LES RESEAUX DE NEURONES ARTIFICIELS (RNA) ET LES ҅ ҅ SUPPORTS VECTOR MACHINES ҆ ҆ (SVM) POUR LA PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL

MINISTERE DE L’ENSEIGNEMENT REPUBLIQUE TOGOLAISE Travail-
SUPERIEUR ET DE LA RECHERCHE Liberté-Patrie

No d’ordre: 2018/MP/GE-05/06A-06B
UNIVERSITE DE LOME
ECOLE NATIONALE SUPERIEURE D’INGENIEURS
(E.N.S.I)
DEPARTEMENT DE GENIE ELECTRIQUE
LES RESEAUX DE NEURONES ARTIFICIELS (RNA)

ET LES ҅ ҅ SUPPORTS VECTOR MACHINES ҆ ҆ (SVM)
POUR LA PREDICTION DE LA RESISTIVITE
ELECTRIQUE DU SOL
MEMOIRE DE FIN D’ETUDES POUR L’OBTENTION DU DIPLOME DE MASTER

PROFESSIONNEL/ INGENIEUR DE CONCEPTION EN GENIE ELECTRIQUE
Présenté et soutenu par : AHOVI Kokouvi Seyram & DJANDJA Sangué Oraléou
Jury:
Président : M. KODJO Koffi Mawugno, Maître de Conférences, Enseignant Chercheur à
l’ENSI
Directeur : M. SALAMI Adekunlé Akim, Maître de Conférences, Enseignant Chercheur à
l’ENSI
Co-Directeur : M. APALOO BARA Komla Kpomonè, Ingénieur Génie Electrique,
Enseignant Chercheur à l’ENSI.
Membre : M. GUENOUKPATI Agbassou, Ingénieur Génie Electrique, Enseignant
Chercheur à l’ENSI.
© août 2018
DEDICACES
DEDICACES
À DIEU Tout Puissant ;
à nos parents;
à nos oncles et tantes paternels comme maternels ;
à tous nos cousins et cousines ;
à tous nos camarades de promotion et à tous nos amis ;
à celles qui seront nos côtes, que l’Eternel nous donnera selon Sa Volonté ;
à tous ceux qui de près ou de loin ont contribué à l’élaboration de ce document et
tous ceux pour qui, il est une source de fierté.
Mémoire d’Ingénieur/Master Professionnel i AHOVI K.S. & DJANDJA S.O.

REMERCIEMENTS
REMERCIEMENTS
Dans le petit espace de liberté des remerciements, Nous voudrions remercier toutes les
personnes qui ont émaillé ces années de formation pour en faire des années riches en belles
rencontres. Nos remerciements vont tout d’abord au Dieu Tout Puissant qui nous a toujours
couverts de Sa Grâce, de Sa Miséricorde, et à nos parents qui ont toujours fait de leur mieux
pour assurer nos parcours.
Ensuite, Nous voudrions exprimer nos profondes gratitudes et nos sincères remerciements :
 Au Professeur BEDJA Koffi-Sa Eugène, Professeur Titulaire, Ingénieur des

Télécommunications, Directeur de l’ERSI et de la Formation Doctorale à l’ENSI-
UL, pour ses conseils et encouragements et dont la rigueur dans le travail nous a
toujours inspiré ;
 à M. AJAVON Ayité Sénah Akoda, Maître de Conférences, Ingénieur Electro-

énergéticien, Directeur de l’ENSI, pour son aide et ses conseils ;
 à M. SALAMI Adekunlé Akim, Maître de Conférences, Ingénieur Génie Electrique,

Directeur Adjoint de l’ENSI, Directeur de ce mémoire, qui, à part les tonnes de
connaissances qu’il nous a transmis durant ces années de formation, a aussi accepté
allouer un temps pour nous suivre pendant ces mois de travail;
 à M. APALOO BARA Komla Kpomonè, Ingénieur Génie-Electrique, Enseignant-

Chercheur à l’ENSI, Co-Directeur de ce mémoire, pour sa disponibilité pour
l’aboutissement de ce travail ;
 à M. KODJO Koffi Mawugno, Maître de Conférences, Ingénieur Automaticien,

Chef du Département de Génie Electrique à l’ENSI pour ses conseils;
 à M. KASSEGNE Assogba Komlan, Ingénieur Génie Mécanique, Maître de

Conférences, ancien Directeur de l’ENSI, qui nous a accueillis dans cette grande
école d’ingénieurs et qui nous a toujours encouragés ;
Mémoire d’Ingénieur/Master Professionnel ii AHOVI K.S. & DJANDJA S.O.

REMERCIEMENTS
 à M. NEGLO Kouma, PhD, Maître de Conférences, Ingénieur Génie Civil ex-

Directeur de l’ENSI, pour ses précieux conseils et ses encouragements ;
 à M. BOYODI Abayeh, Maitre-Assistant, enseignant à l’ENSI et Directeur Générale

de l’ART&P pour tous ses efforts envers nous ;
 à M. ADJAMAGBO Comlanvi, Maitre-Assistant, Ingénieur électromécanicien;

Enseignant-Chercheur à l’ENSI dont la rigueur dans le travail nous a inspiré ;
 à M. AGBOSSOU Akpé Komi, Maitre-Assistant, Enseignant-Chercheur à l’ENSI

pour tous ses conseils et ses considérations ;
 à M. BAYOR Sibiri Wourè-Nadiri, Maître-Assistant, ancien Directeur Adjoint de

l’ENSI pour sa confiance en nous et ses conseils durant notre formation ;
 à Madame PACHOUKOVA Irina, Maitre-Assistant, Ingénieur des Mines,

Enseignant-Chercheur à l’ENSI pour ses aides et conseils précieux ;
 à M. BOKOVI Yao, Maitre-Assistant, Ingénieur Génie Electrique, Enseignant-

Chercheur à l’ENSI ;
 à M. EGBEKU Kwadjo Edem, Ingénieur Electronicien, Enseignant-Chercheur à

l’ENSI, qui nous a toujours considérés comme ses Fils ;
 à M. KPOGLI Komlan, Ingénieur Electrotechnicien, Enseignant-Chercheur à

l’ENSI pour ses conseils ;
 à Tous les personnels Administratif et Technique de la Compagnie Energie

Electrique du Togo (CEET), les stages effectués au sein de votre structure ont été
d’une grande utilité pour ce travail ;
 à tous les personnels Administratif, Enseignant et Technique de l’ENSI pour leur

dévouement au bien-être de tous les étudiants de l’ENSI ;
 à tous les enseignants qui nous ont procurés du savoir durant toutes nos formations
scolaires;
Mémoire d’Ingénieur/Master Professionnel iii AHOVI K.S. & DJANDJA S.O.

REMERCIEMENTS
 à tous nos amis qui nous ont soutenus d’une manière ou d’une autre ;
 Nos remerciements vont également à tous nos camarades de promotion pour

l’ambiance créée autour de nous qui nous a permis de mieux apprendre et de prendre
plus goût aux études.
Nous voudrions que tous ceux qui, de près ou de loin, ont contribué à notre formation et à
l’aboutissement de ce travail, trouvent ici l’expression de notre profonde gratitude.
Merci ! Que Dieu vous bénisse et vous rende au centuple chacun de vos bienfaits !!!
Mémoire d’Ingénieur/Master Professionnel iv AHOVI K.S. & DJANDJA S.O.

RESUME
RESUME
La connaissance de la résistivité électrique du sol s’avère indispensable pour une meilleure
mise à la terre afin d’assurer la protection des réseaux de télécommunications et d’énergie
électrique. La littérature montre que cette résistivité varie de façon aléatoire en fonction de
plusieurs paramètres (la teneur en eau, la température, la pluviométrie…). Par conséquent,
sa valeur doit être surveillée sur une base de temps, une tâche longue et coûteuse, et donc
sa prédiction s’avère importante.
L’objectif de cette étude est l’application des Réseaux de Neurones Artificiels (RNA) et
des Supports Vectors Machines (SVM) pour la prédiction de la résistivité électrique du sol
pour des sites de l’Université de Lomé (UL) après une caractérisation des données de
résistivité recueillies sur ces sites.
Ainsi, deux modèles de chacune des deux approches (RNA et SVM) ont été développés
dans ce projet. Pour les RNA, le premier modèle est de type perceptron multicouche (MLP)
et le second est un réseau à fonction radiale de base (RBF). Pour les SVM, le premier est
à noyau linéaire et le second est à noyau gaussien. Plusieurs configurations de ces modèles
ont été développées et testées. Toutes les configurations ont été implémentées pour chacun
des modèles dans le logiciel MATLAB. Les indicateurs statistiques RRMSE (Relative Root
Mean Square Error) et R2 (Coefficient de corrélation linéaire) ont été utilisés pour évaluer
les performances des modèles. Ainsi, avec RRMSE [Min = 11,72% ; Max = 11,99%] et
𝑅2 [Min = 78,62% ; Max = 79,54%], la configuration [ABCD] du modèle MLP de
l’approche par RNA, est la plus performante; A désignant l’état de la nature le moment de
mesure (moins ensoleillé = 1 ; Très Ensoleillé= 2 ; Ensoleillé = 3 ; Nuageux = 4 ; Pluvieux
= 5 ; Partiellement couvert = 6), B l’état générale de la nature la veille du jour de
mesure(Très Ensoleillé=1 ; Ensoleillé = 2 ; Nuageux = 3 ; Pluvieux = 4 ;), C la température
ambiante et D les coordonnés géo référencées. Ce modèle peut être utilisé pour la prédiction
de la résistivité électrique du sol de ces sites.
Mots clés: caractérisation, prédiction, RNA, SVM, comparaison statistique.
Mémoire d’Ingénieur/Master Professionnel v AHOVI K.S. & DJANDJA S.O.

