Apprentissage artificiel pour la détection des fuites et gestion des réseaux d’alimentation en eau potable

Abstract

L'eau est une ressource rare qui doit être gérée avec efficacité et un des piliers pour améliorer cette efficacité est la diminution des pertes d'eau et l'augmentation de la performance de ces réseaux d'alimentation en eau potable. Les réseaux d'eau potable sont conçus pour répondre de façon satisfaisante aux besoins en eau des abonnés, tant du point de vue quantitatif que qualitatif. Ces réseaux ne sont habituellement pas le résultat d'un seul processus de conception, ils sont le résultat de plusieurs années d'anarchie répondant à des demandes toujours croissantes. L’acquisition d'informations sur des réseaux réels constitue une tâche très complexe ; parce que les réseaux de distribution peuvent être constitués de milliers de nœuds de consommation connectés par des milliers de conduites et de réservoirs pour les alimenter. Les fuites dans les réseaux d’Alimentation en Eau Potable (AEP) représentent une menace non seulement pour la ressource, mais aussi pour la santé publique et l’environnement. Dans cette thèse, on propose la combinaison des outils de simulation des réseaux d’AEP et les méthodes d'apprentissage Artificiel afin d’optimiser la gestion desdits réseaux dans un objectif de faire la sectorisation en premier lieu et de pré localiser les éventuelles en deuxième lieu, ce qui mène à réduire le temps de recherche et à la réduction de la zone d'inspection du système, facilitant ainsi la détection, la localisation et le contrôle des anomalies d'alimentation (ruptures, fuites, chute de pression, etc.) sur les réseaux en question. Le principe de la sectorisation est de diviser le réseau en secteurs hydrométriques appelé DMA (District Metered Area), dont les entrées et les sorties sont contrôlées ; sans être déconnecté du reste du réseau ni physiquement ni hydrauliquement. Dans la plupart des cas où un projet de sectorisation est devenu nécessaire, le procédé n'est généralement pas suivi d'une manière scientifique et technique ; au contraire, celle-ci est généralement fondée sur des essais et des erreurs. Dans les petits réseaux, un tel rapprochement ne constitue pas un problème majeur. Le problème est de bien définir les secteurs dans les grands réseaux, étant donné la grande quantité d'informations qui leur sont associées, il serait impossible d'y parvenir. L'exécution d'un tel processus de cette nature nécessite l'aide d'outils d'intelligence artificielle afin d'établir une procédure informatique pour obtenir un plan de réseau sectorisé ainsi que l'emplacement de la fuite.Nous présentons des méthodologies basées sur la théorie des graphes et des réseaux afin d'établir une sectorisation du réseau d'alimentation en eau (AEP). Ces tâches seront abordées en prenant en compte les caractéristiques géométriques du réseau ainsi que la matrice adjacente et laplacienne. Premièrement, une exploration de deux méthodes de partitionnement, Fast Greedy et Random Walk, qui sont couramment utilisés pour établir les zones de comptage (DMA) dans les réseaux d'alimentation en eau. Ensuite, nous explorons le groupement spectral pour résoudre le problème du partitionnement des réseaux d'alimentation en eau, avec une approche mathématique avancée. Notre contribution est de mener, une étude comparative entre les divers algorithmes d'apprentissage non supervisés pour identifier les algorithmes de partitionnement optimaux pour le système d'alimentation en eau. Les méthodes sont appliquées à trois systèmes de distribution d'eau EXNET, C-TOWN et OUED EL MA. Enfin, l'identification des fuites dans un réseau d'alimentation en eau, à l'aide de techniques de simulation hydraulique et de SVM (classification et régression). Le réseau d'AEP est utilisé pour exécuter plusieurs « scénarios de fuite », en faisant varier l'emplacement et la gravité de la fuite, et pour créer un jeu de données contenant les variations de pression et de débit dues à la fuite