Modélisez l'installation comme un système linéaire structuré. Les flux de procédés multicomposants dans les unités pilotes d'opérations unitaires en régime permanent peuvent souvent être représentés par des équations de bilan matière simultanées sous la forme (A\mathbf{x}=\mathbf{b}). Le vecteur inconnu (\mathbf{x}) contient les débits des flux, les débits des composants ou les avancements de réaction ; (A) contient les coefficients de bilan et de contrainte de procédé ; et (\mathbf{b}) contient les données d'alimentation connues et d'autres constantes. Une fois que les équations sont indépendantes et que le système est correctement spécifié, des solveurs numériques peuvent calculer directement les variables de procédé inconnues.

La formulation la plus fiable utilise les débits des composants comme inconnues, car les bilans matière restent alors linéaires. Une vérification du rang et des degrés de liberté doit précéder la solution numérique afin que les équations redondantes, manquantes ou incohérentes soient détectées avant qu'elles ne produisent des résultats trompeurs.

Comment formuler le modèle de procédé

Définir les flux et les composants

Commencez par lister chaque flux entrant, sortant, recirculant ou contournant l'opération unitaire. Pour chaque flux, identifiez son débit total et le débit ou la composition de chaque composant.

Pour un flux contenant les composants (A), (B) et (C), ses débits de composants peuvent être écrits comme suit :

[ \mathbf{n}s = \begin{bmatrix} n{A,s}\ n_{B,s}\ n_{C,s} \end{bmatrix}. ]

Ces débits de composants sont généralement de meilleures variables primaires que le débit total et la composition combinés.

Choisir soigneusement les variables inconnues

Un débit de flux total (F_s) et une fraction massique de composant (w_{i,s}) sont liés par :

[ n_{i,s}=F_s w_{i,s}. ]

Si (F_s) et (w_{i,s}) sont tous deux inconnus, ce produit introduit un terme non linéaire. L'utilisation directe de (n_{i,s}) évite cette complication et maintient les équations de bilan linéaires lorsque les relations de procédé sont linéaires.

Écrire un bilan pour chaque composant

Pour une unité en régime permanent non réactive, le bilan sur le composant (i) est :

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} =0. ]

Pour une unité réactive, incluez les termes de réaction ou les avancements :

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} + \sum_r \nu_{i,r}\xi_r =0, ]

où (\nu_{i,r}) est le coefficient stoechiométrique du composant (i) dans la réaction (r), et (\xi_r) est l'avancement de la réaction.

Conversion des bilans en algèbre matricielle

Assembler le vecteur inconnu

Collectez tous les débits de composants inconnus, les débits de flux et les avancements de réaction dans un seul vecteur :

[ \mathbf{x}= \begin{bmatrix} n_{A,1} & n_{B,1} & n_{C,1} & n_{A,2} & \cdots & \xi_1 \end{bmatrix}^{T}. ]

L'ordre est arbitraire, mais il doit rester cohérent lors de la construction de la matrice des coefficients.

Construire la matrice des coefficients

Chaque bilan devient une ligne de (A). Un débit de composant entrant reçoit un coefficient positif, tandis qu'un débit de composant sortant reçoit un coefficient négatif.

Par exemple, si le composant (A) entre dans le flux 1 et sort dans les flux 2 et 3 :

[ n_{A,1}-n_{A,2}-n_{A,3}=0. ]

La ligne correspondante de (A) contient (+1), (-1) et (-1) dans les colonnes associées à ces variables.

Les spécifications de procédé génèrent des lignes supplémentaires. Exemples :

[ n_{B,2}=0.30n_{B,1}, ]

[ n_{A,3}=0.85n_{A,1}. ]

Réorganiser chaque équation pour que les inconnues soient à gauche produit les coefficients entrés dans (A).

Placer les quantités connues dans le membre de droite

Les alimentations connues, les débits de produits mesurés, les compositions fixes et autres constantes appartiennent à (\mathbf{b}). Par exemple,

[ n_{A,1}-n_{A,2}=25 ]

a une valeur de membre de droite de (25) lorsque les données de procédé connues ont déjà été réorganisées sous cette forme.

