucléation et de rupture.

Cependant, il existe plusieurs types de modèles unidimensionnels bidimensionnels et

tridimensionnels (Iveson, 2002) (Poon et al., 2008) (Poon et al., 2009) pour caractériser les
granulés selon plusieurs propriétés intrinsèques.

Pour les modèles unidimensionnels (1D), les granulés sont caractérisés par une seule
propriété. Ils sont traditionnellement utilisés pour modéliser de simples processus de

61
granulation (Iveson, 2002) (Biggs et al., 2003). Ces modèles partent de l'hypothèse qu'un
granulé peut être suffisamment décrit seulement par sa taille comme propriété indépendante
qui affecte significativement le comportement de croissance des granulés et qu'il n'y a pas de
variations considérables des autres caractéristiques au sein d'une classe de taille.

Plusieurs autres propriétés granulaires indépendantes pouvant influencer les différents

mécanismes de granulation dont la croissance, sont à prendre en compte. Elles peuvent
également influencer fortement le comportement de granulation, comme la teneur en liant
et la porosité. La plupart des modèles de bilan population supposent aussi implicitement que
les conditions sont uniformes dans l'ensemble du granulateur. Par conséquent, les modèles
unidimensionnels de granulation humide sont souvent inadéquats. Ces modèles doivent être
étendus à trois ou quatre dimensions pour inclure la taille, la porosité, la teneur en liant et la
composition en tant que propriétés granulaires indépendantes et doivent également inclure
les effets du mélange et de la ségrégation dans le granulateur (Poon et al., 2009).

Immanuel et Doyle ont pu développer une technique efficace et robuste pour la modélisation
tridimensionnels par bilan de population décrivant les processus de granulation. La méthode
se base sur l’extension d’un modèle unidimensionnel simple comme montré sur l’équation
classique donnée par Ramkrishna (Ramkrishna, 2000). Elle repose sur une stratégie de
solution hiérarchique à deux niveaux, qui détermine le phénomène de nucléation, de
croissance, d'agrégation/rupture dans un premier temps, et la mise à jour de la distribution
de la taille des particules dans un deuxième temps. Leurs résultats de calculs ont montré que
l'application de cette technique au modèle de granulation tridimensionnelle permet d'obtenir
un calcul très efficace avec un temps de simulation plus court.

Récemment, des équations multidimensionnelles de modèles de bilans de population ont été

proposés pour suivre d'autres propriétés des granulés en plus de leur distribution
granulométrique (Barrasso and Ramachandran, 2012), (Barrasso et al., 2015), (Poon et al.,
2008) et (Poon et al., 2009).

Un exemple d’équation tridimensionnelle de bilan de population pouvant suivre l'évolution

temporelle de la taille des granulés, de la teneur en liant liquide et de la porosité, proposé par
Watano et Nakamura (Watano and Nakamura, 2019) décrit comme suit :

62
 డ డ ௗ௚ డ ௗ௦ డ ௗ௟
‫ܨ‬ሺ‫ݏ‬ǡ ݈ǡ ݃ǡ ‫ݐ‬ሻ ൅ ቀ‫ܨ‬ሺ‫ݏ‬ǡ ݈ǡ ݃ǡ ‫ݐ‬ሻ ቁ ൅ ቀ‫ܨ‬ሺ‫ݏ‬ǡ ݈ǡ ݃ǡ ‫ݐ‬ሻ ቁ ൅ ቀ‫ܨ‬ሺ‫ݏ‬ǡ ݈ǡ ݃ǡ ‫ݐ‬ሻ ቁ ൌ Ը௡௨௖ ൅
డ௧ డ௚ ௗ௧ డ௦ ௗ௧ డ௟ ௗ௧

Ը௔௚௥± ൅ Ը௥௨௣ ………………. (22)

Où F, s, l et g représentent respectivement le nombre de particules, la taille des particules, le

volume de liquide et volume de gaz. Ըnuc, Ըaggre et Ըrup représentent la nucléation,
l'agrégation, et la rupture. Les mécanismes de formation des granulés plus détaillés tels que
la nucléation, l'agrégation et la rupture peuvent être pris en compte grâce à ce modèle.

Les bilans de population multidimensionnel fournissent des informations détaillées sur la

consolidation, mais ils ne peuvent toujours pas fournir d'informations sur la collision physique
des particules telles que le nombre de collisions, la vitesse relative de deux particules en
contact ou l'énergie d'impact, sachant que la consolidation et la rupture sont fortement
affectées par la collision des particules à l'intérieur de la cuve de granulation.

2.2. Modélisation par éléments discrets (DEM)

La méthode des éléments discrets est une méthode numérique qui présente l’avantage de
pouvoir décrire avec précision le caractère discontinu du milieu granulaire en tenant compte
de la géométrie, du comportement des éléments composant le milieu et des lois d’interaction
entre les éléments. Elle a été proposée à l’origine par Cundall et Strack, à l’idée qu’un milieu
granulaire peut être prédit si le mouvement individuel des particules peut être modélisé
(Cundall and Strack, 1979). La méthode est basée sur les interactions entre un nombre fini de
particules en contact et le mouvement individuel de chaque particule.

À partir de ce concept, la détermination de la position et de la vitesse d’une particule solide

individuelle donnée est la solution temporelle de la seconde loi de Newton pour les
mouvements de translation et de rotation (bilan de quantité de mouvement).

2.2.1. Physique de suivi temporel

La trajectoire d’une i particule est décrite par les équations dynamiques suivantes :

Mouvement de translation :

63
 ௗమ ௫Ԧ೔
݉௜ ൌ  σ௝ ሬሬሬሬԦ
‫ܨ‬పఫ ൅ ݉௜ ݃റ ………………. (23)
ௗ௧ మ

Mouvement de rotation :

ௗఠ
‫ܫ‬௜ ൌ  σ௝ ܶ௜௝ ………………. (24)
ௗ௧

ሬሬሬԦ,
Où mi,‫ݔ‬ ప t, ݃
Ԧ, ω, I sont respectivement la masse d'une particule, son vecteur de position, le
ሬሬሬሬԦ
temps, la gravité, la vitesse angulaire et le moment d'inertie d'une particule. ‫ܨ‬ పఫ et ܶ௜௝ sont les

forces et le couple de contact résultants de toutes les interactions avec les particules voisines
et la paroi de la géométrie utilisée. Et enfin d²xi/dt² et dω/dt représentent respectivement
l'accélération translationnelle et angulaire d'une particule (Cundall and Strack, 1979).

En utilisant la deuxième loi de Newton qui tient compte des forces externes agissant sur la
particule, la DEM permet de décrire le mouvement de chaque particule individuelle, sa
trajectoire et sa vitesse. En ajoutant des équations de transfert, on peut également tenir
compte de l’état physique, thermique ou chimique de chaque particule (Mesnier et al., 2019)

Parmi les forces externes, on retrouve les forces de contact particule-particule et particule-
paroi. Ces deux forces sont les plus dominantes lors des écoulements granulaires.

La force de contact agissant sur une particule est calculée à l'aide d'un modèle à sphères dites
molles ou souples (Johnson and Johnson, 1987; Luding, 1998; Stevens and Hrenya, 2005). Dans
ce modèle, trois types de forces de contact mécaniques sont calculées, à savoir : la force de
rebond élastique, la force d'amortissement visqueuse et la force de frottement entre les
particules en contact. Lors d’un contact particule-particule, une déformation résultante du
choc entre les deux particules est exprimée par une distance de chevauchement δ. Le contact
particule-paroi est traité de la même manière que le contact particule-particule (Cundall and
Strack, 1979).

En plus de ces différentes forces de contact mécaniques, la DEM peut prendre en compte
d'autres forces externes telles que les forces interparticulaires cohésives (Forces de Van Der
Waals, Forces de ponts liquides et forces électrostatiques).

64
L’algorithme général de calcul typique pour la réalisation d’une simulation DEM est
schématisé dans la figure 9 comme suit pour un cas limité de la mécanique :

Figure 9 : Algorithme général de calcul par éléments discrets

Le calcul débute par une configuration initiale du système où à t0 l’ensemble des positions,
accélérations et vitesse des différents éléments est supposé être connu. Ensuite, vient l’étape
de prédiction des mouvements des particules et de la configuration du système sur un
intervalle de temps donné. Les contacts sur l’ensemble du système sont par la suite détectés
sans connaitre réellement les forces de contact. Enfin, les forces agissant sur une seule
particule sont calculées, avec une correction de la configuration du système faite par
prédiction.

Cette étape est répétée N fois ou N représente le nombre total des particules. Ceci permet de
calculer les forces et les couples de contact sur toutes les particules individuellement. Les
vitesses et positions des particules sont alors calculées en résolvant numériquement les
équations de la loi de Newton par rapport au temps, avec un pas de temps donné. Ces étapes
sont répétées pendant la durée requise, pour le nombre de particules simulées, ce qui

65
entraîne la simulation du flux granulaire pendant une certaine durée de temps à déterminer
(Watano and Nakamura, 2019).

2.2.2. Modèles de contact

La modélisation par la méthode des éléments discrets nécessite un certain nombre de

modèles de contact pour la bonne application de l’algorithme de calcul.

Un modèle de contact décrit le comportement des différents éléments lorsqu'ils entrent en

contact les uns avec les autres. Les modèles sont généralement développés grâce à des
langages de programmation informatique puis implémenter par la suite sur les différentes
interfaces dédiées aux simulations par DEM (Narang and Badawy, 2018).

Les modèles de contact sont généralement divisés en modèles de base, modèles de friction
par roulement et modèles supplémentaires.

Un modèle de base définit la collision physique entre les particules d’un milieu granulaire ou
les particules et les parois. Généralement un seul modèle de base peut être ajouté par
simulation et sert à calculer les différentes forces de contacts qui se créent entre les particules
dans les directions normale et tangentielle (Thapa et al., 2018).

Les calculs des résistances à la rotation et de pertes de puissance pendant les mouvements de
rotation sont importants en modélisation par DEM. La plupart des modèles incluent un
composant de friction par roulement pour tenir compte de la résistance des matériaux au
roulement.

Ci-après sont détaillés quelques modèles de base avec certains modules physiques de plus
comme la cohésion.

2.2.2.1. Modèle de contact de Hertz-Mindlin

Ce modèle de contact est considéré parmi les modèles de base en modélisation par DEM. Dans
ce modèle, la composante de force normale est basée sur la théorie de contact hertzien (Hertz,

66
1882). Elle décrit une relation entre la force normale ‫ܨ‬௡ et le chevauchement normale ߜ௡ à
l'interface de contact entre deux sphères.

Le modèle de Hertz est basé sur de nombreuses hypothèses :

- La surface de contact entre les deux particules est continue et conforme.

- Les déformations sont petites et élastiques.
- Les matériaux des objets sont isotropes et homogènes.
- Les dimensions des corps sont beaucoup plus grandes que celles de la surface de
contact.

Le modèle de force tangentielle est basé sur les travaux de Mindlin-Deresiewicz (Mindlin,
1949), (Mindlin and Deresiewicz, 1953). Pour mieux expliquer le comportement élastique des
grains en contact, le modèle de contact normal de Hertz a été couplé au modèle de Mindlin,
afin de mesurer le contact tangentiel entre deux sphères sous contrainte de cisaillement.

Les forces normales et tangentielles ont toutes deux des composantes d'amortissement dont
le coefficient d'amortissement est lié au coefficient de restitution décrit par Tsuji et al., (Tsuji
et al., 1992). Enfin, la force de frottement tangentielle suit le modèle de la loi de Coulomb
comme a été décrit par Cundall et Strack (Cundall and Strack, 1979).

La force normale de contact ‫ܨ‬௡ est donc exprimée en fonction du chevauchement normal ߜ௡
et est donnée par :

య
ସ ‫כ‬
‫ܨ‬௡ ൌ ‫ܧ‬
ଷ
ξܴ ‫ߜ כ‬௡మ ………………. (25)

Où le module de Young équivalent E* et le rayon équivalent R* sont définis comme suit :

ଵ ሺଵିజ మ೔ ሻ ሺଵିజ మೕ ሻ
ൌ ൅ ………………. (26)
ா‫כ‬ ா೔ ாೕ

ଵ ଵ ଵ
ൌ ൅  ………………. (27)
ோ‫כ‬ ோ೔ ோೕ

Avec Ei, νi, Ri et Ej, νj, Rj les modules de Young, les coefficients de Poisson et le rayon de deux
particules en contact.

67
De plus, la force d'amortissement, ‫ܨ‬௡௔ est donnée par :


ହ ሱሮ
‫ܨ‬௡௔ ൌ ʹට଺ ߚඥܵ௡ ݉‫ߥ כ‬௡ೝ೐೗ ………………. (28)

ିଵ
ଵ ଵ
݉‫ כ‬ൌ ൬ ൅ ൰ ………………. (29)
௠೔ ௠ೕ

ሱሮ
Où ߥ௡ೝ೐೗ est la composante normale de la vitesse relative et ݉‫ כ‬la masse équivalente.

β et Sn (coefficient d’amortissement et la rigidité normale) sont donnés par :

ି ୪୬ ௘
ߚ ൌ ξ୪୬ ………………. (30)
௘ మ ାగమ

ܵ௡ ൌ ʹ‫ כ ܧ‬ඥܴ ‫ߜ כ‬௡ ………………. (31)

Où e est le coefficient de restitution.

La force tangentielle Ft dépend du chevauchement tangentiel δt et de la rigidité tangentielle

St.

‫ܨ‬௧ ൌ െʹܵ௧ ߜ௧ ………………. (32)

Avec :

ܵ௧ ൌ ͺ‫ כ ܩ‬ඥܴ ‫ߜ כ‬௡ ………………. (33)

Avec G* le module de cisaillement équivalent.

Enfin, l'amortissement tangentiel est donné par :

ହ ሱሮ
‫ܨ‬௧௔ ൌ ʹට ߚඥܵ௧ ݉‫ߥ כ‬௧ೝ೐೗ ………………. (34)
଺

ሱሮ
Où ߥ௧ೝ೐೗ est la vitesse tangentielle relative.

La force tangentielle est limitée par la friction de Coulomb μs Fn où μs est le coefficient de

frottement statique (Tsuji et al., 1992).

‫ܨ‬௧ ൌ ߤ௦ ‫ܨ‬௡ ………………. (35)

68
 Figure 10 : Schéma descriptif du modèle de Hertz-Mindlin

2.2.2.2. Le modèle Hertz-Mindlin avec JKR

Le modèle Hertz-Mindlin avec JKR (Johnson-Kendall-Roberts) est un modèle de contact de

cohésion qui tient compte de l'influence des forces de Van der Waals dans la zone de contact
et permet de modéliser des systèmes fortement adhésifs, comme des poudres sèches
cohésives ou des matériaux humides. Dans ce modèle, la mise en œuvre de la force de contact
élastique normale est basée sur la théorie de Johnson-Kendall-Roberts (Kendall, 1971).

Ce modèle de contact utilise les mêmes calculs que le modèle de contact Hertz-Mindlin pour
les types de force suivants :

- Force élastique tangentielle.

- Force de dissipation normale.
- Force de dissipation tangentielle.

La force normale JKR dépend du chevauchement δ et de l'énergie de surface γ (élément

d’interaction) comme suit :

య
ସா ‫כ‬
‫ܨ‬௃௄ோ ൌ െͶඥߨߛ‫ܽ כ ܧ‬మ ൅ ܽଷ ………………. (36)
ଷோ ‫כ‬

௔మ
ߜൌ ோ‫כ‬
െ ඥͶߨߛ ܽΤ‫……………… כ ܧ‬. (37)

69
Avec E*, R* et a sont le module de Young équivalent, le rayon équivalent et le rayon de contact
définis dans le modèle de contact Hertz-Mindlin.

Pour une énergie de surface nulle, la force normale de contact JKR se transforme en force
normale Hertz-Mindlin telle que :

య
ସ
‫ܨ‬ு௘௥௧௭ ൌ ଷ ‫ כ ܧ‬ξܴ ‫ߜ כ‬௡మ ………………. (38)

La plupart des simulations utilisant ce modèle de contact ne prennent en compte qu’une

version simplifiée de la physique de cohésion ne dépendant que de l’énergie de surface entre
les particules. Cela engendre quelques limitations comme : une application du modèle qu’aux
systèmes monodisperses ; les forces d’attraction sont qualifiées de courte portée et la
physique du module de rupture de contact n’est pas prise en compte.

2.2.2.3. Le modèle Hertz-Mindlin avec JKR version 2

Le modèle Hertz-Mindlin avec JKR 2 (Thornton, 2015) a été proposé en complément du

modèle JKR avec une implémentation plus complète et plus précise de la théorie de JKR
(Kendall, 1971). Dans cette version, l’énergie de surface interfaciale entre deux particules est
prise en compte en plus d’un travail supplémentaire, fourni afin de rompre le contact entre
les particules sous l’effet de contrainte externe. Le comportement de plusieurs matériaux de
systèmes polydisperses est aussi capturé.

La force de contact normale JKR 2 en fonction de l’énergie de surface interfaciale ߁ est

représentée par l’équation suivante :

ସா ‫ כ‬௔య
‫ܨ‬௃௄ோଶ ൌ െ ሺͺߨ߁‫ܽ כ ܧ‬ଷ ሻଵȀଶ………………. (39)
ଷோ ‫כ‬

௔మ ଶగ௰௔ ଵȀଶ
ߜൌ ோ‫כ‬
െቀ ቁ ………………. (40)
ா‫כ‬

Ɂet a sont respectivement le chevauchement entre deux particules et le rayon de contact

߁ ൌ ߛଵ ൅ ߛଶ െ ߛଵǡଶ ………………. (41)

70
ߛଵ ݁‫ߛݐ‬ଶ sont les énergies de surfaces des particules 1 et 2 et ߛଵǡଶ est l'énergie de surface de
l'interface.

Dans le cas d’un système monodisperse où deux particules de même taille et du même
matériau se chevauchent, l’énergie de surface de l’interface ߛଵǡଶ devient nulle et ainsi l’énergie
de surface interfaciale devient ߁ ൌ ʹߛ .

La force de rupture, force nécessaire pour rompre le contact entre deux particules est :

ଷ
‫ܨ‬௥௨௣ ൌ െ ߨܴ ‫……………… ߁ כ‬. (42)
ଶ

La figure 11 représente la force normale en fonction du chevauchement ߜ pour le modèle de

Hertz-Mindlin et pour le modèle de Hertz Mindlin avec JKR. Le point 1 représente l’équilibre
dans le cas d’un milieu cohésif. Au point 2, le contact est établi (le chevauchement est nul).
Au point 3, la force de retrait est atteinte. Au-delà (zone 4), le contact est rompu.

Figure 11 : Variation de la force normale en fonction du chevauchement pour le modèle de

Hertz-Mindlin et pour le modèle de Hertz-Mindlin avec JKR
(E. Simulation, https://www.edemsimulation.com/, 26/10/2021)

2.2.2.4. Modèle de contact par ponts liquides

Lorsque des surfaces liquides se trouvent à proximité, un pont liquide se créé entre elles, ce
qui engendre une force d'attraction due à la tension superficielle et à la pression

71
hydrostatique à l'intérieur du pont. L’équation de Laplace-Young peut permettre de calculer
la différence de pression entre deux surfaces séparées par un liquide.

ଵ ଵ
οܲ ൌ ߛሺ െ ሻ ………………. (43)
ோభ ோమ

Où ߛ est la tension de surface et R1 et R2 les rayons de courbures.

La force capillaire est quant à elle estimée par l’équation suivante :

‫ܨ‬௖௔௣ ൌ ʹߨߛܽ •‹ሺ߶ሻ •‹ሺ߶ ൅ ȣሻ ൅ Ɏܽଶ ȟܲ‫݊݅ݏ‬ଶ ሺ߶ሻ ………………. (44)

Où ߶ est l’angle de demi-remplissage et ȣ l’angle de contact entre le pont liquide et la

particule, comme schématisé sur la figure 12 ci-dessous :

Figure 12 : Exemple de pont liquide ((Zuo et al., 2006))

Une problématique de ce modèle de cohésion réside dans la détermination des rayons de

courbures qui peut s’avérer complexe selon la géométrie du pont et des propriétés du liant.

Pour pallier cette problématique, il existe des modèles largement utilisés qui consistent à
établir une relation entre la force, le volume du pont liquide, l’angle de contact et la distance
entre les particules. Ce modèle a été écrit et validé Remy et al., (Remy et al., 2011) pour des
particules de même taille avec la même teneur en eau.

Une seconde méthode, souvent utilisée due à sa simplicité est l’utilisation de l’approximation
toroïdale de Fisher :

ఘభ ାఘమ
‫ܨ‬௖௔௣ ൌ ߨߛߩଶ ఘభ
………………. (45)

72
Avec les rayons de courbures spécifiques ߩଵ et ߩଶ représentés sur la figure ci-dessous :

Figure 13 : Exemple de pont liquide ((S. C. Yang & Hsiau, 2001))

2.3. Modèles hybrides

En plus des modèles de bilans de population et des éléments discrets, il existe des modèles
hybrides, offrant l'avantage de combiner deux ou plusieurs modèles et donc de minimiser les
limites de chacun individuellement.

Sachant que le procédé de granulation humide se compose de phases solide et liquide, il est
préférable de modéliser les deux phases individuellement, ce qui peut être réalisé en utilisant
des modèles hybrides (Thapa et al., 2018).

Parmi les différents modèles hybrides les plus utilisés, on cite les modèles DEM couplés aux
PBM. Comme mentionné précédemment, la modélisation par bilans de population est
souvent utilisée pour étudier les différents mécanismes de granulation humide. Ces
mécanismes sont directement affectés par les comportements intra et interparticulaires.

Ce modèle hybride peut donc être utilisé pour déterminer l'effet des collisions particules-
particules et particules-équipements tout en contrôlant chaque mécanisme individuellement
(Reinhold and Briesen, 2012). Barrasso et al., ont utilisé ce modèle hybride afin de développer
la modélisation PBM-DEM multi-échelle prenant en compte les fréquences de collisions et la
distribution des liquides pour expliquer les sous-processus complexes de la granulation
humide. Ils ont démontré l'effet de la distribution granulométrique sur la fréquence des
collisions et l'augmentation de la taille des particules dans le temps (Barrasso et al., 2015).

73
Il existe aussi un autre modèle hybride couplant la DEM avec la CFD, la Mécanique des Fluides
Numériques (MFN), plus souvent désignée par le terme anglais Computational Fluid
Dynamics (CFD). Mais ce modèle est plus utilisé dans les procédés de granulation en lit fluidisé
(Börner et al., 2017).

3. Outils de calibration numérique des paramètres DEM

L’usage de la DEM est souvent rapporté aux problèmes de traitement de poudres dans
différents domaines, tels que les industries pharmaceutiques où la poudre fait partie des
matériaux de base pour la fabrication de différentes formes pharmaceutiques. Ces poudres
ont souvent assez sensible et nécessite généralement un traitement rigoureux pour la bonne
conduite de la chaine de fabrication tout en assurant une bonne répétabilité des différentes
expériences menant au produit final.

Afin de prédire le comportement physique d’une poudre par la DEM lors du fonctionnement
d’un procédé donné, il est nécessaire d’entamer une étape de calibration afin de valider le
modèle numérique utilisé. Plusieurs tests expérimentaux et reproductibles numériquement
peuvent être utilisés selon les mécanismes critiques qui se reproduisent dans les réelles
applications. Cela mène au choix de tests expérimentaux simples qui seront en mesure
d’englober ces mécanismes et paramètres en question. Une procédure de calibration est alors
à suivre selon des étapes précises et pouvant être utilisée tout en assurant la reproductibilité
du test expérimental en question. Le but est de prédire numériquement le système tout en
s’approchant au mieux de l’expérience. Les paramètres en question seront alors calibrés. Les
étapes à suivre lors d’une calibration sont les suivantes.

Le choix d’un test expérimental simple et reproductible qui fera office d’un test d’étalonnage
approprié et parmi ces tests nous retrouvons : l’angle de repos statique ou dynamique
(Mesnier et al., 2019), les tests de densité aérée ou tapée (compressibilité) (Jager et al., 2015),
les tests en cellule de cisaillement annulaire (Salústio et al., 2020) et les tests avec le
rhéomètre FT4 Freeman (Hare et al., 2015; Vivacqua et al., 2019; Wilkinson et al., 2017).