ABSTRACT
ABSTRACT
The knowledge of the electrical resistivity of the ground proves essential for a better
grounding in order to ensure the protection of the networks of telecommunications and
electrical energy. The literature shows that this resistivity varies randomly depending on
several parameters (water content, temperature, rainfall ...). Therefore, its value must be
monitored on a time basis, a long and expensive task, and therefore its prediction is
important.
The objective of this study is the application of Artificial Neural Networks (ANN) and
Support Vectors Machines (SVM) for the prediction of the electrical resistivity of soil for
sites of the University of Lomé (UL) after a characterization resistivity data collected on
these sites.
Thus, two models of each of the two approaches (RNA and SVM) were developed in this
project. For the RNA, the first model is of multilayer perceptron (MLP) type and the second
is a basic radial function network (RBF). For SVMs, the first is linear and the second is
Gaussian kernel. Several configurations of these models have been developed and tested.
All configurations have been implemented for each model in the MATLAB software.
Relative Root Mean Square Error (RRMSE) and R2 (Linear Correlation Coefficient) have
been used to evaluate model performance. Thus, with RRMSE [Min = 11.72%; Max =
11.99%] and R2 [Min = 78.62%; Max = 79.54%], the [ABCD] configuration of the MLP
model of the RNA approach, is the best performing; A designating the state of nature as the
measuring moment (less sunny = 1, Very Sunny = 2, Sunny = 3, Cloudy = 4, Rainy = 5,
Partially covered = 6), B the general state of nature eve of the measurement day (Very
Sunny = 1; Sunny = 2; Cloudy = 3; Rainy = 4;); C ambient temperature and D georeferenced
coordinates. This model can be used for the prediction of the electrical resistivity of the soil
of these sites.
Key words: characterization, prediction, RNA, SVM, statistical comparison.
Mémoire d’Ingénieur/Master Professionnel vi AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES
TABLE DES MATIERES

Pages
DEDICACES ........................................................................................................................ i
REMERCIEMENTS ............................................................................................................ ii
RESUME ............................................................................................................................. v
ABSTRACT ........................................................................................................................ vi
TABLE DES MATIERES ................................................................................................. vii
LISTE DES FIGURES ...................................................................................................... xii
LISTE DES TABLEAUX................................................................................................. xiv
LISTE DES ABREVIATIONS ET ACRONYMES ........................................................ xvi
INTRODUCTION GENERALE ...................................................................................... 1
CHAPITRE 1 : GENERALITES SUR LA MODELISATION D’UN SYSTEME DE
PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL ..... 4
1.1- Introduction .................................................................................................................. 5
1.2- L'électricité et le développement .................................................................................. 5
1.3- Mise à la terre pour un réseau électrique ...................................................................... 6
1.3.1- Définition d’un système de mise à la terre ............................................................. 6
1.3.2- Rôle des systèmes de mise à la terre ...................................................................... 7
1.3.2.1- Sécurité des personnes et des animaux ............................................................ 7
1.3.2.2- Protection des installations de puissance ......................................................... 7
1.3.2.3- Protection des équipements sensibles .............................................................. 8
1.3.2.4- Maintien d’un potentiel de référence ............................................................... 8
1.3.3- Différents types de prise de terre ........................................................................... 8
1.3.3.1- Systèmes simples ............................................................................................. 8
1.3.3.2- Systèmes complexes ........................................................................................ 9
1.3.4- Quelques Configurations des systèmes de mise à la terre ....................................... 9
1.3.4.1- Mise à la terre des postes .................................................................................. 9
1.3.4.2- Configurations des prises de terre des pylônes de RTE ................................... 10
Mémoire d’Ingénieur/Master Professionnel vii AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES
1.4- Environnement d’un système de mise à la terre : sol ................................................. 11

1.4.1- Résistivité électrique du sol ................................................................................. 14
1.4.2- Les facteurs influant sur la résistivité électrique du sol ...................................... 15
1.4.2.1- La salinité ....................................................................................................... 16
1.4.2.2- La porosité ..................................................................................................... 16
1.4.2.3- Le taux d’eau ................................................................................................. 17
1.4.2.4- La présence d’argile ....................................................................................... 18
1.4.2.5- La température ............................................................................................... 18
1.4.3- Les méthodes de mesure de la résistivité électrique du sol.................................. 19
1.4.4- Résistivité électrique de quelques types de sol .................................................... 22
1.5- Revue bibliographique des méthodes existantes en rapport avec la prédiction de
la résistivité électrique du sol ...................................................................................... 23
1.6- Problématique de la prédiction de la résistivité électrique du sol .............................. 24
1.7- Revue de littérature sur les systèmes de prédiction .................................................... 25
1.7.1- Processus général de prédiction : Modèle hypothèse et forme prédicteur ............ 25
1.7.2- Les Approches de modélisation d’un système de prédiction ............................... 26
1.8- Choix des méthodes de prédiction .............................................................................. 27
1.9- Les indicateurs statistiques utilisés pour l’évaluation de la performance des modèles
de prédiction................................................................................................................ 27
1.9.1- L’erreur moyenne absolue en pourcentage (MAPE) ............................................. 27
1.9.2- La racine carrée de l’erreur quadratique moyenne (RMSE) ................................. 28
1.9.3- La racine carrée de l’erreur quadratique moyenne exprimée de façon relative
(RRMSE) .............................................................................................................. 28
1.9.4- Le coefficient de corrélation (R2) ......................................................................... 29

1.10- Objectifs du travail.................................................................................................... 29
1.11- Conclusion ................................................................................................................ 30
CHAPITRE 2 : LES RESEAUX DE NEURONES ARTIFICIELS ET LES
“SUPPORTS VECTOR MACHINES“ POUR LA
MODELISATION D’UN PROCESSUS ENERGETIQUE
ELECTRIQUE .................................................................................... 31
2.1- Introduction ................................................................................................................ 32
2.2- Apprentissage automatique ou artificiel ..................................................................... 32
Mémoire d’Ingénieur/Master Professionnel viii AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES
2.2.1- Concepts et Sources de l’apprentissage automatique .......................................... 32

2.2.2- Types d'apprentissage........................................................................................... 33
2.2.2.1- L'apprentissage supervisé .............................................................................. 33
2.2.2.1.1- Classification .............................................................................................. 34
2.2.2.1.2- Régression ................................................................................................... 34
2.2.2.2- Apprentissage non-supervisé ......................................................................... 35
2.2.2.3- Apprentissage renforcé .................................................................................. 35
2.3- Les réseaux de neurones artificiels (RNA) pour la modélisation de la résistivité
électrique du sol ......................................................................................................... 35
2.3.1- Le neurone biologique et son fonctionnement .................................................... 36
2.3.2- Du neurone biologique au neurone formel .......................................................... 37
2.3.3- Propriétés des réseaux de neurones ...................................................................... 39
2.3.4- Types et Structures des RNA ............................................................................... 39
2.3.4.1- Types de RNA ............................................................................................... 40
2.3.4.1.1- Perceptron .................................................................................................. 41
2.3.4.1.2- Perceptron multicouche .............................................................................. 41
2.3.4.1.3- Réseau RBF : .............................................................................................. 42
2.3.4.2- Structure d'un réseau de neurones à couches ................................................. 42
2.3.5- Fonctions d'activation des RNA .......................................................................... 45
2.3.6- Apprentissage des RNA ....................................................................................... 45
2.3.6.1- Méthodes d'apprentissage .............................................................................. 47
2.3.6.2- L’apprentissage profond ................................................................................ 47
2.3.7- Avantages et limites des RNA ............................................................................. 48
2.3.8- Applications des réseaux de neurones.................................................................. 48
2.3.9- Modélisation de la résistivité électrique du sol par un réseau de neurones ......... 49
2.3.9.1- Modélisation avec le Multilayer Perceptron (MLP) ...................................... 49
2.3.9.2- Modélisation avec la fonction radiale de base (RBF) .................................... 50
2.4- Machines à Vecteurs de Support (SVM) pour la modélisation de la résistivité
électrique du sol ......................................................................................................... 52
2.4.1- Définition des SVM ............................................................................................. 53
2.4.2- Historique ............................................................................................................. 53
Mémoire d’Ingénieur/Master Professionnel ix AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES
2.4.3- Principe de fonctionnement.................................................................................. 54

2.4.3.1- Notion de base ............................................................................................... 55
2.4.3.1.1- Hyperplan.................................................................................................... 55
2.4.3.1.2- Vecteurs supports ........................................................................................ 55
2.4.3.2- Séparateur linéaire ......................................................................................... 56
2.4.3.3- Séparabilité .................................................................................................... 57
2.4.3.4- Marge ............................................................................................................. 57
2.4.3.5- Séparateur non linéaire .................................................................................. 59
2.4.4- Problème d’optimisation ...................................................................................... 60
2.4.5- Résolution du problème d’optimisation ............................................................... 62
2.4.6- Extension du SVM binaire au cas multi-classes .................................................. 63
2.4.6.1- Approche Un-contre-Tous ............................................................................. 64
2.4.6.2- Approche Un-contre-Un ................................................................................ 65
2.4.7- Modélisation de la résistivité électrique du sol par les supports vectors machines.
............................................................................................................................. 66
2.4.8- Avantages et inconvénients des SVM .................................................................. 67
2.5- conclusion ................................................................................................................... 68
CHAPITRE 3 : PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL
POUR LES SITES DE L’UL. .............................................................. 69
3.1- Introduction ............................................................................................................... 70
3.2- Caractérisation de la résistivité électrique du sol pour les sites de l’UL .................... 70
3.2.1- Origine des données de résistivité ....................................................................... 70
3.2.2- Caractérisation statistique des données de résistivité du sol des sites de l’UL ... 73
3.2.2.1- Quelques rappels des Statistiques et Probabilités .......................................... 73
3.2.2.1.1- Variable aléatoire ........................................................................................ 74
3.2.2.1.2- Loi normale (loi de Laplace-Gauss) ........................................................... 74
3.2.2.1.3- Histogramme ............................................................................................... 74
3.2.2.1.4- Moyenne arithmétique ................................................................................ 75
3.2.2.1.5- Médiane ...................................................................................................... 75
3.2.2.1.6- Mode ou valeur dominante ......................................................................... 75
3.2.2.1.7- Ecart-type .................................................................................................... 75
Mémoire d’Ingénieur/Master Professionnel x AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES
3.2.2.1.8- Caractéristiques de forme ........................................................................... 75

3.2.2.2- Indices statistiques des données de résistivité : Analyse et interprétation .... 76
3.2.2.2.1- Présentation des indices statistiques ........................................................... 76
3.2.2.2.2- Analyse te interprétation des indices statistiques ....................................... 81
3.3- Présentation de la procédure adoptée pour la Génération des données ..................... 84
3.4. Méthodologie d’implémentation de la résistivité électrique du sol ............................ 85
3.4.1- Méthodologie adoptée pour la modélisation de la résistivité électrique du sol ... 85
3.4.2- Présentation de l’outil de modélisation : le logiciel MATLAB ........................... 87
3.4.3- Présentation des variables d’entrées et sorties .................................................... 91
3.4.4- Les RNA pour la prédiction de la résistivité électrique ....................................... 93
3.4.4.1- Evaluations des performances des modèles ................................................... 94
3.4.4.1.1- Performances du modèle Perceptron Multicouche (MLP) ......................... 94
3.4.4.1.2- Performances du modèle Fonction à Base Radiale (RBF) ........................ 98
3.4.4.2- Bilan des meilleures performances des configurations pour les deux modèles
des RNA ...................................................................................................... 102
3.4.4.3- Meilleure modèle de RNA pour la prédiction de la résistivité électrique du
sol ................................................................................................................. 103
3.4.5- Les SVM pour la prédiction de la résistivité électrique du sol .......................... 104
3.4.5.1- Présentation des résultats des modèles SVM............................................... 105
3.4.5.2- Analyse des résultats des SVM .................................................................... 107
3.4.6. Choix du modèle de prédiction........................................................................... 108
3.5- Evaluation Financière du projet ................................................................................ 112
3.6. Conclusion ............................................................................................................... 113
CONCLUSION GENERALE ....................................................................................... 114
BIBLIOGRAPHIE ........................................................................................................... 117
Mémoire d’Ingénieur/Master Professionnel xi AHOVI K.S. & DJANDJA S.O.