Le modèle final est

[ A\mathbf{x}=\mathbf{b}. ]

Cette représentation sépare la structure du procédé dans (A) des données d'exploitation dans (\mathbf{b}), ce qui est utile pour la simulation et les calculs répétés.

Vérifier si le modèle est soluble

Effectuer une analyse des degrés de liberté

Les degrés de liberté sont calculés comme suit :

[ \text{DOF}

\text{nombre d'inconnues}

\text{nombre d'équations indépendantes}. ]

Un système avec zéro degré de liberté est exactement spécifié. Une valeur positive indique que des spécifications supplémentaires sont nécessaires, tandis qu'une valeur négative suggère que le modèle peut être sur-spécifié ou contenir des équations redondantes.

Compter les équations seules est insuffisant car deux équations peuvent exprimer la même contrainte physique.

Vérifier le rang de la matrice des coefficients

Pour un système carré, une solution unique nécessite

[ \operatorname{rank}(A)=n, ]

où (n) est le nombre d'inconnues. Si la matrice est carrée et de plein rang, ses colonnes sont indépendantes et la solution est unique.

Pour un système rectangulaire, comparez les rangs de (A) et de la matrice augmentée ([A\ \mathbf{b}]). Un système cohérent nécessite

[ \operatorname{rank}(A)

\operatorname{rank}([A\ \mathbf{b}]). ]

Si ce rang commun est égal au nombre d'inconnues, la solution est unique.

Distinguer la redondance de l'information manquante

Une matrice de rang déficient peut résulter de bilans redondants, comme l'inclusion de tous les bilans de composants avec un bilan global qui est simplement leur somme. Elle peut également résulter de spécifications manquantes, de mesures dupliquées ou de contraintes de procédé mal saisies.

Le test de rang identifie le symptôme mathématique, mais les ingénieurs doivent inspecter les équations physiques pour en déterminer la cause.

Résoudre le système par calcul

Utiliser des solveurs linéaires directs

L'opération numérique privilégiée consiste à résoudre le système directement plutôt que de calculer explicitement (A^{-1}). Dans MATLAB ou Octave, utilisez :

x = A \ b;

En Python avec NumPy, utilisez :

import numpy as np

x = np.linalg.solve(A, b)

Ces routines utilisent des algorithmes basés sur la factorisation qui sont généralement plus stables et efficaces que la formation explicite d'une inversion de matrice.

Vérifier la solution calculée

Après la résolution, calculez le résidu :

[ \mathbf{r}=A\mathbf{x}-\mathbf{b}. ]

Un petit résidu indique que la solution calculée satisfait les équations numériquement.

En Python :

residual = A @ x - b
residual_norm = np.linalg.norm(residual)

Le résidu doit être interprété en fonction de l'échelle et des unités du problème. Un petit résidu absolu peut ne pas être adéquat lorsque les variables de procédé ont des ordres de grandeur très différents.

Gérer les données mesurées et surdéterminées

Les usines pilotes produisent fréquemment plus de mesures que nécessaire pour un modèle de bilan exact. Dans ce cas, le système peut être surdéterminé, et une solution aux moindres carrés est appropriée :

x, residuals, rank, singular_values = np.linalg.lstsq(A, b, rcond=None)

L'estimation aux moindres carrés peut soutenir la réconciliation des données en trouvant les variables de procédé qui satisfont le mieux les bilans tout en tenant compte des incohérences de mesure.

Les valeurs mesurées peuvent également être pondérées en fonction de leur incertitude. Les mesures plus fiables ont une influence plus grande que les mesures bruitées.

Application de la méthode aux unités de recyclage et de séparation

Modéliser les flux de recyclage comme des inconnues

Les flux de recyclage créent des relations de rétroaction car une sortie d'une partie du procédé devient une entrée pour une autre. Leurs débits de composants inconnus peuvent toujours être inclus dans (\mathbf{x}).