- Les tests cités ci-dessus mènent à la calibration de différents paramètres et le choix du

test dépend du paramètre sollicité lors d’un procédé. Il est donc nécessaire d’identifier

74
 les paramètres au préalable et les quantifier soit expérimentalement par des tests de
calibration simples ou les récupérer de la littérature. Parmi les paramètres qui peuvent
être identifiés au préalable nous retrouvons : la distribution granulométrique des
particules, le module de cisaillement qui est relié au module d’élasticité (module de
Young (Bassam et al., 1990; Perkins et al., 2007)), les coefficients de frottement
statique et au roulement (Baxter et al., 2000), les coefficients de restitution (Crüger et
al., 2016; Li et al., 2019), la masse volumique des particules et l’énergie de surface
(Spillmann et al., 2008). D’autres paramètres peuvent être calibrés en fonction de la
nature du système.
- Une fois que les expériences de calibrations préliminaires sont faites, les données
obtenues seront utilisées afin de démarrer les simulations de calibrations numériques.
Le choix d’un modèle numérique permettant de bien décrire le contact entre les
particules et les phénomènes d’interaction est très important et dépend forcément
des paramètres à calibrer.
- Une calibration réussie part d’une distribution granulométrique appropriée en
s’approchant au mieux de l’expérience et d’un ajustement des paramètres de contact
particule-particule et particule-paroi de la géométrie. Cela peut être fait en exécutant
un certain nombre de simulations DEM à petite échelle en plus des paramètres ciblés
pour chaque procédé. Et ainsi la combinaison des paramètres qui fournit les résultats
les plus proches des données expérimentales dans une marge d’erreur acceptable est
celle qui est choisie.

Ces outils de calibration nous fournissent ainsi une prédiction des paramètres DEM en passant
par une étape de mesure expérimentale avec des tests de répétabilité et une étape de
modélisation avec le choix du modèle physique adéquat.

4. Applications de la DEM en granulation humide

La compréhension des propriétés d’écoulement granulaire et du comportement de mélange

des poudres à l'intérieur des granulateurs peut contribuer de manière significative à la
conception rationnelle d'un bon processus de granulation. C’est pour cela que nous nous

75
sommes orientées dans cette étude vers une approche DEM. Elle représente un outil puissant
et un véritable atout pour le calcul et la représentation quantitative de ces propriétés. Elle est
classée parmi les approches les plus prometteuses pour la modélisation et l'analyse des
processus de granulation. Toutefois, son application soulève certaines contraintes cruciales
comme la limitation du nombre de particules, qui est souvent très inférieur à celui des
processus réels de granulation. La méthode des éléments discrets a néanmoins été considérée
jusqu’à présent comme un très bon outil qui peut fournir des informations importantes sur la
conception des processus de granulation. Par ailleurs, cette méthode reste en bonne voie
d’exploitation pour une meilleure prédiction du phénomène réel de granulation humide
(Suresh et al., 2017).

Plusieurs études ont appliqué la DEM à la compréhension du procédé de granulation. Des

exemples d'application ont tourné autour de l'analyse et à la conception de granulateurs
typiques tels que les granulateurs à fort taux de cisaillement. D’autres exemples ont étudié
des systèmes de granulation humide très simplifiés. Muguruma et al., ont été parmi les
premiers à utiliser la méthode des éléments discrets dans le cadre de la granulation humide.
Ils ont pu réaliser une simulation numérique de l'écoulement de particules mono-sphériques
avec une petite quantité d'eau dans un granulateur centrifuge à tambour en utilisant la DEM
(Muguruma et al., 2000). Un modèle de force d'adhérence agissant sur deux particules a été
formulé en utilisant la théorie du pont liquide. Dans ce modèle le comportement des
particules en contact avec l’eau est prédit lorsque des ponts sont formés sur leurs couches
externes. Une fois que l'emplacement du pont a été déterminé, il a été supposé que l'eau se
répartissait uniformément entre les particules. Les simulations ont indiqué que la force
d'adhérence due aux ponts liquides affecte largement l'écoulement des particules. Des
mesures de la vitesse des particules en mouvement ont été effectuées et celles-ci ont bien été
validé par les résultats de la simulation. Litster et al ont tout de même appuyé cette approche,
où la DEM a été exploité pour l’analyse d’un flux granulaire dans un mélangeur granulateur
(Litster et al., 2002).

Terashita et al ont étudié un mélange de poudres dans un mélangeur granulateur à

cisaillement élevé au moyen d'une simulation DEM (Terashita et al., 2002). Ils se sont
concentrés sur le mélange/séparation de poudres hétérogènes avec des densités différentes.

76
La cinétique de mélange et de ségrégation à l'intérieur de la cuve a été étudiée et analysée
quantitativement.

En 2003 Sinnott et Cleary ont utilisé la DEM pour étudier la conception et l’optimisation des
broyeurs mélangeurs à fort taux de cisaillement, où l’effet de la géométrie de l’enceinte sur
les particules a été relevé (Sinnott and Cleary, 2003).

Shi et McCarthy ont développé un modèle dynamique de transfert de liquide à utiliser dans la
modélisation par éléments discrets, de systèmes à particules hétérogènes. Ce modèle a été
couplé avec une simulation DEM d’une pulvérisation de liquide sur un lit de poudre dans un
tambour rotatif (principe utilisé en granulation humide). Leur modèle a notamment été validé
par des essais expérimentaux (Shi and McCarthy, 2008).

Ketterhagen et al., se sont intéressés à différentes approches pour la modélisation par DEM
de plusieurs procédés pharmaceutiques dont la granulation (Ketterhagen et al., 2009). La
revue de Cameron et al., sur le même sujet y a été citée (Cameron et al., 2005), notamment
les travaux de Gantt et al., qui ont simulé un granulateur à fort taux de cisaillement en utilisant
une approche avec des conditions limites périodiques pour représenter un flux granulaire
(Gantt and Gatzke, 2005) (Gantt et al., 2006).

Les travaux de Antonyuk et al., Sato et al., Hassanpour et al., Liu et al., et Nguyen et al., ont
aussi utilisé la DEM pour simuler de simples systèmes autour de la granulation humide
(Antonyuk et al., 2006), (Sato et al., 2008), (Hassanpour et al., 2009), (Liu et al., 2013), (Nguyen
et al., 2014). Notamment Nakamura et al., et Nasato et al., qui l’ont utilisé pour des études
de mise à l’échelle (Nakamura et al., 2013) et (Nasato et al., 2015).

Récemment, Sarkar et Chaudhuri ont fait une étude d’un système simple de granulation
humide à fort taux de cisaillement (Sarkar and Chaudhuri, 2018). Le but était de mettre en
place un modèle DEM dans des conditions dynamiques de procédé pour améliorer la
compréhension du processus. Le modèle utilisé suit la formation dynamique et la rupture des
ponts liquides entre les particules au fur et à mesure de l’ajout du liant dans le système. Le
produit type utilisé pour les études expérimentales et numériques est le Lactose Fast Flo (316
NF Kerry Inc) de taille (d50 = 67 μm), avec de l’eau comme liant. Les expériences de
granulations ont été réalisées dans une cuve de 1 L fixée à un granulateur KG5 (Key

77
International, NJ). Le système a été ensuite modélisé avec les mêmes caractéristiques de
géométrie et propriétés des paramètres d’entrée. L’approche utilisée a été celle des ponts
liquides avec des teneurs en liquide entre 5 et 10 %. Les effets du débit d'addition de liquide
et de la vitesse de rotation de la turbine ont été examinés en suivant la formation dynamique
et la rupture des ponts liquides. De plus, les résultats expérimentaux et numériques se sont
comparées favorablement donnant une validité au modèle.

Les simulations par éléments discrets nécessitent généralement une connaissance de certains
paramètres d’entrée. Alizadeh et al., ont mis en place une méthodologie d’étalonnage des
paramètres d’entrée DEM avec des simulations de poudres cohésives (Alizadeh et al., 2018).
Un mélange contenant trois particules modèles a été utilisé afin de simuler leur ségrégation
lors de la formation d’un tas. Les particules ont été enrobées de polyéthylène glycol 400 (PEG
400) afin d’augmenter leur paramètre de cohésion. L'adhérence résultante a été exprimée en
termes d'énergie interfaciale équivalente pour les simulations par DEM et a été réglée par un
étalonnage minutieux en utilisant la méthode de l'angle de repos. Il a été conclu que la
méthodologie d'étalonnage proposée a permis de prévoir les tendances expérimentales de
près et de parvenir à un accord raisonnable par le biais de simulations DEM.

Bien que plusieurs systèmes complexes aient fait l'objet de nombreuses études récentes, il
reste encore beaucoup à faire pour mieux comprendre le procédé de granulation humide et
mieux l’exploiter numériquement à l’échelle mésoscopique mais aussi à l’échelle
microscopique.

78
5. Conclusion

Cette deuxième partie bibliographique a rassemblé les différentes notions en introduction à

la simulation et modélisation du procédé de granulation humide. Les modèles les plus
couramment utilisés de ce procédé ont été détaillés, à savoir l’analyse dimensionnelle, la
modélisation par bilans de population, les modèles par la méthode des éléments discrets, ainsi
que quelques modèles hybrides. Si l’analyse dimensionnelle et les modèles par bilan de
population sont relativement simples à mettre en œuvre, ils ne permettent pas de tenir
compte de la dynamique du procédé. Les modèles hybrides sont quant à eux plus complexes
à mettre en œuvre, et ne se justifient pas pleinement dans ce cas. Les méthodes en DEM
semblent plus pertinentes dans un premier temps pour appréhender les problématiques de
modélisation d’un procédé de granulation humide à fort taux de cisaillement. Les principaux
modèles de contact, avec ou sans cohésion, ont été discutés. L’étude bibliographique s’est
portée plus spécifiquement sur les travaux menés par DEM en granulation humide.

Enfin, les avantages et les inconvénients des trois modèles les plus utilisés à savoir la PBM, la
DEM et les modèles hybrides sont résumés dans le tableau 4 suivant :

Tableau 4 : Synthèse bibliographique des avantages et inconvénients des trois méthodes

numériques appliquées à la granulation humide

79
80
 Chapitre II : Étude expérimentale et numérique de
calibration des paramètres d'entrée pour la simulation
du procédé de granulation humide

81
 1. Introduction

Les solides divisés sont une part importante des produits, finis ou intermédiaires, utilisés dans
un grand nombre d’industries (chimique, pharmacie, agroalimentaire, …). Néanmoins, la
production et la manipulation des poudres (mélange, transformation, stockage, transport,
écoulement, …) engendrent un certain nombre de difficultés de mises en œuvre dans la chaine
de fabrication : on peut citer les problèmes de ségrégation lors des opérations de mélange,
d’écoulement lors du stockage et du transport, d’hétérogénéités pour différentes applications
telles que la granulation ou la compression.

Ces problématiques peuvent être liées soit aux propriétés intrinsèques de la poudre (taille,
forme, …) mais également aux paramètres du procédé (géométrie, agitation, conditions
opératoires, …). S’il est possible de multiplier les expériences pour vérifier la faisabilité de
l’opération de manipulation, la démarche reste néanmoins couteuse à la fois en temps et en
quantité de poudre qui peut être à haute valeur ajoutée. L’objectif de ce chapitre est une
étude préliminaire pour développer un outil capable de prédire le comportement de poudre
cohésive et non cohésive lors de manipulations relativement simples à mettre en œuvre
numériquement. La méthode des éléments discrets a été utilisée avec les modèles de contact
Hertz-Mindlin et Hertz-Mindlin avec JKR. Dans un premier temps, nous mettrons en place la
méthodologie en étudiant les paramètres clés qui régissent l’écoulement tels que le
coefficient de frottement statique, l’énergie de surface, ainsi que la granulométrie des
poudres traitées. Des tests de calibration ont été fait au moyen d’essais d’angles de repos
statique. Dans un second temps, des essais de tassement ont été validés avec des mesures
expérimentales.

82
 2. Matériels et méthodes
2.2. Étude expérimentale
2.2.1. Choix des poudres modèles et formation des granulés

Expérimentalement, deux types de poudres pharmaceutiques (excipients) ont été

sélectionnés, à savoir la cellulose microcristalline (MCC Vivapur®, sphères de 100 μm de
diamètre moyen, JRS) et le lactose monohydraté (FlowLac® 100 μm de diamètre moyen,
Meggle) qui ont été utilisés séparément à l'état de poudre fine et de granulés. La granulation
des deux excipients MCC et lactose, a été réalisée séparément selon un protocole
expérimental choisi suite à une étude paramétrique de granulation humide (voir Annexe I)
dans un granulateur de laboratoire à fort taux de cisaillement Glatt TMG 1/6 (figure 14) équipé
d'un bol de 1/2 L ou de 4L. Le protocole expérimental comprend : un pré-mélange à sec
pendant 2 minutes à 100 tours par minute avec la turbine uniquement, la pulvérisation goutte
à goutte d’une solution liante de povidone K30 (PVP K30, BASF) à 3% (m/v), puis une
granulation à 600 tours par minute avec l'utilisation de la turbine et de l'émotteur à lame
croisée pendant 10 minutes, suivie de 5 minutes de maturation. Les granulés sont ensuite
séchés à l'air libre.

Les attributs des différents lots ont été caractérisés en termes de distribution granulométrique
à l'aide d'un granulomètre par diffraction laser (Mastersizer 3000, Malvern), de forme par
microscopie électronique à balayage (MEB), de fluidité avec un testeur de poudre (Hosokawa
PT-X) et de propriétés de compressibilité au moyen d'un voluménomètre de tassement (JEL
STAV II).

Figure 14 : Schéma d'un granulateur de laboratoire à fort taux de cisaillement (Hofmaier, n.d.)

83
 2.2.2. Caractérisation des poudres
Des tests d'écoulement ont été réalisés en utilisant des essais d’angle de repos statique avec
trois tests de répétabilité, pour les poudres de lactose et de MCC non granulées et granulées.
L'équivalent de 200 g de poudre de chaque échantillon a été versé dans la trémie de mesure
du testeur de poudre Hosokawa et l'angle de repos a été évalué. Le testeur de poudre
Hosokawa, développé à l'origine par Hosokawa Micron corporation, est basé sur la théorie de
Carr de Ralph L. Carr (Hosokawa et al., 1988) et sert à caractériser la fluidité et l'écoulement
des poudres sèches. Dans notre cas, les mesures statiques de l'angle de repos ont été
effectuées avec des vibrations de la trémie à une fréquence de 50 Hz et une amplitude de
déplacement de 1 mm. Les amas de poudre sont formés sur une coupelle de 80 mm de
diamètre par chute libre. L'angle de repos est mesuré par une technologie de traitement
d'image, en injectant une source de lumière LED à travers l'échantillon. L'angle formé par les
lignes de crête de la zone où la lumière de la source est obstruée par l'échantillon est capturé,
la valeur de l'angle est alors donnée par la forme du triangle donné.

Dans un deuxième temps, des tests de compressibilité ont été effectués avec un
voluménomètre de tassement (Jel STAV II). Il est utilisé pour déterminer le volume d'un
produit avant et après tassement afin d'obtenir les densités apparentes vrac et tassée. Les
mesures sont effectuées à l'aide d'une éprouvette graduée de 250 mL après 500 tassements
d’une hauteur de 3 mm ± 0,2 mm. La compressibilité est déterminée en mesurant la hauteur
de la poudre dans l'éprouvette graduée avant et après tassement.

2.3. Étude numérique

2.3.1. La modélisation par DEM

La méthode des éléments discrets détaillée en section 2.2 (Chap1. Partie II) a été utilisée
pour l’étude de calibration numérique. Le modèle de base de contact Hertz-Mindlin a été
repris pour les particules non-granulées et le modèle de contact Hertz-Mindlin avec JKR a été
utilisé pour les particules granulés.

84
 2.3.2. Procédure de simulation par DEM
Les simulations ont été réalisées sur une station de calcul DELL (T7910) avec deux processeurs
à 10 cœurs (Intel Xeon E5-2660v3) en utilisant le logiciel commercial Académique EDEM
2020.1. Les paramètres de simulation ont été définis pour chaque matériau, c'est-à-dire les
paramètres mécaniques du lactose et de la MCC résumés dans le tableau 5.

Ces paramètres d'entrée de la simulation ont été généralisés pour toutes les simulations. Le
pas de temps qui a été fixé à 20% du pas de temps théorique de Rayleigh pour les particules
d'un diamètre inférieur à 0,7 mm et porté à 40% comme valeur maximale pour celles d'un
diamètre de 1 mm. Ce paramètre dépend de la taille et des propriétés mécaniques des
particules car il caractérise le temps nécessaire à une onde de cisaillement de se propager à
travers une particule. Nous avons bien conscience que pour quelques applications de
transformation, certains de ces paramètres pourraient varier au cours du temps. Néanmoins,
la valeur des coefficients de roulement a été minimisée et la valeur des coefficients de
restitution est peu affectée par la taille des particules. Par ailleurs, une étude paramétrique
sur certains d’entre eux n’a pas montrer d’influence significative.

En revanche, les coefficients de friction statique particule-particule sont dépendants de la

nature des particules. Ils seront représentés dans la section résultats et discussion car ils ont
fait l'objet d'une étude de calibration. Enfin, la grille des cellules a été fixée à 3 fois le rayon
minimal (3R min), ce qui garantit que la distance de recherche des particules voisines est
supérieure à 3 fois le rayon de la plus petite particule. Pour le modèle de contact, comme
décrit précédemment, le "modèle de contact de Hertz-Mindlin" et le "modèle de contact de
JKR Hertz-Mindlin" ont été sélectionnés pour les simulations de particules non granulées et
granulées.

Une configuration de simulation DEM pour le testeur de poudre Hosokawa et le

voluménomètre de tassement a été établie en utilisant le logiciel académique EDEM, en
représentant numériquement les dispositifs expérimentaux avec la même géométrie et les
mêmes dimensions (figures 15 et 16).

Les angles de repos de nos différentes poudres ont été mesurés par la même méthode
expérimentale (méthode triangulaire), tandis que la compressibilité a été mesurée en

85
capturant le volume et la hauteur de la poudre dans le cylindre de 250 mL avant et après le
tassement.

Tableau 5 : Propriétés mécaniques des matériaux lactose et MCC (G : Granulés, NG : Non

granulés)

Propriétés des matériaux Unités NG - lactose G - Lactose NG - MCC G – MCC

Distribution granulométrique 0,456 – 0,546 – 0,421 – 0,692 –
[mm]
des particules *** 0,789 2,541 0,636 1,777
Coefficient de Poisson (ν) *** [-] 0,25

Masse volumique (ρ) ** [‰Ȁଷ ሿ 590 644 460 687

Module de Young (E)* [GPa] 11,4 1,14 8,67 8,67

Module de Cisaillement (G)* [GPa] 4,54 4,54 3,47 3,47

Coefficients Particule – Particule

Coefficient de restitution *** [-] 0,35 0,15 0,35 0,15

Coefficient de friction au
[-] 0,01 0,05 0,01 0,05
roulement ***
Coefficients Particule – Paroi

Coefficient de restitution*** [-] 0,50

Coefficient de frottement
[-] 0,45
statique ***
Coefficient de friction au
[-] 0,15
roulement ***

* Données de (Bassam et al., 1990; Perkins et al., 2007)

** Données expérimentales
*** Paramètres estimés

86
 Figure 15 : Images du testeur de poudre expérimental HOSOKAWA à gauche et du testeur
simulé par EDEM à droite (vues de face et de côté)

Figure 16 : Images du voluménomètre de tassement expérimental à gauche (© Engelsmann)

et de l'appareil simulé par EDEM à droite (vues de face et de côté)

87
3. Résultats et discussion

3.1. Caractérisation des poudres

Les excipients pharmaceutiques utilisés dans cette étude sont fondamentalement des
poudres fines non-granulées. Nous avons donc procédé à une granulation humide selon le
protocole expérimental décrit précédemment, à la fois pour le Lactose et la MCC séparément,
afin de les tester sous forme non granulée et granulée.

Les résultats de caractérisation des poudres et granulés ont permis d’avoir une idée sur leur
forme, taille et propriétés d’écoulement. Les images au microscope électronique à balayage
(figure 18) montrent l’aspect granulaire après 10 minutes de granulation (Voir en Annexe II
pour d’autres images à différentes échelles). D’un point de vue numérique, ces deux types de
particules sont représentées par des sphères, ce qui semble adapté pour la MCC, beaucoup
moins pour le lactose au regard des photos de MEB montrant des amas de particules. Il en est
de même pour les particules non granulées (figure 17). C'est pourquoi la plupart de nos tests
numériques ont été réalisés avec la poudre de MCC.

Quant à la polydispersité des particules, elle a été numériquement prise en compte en suivant
les résultats des distributions granulométriques expérimentales (figure 19). On note que la
distribution de la MCC granulée est plus resserrée. Par la suite, les différentes études de
calibration ont été réalisées sur les 4 types de poudre : Lactose ou MCC granulés et non-
granulés, en considérant les conditions susmentionnées, particulièrement la polydispersité.

88
 (a) (b)

(c) (d)

Figure 17 : Images au MEB des particules de lactose ((a) à 50 μm, (b) à 300 mm)
et de MCC ((c) à 50 μm, (d) à 300 μm) avant granulation

Figure 18 : Images au MEB des granulés de lactose ((a) à 500 μm, (b) à 1 mm)
et de MCC ((c) à 500 μm, (d) à 1 mm) après 10 minutes de granulation

89
 Lactose MCC

Volume (%)
Volume (%)

(a)

Classes de tailles (μm) Classes de tailles (μm)

Volume (%)

Volume (%)
(b)

Classes de tailles (μm) Classes de tailles (μm)

Figure 19 : Distribution expérimentale de la taille des particules de Lactose et de MCC avant

(a) et après (b) granulation

90
 3.2. Étude de calibration des paramètres d’entrées DEM
3.2.1. Prédiction du coefficient de frottement statique
Dans le cadre d'une simulation DEM, il convient de prendre en compte un certain nombre de
paramètres d'entrée afin d'assurer le bon déroulement du modèle. Certains de ces éléments
peuvent être identifiés facilement dans la littérature, à savoir le module d'Young ou le module
de cisaillement, d'autres, comme on l’a déjà discuté en 1.1.2, peuvent évoluer au cours de la
granulation, mais ont une faible influence sur les applications visées (coefficient de frottement
au roulement ou le coefficient de restitution). Le modèle DEM nécessite toutefois une
connaissance précise de :

- Un paramètre pour les simulations de poudre sèche : le coefficient de frottement

statique μs (Eq. 35)
- Deux paramètres pour les simulations de poudre cohésive : le coefficient de
frottement statique et l'énergie de surface γ (Eq. 36).
Même si certaines données peuvent être trouvées dans la littérature, une calibration par
l'expérimentation est privilégiée pour l'estimation de ces deux paramètres. La démarche
consiste à ajuster le coefficient de frottement statique à des résultats expérimentaux. On
trouve notamment dans la littérature des calibrations avec des mesures d’angle de repos
(Mesnier et al., 2019), avec des mesures de contrainte tangentielle (Bednarek et al., 2017;
Simons et al., 2015). Nous avons retenu la mesure de l’angle de repos, qui était plus simple à
mettre en œuvre à la fois expérimentalement et numériquement. Nous avons donc ajusté les
coefficients de frottement statique et d'énergie de surface par des essais d'angle de repos
statique. Cette étude a d'abord été réalisée d'un point de vue expérimental afin de se
positionner sur une gamme donnée d'angle de repos statique expérimental. À partir de ces
valeurs, nous avons procédé à des essais numériques prédictifs afin de se rapprocher le plus
possible des valeurs expérimentales et d'ajuster les paramètres qui nous font revenir à la juste
valeur de l'angle expérimental.

Cette méthodologie a été adoptée pour des poudres de lactose et de MCC granulées et non-
granulées tout en assurant une bonne répétabilité. Les résultats de cette première étude
préliminaire sont présentés sur les figures 20 et 21. De plus, le tableau 6 montre les résultats
des coefficients ajustés pour chaque type de poudre ou de granulés.

91
 Figure 20 : Ajustement du coefficient de frottement statique de la poudre et des granulés de
Lactose : Angles de repos expérimentaux (a) poudre : 29,70° ; (c) granulés : 32, 00°. Angles de
repos numérique (b) poudre : 29,67° ; (d) granulés : 32,07

Figure 21 : Ajustement du coefficient de frottement statique de la poudre et des granulés

d'MCC : Angles de repos expérimentaux (a) poudre : 28,60° ; (c) granulés : 33,70°.

92
La figure 20d illustre la méthode numérique de mesure de l'angle en faisant une coupe au
milieu du tas et en traçant un triangle qui relie les trois extrémités du tas. L'angle est ainsi
donné par le rapporteur directement sur l'interface EDEM. Grâce à cette étude de calibration,
nous avons pu calibrer les coefficients des matériaux relatifs aux poudres de lactose et de MCC
(granulé et non granulé) et cela a été validé par les résultats des tests expérimentaux et de
simulations qui sont en parfait accord.

