Modeling of groundwater flow and quality in karstic system using ''soft computing'' methods (neural networks, fuzzy logic)

• Auteur / Autrice : Bedri Kurtuluş
• Direction : Moumtaz Razack, Serdar Bayari
• Type : Thèse de doctorat
• Discipline(s) : Terre solide et enveloppe superficielle
• Date : Soutenance en 2008
• Etablissement(s) : Poitiers en cotutelle avec Acettepe Üniversitesi (Ankara, Turquie)
• Partenaire(s) de recherche : Autre partenaire : Université de Poitiers. UFR des sciences fondamentales et appliquées

Mots clés

Mots clés contrôlés

Systèmes non linéaires

Logique floue

Réseaux neuronaux (informatique)

Karst

Résumé

Karstic aquifers present a great extension throughout the world (12 % of the emerged grounds) and in particular in countries around the Mediterranean sea (from 20 to 90 % of the surface of the Mediterranean countries). These aquifers represent important groundwater potentialities. In both countries (France and Turkey), these karstic aquifers are exploited for drinking water supply and other economic activities (agriculture, pisciculture,. . . ) and constitute the single water resource in certain areas of these countries. The role of these karstic hydrosystems in the social and economical context of some areas is extremely crucial. These aquifers are very vulnerable to contaminations and are overexploited, taking into account the increase in water requirements. Karstic aquifers are very complex and show very particular characteristics (strong heterogeneity, anisotropy, discontinuity of the medium, hierarchization of the flows), which make difficult any classical approach of identification of these systems and management of their water resources. The difficulty of modeling comes owing to the fact that these karstic systems are highly non-linear and are little adapted to the classical methods of identification (flow and transport modeling based on Darcy law). Soft computing methods (Artificial neural networks and fuzzy logic) are playing a key role in the modelling of complex and nonlinear problems. The uncertainty associated with the data, the immense size of the data to deal with, the diversity of the data type and the associated scales are important factors to rely on unconventional mathematical tools such as soft computing. In this thesis, the three pilot experimental sites are: the karst of La Rochefoucauld in France which is used in particular for the supply of the regional capital Angouleme; Orbe karstic spring which supplies the rural city of Arette (Southwestern France) and the karst of Safranbolu in Turkey which supplies the town of Safranbolu. The principal objective of this work is to test the ability of soft computing methods for modeling of complex karstic systems and predicting the discharge rates and quality of water at the outlets of these systems. The results show the ability of Soft computing method to model these highly non linear systems. All the modelling work was carried out using the Matlab programming environment.

