Soutenance mémoire
Les bacs évaporatoires
Les bacs d’évaporation sont les instruments les plus l’évaporation. Actuellement, il y a plus de vingt augmenter (Maidment 1993). d’un bassin ou d’une cuve d’assez grandes dimensions, dans lequel on mesure l’abaissement du niveau de l’eau sous l’action de l’évaporation. Au contraire des premiers bacs utilisés par Dobson, Dalton…etc., où les dimensions sont petites (voir très petites), les bacs d’évaporation ont des dimensions plus grandes. Certains sont carrés, d’autres cylindriques; certains sont installés au-dessus du sol, d’autres sont enterrés de façon à ces bacs évaporatoires Les bacs d’évaporation sont les instruments les plus communément utilisés pour mesurer l’évaporation. Actuellement, il y a plus de vingt-cinq modèles différents et la liste va continuer à 1993). En général, les bacs d’évaporation sont des appareils constitués d’un bassin ou d’une cuve d’assez grandes dimensions, dans lequel on mesure l’abaissement du niveau de l’eau sous l’action de l’évaporation. Au contraire des premiers bacs utilisés par , où les dimensions sont petites (voir très petites), les bacs d’évaporation ont des dimensions plus grandes. Certains sont carrés, d’autres cylindriques; certains sont dessus du sol, d’autres sont enterrés de façon à ce que l’eau soit sensiblement au même niveau que le sol. Les bacs d’évaporation sont parfois installés sur des plates flottantes ancrées sur des lacs ou d’autres plans d’eau. La raison principale pour fabriquer ces bacs était la difficulté d’accéder à la mesure directe de l’évaporation d’une surface d’eau. Parmi types de bacs évaporatoires nous pouvons citer (Aldomany 2017) développé par le Weather Bureau. Bac round de 122cm de diamètre, 25.4cm de profondeur. Il est posé à 18cm au-dessus du sol et l’eau à l’intérieur du bac doit (Aldomany 2017). est un bac carré de 91.4 cm de côté, et de 46 à 91cm de profondeur. Il est ré de manière à ce que son rebord soit à 10cm au-dessus de la surface du sol. Il existe des variantes du bac Colorado, notamment la version ORSTOM (Aldomany Les bacs Russe, GGI 3000 et le bac de 20m² : sont aussi très utilisés. Bacs circulaires enterrés, à base conique de 62cm de diamètre et 61cm de profondeur pour le premier, et 5m de diamètre et 2m de profondeur pour le deuxième (Aldomany 2017). Les bacs flottants sont partiellement immergés à la surface de l’eau. représentative des conditions d’évaporation de la surface d’eau libre mais est très difficile à mettre en œuvre et très coûteuse (Aldomany 2017). Le bac GGI-3000 et Bac flottant (Stan et al. 2016) : L’Evaporation & Concept Généraux communément utilisés pour mesurer cinq modèles différents et la liste va continuer à En général, les bacs d’évaporation sont des appareils constitués d’un bassin ou d’une cuve d’assez grandes dimensions, dans lequel on mesure l’abaissement du niveau de l’eau sous l’action de l’évaporation. Au contraire des premiers bacs utilisés par Halley, , où les dimensions sont petites (voir très petites), les bacs d’évaporation ont des dimensions plus grandes. Certains sont carrés, d’autres cylindriques; certains sont e que l’eau soit sensiblement au même niveau que le sol. Les bacs d’évaporation sont parfois installés sur des plates-formes flottantes ancrées sur des lacs ou d’autres plans d’eau. La raison principale pour fabriquer ces er à la mesure directe de l’évaporation d’une surface d’eau. Parmi 2017): de 122cm de diamètre, du sol et l’eau à l’intérieur du bac doit est un bac carré de 91.4 cm de côté, et de 46 à 91cm de profondeur. Il est de la surface du sol. Il existe Aldomany 2017). sont aussi très utilisés. Bacs circulaires enterrés, à base conique de 62cm de diamètre et 61cm de profondeur pour le premier, et 5m Les bacs flottants sont partiellement immergés à la surface de l’eau. Cette mesure est représentative des conditions d’évaporation de la surface d’eau libre mais est très aref. (Stan et al. 2016). L’ensemble de ces mesures permet d’obtenir une mesure de l’évaporation plus ou moins fine. Le gros avantage est de pouvoir constituer des séries de données journalières voire horaires. Il faut cependant être très prudent concernant la mesure obtenue. Les résultats sont intimement liés aux caractéristiques des bacs et de leur lieu d’implantation. A cela il faut rajouter les possibles erreurs de mesure, dues souvent, en climat aride, à la présence d’animaux venant s’abreuver. La pose de grillages est peu recommandée car elle perturbe la mesure du vent. La mesure n’est pas universelle et il faut adapter les coefficients de passage selon le climat et les dimensions de la retenue considérée. Très peu d’auteurs ont procédé à la réalisation de bacs flottants (Aldomany 2017).
