Topic description
La thèse de doctorat d'Olga El Kik a démontré le potentiel des bioréacteurs à membrane anaérobie granulaire (G-AnMBR) associés à l'électrostimulation pour améliorer la production et la purification du biogaz, réduire l'encrassement et éliminer les micropolluants. Cependant, des défis scientifiques et techniques subsistent :
• Compréhension limitée des mécanismes internes spécifiques aux granulés :
communauté bactérienne, stratification des granulés, transfert d'électrons, rôle des exopolymères...
• Impact de l'électrostimulation sur la distribution bactérienne (granulés vs biofilm vs biomasse libre) et l'activité métabolique.
• Stabilité à long terme dans des conditions variables réelles (charge organique, température, composition des effluents).
Ce projet vise ainsi à étudier ces aspects de manière approfondie en combinant une caractérisation avancée des granules, l'optimisation des processus et l'intégration de l'IA pour un contrôle intelligent.
Objectifs de la recherche
Ce projet étudie comment la structure des granules, la stratification microbienne et l'électrostimulation interagissent dans les MBR anaérobies granulaires afin de permettre un traitement intelligent, autonome et décentralisé des eaux usées. Il combine l'intégration de l'IA, l'imagerie multi-échelle et la spectroscopie avec des analyses microbiennes basées sur l'omique afin de relier le DIET/EET, la méthanogénèse et la dégradation des polluants aux performances du réacteur, à sa résilience et à la production de biogaz, comme proposé ci-dessous :
• Caractérisation multi-échelle des granules : analyser la structure physique et chimique des granules (taille, porosité, composition EPS) à l'aide de la SEM, de la FTIR, de la 3DEEM et de l'imagerie 3D. Étudier la stratification microbienne (métagénomique, FISH) et les voies métaboliques (DIET, méthanogénèse, dégradation des micropolluants). Évaluer l'impact de l'électrostimulation sur la répartition des espèces (par exemple, Geobacter, Methanosaeta) et leur activité.
• Dynamique des communautés microbiennes : comparer les rôles des granules, du biofilm et de la biomasse libre dans la dégradation des matières organiques et des micropolluants. Identifier les mécanismes de résilience face aux perturbations (chocs de charge, variations de température). Quantifier le transfert d'électrons (DIET, EET) et sa contribution à la production de biogaz.
• Optimisation des processus pour la mise à l'échelle : tester différentes conditions de fonctionnement (OLR, HRT, température) pour valider la robustesse du système. Développer un prototype autonome (5 PE) avec des eaux usées domestiques réelles. Intégrer des capteurs en temps réel (pH, redox, débit de biogaz) et un contrôle basé sur l'IA pour optimiser les performances.
• Intégration de l'IA pour un contrôle intelligent : utiliser des algorithmes d'apprentissage automatique (réseaux neuronaux, modèles prédictifs) pour corréler les données opérationnelles (débit, composition des effluents) avec les performances du réacteur. Développer un jumeau numérique du G-AnMBR pour simuler des scénarios et optimiser la mise à l'échelle. Automatiser les ajustements des paramètres (par exemple, tension, temps de rétention) en fonction des variations des entrées.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Olga El Kik's PhD thesis demonstrated the potential of Granular Anaerobic Membrane Bioreactors (G-AnMBR) coupled with electrostimulation to enhance biogas production and purification, reduce fouling, and eliminate micropollutants. However, scientific and technical challenges remain:
• Limited understanding of the internal mechanisms specific to granules :
Bacterialc community, Granules stratification, electron transfer, role of exopolymers..
• Impact of electrostimulation on bacterial distribution (granules vs. biofilm vs. free biomass) and metabolic activity.
• Long-term stability under real-world variable conditions (organic loading, temperature, effluent composition).
This project aims to deeply investigate these aspects by combining advanced granule characterization, process optimization, and AI integration for smart control.
Research Objectives
This project investigates how granule structure, microbial stratification, and electrostimulation interact in granular anaerobic MBRs to enable smart, autonomous decentralized wastewater treatment. It combines AI integration, multi-scale imaging and spectroscopy with omics-based microbial analyses to link DIET/EET, methanogenesis, and pollutant degradation to reactor performance, resilience, and biogas production as proposed below:
• Multi-Scale Granule Characterization: Analyze physical and chemical structure of granules (size, porosity, EPS composition) using SEM, FTIR, 3DEEM and 3D imaging. Study microbial stratification (metagenomics, FISH) and metabolic pathways (DIET, methanogenesis, micropollutant degradation). Assess the impact of electrostimulation on species distribution (e.g., Geobacter, Methanosaeta) and activity.
• Microbial Community Dynamics: Compare the roles of granules, biofilm, and free biomass in organic matter and micropollutant degradation. Identify resilience mechanisms against disturbances (load shocks, temperature variations). Quantify electron transfer (DIET, EET) and its contribution to biogas production.
• Process Optimization for Scale-Up: Test variable operating conditions (OLR, HRT, temperature) to validate system robustness. Develop an autonomous prototype (5 PE) with real domestic wastewater. Integrate real-time sensors (pH, redox, biogas flow) and AI-based control to optimize performance.
•AI Integration for Smart Control: Use machine learning algorithms (neural networks, predictive models) to correlate operational data (flow, effluent composition) with reactor performance. Develop a digital twin of the G-AnMBR to simulate scenarios and optimize scale-up. Automate parameter adjustments (e.g., voltage, retention time) based on input variations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Funding further details
Concours GAIA
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.