LISTE DES FIGURES
LISTE DES FIGURES
Pages
CHAPITRE 1:
Figure 1.1: Systèmes de prises de terre ................................................................................ 9
Figure 1.2 : Mise à la terre d’un poste ............................................................................... 10
Figure 1.3: Prise de terre d’un pylône HTB, du type “4×3 boucles“................................. 11
Figure 1.4: Schématisation de la méthode de Wenner en sol à N couches ....................... 20
Figure 1.5: La résistance de contact entre l’électrode enfoncée dans la terre est quasi nulle
sur sa surface inférieure, alors qu’elle est très élevée sur les côtés ................ 21
CHAPITRE 2:
Figure 2.1: Schéma représentatif de la structure du neurone biologique .......................... 37
Figure 2.2: Structure d'un neurone formel ......................................................................... 38
Figure 2.3: Topologies principales des réseaux de neurones artificiels ............................ 41
Figure 2.4: Structure réseau de neurones monocouche ..................................................... 43
Figure 2.5: Réseau de neurones multicouches ................................................................... 44
Figure 2.6: Quelques types de fonction de transfert pour le neurone artificiel ................. 45
Figure 2.7: L’hyperplan H qui sépare les deux ensembles de points ............................... 55
Figure 2.8: L’hyperplan H optimal, vecteurs supports et marge maximale ...................... 56
Figure 2.9: Définition du séparateur et de la notion de marge .......................................... 58
Figure 2.10: Exemples de corpus séparé par un séparateur ............................................... 59
Figure 2.11: Classification de distribution non linéaire. .................................................... 62
Figure 2.12: Exemple de régression d’une distribution. .................................................... 63
Figure 2.13: Nuage de points à 3 classes : l’approche un contre Tous. ............................. 65
Figure 2.14: Nuage de points à 3 classes : l’approche un contre un. ................................. 66
CHAPITRE 3:
Figure 3.1: Présentation des données de résistivité des sites de l’UL .............................. 72
Figure 3.2: Présentation des données de résistivité des sites de l’UL prétraitées dans
EXCEL ............................................................................................................ 73
Figure 3.3: Ajustement de l’histogramme par la loi N pour l’état “Nuageux“ pour le site
de bloc pédagogique ....................................................................................... 82
Figure 3.4: Ajustement de l’histogramme par la loi N pour l’état “Pluvieux la veille“ pour
le site du bloc pédagogique ............................................................................. 83
Mémoire d’Ingénieur/Master Professionnel xii AHOVI K.S. & DJANDJA S.O.

LISTE DES FIGURES
Figure 3.5: Ajustement de l’histogramme par la loi N pour la température “31°C“ pour le
site du bloc pédagogique ................................................................................. 83
Figure 3.6: Méthodologie adoptée pour la prédiction de la résistivité électrique du sol ... 86
Figure 3.7: Page d’accueil de MATLAB version R2017a................................................. 88
Figure 3.8: Interface principal de la nntool de MATLAB ................................................. 89
Figure 3.9: Interface principal de la nftool de MATLAB.................................................. 90
Figure 3.10: Classification avec SVM dans MATLAB ..................................................... 91
Figure 3.11: Script pour la modélisation avec les SVM .................................................. 105
Figure 3.12: Architecture du modèle choisi dans la fenêtre nftool de MATLAB ........... 108
Figure 3.13: Architecture complète du modèle de prédiction choisi ............................... 109
Figure 3.14: MLP Config. “11” ([ABDC]) en apprentissage .......................................... 110
Figure 3.15: Corrélation entre les valeurs mesurées et prédites de la résistivité électrique
du sol ........................................................................................................... 111
Figure 3.16: Erreur de Validation du modèle MLP configuration "11" ([ABCD]) ......... 112
Mémoire d’Ingénieur/Master Professionnel xiii AHOVI K.S. & DJANDJA S.O.

LISTE DES TABLEAUX
LISTE DES TABLEAUX

Pages
CHAPITRE 1:
Tableau 1.1: Exemple de forage disponible dans la “banque des sous-sols“ ................... 13
Tableau 1.2: La résistivité de divers types de sol .............................................................. 22
CHAPITRE 2:
Tableau 2.1: Analogie entre le neurone biologique et le neurone formel. ........................ 37
Tableau 2.2: Correspondance type de RNA -Domaine d'application ................................ 49
Tableau 2.3: Principaux paramètres du modèle MLP choisi pour la modélisation de la
résistivité ....................................................................................................... 52
CHAPITRE 3:
Tableau 3.1: Caractéristiques statistiques des données de résistivité du site “BP1“ ........ 77
Tableau 3.2: Caractéristiques statistiques des données de résistivité du site “BP2“ ......... 77
Tableau 3.3: Caractéristiques statistiques des données de résistivité du site “BP3“ ......... 78
Tableau 3.4: Caractéristiques statistiques des données de résistivité du site “CN1“ ........ 78
Tableau 3.7: Caractéristiques statistiques des données de résistivité du site “CO1“ ........ 80
Tableau 3.10: Liste des variables explicatives, leur explication mathématique et leur
codification ................................................................................................. 92
Tableau 3.11: Liste des Configurations possibles ............................................................. 93
Tableau 3.12: Performances du modèle MLP- configuration “1“ ([AB]) ......................... 95
Tableau 3.13: Performances du modèle MLP- configuration “2“ ([AC]) ......................... 95
Tableau 3.14: Performances du modèle MLP- configuration “3“ ([AD]) ......................... 95
Tableau 3.15: Performances du modèle MLP- configuration “4“ ([BC]) ......................... 96
Tableau 3.16: Performances du modèle MLP- configuration “5“ ([BD]) ......................... 96
Tableau 3.17: Performances du modèle MLP- configuration “6“ ([CD]) ......................... 96
Tableau 3.18: Performances du modèle MLP- configuration “7“ ([ABC]) ...................... 97
Tableau 3.19: Performances du modèle MLP- configuration “8“ ([ABD]) ...................... 97
Tableau 3.20: Performances du modèle MLP- configuration “9“ ([ACD]) ...................... 97
Tableau 3.21: Performances du modèle MLP- configuration “10“ ([BCD]) .................... 98
Mémoire d’Ingénieur/Master Professionnel xiv AHOVI K.S. & DJANDJA S.O.

LISTE DES TABLEAUX
Tableau 3.22: Performances du modèle MLP- configuration “11“ ([ABCD]) ................. 98

Tableau 3.23: Performances du modèle RBF- configuration “1“ ([AB]) .......................... 99
Tableau 3.24: Performances du modèle RBF- configuration “2“ ([AC]) .......................... 99
Tableau 3.25: Performances du modèle RBF- configuration “3“ ([AD]) ......................... 99
Tableau 3.26: Performances du modèle RBF- configuration “4“ ([BC]) ........................ 100
Tableau 3.27: Performances du modèle RBF- configuration “5“ ([BD]) ........................ 100
Tableau 3.28: Performances du modèle RBF- configuration “6“ ([CD]) ........................ 100
Tableau 3.29: Performances du modèle RBF- configuration “7“ ([ABC]) ..................... 101
Tableau 3.30: Performances du modèle RBF- configuration “8“ ([ABD]) ..................... 101
Tableau 3.31: Performances du modèle RBF- configuration “9“ ([ACD]) ..................... 101
Tableau 3.32: Performances du modèle RBF- configuration “10“ ([BCD]) ................... 102
Tableau 3.33: Performances du modèle RBF- configuration “11“ ([ABCD]) ................ 102
Tableau 3.34: bilan des meilleures performances de toutes les configurations ............... 103
Tableau 3.35: Bilan des meilleures performances des modèles de RNA ........................ 103
Tableau 3.36: Performances SVM de la configuration “1“ ([AB]) ................................. 105
Tableau 3.37: Performances SVM de la configuration “2“ ([AC]) ................................. 106
Tableau 3.38: Performances SVM de la configuration “3“ ([AD]) ................................. 106
Tableau 3.39: Performances SVM de la configuration “4“ ([BC]) ................................. 106
Tableau 3.40: Performances SVM de la configuration “5“ ([BD]) ................................. 106
Tableau 3.41: Performances SVM de la configuration “6“ ([CD]) ................................. 106
Tableau 3.42: Performances SVM de la configuration “7“ ([ABC]) .............................. 106
Tableau 3.43: Performances SVM de la configuration “8“ ([ABD]) .............................. 107
Tableau 3.44: Performances SVM de la configuration “9“ ([ACD]) .............................. 107
Tableau 3.45: Performances SVM de la configuration “10“ ([BCD]) ............................ 107
Tableau 3.46: Performances SVM de la configuration “11“ ([ABCD]) ......................... 107
Tableau 3.47: Evaluation financière partielle .................................................................. 113
Tableau 3.48: Coût total du projet ................................................................................... 113
Mémoire d’Ingénieur/Master Professionnel xv AHOVI K.S. & DJANDJA S.O.

LISTE DES ABREVIATIONS ET ACRONYMES
Σ : opérateur de sommation
 : opérateur de produit scalaire
∆ : opérateur de différenciation
𝜌 : la résistivité électrique du sol
Σ : la conductivité électrique du sol
A : l’écartement entre les électrodes de Wenner
F : fonction ou modèle d’apprentissage
K : fonction noyau
W : poids synaptique
xi : les entrées du réseau de neurones
Ok : sortie du kième nœud de la couche de sortie ;
{u(t)} : séquences d’entrées du processus général de prédiction

{yp(t)} : séquences de sortie du processus général de prédiction
SCG : gradient de conjugué à l'échelle
CaCO3 : carbonate de calcium
GRNN : Régression Généralisée de Réseau Neuronal
CN : Campus Numérique
CO : Institut conficius
BP : Bloc Pédagogique
N : Loi Normale de Gauss
CPU : Central processing unit
HTB : Haute tension de type B
BTP : Bâtiments et Travaux Publics
RNA : Réseaux de Neurones Artificiels
SVM : Support Vector Machine
ANN : Artificial Neural Network
Mémoire d’Ingénieur/Master Professionnel xvi AHOVI K.S. & DJANDJA S.O.

RBF : Radial Basis Function

MLP : Multilayer Perceptron
MNIST : Modifed National Institute of Standards and Technology
BRGM : Bureau de Recherches Géologiques et Minières
RTE : Réseau de Transport d’Electricité
SMO : Optimisation Séquentielle Minimale
TTC : Toutes Taxes Comprises
TVA : Taxe sur la Valeur Ajoutée
UL : Université de Lomé
Temp : Température ambiante
Mémoire d’Ingénieur/Master Professionnel xvii AHOVI K.S. & DJANDJA S.O.

