Etude et analyse statistique des paramètres des écoulements naturels dans certains oueds en climat semi-aride
No Thumbnail Available
Date
2023
Journal Title
Journal ISSN
Volume Title
Publisher
Oum El Bouaghi
Abstract
La simulation d'écoulement, en particulier dans les bassins versants non jaugés, présente
un défi complexe dans le domaine de l'hydrologie des eaux de surface. En Algérie, des nombreux
projets hydrauliques sont prévus dans des zones où les mesures des débits sont limitées ou
inexistantes. Dans de telles situations, l'estimation des paramètres hydrologiques, en particulier les
débits extrêmes. Actuellement, il n’y a pas de méthode analytique pour le calcul du débit dans les
canaux naturels. C’est dans ce contexte que nous proposons la présente étude, basée sur certaine
méthode de calcul, La Méthode du Modèle Rugueux (MMR), la méthode de Chiu et les méthodes
de l’intelligence artificielle, pour estimer les débits liquides dans des cours d'eau naturels, L'étude
a été menée sur cinq stations hydrométriques dans quelque bassins versants du centre-nord
Algérien.
La méthode MMR se base sur des paramètres mesurables du cours d’eau. Pour la méthode
de Chiu, son application permet de définir un modèle linéaire entre la vitesse moyenne et la
vitesse maximale d'une section d'écoulement. De plus, cette méthode détermine les débits en
utilisant les valeurs des paramètres d'entropie.
Cette étude a été renforcée par l’application des huit modèles basés sur l'intelligence
artificielle pour améliorer la prédiction de ces débits calculés. Les modèles étudiés comprennent
ANN, ANFIS, Random Forest, Rep Tree, M5p, GPR, SVM, LibSVM. Un modèle global
d'apprentissage automatique a été ainsi établi pour l'ensemble des données de la zone d'étude.
Finalement, nous proposons une approche de modélisation hybridé qui intègre une machine à
vecteurs de support (SVM) avec plusieurs techniques d'ensemble, à savoir, Bagging, Dagging,
Random subspace et Rotation Forest, dans le but d'améliorer encore la prédiction de ces débits.
Ces modèles ont été validé à l'aide des critères statistiques et d'interprétations graphiques.
Les résultats obtenus de la méthode MMR montrent que cette dernière prédire les débits liquides
d’une façon optimale, elle s'avère également efficace pour estimer les débits dans des cours d'eau
non ou mal jaugés, compensant ainsi le manque de données par rapport à la méthode alternative
de Chiu. Ces résultats ont été ainsi bien améliorés par l’utilisation de huit modèles basés sur
l'intelligence artificielle, Par ailleurs, des approches hybrides montrant des modèles globaux ont
également été proposées avec succès pour les écoulements à surface libre dans de notre cas
d’étude.
Flow simulation, especially in ungauged watersheds, presents a complex challenge in
the field of surface water hydrology. In Algeria, many hydraulic projects are planned in areas
where flow measurements are limited or non-existent. In such situations, the estimation of
hydrological parameters, in particular flows, becomes particularly difficult. Currently, there is
no analytical method for calculating flow in natural channels. It is in this context that we
propose the present study, based on certain calculation method, The Rough Model Method
(RMM), Chiu's method and artificial intelligence methods to estimate liquid flow rates in
water courses. natural water, the study was conducted on five hydrometric stations in northern
Algeria.
The MMR method does not take into account the Chézy and Manning coefficients.
For the calculation of flow in natural channels, this method is based on measurable
parameters of the watercourse. For Chiu's method, its application makes it possible to define a
linear model between the average speed and the maximum speed of a flow section.
Additionally, this method determines flow rates using entropy parameter values.
This study was enhanced by the application of eight models based on artificial
intelligence to improve the prediction of these calculated flows. The models studied include
ANN, ANFIS, Random Forest, Rep Tree, M5p, GPR, SVM, LibSVM. A global machine
learning model was thus established for all the data from the study area. Finally, we propose a
hybrid modeling approach that integrates a support vector machine (SVM) with several
ensemble techniques, namely, Bagging, Dagging, Random subspace and Rotation Forest, with
the aim of further improving the prediction of these flow rates.