Pour une relation de recyclage linéaire telle que

[ \mathbf{n}_{R}

\alpha \mathbf{n}_{P}, ]

chaque relation de composant devient une ligne de matrice. Le système résultant peut être résolu simultanément au lieu de calculer le recyclage par des substitutions manuelles répétées.

Représenter explicitement les spécifications de séparation

Les modèles d'extraction, de distillation, d'absorption et de membrane incluent souvent des spécifications de récupération, de fraction de division ou de partage. Une relation de division linéaire peut s'écrire

[ n_{i,\text{out},1}

\beta_i n_{i,\text{in}}, ]

avec le reste du matériau assigné à une autre sortie.

Si les fractions de division sont des constantes connues, ces relations préservent la linéarité. Si elles dépendent de variables inconnues de composition, de température, de pression ou d'équilibre, le modèle devient non linéaire et nécessite une stratégie de résolution différente.

Inclure les réactions par des coefficients stoechiométriques

Les avancements de réaction offrent un moyen compact d'inclure la conversion chimique. La contribution stoechiométrique de chaque réaction peut être placée directement dans la matrice des coefficients.

Pour des réactions multiples, les coefficients stoechiométriques font partie de la structure de la matrice, tandis que les avancements de réaction deviennent des entrées supplémentaires dans (\mathbf{x}).

Comprendre les compromis

Les modèles linéaires sont efficaces mais limités

Les modèles matriciels linéaires sont rapides, transparents et bien adaptés aux bilans en régime permanent avec des coefficients connus. Ils sont efficaces pour de nombreux calculs d'usines pilotes impliquant des divisions fixes, des récupérations connues, des relations de recyclage linéaires et des débits de flux mesurés.

Ils ne représentent pas entièrement les relations dans lesquelles les coefficients changent avec la solution inconnue. Les exemples incluent l'équilibre de phase, les propriétés de transport dépendantes de la composition, la cinétique de réaction non linéaire et certains bilans énergétiques.

Les matrices singulières peuvent produire des résultats invalides

Un avertissement tel que « matrix is singular to working precision » indique que la matrice est singulière ou presque singulière par rapport à la précision numérique utilisée. Le résultat calculé peut être non unique, très sensible aux données d'entrée ou numériquement dénué de sens.

Les sorties indéfinies telles que Inf ou -Inf sont des symptômes d'un calcul échoué ou mal posé, et non des prédictions de procédé valides.

Un mauvais conditionnement peut masquer des problèmes de modèle

Une matrice peut avoir un plein rang tout en étant mal conditionnée. Dans ce cas, de petites erreurs de mesure ou d'arrondi peuvent provoquer de grands changements dans les débits de flux calculés.

Mettre à l'échelle les variables et les équations à des ordres de grandeur numériques comparables peut améliorer le comportement numérique, mais la mise à l'échelle ne peut pas réparer un modèle physiquement incorrect ou sous-spécifié.

Les matrices de diffusion nécessitent une attention particulière

La diffusion multicomposant introduit des flux couplés qui peuvent être écrits sous forme matricielle, par exemple,

[ -\mathbf{j}

\mathbf{D}\nabla\mathbf{c}, ]

où les éléments hors diagonale de (\mathbf{D}) représentent le couplage entre les composants. Les méthodes matricielles peuvent analyser ou transformer ce système, mais le modèle complet de l'usine pilote peut encore nécessiter une discrétisation spatiale et la résolution d'équations différentielles ou non linéaires.

Ce problème de transport est lié à l'algèbre matricielle mais est distinct du problème de bilan de flux algébrique plus simple (A\mathbf{x}=\mathbf{b}).

Erreurs de modélisation courantes

Multiplier les débits et les compositions inconnus

Utiliser (F_s w_{i,s}) tout en traitant les deux variables comme inconnues crée des équations non linéaires. Remplacez le produit par une variable de débit de composant lorsqu'une formulation linéaire est suffisante.

Inclure des bilans dépendants

Un bilan global peut être la somme de tous les bilans de composants. Inclure les deux sans reconnaître la dépendance peut réduire le rang de la matrice et créer un système singulier.