Introduction générale
INTRODUCTION GENERALE
L’énergie électrique apparait de nos jours comme le facteur protagoniste pour le

développement socio-économique d’une nation. Les dirigeants se donnent alors comme
devoir de protéger les réseaux électriques afin de pouvoir répondre aux besoins sans cesse
croissante de la population. L’un des facteurs de qualité de cette protection est le système
de mise à la terre.
La mise à la terre joue un rôle important dans les réseaux de télécommunications et de

distribution d’énergie électrique pour l'exploitation en toute sécurité de toute installation.
C'est une partie essentielle du système de protection des installations électriques et des
systèmes d'alimentation contre la foudre et les courants de défaut. Ainsi, un système de
mise à la terre, correctement conçu, est capable de dissiper de grands courants à la terre
sans danger, quel que soit le type de défaut.
Un système de mise à la terre pour être efficace, doit avoir une résistance au sol qui doit
être maintenu à des niveaux bas pendant toute l'année [46], [62]. Cependant, la plupart des
cas d'installations électriques sont caractérisées soit par le manque d'espace pour
l'installation des systèmes de mise à la terre, ou le coût énorme qui souvent peut-être
prohibitif pour la construction. Le type de sol doit être pris en compte sérieusement dans la
conception d'un tel système à cause de, soit sa résistivité élevée, ou son environnement
particulièrement corrosif.
Nous retenons donc que l’un des principaux paramètres du sol pour la mise à la terre
électrique est sa résistivité. Celle-ci varie en fonction de plusieurs variables de façon
aléatoire à savoir : la composition chimique du sol, sa granulométrie, sa teneur en eau, la
nature de l’environnement et la température du sol... Comme tous ces paramètres listés
varient tout au long de l'année, le système de mise à la terre ne peut pas être caractérisé par
une seule valeur de la résistivité du sol. Par conséquent, ces valeurs doivent être surveillées
sur une base annuelle, une tâche longue et coûteuse. Ainsi une méthode adéquate pour la
modélisation de la résistivité du sol s’avère indispensable et c’est dans l’optique de
répondre à cette indispensabilité tout en aboutissant à une conclusion la plus optimale
Mémoire d’Ingénieur/Master Professionnel 2 AHOVI K.S. & DJANDJA S.O

possible en termes d’erreur-qualité-coût que, dans le cadre de notre mémoire de fin d’étude
en vue de l’obtention du diplôme de Master Professionnel/Ingénieur de conception en génie
électrique, nous avons opté pour faire une étude analytique suivie d’une modélisation dont
le thème s’intitule : « LES RESEAUX DE NEURONES ARTIFICIELS (RNA) ET LES
“ SUPPORTS VECTOR MACHINES ’’ (SVM) POUR LA PREDICTION DE LA
RESISTIVITE ELECTRIQUE DU SOL».
L'objectif de ce mémoire est la caractérisation et la modélisation du comportement de la

résistivité électrique du sol en fonction des variables précitées en utilisant les techniques
des RNA et des SVM. L'ensemble des entraînements pour les deux techniques est basé sur
des données de mesures sur le terrain de la résistivité du sol de neuf (09) points au sein de
l’université de Lomé. Ce travail vise à développer un outil utile pour les ingénieurs et les
concepteurs de systèmes électriques pour estimer et prédire les valeurs de résistivité
électrique du sol.
Afin de mener à bien notre projet, nous allons structurer notre travail en trois chapitres
passant par une introduction générale et une conclusion générale et des perspectives.
Le premier chapitre présentera, non seulement les enjeux de la prédiction de la résistivité

électrique du sol, mais aussi et surtout une revue de littérature sur la modélisation d’un
système de prédiction de la résistivité électrique du sol.
Le deuxième chapitre exposera de manière détaillée les techniques de modélisation retenues

pour la prédiction dans ce projet ; celles basées sur les RNA et les SVM.
Le troisième et dernier chapitre est consacré à l’application des approches par RNA et SVM
pour la prédiction de la résistivité électrique des sols du Togo. Une analyse des
performances des différents modèles et des résultats sera faite.

Chapitre 1 : Généralités sur la modélisation d’un
système de prédiction de la résistivité électrique du
sol
PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL
1.1- Introduction
Dans le monde actuel où l’Energie électrique est le moteur principal du développement

économique, la maitrise de la résistivité électrique du sol devient de plus en plus un des
secteurs clés des fournisseurs d’énergie électrique puisqu’elle est à la base de la mise en
place d’un système de prise de terre en vue d’assurer la protection des matériels et des
personnes. Dans ce chapitre, il s’agira d’exposer les enjeux de la prédiction de la résistivité
électrique du sol notamment la nécessité d’avoir en temps réel la valeur de la résistivité
électrique sans passer forcement par sa mesure, de faire une revue de littérature complète
sur la modélisation des systèmes de prédiction, d’exposer les travaux ayant trait avec
l’estimation de la résistivité électrique du sol et enfin d’exposer les critères d’évaluation
des performances des modèles de prédiction.
1.2- L'électricité et le développement
L’importance économique de l’énergie électrique se manifeste à tous les niveaux des

exploitations, des secteurs d’activités et de l’économie tout entière. La notion de « potentiel
d’économie d’énergie », expression à la mode, fait l’objet d’une discussion serrée. Les
statistiques montrent une évidente dépendance entre la mise en œuvre d’énergie électrique
et la croissance économique. On conclut donc qu’engager l’énergie à bon escient, constitue,
à tout point de vue, un investissement de bon rapport.
L'invention du moteur électrique et de l'alternateur permet le développement de l'électricité

produite à partir du charbon dans des centrales électriques. L'électricité, c'est
l’individualisation des postes de travail, la possibilité d'avoir des ascenseurs et donc des
gratte-ciel. C'est aussi l'éclairage facile, le téléphone, la projection cinématographique, mais
aussi avec la propagation des ondes électromagnétiques l'essor de la radio et de la télévision.
L’énergie et l’économie sont depuis toujours étroitement liées. Sans les fonctions primaires
de l’énergie, l’industrie n’existerait pas. Un survol de l’histoire met ces liens en évidence.

Les interactions entre la consommation d’énergie et le développement économique

ressortent clairement des statistiques énergétiques, même si celles-ci demeurent encore très
incomplètes.
Il va de soi donc que l’énergie électrique est un facteur primordial du développement. Les
pays en voie de développement, souvent situés dans les régions tropicales, ont encore à ce
jour un déficit en taux d’électrification et, en plus, les réseaux électriques existants
connaissent de nombreuses perturbations, dues notamment aux problèmes de mise à la terre
[15].
1.3- Mise à la terre pour un réseau électrique
Nous présentons ici ce que nous entendons désigner par l’expression « système de mise à
la terre » et son rôle. Certains points de présence des mises à la terre dans le processus
électrique seront présentés. Nous nous intéresserons aussi aux types de mise à la terre.
1.3.1- Définition d’un système de mise à la terre
Un système de mise à la terre est défini comme une connexion conductrice intentionnelle
ou non intentionnelle entre un circuit électrique ou un équipement doté d’une terre et un
corps conducteur servant de terre. Il constitue en outre un moyen de dérivation efficace des
courants de défaut, des coups de foudre, des décharges électriques, des perturbations
électromagnétiques et des interférences hautes fréquence [46]. Une mise à la terre est
caractérisée par sa résistance ou son impédance.
Pour une installation ou une structure de faible étendue, on emploie l’expression « prise de
terre », en réservant celle de « réseau de terre » aux installations importantes telles que
celles des postes.
A la fréquence industrielle, l’étude du comportement d’un réseau de terre nécessite

l’analyse préalable de la répartition du potentiel dans le sol qui l’entoure. Cette répartition
est fonction des caractéristiques électriques du terrain, c’est-à-dire de sa résistivité, des

caractéristiques géométriques du réseau de terre et de la source. La conception d’un réseau

de terre doit donc être précédée d’une étude géologique du sol [62].
1.3.2- Rôle des systèmes de mise à la terre
Le rôle d’une mise à la terre d’une installation électrique [20] est de permettre l’écoulement
rapide à l’intérieur du sol les courants de défaut de toute origine, qu’il s’agisse, par exemple,
des causes dû aux surtensions ou encore d’autres défauts à 50 Hz.
Lors de l’écoulement de tels courants par une prise ou un réseau de terre, des différences
de potentiel peuvent apparaître entre certains points ou entre deux masses métalliques, par
exemple entre la prise de terre et le sol qui l’entoure, ou entre deux points de sol. Les
schémas de liaison à la terre seront abordés sous l’aspect de leurs relations avec les réseaux
de terre. La conception des prises et des réseaux de terre doit permettre, même dans ces
conditions [36], d’assurer :
 la sécurité des personnes et des animaux ;
 la protection des installations de puissance ;
 la protection des équipements sensibles ;
 le maintien d’un potentiel de référence.
1.3.2.1- Sécurité des personnes et des animaux
Lors de l’écoulement dans le sol de courants élevés, la sécurité doit être assurée à l’intérieur
de l’installation électrique et à ses bords immédiats par une limitation de la tension de pas
et de la tension de toucher à des valeurs non dangereuses pour l’homme ou les animaux.
Cette limitation, obtenue grâce à la connaissance et au contrôle de la répartition idéale dont
on doit chercher à se rapprocher, est l’équipotentialité de l’ensemble des prises de terre.
1.3.2.2- Protection des installations de puissance
Le réseau de terre des installations électriques, la prise de terre des supports de lignes,
limitent les effets des surtensions provoquées par :
 les défauts à 50 Hz ;
 les manœuvres d’appareillages dans les postes ;

 les surtensions d’origine atmosphérique.

Cette limitation est d’autant plus efficace que ces prises de terre facilitent l’écoulement du
courant dans le sol, c’est-à-dire qu’ils présentent une impédance de terre faible, aussi bien
pour les phénomènes lents (défauts à 50 Hz) que pour les phénomènes rapides tels que ceux
engendrés par la foudre et par les manœuvres des disjoncteurs.
1.3.2.3- Protection des équipements sensibles
Dans les postes, à proximité des installations de puissance, on trouve des équipements
fonctionnant à des niveaux de tension beaucoup plus faibles, équipements électroniques ou
électromécaniques. Ces équipements sont également exposés aux effets liés par couplage
galvanique, inductif, capacitif ou plus généralement, électromagnétique.
1.3.2.4- Maintien d’un potentiel de référence
Les différents équipements placés dans une même installation doivent, lorsqu’ils sont reliés
électriquement, rester fixes à un potentiel identique même pendant la durée des
perturbations mentionnées plus haut.
1.3.3- Différents types de prise de terre
Il y’a deux types de systèmes de prise de terre [33], les systèmes simples et les systèmes
complexes.
1.3.3.1- Systèmes simples
Ils sont constitués, comme montré sur la figure 1.1 (a) de piquets ou tubes métalliques
verticaux, rubans ou câbles enfoncés dans le sol à une profondeur supérieure à 1m, et
couramment de 3 à 30 m ou plus. Les terres individuelles représentent le type de mise à la
terre le plus utilisé.