Il a été observé que plus l'angle de repos est élevé, plus le coefficient de frottement statique
est élevé. Cela s'explique par le fait que pour former un amas plus élevé et plus stable, la force
qui tend à maintenir un corps dans un état statique doit être élevée. Ces coefficients sont
spécifiques à chaque type de poudre, donc la comparaison avec la littérature est compliquée.
On peut citer, tout en restant prudent sur la comparaison, les travaux de Zafar et al., (Zafar
et al., 2014) qui ont mesuré par une méthode de chute de particules sur un substrat, une
énergie interfaciale du lactose de l’ordre de 10 mJ/m² correspondant à l’ordre de grandeur de
nos mesures.

La calibration est une étape importante pour la fiabilité du modèle qui sera utilisé dans
diverses applications de ces produits telles que la granulation humide par exemple. Elle est
nécessaire, doit être précise et nécessite une mesure expérimentale. Néanmoins, un seul test
expérimental est requis, et il peut être assez simple à mettre en œuvre.

Tableau 6 : Les coefficients de frottement statique calibrés

Propriétés des matériaux Unités NG - lactose G - Lactose NG - MCC G - MCC
Coefficient de frottement 0,25 0,80 0,40 0,95
[െሿ
statique

Énergie de surface [J/m²] 0,00 0,09 0,00 0,09

Angle de repos expérimental [°] 29,70 32,00 28,60 33,70

Angle de repos numérique [°] 29,60 32,07 28,70 33,80

93
 3.3. Études de cas de validations expérimentales et numériques
Afin de tester la fiabilité de l’étape de calibration, nous avons simulé des essais de
compressibilité en utilisant les mêmes paramètres d’entrée du modèle (tableau 5) et les
mêmes coefficients de calibration (tableau 6) pour la poudre et les granulés de MCC ainsi que
de lactose. Nous avons ensuite confronté les résultats numériques aux valeurs
expérimentales.

3.3.1. Applications de compressibilité

Les essais de compressibilité expérimentaux et numériques ont été réalisés en utilisant un
voluménomètre de tassement. Lors de ces essais, 100 g de MCC granulée ont été utilisés et
les mêmes coefficients particule-particule que ceux utilisés lors de l'essai de calibration de
l'angle de repos statique ont été considérés. Le tableau 7 résume les propriétés mécaniques
des granulés retenus pour cet essai de validation. Les essais ont été effectués avec des
vibrations rotatives de 1 mm d'amplitude pendant une minute.

Les résultats expérimentaux et numériques avant et après compressibilité sont présentés sur
la figure 22. Suite aux essais de compressibilité expérimentaux et numériques, nous avons
mesuré les hauteurs des poudres contenues dans les éprouvettes de mesure avant et après
tassement. Ceci a montré que les résultats expérimentaux et numériques sont en parfaite
concordance avec une marge d'erreur maximale de ±0,2 cm.

Ceci confirme la bonne précision de nos résultats de prédiction des coefficients de frottement
statique issus de l'étude de calibration. Ce qui signifie que le modèle est capable de prédire le
comportement d'une poudre monodisperse ou bien polydisperse. Ces résultats peuvent être
utilisés dans d'autres simulations, telles que des études de l'influence de la granulométrie sur
l'écoulement de la poudre ou dans des simulations plus avancées de granulation humide.

D’autres essais de validation ont été effectués avec la poudre de MCC ainsi que les granulés
de Lactose. Le tableau 8 résume les résultats expérimentaux et numériques des hauteurs de
poudre avant et après tassement. Ceci montre une encore une fois la cohérence entre les
résultats expérimentaux et numériques.

94
 Tableau 7 : Propriétés mécaniques des matériaux pour les essais de compressibilité

Propriétés des matériaux Unités G – MCC

Distribution granulométrique des particules [mm] 0,692 – 1,777
Coefficient de Poisson (ν) [-] 0,25
Masse volumique (ρ) [‰Ȁଷ ሿ 687
Module de Young (E) [GPa] 8,67
Module de Cisaillement G) [GPa] 3,47
Énergie de surface [J/m²] 0,09
Coefficients Particule – Particule
Coefficient de frottement statique [-] 0,95
Coefficient de restitution [-] 0,15
Coefficient de friction au roulement [-] 0,05

Tableau 8 : Résultats des hauteurs des poudres avant et après tassement pour la poudre et
les granulés de MCC, et les granulés de lactose

Avant tassement Après tassement

Unité
Expérience Simulation Expérience Simulation
Poudre de MCC 11,00 12,00 6,80 6,10
MCC Granulée [cm] 12,00 11,80 9,00 8,60
Lactose Granulée 13,00 12,60 11,80 11,20

95
 Avant tassement

Après tassement

Figure 22 : Résultats avant et après le tassement des granulés de MCC.

3.3.2. Influence de la granulométrie sur les propriétés d’écoulement des poudres

La distribution granulométrique est l'un des paramètres qui régit le comportement
d'écoulement des poudres. Il est connu que les angles de repos statiques changent en fonction
de la taille des particules. Pour en savoir plus, nous avons réalisé une série de tests
expérimentaux et numériques de l'angle de repos statique.

Nous avons utilisé 3 tailles différentes de poudre de MCC, à savoir : poudre (A) : 0,1 mm ;
poudre (B) 0,5-0,7 mm ; poudre (C) : 1 mm.

Deux mélanges différents ont été réalisés avec ces poudres : mélange 1 : poudre A + poudre
C ; mélange 2 : poudre B + poudre C. Pour ces deux mélanges, 4 mesures expérimentales de

96
l'angle de repos statique ont été réalisées de manière récurrente avec un pourcentage
croissant de poudre A pour le mélange 1 et de poudre B pour le mélange 2. Afin de mieux
connaître le comportement de ces différents mélanges, nous avons simulé numériquement
les mêmes essais en utilisant uniquement le modèle de contact de Hertz-Mindlin. Pour des
raisons d'accélération du temps de calcul, nous avons augmenté la taille des particules de la
poudre A de 0,1 mm à 0,4 mm afin que le nombre de grilles de cellules ne soit pas trop élevé.
Les différents pourcentages en masse ainsi que le nombre de particules par essai sont
présentés dans le tableau 9, sachant que le nombre total de particules par mélange est
équivalent à 100 grammes de poudre.

Tableau 9 : Nombre de particules par mélange et pourcentage en masse

Mélange 1 Mélange 2
Poudre A Poudre C Poudre B Poudre C
% en masse
0,4 mm 1 mm 0,5 – 0,7 mm 1 mm
0% 0 161214 0 161214
30 % 34291 97495 38960 89690
70 % 77769 38280 90839 38933
100 % 679000 0 209975 0

Comme pour la première étude de calibration, les coefficients de frottement statique ont été
déterminés à partir des angles de repos expérimentaux par test de calibration pour chaque
mélange mais conduisent aux mêmes résultats. Ces coefficients de frottement statique ne
sont pas influencés par la granulométrie. Les différents coefficients, les angles expérimentaux
et numériques ainsi que les propriétés mécaniques pour les 4 pourcentages de chaque
mélange sont résumés dans le tableau 10. Les résultats montrent une fois de plus que le
coefficient de frottement statique est spécifique à chaque mélange de poudre sachant que
cette calibration a été faite pour les mélanges 1 et 2.

97
 Tableau 10 : Simulation des propriétés mécaniques et des angles de repos expérimentaux et
numériques pour les mélanges 1 et 2

Unités 0% 30% 70% 100%

Coefficient de Poisson (ν) [-] 0.25
Module de Young (E) [GPa] 8.67
Module de cisaillement (G) [GPa] 3.47
Coefficient de frottement statique [-] 0.40
Coefficient de Restitution [-] 0.35
Coefficient de frottement au
[-] 0.01
roulement
Mélange 1
Angle de repos expérimental [°] 32.80 29.00 28.56 27.80

Angle de repos numérique [°] 32.80 29.07 26.99 27.58

Mélange 2
Angle de repos expérimental [°] 32.80 31.50 29.84 27.73

Angle de repos numérique [°] 32.24 31.11 29.84 27.66

Les graphiques des figures 23 et 24 représentent les angles de repos expérimentaux et

numériques des deux mélanges réalisés avec des tailles différentes de poudre de MCC en
fonction de l'augmentation des pourcentages des plus fines particules.

Le graphique de la figure 23 correspond au mélange 1. Dans ce mélange, les particules de

poudre de 0,4 mm ont été introduites en pourcentage croissant, on peut voir que lorsque
seules des particules de 1 mm sont présentes, les angles expérimentaux et numériques
correspondent à une valeur de 33,80°. Avec la présence de 30% de poudre plus fine, le
mélange donne un angle de repos légèrement plus bas, et on remarque une légère
stabilisation entre 30 et 70% lorsque les poudres sont en quantités presque égales.

98
Figure 23 : Angles de repos expérimentaux et numériques du mélange 1 en fonction du
pourcentage croissant de poudre A

Figure 24 : Angles de repos expérimentaux et numériques du mélange 2 en fonction du

pourcentage croissant de poudre B

99
À 100% l’angle de repos reste le même. Cela peut indiquer que les tas formés avec des
particules de 1 mm sont beaucoup plus grands, en raison du fait que des particules sphériques
monodisperses ont été utilisées, ce qui facilite l'empilement les unes sur les autres. La
présence de poudre plus petite a dû déstabiliser la formation des tas dans un système
polydisperse, puisque les plus petites particules ont tendance à glisser entre les plus grandes
et à se concentrer sur la surface du verre de mesure (un cas concret de ségrégation). Dans ce
cas de mesure de l'angle de repos, la valeur de l'angle peut bien impliquer un bon écoulement
de la poudre, mais cela est souvent trompeur lors des manipulations ultérieures ou ce
phénomène de ségrégation tend toujours à limiter le traitement des poudres. Sur la figure 25
(a), on peut clairement voir le dépôt de poudre de taille 0,4 mm à l'intérieur du tas (particules
orange) alors que l'extérieur reste couvert de particules plus grosses (particules blanches).

La même tendance a été observée avec le mélange 2 où des particules de MCC légèrement
plus grandes (entre 0,5 et 0,7 mm) que celles du mélange 1 ont été utilisées. Cependant, une
diminution linéaire de l'angle de repos a été observée avec l'augmentation du pourcentage
d'ajout de poudre de plus petite taille (figure 24). Une ségrégation locale est également
présente dans ce cas comme le montre la figure 25 (b) (particules jaunes pour les plus fines et
blanches pour les plus grosses). De plus, les résultats expérimentaux et numériques se suivent
généralement à une mesure près et sont en parfait accord.

La granulométrie des particules a une influence importante sur l'écoulement de la poudre,

mais elle est parfois source de confusion comme nous l'avons constaté avec les essais
numériques. La présence de particules trop fines entraîne souvent la présence de
phénomènes de ségrégation mais aussi de cohésion. De manière générale, plus les particules
sont de taille moyenne et sphérique, meilleur est l'écoulement.

100
Figure 25 : Images de simulations des angles de repos des mélanges 1 (a) et 2 (b) avec coupe
intérieures

101
 3.3.3. Étude du mélange de particules

La DEM peut également être utilisé pour prédire l'influence des ailettes ou du taux de
remplissage pour limiter les phénomènes de ségrégation. Dans la continuité des travaux d’A.
Mesnier (Mesnier, 2019), nous avons étudié le mélange de particules au sein d'un lit granulaire
dans un tambour oscillant. Le lit granulaire est composé de particules calibrées d'acétate de
cellulose, de 2 mm (particules orange) et de 3 mm (particules noires). L'étude de calibration a
permis d'estimer le coefficient de frottement statique à 0,3. Les dimensions et la rotation du
tambour ainsi que la taille des ailettes sont présentées en Annexe III.

Les images du tambour expérimental et de la simulation après cinq balancements sont

présentées sur la figure 26. Le modèle DEM conduit à une bonne prédiction de la ségrégation
des petites particules (orange) au cœur du tambour, par rapport aux données expérimentales.

Figure 26 : Images de simulation et d'expérience de ségrégation des particules dans un

tambour tournant sans ailette centrale

102
Le modèle ainsi que l’expérience ont permis de montrer le très mauvais mélange du lit en
tambour oscillant malgré la présence d’ailettes de différentes tailles. L’ajout d’une ailette
centrale a permis d’améliorer le mélange. En effet comme montré en figure 27 après 10
minutes de mélange, les particules orange sont cette fois réparties de façon plus homogène
au sein du mélange.

Figure 27 : Images de simulation et d'expérience de ségrégation des particules dans un

tambour tournant avec ailette centrale

103
 4. Conclusion
Ce chapitre a d’abord permis de développer une méthodologie pour calibrer des paramètres
d’entrée d’un modèle DEM.

Pour cela, la fluidité de deux types de poudres pharmaceutiques granulées et non-granulées

a été étudiée par des essais expérimentaux et numériques. L'étude expérimentale a consisté
tout d'abord à préparer des lots de granulés par granulation à fort taux de cisaillement. Les
poudres granulées et non-granulées ont été ensuite caractérisées par leur distribution
granulométrique par diffraction laser et leur forme par microscopie électronique à balayage.

Les produits obtenus ont ensuite été utilisés comme modèles de poudre pour une étude de
calibration par des essais d'angle de repos au moyen de tests expérimentaux et numériques
utilisant la DEM. Pour des poudres non cohésives, seul un paramètre est à ajuster (coefficient
de frottement statique). Pour des poudres cohésives, deux paramètres sont à ajuster
(coefficient de frottement statique et énergie de surface). Le développement d’un modèle
DEM ne permet donc pas de s’affranchir de mesures expérimentales. Mais le dispositif
expérimental peut être simple à mettre en œuvre, rapide à exploiter et une seule mesure
permet de prédire le comportement de la poudre dans diverses configurations.

Ainsi, après la calibration de 4 échantillons (2 lots de poudres et 2 lots de granulées), le modèle

a été validé avec succès pour différentes manipulations ou processus couramment utilisés
dans le domaine pharmaceutique.

Les résultats des études de compressibilité réalisées avec les mêmes propriétés physiques que
la poudre utilisée dans la partie de calibration, c'est-à-dire le coefficient de frottement
statique et l'énergie de surface ont validé l'étude de calibration avec une bonne adéquation
des mesures expérimentales et numériques. L'effet du coefficient de friction statique sur
l'écoulement de la poudre a été démontré.

En plus de cela, l'influence de la distribution de la taille des particules a été étudiée plus en
détail avec une série de tests expérimentaux et numériques d’angle de repos en utilisant deux
mélanges de poudre de MCC avec 3 tailles différentes et un pourcentage de masse croissant
de la plus petite taille de poudre. Les résultats ont montré l'influence et l'importance de la
distribution granulométrique sur l'écoulement de la poudre, où une distribution

104
granulométrique plus étroite avec des poudres non fines est recommandée pour éviter l'effet
des forces cohésives non désirées entre les particules. Cela a déjà été démontré
expérimentalement, mais avec la modélisation DEM et les résultats de la simulation, nous
avons pu observer des cas de ségrégation, qui peuvent systématiquement influencer les
résultats de mesures de l'angle de repos. Cela ne peut pas vraiment être observé lors de
l'expérience, par conséquent, ceci montre la capacité de la modélisation DEM à détecter de
tels cas de ségrégation, où les trajectoires des particules étaient suivies pendant tout le
processus.

Cet outil numérique a également permis de prédire le mélange de particules dans un tambour
rotatif et de mettre en évidence l’influence de la taille, du nombre et de la position des ailettes.

Ainsi, des prédictions de mesures d’angle solide en fonction de la granulométrie, (ii) des
prédictions de compressibilité, (iii) des prédictions de mélange en tambour oscillant en
fonction de la taille et du nombre d’ailettes ont été réalisées.

La bonne adéquation des résultats numériques avec les valeurs expérimentales pour
différentes configurations permet de conclure que la méthodologie est validée et que le
modèle est prédictif.

Il peut donc être envisagé d’extrapoler la démarche à des applications plus complexes telles
que la granulation humide à fort taux de cisaillement.

105
106
Chapitre III : Modélisation et simulation du procédé
de granulation humide

107
 1. Introduction

Comme mentionné au chapitre I, la granulation en voie humide à fort taux de cisaillement est
un procédé complexe mettant en œuvre des phénomènes microscopiques (forces
d’interaction) et des phénomènes macroscopiques (agitation). La problématique est d’obtenir
des propriétés d’usage bien maitrisées. Les facteurs principaux à contrôler sont les cinétiques
de croissance et la distribution granulométrique des agglomérats. Dans l’industrie
pharmaceutique, l’enjeu est important car les produits granulés sont souvent à haute valeur
ajoutée.

Ainsi, la prédiction de la croissance des granulés au cours de la granulation s’avère donc

nécessaire pour (1) asseoir la connaissance des phénomènes mis en jeu lors du procédé, (2)
quantifier l’influence des paramètres opératoires sur les propriétés d’usage du produit fini, (3)
faciliter l’extrapolation du procédé et sa transposition à l’échelle industrielle. Un modèle de
granulation par la méthode des éléments discrets a donc été élaboré pour répondre à ces 3
points. Il s’appuie sur les résultats de calibration développés au chapitre 2 mais également sur
la géométrie d’une cuve de granulation et les paramètres opératoires du procédé.

Ainsi, la première partie de ce chapitre se consacre au développement du modèle. Nous y

décrirons la géométrie de la cuve, les propriétés des particules utilisées, le modèle de
cohésion. Nous nous focaliserons plus spécifiquement sur le développement d’un outil de
post-traitement permettant d’obtenir la taille moyenne d’un agglomérat et le suivi de la
cinétique de croissance.

Dans une seconde partie, les résultats numériques seront présentés puis discutés pour
différents taux de remplissage. Par ailleurs, ils seront comparés aux essais expérimentaux pour
une cuve de 4L et de 0,5L.

108
 2. Matériels et méthodes

2.1. Conception d’un granulateur numérique à fort taux de cisaillement.

L’étude expérimentale de granulation humide a été réalisé dans un granulateur commercial

de laboratoire (Glatt TMG 1/6). Ce type de granulateur à fort taux de cisaillement est très
répandu dans les industries pharmaceutiques. Afin d’approcher les essais expérimentaux,
nous avons conçu et simulé une géométrie de granulateur numérique proche du dispositif
expérimental afin de nous assurer de la fiabilité des résultats. Le granulateur expérimental ou
numérique est constitué d’une cuve de granulation de forme conique munie d’un rotor à trois
pales d’agitation avec un angle d’incidence de 35° par rapport au fond de la cuve. Le rotor
tourne à une vitesse entre 50 et 1000 tours/minutes. La cuve dispose également d’un
émotteur tournant sur un axe horizontal à une vitesse entre 300 et 3000 tours/minutes
positionné sur la paroi latérale du granulateur. Cet émotteur sert à casser et réduire les gros
agglomérats qui se forment au cours du processus. L’appareil de granulation contient deux
cuves interchangeables de 0,5 et de 4 Litres en acier inoxydable 316L (acier avec une faible
teneur en carbone) ce qui permet de faire des tests sur une large gamme de produits à
différents taux de remplissage. Nous présentons ici les deux cuves.

Le granulateur simulé a été créé à l’aide d’un logiciel de conception assistée par ordinateur
(Logiciel open source FreeCAD V.0.18, sous licence LGPLv2+). Les géométries en 3 dimensions
des cuves ont été ensuite importées et complétées sur le logiciel de simulation EDEM (Détails
sur le logiciel en Annexe IV). La figure 28 montre les représentations tridimensionnelles des
deux cuves de granulation de 0,5L (a) et de 4L (b) à l’échelle avec le couvercle, les pâles et la
présence de l’émotteur en périphérie en forme de deux lames croisées pour la cuve de 0,5L
et deux lames parallèles à 1cm de distance pour la cuve de 4L.

Les dimensions des deux cuves simulées sont illustrées en figure 29 pour la cuve de 0,5 et 30
pour la cuve de 4L. Pour les deux cuves, le rotor avec les trois pales d’agitation est coloré en
rouge, l’émotteur en bleu et la buse de pulvérisation en vert.

109
 (a) (b)

Figure 28 : Représentations tridimensionnelles de la petite (a) et la grande (b) cuves de

granulation

(a) (b)

Figure 29 : Dimensions de la cuve de 0,5 L. (a) Vue de côté, (b) vue d’en haut

(a) (b)

Figure 30 : Dimensions de la cuve de 4L. (a) Vue de côté, (b) vue d’en haut

110
 2.2. Modèle des particules simulées

Les particules utilisées dans les simulations DEM sont des particules à sphères molles. Le
terme sphères molles « soft-particle » en anglais, fait référence au fait que les particules
peuvent se déformer lors d’un contact, autrement dit, ce contact engendre un
chevauchement entre les particules. C’est le type le plus courant des modèles de particules
DEM. Les particules restent géométriquement rigides mais la déformation lors du
chevauchement est prise en compte sachant que plusieurs contacts peuvent se produire
simultanément. Ce type de particules permet d’appliquer des modèles de contact variés où
les forces de contact sont typiquement résolues en forces normales et forces tangentielles en
prenant en compte des forces supplémentaires comme la cohésion dans notre cas.

Parmi les hypothèses prises en compte pour ce type de particules, on retrouve le facteur de
sphéricité en partant du principe que les poudres modèles utilisées sont de forme sphérique,
ce qui veut dire que les particules sont des mono-sphères. Cette hypothèse nous permet de
faire un gain sur le temps de calcul. Nous avions montré dans le chapitre II, suite à des
observations en MEB que les granulés de lactose étaient plutôt sous forme d’amas, alors que
les granulés de MCC avaient une forme assez sphérique. Afin d’avoir une meilleure adéquation
modèle/expérience, nous avons donc préféré de travailler avec de la poudre de MCC, ce qui
nous permet de simuler des particules sphériques.

Dans le modèle, nous avons intégré une population de particules polydisperse en taille. Cela
a été rendu possible dans EDEM grâce à un diamètre moyen de particules et un écart type
représentatif de la répartition de la poudre expérimentale. La plus grande difficulté du modèle
qui en sera sans aucun doute sa limite principale réside dans le diamètre moyen des particules.
Au cours de tests préliminaires qui seront présentés par la suite, nous avons diminué
progressivement la taille moyenne des particules, mais il n’a pas été possible de descendre à
la taille réelle de la poudre (100 μm). En effet, la résolution numérique nécessite une détection
des contacts particules/particules en découpant la géométrie sous forme de cellules. Leurs
dimensions sont calculées grâce au rayon de la plus petite particule (taille de cellule = 2,5 du
plus petit rayon au maximum). Le fait de diminuer la taille des particules engendre une
augmentation du nombre des cellules, et par conséquent une augmentation très significative
du temps de calcul. Le but a été de faire un compromis entre la taille minimale de particules

111
que l’on peut atteindre en fonction du nombre maximal de cellules de détection de contacts,
tout en respectant un temps de calcul réalisable.

2.3. Propriétés mécaniques des matériaux

Les propriétés mécaniques de la poudre de MCC utilisée sont répertoriées dans le tableau 11.
Nous y retrouvons les différents paramètres ajustés lors de l’étude de calibration, les
paramètres qui ont été trouvés dans la littérature, ainsi que les paramètres estimés ou ajustés
pour des fins d’amélioration du temps de calcul.

Le nombre de particules diffère par simulation en fonction du taux de remplissage en faisant

le lien avec la masse de poudre utilisée dans l’étude expérimentale.

Le coefficient de Poisson (ν) qui est une propriété élastique caractérisant la contraction de la
matière a été fixée à une valeur de 0,25 pour toutes les simulations par recommandation
d’EDEM en tenant compte de l’hypothèse d’une valeur expérimentale proche de la valeur
théorique indiquée pour un matériau idéalement isotrope. Ce coefficient est en fonction du
module de Young (E) et du module de cisaillement (G) tel que : E=2(1+ ν). G.

Pour les coefficients de frottement au roulement et les coefficients de restitution, leur

calibration n'a pas été effectuée expérimentalement. Afin de tester leurs effets, une étude
paramétrique a été effectuée. Ceci nous a amené à conclure que ces paramètres ne sont pas
vraiment influents sur les opérations testées.