Application des modèles à base des ANN pour la modélisation de l’Epan
Han and Felker (1997) furent les premiers à utiliser les réseaux de neurones artificiels pour la modélisation de l’Epan journalière en USA. Ils ont appliqués le modèle des réseaux de neurones à fonctions de base radiales (RBFNN) en utilisant quatre variables climatiques comme entrées du modèle, à savoir: la vitesse du vent (U2), la température moyenne de l’air (Tmoy), l’humidité relative moyenne (H%), et la teneur en eau du sol (Hs%).Bruton et al. (2000) ont appliqués un modèle de type perceptron multicouche (MLPNN) pour estimer l’Epan journalière mesuré à partir des bacs d’évaporation. Les données climatiques utilisées comprennent 2044 données mesurées entre 1992 à 1996 à Georgia USA. Les Tmoy, H%, le rayonnement solaire (SR) et l’U2 ont été utilisés comme variables d’entrées. Le modèle MLPNN a été légèrement plus performant que le modèle à base de régression linéaire multiple (MLR). Sudheer et al. (2002) ont étudiés la modélisation de l’Epan mesurer dans les bacs classe A par le modèle MLPNN, en utilisant les températures minimale et maximale (Tmin, Tmax), l’humidité relative maximale et minimale (Hmin, Hmax), SR et U2. Plusieurs combinaisons des variables climatiques ont été utilisées et les résultats obtenus ont été comparées avec celles obtenus par les formules empiriques, et les résultats ont démontrés les capacités des modèles MLPNN dans la modélisation du processus d’évaporation. Özlem and Keski (2005) ont estimé l’Epan mesurée à partir du bac d’évaporation par un modèle MLPNN en utilisant six variables climatique, mesuré à la station Automated Gro Wheather près du lac Egirdir à l’ouest de la Turquie, à savoir la Tmoy, la température de l’eau (TW), SR, la pression de l’air (Pr), U2 et H%. Les résultats ont montré que le modèle MLPNN fournit de bonnes estimations avec le moins d’erreur quadratique moyenne (RMSE). Keskin and Özlem (2006) ont proposés un MLPNN comme approche alternative de l’estimation de l’évaporation au niveau du lac Eğirdir en Turquie. Ils ont fixés trois objectifs: (1) développer les modèles MLPNN pour estimer l’Epan journalière à partir des données météorologiques, (2) comparer le modèles MLPNN au modèle de Penman, and (3) évaluer numériquement les potentiels des modèles MLPNN. Les variables météorologiques utilisées comprennent les observations journalières, Tmoy, TW, la durée d’ensoleillement (SH), SR, Pr, H% et (U2). Les résultats ont montrés qu’il y a une meilleure concordance entre les estimations du modèle MLPNN et les mesures de l’Epan journalières à partir du bac d’évaporation, et que le MLPNN fournie de meilleures performances par apport au modèle de Penman. Stephen et al. (2007) ont utilisé le model MLPNN pour la modélisation de l’Epan à pas de temps horaires et journaliers, dans les zones à climat équatorial en Singapore. Les auteurs ont utilisés quatre variables climatiques comme entrées du modèle : Tmoy, SR, U2, et H%. Les résultats obtenus par le modèle MLPNN ont été comparés aux modèles empiriques basées sur le rayonnement, température, et sur les méthodes basées sur le transfert de masse. Ils ont conclu que le MLPNN donne de meilleurs résultats. Deswal and Mahesh Pal (2008) ont utilisé le modèle MLPNN pour étudier l’influence de différentes combinaisons des variables climatique sur l’Epan hebdomadaire en Inde. Plusieurs variables d’entrée ont été utilisés pour prédire