1.3.3.2- Systèmes complexes
Ils se composent de prises de terre multiples reliées entre elles, de systèmes maillés ou de
réseau de grilles placée horizontalement à faible profondeur, comme présenté sur la figure
1.1 (b).
La figure 1.1 présente les systèmes de mises à la terre.
a) système simple b) système complexe
Figure 1.1: Systèmes de prises de terre [33].
1.3.4- Quelques Configurations des systèmes de mise à la terre
La configuration d’un système de mise à la terre dépend de la nature de la structure connectée,

de l’environnement, et des performances recherchées. Nous nous intéresserons ici aux prises
de terre des pylônes et des postes de transformation qui composent le réseau de transport.
1.3.4.1- Mise à la terre des postes
La mise à la terre des postes de transformation est cruciale, tout d’abord parce qu’ils
constituent chacun un point clé du réseau sur lequel les incidents doivent rester exceptionnels,
et ensuite parce qu’ils sont munis d’équipements onéreux et fréquentés par des opérateurs dont
il faut assurer la sécurité.

Une mise à la terre de poste classique est constituée d’une grille dont les dimensions (L et H
sur la figure 1.2) approchent la centaine de mètres et dont le maillage est resserré autour des
installations, [32].
De nombreux éléments du poste sont connectés à la grille de mise à la terre (portiques,

transformateurs, bâtiments …). Par exemple, sur la Figure 1.2 , le poste dispose de N points
de connexion avec le reste du réseau. Cette configuration de type ‘grille’ permet de limiter
les tensions de pas (liées au gradient de potentiel au sol), en maîtrisant la décroissance de
potentiel autour de la structure (en 50Hz) et d’obtenir une valeur de résistance de terre R50Hz
inférieure à 1 Ω, [32].
Figure 1.2 : Mise à la terre d’un poste [7]
1.3.4.2- Configurations des prises de terre des pylônes de RTE
La prise de terre d’un pylône est dimensionnée en fonction du type de ses fondations et de la
valeur de la résistivité du sol, pour obtenir une résistance de terre R50Hz inférieure à 10 Ω pour
les niveaux de tension HTB 225/400 kV et 63/90 kV.

Ces valeurs ont été choisies de manière à limiter le nombre de défaillances des ouvrages HT
par amorçage en retour à un niveau globalement acceptable sur le réseau, [32] et à permettre
un fonctionnement correct des protections de distance (détection des défauts).
La figure 1.3 présente la configuration la plus fréquemment utilisée pour les pylônes
tétrapodes du réseau HTB français (la mise à la terre est réalisée à chaque pied à l’aide de
conducteurs disposés en boucles à la périphérie du béton des fondations).
En pratique, la résistivité du sol est mesurée avant la mise en place des pylônes. Si sa valeur
est trop élevée pour permettre d’obtenir avec les boucles une résistance de terre inférieure à
10 Ω, la prise de terre est complétée par des conducteurs enterrés horizontalement (antennes)
ou verticalement (pieux), [32].
a) emplacement des boucles vu de dessus b) détail pour le pied 1

Figure 1.3: Prise de terre d’un pylône HTB, du type “4×3 boucles“ [32].
1.4- Environnement d’un système de mise à la terre : sol
Le comportement d’un système de mise à la terre dépend beaucoup des caractéristiques

électriques de son environnement immédiat, c’est-à-dire du sol, [32].
Le sol c’est une interface entre la lithosphère et l’atmosphère. C’est le produit de la

désagrégation physique d’un substrat en minéraux hérités et de l’altération chimique de ces

derniers sous l’effet de l’eau et de la matière organique plus ou moins transformée,

stabilisée dans les couches supérieures du solum, [4].
Ainsi, un sol se décompose en 3 phases :
 minérale (fragments de roches, débris coquilliers,…) ;

 aqueuse ou gazeuse (atmosphère du sol) ;
 organique (débris végétaux plus ou moins décomposés).
Présent sur toute la surface des terres émergées (à différents niveaux d’évolution), le sol est
le support de toutes les activités humaines mais est aussi un support fondamental pour
l’expression d’une partie du vivant. C’est un important réservoir énergétique pour les
végétaux autotrophes qui y trouvent la source nécessaire pour se développer. C’est donc
une ressource non renouvelable à l’échelle humaine qu’il faut absolument protéger.
Un sol contenant de l'argile sera influencé par la teneur en eau, c'est une question centrale
en géotechnique.
Pour les professionnels (agriculteurs, gestionnaires des espaces naturels, forestiers,

agronomes, BTP, etc…) de multiples raisons peuvent justifier d’analyser le sol et il existe
donc plusieurs niveaux d’études :
 l’agriculteur voudra savoir s’il peut faire pousser telle ou telle variété de blé, s’il
doit labourer ou plutôt faire du semis direct, s’il peut rentrer dans sa parcelle dès
février ;
 le gestionnaire d’espaces naturels voudra comprendre pourquoi sur un
substratum supposé carbonaté il y a des groupements végétaux acidiphiles et qu’on
ne retrouve que telle plante sur des sols bien précis ;
 le BTP voudra connaitre précisément la structure et la texture du sol sur lequel il va
travailler pour savoir quel type d’infrastructure il va pouvoir mettre en place et quel
matériel utiliser.
Ainsi, chaque corps de métier aura un besoin différent lors de l’analyse du sol avec un
niveau de précision différent.

La nature des sols est très variée. Pour connaître précisément de façon locale la topologie
d’un terrain et la nature des différentes couches, on effectue des forages. Pour certains pays
comme la France, il existe une base de données ‘banque des sous-sols’, du BRGM [32] qui
regroupe un nombre important de résultats de forage, dont un exemple est donné dans le
tableau 1.1.
Tableau 1.1: Exemple de forage disponible dans la “banque des sous-sols“ [32]
Ces données ne sont valides que très localement (la nature du sol dépend beaucoup de la
position géographique) et sont en pratique difficilement exploitables dans le domaine qui
nous intéresse. De plus, pour des raisons financières, il n’est pas raisonnable d’envisager
de réaliser un forage avant chaque installation ou réhabilitation d’un ouvrage. Pour le
dimensionnement d’un système de mise à la terre, on se contente donc en pratique de
mesurer localement les paramètres électriques du sol.
Parlant de texture du sol, elle est définie par la grosseur des particules qui le composent
(graviers, sable, limon, argile).
Les particules d'un sol sableux sont relativement espacées, ce qui permet à l'eau de s'écouler
rapidement. Les sols sableux ont une structure instable, ce qui les rend très sensibles à
l'érosion éolienne, de plus comme l’eau s’écoule rapidement, ils sèchent rapidement ce qui
favorise l’érosion aérienne.

Bien que tous les sols soient sujets à une éventuelle érosion par l'eau, le limon, le loam
limoneux et le loam sont les plus menacés. Sur les pentes longues ou abruptes, l'érosion par
l'eau s'intensifie et le ruissellement peut atteindre une vitesse impressionnante.
Les sols renfermant une forte proportion d'argile sont propices à l'agriculture en zone aride.
La structure superficielle des sols argileux peut se dégrader, formant une croûte.
L'encroûtement limite l'infiltration et accroît le ruissellement. Un sol argileux mouillé a
tendance à se compacter, ce qui favorise également le ruissellement. Les sols argileux
peuvent également être très sensibles à l'érosion éolienne. La sécheresse peut causer la
pulvérisation de la couche superficielle des argiles lourdes, au point de réduire les mottes
en particules de la taille de gros grains de sable, très sensibles à l'érosion éolienne. Le
compactage du sol, qui touche surtout les sols argileux, est dû au passage de véhicules
lourds ou à une circulation fréquente au même endroit. Le compactage peut avoir des effets
néfastes sur le drainage, [45].
Comme pour tout milieu conducteur, la conduction électrique dans le sol dépend fortement
de la capacité de ce dernier de conduire le courant électrique. Cette capacité se traduit par
trois paramètres électromagnétiques macroscopiques, [45], qui sont la résistivité électrique,
la permittivité électrique et la perméabilité magnétique.
Dans ce mémoire, nous supposons que la permittivité électrique relative et la perméabilité

magnétique relative sont égales à 1. Autrement dit, nous supposons que, par rapport à la
résistivité électrique, la permittivité et la perméabilité ont un effet de deuxième ordre sur
les calculs que nous présentons, et qui pour cela peut être négligé [13].
1.4.1- Résistivité électrique du sol
D’après Wikipédia, La résistivité d'un matériau, généralement symbolisée par la lettre

grecque rho (ρ), représente sa capacité à s'opposer à la circulation du courant électrique.
Elle correspond à la résistance d'un tronçon de matériau de 1 m de longueur et de 1 m2 de
section et est exprimée en ohm-mètre (Ω·m). En général, la relation (1.1) donne
l’expression de la résistance en fonction de la résistivité pour un matériau.

l
R (1.1)
S
Où :
 R est la résistance ;
 ρ la résistivité ;
 S la section du matériau.
La résistivité électrique (ρ) est un paramètre bien connu de la communauté scientifique

géophysique. Elle représente la capacité du sol à s’opposer au passage d’un courant injecté.
En Science du Sol, les principaux avantages de la résistivité électrique reposent sur sa forte
sensibilité aux faibles variations électriques de subsurface, sa rapidité d’acquisition de
mesures et son caractère non destructif, [9]. Elle est l'un des facteurs qui déterminent la
résistance de toute électrode de terre et a également une importante relation avec les
problèmes d'interférence entre les lignes électriques et les circuits de télécommunication.
Elle est également importante en elle-même car les études de résistivité et la manière dont
elle varie peuvent fournir des informations utiles sur la nature du sous-sol et la présence
d'objets enfouis.
La résistivité du sol est localement déterminée par la capacité du matériau qui le compose
à conduire le courant électrique. La circulation des électrons se fait principalement par
conduction électrolytique, et donc ce n’est pas la terre elle-même qui conduit le courant
mais bien les ions dissous dans l’eau présente dans les espaces interstitiels. Comme dit, la
résistivité est normalement notée ρ, et son inverse, la conductivité, est généralement notée
σ, [45].
1.4.2- Les facteurs influant sur la résistivité électrique du sol
De nombreux travaux ont montré la forte dépendance entre la mesure de résistivité du sol
et différentes variables intrinsèques des sols aussi bien physiques que chimiques. Si
l’humidité, la salinité et la saturation sont considérées comme les principales sources