En ce qui concerne le pas de temps « Time Step » qui représente le temps entre les itérations
(pas de calcul des différentes propriétés physico-chimiques des particules), pour toutes les
simulations, il prend une valeur allant de 30 à 40 % au maximum sur un pas de temps critique
de Rayleigh 'TR (le temps nécessaire pour qu’une onde de cisaillement se propage à travers
une onde solide). Cette valeur 't est calculée comme suit :

గ௥ඥఘΤீ
οܶோ ൌ 
଴ǡଵ଺ଷସఔା଴ǡ଼଻଺଺
………………. (46)

112
 Tableau 11 : Propriétés mécaniques des particules utilisées

Propriétés de matériaux Unités Poudre de MCC

Coefficient de poisson (ν) [-] 0.25
Masse volumique (ρ) [‰Ȁଷ ሿ 460
Module de Young (E) [GPa] 8.67
Module de cisaillement (G) [GPa] 3.47
Énergie de surface [J/m²] 1,7 (sauf partie 3.2)
Coefficients Particule – Particule
Coefficient de frottement statique [-] 0.40
Coefficient de restitution [-] 0.35
Coefficient de frottement au roulement [-] 0.01
Coefficients Particule – Parois
Coefficient de frottement statique [-] 0.50
Coefficient de restitution [-] 0.45
Coefficient de frottement au roulement [-] 0.15

Où r est le rayon de la plus petite particule dans le système. De ce fait plus le pas de temps est
petit, plus le nombre de points de calcul de données est élevé, ce qui nécessite un temps réel
de calcul supplémentaire. Il s'agit donc d'un pas de temps théorique maximal pour une
simulation DEM d'une sélection de particules quasi-statique dans laquelle le nombre de
coordination pour chaque particule reste supérieur à 1.

Le nombre de coordination est défini comme étant le nombre total de contacts que peut avoir
une particule donnée dans un milieu granulaire. Ce nombre est directement corrélé à la valeur
d’énergie de surface utilisée. Donc plus l’énergie de surface est grande, plus le nombre de
coordination par particule est élevé. Concernant l’énergie de surface, nous avons montré au
chapitre II qu’une plage de valeur permettait de prédire correctement l’angle solide de
particules cohésives. Une étude préliminaire (paragraphe 3.2) nous a permis d’étudier plus
spécifiquement ce paramètre et d’affiner sa valeur à 1,7 J/m² pour la suite des simulations.

113
 2.4. La méthode DEM adaptée à la modélisation du procédé

Les simulations par la méthode des éléments discrets menées pour la modélisation de ce
procédé ont été faites en utilisant le modèle cohésif Hertz-Mindlin avec JKR 2 comme
mentionné précédemment. Le modèle JKR utilise la propriété de cohésion entre les particules
en plus de la théorie de contact de la sphère molle. L’approche numérique adoptée consiste
en la détection de toutes les interactions de surface telles que les interactions de Van Der
Waals et surtout les interactions adhésives de contact. La force de cohésion entre les
particules est prise en compte suite à l’utilisation du modèle JKR en fonction de la taille, et
l’énergie de surface entre les particules. Lors d’une granulation humide typique
expérimentale, la cohésion entre les particules est due à la présence du liquide liant qui sert à
mouiller la surface solide des particules pour les faire coller entre elles d’où les mécanismes
de mouillage, nucléation, consolidation et croissance.

Ainsi, pour les simulations numériques, quelques hypothèses ont été prises en compte afin
d’assurer une bonne application du modèle JKR pour ce procédé :

- La présence du liquide liant en expérience joue sur la surface des particules, ce qui
enrobe en partie les rugosités et l’aspect poreux de certaines particules. Ceci couvre
donc généralement les aspérités de surface, d’où la négligence dans un premier temps
des effets de rugosité et de porosité lors des simulations numériques.
- La taille des particules, comme mentionné au paragraphe 2.2 de ce chapitre, n’est pas
tout à fait représentative des résultats de granulométries expérimentales. La taille
moyenne a été diminuée progressivement en approchant au fur et à mesure le
diamètre moyen numérique à celui obtenu expérimentalement et en tenant en
compte la polydispersité du système.
- Généralement pour les simulations en DEM, la modification de certains paramètres
physiques est récurrente telle qu’un module d’élasticité plus élevé et un pas de temps
plus important. Les premières simulations menées dans le cadre de notre étude ont
été faites en calibrant numériquement l’énergie de surface mais le module d’élasticité
a été maintenu aux valeurs trouvées dans la littérature pour des poudres de MCC.
- La démarche suivie pour la formation des granulés est basée sur la théorie de JKR
comme cité précédemment. Dans notre cas, l’énergie de surface est implémentée

114
 numériquement afin de couvrir les forces de tensions de surfaces qui opèrent à
l’échelle expérimentale. Quant aux forces visqueuses, de faibles valeurs du coefficient
de restitution sont utilisées afin de tenir compte de la dissipation visqueuse qui est
justifiée dans notre cas par un faible rebond des particules au sein de la cuve.

2.5. Approche de granulation numérique

La modélisation de la granulation nécessite de découper le processus en trois grandes étapes

comme montré sur la figure 31. L’étape (1) représente le remplissage, (2) la granulation avec
l'utilisation de la turbine et l'émotteur à lame croisée et (3) la formation des granulés. À l'étape
(3), le modèle JKR est actif pour prendre en compte la formation des granulés par cohésion
entre les particules.

Figure 31 : Étapes numériques de granulation sous EDEM - (1) : remplissage de la cuve ; (2) :
granulation ; (3) : formation des granulés

Toute particule en mouvement est dotée d’une énergie cinétique. Cette énergie se perd au
fur et mesure des collisions qui se produisent dans une cuve de granulation, ce qui est traduit
par une diminution de la vitesse. Lors de l’étape 3, la perte de vitesse est essentiellement due
à l’activité locale de l’énergie de surface. La condition pour que l’opération d’agglomération
soient réussie est que l’énergie de surface doit être suffisamment grande
proportionnellement à la taille des particules. Dans ce cas, les particules perdent alors leur
énergie cinétique en atteignant une vitesse relative nulle suite aux collisions. Elles se collent

115
alors les unes aux autres, ce qui engendre la formation de granulés. Ce mécanisme est illustré
en figure 32, où on peut voir les étapes de formation des granulés dans la cuve.

Figure 32 : Image illustrant la formation des granulés dans une cuve de granulation avec le
modèle JKR

2.6. Outils de post-traitement des granulés

Les granulés obtenus suite aux différentes simulations effectuées avec notre logiciel EDEM
ont fait l’objet d’un traitement de données sous deux unités. EDEM a permis dans un premier
temps d’accéder directement aux données collectées lors des granulations numériques au
cours du temps comme les vitesses relatives, le nombre de collisions, le nombre de contacts
et le nombre de coordinations. Ces données ont pu être traitées et exploitées sous EDEM.
Néanmoins, les distributions granulométriques des particules n’ont été accessibles qu’avant
granulation (taille des particules individuelles de départ seulement). Le suivi de la cinétique
de croissance des granulés n’a pas été possible vu que l’outil de simulation ne prend en
compte que les interactions individuelles des particules en contact et non les propriétés d’un
amas de particules agglomérées. Ceci a été problématique dans un premier temps vu que la
quantification de la taille des granulés obtenus est nécessaire pour vérifier le modèle
numérique et le faire valider expérimentalement. Pour y remédier, l’utilisation d’un tierce
outil a été indispensable pour traiter les résultats de tailles des granulés obtenus. Cela a été

116
fait par le biais d’un package Python nommé EDEMpy. Cette extension permet un post-
traitement et une analyse de données des simulations DEM en récupérant tous les fichiers de
simulation sous une structure de fichiers d’extension « .hdf5 ». Grace à cet outil, nous avons
développé un code numérique de tri des granulés sous Python (Logiciel Spyder 4.0.1 – Python
version 3.7.6). Ce code permet dans un premier temps de récupérer les données de contact
brutes en paires types/indices de particules puis de faire un tri entre les paires de particules
agglomérées (contact permanent) et les paires de particules en collision (contact éphémère).
En partant d’un pas de temps donné, la première liste des particules en contact parcoure celles
qui se suivent au pas de temps suivant, ce qui permet une sortie de données finales avec une
liste des agglomérats formés dite « liste de cluster ». Si deux particules n’ont pas de cluster
associé, une création d’un nouveau cluster pour les deux particules est exécutée. Une des
étapes de calcul du code consiste à échanger et trier en croissance les paires permanentes en
contact afin d’éviter les doublons lors du tri. Suite à ce tri, deux fonctions de calcul sont
appliquées pour quantifier la taille des granulés :

1. La première fonction retourne les dimensions de la petite enveloppe qui contient

toutes les particules détectées dans un cluster donné. Cette enveloppe est
synchronisée avec les axes de la simulation et permet de calculer le volume équivalent
à une sphère d’agglomérat (voir figure 33).
2. La deuxième fonction retourne la masse d’un agglomérat de particules, ainsi que le
centre de masse du cluster. Ceci étant relié aux types et aux identifiants des particules
dans chaque cluster pour un pas de temps donné.
Les deux fonctions sont reliées par la masse volumique intrinsèque de la poudre. Le calcul
de la masse d’agglomérats nous a permis de faire un certain nombre de vérifications
préalables dans notre démarche de détermination des clusters. Ils seront expliqués par la
suite (paragraphe 3.3).

Le calcul des volumes des clusters permet de calculer le diamètre de sphère équivalent en
volume par granulé :

1/ 3
§ 6V ·
dv ¨ ¸ ………………. (47)
© S ¹

(V étant le volume de l’enveloppe contenant l’ensemble des particules agglomérées).

117
L’outil présenté avec son code de calcul en Annexe V nous semble innovant, puisque à notre
connaissance, aucun outil similaire n’a été trouvé dans la littérature. À titre d’exemple, le
temps de calcul nécessaire pour trier 100.000 particules et en déduire les tailles des
agglomérats est de 3 heures.

Sur le même principe, en estimant l’aire de l’enveloppe du cluster, nous pouvons calculer le
diamètre équivalent en surface ou en surface spécifique. Par la suite, nous avons exploité les
résultats avec le diamètre équivalent en volume, permettant une comparaison plus direct
avec les résultats expérimentaux issus du granulomètre.

Les diamètres sont ensuite triés et tracés en classes de tailles pondérées avec le logiciel
Matlab. Une représentation des distributions granulométriques en échelle logarithmique a
été adoptée par la suite.

Afin de mieux comprendre la démarche que nous avons développée et adoptée, une
explication schématisée en algorithme est montrée en figure 34.

118
Figure 33 : Image illustrant la démarche de calcul du diamètre équivalent d’un granulé

Figure 34 : Algorithme de post-traitement des granulés

119
3. Résultats et discussions

3.1. Essais avec la grande cuve de 4L

3.1.1. Résultats expérimentaux de granulation à fort taux de cisaillement

Plusieurs essais de granulation humide ont été effectués dans le granulateur de

laboratoire à fort taux de cisaillement Glatt TMG 1/6 décrit dans la section 2.1 de ce
chapitre. Comme déjà mentionné, ce granulateur est muni de deux cuves de granulation
de 4L et de 0,5L.

Les premières expériences ont été menées dans la cuve de 4L (pour des raisons de
logistique, il n’a pas été possible de commencer avec la cuve de 0,5L). Ces tests ont été
effectués avec de la poudre de MCC comme excipient et une solution aqueuse de PVP K30
à 3% m/v de comme liant. Cette formule a été validée dans les travaux du chapitre II lors
de l’étude de calibration des paramètres d’entrées pour les simulations DEM. Le choix de
la MCC comme poudre modèle s’est basé sur la sphéricité des particules de départ comme
détaillé en hypothèses. Les différentes propriétés expérimentales avant et post-
granulation sont résumées en tableau 12.

Tableau 12 : Propriétés expérimentales avant et post granulation avec la cuve de 4 L

Unités
Masse excipient [g] 48,5
Débit du liant [ml/min] 7
Taux de remplissage [%] 25
Turbine 600
Vitesse [tr/min]
Émotteur 600
Durée de granulation 10
[min]
Durée de maturation 5
Température initiale 22,4
[°C]
Température finale 28,8
Taux d’humidité après séchage [%] 2,87

120
Parmi ces expériences, nous retrouvons des essais moyennés avec des prélèvements de la
matière lors de la granulation sur des intervalles de temps de 2 min jusqu’à 10 minutes. Le but
étant de faire un suivi granulométrique de la matière au cours du temps et ainsi voir
l’évolution de la distribution granulométrique moyenne des granulés. La vitesse d’agitation
pour l’agitateur et l’émotteur a été fixée à 600 tr/min. Les profils des couples et des vitesses
agitateur / émotteur sont illustrés en figure 35, avec les vitesses portées en ordonnée en axe
primaire, et les couples en axe secondaire en fonction du temps. Le maximum de vitesse du
rotor est limité à 1000 tr/min et à 3000 tr/min pour l’émotteur.

Les arrêts pour les prélèvements affectent certes directement la stabilité du couple agitateur
/ émotteur, ce qui est marqué par des paliers croissants pour les vitesses agitateur / émotteur
et des paliers décroissants pour les couples, mais cela a permis de faire un suivi
granulométrique temporel sans avoir recours à un outil spécifique.

On voit néanmoins qu’il est très difficile de faire un suivi en ligne avec la valeur du couple que
ce soit pour l’agitateur principal ou l’émotteur. Il est difficile de corréler ces valeurs à la
croissance des particules.

121
Figure 35 : Vitesses et couples de l’agitateur et l’émotteur

122
 3.1.2. Suivi granulométrique temporel

Les granulés prélevés lors de l’essai précédent ont été caractérisés par leur forme sous
microscopie électronique à balayage (MEB) et par leur taille par diffraction laser. Ces granulés
ont été traités après un séchage à l’air libre pendant 48h. Le taux d’humidité d’un échantillon
de ces granulés a été estimé à 2,87 % après 6 minutes d’analyse en utilisant un analyseur
d’humidité (Sartorius MA37) à 120°C en dessiccation standard.

Les résultats des images au MEB sont représentés en figure 36, où nous retrouvons un suivi
de formations des granulés chaque 2 minutes.

Les images montrent l’aspect de forme sphérique des granulés de MCC acquis par la forme de
poudre de base et conservée au cours du temps, ce qui nous conforte dans le choix de poudre
afin de supposer une sphéricité de départ des particules lors de l’étude numérique. Ces
résultats sont complétés par un suivi granulométrique représenté à la figure 37 qui regroupe
un graphique de distribution moyenne pour chaque prélèvement à 2 minutes d’écart avec une
répétabilité à n = 3. Les tracés montrent une granulométrie monomodale et assez étroite pour
les différents temps. Ces résultats sont comparés à la granulométrie de départ des particules
de MCC sphere 100 non granulées (à temps 0). Nous remarquons que plus la granulation
avance, plus les classes de tailles s’élargissent et les volumes correspondant diminue. Ceci
confirme les mécanismes de consolidation et croissance des granulés comme montré sur le
graphique à 10 minutes où les granulés finaux ont une taille entre 89 μm pour les particules
les plus petites et 3086 μm pour la plus grande classe de tailles.

Les résultats de ces essais serviront de base pour les tests numériques qui vont suivre dans le
but de faire une validation des données de simulation expérimentalement.

123
Figure 36 : Images au MEB du suivi de formation des granulés toutes les 2 minutes

124
 Figure 37 : Distributions granulométriques des granulés de MCC chaque 2 minutes

3.2. Résultats numériques des simulations préliminaires

Avant de modéliser le dispositif expérimental de granulation, une étude préliminaire a été

conduite afin d’effectuer des tests numériques sur l’influence de l’énergie de surface. Dans
cette partie, un certain nombre de données ne sont pas représentatives de l’expérience, le
modèle sera complexifié progressivement.

3.2.1. Simulation avec 100 particules

Dans ce premier test numérique, nous avons utilisé un très petit nombre de particules, avec
un diamètre plus grand que celui de la poudre expérimentale afin de tester l’environnement
de simulation et de voir l’effet de la marge de valeurs d’énergie de surface utilisées sur le
déroulement du procédé. Une toute première simulation a été menée avec un nombre total
de 100 particules de 6 mm de diamètre, une énergie de surface de 5 J/m² et une vitesse de
rotation de la turbine à 100 tour/min comme dans l’étape expérimentale de pré-mélange.

125
La figure 38 montre la disposition des particules dans le granulateur qui a été effectuée de
manière aléatoire avant de démarrer la granulation. Après une minute de mélange, une
formation de trois gros agglomérats a été remarquée aux extrémités de chacune des pales
d’agitation. Ce phénomène est d’ailleurs très souvent observé lors de l’étude expérimentale,
où les granulés ont tendances à être formés à proximité des pales, notamment en présence
d’un surmouillage. Ceci est directement corrélé dans ce cas à la valeur de l’énergie de surface
utilisée.

Figure 38 : Image du début et de la fin d’une granulation simulée à 100 particules

Afin de mieux expliquer le phénomène, cette particularité a été caractérisée par le nombre de
coordination, qui est le nombre de particules en contact avec une particule donnée. Ce
nombre peut dépendre de la définition de la distance de séparation critique en dessous de
laquelle deux particules sont considérées comme étant en contact (Nan et al., 2016).

La figure 39 représente la variation du nombre de coordination dans la cuve à la fin du

mélange. Sa valeur varie entre 1 et 9 avec plus d’accentuation entre 4 à 7 contacts par
particule.

En général, le nombre de coordination diminue fortement lorsque les contacts formés entre
les particules dans un lit sont rompus sous l'effet d’une forte interaction particules-parois des
pales d’agitation ou de l’émotteur (non utilisé dans ce cas).

126
La quantification du nombre de coordination moyen du lit en fonction du temps est illustrée
sur la figure 40. On remarque qu’après un petit temps de calcul à valeur presque nulle due à
l’introduction des particules dans la cuve, ce nombre fluctue à des valeurs entre 4 et 5 contacts
par particule.
Nombre de coordination

Figure 39 : Nombre de coordination dans la cuve de 100 particules

Figure 40 : Nombre de coordinations en fonction du temps pour 100 particules

127
La formation de ces gros agglomérats est observée de près dans la cuve par le vecteur de
contacts entre les particules. La figure 41 montre tous les vecteurs crées entre deux particules
en contact, sur une échelle de 1 à 4 millimètre. Ces vecteurs de contact vont d’un centre d’une
particule à une autre si un contact a lieu.

Figure 41 : Image zoomée sur les vecteurs de contacts entre les particules d’un agglomérat

Ces vecteurs sont accentués aux valeurs élevées entre 3 et 4 mm, sachant que les particules
ont un diamètre de 6 mm. L’aspect très cohésif entre les particules est donc confirmé. La
formation instantanée des agglomérats n’est pas réaliste, ceci s’expliquant par une valeur de
l’énergie de surface trop élevée.

3.2.2. Simulation avec 10.000 particules

L’essai suivant a été mené avec 10.000 particules d’un diamètre moyen de 1,27 mm et une
distribution de taille initiale allant de 0,55 à 1,78 mm avec un écart type de 0,20 mm, une
énergie de surface à 3 J/m² et une vitesse d’agitation à 600 tr/minute pour le mobile
d’agitation et l’émotteur. L’utilisation de particules de tailles plus petites permet d’avoir un
meilleur mélange à fort taux de cisaillement ce qui engendre une formation de granulés plus
lente. Les images sur la figure 42 montrent cet effet au cours du temps où une simulation de
70 sec a été effectuée.

128
 T=2s T = 30 s T = 70 s

Figure 42 : Images d’une granulation simulée à 10.000 particules

Le suivi du nombre de coordination au cours du temps illustré sur la figure 43 permet de

confirmer l’effet corrélé entre les valeurs d’énergie de surface et de vitesse de rotation. En
effet, le fait d’avoir utilisé une valeur d’énergie de surface plus faible (3 J/m²) conduit à une
formation de granulés plus régulière dans la cuve et pas directement en agglomérats comme
observé dans l’essai à 100 particules.

Figure 43 : Nombre de coordination au cours du temps de la simulation à 10.000 particules

129
 3.2.3. Simulation avec 100.000 particules

Les essais de simulations se sont ensuite poursuivis avec un nombre plus important de
particules, passant à 100.000, afin de voir le comportement de granulation dans une cuve plus
remplie. L’essai a été effectué sous les mêmes conditions que la précédente simulation avec
une distribution granulométrique initiale allant de 0,55 à 1,78 mm et un diamètre moyen de
1,27 mm et un écart type de 0,20 mm (figure 44), sauf l’énergie de surface qui a été fixée à
1,7 J/m².

Figure 44 : Distribution granulométrique initiale des 100.000 particules

Figure 45 : Vitesses moyennes des 100.000 particules dans la cuve

130
L’effet de la granulation à fort taux de cisaillement a été mieux observé avec un taux de
remplissage plus important. Les images de la figure 43 montrent cet aspect à travers les
vitesses moyennes des particules constituant le lit dans la cuve, capturées à différents temps
de granulation.

Cette particularité est reliée à la formation des granulés et est corrélée au nombre de
coordination entre les particules. Ceci augmente relativement avec l’augmentation du
nombre de particules dans la cuve comme on peut le voir sur les images de la figure 44 mais
reste faible aux passages des pâles d’agitation, ce qui permet une formation progressive des
granulés.

Le tracé graphique du nombre de coordination en fonction du temps (figure 47), montre une
certaine stabilité du nombre aux alentours de 4 contacts par particule jusqu’à la fin de la
granulation.

Figure 46 : Nombre de coordination au cours du temps de la simulation à 100.000 particules

131
Figure 47 : Nombre de coordination au cours du temps de la simulation à 100.000 particules

3.3. Validation de la routine de calcul des diamètres d’agglomérats

Les essais préliminaires dans la cuve de 4L de la partie 3.2.1 (100 particules de MCC de 6 mm
de diamètre, énergie de surface de 5 J/m², vitesse de rotation turbine 100 tour/min) ont été
utilisés pour valider la routine de post-traitement de détermination de diamètre équivalent.
Cette routine a été décrite à la section 2.6.

Dans un premier temps, les données de masses des trois gros agglomérats obtenus ont été
récupérées du logiciel de simulation EDEM comme montré sur la figure 48.

Ce test a permis de vérifier les résultats du « détecteur de masse » d’EDEM qui donne
automatiquement le nombre de particules et la masse d’un cluster. Ceci a été réalisable du
fait que les agglomérats sont séparés sachant que le détecteur de masse ne fonctionne qu’à
cette condition, sinon toutes les particules seront considérées comme un seul amas. Dès que
le nombre de particules est important, la détermination de la masse d’un cluster avec ce
détecteur devient problématique car les amas sont en contact.

Dans un second temps, un calcul manuel a été réalisé en comptant individuellement le nombre
de particules d’un cluster. Connaissant le volume élémentaire d’une sphère de diamètre 6mm
et de masse volumique 460 kg/m3, on a estimé la masse du cluster.

132
Dans un troisième temps, le code de calcul a été appliqué en récupérant les données de cette
simulation sur le script python. Le code a bien détecté les 3 agglomérats et a identifié le même
nombre de particules par cluster que la détermination manuelle.

On note une parfaite concordance des résultats obtenus avec les 3 méthodes (tableau 13).
Pour un nombre important de particules par cluster ou pour une population de particules
polydisperse, la masse donnée par le code Python pourrait être surestimée par rapport au
calcul manuel car la détermination de l’enveloppe contenant N particules conduit à un volume
supérieur au volume élémentaire de N sphères.

Par la suite, il n’est pas envisageable d’appliquer un comptage manuel des particules pour
chaque simulation. Par ailleurs, le résultat donné par EDEM est erroné dès lors que deux amas
sont en contact sans être agglomérés. Par conséquent, le calcul de la masse et du volume d’un
agglomérat par la routine Python sera adopté pour la suite de l’étude.

Figure 48 : Masses des agglomérats par EDEM

133
 Tableau 13 : Résultats de masse de simulation et de code de calcul + diamètre équivalent

Masse [g]
Nombre de
particules Calcul manuel Simulation EDEM Calcul code Python
Agglomérat 1 40 2,081 2,081 2,081
Agglomérat 2 33 1,717 1,717 1,717
Agglomérat 3 27 1,405 1,405 1,405

Par la suite, le diamètre d’un agglomérat est donné par l’équation :

ଵൗ ൯
͸ܸ ൫ ଷ
݀ൌ൤ ൨
ߨ

V étant le volume de l’agglomérat issue du code Python et ρ (m = ρ.V) la masse volumique de

la poudre de MCC.

Les représentations graphiques des différentes distributions granulométriques seront traitées

en volume. La détermination du diamètre d’un agglomérat à tout pas de temps permettra
alors de modéliser la cinétique de croissance des agglomérats.

3.4. Influence du taux de remplissage de la cuve sur la répartition granulométrique

La calibration de la routine de suivi de la cinétique de croissance des granulés a permis de

post-traiter les résultats de simulations à différents taux de remplissage de la cuve tout en
diminuant au fur et à mesure le diamètre des particules initiales afin de se rapprocher des
conditions expérimentales. Ce post-traitement donne accès aux diamètres équivalents des
granulés obtenus numériquement, suite au tri des paires permanentes sur un pas de temps
donné, le but étant d’approcher au mieux les distributions granulométriques expérimentales.

