Fiches techniques des barrages

Table des matières

Introduction générale
Enoncé du problème
Objectif de l’étude
Contenu et organisation de la thèse
Contributions apportées par la thèse
Etat de l’art
1.1 Introduction
1.2 Méthodes d’optimisation
1.2.1. Programmation linéaire (PL)
1.2.2. Programmation Non Linéaire (PNL)
1.2.3 Programmation Dynamique (PD)
1.2.2.1 Principe de la Programmation Dynamique
1.1.2.2 Programmation Dynamique Stochastique
1.1.2.2. La poisse de dimentionnalité ‘’ Curse of dimentionnality ‘’
1.2.2.3. Autres dérivées de la programmation dynamique stochastique
1.3 Modèles de simulation
1.4 Modèles combinés
1.5 Réseaux de Neurones Artificiels
1.5.1 Apprentissage du réseau de neurones par rétro-propagation (backpropagation)
1.5.2 Simulation de l’opération du réservoir par Réseaux de Neurones
1.6 Conclusion
Les Aurès, Réservoirs et Gestion
2.1 Contexte physique de la région des Aurès
2.1.1 Synthèse géologique
2.1.1.1 Anticilinaux
2.1.1.2 Synclinaux
2.1.1.3 Hydrographie : Ecoulement endoréique
2.1.2 Aperçu climatique
2.1.2.1 Précipitations
2.1.2.2 Facteur thermique
2.1.2.3 Evapotranspiration
2.1.2.4 Le vent
2.1.3 Couvert végétal
2.1.4 Apports annuels des cours d’eau
2.1.5 Les crues dans la région des Aurès
2.1.6 Apport solide
2.2 Les barrages réservoirs dans la région des Aurès
2.2.1 Fiches techniques des barrages
2.2.1.1 Barrage Foum El Kherza
2.2.1.2 Barrage de Fontaine des Gazelles
2.2.1.3 Barrage de Babar
2.2.1.4 Barrage de Koudiet M’daouar
2.2.1.5 Barrage Foum El Gueiss
2.3 Gestion actuelle des barrages de la région
2.3.1 Gestion du barrage de Foum El Kherza
2.3.2 Gestion du réservoir de Babar
2.3.3 Gestion du réservoir de Foum El Gueiss
2.3.4 Gestion du réservoir de Fontaine des Gazelles
2.3.5 Gestion du réservoir de Koudiet M’daouar
2.4 Conclusion
Deuxième partie: Termes du bilan hydrique
3.1 Introduction
3.2 Apports liquides
3.2.1 Données disponibles
3.2.2 Les modèles de prévision des apports liquides mensuels
3.2.2.1 Modèle autorégressif
3.2.2.2 Réseau de neurones à temps retard ou Time Delay Neural Network TDNN
3.3 Pertes par évaporation et par infiltrations
3.3.1 Pertes par évaporation
3.3.1.1. Relation Volume évaporé -Volume d’eau dans le réservoir par RNA
3.3.3. Modélisation des pertes par infiltrations
3. 4 Pluviométrie directe au dessus du réservoir
3.4.1 Modèlisation des pluies mensuelles.
3.5 Demande en eau et lâchers historiques
3.5.1 Besoins en eau du palmier dattier
3.6 Conclusion
Sédimentation du réservoir
4.1 Introduction
4.3 Méthodes
4.3.1 Levés bathymétriques
4.3.2 Courbe de tarage en sédiments (SRC)
4.3.3 Efficacité de piégeage ‘ Trap efficiency’
4.3.4 Apport solide piégé historique
4.3.5 Chasse de fond, évacuation durant les crues et dévasement
4.3.6 Concentration journalière en sédiments
4. 4 Optimisation de la Courbe Cumulative en Sédiments Piégés
4.4 Résultats de l’Optimisation de la Courbe Cumulative
4.5 Conclusion
L’optimisation de la gestion du réservoir et la contrainte sédimentation
5.1 Introduction
5.2 Méthodologie adoptée
5.2.1. Programmation Dynamique Stochastique Explicite
5.2.1.1 Discrétisation des apports
5.2.2 Matrices de transition
5.2.3 Discrétisation du volume de la retenue
5.2.4 La fonction « objectif »
5.3 Optimisation de l’opération par PDSE et la sédimentation du réservoir
5.3.1 Résultats de l’optimisation
5.3.2 Application des résultats de l’optimisation aux états historiques du réservoir
5.4 Simulation de l’opération du réservoir par Réseaux de Neurones Artificiels
5.5 Conclusion
Conclusion générale
Références bibliographiques