LEFOULA, BilalHEBAL, Aziz2024-07-182024-07-182024http://dspace.univ-skikda.dz:4000/handle/123456789/2231L'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.frBarrage reservoir; IrrigationMachine LearningThesis