d’influence pour certains auteurs, d’autres montrent de fortes corrélations avec la texture,
la structure, la teneur en CaCO3 ou encore la profondeur et le type de substrat, [9].
La résistivité électrique du sol dépend soit d’une variable intrinsèque si elle est
prédominante dans le milieu prospecté, soit d’un groupe de variables au sein duquel des
interactions très complexes existent. Ces paramètres qui influent sur les caractéristiques du
sol, ont tous la particularité d’interférer sur le mode de conductivité électrolytique du
courant.
De ce fait, plusieurs paramètres jouent un rôle important dans la détermination de la valeur

de la résistivité électrique du sol. Quelques-uns sont inhérents aux matériaux qui composent
le sol, alors que d’autres dépendent des facteurs extérieurs, pouvant même changer au long
des journées ou des saisons, [48]. Ci-dessous, nous exposons les principaux facteurs qui,
selon la littérature, font varier la résistivité électrique du sol.
1.4.2.1- La salinité
Comme le montre [13], la conduction électrique dans le sol se fait par l’intermédiaire des
ions dissous dans l’eau qui y est présente. Cette dernière est, à son tour, stockée dans des
interstices présentent dans les matériaux qui composent le sol. Les ions dissous dans l’eau
proviennent de la dissociation des minéraux qui y sont présents. Plus il y a de minéraux
dissous, plus il y a d’ions présents dans les interstices des matériaux et donc plus faible sera
la valeur de la résistivité de terre, [29].
1.4.2.2- La porosité
Le degré de porosité d’un matériau mesure le pourcentage du volume de vide par rapport
au volume total d’un échantillon donné. Le volume de vide est défini comme étant le
volume des espaces occupés par de l’air ou de l’eau. Une plus grande porosité permet de
stocker potentiellement une plus grande quantité d’eau dans le matériau. Par conséquent, il
y aura, en gardant une concentration ionique constante, une plus grande quantité d’ions
dissous. L’effet est alors une conductivité du sol plus élevée.

1.4.2.3- Le taux d’eau
Le taux d’eau s’exprime comme étant le volume occupé par l’eau par rapport au volume
total des vides du matériau. Plus il y a de l’eau dans le matériau, plus il y a un support pour
le mouvement ionique et donc plus grande sera sa conductivité. Des études ont été réalisées
dans le but d’associer le taux d’eau aux paramètres électriques macroscopiques, comme par
exemple les travaux de Tabbagh et al., [50].
En appui de ces concepts, il a été développée en 1942 par Archie, [3], une loi empirique
qui met en relation la résistivité électrique d’un matériau avec sa porosité, la résistivité
électrique de l’eau interstitielle et le taux d’eau dans les pores, qui est donnée par la relation
(1.2).
 eau a  m
 (1.2)
S wn
où :
  eau est la résistivité moyenne de l’eau interstitielle (en prenant en compte l’effet de
la dissolution ionique);
  est la porosité du matériau ;

 Sw est le taux d’eau dans les pores (autrement dit, le degré de saturation des pores).
a, m et n : des constantes déterminées empiriquement telles que : 0,5 ≤ a ≤ 2,5 ;
1,3 ≤ m ≤ 2,5 et n ≈ 2, [41].
Cette loi permet de connaitre l’évolution de la résistivité de sol au cours du temps en
fonction de la variation de plusieurs paramètres locaux. Cependant, cette formule n’est pas
adaptée au calcul de la résistivité de sol pour des grands terrains, spécialement dans des
régions où nous avons peu de connaissance sur la constitution du sol en profondeur.

1.4.2.4- La présence d’argile
L’argile est un matériau colloïdal très particulier. Elle se présente sous la forme de cristaux
de taille micrométrique, les colloïdes. Chaque cristal est constitué par un empilement de
quelques dizaines ou bien quelques centaines de feuillets. La composition de ces feuillets
est multiple, cela dépend surtout des caractéristiques géologiques du milieu. Ils sont, pour
la plupart, composés de silicium et d’aluminium, mais peuvent aussi contenir, entre autres,
du fer, du magnésium, du calcium, du manganèse et du titane, [54].
La surface des feuillets qui composent l’argile est généralement chargée négativement.
Cette structure présente des imperfections naturelles, et donc des ions sont susceptibles
d’être adsorbés sur les faces des feuillets de l’argile. Lorsque l’argile se retrouve en
présence d’eau, la conduction est donc fortement facilitée par des échanges ioniques entre
l’eau et la surface des colloïdes. Pour un matériau quelconque, la présence d’argile
augmente sa conductivité électrique.
1.4.2.5- La température
Pour des températures au-dessus du point de congélation de l’eau, une diminution de la

température augmente la viscosité de l’eau. Cela induit une diminution de la mobilité des
ions qui y sont dissous, ce qui engendre une diminution de la conductivité. Si la température
passe en-dessous du point de congélation de l’eau, nous avons deux cas de figure :
 l’eau est très pauvre en minéral, et donc elle est pratiquement congelée. La
conductivité du milieu devient presque nulle;
 l’eau est minéralisée, et donc bien que la température soit passée en-dessous de la
température de fusion, ce n’est pas toute l’eau qui passe en phase solide.
Cela a pour conséquence une forte diminution de la porosité effective du sol, ce qui
engendre une baisse très importante de la conductivité.

On peut alors distinguer parmi les paramètres de terre ceux qui contribuent à l’augmentation
de la conductivité du sol (salinité, porosité, température, taux d’eau) de ceux qui
augmentent sa résistivité (viscosité de l’eau, présence de gel).
1.4.3- Les méthodes de mesure de la résistivité électrique du sol
En ce qui concerne les mesures de résistivité du sol, la littérature fait apparaitre deux types
de méthodes : celles pour lesquelles il est nécessaire de creuser le sol et celles où les mesures
s’effectuent depuis sa surface, [45].
Les méthodes où il est nécessaire de creuser le sol sont en général plus difficiles et plus
couteuses à mettre en œuvre. On effectue, par exemple, un carottage, ce qui permet
d’extraire un échantillon du sol en profondeur. Cet échantillon est alors envoyé en
laboratoire pour que ses caractéristiques soient analysées. Cependant, creuser le sol
interfère avec sa composition et donc change sa résistivité. De même, l’échantillon extrait
du sol ne conserve pas toutes ses propriétés après qu’il soit retiré du sol, ce qui fausse les
analyses, [34]. Pour caractériser le sol dans la globalité, en prenant en compte aussi les
solutions dissoutes et non pas seulement le solide qui le compose, il est essentiel de réaliser
des méthodes non invasives, et donc des méthodes de surface.
Dans la classe des méthodes de surface, les plus utilisées sont la méthode de Wenner et la
méthode de Schlumberger, [47]. Ce sont deux méthodes similaires et qui peuvent être
exploitées séparément ou bien en complémentarité l’une de l’autre.
Dans le cadre de notre travail, nous avons opté pour l’utilisation des résultats obtenus par
la méthode de Wenner au détriment de la méthode de Schlumberger. Nous l’avons fait pour
une question de simplicité puisque pour les deux (02) méthodes, les résultats sont presque
les mêmes.
La méthode de Wenner est l’une des méthodes les plus courantes pour mesurer la résistivité
du sol. C’est une méthode qui combine simplicité de mesure et précision des résultats, [58].

La méthode de Wenner consiste à disposer 4 électrodes de terre équidistantes et réparties

le long d’une ligne. Les électrodes situées aux extrémités sont reliées à une source de
tension. Pour éviter des effets de polarisation du sol, il est nécessaire d’utiliser un courant
alternatif. De même, pour éviter des couplages avec des courants vagabonds, on utilise une
fréquence qui n’est pas multiple de la fréquence de l’alimentation ferroviaire et du réseau
d’énergie. Les deux électrodes situées au centre sont, à leur tour, reliées à un multimètre
pour mesurer la différence de potentiel.
Un schéma de la disposition des électrodes est présenté sur la figure 1.4 pour un sol à N
couches. Pour illustrer le parcours du courant dans le sol, des lignes de courant, en noir, et
des équipotentielles, en couleurs, ont été ajoutées sur l’image.
Pour les construire, le sol a été considéré homogène, et donc ρ1 = ρ2 = ... = ρN.
Figure 1.4: Schématisation de la méthode de Wenner en sol à N couches [58].
La profondeur de pénétration du courant électrique dans le sol dépend de la distance entre

les électrodes. Plus elles sont éloignées, plus le courant pénètre profondément dans le sol.
De ce fait, pour connaitre le profil de résistivité du sol, il est nécessaire de répéter la
méthode de Wenner pour plusieurs distances a entre les électrodes.

On suppose que l’injection de courant par les électrodes de Wenner se fait de façon
ponctuelle. Cette approximation est justifiée par le fait que, lorsque que l’on enterre
l’électrode dans le sol, on compacte le sol qui est en contact direct avec sa base (partie
inférieure), [45]. La résistance de contact y est alors quasi nulle, alors qu’elle est très élevée
sur les côtés de l’électrode à cause d’un espace vide laissé lors de l’enfoncement de
l’électrode dans le sol, [45]. Sur la figure 1.5, on peut voir comment le sol est modifié par
la présence de l’électrode.
Figure 1.5: La résistance de contact entre l’électrode enfoncée dans la terre est quasi nulle sur sa
surface inférieure, alors qu’elle est très élevée sur les côtés [45].
On peut déterminer une relation entre le potentiel mesuré, le courant injecté et la résistivité
du sol. La différence de potentiel mesurée entre les deux électrodes centrales de Wenner
est exprimée par la relation (1.3) :
 I  ( I )  I  ( I ) I
V  V2  V1  (  )(  )  V 
2 a 2 (2a) 2 (2a) 2 a 2 a (1.3)
La résistance mesurée est donc donnée par la relation (1.4) :
V
R (1.4)
I

L’inconnue étant ρ, la résistivité du sol, nous avons donc la relation (1.5) :
  2 aR (1.5)
Avec la méthode de Wenner il n’est pourtant pas possible de retrouver les vraies résistivités
de couches de sol. Les mesures de Wenner ne fournissent qu’une sorte de moyenne de la
résistivité du sol, que l’on appelle résistivité apparente. Cela est dû à la composition
hétérogène du sol et au fait que les mesures sont réalisées depuis la surface. A chaque
mesure de Wenner, le courant électrique injecté par l’électrode injectrice se distribue dans
le sol avant de converger au niveau de l’électrode collectrice. Entre les points d’arrivée et
de départ, le courant électrique parcourt le sol en profondeur, en traversant plusieurs
couches composées de matériaux différents.
1.4.4- Résistivité électrique de quelques types de sol
Le tableau 1.2 illustre un récapitulatif des valeurs de résistivité mesurées en 50 Hz pour les
principaux sols.
Tableau 1.2: La résistivité de divers types de sol, [46].
Résistivité électrique (Ω.m)

Type de sol
Plage de valeurs Valeur moyenne
Argile, sol tourbeux, sol organique, sol végétal, humus,
2 à 200 40
sol marécageux
Argile sablonneuse. argile poussiéreuse,sol blanc, marne
30 à 260 100
sablonneuse
Sable argileux et poussiéreux, sol blanc, composé d'argile
50 à 600 200
sablonneuse
Sable. gravier. sol blanc composé de sable et de gravier 50 à 3000 400
Sable et gravier sec au-dessous de 3 m deprofondeur 50 à 50000 1000