l’Epan. La précision de prédiction par la technique MLPNN était également comparée avec les précisions obtenues par la régression linéaire (MLR). La comparaison à démontrer que les performances du MLPNN étaient meilleures. Les résultats de cette étude ont indiqué une corrélation très élevée (R= 0.960), RMSE plus bas (0.865) en utilisant les Tmoy, U2, SH, et H%. Kisi (2009) a comparé les MLPNN et RBFNN appliquées pour l’estimation de l’Epan, en utilisant les Tmoy, SR, U2, Pr et H%, à pas de temps mensuels, mesurés au niveau de trois stations en USA. Les deux modèles ont été comparés avec les MLR et les méthodes de Stephens-Stewart (SS) sont également considérées pour la comparaison. Les auteurs ont étudiés aussi la capacité de calcul des modèles MLPNN, RBFNN, MLR et SS pour l’estimation de l’Epan en utilisant des données pour des stations proches. Il a été démontré que les modèles MLPNN et RBFNN pouvaient être utilisées avec succès dans la modélisation de l’Epan mensuel. Shirsath and Singh (2009) ont appliqués le MLPNN, MLR et les modèles empirique à savoir; Penman, PriestleyTaylor et SS, pour l’estimation de l’Epan journalière, en utilisant cinq variables climatiques: Tmin, Tmax, SR, U2 et H%. Les résultats des modèles MLPNN, MLR ainsi que des modèles empiriques ont été comparés statistiquement avec les valeurs de l’Epan du bac. Les résultats obtenus ont montrés que les performances du modèle MLPNN ont été plus meilleures. Moghaddamnia et al. (2009) ont estimé l’Epan à pas de temps journalier dans les régions arides et semi-aride de l’Iran, par les modèles MLPNN et ANFIS. Il a été démontré que les modèles MLPNN et ANFIS ont de bien meilleures performances que les formules empiriques. Tabari et al. (2010) ont estimé l’Epan journalières en utilisant le MLPNN et la méthode de régressions non linéaires multiples (MNLR) en Iran. La comparaison des modèles à montrer que le modèle MLPNN utilisant un algorithme d’apprentissage Delta-Bar-Delta et une fonction d’activation sigmoïde fournie de meilleures performances. Kim et al. (2012) ont appliqué les modèles de réseaux de neurones pour estimer l’Epan au niveau de différentes zones climatiques tempérées et arides en République de Corée et Iran. Trois types de modèles ont été utilisés: MLPNN, RBFNN et les machines à vecteurs de support (SVM), en utilisant les Tmoy, U2, SR, H% et le rayonnement terrestre (Ra). Les résultats obtenus par les SVM étaient meilleures que le MLPNN et le GRNN pour estimer l’Epan journalière. Kim et al. (2013) ont appliqués trois modèles de réseaux de neurones pour estimer l’Epan journalière en Corée du Sud: MLPNN, GRNN et le système d’inférence floue à base de réseaux de neurones adaptatifs (ANFIS), en utilisant les données climatiques de deux stations sur une période de 6 ans : Tmoy, U2, SH, H%, SR, et l’Epan. Les résultats obtenus ont montré la supériorité du modèle MLPNN. Malik and Kumar (2015) ont appliqués deux modèles: le MLPNN, et le modèle Coactive ANFIS (CANFIS) pour l’estimation de l’Epan en Inde. Les résultats ont indiqués que les performances du modèle MLPNN étaient supérieures aux modèles CANFIS et MLR. Wang, et al. (2016) ont comparés six modèles dans l’estimation de l’Epan mensuelle: MLPNN, réseaux de neurones à fonction de régression générale (GRNN), génétique floue (FG), machine à vecteurs de support à base des moindres carrés (LSSVM), les modèles à base de régression multivariées par splines adaptative (MARS), le modèle ANFIS avec partition carrée (ANFISGP), et deux méthodes de régression: MLR et SS. Les données de huit stations climatiques en chine, à savoir Tmoy, SR, SH, H% et U2, sur une période allant de 1961 à 2000 ont été utilisées pour le développement des modèles. Les résultats ont montrés que les modèles ont des degrés de précision différents selon les stations, et que le modèle MLPNN a été supérieur aux autres modèles dans la plupart des stations, alors que le modèle GRNN a mieux fonctionné dans le Plateau Tibétain. Ghorbani et al. (2017) ont introduit un nouveau modèle hybride appelé MLPNN-FFA basé sur l’optimisation par l’algorithme de Luciole (Firefly: FFA), qui est intégré avec le MLPNN est développé et évalué pour la prédiction de l’Epan. Les résultats ont montrés qu’un modèle MLPNN-FFA surpasse le modèle MLPNN standard. Les résultats obtenus ont démontrés l’importance de l’algorithme de Firefly appliqué pour améliorer les performances du modèle MLPNN, tel que démontré par ses meilleures performances prédictives par rapport au modèle MLPNN. Malik et al. (2018) ont exploré le potentiel des modèles MLPNN, CANFIS et MLR dans la simulation de l’Epan hebdomadaire à Pantnagar, en Inde. Un outil de modélisation non linéaire, à savoir le gamma test (GT), a été utilisé pour identifier les variables d’entrée les plus significatifs pour les approches MLPNN, CANFIS et MLR. L’Epan simulée à l’aide de ces techniques a été comparée aux modèles empiriques tels que SS et Griffith (GF) basés sur l’erreur quadratique moyenne (RMSE), Nash-Sutcliffe (NSE) et le coefficient de corrélation (R). Les résultats de la comparaison ont révélé que le modèle MLPNN donnait de meilleurs résultats que les modèles CANFIS, MLR, SS et GF dans la modélisation de l’Epan hebdomadaire à l’aide des variables climatiques (Tmin, Tmax, Hmax%, Hmin%, SH, U2).
Application des modèles ANFIS pour la modélisation de l’Epan
Le modèle le plus utilisé et le plus reporté en littérature est sans doute le modèle d’inférence floue à base de réseaux de neurones adaptatifs (Adaptive Neurofuzzy Inference System: ANFIS. Le modèle ANFIS combine à la fois la logique floue et les réseaux de neurones. Kisi (2006) a étudié les capacités du modèle ANFIS pour l’estimation de l’Epan journalière en utilisant plusieurs variables climatiques, à savoir la Tmoy, SR, U2, Pr et H%. Les résultats obtenus par le modèle ANFIS ont été comparés avec celles obtenus avec le modèle MLPNN et la méthode SS. Sur la base des comparaisons, il a été démontré que le modèle ANFIS pourrait être utilisée avec succès dans la modélisation du processus d’évaporation, Le model MLPNN a également fournie de meilleurs résultats que la méthode SS. Terzi et Keskin (2006) ont appliqués le modèle ANFIS pour l’estimation de l’Epan journalière, en utilisant les SR, Tmoy, Tw, et H%. Le modèle ANFIS a fournie des résultats meilleurs que la formule empirique de Penman. Dogan et al. (2010) ont proposés le modèle ANFIS comme une approche alternative à l’estimation de l’Epan pour le barrage de Yuvacik en Turquie. Diverses combinaisons de données météorologiques journalières, à savoir la Tmoy, H%, SR et U2, sont utilisées comme données d’entrée pour l’ANFIS afin d’évaluer le degré d’effet de chacune de ces variables sur l’Epan journalière. Les résultats du modèle ANFIS sont comparés à celle du modèle MLR. Sur la base des comparaisons, Le model ANFIS a également donné de meilleurs