Les aquifères karstiques présentent une grande extension à travers le monde (12 % des terres émergées) et notamment dans les pays du pourtour méditerranéen (de 20 à 90 % de la surface des pays méditerranéens). Ces aquifères représentent d’importantes potentialités en eau souterraine. Dans les deux pays concernés (France et Turquie), ces aquifères karstiques sont exploités pour l’alimentation en eau potable et pour d’autres activités économiques (agriculture, pisciculture, …) et constituent parfois l’unique ressource en eau dans certaines régions de ces pays. Le rôle des hydrosystèmes karstiques dans le développement social et économique de telles régions est de ce fait extrêmement crucial. Ces aquifères sont cependant très vulnérables aux contaminations et font l’objet de surexploitation, compte tenu de l’accroissement des besoins en eau. Les aquifères karstiques sont très complexes et présentent des caractéristiques très particulières (forte hétérogénéité, anisotropie, discontinuité du milieu, hiérarchisation des écoulements) qui rendent difficile toute approche classique d’identification de ces milieux et de gestion de leurs ressources en eau. La difficulté de modélisation provient du fait que ces systèmes karstiques sont hautement non-linéaires et sont peu adaptés aux méthodes d’identification classiques (modélisation des flux d’eau et de matière basée sur la loi de Darcy). L’objectif principal de cette thèse est la modélisation de ces systèmes à l’aide d’approches nouvelles (méthodes de ‘soft computing’) dans le but de prédire les flux et la qualité des eaux dans ces systèmes. Les systèmes retenus sont : le karst de La Rochefoucauld en France qui est utilisé notamment pour l’alimentation de la capitale régionale Angoulême ; Le karst de l’Orbe qui est utilisé pour la ville d’Arrete et le karst de Safranbolu en Turquie qui alimente la ville de Safranbolu. Dans cette thèse, les points suivants sont étudiés :Installation, calibrage des systèmes d'enregistrement des données (data logger) et contrôle des sondes, Recherche sur les différents types de systèmes karstiques (La Rochefoucauld et Orbe en France et Safranbolu en Turquie, Détermination de la pluie efficace sur le karst de Safranbolu en utilisant des données hydrométéorologiques (y compris la neige). Interprétation des données des enregistreurs automatiques et des analyses chimiques effectuées en laboratoire pour mieux comprendre le fonctionnement du karst, Développement des modèles ‘soft computing’ (réseaux de neurone et neuro-floue) concernant les 3 systèmes karstiques étudiés. Discussion sur les méthodes (réseaux de neurone et neuro–flou) et les calibrages des modèles. Comparaison des modèles avec entrée simple et entrées multiples. Détermination des propriétés faibles et fortes de ces modèles. Les conclusions obtenues sont les suivantes :Les corrélations entre débits simulés et débits observés sont élevées pour le karst de La Rochefoucauld. Le coefficient de détermination pour la phase d’apprentissage est élevé (R2=0. 90). Les hydrogrammes permettent de se rendre compte que l’apprentissage et la validation des modèles sont tout à fait opérationnels, puisqu’on remarque que les parties montantes des hydrogrammes simulés correspondent bien à de fortes pluies. De plus la forme des hydrogrammes simulés (montée rapide, suivie d’une décrue assez lente) est semblable à celle des hydrogrammes réels de sources d’aquifères karstiques (Voir Figure 4. 8). Les données de pluie utilisées concernent la pluie brute, sans transformation en pluie efficace, ce qui permet de s’affranchir de certaines hypothèses simplificatrices non vérifiables pour l’aquifère de La Rochefoucauld. Par contre nous avons retenu la pluie efficace comme entrée des modèles du karst de Safranbolu. L’effet de la fonte de neige et une correction de certaines données par rapport à l’altitude ont été intégrées dans l’évaluation de la pluie efficace. Les modèles ‘soft computing’ pluie - qualité de l’eau (Turbidité, Conductivité électrique) ont été développés. Pour les modèles neuro-flous la phase d’apprentissage est beaucoup plus lente et nécessite un moyen de calcul puissant. Les modèles hybrides (neuro-flous) sont plus efficaces que les modèles de réseaux de neurones. Les modèles neuro-flous ont un coefficient de détermination plus élevé que les modèles de réseaux de neurones (Voir Table 4. 5). Les variables d’entrée ont une très grande importance dans le développement des méthodes ‘soft computing’. En augmentant les données d’entrée, les modèles peuvent calculer de meilleurs résultats. Ainsi, les modèles avec deux variables d’entrées sont caractérisés par un coefficient de détermination plus élevé que les modèles à une variable d’entrée. En outre, pour la prédiction des valeurs extrêmes, les modèles avec entrées multiples sont plus efficaces que les modèles à entrée simple (Voir Table 4. 9). Pour les aquifères karstiques d’Orbe et de Safranbolu, la prédiction des paramètres hydrochimiques (conductivité électrique et turbidité) à été egalement modelisée à l’aide des méthodes ‘soft computing’. Les résultats montrent que la forme des chemogrammes simulés est semblable à celle des chemogrammes réels (Voir Figures 5. 19, 5. 22, 5. 25, 5. 27, 5. 28, 5. 29, 5. 30). Par contre, on constate aussi que pour obtenir des prédictions plus longues, le modèle aura besoin de séries de données plus longues. Ainsi, les résultats obtenus sont très encourageants et permettent d’envisager des perspectives intéressantes et nouvelles de modélisation des aquifères karstiques, qui sont des systèmes hautement non-linéaires.