L'hydrocraquage est un procédé catalytique majeur dans la valorisation des coupes pétrolières lourdes. Il met en jeu un catalyseur bifonctionnel composé d’une phase métallique et d’une phase acide. Sur la première, ont lieu des réactions d’hydrogénation/déshydrogénation, et, sur la seconde, des réactions de protonation/déprotonation, d’isomérisation et de craquage. La modélisation joue un rôle essentiel dans la compréhension du procédé et dans son optimisation. Dans le cadre de cette thèse, elle s'effectue en deux étapes. La première étape consiste à déterminer la composition de la charge, et, la seconde repose sur le développement d’un modèle cinétique considérant l'ensemble des réactions.Actuellement puisque les techniques analytiques ne permettent pas de caractériser avec précision des charges aussi complexes, une reconstruction moléculaire est nécessaire. La méthode retenue consiste tout d’abord à établir une bibliothèque de molécules en se basant sur les résultats d’une méthode analytique développée à IFPEN, la GC-2D/HT. Puis, la charge est partagée en trois groupes en fonction de la température d’ébullition des molécules : une coupe naphta, une coupe kérosène/gazole et une coupe lourde. Pour chaque groupe une méthode de reconstruction moléculaire différente est appliquée : l’utilisation directe des résultats analytiques, la reconstruction statistique et la maximisation d’entropie respectivement. Pour le modèle cinétique, l’objectif est double. D’une part, il doit prendre en compte les réactions d’hydrogénation/déshydrogénation des molécules aromatiques intervenant sur la phase métallique du catalyseur. D’autre part pour la phase acide, la méthode retenue, qui est celle des Evènements Constitutifs couplée à la méthode des Chaînes Latérales, doit être étendue aux molécules cycliques.Finalement, le modèle permet de simuler le procédé d’hydrocraquage dans des conditions proches de celles industrielles. / Hydrocracking is a catalytic cracking process converting high-boiling petroleum fractions into lower-boiling and more valuable ones. It is carried out on bifunctional catalyst combining both a metal phase and an acid phase. On the metal phase, hydrogenation/dehydrogenation reactions take place while on the acid phase, protonation/deprotonation, isomerization and cracking reactions occur. To optimize the yield of the desired products, hydrocracking modeling is essential. The developed model considers a hydrotreated feedstock composed of aromatic, naphthenic and paraffinic hydrocarbons. Its purposes are both to realize a relevant molecular reconstruction of the effluents and a kinetic model representative of the industrial context. As analytical techniques are not yet powerful enough to detect and quantify in detail all the components of the effluents, a molecular reconstruction is required. The proposed method is to create first a set of molecules thanks to analytical results provided by high-temperature two-dimensional gas chromatography. Then, depending on molecules’ boiling point, the effluents are shared into three groups: the naphtha cut, the gas oil cut and the “heavy cut”. For each of them, a particular reconstruction method is applied: direct use of analytical results, the statistical method and the entropy maximization method respectively.For the kinetic model, goals are both to introduce the aromatic and naphthenic hydrocarbons in the model and to consider the reactions on the metal and acid phases. So first, a reaction mechanism of aromatics hydrogenation/dehydrogenation has been defined and implemented. Secondly for the acid phase, the kinetic model based on the Single-Event approach associated with the Lateral Chain method has been improved to consider not only paraffinic but also naphthenic and aromatic hydrocarbons. Finally, the model allows to simulate the hydrocracking process in industrial conditions.

La pyrolyse rapide est une des voies de conversion thermochimique qui permet la transformation de biomasse lignocellulosique en bio-huiles. Ces bio-huiles, différentes des coupes lourdes du pétrole ne peuvent pas être directement mélangés dans les procédés de valorisation. En effet, en raison de leur forte teneur en oxygène, les bio-huiles nécessitent une étape de pré-raffinage, telle que l’hydrotraitement, pour éliminer ces composants.L’objectif de ce travail est de comprendre la structure, la composition et la réactivité de la bio-huile grâce à la modélisation de données expérimentales. Pour comprendre leur structure et leur composition, des techniques de reconstruction moléculaire basées sur des données analytiques, ont été appliquées, générant un mélange synthétique, dont les propriétés correspondent à celles du mélange. Pour comprendre leur réactivité, l'hydrotraitement de molécules modèles a été étudié: gaïacol et furfural. Pour cela, un modèle déterministe et stochastique a été créé pour chacun d’eux. L’approche déterministe visait à récupérer une gamme de paramètres cinétiques, qui ont ensuite été affinés par l’approche stochastique créant un nouveau modèle. Cette approche a permis de générer un réseau de réactions en définissant et en utilisant un nombre limité de familles et règles des réactions. Finalement, le mélange synthétique a été utilisé dans la simulation stochastique de l’hydrotraitement de la bio-huile, étayée par la cinétique des molécules modèles.En conclusion, ce travail a permis de recréer la fraction légère de la bio-huile et de simuler leur l'hydrotraitement, via les paramètres cinétiques des composés modèles, qui prédisent de manière raisonnable les effluents de l'hydrotraitement de celles-ci, mais sont inadéquat pour le bio-huile / Fast pyrolysis is one of the thermochemical conversion routes that enable the transformation of solid lignocellulosic biomass into liquid bio-oils. These complex mixtures are different from oil fractions and cannot be directly integrated into existing petroleum upgrading facilities. Indeed, because of their high levels of oxygen compounds, bio-oils require a dedicated pre-refining step, such as hydrotreating, to remove these components.The aim of the present work is to understand the structure, composition and reactivity of bio-oil