134
 3.4.1. Post-traitement à 2000 Particules

La simulation présentée ici a été lancée avec 2000 particules d’une distribution
granulométrique à 1,5 mm de diamètre moyen. Les conditions de simulation sont résumées
dans le tableau 14.

Le nombre de granulés obtenus est de 125. Les résultats du post-traitement de ces données
sont représentés sur la figure 49 où la distribution granulométrique numérique des granulés
obtenus a été tracée.

Cette distribution est pondérée par un calcul de fractions de volume (%) en fonction des
classes de tailles. Les particules de départ ont une distribution granulométrique allant de 0,6
à 1,9 mm. Les granulés formés ont des tailles entre 1,627 et 10,904 mm avec plus de
population sur les classes de grandes valeurs. Ceci est corrélé encore une fois à la valeur de
l’énergie de surface utilisée (3 J/m² dans ce cas d’étude). La formation de gros agglomérats
est donc favorisée.

Tableau 14 : Conditions numériques de la simulation à 2000 particules

Unités
Nombre de particules 2000 /
Diamètre moyen initial 1,5 [mm]
Énergie de surface 3 [J/m²]
Pas de temps 30 %
Taille de la cellule de contact 2,5 Rmin /
Temps de simulation 10 min
Granulés formés 125 /

135
 Figure 49 : Distribution granulométrique : Simulation à 2000 particules

Le nombre de particules étant faible, la distribution granulométrique présente des

discontinuités car certaines classes sont sous-représentées. Néanmoins on note la croissance
des particules de 1,5 mm initialement à 7,439 mm après 10 minutes de granulation.

3.4.2. 50.000 particules

Dans ce deuxième cas, une simulation de 50.000 particules a été traitée. Les conditions de
départ sont résumées dans la tableau 15. Le nombre de granulés obtenus est de 4154 en
partant d’une granulométrie à 1,27 mm de diamètre moyen et 0,20 d’écart type. La
distribution granulométrique de ce test est représentée par le graphique des fractions de
volume (%) en fonction des classes de tailles en figure 50. Les granulés formés à l’issu de cette
simulation ont une taille entre 1,442 et 7,172 mm avec des classes de tailles peu peuplées
entre 1,442 et 3,424 mm et plus denses entre 3,424 et 7,172 mm. L’effet de l’énergie de
surface revient encore affecté la formation des granulés suite à l’utilisation d’une valeur de
2,7 J/m² pour cette simulation. La distribution granulométrique n’est donc pas homogène et
est concentrée à des classes plutôt grandes par rapport au diamètre moyen des particules de
départ qui va de 1,2 en début de simulation à 5,5 comme diamètre moyen final, confirmant
ainsi la formation de gros agglomérats.

136
Tableau 15 : Conditions numériques de la simulation à 50.000 particules

Unités
Nombre de particules 50.000 /
Diamètre moyen initial 1,2 [mm]
Énergie de surface 2,7 [J/m²]
Pas de temps 30 %
Taille de la cellule de contact 3 Rmin /
Temps de simulation 7 min
Granulés formés 4154 /

Figure 50 : Distribution granulométrique : Simulation à 50.000 particules

137
 3.4.3. 100.000 particules

Ce troisième cas d’étude représente une simulation lancée avec 100.000 particules de 1278
μm de diamètre moyen, entre 552 et 1782 μm et avec un écart type de 202 μm. L’ensemble
correspond à une masse de poudre de 42g. La distribution granulométrique de départ est
illustrée en figure 44 de la section 3.2.3 de ce chapitre. Les conditions de simulation sont
répertoriées dans le tableau 16.

Après plus de 6 minutes de simulation, 9652 granulés ont été formés. Les données à l’issu de
cet essai ont été traitées par le code de tri et les diamètres équivalents des granulés produits
ont été calculés. Les résultats de distribution granulométrique sont représentés sur la figure
51.

Cette représentation présente la même allure qu’une répartition granulométrique

expérimentale issue d’un spectre de diffraction laser, comme les résultats des essais
expérimentaux que nous avons traité par granulométrie à diffraction laser Mastersizer 3000
(Malvern Instrument Ltd.). Cet appareil se limite à une détection de particules de tailles
inférieures à 3500 μm ce qui veut dire que les classes de tailles issues d’une distribution
subdivisés par défaut en 101 classes se limitent à l’avant dernière classe de 3080 μm.

Néanmoins, les 9652 granulés obtenus de cette simulation ont des tailles entre 1260 et 5500
μm. Ceci dépasse alors les normes d’une distribution obtenue par diffraction laser
(Mastersizer 3000). Afin d’y remédier, un calcul de raison de la suite géométrique avec laquelle
la distribution expérimentale subdivisée est tracée a été fait (Lebaz, 2015). Cette raison q a
été donc estimée à 1,1364. En partant du premier terme u0= 0,010 μm, nous avons pu calculer
la suite des classes de tailles. Chaque classe fait référence à la fraction volumique, surfacique
ou par nombre des particules d’un diamètre équivalent issu de nos données de simulation
traitées avec une représentation logarithmique.

Ceci nous a permis d’homogénéiser les résultats et de les représenter de la même manière en
vue d’une validation expérimentale des données numériques.

À l’issue de cette simulation, les granulés obtenus ont un diamètre équivalent moyen de 2654
μm avec un écart type de 565 μm. Ceci est justifié par la valeur d’énergie de surface utilisée

138
(1,7 J/m²), permettant une formation de granulés plus lente, tout en évitant la formation de
gros agglomérats avec une dense population.

Tableau 16 : Conditions numériques de la simulation à 100.000 particules

Unités
Nombre de particules 100.000 /
Diamètre moyen initial 1,15 [mm]
Énergie de surface 1,7 [J/m²]
Pas de temps 40 %
Taille de la cellule de contact 4 Rmin /
Temps de simulation 6 min
Granulés formés 9652 /

Figure 51 : Simulation à 100.000 particules : Distributions granulométriques par volume

initiale et finale

139
 3.5. Comparaison granulométrique expérimentale et numérique pour la cuve de 4L

L’objectif de ce paragraphe est de confronter les résultats expérimentaux aux données

numériques. La partie expérimentale a constitué à granuler 42g de poudre tel que présenté
dans la section 3.1.1. Les particules de MCC sphere 100 de départ ont une distribution
granulométrique avec un diamètre moyen à 151 μm. Les essais expérimentaux ont engendré
des granulés avec un diamètre moyen à 273 μm.

La partie numérique a consisté à exploiter la simulation de la partie 3.1.2 correspondant à

100.000 particules (1278 μm de diamètre moyen, entre 552 μm et 1782 μm et avec un écart
type de 202 μm), correspondant également à une masse de poudre de 42g. Les simulations
numériques, ont conduit à des granulés de diamètre moyen de 2654 μm avec un écart type
de 565 μm. Numériquement, l’utilisation d’une plage plus petite des particules de départ est
conditionnée par la limite imposée par le logiciel de calcul EDEM, à savoir la plus petite cellule
de contact détectée. Le nombre de cellules de contact crées pour les différentes simulations
post-traitées est résumé en tableau 17. De plus, le nombre de particules générées dans la cuve
est corrélé à la taille des particules pour un remplissage optimal. La reproduction des
conditions opératoires expérimentales en simulation numérique est donc à ce niveau plus
dure à réaliser, du fait que la plus petite taille des particules générées que nous avons réussi
à créer est de 552 μm.

Tableau 17 : Tailles et nombres de cellules de contact par simulation

Simulation 1 Simulation 2 Simulation 3

Nombre de particules 2000 50.000 100.000

Taille de cellule 2,5 Rmin 3 Rmin 4 Rmin

Nombres de cellules de contact 1845240 3604224 6967300

Les répartitions en volume sont présentées sur la figure 51 à la fois pour la poudre initiale et
les granulés finis.

140
La figure 52 représente les distributions granulométriques expérimentales et numériques des
granulés obtenus en fin de granulation et l’ensemble des résultats statistiques est résumé
dans le tableau suivant :

Tableau 18 : Résultats statistiques des distributions granulométriques

Début de granulation Fin de granulation

Moyenne (μm) Écart type (μm) Moyenne (μm) Écart type (μm)
Expérience 152 32 273 215
Simulation 1278 202 2654 565

Figure 52 : Comparaison des distributions granulométriques expérimentales et numériques

pour la poudre initiale et pour les granulés

Bien que les problématiques de temps de calcul nous ont contraint à augmenter
arbitrairement la granulométrie de la poudre initiale, nous pouvons tout de même observer
un certain nombre de tendance :

141
- La forme de la distribution en volume des granulés issus des calculs numériques
ressemble en représentation semi-logarithmique à une distribution expérimentale,
même si certaines classes peuvent être sous représentées.

- L’augmentation du diamètre moyen entre l’état initial et l’état final des particules est
de 1,8 fois pour les essais expérimentaux et de 2 fois pour la simulation, donc le rapport
est du même ordre.

- Le suivi temporel des diamètres moyens expérimentaux et numériques est présenté

en figure 53. Ce suivi a été réalisé à l’issu des prélèvements chaque 2 min comme
montré en section 3.1.2 de ce chapitre pour la partie expérimentale. Le même procédé
a été appliqué à l’étude numérique. Nous notons une allure de cinétique assez
similaire avec une inflexion de courbe à environ 3 minutes. Le palier en diamètre
atteint expérimentalement à environ 4 minutes n’est pas aussi marqué
numériquement, pouvant traduire une énergie de surface trop élevée.

- Au regard de l’écart type, la granulométrie finale numérique est moins étalée que la
granulométrie expérimentale (rapport écart type final/initial de 6,7 pour la
granulométrie expérimentale et 2,8 pour la granulométrie numérique), traduisant
peut-être une énergie de surface (1,7 J/m²) un peu trop faible.

142
 Figure 53 : Comparaison des diamètres moyens expérimentaux et numériques au cours du
temps

Afin de tester la robustesse du modèle face à des problématiques de changement d’échelle,

nous allons effectuer la même étude comparative sur une cuve de 0,5L.

143
 3.6. Essais avec la cuve de 0,5 L

3.6.1. Résultats expérimentaux de granulation

Les essais de granulation ont été poursuivis avec une série d’expériences dans la petite cuve
d’une contenance maximale de 0,5 L. Cette cuve interchangeable sur le granulateur à fort taux
de cisaillement Glatt TMG 1/6 est également décrite dans la section 2.1 de ce chapitre.

Les expériences faites avec cette cuve ont repris la même formule utilisée précédemment
mais adaptée niveau masse/taux de remplissage aux dimensions de la petite cuve avec
utilisation de la turbine et de l’émotteur. Les différentes propriétés expérimentales avant et
post-granulation sont résumées dans le tableau 19.

Tableau 19 : Propriétés expérimentales avant et post granulation avec la cuve de 0,5L

Unités
Masse excipient [g] 62,5
Débit liant [ml/min] 0,8
Taux de remplissage [%] 25
Turbine 600
Vitesse [tr/min]
Émotteur 600
Durée de granulation 10
[min]
Durée de maturation 5
Température initiale 20,8
[°C]
Température finale 25,6
Taux d’humidité après séchage [%] 3,02

Ces expériences ont été menées en suivant les mêmes étapes du protocole expérimental
établi précédemment avec un taux de remplissage de 25% équivalent à 62,5 g de poudre de
MCC et de 8 ml de liant pulvérisé sur les 10 premières minutes à un débit volumique de 0,8
ml/min.

La série des 3 essais expérimentaux a été alors moyennée et les résultats sont décrits par la
suite.

144
La moyenne des profils de granulation par suivi de couples/vitesses agitateur/émotteur est
illustrée sur les graphiques de la figure 54, où on peut voir une certaine stabilité des couples
suite à l’arrêt de pulvérisation du liant entre 9 et 10 min. Le palier de stabilité de 10 à 15 min
représente l’étape de maturation.

Figure 54 : Vitesses et couples de l’agitateur et de l’émotteur – Cuve de 0,5 L

145
À la fin des granulations, un séchage à l’air libre a eu lieu. Le taux d’humidité d’un échantillon
de ces granulés a été mesuré avec l’analyseur d’humidité (Sartorius MA37) à 120°C en
dessiccation standard. Il a été estimé à 3,02 % après 5 min d’analyse.

Les granulés obtenus ont été traités et caractérisés de la même manière que les granulés des
lots précédents avec la cuve de 4L par taille en diffraction laser. Les résultats ont été
représentés par classes de tailles pondérées par fractions de volume. Cette distribution
granulométrique est illustrée à la figure 55 et montre un résultat moyenné des tailles des
granulés obtenus par la série de granulations. Les granulés ont des tailles entre 160 et 2400
μm avec une distribution granulométrique monomodale, resserrée et pas très éloignée de la
gamme de tailles des distributions engendrées par la cuve de 4L (populations de tailles entre
89 et 3086 μm).

Ces résultats serviront comme modèle de comparaison pour les essais numériques qui
suivent.

Figure 55 : Distribution granulométrique finale moyenne à 25% de la cuve de 0,5 L

146
 3.6.2. Résultats numériques

Suite aux différentes expériences de granulation humide effectuées avec la cuve de 0,5 L, des
tests numériques avec la petite cuve simulée sous EDEM ont été faits à différents taux de
remplissage. Cette démarche numérique suit la même que celle menée avec la cuve de 4 L,
afin de voir dans un premier temps le comportement des granulés à l’intérieur de la cuve en
faisant augmenter le nombre de particules au fur et à mesure. Le but est de faire une
validation expérimentale des données numériques.

3.6.2.1. Simulation avec 20 g (environ 70 000 particules)

Le premier test numérique avec la cuve de 0,5 L a été fait avec une quantité de poudre simulée
à 20 g, équivalente à un taux de remplissage de 8 % comme montré sur la figure 56 où on voit
la disposition des particules aléatoirement dans la cuve avant (a) et au démarrage de la
granulation (b). Le nombre de particules générées a été estimée à 69.644 particules, d’une
distribution granulométrique entre 350 et 1098 μm avec un diamètre moyen de 722 μm, une
énergie de surface à 1,7 J/m² et une vitesse d’agitation de l’agitateur et l’émotteur à 600
tr/min. Les conditions numériques de départ sont résumées en tableau 20.

Figure 56 : Images du début de la simulation à 20g

147
 Tableau 20 : Conditions numériques de la simulation 20 g

Unités
Nombre de particules 69.644 /
Diamètre moyen initial 0,7 [mm]
Énergie de surface 1,7 [J/m²]
Pas de temps 30 %
Taille de la cellule de contact 2,5 Rmin /
Temps de simulation 4 minutes
Granulés formés 7850 /

La figure 57 représente les profils de vitesses simulées en début, milieu et fin de simulation,
où on voit bien l’effet de la granulation à fort taux de cisaillement avec l’accentuation des
vitesses des particules en contact avec les pales d’agitation. La vitesse de rotation des
particules augmente au milieu de la granulation et se stabilise vers la fin en atteignant un
régime stationnaire dû à la formation des granulés.

Figure 57 : Vitesses moyennes de 20 g de particules dans la cuve

148
Ces profils de vitesses sont corrélés au nombre de coordination décrit précédemment comme
le nombre de particules en contact avec une particule donnée. Les figures 58 et 59 montrent
successivement des images de la cuve avec les particules colorées en nombre de coordination
au début, milieu et fin de granulation ainsi que le tracé du nombre de coordination au cours
du temps avec une valeur maximale de 11 contacts par particule. Le tracé du nombre de
coordination moyen montre une stabilité autour de 5 contacts moyen par particule.

Figure 58 : Images des particules en nombre coordination - Simulation à 20 g

Figure 59 : Nombre de coordination au cours du temps de la simulation à 20 g de particules

149
 3.6.2.2. Simulation avec 40 g (environ 100 000 particules)

Un deuxième essai de granulation numérique a été fait avec un taux de remplissage de 16 %,

l’équivalent de 40g de poudre. Les particules ont une distribution granulométrique entre 311
et 956 μm, avec un diamètre moyen initial équivalent en volume de 658 μm. Les particules
générées sont d’un nombre de 132.289. La disposition des particules dans la cuve avant
granulation est montrée sur la figure 60. Cette simulation a été lancée avec les mêmes
conditions numériques que précédemment avec une vitesse de rotation de la turbine et de
l’émotteur à 600 tr/min (voir tableau 21), sauf pour le nombre et la taille des particules de
départ dans le but de tester la limite de contenance de la cuve en fonction du nombre de
cellules de contact générée. Ce nombre a été estimé à 10.668.998 pour cette simulation.
Les profils de vitesses au début, milieu et fin de granulation sont illustrés sur la figure 61. On
peut voir que la vitesse moyenne des particules diminue au court du temps en fonction de la
création des granulés.
Le nombre de coordination est aussi représenté sur la figure 62 par le nombre de particules
en contact avec une particule donnée. Ce nombre est maximisé à 10 contacts par particule
pour cette simulation, ce qui veut dire que par moment, une particule peut former un granulé
avec un maximum de 10 particules. Le profil du nombre de coordination moyen est tracé en
figure 63, où la moyenne de contact par particule est au tour de 5.

Figure 60 : Cuve de 0,5L remplie à 16%

150
 Tableau 21 : Conditions numériques de la simulation 40 g

Unités
Nombre de particules 132.289 /
Diamètre moyen initial 0,66 [mm]
Énergie de surface 1,7 [J/m²]
Pas de temps 30 %
Taille de la cellule de contact 3 Rmin /
Temps de simulation 4 min
Granulés formés 10589 /

Figure 61 : Vitesses moyennes de 40 g de particules dans la cuve

À l’issu de cette simulation 10.589 granulés ont été formés. Le post-traitement

granulométrique a été effectué et est exploité dans le chapitre suivant.

151
 Figure 62 : Images des particules en nombre coordination - Simulation à 40 g

Figure 63 : Nombre de coordination moyen au cours du temps - Simulation à 40 g de

particules

152
 3.6.2.3. Simulation avec 62 g (environ 385 000 particules)

Le dernier essai numérique exploité dans ce chapitre a rassemblé les mêmes conditions
opératoires expérimentales, avec une quantité de poudre simulé estimée à 62 g pour un taux
de remplissage de 25 %. Le nombre de particules générées pour cette simulation est de
385.078 avec une distribution granulométrique initiale entre 258 et 822
μm et un diamètre moyen de 592 μm. Cette distribution se rapproche le plus de la distribution
granulométrique expérimentale avec un écart type de 95 μm. Le nombre de cellules de
contact maximal obtenu avec cette configuration a été estimé à 42.340.320 avec une taille de
cellule à 4 fois le rayon minimum (128 μm). Ce nombre a été considéré comme valeur limite
pour la capacité de calcul de notre station.

La distribution granulométrique des particules de départ est tracée en figure 64 et les

conditions de simulation sont résumées au tableau 22.

Figure 64 : Distribution granulométrique initiale pour la simulation à 62 g

153
 Tableau 22 : Conditions numériques de la simulation 60 g

Unités
Nombre de particules 385.078 /
Diamètre moyen initial 0,59 [mm]
Énergie de surface 1,7 [J/m²]
Pas de temps 30 %
Taille de la cellule de contact 4 Rmin /
Temps de simulation 7 min
Granulés formés 23.256 /
Nombre de cellule de contact 42.340.320 /

À la fin de cette granulation 23.256 granulés ont été formés. Les différents diamètres
équivalents ont été calculé par notre routine de post-traitement et les distributions
granulométriques sont tracés et comparés aux résultats expérimentaux dans la section
suivante.

3.6.3. Validation du modèle numérique : Comparaison des tests de 62 g

Les distribution expérimentales et numériques des granulés obtenus avec 62 g de poudre

initiale ont été tracées par classes de tailles adimensionnalisées (mode normé) par le diamètre
initiale moyen de chaque résultat (expérimental ou numérique) en échelle logarithmique
pondérées en fractions de volume comme montré sur la figure 65. Par ailleurs, le tableau 23
résume les résultats statistiques :

Tableau 23 : Résultats statistiques des distributions granulométriques

Début de granulation Fin de granulation

Moyenne (μm) Écart type (μm) Moyenne (μm) Écart type (μm)
Expérience 185 50 488 254
Simulation 592 95 974 417

154
 Figure 65 : Comparaison des distributions granulométriques expérimentales et numériques

On peut tirer le même genre de conclusions que pour l’étude de la cuve de 4L. La forme des
distributions granulométriques simulées ressemble à celles expérimentales. En terme
d’augmentation du diamètre moyen, il a augmenté de 2,6 fois expérimentalement et 1,6 fois
en numérique. En terme d’écart type traduisant l’étalement de la distribution, il a augmenté
de 5 fois expérimentalement et de 4,4 fois numériquement, traduisant un étalement de
distribution assez similaire. Les ratios sont toujours plus faibles en numérique, on peut de
nouveau en conclure que l’énergie de surface a peut-être été sous-estimée.
En ce qui concerne la différence de classes, un indice de dispersion a été calculé avec la
différence des fractions volumiques de chaque distribution et cet indice a été estimé à 2,43.
On peut alors dire que les distributions se suivent à un écart près dû à la limitation des
distributions granulométriques de départ par limite de capacité de la station de calcul à
générer les cellules de contacts.

155
4. Conclusion

Pour conclure, dans ce chapitre nous avons abordé la modélisation et la simulation du procédé
de granulation humide à fort taux de cisaillement, avec dans un premier temps une étude
expérimentale avec deux cuves de granulation à 4 et ensuite 0,5 L. Les essais expérimentaux
ont servi à obtenir des données de distributions granulométriques des différents granulés
obtenus, mais également des cinétiques de croissance en vue de les comparer aux résultats
numériques par la suite.

La partie numérique a consisté à mettre en œuvre un modèle de granulation humide. Il est

basé sur la méthode des éléments discrets qui tient compte de la physique du procédé, à la
fois des propriétés mécaniques des particules, de la dynamique du procédé lié à l’agitation,
mais également des forces de cohésion entre les particules. La résolution numérique a été
réalisée à l’aide d’un logiciel commercial EDEM. L’exploitation des données brutes issues du
logiciel a permis d’obtenir des profils de vitesse, des forces de cohésion ou encore les
évolutions du nombre de coordinations, mais il s’agit de données difficiles à exploiter en vue
d’une validation expérimentale.

C’est pourquoi nous avons développé un outil original de post-traitement permettant de

récupérer les contacts entre les particules, de les trier, et d’en extraire les contacts
permanents caractéristiques des agglomérats afin d’en calculer le volume. Ce code a été
développé sous python et a été validé numériquement à l’aide de décompte manuel sur un
faible nombre de particules.

En parallèle de cet outil, nous avons effectué un certain nombre de simulations pour tester
progressivement la robustesse du modèle face au nombre de particules et à leur taille. Si la
gestion du nombre de particules n’a pas engendré de problèmes majeurs, il n’a en revanche
pas été possible d’approcher la taille expérimentale de la poudre utilisée, ce qui constitue la
limite de la machine de calcul.

Enfin, dans une dernière partie, nous avons comparé la croissance des granulés à la fois d’un
point de vue expérimentale et d’un point de vue numérique à deux échelles de procédé (0,5L
et 4L). On a pu observer une répartition granulométrique numérique des granulés tout à fait
réaliste de forme gaussienne en semi logarithmique, mais il est nécessaire d’avoir

156
suffisamment de particules pour être statistiquement représentatifs. Par ailleurs, les ratios de
croissance entre la poudre finale et les granulés finis sont d’ordre comparables aux deux
échelles, tout comme l’étalement de la distribution granulométrique. Il a également été
possible pour certaines expérimentations de suivre les cinétiques de croissance des granulés
au cours du procédé et de les comparer à notre modèle. Nous avons conclu à des tendances
similaires entre l’expérience et la modélisation, permettant ainsi d’obtenir des informations
au cours du temps complémentaire à celles obtenues par mesure du couple sur l’arbre
d’agitation.

157
158
 Chapitre IV : Étude des effets des paramètres
opératoires – approche de changement d’échelle

159
 1. Introduction

Dans le chapitre précédent, la modélisation du procédé de granulation humide a été exposée,

en mettant au point une méthode de suivi numérique de la cinétique de croissance des
granulés. Dans ce chapitre, nous allons simuler différents protocoles de granulation. Une
étude paramétrique sera ainsi développée afin de déterminer l’influence des paramètres
opératoires principaux sur la distribution de tailles des granulés.

Des essais numériques ainsi qu’expérimentaux ont été réalisés afin de traiter l’effet de la
vitesse d’agitation du rotor à trois pales d’agitation, l’effet de l’utilisation ou non de l’émotteur
et la méthode d’ajout du liant corrélée à l’énergie de surface.

Dans un deuxième temps et dans le but de faire une validation du changement d’échelle, une
approche de mise à l’échelle a été développée, basée sur le calcul des nombres
adimensionnels qui influencent cet aspect. Les propriétés géométriques, cinétiques et
dynamiques ont été mises en examen.