Omettre une spécification de procédé

Un modèle avec un débit de sortie, une fraction de division ou une composition inconnus peut avoir des degrés de liberté positifs. Un solveur numérique ne peut pas déduire les informations physiques manquantes à partir des seules équations de bilan.

Traiter les mesures incohérentes comme exactes

Les données mesurées de l'usine pilote peuvent ne pas satisfaire chaque bilan exactement en raison d'erreurs de capteur, de pertes non mesurées, d'opérations transitoires ou de différences d'échantillonnage. Pour de tels cas, utilisez l'analyse des résidus et les moindres carrés pondérés plutôt que de forcer une solution exacte.

Comment appliquer cela à votre projet

Un flux de travail fiable consiste à définir des inconnues au niveau des composants, à écrire des bilans et des spécifications indépendants, à assembler (A) et (\mathbf{b}), à vérifier le rang et les degrés de liberté, à résoudre avec une routine numérique directe, et à inspecter les résidus et la faisabilité physique.

Si votre objectif principal est le calcul des flux en régime permanent : Utilisez les débits des composants comme inconnues et résolvez le réseau de bilan complet avec A \ b ou numpy.linalg.solve.
Si votre objectif principal est l'analyse du recyclage ou de la séparation : Incluez les taux de recyclage et les relations de division dans le même système simultané, à condition que leurs coefficients soient connus.
Si votre objectif principal est la réconciliation des données de l'usine pilote : Utilisez une formulation aux moindres carrés surdéterminée ou pondérée et évaluez les résidus par rapport à l'incertitude de mesure.
Si votre objectif principal est le comportement réactionnel ou de transport non linéaire : Conservez la structure de bilan matriciel lorsque cela est possible, mais utilisez un solveur d'équations non linéaires ou différentielles pour les relations dépendantes de la composition.

Avec une sélection disciplinée des variables, des vérifications d'indépendance et une validation des résidus, l'algèbre matricielle transforme les bilans complexes d'usines pilotes multicomposants en modèles de procédé gérables par calcul.

Tableau récapitulatif :

Domaine de modélisation	Approche recommandée	Vérification clé
Variables	Utiliser les débits des composants et les avancements de réaction	Éviter les produits de débits et compositions inconnus
Équations	Combiner les bilans de composants avec les spécifications de procédé	Confirmer que les équations sont indépendantes
Modèle matriciel	Assembler le système sous la forme `A x = b`	Maintenir l'ordre des variables cohérent
Solvabilité	Vérifier les degrés de liberté et le rang de la matrice	Identifier les contraintes manquantes ou redondantes
Solution numérique	Utiliser des solveurs linéaires directs tels que `A \ b` ou `numpy.linalg.solve`	Examiner les résidus et la faisabilité physique
Données mesurées	Appliquer des méthodes aux moindres carrés ou aux moindres carrés pondérés	Tenir compte de l'incertitude de mesure
Recyclage et séparation	Inclure les taux de recyclage et les relations de division fixes dans la matrice	Utiliser des solveurs non linéaires lorsque les coefficients dépendent des inconnues

Modélisez votre usine pilote en toute confiance

Besoin d'un moyen fiable pour analyser des flux de procédé complexes ? Contactez LABPARK pour discuter d'une unité pilote d'opérations unitaires éducative ou professionnelle adaptée à votre application. LABPARK soutient les universités, les instituts de recherche et les entreprises avec des usines pilotes pour le génie chimique, les bioprocédés et la biotechnologie, ainsi que le traitement de l'eau et de l'environnement.

Nos systèmes aident votre équipe à développer une expertise pratique dans les bilans de composants, la modélisation du recyclage et de la séparation, l'analyse des réactions, la réconciliation des données et la validation des procédés par calcul. Nous pouvons vous aider à sélectionner les bonnes opérations unitaires, à intégrer les mesures et les contrôles pertinents, et à créer une plateforme pratique pour l'enseignement, la recherche, le développement de procédés et la formation de la main-d'œuvre.