Aggregation and meta-modeling of anaerobic digestion : theory and algorithms

Les technologies de digestion anaérobie (DA) jouent un rôle clé dans la transition vers une énergie propre en convertissant les déchets organiques en biogaz, remplaçant le gaz naturel fossile. Pour optimiser les systèmes de DA, une compréhension précise des mécanismes biologiques et physico-chimiques est nécessaire. L'utilisation de modèles biochimiques constitue une étape dans cette direction, mais ces derniers sont sujets au sur-apprentissage et sont souvent limités au processus sur lequel ils sont calibrés, ce qui limite leur pouvoir prédictif.L'approche PAC-Bayes contrôle intrinsèquement le risque de sur-apprentissage grâce à son utilisation de garanties de généralisation. En tant qu'approche Bayésienne, elle offre de plus la possibilité d'intégrer des connaissances expertes utiles dans le processus d'apprentissage et fournit naturellement une quantification de l'incertitude, bien que cette dernière n'ait plus de garanties théoriques. Cependant, la nature corrélée des données et le coût de calcul élevé des simulations rendent l'application de PAC-Bayes à la DA difficile et nécessitent des adaptations.Dans son état actuel, les connaissances expertes sont insuffisantes pour construire des modèles utilisables pour de nouveaux digesteurs, pour lesquels aucune donnée n'est disponible. Les stratégies de méta-apprentissage offrent une approche prometteuse pour améliorer ces connaissances expertes, en exploitant les informations provenant de plusieurs unités de DA. En apprenant les mécanismes communs entre différentes unités, le méta-apprentissage pourrait aboutir à des modèles plus robustes, notamment pour les sites pour lesquels peu ou pas de données sont disponibles. Cependant, les algorithmes de méta-apprentissage PAC-Bayes existants sont intensifs sur le plan du temps de calcul et mal adaptés aux longs temps de simulation des processus de DA.Cette thèse se concentre sur le développement de méthodes efficaces pour appliquer la théorie PAC-Bayes et les approches de méta-apprentissage à la modélisation de la DA. Elle apporte des nouveaux éléments théoriques sur PAC-Bayes, présente de nouvelles implémentations efficaces des stratégies PAC-Bayes et de méta-apprentissage, et fournit des évaluations expérimentales des modèles stochastiques obtenus.