SYSTÈME DE TRAITEMENT DE DONNÉES MASSIVES APPLIQUÉ À LA SUPERVISION DE MILIEUX CÔTIERS

MASSIVE DATA PROCESSING SYSTEM APPLIED TO THE SUPERVISION OF COASTAL ENVIRONMENTS

• Auteur / Autrice : Dorian d' Amico
• Direction : Benoît Larroque, Franck Luthon
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/04/2021
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : École doctorale sciences exactes et leurs applications (Pau, Pyrénées Atlantiques ; 1995-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'UPPA (LIUPPA) - Laboratoire Informatique de l'Université de Pau et des Pays de l'Adour
• Partenaire(s) de recherche : Entreprise : Université de Pau et des pays de l'Adour - UPPA
• Jury : Examinateurs / Examinatrices : Xavier Bertin, Stéphane Abadie
• Jury : Rapporteurs / Rapporteuses : Philippe Sergent, Xavier Desforges

Mots clés

Mots clés contrôlés

Mesures électroniques

Saint-Jean-de-Luz (Pyrénées-Atlantiques)

Effets des vagues

Mots clés libres

Apprentissage supervisé

Apprentissage non-supervisé

Apprentissage automatique

Station de mesure

Mesure in-situ

Pression d’impact de vagues

Type d’impact

Détection d’impact de vague

Supervised learning

Unsupervised learning

Machine learning

Measuring station

In-situ measurement

Wave impact pressure

Type of impact

Wave impact detection

Résumé

La puissance des vagues a pour effet néfaste d’endommager les côtes et les ouvrages qui les protègent. Les réparations qui s’ensuivent sont très coûteuses. C’est pour cette raison que le déferlement des vagues est étudié depuis un siècle, dans le but de mieux comprendre ce phénomène complexe, d’améliorer les structures côtières et de mieux superviser ces ouvrages. Cependant, l’environnement hostile de l’océan a longtemps empêché de réaliser des mesures sur le terrain sur de longues périodes et notamment lors de tempêtes. De ce fait, beaucoup d’études ont été réalisées en laboratoire, permettant la compréhension de beaucoup de mécanismes. Toutefois, ces études ne représentent pas toujours la réalité. En effet, en laboratoire l’échelle est différente, les fluides utilisés sont différents, il n’y a pas de perturbations liées aux paramètres environnementaux (vent, courant, etc.) et le phénomène est en 2D alors qu’en cas réel il est en 3D. Il est donc nécessaire, afin d’avoir une meilleure compréhension des impacts de vagues sur les structures côtières, d’étudier ce phénomène sur le terrain à échelle réelle, là où les conditions ne sont pas configurables mais bien dépendantes de l’environnement. Le manque de données limite grandement les études possibles. Néanmoins, grâce à la technologie moderne, nous avons mis en place une station de mesure in-situ, sur la digue de l’Artha à Saint-Jean-de-Luz, en France. Nos recherches se basent sur le grand nombre de données enregistrées par cette station. Le premier résultat a été de mettre en place un algorithme permettant de détecter les impacts présents dans les signaux enregistrés. Ensuite, afin de caractériser ces impacts, différents critères ont été déterminés et sont calculés automatiquement. Ces critères ont été utilisées afin de prédire les pressions d’impact des vagues sur la digue de l’Artha grâce aux paramètres environnementaux locaux, en utilisant l’apprentissage automatique et plus spécifiquement les réseaux de neurones. Les facteurs environnementaux ne semblant pas suffisants, nous avons étudié les types d’impacts, qui jouent un rôle majeur dans la pression générée par une vague sur un mur. A cause des différences d’échelles de pressions et de temps, il n’a pas été possible de réaliser une classification reposant sur les caractéristiques des types d’impact établis en laboratoire. De ce fait, nous avons utilisé quatre algorithmes d’apprentissage non-supervisé, que nous avons comparé afin de réaliser un clustering des impacts de vagues. Deux algorithmes ont donné des résultats proches, un troisième a donné un résultat différent, et le dernier n’a pas fonctionné.

The power of the waves has the detrimental effect of damaging the coasts and the structures that protect them. The repairs that follow are very expensive. It is for this reason that wave breaking has been studied for a century, with the aim of better understanding this complex phenomenon, improving coastal structures and better supervising these structures. However, the harsh ocean environment has long prevented measurements in the field over long periods of time, especially during storms. As a result, many studies have been carried out in the laboratory, allowing the understanding of many mechanisms. However, these studies do not always represent reality. Indeed, in the laboratory the scale is different, the fluids used are different, there are no disturbances linked to the environmental parameters (wind, current, etc.) and the phenomenon is in 2D whereas in real case it is in 3D. It is therefore necessary, in order to have a better understanding of the impacts of waves on coastal structures, to study this phenomenon in the field on a real scale, where the conditions are not configurable but very dependent on the environment. The lack of data greatly limits the possible studies. However, thanks to modern technology, we have set up an in-situ measuring station on the Artha breakwater in Saint-Jean-de-Luz, France. Our research is based on the large amount of data recorded by this station. The first result was to set up an algorithm to detect the impacts present in the recorded signals. Then, in order to characterize these impacts, various criteria were determined and are calculated automatically. These criteria were used to predict wave impact pressures on the Artha seawall through local environmental parameters, using machine learning and more specifically neural networks. As environmental factors did not seem sufficient, we looked at the types of impacts, which play a major role in the pressure generated by a wave on a wall. Due to the differences in pressure and time scales, it was not possible to make a classification based on the characteristics of the types of impact established in the laboratory. Therefore, we used four unsupervised learning algorithms, which we compared in order to achieve clustering of wave impacts. Two algorithms gave similar results, a third gave a different result, and the last did not work.