Publié le 15 novembre 2025 à 00h13. Des chercheurs ont développé des modèles de simulation avancés pour optimiser la production de carburants solaires, une technologie prometteuse pour réduire la dépendance aux combustibles fossiles. Ces travaux, menés en collaboration avec l’entreprise Synhelion, visent à améliorer l’efficacité et la fiabilité de l’usine pilote DAWN.
- Une équipe de recherche du Solar-Institute Jülich (SIJ) de la FH Aix-la-Chapelle a présenté deux études à SolarPACES 2025 sur la précision des modèles de processus dynamiques pour la production de carburant solaire.
- L’usine pilote DAWN de Synhelion convertit le méthane biogène, le dioxyde de carbone et la vapeur en gaz de synthèse, qui peut ensuite être transformé en carburants liquides comme le kérosène ou l’essence.
- Les modèles d’apprentissage automatique développés par l’équipe sont jusqu’à 50 000 fois plus rapides que les simulations traditionnelles basées sur la physique, permettant une adaptation en temps réel des opérations.
La production de carburants solaires à grande échelle nécessite une optimisation constante des processus. Pour y parvenir, des modèles de simulation précis et rapides sont indispensables. C’est dans ce contexte qu’une équipe de recherche du Solar-Institute Jülich (SIJ) de la Fachhochschule (FH) Aix-la-Chapelle a collaboré avec les ingénieurs de Synhelion pour évaluer et améliorer les modèles de processus dynamiques utilisés dans l’usine pilote DAWN. Les résultats de leurs travaux ont été présentés lors de la conférence SolarPACES 2025.
L’usine DAWN de Synhelion, située à Jülich, est une installation de pointe qui utilise l’énergie solaire concentrée pour entraîner des réactions chimiques endothermiques. Ce processus permet de convertir le méthane biogène, le dioxyde de carbone et la vapeur en gaz de synthèse (syngas), une matière première essentielle pour la production de carburants liquides, tels que le kérosène pour l’aviation ou l’essence. L’utilisation de biodéchets comme source de méthane et de carbone, combinée à l’énergie solaire, positionne Synhelion comme un acteur clé dans la transition vers des carburants plus durables.
Les chercheurs ont mis l’accent sur la nécessité de modèles capables de fournir des résultats en temps réel pour aider les opérateurs de l’usine à prendre des décisions éclairées. Le récepteur solaire de Synhelion, capable d’atteindre des températures allant jusqu’à 1 500 °C, est un élément central de ce processus.
« Nous avions besoin d’un système permettant de proposer des résultats de simulation en temps réel pour aider les opérateurs qui gèrent l’usine et prennent les décisions »,
Falko Schneider, auteur principal de l’étude
L’équipe a donc adopté une approche combinant des modèles basés sur la physique et l’apprentissage automatique. Les modèles d’apprentissage automatique, entraînés à partir des données générées par les simulations basées sur la physique, se sont avérés beaucoup plus rapides, tout en conservant une précision acceptable. Le modèle de stockage d’énergie thermique, par exemple, a donné des résultats en millisecondes, contre plus de cinq secondes pour un modèle basé sur la physique, soit un gain de vitesse de 100 à 1 000 fois.
Les études se sont concentrées sur trois composants clés de l’usine DAWN : le récepteur solaire, le réacteur de reformage et le stockage de l’énergie thermique. Le stockage de l’énergie thermique, qui utilise des briques réfractaires en céramique avec des canaux internes pour le fluide caloporteur, a été particulièrement bien modélisé. Les simulations ont reproduit avec succès les cycles de charge et de décharge, avec des erreurs de moins de 3 % dans les couches supérieures de stockage.
Cependant, la validation du modèle pour le réacteur de reformage a révélé des divergences importantes, notamment en conditions de charge partielle. Les chercheurs ont constaté que le modèle surestimait la vitesse de réaction et la consommation de chaleur, et ne prévoyait pas correctement la conversion du CO₂. Des travaux supplémentaires sont donc nécessaires pour améliorer la précision de ce modèle.
« Nous avons encore du travail à faire là-bas »,
Falko Schneider, auteur principal de l’étude
L’équipe travaille également à améliorer la modélisation du flux solaire sur le récepteur, en utilisant une approximation basée sur un polynôme du 4e degré. Les modèles d’apprentissage automatique ont été développés dans le cadre du projet TwinSF, financé par l’Union européenne, qui vise à combiner des modèles physiques et des approches basées sur les données pour optimiser les opérations des usines de production de carburants alternatifs. Plus d’informations sur le projet TwinSF sont disponibles sur leur site web.
L’objectif ultime est de développer un jumeau numérique complet de l’usine DAWN, capable de surveiller en temps réel les opérations, de prédire les performances et de tester virtuellement de nouvelles stratégies de contrôle. Ce jumeau numérique pourrait permettre d’optimiser la production de carburants solaires et de réduire encore davantage l’empreinte carbone de l’industrie du transport. Synhelion a récemment livré son premier lot de carburant d’aviation solaire à SWISS, marquant une étape importante dans le développement de cette technologie.
Synhelion a livré son premier carburant d’aviation solaire à SWISS
La première usine de carburéacteur solaire au monde inaugurée par Synhelion
Comment le carburéacteur solaire de Synhelion a démarré – une interview en 2017