compounds through modeling of experimental data. To understand the structure and composition, molecular reconstruction techniques, based on analytical data, were applied generating a synthetic mixture, whose properties are consistent with the mixture properties. To understand the reactivity, the hydrotreating of two model molecules was studied: Guaiacol and Furfural. A deterministic and stochastic model were created for each compounds. The deterministic approach intended to retrieve a range of kinetic parameters, later on refined by the stochastic simulation approach into a new model. This approach generates an reaction network by defining and using a limited number of reaction classes and reaction rules. To consolidate the work, the synthetic mixture was used in the stochastic simulation of the hydrotreating of bio-oils, supported by the kinetics of the model compounds.In sum, the present work was able to recreate the light fraction of bio-oil and simulate the hydrotreating of bio-oils, via the kinetic parameters of model compounds, which can reasonably predict the effluents of the hydrotreating of these, but are unsuitable for bio-oil.Fast pyrolysis is one of the thermochemical conversion routes that enable the transformation of solid lignocellulosic biomass into liquid bio-oils. These complex mixtures are different from oil fractions and cannot be directly integrated into existing petroleum upgrading facilities. Indeed, because of their high levels of oxygen compounds, bio-oils require a dedicated pre-refining step, such as hydrotreating, to remove these components.The aim of the present work is to understand the structure, composition and reactivity of bio-oil compounds through modeling of experimental data. To understand the structure and composition, molecular reconstruction techniques, based on analytical data, were applied generating a synthetic mixture, whose properties are consistent with the mixture properties. To understand the reactivity, the hydrotreating of two model molecules was studied: Guaiacol and Furfural. A deterministic and stochastic model were created for each compounds. The deterministic approach intended to retrieve a range of kinetic parameters, later on refined by the stochastic simulation approach into a new model. This approach generates an reaction network by defining and using a limited number of reaction classes and reaction rules. To consolidate the work, the synthetic mixture was used in the stochastic simulation of the hydrotreating of bio-oils, supported by the kinetics of the model compounds.In sum, the present work was able to recreate the light fraction of bio-oil and simulate the hydrotreating of bio-oils, via the kinetic parameters of model compounds, which can reasonably predict the effluents of the hydrotreating of these, but are unsuitable for bio-oil

Une nouvelle méthodologie de modélisation cinétique des procédés de raffinage traitant les charges lourdes a été développée. Elle modélise, au niveau moléculaire, la composition de la charge et les réactions mises en œuvre dans le procédé.La composition de la charge est modélisée à travers un mélange de molécules dont les propriétés sont proches de celles de la charge. Le mélange de molécules est généré par une méthode de reconstruction moléculaire en deux étapes. Dans la première étape, les molécules sont créées par assemblage de blocs structuraux de manière stochastique. Dans la deuxième étape, les fractions molaires sont ajustées en maximisant un critère d’entropie d’information.Le procédé de raffinage est ensuite simulé en appliquant, réaction par réaction, ses principales transformations sur le mélange de molécules, à l'aide d'un algorithme de Monte Carlo.Cette méthodologie est appliquée à deux cas particuliers : l’hydrotraitement de gazoles et l’hydroconversion de résidus sous vide (RSV). Pour le premier cas, les propriétés globales de l’effluent sont bien prédites, ainsi que certaines propriétés moléculaires qui ne sont pas accessibles dans les modèles traditionnels. Pour l'hydroconversion de RSV, dont la structure moléculaire est nettement plus complexe, la conversion des coupes lourdes est correctement reproduite. Par contre, la prédiction des rendements en coupes légères et de la performance en désulfuration est moins précise. Pour les améliorer, il faut d'une part inclure de nouvelles réactions d'ouverture de cycle et d'autre part mieux représenter la charge en tenant compte des informations moléculaires issues des analyses des coupes de l'effluent. / In the present PhD thesis, a novel methodology for the kinetic modelling of heavy oil refining processes is developed. The methodology models both the feedstock composition and the process reactions at a molecular level. The composition modelling consists of generating a set of molecules whose properties are close to those obtained from the process feedstock analyses. The set of molecules is generated by a two-step molecular reconstruction algorithm. In the first step, an equimolar set of molecules is built by assembling structural blocks in a stochastic manner. In the second step, the mole fractions of the molecules are adjusted by maximizing an information entropy criterion. The refining process is then simulated by applying, step by step, its main reactions to the set of molecules, by a Monte Carlo method. This methodology has been applied to two refining processes: The hydrotreating (HDT) of Light Cycle Oil (LCO) gas oils and the hydroconversion of vacuum residues (VR). For the HDT of LCO gas oils, the overall properties of the effluent are well predicted. The methodology is also able to predict molecular properties of the effluent that are not accessible from traditional kinetic models. For the hydroconversion of VR, which have more complex molecules than LCO gas oils, the conversion of heavy fractions is correctly predicted. However, the results for the composition of lighter fractions and the desulfurization yield are less accurate. To improve them, one must on one hand include new ring opening reactions and on the other hand refine the feedstock representation by using additional molecular information from the analyses of the process effluents.