résultats que la méthode MLR. Sanikhani et al. (2012) ont étudié la capacité de deux modèles, incluant ANFIS avec le partitionnement carrée (ANFIS-GP) et ANFIS avec le regroupement soustractif (ANFISSC), dans la modélisation de l’Epan journalière. Les résultats obtenus par les deux modèles ANFIS-GP et ANFIS-SC sont comparés avec les modèles de régression non linéaire multiple (MNLR), MLPNN, SS et Penman. Les résultats obtenus indiquent que ANFIS-GP et ANFIS-SC sont supérieurs aux MNLR, MLPNN, SS et Penman dans la modélisation de l’Epan. Kisi and Tombul (2013) Ont étudié la capacité de l’approche génétique floue (FG) dans l’estimation de l’Epan mensuelle, dans la région méditerranéenne de Turquie. Les résultats ont montré que les modèles FG ont donnés de meilleurs résultats que les modèles ANFIS et MLPNN, et que le modèle FG fournissait l’estimation la plus proche de l’Epan. Wang et al (2017) ont étudié les capacités de trois méthodes d’estimation de l’Epan mensuelle en utilisant la Tmoy, SR, Pr et U2, mesurés durant la période allant de 1961 à 2000. Les résultats obtenus ont démontrés que le modèle FG peut être utilisé avec succès pour estimer l’Epan.
|
Table des matières
Introduction générale
Chapitre I : L’évaporation & Concept Généraux
I.1.Introduction
I.2.Notions liées à l’évaporation
I.3. Facteurs météorologiques conditionnant l’évaporation
I.3.1.La Température
I.3.2.L’humidité de l’air
I.3.3.Le rayonnement solaire
I.4. Facteurs physique conditionnant l’évaporation
I.5. Classification des différentes Méthodes d’estimation de l’Epan
I.5.1.Les méthodes directes
I.5.1.1. Les atmomètres et évaporimètres
I.5.1.2. Les bacs évaporatoires
I.5.2. Les méthodes indirectes ou empiriques
I.5.3. Les méthodes à base d’Intelligence Artificielles (IA)
I.5.3.1. Application des modèles à base des ANN pour la modélisation de l’Epan
I.5.3.2.Application des SVM pour la modélisation de l’Epan
I.5.3.3. Application des Réseaux d’Ondelettes pour la modélisation de l’Epan
I.5.3.4. Application des modèles ANFIS pour la modélisation de l’Epan
I.5.3.5. Application des Algorithmes Evolutionnaires pour la modélisation de l’Epan
I.6. Conclusion
Chapitre II : présentation des modèles a base d’intelligence artificielle
II.1. L’Intelligence Artificielle
II.1.1.Historique
II.1.2.Définition
II.2. Les Réseaux de Neurones Artificiels
II.2.1.Introduction
II.2.2. Historique des Réseaux de Neurones Artificiels
II.2.3. Neurones biologique
II.2.4. Le Neurone Artificiel
II.2.4.1.Définitions
II.2.5.Architecture des Réseaux de Neurones
II.2.5.1. Les Réseaux de Neurones non Bouclés
II.2.5.2. Les Réseaux de Neurones Bouclés
II.2.6. Apprentissage des Réseaux de Neurones
II.2.6.1. Apprentissage Supervisé
II.2.6.2. Apprentissage non Supervisé
II.2.6.3. Apprentissage Renforcé
II.2.7. Algorithme de Rétro-Propagation
II.3. Conception d’un Réseau de Neurones Artificiels
II.4. Les perceptrons Multicouches MLPNN
II.5. Les Réseaux de Neurones à Fonctions de base Radiales (RBFNN)
II.5.1. Présentation des RBFNN
II.6. Réseaux de neurones à fonction de régression générale (GRNN)
II.7. Les modèles ANFIS
II.8. Les Machines A Vecteurs De Support (SVM)
II.8.1. Introduction
II.8.2. Les SVM pour la Régression (SVR)
II.9. Conclusion
Chapitre III : Présentation de la Zone D’étude & traitement des données
III.1. Présentation de la Région d’Etude
III.1.1.Situation Géographique
III.1.2.Les Aspects Topographiques
III.1.3.Le Réseau Hydrographique et Climat
