Présentation Master Korichi

1 483 vues

Publié le

Détection de fuites dans un échangeur de chaleur à courants parallèles par méthodes d’identification floue

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
1 483
Sur SlideShare
0
Issues des intégrations
0
Intégrations
5
Actions
Partages
0
Téléchargements
23
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Présentation Master Korichi

  1. 1. Mémoire de Master Présenté par: KORICHI Mohamed Amine Encadré par: Dr. HABBI Hacene - Juin 2014 -
  2. 2. Plan  Introduction et position du problème  Monitoring des échangeurs de chaleur  Détection de fuites dans un échangeur de chaleur pilote  Conclusion
  3. 3. Introduction  L’échangeur de chaleur représente l’élément essentiel de toute politique de maîtrise de l’énergie. Soit 90% de l’énergie thermique utilisée dans les procédés industriels transite au moins une fois par un échangeur de chaleur  Pour l’industrie pétrolière, 30% des équipements des unités pétrochimiques sont constitués d’appareils d’échange thermique  Pour avoir une bonne rentabilité de ces unités, il est impératif de maintenir le rendement de ces installations
  4. 4.  Comme tout appareils, les échangeurs de chaleurs sont soumis à des différentes situations de dysfonctionnement, et parmi, le problème des fuites  En 2005, Les dépenses liées à la maintenance des échangeurs de chaleur , surtout dans le prétraitement du pétrole brut, ont été estimées à 6.75 Milliard de Dollars Dans les pays industrialisés  En Algérie, ces dépenses sont estimées environ 109 à 270 million de dollars.  Ce qui suscite la nécessité de surveiller les processus thermiques, dont les échangeurs de chaleur  Pour ce faire, des techniques dits intelligents ou IA sont évoqués
  5. 5. Monitoring des échangeurs de chaleur  Les échangeurs de chaleurs sont exposés a plusieurs aspects de dysfonctionnement, parmi lesquels:  L’encrassement, qui est défini comme étant le dépôt de matériaux ou de substances sur les surfaces d’échanges thermiques  L’encrassement biologique, qui est dû au développement de micro-organismes sur les surfaces d’échange thermique  La corrosion, qui est caractérisée par une perte d’épaisseur des surfaces de l’échangeur de chaleur
  6. 6. Les fuites dans les échangeurs de chaleur  Le problème des fuites est un phénomène récurrent qui engendre un certain nombre d’effets indésirables ayant un coût économique non négligeable. Les fuites sont provoquées par:  Les chocs thermiques résultants de l'arrêt d'un fluide à travers l'échangeur sans l’arrêt de l'autre fluide.  Le redémarrage trop rapide sur un échangeur chaud.  Le phénomène de la corrosion qui résulte des réactions chimiques et les transformations qui se produisent dans l'échangeur
  7. 7. Les méthodes utilisés pour la détection de fuites  La détection par endoscopie: est un examen qui se fait à l’intérieur de l’échangeur à l’aide d’un endoscope  Son avantage est la visualisation directe de la zone endommagée  Son inconvénient est qu’elle est utilisable uniquement en situation d'expertise pour l'examen de défauts internes, et ça nécessite un arrêt du processus
  8. 8. Les méthodes utilisés pour la détection de fuites  La détection par radiations: son principe est d’injecter un élément radioactif à l’entrée d’un fluide, et de détecter sa présence à la sortie de l’autre fluide  Son avantage est qu’elle permet de détecter les petites fuites , et elle permet de faire la détection dans le cas ou l’échangeur de chaleur est inaccessible  Son inconvénient est qu’elle est trop chère, et elle nécessite l’arrêt du processus
  9. 9. Les méthodes utilisés pour la détection de fuites  La détection ultrasons: est réalisée par l’introduction d’un faisceau ultrasonore dans les conduites de l’échangeur de chaleur afin de générer une image C-scan codée en épaisseur  Son avantage est de réaliser une mesure précise de l'épaisseur résiduelle  Son inconvénient est qu’elle n’est utilisé que dans le cas des échangeurs à tubes, et qu’elle nécessite l’arrêt du processus pour la réaliser
