Apport des Réseaux de Neurones Artificiels pour la reconstitution de chroniques piézométriques à partir de données météorologiques.

Contribution of Artificial Neural Networks to the reconstitution of piezometric chronicles from meteorological data.

• Auteur / Autrice : Sayane Jouanneau-couvret
• Direction : Anne Johannet, Séverin Pistre
• Type : Projet de thèse
• Discipline(s) : STE-Sciences de l'Eau
• Date : Inscription en doctorat le 04/11/2024
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : HSM - Hydrosciences Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Karts et aquifères Hétérogènes, Hydrogéologie et Transferts

Mots clés

Mots clés libres

Réseaux de neurones

Hydrogéologie

Karst

CEA Cadarache

Artificial Neural Networks

Hydrogeology

Karst

CEA Cadarache

Résumé

Le cadre du sujet de thèse s'inscrit dans une démarche de sûreté des Installation Nucléaire de Base (INB) du Commissariat à l'Energie Atomique et aux énergies alternatives (CEA)et plus spécifiquement des installations relevant du périmètre de la DES (Direction des Energie) implantées sur le site de Cadarache (13). Le sujet relève de la prévention du risque d'inondation par remontée de nappe phréatique à cinétique rapide et vise à améliorer la méthode dite ''MECK'' (''Méthode d'Evaluation des Crues Karstiques'') développée par le LMTE (Laboratoire de Modélisation des Transferts dans l'Environnement) en réponse au Guide n°13 de l'Autorité de Sureté Nucléaire (ASN). Ce sujet porte plus particulièrement sur le développement d'un modèle RNA (Réseau de Neurones Artificiels) en vue de reconstituer des chroniques piézométriques (niveaux de nappe phréatique) à partir de données météorologiques enregistrées sur le site CEA de Cadarache. Ces chroniques piézométriques sont ensuite traitées par différentes approches statistiques afin de déterminer les niveaux ''extrêmes'' de référence (correspondant à différentes occurrences : décennale, centennale,…) qui seront retenus pour le dimensionnement des INB. La finalité de ces travaux devra permettre d'évaluer les performances du modèle RNA versus le modèle semi-physique actuellement utilisé dans la méthode « MECK ».

The subject of this thesis is part of a safety approach for the Basic Nuclear Facilities (INB) of the French Atomic Energy and Alternative Energies Commission (CEA), and more specifically for the facilities within the scope of the Energy Division (DES) at the Cadarache site (13). The project concerns the prevention of the risk of flooding due to fast-rising groundwater, and aims to improve the “MECK” method (“Méthode d'Evaluation des Crues Karstiques”) developed by the LMTE (Laboratoire de Modélisation des Transferts dans l'Environnement) in response to Guide n°13 from the French Nuclear Safety Authority (ASN). More specifically, this project concerns the development of an RNA (Réseau de Neurones Artificiels) model for reconstructing piezometric (groundwater level) records from meteorological data recorded on the CEA Cadarache site. These piezometric chronicles are then processed by various statistical approaches to determine the “extreme” reference levels (corresponding to different occurrences: decennial, centennial, etc.) which will be used for the design of the INBs. The aim of this work is to evaluate the performance of the RNA model versus the semi-physical model currently used in the “MECK” method.