"D\u00E9tection des d\u00E9fauts" . "Mod\u00E8le dynamique" . "Text" . "M\u00E9thanation biologique" . . "Th\u00E8ses et \u00E9crits acad\u00E9miques" . . "M\u00E9thanisation" . "Apprentissage automatique" . . "This thesis aims at studying biological methanation to find the optimal conditions to produce high purity biomethane as a value-added product. The objective is addressed from a modeling point of view, based on the use of model-based control strategies and data-driven soft sensors. A bibliography synthesis was carried out to set the theoretical framework includes dynamic models, control strategies, and monitoring tools applied to biological methanation. An extension of the Anaerobic Digestion Model No.1 (ADM1_ME) was proposed to describe the dynamics of the biological methanation process with the use of syngas (H2, CO2, and CO) as substrate. The variation of the volumetric mass transfer coefficient is considered as a function of two types of reactors, a bubble column reactor (BCR) and a Continuous Stirred Tank Reactor (CSTR). The ADM1_ME was accurately calibrated and validated in different operating conditions using experimental data from the literature. A Multi-Objective Dynamic Optimization (MODO) strategy was proposed to optimize the biological methanation performance. The MODO strategy was designed to consider three different objective functions to maximize: (i) yield (Y_CH4 ) and productivity (P_CH4 ) of methane, (ii) Y_CH4 and P_CH4 simultaneously complemented by a switch to maximize acetate yields (Y_ac ) and productivities (P_ac ), and (iii) economic optimality in terms of (Gain) and (Profit margin). The results demonstrated the feasibility of the MODO strategy and its robustness to switch between products of interest, and the key role of the manipulated variables (i.e., inlet liquid and gas flow rates) on the biological methanation process. Furthermore, data-driven soft sensors were applied to detect deviations from the optimal operation points when disturbances occurred in the manipulated variables. Specifically, Support Vector Machine (SVM) showed promising results and a potential application by using 2D visualizations constructed by pair of predictors." . . . "(Economique) Commande; predictive bas\u00E9e mod\u00E8le" . "Cette th\u00E8se vise \u00E0 \u00E9tudier la m\u00E9thanation biologique afin de trouver les conditions optimales pour produire du biom\u00E9thane de haute puret\u00E9 en tant que produit \u00E0 valeur ajout\u00E9e. L'objectif est abord\u00E9 du point de vue de la mod\u00E9lisation, en se basant sur l'utilisation de strat\u00E9gies de commande bas\u00E9es sur des mod\u00E8les et de capteurs souples pilot\u00E9s par des donn\u00E9es. Une synth\u00E8se bibliographique a \u00E9t\u00E9 r\u00E9alis\u00E9e pour \u00E9tablir le cadre th\u00E9orique comprenant les mod\u00E8les dynamiques, les strat\u00E9gies de commande et les outils de surveillance utilis\u00E9s pour la m\u00E9thanation biologique. Une extension du mod\u00E8le de digestion ana\u00E9robie N\u00B01 (ADM1_ME en anglais) a \u00E9t\u00E9 propos\u00E9e pour d\u00E9crire la dynamique du processus de m\u00E9thanation biologique avec l'utilisation de gaz de synth\u00E8se (H2, CO2 et CO) comme substrat. La variation du coefficient de transfert de mati\u00E8re volum\u00E9trique est consid\u00E9r\u00E9e en fonction de deux types de r\u00E9acteurs, un r\u00E9acteur \u00E0 colonne \u00E0 bulles et un r\u00E9acteur \u00E0 r\u00E9servoir agit\u00E9 continu. L'ADM1_ME a \u00E9t\u00E9 calibr\u00E9 avec pr\u00E9cision et valid\u00E9 dans diff\u00E9rentes conditions de fonctionnement en utilisant des donn\u00E9es exp\u00E9rimentales tir\u00E9es de la litt\u00E9rature. Une strat\u00E9gie d'optimisation dynamique multi-objectifs (MODO en anglais) a \u00E9t\u00E9 propos\u00E9e pour optimiser les performances de la m\u00E9thanation biologique. La strat\u00E9gie MODO a \u00E9t\u00E9 con\u00E7ue pour prendre en compte trois fonctions objectives diff\u00E9rentes afin de maximiser : (i) le rendement (Y_CH4 )et la productivit\u00E9 (P_CH4 ) du m\u00E9thane, (ii) maximiser Y_CH4 et P_CH4 simultan\u00E9ment, compl\u00E9t\u00E9 par un commutateur pour maximiser les rendements (Y_ac ) et les productivit\u00E9s (P_ac ) de l'ac\u00E9tate, et (iii) l'optimalit\u00E9 \u00E9conomique en termes de (Gain) et (Profit margin). Les r\u00E9sultats ont d\u00E9montr\u00E9 la faisabilit\u00E9 de la strat\u00E9gie MODO et sa robustesse pour passer d'un produit \u00E0 l'autre, ainsi que le r\u00F4le cl\u00E9 des variables manipul\u00E9es (c'est-\u00E0-dire les d\u00E9bits d'entr\u00E9e du liquide et du gaz) sur le processus de m\u00E9thanation biologique. En outre, des capteurs souples pilot\u00E9s par les donn\u00E9es ont \u00E9t\u00E9 appliqu\u00E9s pour d\u00E9tecter les \u00E9carts par rapport aux points de fonctionnement optimaux lorsque des perturbations se produisent dans les variables manipul\u00E9es. En particulier, la machine \u00E0 vecteur de support (SVM en anglais) a montr\u00E9 des r\u00E9sultats prometteurs et une application potentielle en utilisant des visualisations en 2D construites par paire de pr\u00E9dicteurs." . . . "Commande pr\u00E9dictive" . "Mod\u00E9lisation de r\u00E9acteur de Biom\u00E9thanation, \u00E9tude multiphysique des couplages biologiques et des transferts gaz-liquide pour l'optimisation du design et de la conduite de r\u00E9acteurs industriels" . . "Mod\u00E9lisation de r\u00E9acteur de Biom\u00E9thanation, \u00E9tude multiphysique des couplages biologiques et des transferts gaz-liquide pour l'optimisation du design et de la conduite de r\u00E9acteurs industriels" . . "Modeling and dynamic optimization of biomethanation, dynamic and multiphysics study of biological couplings and gas-liquid transfers to optimize the operation of industrial reactors" . "Muti-Objective Optimization" . . . . . . . . . . "2023" .