Application des techniques de l’Intelligence Artificielle dans la modélisation des infiltrations à travers les corps de barrages en terre dans l’EST de l’Algérie

Abstract

L'écoulement d’infiltration à travers un barrage en remblai est l'un des facteurs les plus influents de leur défaillance. Ainsi, la surveillance et la mesure précise des infiltrations sont cruciales pour la sécurité et le coût de construction d'un barrage en remblai. Dans cette étude, l'objectif était de prédire l'écoulement d'infiltration (Q) à travers des barrages en remblai, le résultat a été divisé en deux parties. La première partie consiste à estimer l'écoulement d'infiltration (Q) à travers un barrage avec masque amont en béton et un barrage en remblai zoné a noyau, à l'aide de trois modèles d'intelligence artificielle, à savoir, les splines de régression adaptative multivariée (MARS), la machine à vecteurs de support des moindres carrés (LSSVM) et l'arbre du modèle M5 (M5Tree ). Les trois modèles ont été construits exclusivement à partir des données mesurées in situ de deux barrages: le barrage d'El Agrem situé dans la wilaya de Jijel et le barrage de Fontaine Gazelles situé dans la wilaya de Biskra. Les résultats obtenus à l'aide de modèles d'intelligence artificielle ont été comparés à ceux obtenus à l'aide des modèles de régression linéaire multiple (MLR). Nous avons utilisé deux variables d'entrée différentes pour développer les modèles: (i) le niveau d'eau quotidien du réservoir (WL) et l'élévation du piézomètre (PL) mesurée à sept piézomètres différents (PZ1 à PZ7). Les résultats montrent que la précision des estimations pour le barrage de Fontaine Gazelles est bien meilleure que celles obtenues pour El Agrem. Tous les modèles ont fonctionné raisonnablement bien, mais le LSSVM était le prédicteur le plus cohérent du débit d'infiltration pour les deux ensembles de données. Les résultats de la validation ont montré que le modèle LSSVM a montré une précision significativement meilleure de la prédiction des écoulements d'infiltration avec une erreur quadratique moyenne (RMSE) de 0,432 L / s, une erreur absolue moyenne (MAE) de 0,302 L / s et un coefficient de corrélation R de 0,952 pour Fontaine Gazelles, et RMSE de 0,544 L / s, MAE de 0,344 L / s et coefficient de corrélation R de 0,731 pour le barrage d'El Agrem. A partir de cette étude, nous concluons que le débit de fuite est susceptible de varier considérablement, en fonction du niveau d'eau du réservoir, et que le modèle proposé peut être très utile pour l'estimation du débit d'infiltration, tandis que les limites de la prédiction utilisant un modèle de régression standard sont illustrées. Dans la deuxième partie, un paradigme efficace d'intelligence des données comprenant un filtre de Kalman étendu intégré au schéma de réseau neuronal artificiel de type Feed Forward (EKF-ANN), comme principale nouveauté, a été développée pour l'estimation précise du débit d'infiltration quotidien à travers le barrage en remblai de Fontaine des Gazelles en Algérie. Ici, trois approches robustes d'apprentissage automatique, à savoir les réseaux de neurones à perceptron multicouche (MLP), les réseaux de neurones fonctionnels à base radiale (RBF-NN) et l’approche de forêt aléatoire (RF), ont été examinées pour évaluer la capacité de l'EKF-ANN dans la prédiction du débit d'infiltration. Selon les résultats obtenus, le paradigme EKF-ANN a surpassé respectivement le MLP, le RF et le RBF-NN. En outre, l'approche par effet de levier a été appliquée pour rendre compte du domaine d'applicabilité des modèles fournis