  10. 10. Les méthodes utilisés pour la détection de fuites  Comme alternatif, dont nous avons abordé dans le mémoire, la détection à base de modèle  Son avantage est qu’elle permet le suivi dans le temps du processus afin d’éviter de grandes pertes et prévenir d’éventuelles dégradations de performances  Pour implanter ce système, nous avons fait appel à une technique dite intelligente, plus précisément la logique floue
  11. 11. Surveillance à base de modèles flous La détection à base de modèles flous se repose sur les trois étapes:  Construction du modèle  Conception du générateur de résidus  Conception du module de prise de décision
  12. 12. Surveillance à base de modèles flous Le principe de la détection à base de modèles flous
  13. 13. Détection de fuites dans un échangeur de chaleur pilote  Pour traiter ce problème, nous avons des données expérimentales qui représentent plusieurs teste de fuite dans un échangeur de chaleur pilote  A partir de ces données qu’on vas implémenter et valider le système de surveillance à base de modèles flous
  14. 14. Description de l’échangeur de chaleur  Cet échangeur de chaleur est de type courants parallèles assurant le réchauffement de l’eau par de l’air Il est composé de:  Circuit d’air  Circuit d’eau  Dispositif de chauffe
  15. 15. Description de l’échangeur de chaleur  Le circuit d’air comporte un ventilateur tournant à vitesse constante et faisant circuler l’air. Cet air arrive à l’admission d’un dispositif de chauffe avec une température T13, il est ensuit chauffé pour arriver à l’entrée de l’échangeur avec une température T16
  16. 16. Description de l’échangeur de chaleur  Le circuit d’eau est alimenté à partir d’un réservoir. L’eau arrive à l’entrée de l’échangeur avec une température T33, il est portée à une certaine température T34 avant d’être évacuée pour une éventuelle utilisation
  17. 17. Description de l’échangeur de chaleur  Le dispositif de chauffe comporte 12 grilles, de 1KW chacune, groupées deux par deux en six sections de chauffage. La puissance totale de chauffe P varie entre 0 et 10 KW
  18. 18. L’emplacement de la fuite  La génération d’une fuite est assurée par une vanne située dans la conduite d’alimentation en eau. Cette vanne nous permet de générer des fuites d’un taux variant entre 0 et 40%
  19. 19. Identification de modèles flous  Pour identifier un modèle flou à partir des données, on utilise une approche dite clustering flou, parmi la quelle nous avons choisi d’utiliser la méthode de clustering soustractif « Substractive clustering »  Parmi les méthodes de clustering, le clustering soustractif a l’avantage de déterminer le nombre et la position des centres de classe à partir du choix des paramètres particuliers  La structure du modèle dynamique choisi est : T34(k+1)=f(T34(k),T16(k),P(k))
  20. 20. L’algorithme de clustering soustractif
  21. 21. Identification de modèles flous  L’implémentation de l’algorithme de clustering soustractif avec les paramètres =0.25, =4.0 et ν=0, nous a donné les fonctions d’appartenances suivantes :
  22. 22. Identification de modèles flous
  23. 23. Identification de modèles flous  La prédiction de la température T 34 a donné une erreur quadratique moyenne MSE=0.1430
  24. 24. Identification de modèles flous
  25. 25. Optimisation des modèles flous  L’optimisation des modèle flous a pour but d’améliorer la qualité d’approximation de la représentation floue établie à partir de l’algorithme de clustering soustractif  Pour optimiser le modèle obtenu, nous avons utilisé une approche dite « neuro-flou », plus précisément la méthode de rétro-propagation. Le principe de cette méthode est de considérer le modèle flou comme un réseau de neurone à trois couches, et d’appliquer l’algorithme d’apprentissage par le gradient.
  26. 26. Optimisation des modèles flous La structure d’un système neuro-flou
