Contribution de l'intelligence artificielle dans la gestion prédictive des réseaux d'assainissement intelligents

Contribution of artificial intelligence in model predictive control of smart sewer networks

• Auteur / Autrice : Khalid El Ghazouli
• Direction : Jamal El Khattabi, Aziz Soulhi
• Type : Thèse de doctorat
• Discipline(s) : Génie civil
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Université de Lille (2018-2021) en cotutelle avec Université Mohammed V (Rabat)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : LGCgE - Laboratoire de Génie Civil et géo-Environnement
• Jury : Président / Présidente : Isam Shahrour
• Jury : Examinateurs / Examinatrices : Oras Abbas, Mounia El Haji, Taoufik Cherradi
• Jury : Rapporteurs / Rapporteuses : Lahcen Zouhri, Ahmed Mouhsen

Mots clés

Mots clés contrôlés

Villes intelligentes

Systèmes dynamiques

Algorithmes génétiques

Réseaux neuronaux (informatique)

Intelligence artificielle

Commande en temps réel

Égouts

Modèles mathématiques

Prévision

Écoulement urbain

Effets des conditions météorologiques

Eaux usées -- Évacuation

Mots clés libres

Rejets urbains par temps de pluie

Intelligence artificielle

Artificial intelligence

Combined sewer overflows

Sewer network

Genetic algorithm

Neural network

Hydraulic modeling

Résumé

Du fait de l'urbanisation et du changement climatique, les agglomérations mondiales sont confrontées à des enjeux environnementaux majeurs liés à la pollution causée par les déversements des réseaux d’assainissement (RA) par temps de pluie. Les systèmes de contrôle prédictif offrent une nouvelle approche permettant de piloter les réseaux d’assainissement en temps réel et limiter l’impact des déversements vers le milieu récepteur. Cette thèse a visé à développer un système de modélisation prédictif basé sur l’intelligence artificielle pour minimiser l'impact environnemental des rejets urbains par temps de pluie (RUTP). Les données issues des modèles de prévisions sont des paramètres essentiels pour tout système de modélisation prédictif. La première partie de cette thèse a consisté à développer et valider deux modèles basés sur de l’intelligence artificielle (IA) pour la prévision des débits dans les RA. Le premier modèle basé sur le NARX Neural Network a été développé et validé pour la prévision des débits des eaux usées par temps sec. Le deuxième modèle développé dans le cadre de ce travail permet la prévision des débits des eaux pluviales aux exutoires des bassins versants et aux points de contrôles stratégiques et a fait l’objet d’une comparaison des performances de quatre modèles IA .La dernière partie de ce travail a porté sur le développement d'un système de contrôle prédictif (SCP) qui prend comme données d’entrée les prévisions des débits, un modèle hydraulique EPA-SWMM, et un algorithme génétique pour l’optimisation du fonctionnement du RA. Le SCP a démontré une grande efficacité dans la réduction des RUTP en générant des stratégies de contrôle dynamiques et optimales qui permettent de maximiser le volume traité en station d’épuration avant rejet vers le milieu naturel.

Urbanization and an increase in precipitation intensities due to climate change, in addition to limited urban drainage systems (UDS) capacity, are the main causes of combined sewer overflows (CSOs) that cause serious water pollution problems in many cities around the world. Model predictive control (MPC) systems offer a new approach to mitigate the impact of CSOs. This thesis aimed to develop an MPC system to minimize the environmental impact of CSOs during the rainy season.Data forecasts are a key component for every MPC system. The first part of this work consisted of developing and validating two flow forecasting models, a wastewater flow forecasting model (WWFFM) model to forecast dry weather flow and a stormwater forecasting model (SWFM) to predict stormwater flow in sewer networks. These models have shown their ability to provide valuable input data with sufficient lead time for predictive model control systems to enhance efficiency in urban drainage systems and reduce CSOs. The second part of this work discussed the development of an MPC system based on SWFM and WWFFM for predicting flows, a SWMM model for flow conveying, and a genetic algorithm for optimizing the operating of the sewer system to reduce the impact of CSOs on the receiving environment. The MPC demonstrates high efficiency in reducing CSOs in the receiving environment by generating optimal temporally and spatially varied dynamic control strategies of the gate valves of the sewer system.