Sol pierreux 100 à 8000 2000
Sol rocheux 1000 à 20000 10000

1.5- Revue bibliographique des méthodes existantes en rapport avec la prédiction de

la résistivité électrique du sol
Quelques auteurs et chercheurs de par le monde ont déjà effectué des études qui
renseignent, d’une manière ou d’une autre, sur l’estimation de la résistivité électrique d’un
sol.
Dans ce sens, Ioannis F. Gonos a développé une approche méthodologique pour estimer la
résistance du sol en utilisant les RNA. D’après son travail, la valeur de la résistance du sol
dépend fortement du système de mise à la terre et des propriétés du sol où le système est
intégré. En prenant en compte les mesures des données de résistivité et de précipitations
accumulées pour les jours précédents, la résistance au sol est estimée.
I.T. Dharmadasa et al., [16], ont publié les résultats d’une étude intitulée « détermination
du profil de résistivité de la terre dans un sol multicouche ». L'objectif de cette étude était
de développer un outil logiciel convenable à faible coût, pour répondre aux exigences du
thème, en utilisant les concepts de l'intelligence artificielle.
Jugeant les instabilités clés affectant la variation de la résistance du sol (la composition du
sol, la teneur en eau, la température, électrodes de masse et espacement des électrodes),
Anbazhagan a développé une Régression Généralisée de Réseau Neuronal (GRNN) pour
prédire la résistance du sol d’Athènes, [2].
ASIMAKOPOULOU et al., [5], se sont donné pour but l'estimation de la variation de la

résistance du sol tout au long de l'année en utilisant des RNA en se basant sur des mesures
de la résistivité du sol, de la température et de la période de temps.
Jean-Pierre Montoroi et al., [39], ont proposé une étude selon laquelle une expérience de
laboratoire est réalisée afin de déterminer la relation entre Résistivité électrique (R) et la
teneur en eau (Hp) pour 13 sols échantillonnés dans un bassin versant de la Tunisie centrale.
Selon cette étude, lorsque la teneur en eau augmente, la résistivité électrique diminue suite
𝑏
à une loi exponentielle R = 𝛼. 𝑒 𝐻𝑝 . Le paramètre de régression « α» est corrélé avec la
distribution granulométrique permettant de classer les échantillons de sol. Ce paramètre

diminue avec la teneur en argile et limon et augmente avec la teneur en sable. Ils ont
mentionné que lors d'une étude de terrain, les sols auraient des teneurs en eau différentes et
cette variabilité devrait être prise en compte.
Les travaux de John Tarilanyo Afa et C.M. Anaele ont montrés que la variation saisonnière
et la nature du sol ont une influence considérable sur les caractéristiques électriques du sol
et affectent donc la performance des systèmes de mise à la terre. Se basant sur des
résistivités du sol et des températures prises à des profondeurs données au niveau de dix-
huit sites de l’Etat de Bayelsa au Nigeria, ils ont trouvé comme résultat que le coefficient
de variation saisonnière à la profondeur de 0,5 m était élevé et est réduit drastiquement à
1,2 m de profondeur. La température du sol était plus élevée que la température ambiante à
la profondeur de 0,2 m pendant les mois de Décembre à Mars. De 0,8 m profondeur et en
dessous, la température est réduite même pendant les saisons sèches. Ils ont conclu donc
que le coefficient de la variation saisonnière du sol à 0,8 et 1,2 m de profondeur était faible
(1,8-3,0) tout au long de l'année pour tous les types de sol. Cela indique le niveau d'eau
élevé et/ou la table d'humidité permanente qui donne un avantage à une faible résistivité du
sol pour les conducteurs enterrés et les électrodes dans la zone.
1.6- Problématique de la prédiction de la résistivité électrique du sol
Il ressort de ce qui précède que le principal paramètre du sol pour la mise à la terre électrique
est sa résistivité électrique. Celle-ci varie en fonction de plusieurs variables aléatoires à
savoir : la composition chimique du sol, sa granulométrie, sa teneur en eau, la nature de
l’environnement et la température du sol... Comme tous ces paramètres listés varient tout
au long de l'année, le système de mise à la terre ne peut pas être caractérisé par une seule
valeur de la résistivité du sol. Par conséquent, ces valeurs doivent être surveillées sur une
base annuelle, ce qui revient chère. Ainsi une méthode adéquate pour la modélisation de la
résistivité du sol s’avère indispensable.

1.7- Revue de littérature sur les systèmes de prédiction
L’objectif principal de ce mémoire est de fournir une prédiction de la valeur de la résistivité

électrique, d'après l’historique de ses valeurs existantes. Les grandes lignes évoquées dans
cette section sont processus général de prédiction, les approches de modélisation de
des systèmes de prédiction et les indicateurs statistiques utilisés pour l’évaluation de la
performance des modèles de prédiction.
1.7.1- Processus général de prédiction : Modèle hypothèse et forme prédicteur
La conception d'un modèle prédictif de comportement repose sur l'hypothèse selon laquelle,
pour le processus que l’on considère, il existe une description analytique de la relation entre
les entrées et les sorties du processus. Cette description est généralement inconnue, et on
l’exprime de façon formelle. Cette représentation formelle, appelée modèle hypothèse,
prend en considération les connaissances a priori et les hypothèses concernant le
comportement du processus. Elle constitue la base de départ de toute procédure de
modélisation, [55].
L’élaboration d’un modèle hypothèse consiste à effectuer des hypothèses concernant la
nature et les caractéristiques du processus : caractère statique ou dynamique du processus ;
présence de perturbations (leur nature, leur mode d’action); caractère linéaire ou non
linéaire du processus. Il faut en général fixer ou estimer un certain nombre de
caractéristiques numériques du modèle, [55].
Une fois le modèle hypothèse choisi, il faut déterminer ou estimer, à partir de séquences
d’entrées {u(t)} et de sortie {yp(t)} du processus, l’ensemble de ses caractéristiques
inconnues. Pour cela, on définit, d’une part, une fonction de coût théorique, et, d’autre part,
une forme prédicteur théorique associée au modèle hypothèse. La fonction de coût
théorique est une mesure de l’erreur de prédiction faite par un système de prédiction de la
sortie du processus. On choisit généralement comme fonction de coût théorique la variance
de l’erreur de prédiction. La forme prédicteur théorique est un système qui permet de
calculer, à l’instant t, une prédiction y(t+d) de la sortie yp(t+d) du processus telle que, si
l’on suppose le processus parfaitement décrit par le modèle hypothèse, la fonction de coût

théorique soit minimale. Comme le modèle hypothèse, la forme prédicteur théorique est un
système formel, qui s’exprime à l’aide des mêmes caractéristiques que le modèle
hypothèse.
Lorsque la structure du modèle et de sa forme prédicteur théorique (par exemple entrées et
ordre du modèle, nombre de neurones et architecture d’un modèle neuronal, etc.) sont
définies, il faut déterminer la fonction coût 𝜑(. ), ou en trouver la meilleure approximation
possible. Pour cela, on met en œuvre un système d’apprentissage, constitué d’un prédicteur
et d’un algorithme d’apprentissage. Ce prédicteur est un système dont la structure est
identique à celle de la forme prédicteur théorique, et qui réalise une fonction
paramétrée ∅(. ; 𝜃). Les arguments de 𝜑(. ) qui sont des variables aléatoires sont
remplacés dans l’expression de ∅(. ; 𝜃) par leurs réalisations lorsque ces réalisations
sont mesurables, et par des estimations lorsqu’elles ne sont pas mesurables. On définit alors
une fonction de coût empirique à partir des écarts entre les sorties mesurées du processus
et les valeurs calculées par le prédicteur, qui est une estimation de la fonction de coût
théorique. A l’aide de l’algorithme d’apprentissage, on calcule la valeur de 𝜃 qui minimise
cette fonction de coût empirique.
Si la structure du modèle n’est pas parfaitement définie, on considère alors un ensemble de
modèles hypothèses, qui sont des cas particuliers du modèle hypothèse dont la structure est
fixée, et l’on met en œuvre, pour chacun d’entre eux, un système d’apprentissage. Une
procédure de sélection est alors utilisée pour choisir le “meilleur” de ces modèles, au sens
d’un critère que l’on doit définir, [55].
1.7.2- Les Approches de modélisation d’un système de prédiction
Différentes approches de modélisation d’un système de prédiction existent dans la

littérature. Même si certaines de ces approches sont baptisés « statistiques », il convient de
noter qu’en réalité elles toutes se basent sur les statistiques. Parmi un nombre important de
ces approches, nous pouvons citer les approches statistiques classiques (la régression
linéaire simple et la régression linéaire multiple), celles de l’intelligence artificielle (RNA,
SVM, les systèmes experts, la logique floue, les algorithmes génétiques, le data mining, la

transformée en ondelettes …) et celles dites mixtes qui combinent plusieurs approches. Il

arrive que chacune de ces approches soit mieux adaptées dans certains domaines. Une revue
de la littérature exposant les performances de ces approches permet de justifier le choix
pour un problème donné.
1.8- Choix des méthodes de prédiction
La revue de littérature sur les différentes méthodes de prédiction nous a permis de constater
que les approches par les RNA et les SVM sont de nos jours les méthodes les plus utilisées
car offrant de meilleurs résultats. En effet leur succès est dû, non seulement à la simplicité
d’implémentation des modèles, mais aussi à la qualité de prédiction de ces modèles. Nous
avons estimé donc qu’il serait avantageux et logique que ces approches fassent l’objet de
notre modélisation. Ainsi les RNA et les SVM seront donc utilisés dans ce travail pour
prédire la résistivité électrique du sol. Une présentation détaillée de ces approches sera faite
au chapitre 2. Par ailleurs il s’avère important de connaitre les critères d’évaluation des
performances des différentes approches afin d’en ressortir quelques-uns pour évaluer nos
approches.
1.9- Les indicateurs statistiques utilisés pour l’évaluation de la performance des

modèles de prédiction
Il existe plusieurs critères d’évaluation permettant de quantifier et de comparer les

performances des modèles. Les indicateurs statistiques comprenant l’erreur moyenne
absolue en pourcentage (MAPE), la racine carrée de l’erreur quadratique moyenne
(RMSE), la RMSE normalisée (NRMSE) et le coefficient de la corrélation (R²) ainsi que
d’autres outils statistiques peuvent être utilisés pour évaluer la performance des modèles
d’estimation et de prédiction [40]
1.9.1- L’erreur moyenne absolue en pourcentage (MAPE)
Le critère MAPE (en anglais : Mean Absolute Percent Error) montre la différence moyenne
de pourcentage entre les valeurs estimées et celles mesurées [40]. La MAPE est calculée
selon la relation (1.6).

