Optimisation de la gestion du barrage Hammam Debagh (Guelma) dans la Seybouse - Algérie

Abstract

Le problème de gestion des barrages réservoirs est étudié depuis près d’un siècle, mais cette gestion conserve une actualité certaine du fait que l’allocation rationnelle des ressources en eau apparaît comme une nécessité impérative, compte tenu de la rareté de l’eau, la croissance quasi exponentielle de la demande et l’accumulation des sédiments qui réduit considérablement la capacité de stockage en eau des barrages. Les méthodes classiques sont incapables de prendre en charge correctement l'ensemble des questions qui doivent être considérées pour élaborer un modèle qui permet de gérer au mieux les réserves d’eau mobilisées par les barrages. Les réseaux de neurones semblent avoir le potentiel d’une méthode alternative qui peut être utilisée dans l’optimisation de la gestion des barrages réservoirs. Cependant, l’élaboration du modèle de gestion doit prendre en charge deux questions méthodologiques. Elles concernent à la fois l’augmentation des fréquences de réalisation des levés topo-bathymétrique pour une mise à jour périodique de la courbe « capacité – hauteur » et la sélection des variables d’entrée du modèle pour une accessibilité facile et une utilisation rapide. Pour commencer, nous avons appliqué les outils de la géostatistique spatiale afin d’optimiser la taille du levé topo-bathymétrique du barrage Hammam Debagh et augmenter ainsi les fréquences de réalisation de ces levés. Nous avons suivi une démarche exploratoire en comparant les résultats de l’analyse géostatistique de l’ensemble des données du levé topo-bathymétrique (LTB) initial et les 19 scénarios aléatoires de réduction de la taille de ce levé. Cette étude nous a permis de démontrer que la réduction du nombre de points de mesure de 32 164 à 10 000, correspondant respectivement à des densités de 42 et de 13 points à l’hectare, a un impact très faible sur les critères géostatistiques de fiabilité. En effet, cette taille de 10 000 points a montré une grande similitude avec le LTB initial depuis l’étude de la normalité, de la variographie jusqu’à la validation croisée. Par la suite, sur une base de données mensuelles d’une période de vingt et un (21) ans d’exploitation récupérée auprès de l’ANBT, nous avons procédés de la sorte : Dans un premier temps, nous avons sélectionné les vecteurs d’entrée à utiliser pour l’élaboration des modèles de prédiction des volumes totaux à allouer (Alimentation en eau potable et Irrigation), et ce, après avoir procédé à la mise à jour de la base de données en tenant compte des résultats de l’unique LTB (réduction du volume de 0,98 hm3/an). L’application de la technique du Gamma Test, nous a permis de sélectionner cinq (05) variables prépondérantes (VTALt-1, PLUt-1, EVAPt-1, APPt-1 et VTALt-2), et quatre (04) vecteurs de variables d’entrée parmi toutes les combinaisons possibles de ces dernières. Dans un deuxième temps, nous avons exploré les différences entre trois types de modèles de neurones artificiels (MLPNN, GRNN et RBFNN) en utilisant les quatre vecteurs d’entrée retenus. En effet, il s’est avéré que les trois modèles sont des outils performants pour la prévision des volumes totaux à allouer. Cependant, il est important de signaler qu’en phase de validation, le modèle GRNN1 (cinq variables d’entrée) est considéré comme le meilleur avec un coefficient de corrélation (𝑅 = 0,876) et le critère de Nash-Sutcliffe (𝑁𝑆𝐸 = 0,684) les plus élevés d’une part, et la Racine Carrée de l’Erreur Quadratique Moyenne (𝑅𝑀𝑆𝐸 = 1,614) et l’erreur absolue moyenne (𝑀𝐴𝐸 = 1,157) les plus faibles d’autre part. Il est suivi par le modèle MLPNN1 en deuxième position et enfin le RBFNN1 en troisième place.