Résumé de la thèse :
Le rôle des eaux souterraines concernant les crues de surface a été longtemps négligé cependant durant les dernières décennies la contribution partielle ou totale des eaux souterraines aux épisodes d’inondation a été admise pour de nombreux cas en région karstique. Le centre du CEA de Cadarache est un site industriel localisé en région méditerranéenne française qui est situé sur un aquifère fracturé et karstifié sensible au risque d’inondations à cinétique rapide par remontée de nappe. Ce phénomène peut induire des phénomènes d’infiltrations dans les parties enterrées des bâtiments ou des débordements localisés en surface. La prévision de l’aléa de remontée de nappe constitue donc un enjeu de sûreté majeur pour le centre.
Depuis les années 90, les modèles par réseaux de neurones ont montré, grâce à leurs propriétés de parcimonie et d’approximation universelle, leur efficacité à résoudre des problèmes complexes et linéaires en hydro(géo)logie.
L’objectif de ces travaux de thèse est d’évaluer l’apport des réseaux de neurones artificiels pour la prévision du risque de remontée de nappe sur le site du CEA de Cadarache. Pour cela, deux axes principaux d’étude ont été menés.
Dans un premier temps, des méthodes d’analyses systémiques ont été utilisées afin d’améliorer la connaissance des propriétés hydrodynamiques du site. En plus des apports méthodologiques proposés : représentation spatialisée des analyses corrélatoires, classification non supervisée et grille d’interprétation hydrogéologique basées sur les hauteurs d’eau classées ; ces travaux ont permis de mettre en évidence l’hétérogénéité de l’aquifère, le rôle important des failles et fractures ainsi que des paléo-vallées vis-à-vis des écoulements et l’identification de plusieurs zones de comportements hydrodynamiques à prendre en compte pour la modélisation.
Dans un second temps, ces travaux de thèse proposent une stratégie de prévision de remontées de nappe complémentaire au modèle à réservoirs préexistant actuellement utilisé sur le site. Cette stratégie, utilisant plusieurs modèles à réseau de neurones à différents pas de temps et horizons de prévision, vise à prévoir au mieux l’aléa de remontée de nappe dès le stade de la prévision précoce et jusqu’au suivi de la crue en cours afin d’accompagner la prise de décision. Cette stratégie appliquée à un piézomètre de référence a permis de montrer l’excellente performance des modèles à réseaux de neurones pour la prévision des remontées de nappe au sein d’aquifères complexes, ainsi que la complémentarité d’une approche multi-pas de temps (journalier et infra-journalier). Des travaux exploratoires ont aussi été menés sur la capacité de ces modèles à être utilisés sur d’autres piézomètres et secteurs du centre via deux méthodes de régionalisation. Les premiers résultats étant encourageants, ces travaux ont permis d’ouvrir plusieurs perspectives pour valider et améliorer ces méthodes.
Abstract :
The role of groundwater in surface flooding has long been overlooked, but in recent decades, it has been accepted that groundwater can contribute in whole or in part to flooding episodes in many karst regions. The Commissariat à l'Energie Atomique et aux énergies alternatives (CEA) center at Cadarache is an industrial site located in France's Mediterranean region. The site is located on a fractured, karstified aquifer that is susceptible to the risk of rapid-kinetic flooding due to rising groundwater, which can lead to infiltration into buried parts of buildings or localized overflows at the surface. Forecasting the risk of groundwater flooding is therefore a major safety issue for the center.
Since the 1990s, neural network models have demonstrated their effectiveness in solving complex linear hydro(geo)logical problems, thanks to their properties of parsimony and universal approximation.
The aim of this thesis work is to evaluate the contribution of artificial neural networks to forecasting the risk of groundwater flooding at the CEA Cadarache site. To achieve this, two main lines of research were carried out.
Initially, systemic analysis methods were used to improve our understanding of the site's hydrodynamic properties. In addition to the proposed methodological contributions: spatialized representation of correlative analyses, unsupervised classification and a hydrogeological interpretation grid based on classified piezometry; this work highlighted the heterogeneity of the aquifer, the important role of faults and fractures as well as paleo-valleys with regard to flows, and the identification of several zones of hydrodynamic behavior to be taken into account for modeling.
Secondly, this thesis proposes a forecasting strategy to complement the pre-existing reservoir model currently used on the site. This strategy, using several neural network models with different time steps and forecast horizons, aims to provide the best possible prediction of rising groundwater levels hazards from the early forecast stage right through to monitoring of the flood in progress, in order to support decision-making. This strategy, applied to a reference piezometer, has demonstrated the excellent performance of neural network models for forecasting rising water tables in complex aquifers, as well as the complementarity of a multi-time step approach (daily and sub-daily). Exploratory work has also been carried out on the ability of these models to be used on other piezometers and sectors in the center via two regionalization methods. Initial results have been encouraging, and this work has opened up a number of avenues for validating and improving these methods.