L’étude de ce chapitre a utilisé le même matériel mis en œuvre lors de l’étude de granulation,
à savoir un granulateur de laboratoire à fort taux de cisaillement (Glatt TMG 1/6). Ce dispositif
expérimental comme décrit précédemment est doté de deux cuves interchangeables de 0,5
et de 4L. Ce granulateur a été modélisé numériquement pour les simulations sur EDEM par la
méthode des éléments discrets comme détaillé en chapitre III section 2.1.

2. Étude paramétrique

2.1. Effet de la vitesse d’agitation de la turbine

Dans ce cas d’étude, la turbine a été sollicitée à trois vitesses différentes, expérimentalement
et numériquement. Des granulations dans la cuve de 0,5 L ont alors été faites
expérimentalement à 300, 600 et 900 tr/min en la présence de l’émotteur tournant à 600
tr/min, avec un débit de pulvérisation du liant fixé à 7,5ml/min et un temps de granulation de
10 min suivi des 5 minutes de maturation. Les granulés obtenus à l’issu de chaque test ont été
caractérisés selon leurs tailles par diffraction laser.

160
Numériquement, les mêmes tests ont été réalisé avec les mêmes conditions numériques
utilisées en simulation dans la cuve de 0,5 L à 62 g détaillée en section 3.3.2.3 du chapitre III.
Seule la vitesse d’agitation de la turbine changeait d’une simulation à une autre entre de 300,
600 puis 900 tr/min. Les granulés obtenus ont également été caractérisé selon leurs tailles par
la routine de suivi de la taille des particules et les résultats obtenus ont été tracés et comparés
aux résultats expérimentaux pour chaque cas de vitesse.

La figure 66 résume ainsi les distributions de tailles expérimentales et numériques par

fractions de volume en fonction des classes de taille (μm). Les tailles des granulés
expérimentaux, présentés en trait plein, sont issues d’une distribution granulométrique
expérimentale de départ avec des classes de tailles entre 86 et 272 μm alors que les
distributions initiales numériques, en pointillé, partent de 256 à 830 μm. Le choix de cette
plage de données initiales a été justifié dans le chapitre précédent pour cause de limite de
calculs du logiciel EDEM de simulation utilisé.

Figure 66 : Distributions granulométriques expérimentales et numériques finales à différentes

vitesses d’agitation (trait plein : données expérimentales, pointillés : résultats numériques)

Les résultats reprennent la même conclusion émise en chapitre III en ce qui concerne l’indice
de dispersion entre les résultats expérimentaux et numériques, dû à la distribution

161
granulométrique numérique de départ qui est limitée par la génération des cellules de
contacts engendrant l’augmentation du temps de calcul. Mais hormis ce point, nous
remarquons des tendances assez similaires entre l’expérience et la simulation pour chaque
vitesse d’agitation (cf. Tableau 24)

Tableau 24 : Résultats statistiques granulométriques aux différentes vitesses

300 tr/min 600 tr/min 900 tr/min

Unité (μm) Moyenne Écart type Moyenne Écart type Moyenne Écart type
Expérience 556 547 488 254 364 211
Simulation 2057 996 974 417 864 419

On note les observations suivantes :

x Pour la vitesse à 300 tr/min, les résultats obtenus montrent la formation de

granulés assez gros avec un tracé de distribution granulométrique bimodale,
où deux diamètres moyens sont retenus, un à 400 μm expérimentalement et
1627 μm numériquement puis 2100 μm expérimentalement et 3800
numériquement.
x À 600 tr/min, des distributions granulométriques plus resserrées sont
obtenues, avec une bonne concordance entre les résultats expérimentaux et
numérique. Les diamètres moyens retenus sont de 488 μm en expérience et
974 μm en simulation.
x Pour le cas d’étude à 900 tr/min, une distribution granulométrique plus
resserrée a été remarquée, avec un diamètre moyen expérimental à 364 μm et
numérique à 864 μm.

Nous pouvons donc conclure que le cisaillement, directement reliée à la rotation de la pale
d’agitation a un effet notoire sur la répartition granulométrique finale. Il apporte l’énergie au
système et agit sur les fréquences de collisions entre particules, puis entre les grains
permettant les phases de croissance et d’attrition.

162
Il est à noter que dans la littérature, ce paramètre fait débat au niveau expérimental. Les
travaux de Saleh et al., ont montré qu’une augmentation de la vitesse de l’agitateur engendre
une augmentation du diamètre moyen des grains (Saleh et al., 2005), alors que l‘étude de
Ramaker et al., (Ramaker et al., 1998) irait dans notre direction (cf. figure 67).

Figure 67 : Effet de la vitesse de cisaillement sur le d50 (Ramaker et al., 1998)

Pour aller plus loin, il conviendrait d’étudier l’influence du cisaillement au cours du temps,
pour comprendre plus précisément l’influence de ce paramètre à la fois sur les mécanismes
de nucléation puis croissance/attrition.

2.2. Effet de l’émotteur

Dans cette étude, l’effet de l’utilisation de l’émotteur a été traité. Pour rappel, le granulateur
utilisé est doté d’un émotteur tournant à une vitesse entre 300 et 3000 tr/min. Son utilité
principale c’est de casser les gros agglomérats qui se forment au cours du temps. Pour voir
cela plus en détails, des simulations ont été menée dans la cuve de 0,5 L à une vitesse
d’agitation de la turbine constante à 600 tr/min, ainsi, deux cas d’études ont été pris, avec ou
sans émotteur tournant à une vitesse de 600 tr/min. Les profils de vitesses des particules sont
tracés en figure 68 pour un certain pas de temps. Ceci montre dans un premier temps
l’importance de la présence de l’émotteur, vu que les particules qui granulent sans émotteur
tournent à une vitesse moyenne aux alentours de 1,28 m/s tandis que celle qui granulent avec
émotteur ont un profil de vitesse plus rapide avec une moyenne à 10,14 m/s. Ce phénomène

163
est relié à l’énergie de surface appliquée entre les particules où de gros agglomérats se
forment et alourdissent le mouvement des petits granulés formés dans la cuve. Les images sur
la figure 69 montrent l’état des granulés dans la cuve avec et sans émotteur où l’impression
qu’un seul agglomérat est formé dans la cuve sans émotteur, tandis que pour l’autre, les
particules passent au contact de l’émotteur pour rupture.

La figure 70 illustre la répartition granulométrique numérique avec et sans émotteur : le

diamètre moyen et l’écart type sont respectivement 974 et 417 avec émotteur ainsi que 1394
et 741 sans émotteur. On note l’effet de l’émotteur qui conduit à une taille moyenne plus
petite et à une répartition granulométrique plus resserrée, effet bien connu
expérimentalement. Numériquement, c’est le critère de rupture du modèle du modèle JKR
présenté dans la partie bibliographique 2.2.2.c qui permet de tenir compte des forces de
cisaillement engendrées par l’agitateur et l’émotteur, et donc de rompre partiellement les
contacts entre les gros agrégats.

Figure 68 : Vitesse moyenne des particules dans la cuve avec et sans émotteur

164
 Figure 69 : État des particules dans la cuve avec et sans émotteur

Figure 70 : Distributions granulométriques numériques des granulés en fin de granulation

avec et sans et sans émotteur

165
 2.3. Effet de la méthode d’ajout du liant

La méthode d’ajout du liant représente une propriété très importante dans le procédé de
granulation humide pour une production optimale de granulés aux propriétés voulues. Ce
paramètre opératoire a été également étudié par simulations dans ce chapitre pour faire une
évaluation numérique de son effet à l’intérieur de la cuve ainsi que sur la taille des granulés
obtenus.

Deux méthodes d’ajout ont été testées dans la cuve de 4L avec une vitesse d’agitation du rotor
et de l’émotteur à 600 tr/min pour 100.000 particules simulées dans les deux cas. Le diamètre
moyen de départ ainsi que l’écart type sont respectivement de 1269 μm et 203 μm.

La première méthode a été utilisée lors des essais du chapitre III et a consisté en l’ajout du
liant par pulvérisation comme montré sur la figure 71 sous forme de particules de poudre qui
font office de liquide de mouillage. Les particules de liant sont au nombre de 20.000 particules
et ont les mêmes propriétés de taille que celles de la poudre. Ces 20.000 particules sont
comprises dans les 100.000 particules au total. L’énergie de surface dans ce cas est donc
appliquée aux particules liantes.

La deuxième méthode a considéré la méthode classique d’ajout du liant entièrement dans la

cuve directement avec la poudre. Celle-ci est corrélée numériquement à l’application de
l’énergie de surface directement entre les particules (figure 72).

Les premiers résultats ont caractérisé les nombres de coordination en fonction du temps par
méthode tracés en figure 73.

Pour la méthode d’ajout par pulvérisation, le nombre de coordination moyen est aux
alentours de 4. Ce qui veut dire que chaque particule est en contact en moyenne avec plus au
moins 4 particules au cours de la granulation. En ce qui concerne la méthode d’ajout avec la
poudre, son tracé de nombre de coordination montre une moyenne entre 2 à 3 contacts par
particules.

166
Le fait d’appliquer l’énergie de surface directement entre les particules dans la cuve fait
augmenter certes l’effet de cohésion entre les particules, mais par effet de rupture avec
l’utilisation de l’émotteur le nombre de coordination ne fluctue par énormément. En ce qui
concerne la méthode d’ajout par pulvérisation, le nombre de coordination est légèrement plus
élevé d’un contact par particule vu que la formation des granulés se fait lors d’un contact
direct d’une particule de liant avec plus au moins 4 particules de poudre.

Figure 71 : Méthode d’ajout par pulvérisation

Figure 72 : Méthode d’ajout avec la poudre

167
 Figure 73 : Nombre de coordination par méthode

Les résultats des distributions granulométriques pour les deux méthodes sont tracés en figure
74. On note donc une distribution plus resserrée et monomodale pour la méthode d’ajout par
pulvérisation avec une répartition granulométrique d’un diamètre moyen de 2654 μm et un
écart type de 565. Quant à la méthode d’ajout avec la poudre, elle est marquée par une
répartition granulométrique bimodale avec un diamètre moyen global de 2702 μm et un écart
type à 733 μm. Ces résultats mènent à conclure que les deux méthodes donnent des
distributions à des diamètres moyens assez proches en nombres mais pas en forme.

Cet essai a également été marqué par le temps de calcul pour chaque méthode. Ceci a
légèrement été plus important pour la méthode d’ajout avec la poudre, vu que le temps de
contact entre les particules est plus élevé, ce qui engendre une formation de cellule de
contacts plus importante.

168
Figure 74 : Distributions granulométriques numériques des granulés en fin de granulation par
deux méthodes d’ajout du liant

169
 3. Étude du changement d’échelle
L’objectif de cette partie est d’étudier les possibilités du modèle en vue de l’utiliser comme
un outil d’aide à des problématiques de changement d’échelle. Les deux volumes de cuves de
granulateur à fort taux de cisaillement de 0,5 L et de 4 L ont été exploitées.

Les diamètres ainsi que les hauteurs des deux cuves sont resumés dans le tableau 25.

Tableau 25 : dimensions des cuves de granulation de 0,5 et de 4L

Unité Cuve de 0,5 L Cuve de 4L

Hauteur 14 20
Diamètre [cm] 10 16
Taille agitateur 4,5 7

3.1. Rappels des principaux nombres adimensionnels

La condition de fonctionnement de cette démarche est de vérifier les aspects de similitude à
prendre en compte. Parmi ces similitudes, on retrouve classiquement :

Les similitudes géométriques : celles-ci sont souvent connues et imposées par le fabricant
avec une précision sur le diamètre et la hauteur de la cuve ainsi que les dimensions de la
turbine et de l’émotteur ;

Les similitudes cinématiques permettant de caractériser le mouvement et les trajectoires des

particules à différentes échelles ;

Les similitudes dynamiques permettant d’avoir des rapports de forces constants à différentes
échelles ;

Les similitudes thermiques et chimiques : ceci n’est pas exploité dans ce cas, vu qu’aucune
réaction chimique ou transfert thermique ne soit pris en compte.

170
Cela mène donc aux calculs des nombres adimensionnels qui sont le nombre de Newton (Np),
le nombre de Froude (Fr), le nombre de Reynolds (Re) ainsi que la vitesse en bout de pale, où
pour des systèmes similaires comme annoncé dans les conditions, ces nombres doivent avoir
les mêmes valeurs numériques.

- Nombre de Newton :

௉
ܰ௣ ൌ ………………. (48)
ሺఘൈ௡య ൈௗఱ ሻ

- Nombre de Froude :

௡మ ൈௗ
‫ܨ‬௥ ൌ ………………. (49)
௚

- Nombre de Reynolds :

ௗమ ൈ௡ൈఘ
ܴ௘ ൌ ………………. (50)
ఎ

- Vitesse en bout de pale :

ߨ݊݀ ൌ ܿ‫……………… ݁ݐݏ‬. (51)

Avec P, ߩ, n, d, ߟ, g, respectivement : la puissance requise par la turbine ou le moteur [W], la

densité spécifique des particules [kg/m3], la vitesse de la turbine [tr/s], diamètre ou rayon des
pales de la turbine [m], viscosité dynamique [Pa.s] et gravité [m/s²].

Excepté pour le nombre de Newton, les critères de changement d’échelle reviennennt à

écrire:

௡మ ௗ ௔
ൌ ቂ భ ቃ ………………. (52)
௡భ ௗమ

1 et 2 étant les deux échelles d’étude. La valeur de a = 2 correspond à maintenir le nombre de

Reynolds constant, a = 1 correspond à maintenir la vitesse en bout de pale constante, alors
que n = 0,5 correspond à un nombre de Froude constant. Dans leur étude, Tao et al.,
préconisent a = 0,8 qui a été montré expériementalement pour fournir une contrainte de
cisaillement similaire à différentes échelles, avec des résultats de mise à l'échelle plutôt
convaincants (Tao et al., 2015).

171
 3.2. Étude du changement d’échelle

Dans cette étude, nous avons choisi comme critère d’extrapolation la vitesse en bout de pale.
Ca se rapproche des conditions préconisées par Tao et al., tout en gardant un rapport de
similitude purement physique (Tao et al., 2015).

Le tableau 26 résume les valeurs des nombres sans dimensions (uniquement la partie nda, a=
2, 1 et 0,5 correspondant à maintenir constant respectivement le nombre de Reynols, la
vitesse en bout de pale et le nombre de Froude) aux deux échelles de travail.

Tableau 26 : Valeurs des différents nombres sans dimensions

d (cm) N (tr/min) a = 2 (Re) a = 1 (vitesse) a = 0,5 (Fr)

4L 7 600 2,94E+04 4,20E+03 1,59E+03

0,5L 4,5 900 1,82E+04 4,05E+03 1,91E+03

On a donc chercher à comparer la taille finale des granulés et leur écart type pour une
production de lots à une échelle laboratoire (0,5L avec une vitesse d’agitation de 900
tour/min) et pilote (4L avec une vitesse d’agitation de 600 tour/min). Dans les 2 cas, la vitesse
de l’émotteur a été maintenue à 600 tour/min.

Nous pouvons donc tracer la répartition granulométrique des agglomérats finaux, à la fois
d’un point de vue expérimentale et numérique (cf. figure 75).

172
 Figure 75 : Répartition granulométrique expérimentale et numérique pour la cuve de 0,5 L
(900 tour/min) et pour la cuve de 4L (600 tour/min)

Le tableau suivant résume les diamètres moyens et les écarts type.

Tableau 27 : Résultats statistiques granulométriques du changement d’échelle

Début granulation Fin granulation Rapport fin/début

(μm) moyenne Écart type moyenne Écart type moyenne Écart type
expérimentale 152 32 273 215 1,8 6,7
4L
numérique 1269 203 2654 565 2,1 2,8

expérimentale 185 50 363 231 2,0 4,6

0,5 L
numérique 596 95 864 419 1,4 4,4

On peut déduire de ce tableau que quelque soit le volume de la cuve, la taille moyenne du
granulé est d’environ deux fois la taille de la particule initiale (entre 1,4 et 2,1) et ce à la fois
expérimentalement et numériquement.

173
Au niveau de l’étalement de la distribution, l’écart type lié au changement d’échelle n’est pas
identique, mais l’ordre de grandeur reste respecté. Il conviendrait désormais d’ajuster sur la
même méthologie de similitude afin d’affiner les résultats.

Ainsi le modèle développé semble pertinent pour prédire la taille finale des granulés à 0,5L et
4L. Il peut donc être utilisé comme un outil pour sécuriser le changement d’échelles. Il
conviendrait par la suite de consolider les résultats en s’intéressant à d’autres critères
d’extrapolation (géométrique, dynamique, …).

4. Conclusion

Dans ce dernier chapitre, deux études autour de la granulation humide ont été exposées. La
première partie a consisté en une étude paramétrique sur l’effet de trois différents
paramètres opératoires où dans un premier temps l’effet de la vitesse d’agitation de la turbine
a été traité dans la cuve de 4L. Dans cette étude, des essais expérimentaux et numériques de
granulation humide ont été menée à trois vitesses d’agitation de la turbine à savoir 300, 600
et 900 tr/min. Les résultats ont caractérisé les granulés obtenus par répartitions
granulométriques, où les données expérimentaux et numériques ont vu une bonne
concordance malgré la présence d’un indice de dispersion dû à un écart entre les tailles des
particules de départ.

Par la suite, une étude de l’effet de l’émotteur a été exposé par deux simulations avec et sans
émotteur dans la cuve de 0,5L. Les résultats de distributions granulométriques de cette étude
ont montré numériquement le rôle de l’émotteur dans l’obtention de granulés de taille
moyenne plutôt petite. Ceci étant déjà bien démontré expérimentalement, le but était de voir
l’effet de la rupture présente dans le modèle JKR numériquement.

Enfin, l’effet de la méthode d’introduction du liant a été exploité numériquement avec des
simulations dans la cuve de 4L. Deux méthodes d’ajout ont été essayées. La première par ajout
direct du liant sous forme de particules directement avec la poudre de MCC, la fonction de

174
liant est donc appliquée directement entre les particules par énergie de surface entre les
particules. La deuxième méthode a consisté en l’ajout des particules de liant par pulvérisation
au cours du temps sur le lit de poudre où l’énergie de surface est appliquée à ce niveau. Les
résultats de distributions granulométriques des granulés ont montré de meilleurs tendances
avec la méthode d’ajout par pulvérisation.

Dans la deuxième partie, une étude sur le changement d’échelle a été menée par l’exploitation
de la vitesse en bout de pale de deux volumes de cuves de granulateur à fort taux de
cisaillement à 0,5L et 4L.

Nous avons calculé différents nombres adimensionnels caractéristiques et nous avons choisi
de maintenir constant celui caractéristique de la vitesse d’agitation en bout de pales.

Par la suite les calculs d’extrapolation ont menée à une comparaison des tailles finales des
granulés pour des productions de lots de granulés à l’échelle laboratoire 0,5 L à 900 tr/min et
pilote 4L à 600 tr/min. Vu les résultats obtenus, nous avons pu conclure que l’extrapolation a
permis de conduire à des granulés de propriétés d’usage similaires en terme de répartition
granulométrique. Ainsi, le modèle développé peut également être utilisé à différentes
échelles.

175
176
Conclusion générale

177
 1. Bilan des travaux

Ce travail de thèse a porté sur l’étude du procédé de granulation humide d’un point de vue
expérimental et numérique. Le but était de développer des méthodes de calculs prédictives
qui viennent appuyer les conclusions tirées des récentes études expérimentales, mais aussi
d’essayer de mieux appréhender tous les phénomènes complexes autour du procédé de
granulation humide qui rendent difficiles la compréhension expérimentale et le changement
d’échelle.

Lors d’une granulation humide, les attributs obtenus doivent être quantifiés et qualifiés dans
un besoin industriel précis. Donc l’amélioration des propriétés physiques, mécaniques et
d’écoulement des granulés est nécessaire. Expérimentalement, le suivi du couple de l’arbre
d’agitation donne des informations temporelles, mais elles restent limitées par rapport à la
qualité finale des granulés. De ce fait, un suivi temporel de la cinétique de croissance des
granulés s’avère nécessaire.

Les méthodologies prédictives adoptés pour ce travail ont donc consisté en le développement
d’un modèle multi-physique/échelle par la méthode des éléments discrets (DEM) pour
modéliser et simuler le procédé dans un premier temps, et par la suite mettre en avant un
outil numérique pour la prédiction de la croissance des particules de poudres testées. Pour
réaliser ce modèle, le travail a été divisé en plusieurs parties.

Dans le premier chapitre de cette thèse, une synthèse bibliographique a été divisée en deux
parties. La première a permis de mettre en évidence les aspects expérimentaux de la
granulation en général et de la granulation humide à fort taux de cisaillement plus en détails.
Un rappel sur les travaux récents sur ce sujet a été exposé. De cette partie, nous avons conclu
et souligné la complexité du procédé de granulation humide reliée à ses différents
mécanismes. Cette complexité s’articule également autour des effets des paramètres
opératoires qui entrent en jeu. La nécessité de s’intéresser à une approche numérique pour
compléter l’approche expérimentale a été abordée.

Dans la seconde partie bibliographique, la granulation humide a été synthétisée d’un point de
vu numérique. Les différentes notions et méthodes en introduction à la simulation et la
modélisation de ce procédé ont été décrites. Nous avons retenu que quatre méthodes
numériques permettent de modéliser ce procédé, à savoir : l’analyse dimensionnelle, la

178
modélisation par bilans de population, la modélisation par éléments discrets et enfin les
modèles hybrides qui consistent à coupler deux ou plusieurs méthodes à la fois. Les
conclusions nous ont mené à dire que malgré la facilité de mise en œuvre de l’analyse
dimensionnelle ainsi que la pertinence de la modélisation par bilans de population, leurs
applications nous semblaient limitantes pour ce procédé où la dynamique des particules joue
un rôle essentiel. La modélisation par éléments discrets a retenu notre attention car elle
permet de tenir compte de la trajectoire des particules et d’ajouter des phénomènes
complexes au niveau de chaque contact entre particules. Nous avons donc décrit le principe
de la méthode, ainsi que le modèle de cohésion que nous avons retenu pour cette étude
(modèle JKR). Enfin, nous nous intéresserons aux travaux récents de modélisation en DEM en
granulation humide.

L’objectif du deuxième chapitre est de décrire la méthodologie de calibration nécessaire au

développement du modèle. Cette calibration repose sur l’ajustement de paramètres
numériques à l’aide de résultats expérimentaux liés à la mesure de la fluidité des poudres. La
méthode a consisté à tester dans un premier temps la fluidité de poudres pharmaceutiques
non granulées et granulées en mesurant les angles de repos statique au moyen d’un testeur
de poudre (Hosokawa Powder Tester). Numériquement, un paramètre pour les poudres non
cohésives (coefficient de frottement statique) et deux paramètres pour les poudres cohésives
(énergie de surface et coefficient de frottement statique) sont nécessaires pour la calibration
du modèle.

Les résultats de cette étude de calibration ont été validés par la suite avec succès au moyen
d’essais de volumétrie et de mélange de particules dans un tambour tournant. Cette validation
nous a permis de conclure que nous ne pouvions pas nous affranchir d’essais expérimentaux
pour la calibration, mais un seul test expérimental simple à mettre en œuvre conduit au
développement d’un modèle prédictif fiable.

Ainsi, nous avons pu développer ce modèle pour modéliser un procédé plus complexe dans le
3ème chapitre. En effet, le procédé de granulation humide à fort taux de cisaillement engendre
des problématiques de mélange, mais également de cohésion.

La modélisation et la simulation de ce procédé a donc été abordée dans ce chapitre en

parallèle d’une étude expérimentale en testant deux cuves de granulateur à 4L et à 0,5L. Les

179
résultats des distributions granulométriques obtenus ont servi de base pour une comparaison
avec les résultats numériques.

L’étude numérique a consisté d’abord à mettre en place la méthode prédictive qui tient
compte et de la mécanique et de la dynamique du procédé au moyen de simulations
numériques résolues par le biais d’un logiciel commercial EDEM. L’exploitation des données
dans ce logiciel n’a pas permis d’accéder aux résultats de granulométries finales, ce qui a
nécessité le développement d’un outil de post-traitement dans un logiciel tierce. Ce code nous
a donc permis de faire un suivi temporel de la formation des granulés. Les tests numériques
ont été fait avec une progression au niveau du nombre de particules afin de nous assurer de
la robustesse de l’outil. Les résultats obtenus à l’issu de cette étude ont montré une
comparaison expérimentale et numérique des distributions granulométriques des granulés.
Cette comparaison n’a pas vu une conformité totale pour cause de génération de particules
numériques de départ. Néanmoins les essais menés sur les deux échelles à 0,5 L et 4 L ont
engendré des distributions granulométriques réaliste et avec des ratios de tailles des granulés
comparables aux deux échelles avant et après granulation.