III.1.4. Le Climat
III.1.4.1. La pluviosité
III.1.4.2. Les Températures
III.2.Présentation et Description de la base de Données Utilisée
III.2.1. Introduction
III.2.2. Situation Géographique des Barrages et Stations Climatiques
III.3.Analyse Statistique des données
III.3.1. Statistiques Descriptives
III.3.2. La technique Gamma Test (GT)
III.3.2.1.Introduction
III.3.2.2.L’implémentation de la technique Gamma Test
III.3.2.3. Formulation mathématique de la Technique Gamma Test
III.3.2.4.Analyse des données à l’aide de la Technique GT
III.3.2.5.Application de la Technique GT avec quatre (04) variables
III.3.2.6. Résultats obtenues par la Technique GT
III.3.2.6.1. Résultats obtenues au pas de temps journalier
III.3.2.6.2. Résultats Trouvées au pas de Temps Mensuelle
III.3.2.7. Structures des Modèles Sélectionnés
III.4. Conclusion
Chapitre IV : Modélisation de l’évaporation Epan au pas de temps journalier par les techniques à base d’intelligence artificielle
IV.1. Introduction
IV.2. Critères de validation et de performances des modèles
VI.3. La mise en œuvre des différents modèles
IV.4. Résultats de l’application des modèles et analyse comparative
IV.4.1. Résultats de la modélisation pour le Barrage Chafia
IV.4.1.1.Résultats récapitulatif des différents modèles pour barrage Chafia
IV.4.2. Résultats de la modélisation pour le Barrage Beni Zid
IV.4.2.1.Résultats récapitulatif des différents modèles pour barrage Beni Zid
IV.4.3. Résultats de la modélisation pour le Barrage Zit Emba
IV.4.3.1.Résultats récapitulatif des différents modèles pour barrage Zit Emba
IV.4.4. Résultats de la modélisation pour le Barrage El Agram
IV.4.4.1.Résultats récapitulatif des différents modèles pour barrage El Agram
IV.4.5. Résultats de la modélisation pour le Barrage Hammam Grouz
IV.4.5.1.Résultats récapitulatif des différents modèles pour barrage Hammam Grouz
IV.4.6. Résultats de la modélisation pour le Barrage Bouhamdane
IV.4.6.1.Résultats récapitulatif des différents modèles pour barrage Bouhamdane
IV.4.7. Résultats de la modélisation pour le Barrage Ain Zada
IV.4.7.1.Résultats récapitulatif des différents modèles pour barrage Ain Zada
IV.5. conclusion
Chapitre V : Modélisation de l’évaporation Epan au pas de temps mensuel par les techniques à base d’intelligence artificielle
V.1. Introduction
V.2. Résultats de l’application des modèles et analyse comparative
V.2.1. Résultats de la modélisation pour le Barrage Chafia
V.2.1.1.Résultats récapitulatif des différents modèles pour barrage Chafia
V.2.2. Résultats de la modélisation pour le Barrage Beni Zid
V.2.2.1.Résultats récapitulatif des différents modèles pour barrage Beni Zid
V.2.3. Résultats de la modélisation pour le Barrage Zit Emba
V.2.3.1.Résultats récapitulatif des différents modèles pour barrage Zit Emba
V.2.4. Résultats de la modélisation pour le Barrage El Agram
V.2.4.1.Résultats récapitulatif des différents modèles pour barrage El Agram
V.2.5. Résultats de la modélisation pour le Barrage Hammam Grouz
V.2.5.1.Résultats récapitulatif des différents modèles pour barrage Hammam Grouz
V.2.6.Résultats de la modélisation pour le Barrage Bouhamdane
V.2.6.1.Résultats récapitulatif des différents modèles pour barrage Bouhamdane
V.2.7.Résultats de la modélisation pour le Barrage Ain Zada
V.2.7.1.Résultats récapitulatif des différents modèles pour barrage Ain Zada
V.3. Conclusion
Conclusion générale
Référence bibliographique
Télécharger le rapport complet
