Gestion des barrages réservoirs en algérie
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université du 20 Août 1955-Skikda
Abstract
L'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.
Description
Keywords
Barrage reservoir; Irrigation, Machine Learning