Dans le dernier chapitre, une étude paramétrique a été menée sur les effets des paramètres
opératoires sur les tailles des granulés produits. Les paramètres testés sont :

- La vitesse d’agitation de la turbine : cette étude a été faite dans la cuve de 4L

expérimentalement et numériquement. Trois vitesses d’agitation ont été testé à savoir
300, 600 et 900 tr/min. Les résultats de cette étude ont montré une bonne conformité
entre les distributions expérimentale et numérique au niveau de la forme malgré un
indice de dispersion dû à l’écart entre les particules de départ pour des raisons de
calcul numérique.
- La présence ou non de l’émotteur : cette étude a été faite dans la cuve de 0,5L pour
confirmer l’effet de l’absence de l’émotteur sur la formation de granulés de taille
plutôt importante. Ce paramètre nous a permis de valider numériquement l’effet de
l’émotteur sur le fonctionnement du module de rupture inclus dans le modèle
mécanique utilisé (JKR)
- Enfin, la méthode d’ajout du liant (corrélé à l’énergie de surface) a été exposée. Ceci
en testant deux méthodes d’ajout : par pulvérisation de particules de liant dotée d’une

180
 énergie de surface ou par ajout direct du liant avec la poudre initiale dans la cuve. Les
résultats de cette étude ont permis de retenir la méthode d’ajout par pulvérisation vu
la meilleure distribution granulométrique obtenue.

La dernière partie de ce chapitre a mis en examen une étude de changement d’échelle au

moyen de nombres adimensionnels. Une exploitation en bout de pale pour deux volumes de
cuves de granulateur (0,5L et 4L) a été faite. Les résultats obtenus nous ont permis de conclure
sur la pertinence et l’utilité du modèle utilisé pour la prédiction de la taille finale des granulés
sur les deux échelles pour un rapport de similitude physique.

En conclusion ce travail de recherche a permis de développer une nouvelle approche de

modélisation basée sur la méthode des éléments discrets.

De ce fait, l’outil élaboré permet de prédire la cinétique de croissance et la distribution

granulométrique des granulés. Il tient compte des propriétés intrinsèques de la poudre, des
conditions opératoires, et de la géométrie de la cuve. Il a montré des résultats pertinents suite
à une étude paramétrique et à une étude de changement d’échelle tout en tenant compte de
la dynamique des particules simulées.

Le modèle est donc prometteur pour des simulations de granulation en générale et de

granulation humide en particulier malgré les limitations rencontrées, ce qui donne une
meilleure compréhension du procédé.

Cette approche reste toutefois à approfondir ce qui mène à plusieurs perspectives.

181
2. Perspectives de l’étude

Quelques perspectives sont donc listées ci-dessous pour pouvoir lever les limites actuelles
du modèle :

- Le modèle JKR a été retenu dans un premier temps pour sa simplicité de mise en œuvre
comme modèle d’adhésion. Néanmoins, il n’est probablement sans doute pas
représentatif de tous les états d’agglomération au cours du processus (pendulaire,
funiculaire, capillaire et gouttelettes). Un travail sur le modèle de cohésion évolutif au
cours du temps reste à développer, il pourrait être complété par des mesures
expérimentales par AFM notamment.

- Le modèle DEM pourrait être complexifier en intégrant des particules non sphériques,
comme on peut le constater expérimentalement. Des géométries simples peuvent être
réalisées en associant plusieurs particules sphériques. Des géométries plus complexes
peuvent être importées à partir de morphologies expérimentales. La démarche restera
la même mais les points de contacts entre particules étant multiples, les temps
peuvent être considérablement augmentés.

- La granulation humide au sein de granulateurs à fort taux de cisaillement engendre

l’augmentation de la température à l’intérieur de l’appareil. Cela nécessiterait de
modéliser la génération de chaleur engendrée par le frottement entre les particules,
ce qui est tout à fait possible en DEM. Un plus ample suivi expérimental et numérique
de la thermique pourrait donc être envisagé avec le développement d’un modèle
numérique thermique.

- La limitation des simulations lié au temps de calcul (qui peut dépasser deux semaines
pour 100.000 particules). Ce problème nous a contraint à augmenter de façon fictive
la taille des particules. Par ailleurs, il n’a pas été possible de faire toutes les simulations
envisagées. Une solution envisageable consisterait à coupler la DEM aux bilans de
populations. La DEM permettrait d’alimenter les noyaux d’agglomération et de
dissociation des bilans, mais le couplage permettrait une résolution moins couteuse
en temps.

182
 - Un couplage DEM-CFD pourrait être complémentaire pour une meilleure
représentation de l’état liquide du liant (force de trainée) en tenant compte des
transferts hydriques.

Ainsi, le modèle JKR simplifié pourrait être agrémenté en un modèle multiphasique pour tenir
compte des interactions entre la dynamique des particules solides (adhésion), l’état fluide du
liant et ses interactions avec les particules (transferts hydriques) et enfin le suivi d’une
cinétique thermique au cours de la granulation.

183
184
Références bibliographiques

185
Références :
Alizadeh, M., Asachi, M., Ghadiri, M., Bayly, A., Hassanpour, A., 2018. A methodology for calibration of
DEM input parameters in simulation of segregation of powder mixtures, a special focus on
adhesion. Powder Technology 339, 789–800. https://doi.org/10.1016/j.powtec.2018.08.028
Antonyuk, S., Khanal, M., Tomas, J., Heinrich, S., Mörl, L., 2006. Impact breakage of spherical granules:
Experimental study and DEM simulation. Chemical Engineering and Processing: Process
Intensification 45, 838–856. https://doi.org/10.1016/j.cep.2005.12.005
Badawy, S.I.F., Narang, A.S., LaMarche, K., Subramanian, G., Varia, S.A., 2012. Mechanistic basis for the
effects of process parameters on quality attributes in high shear wet granulation. International
Journal of Pharmaceutics 439, 324–333. https://doi.org/10.1016/j.ijpharm.2012.09.011
Barlow, C.G., 1968. The granulation of powders. Chemical Engineering Journal 196–201.
Barrasso, D., Eppinger, T., Pereira, F.E., Aglave, R., Debus, K., Bermingham, S.K., Ramachandran, R.,
2015. A multi-scale, mechanistic model of a wet granulation process using a novel bi-
directional PBM–DEM coupling algorithm. Chemical Engineering Science 123, 500–513.
https://doi.org/10.1016/j.ces.2014.11.011
Barrasso, D., Ramachandran, R., 2012. A comparison of model order reduction techniques for a four-
dimensional population balance model describing multi-component wet granulation
processes. Chemical Engineering Science 80, 380–392.
https://doi.org/10.1016/j.ces.2012.06.039
Bassam, F., York, P., Rowe, R.C., Roberts, R.J., 1990. Young’s modulus of powders used as
pharmaceutical excipients. International Journal of Pharmaceutics 64, 55–60.
https://doi.org/10.1016/0378-5173(90)90178-7
Baxter, J., Abou-Chakra, H., TüZün, U., Mills Lamptey, B., 2000. A DEM Simulation and Experimental
Strategy for Solving Fine Powder Flow Problems. Chemical Engineering Research and Design,
Chemical Reaction Engineering 78, 1019–1025. https://doi.org/10.1205/026387600528139
Bednarek, X., Martin, S., Ndiaye, A., Peres, V., Bonnefoy, O., 2017. Calibration of DEM parameters on
shear test experiments using Kriging method. EPJ Web Conf. 140, 15016.
https://doi.org/10.1051/epjconf/201714015016
Betz, G., Bürgin, P.J., Leuenberger, H., 2003. Power consumption profile analysis and tensile strength
measurements during moist agglomeration. International Journal of Pharmaceutics 252, 11–
25. https://doi.org/10.1016/S0378-5173(02)00601-4
Bock, T.K., Kraas, U., 2001. Experience with the Diosna mini-granulator and assessment of process
scalability. European Journal of Pharmaceutics and Biopharmaceutics 52, 297–303.
https://doi.org/10.1016/S0939-6411(01)00197-7
Bocquet, L., Charlaix, É., Restagno, F., 2002. Physics of humid granular media. Comptes Rendus
Physique 3, 207–215. https://doi.org/10.1016/S1631-0705(02)01312-9
Börner, M., Bück, A., Tsotsas, E., 2017. DEM-CFD investigation of particle residence time distribution
in top-spray fluidised bed granulation. Chemical Engineering Science 161, 187–197.
https://doi.org/10.1016/j.ces.2016.12.020
Börner, M., Michaelis, M., Siegmann, E., Radeke, C., Schmidt, U., 2016. Impact of impeller design on
high-shear wet granulation. Powder Technology 295, 261–271.
https://doi.org/10.1016/j.powtec.2016.03.023
Bouillon-Camara, A.-L., 2005. Extrapolation du procédé de granulation humide en mélangeur haute
vitesse.
Bouwman, A.M., Visser, M.R., Eissens, A.C., Wesselingh, J.A., Frijlink, H.W., 2004. The effect of vessel
material on granules produced in a high-shear mixer. European Journal of Pharmaceutical
Sciences 23, 169–179. https://doi.org/10.1016/j.ejps.2004.07.008
Cameron, I.T., Wang, F.Y., Immanuel, C.D., Stepanek, F., 2005. Process systems modelling and
applications in granulation: A review. Chemical Engineering Science, Granulation across the

186
 length scales - 2nd International Workshop on Granulation 60, 3723–3750.
https://doi.org/10.1016/j.ces.2005.02.004
Chaturbedi, A., Bandi, C.K., Reddy, D., Pandey, P., Narang, A., Bindra, D., Tao, L., Zhao, J., Li, J., Hussain,
M., Ramachandran, R., 2017. Compartment based population balance model development of
a high shear wet granulation process via dry and wet binder addition. Chemical Engineering
Research and Design 123, 187–200. https://doi.org/10.1016/j.cherd.2017.04.017
Chitu, T.M., Oulahna, D., Hemati, M., 2011a. Wet granulation in laboratory scale high shear mixers:
Effect of binder properties. Powder Technology 206, 25–33.
https://doi.org/10.1016/j.powtec.2010.07.012
Chitu, T.M., Oulahna, D., Hemati, M., 2011b. Wet granulation in laboratory-scale high shear mixers:
Effect of chopper presence, design and impeller speed. Powder Technology 206, 34–43.
https://doi.org/10.1016/j.powtec.2010.07.016
Collet, R., Oulahna, D., De Ryck, A., Jezequel, P.H., Martin, M., 2010. Mixing of a wet granular medium:
Effect of the particle size, the liquid and the granular compacity on the intensity consumption.
Chemical Engineering Journal 164, 299–304. https://doi.org/10.1016/j.cej.2010.07.012
Crüger, B., Salikov, V., Heinrich, S., Antonyuk, S., Sutkar, V.S., Deen, N.G., Kuipers, J.A.M., 2016.
Coefficient of restitution for particles impacting on wet surfaces: An improved experimental
approach. Particuology 25, 1–9. https://doi.org/10.1016/j.partic.2015.04.002
Cundall, P.A., Strack, O.D.L., 1979. A discrete numerical model for granular assemblies. Géotechnique
1, 47–65. https://doi.org/10.1680/geot.1979.29.1.47
D’alonzo, G.D., O’connor, R.E., Schwartz, J.B., 1990. Effect of Binder Concentration and Method of
Addition on Granule Growth in a High Intensity Mixer. Drug Development and Industrial
Pharmacy 16, 1931–1944. https://doi.org/10.3109/03639049009028348
Denesuk, M., Smith, G.L., Zelinski, B.J.J., Kreidl, N.J., Uhlmann, D.R., 1993. Capillary penetration of
liquid droplets into porous materials. Journal of Colloid and Interface Science 158, 114–120.
Ennis, B.J., 1996. Agglomeration and size enlargement session summary paper. Powder Technology 88,
203–225. https://doi.org/10.1016/S0032-5910(96)03124-5
Ennis, B.J., Tardos, G., Pfeffer, R., 1991. A microlevel-based characterization of granulation
phenomena. Powder Technology 65, 257–272. https://doi.org/10.1016/0032-5910(91)80189-
P
Faure, A., York, P., Rowe, R.C., 2001. Process control and scale-up of pharmaceutical wet granulation
processes: a review. European Journal of Pharmaceutics and Biopharmaceutics 52, 269–277.
https://doi.org/10.1016/S0939-6411(01)00184-9
Flemmer, C.L., 1991. On the regime boundaries of moisture in granular materials. Powder Technology
66, 191–194. https://doi.org/10.1016/0032-5910(91)80100-W
Gabbott, I.P., Al Husban, F., Reynolds, G.K., 2016. The combined effect of wet granulation process
parameters and dried granule moisture content on tablet quality attributes. European Journal
of Pharmaceutics and Biopharmaceutics 106, 70–78.
https://doi.org/10.1016/j.ejpb.2016.03.022
Gantt, J.A., Cameron, I.T., Litster, J.D., Gatzke, E.P., 2006. Determination of coalescence kernels for
high-shear granulation using DEM simulations. Powder Technology 170, 53–63.
https://doi.org/10.1016/j.powtec.2006.08.002
Gantt, J.A., Gatzke, E.P., 2005. High-shear granulation modeling using a discrete element simulation
approach. Powder Technology, Particle Technology Forum Special Issue 156, 195–212.
https://doi.org/10.1016/j.powtec.2005.04.012
Hadzovic, E., 2008. Roller compaction of theophylline (Thesis). University_of_Basel.
https://doi.org/info:doi/10.5451/unibas-004641745
Hapgood, K.P., Litster, J.D., Biggs, S.R., Howes, T., 2002. Drop Penetration into Porous Powder Beds.
Journal of Colloid and Interface Science 253, 353–366. https://doi.org/10.1006/jcis.2002.8527
Hapgood, K.P., Litster, J.D., Smith, R., 2003. Nucleation regime map for liquid bound granules. AIChE J.
49, 350–361. https://doi.org/10.1002/aic.690490207

187
Hare, C., Zafar, U., Ghadiri, M., Freeman, T., Clayton, J., Murtagh, M.J., 2015. Analysis of the dynamics
of the FT4 powder rheometer. Powder Technology, Pharmaceutical Particle Technology 285,
123–127. https://doi.org/10.1016/j.powtec.2015.04.039
Hassanpour, A., Kwan, C.C., Ng, B.H., Rahmanian, N., Ding, Y.L., Antony, S.J., Jia, X.D., Ghadiri, M., 2009.
Effect of granulation scale-up on the strength of granules. Powder Technology, Special Issue:
3rd International Workshop on Granulation: Granulation across the Length Scales 189, 304–
312. https://doi.org/10.1016/j.powtec.2008.04.023
Hertz, H., 1882. Über die Berûhrung fester elastischer KÖrper. J. reine und angewandte Mathematik
156–171.
Hofmaier, L., n.d. High shear granulation [WWW Document]. Glatt - Integrated Process Solutions. URL
https://www.glatt.com/en/processes/granulation/high-shear-granulation/ (accessed 7.3.22).
Horisawa, E., Danjo, K., Sunada, H., 2000. Influence of Granulating Method on Physical and Mechanical
Properties, Compression Behavior, and Compactibility of Lactose and Microcrystalline
Cellulose Granules. Drug Development and Industrial Pharmacy 26, 583–593.
https://doi.org/10.1081/DDC-100101273
Immanuel, C.D., Doyle, F.J., 2005. Solution technique for a multi-dimensional population balance
model describing granulation processes. Powder Technology, Particle Technology Forum
Special Issue 156, 213–225. https://doi.org/10.1016/j.powtec.2005.04.013
Iveson, S.M., 2002. Limitations of one-dimensional population balance models of wet granulation
processes. Powder Technology, Control of Particulate Processess IV 124, 219–229.
https://doi.org/10.1016/S0032-5910(02)00026-8
Iveson, S.M., Beathe, J.A., Page, N.W., 2002. The dynamic strength of partially saturated powder
compacts: the effect of liquid properties. Powder Technology 127, 149–161.
https://doi.org/10.1016/S0032-5910(02)00118-3
Iveson, S.M., Litster, J.D., 1998. Growth regime map for liquid-bound granules. AIChE Journal 44, 1510–
1518. https://doi.org/10.1002/aic.690440705
Iveson, S.M., Litster, J.D., Hapgood, K., Ennis, B.J., 2001. Nucleation, growth and breakage phenomena
in agitated wet granulation processes: a review. Powder Technology 117, 3–39.
https://doi.org/10.1016/S0032-5910(01)00313-8
Jager, P.D., Bramante, T., Luner, P.E., 2015. Assessment of Pharmaceutical Powder Flowability using
Shear Cell-Based Methods and Application of Jenike’s Methodology. Journal of Pharmaceutical
Sciences 104, 3804–3813. https://doi.org/10.1002/jps.24600
Johnson, K. L., Johnson, Kenneth Langstreth, 1987. Contact Mechanics. Cambridge University Press.
Kayrak-Talay, D., Litster, J.D., 2011. A priori performance prediction in pharmaceutical wet granulation:
Testing the applicability of the nucleation regime map to a formulation with a broad size
distribution and dry binder addition. International Journal of Pharmaceutics, A priori
Performance Predictions 418, 254–264. https://doi.org/10.1016/j.ijpharm.2011.04.019
Kendall, K., 1971. The adhesion and surface energy of elastic solids. Journal of Physics D: Applied
Physics 4, 1186–1195. https://doi.org/10.1088/0022-3727/4/8/320
Ketterhagen, W.R., am Ende, M.T., Hancock, B.C., 2009. Process Modeling in the Pharmaceutical
Industry using the Discrete Element Method. Journal of Pharmaceutical Sciences 98, 442–470.
https://doi.org/10.1002/jps.21466
Kristensen, H.G., 1988. Agglomeration of powders. Acta Pharmaceutica Suecica 187–204.
Kristensen, H.G., Schaefer, T., 1987. Granulation: A Review on Pharmaceutical Wet-Granulation. Drug
Development and Industrial Pharmacy 13, 803–872.
https://doi.org/10.3109/03639048709105217
Le Hir, A., 2001. Pharmacie Galénique: Bonnes pratiques de fabrication des médicaments.
Pharmacology: Good Practices of Manufacturing of Medicines, Eighth ed. Masson. ed. Paris.
Lebaz, N., 2015. Modélisation de l’hydrolyse enzymatique de substrats lignocellulosiques par bilan de
population (These de doctorat). Toulouse, INSA.
Li, J., Tao, L., Buckley, D., Tao, J., Gao, J., Hubert, M., 2013. The Effect of the Physical State of Binders
on High-Shear Wet Granulation and Granule Properties: A Mechanistic Approach to

188
 Understand the High-Shear Wet Granulation Process. Part IV. The Impact of Rheological State
and Tip-speeds. Journal of Pharmaceutical Sciences 102, 4384–4394.
https://doi.org/10.1002/jps.23750
Li, X., Dong, M., Li, S., Shang, Y., 2019. Experimental and theoretical studies of the relationship between
dry and humid normal restitution coefficients. Journal of Aerosol Science 129, 16–27.
https://doi.org/10.1016/j.jaerosci.2018.12.006
Litster, J.D., Hapgood, K.P., Michaels, J.N., Sims, A., Roberts, M., Kameneni, S.K., 2002. Scale-up of
mixer granulators for effective liquid distribution. Powder Technology, Control of Particulate
Processess IV 124, 272–280. https://doi.org/10.1016/S0032-5910(02)00023-2
Litster, J.D., Hapgood, K.P., Michaels, J.N., Sims, A., Roberts, M., Kameneni, S.K., Hsu, T., 2001. Liquid
distribution in wet granulation: dimensionless spray flux. Powder Technology 114, 32–39.
https://doi.org/10.1016/S0032-5910(00)00259-X
Liu, P.Y., Yang, R.Y., Yu, A.B., 2013. DEM study of the transverse mixing of wet particles in rotating
drums. Chemical Engineering Science 86, 99–107. https://doi.org/10.1016/j.ces.2012.06.015
Luding, S., 1998. Collisions & Contacts between Two Particles, in: Herrmann, H.J., Hovi, J.-P., Luding, S.
(Eds.), Physics of Dry Granular Media, NATO ASI Series. Springer Netherlands, Dordrecht, pp.
285–304. https://doi.org/10.1007/978-94-017-2653-5_20
Mangwandi, C., Adams, M.J., Hounslow, M.J., Salman, A.D., 2011. Effect of batch size on mechanical
properties of granules in high shear granulation. Powder Technology 206, 44–52.
https://doi.org/10.1016/j.powtec.2010.05.025
Mangwandi, C., Adams, M.J., Hounslow, M.J., Salman, A.D., 2010. Effect of impeller speed on
mechanical and dissolution properties of high-shear granules. Chemical Engineering Journal
164, 305–315. https://doi.org/10.1016/j.cej.2010.05.039
McMillan, W.G., Teller, E., 1951. The Assumptions of the B.E.T. Theory. J. Phys. Chem. 55, 17–20.
https://doi.org/10.1021/j150484a003
Mesnier, A., 2019. Étude expérimentale et simulation de la ségrégation mécanique et thermique de
billes millimétriques dans un séchoir de type tambour tournant.
Mesnier, A., Rouabah, M., Cogné, C., Peczalski, R., Vessot-Crastes, S., Vacus, P., Andrieu, J., 2019.
Contact heating of bi-dispersed milli-beads in a rotary drum. Mechanical segregation impact
on temperature distribution and on heating kinetic analyzed by DEM simulation. Powder
Technology 354, 240–246. https://doi.org/10.1016/j.powtec.2019.05.059
Mindlin, R.D., 1949. A Mathematical Theory of Photo-Viscoelasticity. Journal of Applied Physics 20,
206–216. https://doi.org/10.1063/1.1698334
Mindlin, R.D., Deresiewicz, H., 1953. TIMOSHENKO’S SHEAR COEFFICIENT FOR FLEXURAL VIBRATIONS
OF BEAMS (No. TR-10). COLUMBIA UNIV NEW YORK.
Mirza, Z., Liu, J., Glocheux, Y., Albadarin, A.B., Walker, G.M., Mangwandi, C., 2015. Effect of impeller
design on homogeneity, size and strength of pharmaceutical granules produced by high-shear
wet granulation. Particuology 23, 31–39. https://doi.org/10.1016/j.partic.2014.12.009
Morkhade, D.M., 2017. Comparative impact of different binder addition methods, binders and diluents
on resulting granule and tablet attributes via high shear wet granulation. Powder Technology
320, 114–124. https://doi.org/10.1016/j.powtec.2017.07.038
Muguruma, Y., Tanaka, T., Tsuji, Y., 2000. Numerical simulation of particulate flow with liquid bridge
between particles žsimulation of centrifugal tumbling granulator/ 9.
Nakamura, H., Fujii, H., Watano, S., 2013. Scale-up of high shear mixer-granulator based on discrete
element analysis. Powder Technology 236, 149–156.
https://doi.org/10.1016/j.powtec.2012.03.009
Nan, W., Wang, Y., Wang, J., 2016. Numerical analysis on the fluidization dynamics of rodlike particles.
Advanced Powder Technology 27, 2265–2276. https://doi.org/10.1016/j.apt.2016.08.015
Narang, A.S., Badawy, S.I.F., 2018. Handbook of Pharmaceutical Wet Granulation: Theory and Practice
in a Quality by Design Paradigm. Academic Press.

