FONCTIONS D'INTELLIGENCE ARTIFICIELLE POUR L'OBSERVATION DES PROCESSUS DYNAMIQUES NON LINÉAIRES DANS LES RÉACTEURS CHIMIQUES
DOI :
https://doi.org/10.59277/RRST-EE.2025.4.27Mots-clés :
Observateurs à gain élevé, Réacteur chimique, Modèles mathématiques, Intelligence artificielle (IA), Algorithme génétique (AG)Résumé
Cet article propose une nouvelle approche pour améliorer l'optimisation des observateurs non linéaires à gain élevé en utilisant un algorithme génétique (AG) afin d'améliorer la précision de l'estimation d'état dans les réacteurs chimiques. Contrairement aux méthodes de réglage traditionnelles, l'AG recherche de manière optimale les paramètres de gain de l'observateur qui permettent d'obtenir une erreur d'estimation minimale et d'améliorer les taux de convergence. La nouvelle méthode est utilisée pour évaluer un modèle non linéaire de réacteur à cuve agitée en continu (CSTR). Les résultats de la simulation confirment que l'observateur optimisé par l'AG présente un taux de convergence et une précision nettement améliorés pour l'estimation des états de température et de concentration par rapport aux méthodes traditionnelles. De plus, cette technique permet de réduire la dépendance aux capteurs physiques, favorisant ainsi des systèmes de surveillance et de contrôle plus performants et moins coûteux. L'approche présentée est indépendante du modèle et applicable en temps réel à une vaste gamme de systèmes d'ingénierie, y compris les systèmes électriques et énergétiques. Ce travail met en évidence les avantages pratiques de l'intégration de l'optimisation métaheuristique et de la conception d'observateurs non linéaires dans les processus industriels.
Références
(1) J. Zhang and J. Liu, Observer-enhanced distributed moving horizon state estimation subject to communication delays, Journal of Process Control, 24, 5, pp. 672–686 (2014).
(2) J.M. Ali, N.H. Hoang, M.A. Hussain and D. Dochain, Review and classification of recent observers applied in chemical process systems, Computers & Chemical Engineering, 76, pp. 27–41 (2015).
(3) A.S. Sumithra, V. Nagarajan, A. Appathurai, and S.E. Suniram, Software cost effort and time estimation using Dragonfly–Whale–Lion optimized deep neural network, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 4, pp. 431–436 (2024).
(4) B. Ponnuswamy, C. Columbus, S.R. Lakshmi and J. Chithambaram, Wind turbine fault modeling and classification using Cuckoo-optimized modular neural networks, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 4, pp. 369–374 (2023).
(5) M. Sassano and A. Astolfi, A local separation principle via dynamic approximate feedback and observer linearization for a class of nonlinear systems, IEEE Transactions on Automatic Control, 64, 1, pp. 111–126 (2018).
(6) F. Smida, T. Ladhari, S. Hadj Saïd, and F. M’Sahli, Unknown inputs nonlinear observer for an activated sludge process, Mathematical Problems in Engineering, 2018, 1, 1382914 (2018).
(7) P.K. Ghosh, A.K. Shrivastava, and R. Basak, Estimation of flux linkage of permanent magnet synchronous motor using Kalman filter, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 70, 2, pp. 159–164 (2025).
(8) H.K. Khalil, and L. Praly, High-gain observers in nonlinear feedback control, International Journal of Robust and Nonlinear Control, 24, pp. 993–1015 (2014).
(9) A. Prasov, and H.K. Khalil, A nonlinear high-gain observer for systems with measurement noise in a feedback control framework, IEEE Transactions on Automatic Control, 58, pp. 569–580 (2012).
(10) T. Ahmed-Ali, F. Lamnabhi-Lagarrigue, and H.K. Khalil, High-gain observer-based output feedback control with sensor dynamic governed by parabolic PDE, Automatica, 147, 110664 (2023).
(11) D. Gerbet and K. Röbenack, A high-gain observer for embedded polynomial dynamical systems, Machines, 11, 190 (2023).
(12) M. Mousavi and M. Guay, Filtered low-power multi-high-gain observer design for a class of nonlinear systems, Nonlinear Dyn., 112, pp. 2745–2762 (2024).