  27. 27. Optimisation des modèles flous  L’application de l’algorithme de rétro-propagation sur le modèle obtenus nous a permet d’optimiser trois modèles Modèle deMamdani
  28. 28.  La prédiction de la température T 34 par le modèle Mamdani optimisé a donné une erreur quadratique moyenne MSE=0.0229
  29. 29.  Modèle singleton
  30. 30.  La prédiction de la température T 34 par le modèle singleton optimisé a donné une erreur quadratique moyenne MSE=1.6739e-04
  31. 31.  Modèle de TS
  32. 32.  La prédiction de la température T 34 par le modèle TS optimisé a donné une erreur quadratique moyenne MSE= 4.0686e-05
  33. 33. Validation des Modèles flous  Pour valider les modèles flous identifiés, nous avons utilisé les données d’identification ainsi que des données expérimentales différentes de celles employées dans le test d’identification. Ces modèles sont testés selon deux configurations : la configuration série et la configuration parallèle
  34. 34. Validation des Modèles flous Configuration, (a) parallèle, (b) série
  35. 35. Validation des Modèles flous  Les résultats de validation des trois modèles sont les suivants:
  36. 36. Validation des Modèles flous Le modèle singleton en parallèle
  37. 37. Validation des Modèles flous Le modèle TS en parallèle
  38. 38. Validation des Modèles flous La validation croisée du modèle Mamdani
  39. 39. Validation des Modèles flous La validation croisée du modèle singleton
  40. 40. Validation des Modèles flous La validation croisée du modèle TS
  41. 41. Validation des Modèles flous  Les performances des modèles après validation exprimées en terme de MSE sont:
  42. 42. Génération de résidus  Parmi les approches développées dans la littérature, on considère celle qui définit les résidus comme étant la différence (filtrée) entre les sorties mesurées et les sorties estimées : r(k)=y(k)-ym(k)  Les résidus obtenus sont illustrés dans le tableau suivant
  43. 43. Evaluation des résidus  Dans cette étape, nous allons analyser les résidus générés dans le but de faire des déductions appropriées sur la présence ou non d’anomalies de fonctionnement et d’estimer les instants d’occurrence des fuites survenues  Pour ce faire, nous avons implémenter trois algorithmes
  44. 44. Evaluation des résidus  Test de Shewhart : ce test est décrit par l’algorithme suivant
  45. 45. Evaluation des résidus
  46. 46. Evaluation des résidus  Les résultats du test de Shewhart sont résumés par le tableau suivant:
  47. 47. Evaluation des résidus  Test CUSUM: ce test est décrit par l’algorithme suivant:
  48. 48. Evaluation des résidus
  49. 49. Evaluation des résidus  Les résultats du CUSUM avec le choix des paramètres kc = 0.1 et h = 11 sont résumés par le tableau suivant:
  50. 50. Evaluation des résidus  Test EWMA: ce test est décrit par l’algorithme suivant
  51. 51. Evaluation des résidus
  52. 52. Evaluation des résidus  Les résultats du EWMA avec le choix des paramètres λ=0.1 et L=2.814 sont résumés par le tableau suivant:
  53. 53. Conclusion  Le travail présenté traite le problème de monitoring de fuites dans les échangeurs de chaleur industriels. Plus précisément, une approche de surveillance à base de modèles flous  Nous avons fait appel à une approche d’identification floue basée sur le « clustering ». Dans ce sens, des modèles flous de type Mamdani, singleton et de Takagi-Sugeno sont développés et comparés  La qualité d’approximation et de généralisation du modèle TS est nettement meilleure. Son utilisation pour la détection de fuites a été le plus appréciable
  54. 54. Conclusion  trois différents tests sont employés dans la phase d’évaluation des résidus : le graphe de contrôle de Shewhart, le CUSUM et le test EWMA  Le test probabiliste du CUSUM s’est révélé le plus favori car il se base sur un traitement mettant en exergue la nature stochastique des mesures prélevées  L’utilisation des techniques de modélisation floue constitue une piste très prometteuse pour la bonne caractérisation du comportement dynamique des échangeurs de chaleur
  55. 55. Merci pour votre intérêt

×