Sciences agrnomiques
Permanent URI for this collection
Browse
Browsing Sciences agrnomiques by Author "HEBAL, Aziz"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Gestion des barrages réservoirs en algérie(Université du 20 Août 1955-Skikda, 2024) LEFOULA, Bilal; HEBAL, AzizL'exploitation des barrages-réservoirs est une tâche essentielle pour les décideurs qui souhaitent optimiser l'utilisation des ressources en eau. Les méthodes classiques ne peuvent pas répondre adéquatement à l'ensemble des problématiques, qui doivent être considérées pour élaborer un modèle permettant de gérer au mieux les réserves d‟eau mobilisées par les barrages. En effet, la prévision des volumes d‟eau alloués à l‟AEP et l‟irrigation (VTAL) est stratégique pour une planification et une gestion efficiente et efficace des ressources en eau particulièrement pendant les épisodes de sécheresse. Les modèles de Machine Learning (ML) sont de plus en plus utilisés pour les prévisions des variables d‟exploitation des réservoirs. Dans cette étude, le perceptron multicouche (MPLNN), la forêt aléatoire de régression (RFR) et la régression à vecteurs de support (SVR), ont été sélectionnés pour la prévision du VTAL en utilisant une base de données, de huit variables d‟exploitation au pas de temps journalier, recueillies sur huit ans (2009- 2017) au barrage de Zit Emba et Guenitra, situés au Nord-Est algérien. Sept combinaisons d‟entrées ont été considérées et comparées pour trouver les meilleures variables d‟entrée pour prédire le VTAL. Les résultats numériques obtenus, révèlent qu‟en phase de validation, le modèle RFR est considéré comme le meilleur modèle parmi ceux utilisés dans cette étude, avec un coefficient de corrélation (R) et un Nash-Sutcliffe (NSE) les plus élevés d‟une part, et d‟autre part la racine carrée de l‟erreur quadratique moyenne (RMSE) et l‟erreur absolue moyenne (MAE) les plus faibles, tant pour le barrage Zit Emba que pour le barrage Guenitra. Suivi par le modèle MLPNN et en dernière position le modèle SVR. En outre, il est important de signaler que l'efficacité des modèles est étroitement liée au nombre de variables utilisées en tant qu'entrées, et le modèle optimal est toujours obtenu en incluant les cinq variables sélectionnées (COTE, VOL, APP, VID, EVAP). Enfin, la précision des trois algorithmes de ML (RFR, SVM et MPLNN) prouve qu‟ils sont tous des outils efficaces pour simuler les VTAL à partir des barrages, et peuvent ainsi aider les professionnels dans la planification de la gestion des réserves d‟eau mobilisées par les barrages réservoirs.Item Test de plusieurs modèles pluie-débit à différents pas de temps cas du Nord algérien(Université 20 Août 1955 Skikda, 2025) DAIF ,NOUREDDINE; HEBAL, AzizLa disponibilité en eau dans le Nord de l'Algérie revêt une importance capitale pour divers secteurs tels que l'agriculture, l'approvisionnement en eau potable et la gestion des ressources hydriques. Toutefois, cette région est confrontée à des défis majeurs en raison de la variabilité des précipitations et des changements climatiques. C'est dans ce contexte que s'inscrit cette étude, qui se concentre sur la modélisation pluie-débit à différentes échelles de temps : journalière, mensuelle et annuelle. Cette thèse emploie tout d'abord des modèles conceptuels ; Génie Rural (GR5J, GR2M) et Hydrologiska Byråns Vattenbalansavdelning (HBV), pour leur capacité à représenter de manière simplifiée les processus hydrologiques. Ensuite, elle utilise des modèles d'intelligence artificielle autonomes ; Réseaux de Neurones Artificiels (MLPNN), Extreme Learning Machine (ELM), Random Forest Regression (RFR) et Modèle M5 (M5Tree) pour leur capacité à apprendre à partir des données et à s'adapter aux conditions évolutives. Enfin, des modèles d'intelligence artificielle hybrides sont développés en combinant les forces des modèles autonomes. Elle explore également l'utilisation de décompositions de signal (VMD et MODWT) pour améliorer la précision des modèles, ainsi que l'intégration d'algorithmes d'optimisation ; The Artificial Rabbits Optimization (ARO), l'algorithme d'optimisation Mayfly (MAO) et Particle Swarm Optimization (PSO)-Grey Wolf Optimizer (GWO) pour ajuster les modèles hybrides à différents pas de temps. Notre étude a été menée sur huit stations situées dans le Nord de l'Algérie. Les résultats indiquent que les modèles hybrides avec décompositions de signal se révèlent être des choix judicieux pour le pas de temps journalier, démontrant une capacité remarquable à capturer la complexité des interactions pluie-débit à cette échelle fine. Pour le pas de temps mensuel, l'étude souligne l'efficacité des modèles simples d'intelligence artificielle ainsi que des modèles hybrides avec des algorithmes d'optimisation, suggérant une adaptation de la modélisation à cette échelle temporelle. Enfin, En ce qui concerne la modélisation du débit annuel, nous avons été limités dans l'application de nombreux modèles en raison du nombre restreint de données collectées, les modèles conceptuels sont recommandés, offrant une approche globale et simplifiée adaptée à cette échelle temporelle. Ces résultats mettent en évidence l'importance de choisir le modèle approprié en fonction du pas de temps pour garantir des estimations précises et fiables du débit dans cette région spécifique