(13) A. Abdelkader, M. Boussada, A.S. Nouri, H. Hammouri, and K. Fiaty, Nonlinear high gain observers for a semi-continuous stirred tank reactor, In 2015 IEEE 12th International Multi-Conference on Systems, Signals & Devices (SSD15), pp. 1–7 (2015).
(14) H. Goud and P. Swarnkar, Signal synthesis model reference adaptive controller with genetic algorithm for a control of chemical tank reactor, International Journal of Chemical Reactor Engineering, 17, 7, 2018 (2019).
(15) T. Roubache and S. Chaouch, Nonlinear fault-tolerant control of dual three-phase induction machines based on electric vehicles, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 1, pp. 11–22 (2023).
(16) F. Amrane, A. Chaiba and B. François, Improved adaptive nonlinear control for variable speed wind-turbine fed by direct matrix converter, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 1, pp. 58–64 (2023).
(17) R. Elumalai, Maximum power quality tracking of artificial neural network controller-based double-fed induction generator for wind energy conversion system, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 2, pp. 189–194 (2024).
(18) H. Erol and A. Arslan, Wind Turbine Pitch Angle Control with Artificial Neural Networks, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 70, 2, pp. 235–240 (2025).
(19) M.G. Wase, R.F. Gebrekirstos, G.G. Jin, and G.B. So, Fuzzy Gain Scheduling of the Fractional-Order PID Controller for a Continuous Stirred-Tank Reactor Process, Processes, 11, 12, 3275 (2023).
(20) Z. Dong, M. Liu, Z. Guo, X. Huang, Y. Zhang, and Z. Zhang, Adaptive state-observer for monitoring flexible nuclear reactors, Energy, 171, pp. 893–909 (2019).
(21) L. Wei, H. Zhang, C. Sun, and F. Yan, Simultaneous estimation of ammonia injection rate and state of diesel urea-SCR system based on high gain observer, ISA transactions, 126, pp. 679–690 (2022).
(22) S. Suresh and S. Sundaramoorthy, Green Chemical Engineering: An Introduction to Catalysis, Kinetics, and Chemical Processes, CRC Press (2014).
(23) P. Trambouze, Chemical Reactors, Editions OPHRYS (2004).
(24) H.A. Jakobsen, Chemical Reactor Modeling, Multiphase Reactive Flows (2008).
(25) Y. Wu, H. Ye, and H.G. Dong, An inherently safer design approach based on process safety time for batch chemical reaction processes, Process Safety and Environmental Protection, 171, pp. 353–364 (2023).
(26) R. Toscano, Commande et Diagnostic des Systèmes Dynamiques (Modélisation, Analyse, Commande par PID et par Retour d’État, Diagnostic), Livre Ellipses Éditions (2011).
(27) K. Busawon, Lecture Notes in Control Systems Engineering, Reader Northumbria University, School of Computing, Engineering and Information Sciences, Ellison Building, Newcastle upon Tyne, NE1 8ST United Kingdom (2007).
(28) S.N. Sivanandam, S.N. Deepa, S.N. Sivanandam and S.N. Deepa, Genetic Algorithms, Springer (2008).
(29) O. Benmesbah, M. Lamia, and M. Hafidi, An improved constrained learning path adaptation problem based on genetic algorithm, Interactive Learning Environments, 31, pp. 3595–3612 (2023).
(30) G. Acampora, A. Chiatto, and A. Vitiello, Genetic algorithms as classical optimizer for the Quantum Approximate Optimization Algorithm, Applied Soft Computing, 142, 110296 (2023).
(31) K. Sun, D. Zheng, H. Song, Z. Cheng, X. Lang, W. Yuan, and J. Wang, Hybrid genetic algorithm with variable neighborhood search for flexible job shop scheduling problem in a machining system, Expert Systems with Applications, 215, 119359 (2023).
(32) A. Somauroo and V. Bassoo, Energy-efficient genetic algorithm variants of PEGASIS for 3D wireless sensor networks, Applied Computing and Informatics, 19, pp. 186–208 (2023).
(33) H. Cui, J. Qiu, J. Cao, M. Guo, X. Chen, and S. Gorbachev, Route optimization in township logistics distribution considering customer satisfaction based on adaptive genetic algorithm, Mathematics and Computers in Simulation, 204, pp. 28–42 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
