• Langue : Français
• Discipline : Optique et Lasers, Physico-Chimie, Atmosphère
• Identifiant : 2012LIL10022
• Type de thèse : Doctorat
• Date de soutenance : 16/01/2012

Résumé en langue originale

L’objectif de cette thèse était le développement d’une analyse rapide pour la caractérisation des produits lourds du pétrole. Des modèles de prédiction de propriétés des produits lourds ont été développés à partir des spectroscopies moyen-infrarouge (MIR) et proche infrarouge (PIR). Ce travail a principalement porté sur l’optimisation des modèles prédictifs des teneurs en composés saturés, aromatiques, résines et asphaltènes (SARA). Une optimisation simultanée par algorithmes génétiques du choix des prétraitements des données spectrales et des variables à sélectionner a été évaluée. Cette approchea permis de conduire au meilleur pouvoir prédictif des modèles PIR et a montré le potentiel d’interprétation des variables sélectionnées. Une étude de comparaison des modèles développés séparémentà partir des spectres MIR et PIR a ensuite été réalisée. La spectroscopie PIR s’est révélée être globalement plus performante dans le cadre de notre application. Il a également été démontré que la fusion de données spectroscopiques pouvait améliorer la qualité des prédictions. Au vu des résultats, ilsemble nécessaire que les modèles développés séparément à partir de ces spectroscopies conduisent à des performances similaires pour espérer une amélioration lors de la fusion des données spectrales. Le potentiel de l’interprétation des techniques de régression multiblock a également été confirmé pour identifier les informations spectrales spécifiques contenues dans les spectres MIR et PIR. Enfin, les modèles de prédiction de la densité, des teneurs en SARA, en carbone Conradson, en hydrogène, en soufre et en azote ont été jugées satisfaisantes pour une utilisation au laboratoire.

Résumé traduit

The aim of this study is to develop an alternative analysis for the characterisation of heavy oil products. Predictive chemometric models have been developed by mid-infrared (MIR) and near infrared (NIR) spectroscopies. This work has principally concerned the predictive model optimisation of saturate, aromatic, resin and asphalten contents (SARA). A simultaneous optimisation procedure of spectral data pre-processing methods and variable selection by genetic algorithms was evaluated. This approach has permitted to lead to the best NIR predictions and to show the interpretation potentialof selected variables. A comparative study of MIR and NIR spectroscopies for the development of heavy oil property predictive model was also performed. Results have shown that NIR spectroscopy was globally better for our application. It has been shown that spectroscopic data fusion can improve predictive power of models. The obtained results have shown that it seems however necessary that both spectroscopy, considered separately, have to lead to similar predictive power to expect an predictive power improvement when combining MIR and NIR. The interpretation potential of multiblock has been confirmed for the identification of MIR and NIR specific information. Finally, models developed for the prediction of density, contents of SARA, Conradson carbon, hydrogen, sulphur and nitrogen were judged satisfactory for an application at laboratory.