189
Nasato, D.S., Goniva, C., Pirker, S., Kloss, C., 2015. Coarse Graining for Large-scale DEM Simulations of
Particle Flow – An Investigation on Contact and Cohesion Models. Procedia Engineering 102,
1484–1490. https://doi.org/10.1016/j.proeng.2015.01.282
Newitt, D.M., Conway-Jones, J.M., 1958. A contribution to the theory and practice of granulation. The
Institution of Chemical Engineers 36, 422–442.
Nguyen, D., Rasmuson, A., Thalberg, K., Niklasson Bjo¨rn, I., 2014. Numerical modelling of breakage
and adhesion of loose fine-particle agglomerates. Chemical Engineering Science 116, 91–98.
https://doi.org/10.1016/j.ces.2014.04.034
Nguyen, T., Shen, W., Hapgood, K., 2009. Drop penetration time in heterogeneous powder beds.
Chemical Engineering Science 64, 5210–5221. https://doi.org/10.1016/j.ces.2009.08.038
Osborne, J.D., Sochon, R.P.J., Cartwright, J.J., Doughty, D.G., Hounslow, M.J., Salman, A.D., 2011.
Binder addition methods and binder distribution in high shear and fluidised bed granulation.
Chemical Engineering Research and Design, Special Issue on Agglomeration 89, 553–559.
https://doi.org/10.1016/j.cherd.2010.08.006
Oulahna, D., Cordier, F., Galet, L., Dodds, J.A., 2003. Wet granulation: the effect of shear on granule
properties. Powder Technology 130, 238–246. https://doi.org/10.1016/S0032-
5910(02)00272-3
Parikh, D.M., 2016. Handbook of Pharmaceutical Granulation Technology. CRC Press.
Parikh, D.M., 1997. Handbook of Pharmaceutical Granulation Technology. CRC Press.
Perkins, M., Ebbens, S.J., Hayes, S., Roberts, C.J., Madden, C.E., Luk, S.Y., Patel, N., 2007. Elastic
modulus measurements from individual lactose particles using atomic force microscopy.
International Journal of Pharmaceutics 332, 168–175.
https://doi.org/10.1016/j.ijpharm.2006.09.032
Ph. Eur, 2017. Pharmacopée Européenne, 9ème édition.
Poon, J.M.-H., Immanuel, C.D., Doyle, I., Francis J., Litster, J.D., 2008. A three-dimensional population
balance model of granulation with a mechanistic representation of the nucleation and
aggregation phenomena. Chemical Engineering Science, Control of Particulate Processes 63,
1315–1329. https://doi.org/10.1016/j.ces.2007.07.048
Poon, J.M.-H., Ramachandran, R., Sanders, C.F.W., Glaser, T., Immanuel, C.D., Doyle III, F.J., Litster, J.D.,
Stepanek, F., Wang, F.-Y., Cameron, I.T., 2009. Experimental validation studies on a multi-
dimensional and multi-scale population balance model of batch granulation. Chemical
Engineering Science, 3rd International Conference on Population Balance Modelling 64, 775–
786. https://doi.org/10.1016/j.ces.2008.08.037
Rahmanian, N., Naji, A., Ghadiri, M., 2011. Effects of process parameters on granules properties
produced in a high shear granulator. Chemical Engineering Research and Design 89, 512–518.
https://doi.org/10.1016/j.cherd.2010.10.021
Rajniak, P., Mancinelli, C., Chern, R., Stepanek, F., Farber, L., Hill, B., 2007. Experimental study of wet
granulation in fluidized bed: Impact of the binder properties on the granule morphology.
International Journal of Pharmaceutics 334, 92–102.
https://doi.org/10.1016/j.ijpharm.2006.10.040
Ramaker, J.S., Jelgersma, M.A., Vonk, P., Kossen, N.W.F., 1998. Scale-down of a high-shear pelletisation
process: Flow profile and growth kinetics. International Journal of Pharmaceutics 166, 89–97.
https://doi.org/10.1016/S0378-5173(98)00030-1
Ramkrishna, D., 2000. Population Balances: Theory and Applications to Particulate Systems in
Engineering. Elsevier.
Reinhold, A., Briesen, H., 2012. Numerical behavior of a multiscale aggregation model—coupling
population balances and discrete element models. Chemical Engineering Science 70, 165–175.
https://doi.org/10.1016/j.ces.2011.06.041
Remy, B., Khinast, J.G., Glasser, B.J., 2011. Polydisperse granular flows in a bladed mixer: Experiments
and simulations of cohesionless spheres. Chemical Engineering Science 66, 1811–1824.
https://doi.org/10.1016/j.ces.2010.12.022

190
Ritala, M., Holm, P., Schaefer, T., Kristensen, H.G., 1988. Influence of Liquid Bonding Strength on Power
Consumption During Granulation in a High Shear Mixer. Drug Development and Industrial
Pharmacy 14, 1041–1060. https://doi.org/10.3109/03639048809151919
Rondet, E., Denavaut, M., Mandato, S., Duri, A., Ruiz, T., Cuq, B., 2012. Power consumption profile
analysis during wet agglomeration process: Energy approach of wheat powder agglomeration.
Powder Technology 229, 214–221. https://doi.org/10.1016/j.powtec.2012.06.035
Saleh, K., Guigon, P., 2009a. Mise en œuvre des poudres Granulation humide : bases et théorie.
Techniques de l’ingénieur Opérations unitaires. Génie de la réaction chimique.
https://doi.org/10.51257/a-v1-j2253
Saleh, K., Guigon, P., 2009b. Mise en œuvre des poudres Techniques de granulation humide et liants.
Techniques de l’ingénieur Médicaments et produits pharmaceutiques.
https://doi.org/10.51257/a-v1-j2254
Saleh, K., Vialatte, L., Guigon, P., 2005. Wet granulation in a batch high shear mixer. Chemical
Engineering Science 60, 3763–3775. https://doi.org/10.1016/j.ces.2005.02.006
Salústio, P.J., Machado, M., Nunes, T., Silva, J.P.S. e, Costa, P.C., 2020. Lactose monohydrate flow
characterization using shear cell method. Pharmaceutical Development and Technology 25,
686–693. https://doi.org/10.1080/10837450.2020.1731531
Sarkar, S., Chaudhuri, B., 2018. DEM modeling of high shear wet granulation of a simple system. Asian
Journal of Pharmaceutical Sciences 13, 220–228. https://doi.org/10.1016/j.ajps.2018.01.001
Sato, Y., Nakamura, H., Watano, S., 2008. Numerical analysis of agitation torque and particle motion
in a high shear mixer. Powder Technology 186, 130–136.
https://doi.org/10.1016/j.powtec.2007.11.028
Scott, A.C., Hounslow, M.J., Instone, T., 2000. Direct evidence of heterogeneity during high-shear
granulation. Powder Technology 113, 205–213. https://doi.org/10.1016/S0032-
5910(00)00354-5
Shi, D., McCarthy, J.J., 2008. Numerical simulation of liquid transfer between particles. Powder
Technology 184, 64–75. https://doi.org/10.1016/j.powtec.2007.08.011
Simons, T.A.H., Weiler, R., Strege, S., Bensmann, S., Schilling, M., Kwade, A., 2015. A Ring Shear Tester
as Calibration Experiment for DEM Simulations in Agitated Mixers – A Sensitivity Study.
Procedia Engineering, New Paradigm of Particle Science and Technology Proceedings of The
7th World Congress on Particle Technology 102, 741–748.
https://doi.org/10.1016/j.proeng.2015.01.178
Sinnott, M., Cleary, P., 2003. 3D DEM simulations of a high shear mixer 6.
Spillmann, A., Sonnenfeld, A., Rudolf von Rohr, P., 2008. Effect of Surface Free Energy on the
Flowability of Lactose Powder Treated by PECVD. Plasma Processes and Polymers 5, 753–758.
https://doi.org/10.1002/ppap.200800069
Stevens, A.B., Hrenya, C.M., 2005. Comparison of soft-sphere models to measurements of collision
properties during normal impacts. Powder Technology 154, 99–109.
https://doi.org/10.1016/j.powtec.2005.04.033
Suresh, P., Sreedhar, I., Vaidhiswaran, R., Venugopal, A., 2017. A comprehensive review on process
and engineering aspects of pharmaceutical wet granulation. Chemical Engineering Journal 328,
785–815. https://doi.org/10.1016/j.cej.2017.07.091
Tamrakar, A., Chen, S.-W., Ramachandran, R., 2018. A DEM Model-based Study To Quantitatively
Compare The Effect Of Wet and Dry Binder Addition In High-shear Wet Granulation Processes.
Chemical Engineering Research and Design. https://doi.org/10.1016/j.cherd.2018.12.016
Tan, B.M.J., Loh, Z.H., Soh, J.L.P., Liew, C.V., Heng, P.W.S., 2014. Distribution of a viscous binder during
high shear granulation—Sensitivity to the method of delivery and its impact on product
properties. International Journal of Pharmaceutics 460, 255–263.
https://doi.org/10.1016/j.ijpharm.2013.11.020
Tao, J., Pandey, P., Bindra, D.S., Gao, J.Z., Narang, A.S., 2015. Evaluating Scale-Up Rules of a High-Shear
Wet Granulation Process. Journal of Pharmaceutical Sciences 104, 2323–2333.
https://doi.org/10.1002/jps.24504

191
Terashita, K., Nishimura, T., Natsuyama, S., Satoh, M., 2002. DEM Simulation of Mixing and Segregation
in High-Shear Mixer. Journal of the Japan Society of Powder and Powder Metallurgy 49, 638–
645. https://doi.org/10.2497/jjspm.49.638
Thapa, P., Tripathi, J., Jeong, S.H., 2018. Recent trends and future perspective of pharmaceutical wet
granulation for better process understanding and product development. Powder Technology.
https://doi.org/10.1016/j.powtec.2018.12.080
Thornton, C., 2015. Granular Dynamics, Contact Mechanics and Particle System Simulations : A DEM
study, 1st ed, Particle Technology Series. Springer.
Tsuji, Y., Tanaka, T., Ishida, T., 1992. Lagrangian numerical simulation of plug flow of cohesionless
particles in a horizontal pipe. Powder Technology 71, 239–250. https://doi.org/10.1016/0032-
5910(92)88030-L
Vandewalle, N., Lumay, G., Gerasimov, O., Ludewig, F., 2007. The influence of grain shape, friction and
cohesion on granular compaction dynamics. Eur. Phys. J. E 22, 241–248.
https://doi.org/10.1140/epje/e2007-00031-0
Vivacqua, V., López, A., Hammond, R., Ghadiri, M., 2019. DEM analysis of the effect of particle shape,
cohesion and strain rate on powder rheometry. Powder Technology 342, 653–663.
https://doi.org/10.1016/j.powtec.2018.10.034
Watano, S., Miyanami, K., 1995. Image processing for on-line monitoring of granule size distribution
and shape in fluidized bed granulation. Powder Technology 83, 55–60.
https://doi.org/10.1016/0032-5910(94)02944-J
Watano, S., Nakamura, H., 2019. Chapter 22 - Numerical Modeling for Wet Granulation Processes, in:
Narang, A.S., Badawy, S.I.F. (Eds.), Handbook of Pharmaceutical Wet Granulation. Academic
Press, pp. 737–763. https://doi.org/10.1016/B978-0-12-810460-6.00015-4
Watano, S., Numa, T., Koizumi, I., Osako, Y., 2001. Feedback control in high shear granulation of
pharmaceutical powders. European Journal of Pharmaceutics and Biopharmaceutics 52, 337–
345. https://doi.org/10.1016/S0939-6411(01)00182-5
Wilkinson, S.K., Turnbull, S.A., Yan, Z., Stitt, E.H., Marigo, M., 2017. A parametric evaluation of powder
flowability using a Freeman rheometer through statistical and sensitivity analysis: A discrete
element method (DEM) study. Computers & Chemical Engineering 97, 161–174.
https://doi.org/10.1016/j.compchemeng.2016.11.034
Zafar, U., Hare, C., Hassanpour, A., Ghadiri, M., 2014. Drop test: A new method to measure the particle
adhesion force. Powder Technology 264, 236–241.
https://doi.org/10.1016/j.powtec.2014.04.022

192
Annexes

193
Annexe I : Étude paramétrique expérimentale de granulation humide
Une série de lots a été préparée par granulation humide à 500 g de mélange dans le
granulateur à fort taux de cisaillement, muni de la cuve de 4L.

Les détails sur les différents lots sont présentés dans le tableau suivant :

Tableau 28 : Étude paramétrique d’établissement d’un protocole expérimental

Formule Paramètres opératoires

Lot Méthode d’ajout du Vitesse + temps de
Diluant Liant Pré-mélange
liant granulation
3% m PVP K30 Mouillage par
1
(à sec) versement direct d’eau
5 min à 400 tr/min
Mouillage manuel avec
2
la solution liante

97% m de
3 Lactose 2 min sans
FL100 émotteur à 10 min à 400 tr/min
100 tr/min
Pulvérisation par
4 Solution liante
égouttement de la 10 min à 600 tr/min
: 3% m PVP
solution liante
K30 + eau
(Pompe Master Flex
5
L/S) 10 min à 600 tr/min
97% m de
(Prélèvement de granulés
MCC
6 chaque 2 min)
sphères
100

Les granulés produits ont été caractérisé selon leur taille par diffraction laser MasterSizer
(Malvern 3000), forme par microscopie électronique à balayage (MEB), fluidité par un testeur
de poudres (Hosokawa powder tester PT-X).

Les résultats obtenus pour chaque lot sont regroupés dans le tableau suivant avec :

DG : Distribution granulométrique
AR : Angle de repos
IF : Indice de fluidité
AàE : Aptitude à l’écoulement

Le protocole retenu est celui utilisé pour les lots 5 et 6.

194
 Tableau 29 : Résultats de l’ étude paramétrique

Lot DG en % de volume Forme AR - IF - AàE Remarques

Gros granulés d’environ 2

Gros granulés de
1 cm de diamètre moyen / /
forme irrégulière

AR : 36,2°
IF : 64 Granulés fragiles,
2 /
AàE : Bonne Friction élevée

AR : 37,2°
Large DG, Granulés
IF : 36
3 poreux et fragiles,
AàE : Correcte
Forme irrégulière

AR : 35°
DG plus étroite,
IF : 43,5
4 Granulés denses de
AàE : Bonne
forme sphérique

AR : 32° Granulés poreux,

5 IF : 67,5 Forme plutôt
AàE : Bonne sphérique

- Granulés denses
AR : 33,7°
et lisses
6 IF : 65
- Forme plutôt
AàE : Bonne
sphérique

195
Annexe II : Images au microscope électronique à balayage du Lactose et de la
MCC avant et après granulation à différentes échelles

Tableau 30 : Images au MEB à différentes échelles

Échelle 50 μm 300 μm 500 μm 1 mm

Lactose
avant
granulation

MCC avant
granulation

Lactose
après
granulation

MCC après
granulation

196
Annexe III : Dimensions et propriétés du tambour tournant
Tableau 31 : Dimensions et propriétés du tambour tournant:

Dimensions/Propriétés Valeur
Diamètre 30 cm
Largeur 4,2 cm
Masse volumique 7800 kg.m-3
Volume du tambour m3
Coefficient de cisaillement G 7.1010 Pa
Angle de balancement ± 90°
Taux de remplissage 30 %
Largeur des ailettes 4,2 cm

Le tambour fait des balancements à ± 90° avec une fréquence de 2 balancements par
minute. Les deux configurations testées sont les suivantes :

Configuration 1 : Sans ailette centrale avec 2 ailettes de 4 cm + 5 ailettes de 1,5 cm

Expérience
Simulation
Configuration 2 : Avec une ailette centrale de 11 cm + 7 ailettes de 1,5 cm

197
Annexe IV : Détails sur le logiciel EDEM
EDEM est un logiciel de modélisation par éléments discrets qui permet de suivre l’évolution
de petites particules. Lors de la création d’une simulation, il faut renseigner les matériaux des
particules et de la cuve.

I. Composants EDEM
I.1. EDEM Creator : Module de définition du problème à traiter.
Ce module permet à l’utilisateur de définir la géométrie de l’enceinte et la géométrie du grain,
en introduisant en parallèle leurs différents paramètres physiques comme la masse
volumique, le module de Young (élasticité), le coefficient de poisson, le coefficient de
frottement au roulement et le coefficient de frottement statique.
L’utilisateur doit introduire par la suite la « Factory » qui contiendra le lit de particules, en
précisant son type :
- Statique : avec une génération instantanée du lit (à un moment donné) où la simulation
est mise en pause pendant la création des particules.
- Dynamique : où les particules sont produites pendant toute la durée d’une simulation.
(La simulation se produit au fur et à mesure que les particules sont créées.)
Les deux types disposent de différents paramètres de remplissage à définir tels que:
- Le nombre total ou la masse totale des particules.
- Le temps de démarrage de génération des particules.
L’utilisateur peut créer et générer plusieurs Factories en même temps.
Les modèles qui décrivent le comportement des éléments en contact les uns avec les autres
peuvent être classés en trois types selon les interactions entre les éléments :
- Modèles de contacts de particule-en-particule
- Modèles de contacts de particule-en-géométrie
- Forces particulaires « Particule Body Force »

I.2. EDEM Simulator : Module de lancement des simulations

EDEM Simulator permet de démarrer et d’arrêter les simulations à tout moment, afin
d’examiner leur état d’avancement et évaluer leurs performances au court du temps.
Dans ce module, l’utilisateur peut définir plusieurs paramètres comme :
- Le pas de temps « Time Step » : Il représente le temps entre les itérations (pas de
calculs des différentes propriétés physico-chimiques des particules). Il peut avoir soit une
valeur constante tout au long de la simulation (à prédéfinir). Soit automatique, avec le
changement du pas de temps en fonction du déroulement de la simulation.

198
La valeur est affichée en tant que pas de temps réel (en secondes) ainsi qu’en pourcentage du
pas de temps de Rayleigh. Le pas de temps de Rayleigh est le temps nécessaire pour qu’une
onde de cisaillement se propage à travers une onde solide.
Plus le pas de temps est petit, plus le nombre de points de données est élevé.
Les vitesses et les positions sont calculées pour des pas de temps espacés de t/2, ce qui
nécessite un léger coût de calcul supplémentaire.
- Le temps de simulation « Simulation Time » : c’est le temps réel que représente la
simulation. La durée totale de la simulation peut être définit avec cette option et sera affichée
en secondes ou en minutes.
- Grille de simulation « Simulator Grid » : EDEM calcul le rayon de la plus petite particule
dans le lit (Rmin), l’utilisateur doit donc définir une valeur de taille de cellule « cell size » basée
sur la taille de cette particule.
Le Grid cell n’a pas d’impact sur les résultats de la simulation, mais seulement sur sa vitesse.
Comme dit précédemment, la méthode DEM a pour originalité la détection des contacts. En
divisant le domaine en cellules de grille « Grid Cell », le simulateur peut vérifier le contenu de
chaque cellule et analyser que celles qui contiennent deux particules ou plus (et donc un
contact possible au minimum par cellule), ce qui réduit le temps de traitement.
Le processus de simulation est le suivant :
1. Définition de la grille en divisant le domaine en cellules d'une taille spécifiée.
2. Identification des cellules actives (celles qui contiennent deux éléments ou plus) et
détection des contacts.
3. Calcul des forces entre les éléments en contacts.
4. Repositionnement des éléments à la suite de toute force agissant sur eux.
5. Les cellules actives sont à nouveau identifiées et le processus se répète.
I.3. EDEM Analyst : Module de traitement des données
EDEM Analyst est l'environnement de post-traitement où les simulations sont examinées et
analysées, en fonction des différentes propriétés du lit de particules.

Une large palette de traitement de propriétés s’offre à l’utilisateur, comme : la vitesse des
particules, le nombre de coordination, leur masse, leur volume …

Les données peuvent être extraites facilement à n’importe quel pas de temps, avec la
possibilité de prendre plusieurs data sur le même fichier. Il y a tout de même la possibilité de
faire des captures d’image des simulations ou même créer des vidéos sur des intervalles de
temps donnés, en les convertissant de temps simulé en temps réel.

199
Annexe V : Code de calcul Python
import edempy.Deck as Deck

deck = Deck('simulationname.dem')

import numpy as np
from pyevtk.hl import pointsToVTK
import time
import math
import os
import csv

# This structure allow faster processing

class cluster(object):
def __init__(self,l): self.l = l
def get(self): return self.l
def set(self, l): self.l = l

#Code converting raw data into particule pairs

.
.
.
def convertContactData(contacts,deck):
sphereDic = {}
returnContacts = []
for i in range(0,deck.creatorData.numTypes):
sphereDic[i]= len(deck.creatorData.particle[i].getSpheres())
for contact in contacts:
id1 = math.floor(contact[1]/sphereDic[contact[0]])
id2 = math.floor(contact[3]/sphereDic[contact[2]])
returnContacts.append([[contact[0],id1],[contact[2],id2]])
return returnContacts

# This function simply extract the data from a cluster list, removing
# the class structure
def extractClusters(clusters):
returnList = []
for cluster in clusters:
returnList.append(cluster.get())
return returnList

def detc_perma_pairs(start, stop, steptime, deck):

# Get timestep between start and stop time
defined_timestep = [float(x) for x in deck.timestepValues if start<=float(x)<=stop]

# Refine the timestep by the step time

default_timestep = defined_timestep[1] - defined_timestep[0]
step = int(steptime//default_timestep)
defined_timestep = [defined_timestep[i] for i in range(0, len(defined_timestep), step)]

# Extract contact at time t=start

200
 try :
contacts_at_time_zero =
convertContactData(deck.timestep[str(defined_timestep[0])].contact.surfSurf.getContacts(), deck)
except KeyError as e:
raise KeyError("Error : there is no contact at start time.")

# This step consists in exchanging and sorting in growth the pairs in order to avoid duplicates
for particle in contacts_at_time_zero:
if particle[0][1] > particle[1][1]:
particle[0][1], particle[1][1] = particle[1][1], particle[0][1]

permanent_contacts = contacts_at_time_zero.copy()

for t in defined_timestep:
contact_at_time_t = convertContactData(deck.timestep[str(t)].contact.surfSurf.getContacts(),
deck)
for particle in contact_at_time_t:
if particle[0][1] > particle[1][1]:
particle[0][1], particle[1][1] = particle[1][1], particle[0][1]

# This loop retains only the pairs that are repeated at each time t of the defined_timestep
permanent_contacts = [x for x in contact_at_time_t if x in permanent_contacts]
return permanent_contacts

# This function calculate the clusters of particles for one timestep

def clustering_permanent_contact(start, stop, steptime, deck):

clusters = []
clusterDics = []
for i in range(0,deck.creatorData.numTypes):
clusterDics.append({})
startTime = time.time()
contacts = detc_perma_paires(start, stop, steptime, deck)
i=1
contSize = len(contacts)

#code EDEM for extracting contacts

def Boxvolume(cluster,deck,timestep)

def clustermass(cluster,deck)

def time_step_loop(deck, time_steps) -> list:

""" Loop over clustering's time step.
Returns list of clusters. """
res = []
for time_step in time_steps:
res.append(clustering(deck, time_step))
return res

def time_step_g( start: float, stop: float, step: float) -> np.ndarray:
return np.arange(start, stop, step)

201
def Func_cal(clusters, funcs, deck, time_steps=None) -> list:
res = []
for cluster in clusters:
res_func = []
for func in funcs:
if func is clustermass:
res_func.append(func(cluster, deck))
else:
time_res = []
for time_step in time_steps:
time_res.append(func(cluster, deck, time_step))
res_func.append(time_res)
res.append(res_func)
return res

def export_to_excel(output):
nom_fichier =
with open(File) as myfile:
wr = csv.writer(myfile, delimiter=';')
for row in output:
res = []
for col_number, e in enumerate(row[0]):
if col_number > 0:
res.append('')
for val in e:
res.append(val)
wr.writerow(res)

202
 Communications et publications

Conférences Nationales :

- Rouabah Maroua, Sandrine Bourgeois, Stéphanie Briançon, Claudia Cogné. Étude

expérimentale et modélisation de la cohésion d’un lit de particules. Congrès Français de Génie
des Procédés, Oct 2019, Nantes, France. ‫ۦ‬hal-02376755ۧ Ǧ൐ Prix de la meilleure
communication Poster du thème : Enjeux Méthodologiques et Développement Actuels en
Génie des Procédé.

- Rouabah Maroua, Sandrine Bourgeois, Stéphanie Briançon, Claudia Cogné. Étude

expérimentale et modélisation de la cohésion d’un lit de particules. Journée scientifique du
CODEGEPRA – SFGP Sud-Est, Nov 2019, Villeurbanne, France. -> Deuxième prix de la meilleure
communication Orale/Poster.

- Rouabah Maroua, Sandrine Bourgeois, Stéphanie Briançon, Claudia Cogné. Étude de la

granulation humide pour des applications pharmaceutiques. Congrès National de la Recherche
des IUT, Juin 2021, Lyon, France Ǧ൐Prix de la meilleure communication orale

- Rouabah Maroua, Sandrine Bourgeois, Stéphanie Briançon, Claudia Cogné. La granulation

humide : étude expérimentale et simulation numérique par DEM. Colloque Sciences et
Technologies des Poudres ; Poudres et Matériaux Frittés, Juillet 2021, Conférence en ligne.

Conférences Internationales :

- Rouabah Maroua, Sandrine Bourgeois, Stéphanie Briançon, Claudia Cogné. Experimental and
numerical studies of input parameters calibration for the simulation of the wet granulation
process for pharmaceutical use. 12th World Meeting on Pharmaceutics, Biopharmaceutics and
Pharmaceutical Technology, Mai 2021, Conférence en ligne.

Publications:

- M. Rouabah, S. Bourgeois, S. Briançon, C. Cogné., 2022. A numerical tool to predict powder

behaviour for pharmaceutical handling and processing. Journal of Drug Delivery Science and
Technology. https://doi.org/10.1016/j.jddst.2022.103258.

203