These models were validated using statistical criteria and graphical interpretations.
The results obtained from the MMR method show that the latter predicts liquid flow rates in
an optimal manner, it also proves effective for estimating flow rates in ungauged or poorly
gauged watercourses, thus compensating for the lack of data in relation to to Chiu's alternative
method. These results were thus much improved by the use of eight models based on artificial
intelligence. Furthermore, hybrid approaches showing global models were also successfully
proposed for the surface flows of our case study.
تُعَتَبِرُ محاكاةُ تدفق جريان المياه، خاصةً في حالة الاحُواضِ الهيدروغرافية الغيرِ المُقَاسةِ، تَحَدِيًا مُعَقَّدًا في ميدانِ
هيدرولوجيا المياهِ السَّطحيةِ. في الجزائر، يُخَطَّطُ للعديدِ من المشاريعِ الهيدروليكيةِ في مناطِقَ حيثُ تكونُ قِيَاسَاتُ التدفقاتِ
محدودة أو غيرُ مُتَاحَةٍ. في مثل هذه الحالات، يُصْبِحُ تَقْدِيرُ المُعَلَّمَاتِ الهيدرولوجية، والمعدلات القصوى بشكلٍ خاص.
حاليًا، لا تُوجَدُ طَرِيقَةٌ تَحْلِيلِيَّةٌ لحَسْبِ التدفقِ في المجاري الطبيعية وفي هذا السياق، نُقَدِّمُ هذه الدراسة التي تستند
إلى بعض طُرُقِ الحسابية، مثل نظريةٌ النموذج الخشن (RMM)، وطريقة ,Chiu بالإضافة إلى طُرُقِ الذكاء
الاصطناعي، وذلك بهدف التقدير المناسب لتدفقات السائلة في الأنهار الطبيعية. تمت الدراسة على خمس محطات
هيدرومترية في بعض احواض وسط شمال الجزائر.
تعتمد نظريةٌ MMR على معايير قابلة للقياس للمجرى المائي. أما بالنسبة لطريقة Chiu، فإن تطبيقها يُمكِّن من
إنشاء نموذج خطي بين متوسط السرعة والسرعة القصوى لمقطع الجريان. بالإضافة إلى ذلك، تحدد هذه الطريقة معدلات
التدفق باستخدام قيم معاملات الإنتروبيا.
تم تعزيز هذه الدراسة من خلال تطبيق ثمانية نماذج قائمة على استعمال الذكاء الاصطناعي وذالك لتحسين
توقعات التدفقات المحسوبة. تشمل النماذج التي تمت دراستها ANN وANFIS وRandom Forest وRep Tree
وM5p وGPR وSVM وLibSVM. وقد تم كذالك إنشاء نموذج كلي للتعلم الآلي لكل بيانات منطقة الدراسة.
في الختام، نقترح نهجً تصميم هجين يدمج نموذج آلية الدعم (SVM) مع العديد من تقنيات مجموعة التحسين،
وهي Dagging، Bagging، Rotation Forest، وRandom subspace، بهدف تحسين توقعات هذه التدفقات بشكل
أفضل.
تم التحقق من هذه النماذج من خلال استخدام معايير إحصائية وتفسيرات رسوم بيانية. تظهر النتائج التي تم
الحصول عليها باستعمال نظريةٌ MMR أن هذه الأخير تتنبأ بتقدير التدفقات السائلة بطريقة مثالية، كما أثبتت كذالك
فعاليتها في تقدير التدفقات في المجاري المائية الغير مقاسة أو السيئة القياس، وبالتالي تعمل على تعويض نقص البيانات في
محطات القياس مقارنة بطريقة Chiu. تم ايضا تقدير مثالي للتدفقات باستخدام ثمانية نماذج قائمة على الذكاء الاصطناعي.
وعلاوة على ذلك، تم اقتراح بنجاح أيضًا أساليب هجينة تظهر نماذج عالية الجودة لتدفقات السطحية للمنطقة المقترحة
للدراسة.
Mot clé : Cours d’eau naturel, débit, MMR, Chiu, ANN, SVM-Hybridés