1 N Y j , p  Y j ,r
MAPE   100 (1.6)
N j 1 Y j ,r
où Y j , p représentant les valeurs estimées et Y j ,r les valeurs mesurées.
1.9.2- La racine carrée de l’erreur quadratique moyenne (RMSE)
Le critère RMSE (en anglais : Root Mean Square Error) identifie la précision comparant
l’écart entre les valeurs obtenues lors de l’estimation et celles des données mesurées. Le
RMSE a toujours une valeur positive [40] et est calculée selon la relation (1.7).
1 N
RMSE  
N j 1
(Yj , p  Yj ,r )2 (1.7)
L’erreur quadratique moyenne est très utile pour comparer les modèles des différentes
approches. Elle mesure la performance des méthodes en fonction de la moyenne des carrées
des erreurs.
1.9.3- La racine carrée de l’erreur quadratique moyenne exprimée de façon relative

(RRMSE)
Le RRMSE (en anglais : Relative Root Mean Square Error) est obtenu en divisant le RMSE
par la moyenne de la résistivité et de l'écart-type obtenu par les valeurs mesurées comme le
montre la relation (1.8).
N
1
N
 (Y
i 1
j ,r  Yj , p ) 2
RRMSE  N (1.8)
1
N
 Y j ,r
i 1
Différentes plages pour RRMSE peuvent être définies pour évaluer la précision du modèle:
 excellent pour RRMSE < 10% ;

 bon pour 10% < RRMSE < 20% ;

 moyen pour 20% < RRMSE < 30% ;
 faible pour RRMSE > 30%
1.9.4- Le coefficient de corrélation (R2)
Le coefficient R² indique la force de la relation linéaire entre les valeurs prédites et celles
observées. R² est donné par la rélation (1.9).
 (Y
j 1
j, p  Yp ,avg )  (Y j , r  Yr , avg )
R 
2
(1.9)
N 2 N 2
  (Y j , p  Yp ,avg )     (Y j , r  Yr , avg ) 
 j 1   j 1 
Yp ,avg étant la valeur moyenne prédite et Yr ,avg est la valeur moyenne mesurée.
Il est donc clair qu’il existe plusieurs critères permettant d’évaluer la performance des
modèles de prédiction. Le choix d’un critère principal dépend du domaine et des donnés
traitées. Le défi majeur actuel des chercheurs réside dans le fait de choisir le modèle de
prédiction le mieux adapté et le plus précis en utilisant le critère d’évaluation le plus
convenable. Ainsi, dans le cadre de notre travail, nous avons fait plus usage du critère RRMSE
car étant donné un critère rélatif, il donne une vue globale en fonction de la population étudiée.
L’appréciation est confirmée par le 𝑅2
1.10- Objectifs du travail
La résistivité électrique du sol est influencée par plusieurs paramètres. Ceux-ci varient de
manière continue et aléatoire. Il est donc presque impossible de dire avec exactitude la
valeur future de cette résistivité avant d’effectuer une mesure concrète. Plusieurs méthodes
dans la littérature essayent de fournir des outils de prédiction plus ou moins efficaces.
Cependant, à notre connaissance, peu de travaux dans la littérature se sont intéressés à la
prédiction de cette résistivité. Ainsi ce travail se donne comme objectif de faire usage de
deux (02) de ces méthodes de prédiction les plus performantes que sont l’approche par les

RNA et les SVM pour modéliser le comportement de la résistivité du sol de certains points
de l’université de Lomé avec comme variables explicatives la température, l’état de la
nature, les coordonnées géo référencées. Divers modèles des RNA et SVM seront donc
abordées en jouant sur les différentes variables explicatives. En synthèse, le modèle qui,
sur la base des indicateurs statistiques, offrira une meilleure précision sera donc adopté pour
la prédiction de la résistivité électrique du sol.
1.11- Conclusion
Ce présent chapitre a eu pour objectif d’exposer les généralités et les enjeux sur la
prédiction de la résistivité électrique du sol. Ainsi plusieurs aspects de la prédiction ont été
abordés de même que les différentes techniques de prédiction et les différents critères
permettant d’évaluer ces techniques. Ensuite, une Revue bibliographique des méthodes
existantes en rapport avec la prédiction de la résistivité électrique du sol est faite. Il s’agira
principalement dans le chapitre suivant d’exposer en détails les méthodes de prédictions
retenues pour la modélisation dans le cadre de notre travail à savoir les RNA et les SVM.

Chapitre 2 : Les Réseaux de Neurones Artificiels
Chapitre 2 : Les Réseaux de Neurones Artificiels et les “Supports
et les ҅ ҅ Supports Vector Machines ҆ ҆ pour la
Vector Machines“ pour la modélisation d’un processus énergétique
modélisation d’un processus énergétique
électrique.
électrique.
CHAPITRE 2 : LES RESEAUX DE NEURONES ARTIFICIELS ET LES “SUPPORTS
VECTEURS MACHINES“ POUR LA MODELISATION D’UN PROCESSUS
ENERGETIQUE ELECTRIQUE
2.1- Introduction
Malgré la constante augmentation de puissance des calculateurs et des approches théoriques

de plus en plus sophistiquées, un certain nombre de tâches résistent encore aux algorithmes
et aux méthodes classiques de traitement des signaux et de données. Plusieurs méthodes ont
été alors mises en place, méthodes basées sur le sens commun et le fonctionnement de la
mentalité humaine, pour résoudre ces problèmes. C’est dans ce contexte qu’est apparue la
modélisation par Réseaux de Neurones Artificiels et des Supports Vecteurs Machines.
Dans ce chapitre, nous entendons faire une revue de la littérature sur l’apprentissage
automatique (Machine Learning), ensuite présenter les Réseaux de Neurones Artificiels
(RNA) et les Machines à Vecteurs de Support (SVM).
2.2- Apprentissage automatique ou artificiel
L'apprentissage automatique (ou artificiel) est un des champs d'étude de l'intelligence

artificielle. C’est une discipline jeune, à l’instar de l’informatique qui fait référence au
développement, l'analyse et l'implémentation de méthodes qui permettent à une machine
(au sens large) d'évoluer et de remplir des tâches associées à une intelligence artificielle
grâce à un processus d'apprentissage. Cet apprentissage permet d'avoir un système qui
s'optimise en fonction de l'environnement, des expériences et des résultats observés [14],
[37].
2.2.1- Concepts et Sources de l’apprentissage automatique
L’apprentissage de l’être humain se compose de plusieurs processus qui sont difficile à

décrire. Les facultés d'apprentissage chez l'humain lui ont conféré un avantage évolutif
déterminant pour son développement [14].
Par “faculté d'apprendre“ on entend un ensemble d'aptitudes comme l’obtention :
 de la capacité de parler en observant les autres ;

 de la capacité de lire, d'écrire, d'effectuer des opérations arithmétiques et logiques
avec l'aide d'un tuteur ;
 d'habilités motrices et sportives en s'exerçant.
La faculté d’apprendre de ses expériences passées et de s’adapter est une caractéristique
essentielle des formes de vies supérieures. Elle est essentielle à l’être humain dans les
premières étapes de la vie pour apprendre des choses aussi fondamentales que reconnaître
une voix, un visage familier, apprendre à comprendre ce qui est dit, à marcher et à parler,
[57].
L’apprentissage automatique est une tentative de comprendre et reproduire cette faculté

d’apprentissage dans des systèmes artificiels. Il s’agit, très schématiquement, de concevoir
des algorithmes capables, à partir d’un nombre important d’exemples (les données
correspondant aux expériences passées et présentes), d’en assimiler la nature afin de
pouvoir appliquer ce qu’ils ont ainsi appris aux cas futurs.
2.2.2- Types d'apprentissage
Il existe de nombreux types de règles d’apprentissage qui peuvent être regroupées en trois
catégories : les règles d’apprentissage supervisé, non supervisé et renforcé. Mais l’objectif
fondamental de l’apprentissage reste le même [53].
2.2.2.1- L'apprentissage supervisé
En apprentissage supervisé, on cherche à prédire la catégorie ou la valeur d’individus

inconnus à partir d’un ensemble de référence, pour lesquels on connaît la vraie classe ou
valeur. Cette catégorie d’appartenance, ou valeur associée, étant renseignée par un expert,
on parle alors d’apprentissage supervisé [10].
Les problèmes d’apprentissage supervisé peuvent eux-mêmes être subdivisés en deux

catégories d’après la définition en amont. Il s’agit des problèmes de classification et des
problèmes de régression.

2.2.2.1.1- Classification
Un problème de classification est un problème où l’on cherche à prévoir la catégorie ou la

classe des individus. Généralement en classification supervisée, on dispose d’un ensemble
d’apprentissage composé d’individus pour lesquels on connait d’une part les valeurs de
leurs caractéristiques, et d’autre part leur catégorie d’appartenance. On cherche ensuite à
ranger les individus inconnus dans les différentes catégories à l’aide des valeurs de leurs
caractéristiques.
2.2.2.1.2- Régression
Un problème de régression est un problème où l’on cherche à prédire la valeur d’une

variable inconnue en fonction d’autres variables descriptives. En régression on cherche à
modéliser la relation entre cette variable inconnue et les variables d’entrées [10], [61].
Distinguons le problème de la présence d’une variable à expliquer Y ou d’une forme à

reconnaitre qui a été conjointement avec X observé sur les mêmes objets. Il s’agit là, d’un
problème de modélisation ou d’apprentissage supervisé où il faut trouver une fonction
(modèle) f susceptible au mieux selon un critère à définir de reproduire Y ayant observé
X. cette modélisation est exprimée par la relation (2.1).
Y  f (X)   (2.1)
où  est le bruit ou l’erreur de mesure.

En apprentissage supervisé, le problème est tel qu’on dispose d’un ensemble donné par la
relation (2.2), d’apprentissage constitué de données d’observation de type entrées-sortie.
d1n  {( x1, y1 ),...,( xn , yn )} (2.2)
Où 𝑥𝑖 𝜖 𝑋 quelconque souvent égale à (𝑅𝑝 ) et 𝑦𝑖 𝜖 𝑌 pour i = 1,…, n.
L’objectif est de construire à partir de cet échantillon un modèle qui va nous permettre de
prévoir la sortie y associée à une nouvelle entrée (ou prédicteur) x. Lorsque la sortie est

quantitative, il s’agit d’un problème de régression et si elle est qualitative, on parle de
discrimination, classement ou encore de reconnaissance de forme, [8].
2.2.2.2- Apprentissage non-supervisé
Au contraire, en apprentissage non-supervisé on ne connaît pas la classe ou la valeur des

individus de notre ensemble d’entrainement. L’apprentissage non-supervisé consiste à
chercher une structure ou des motifs dans les données. L’objectif est d’obtenir un
partitionnement des données en ensembles d’individus ayant des caractéristiques assez
similaires entre eux mais relativement différentes des autres individus, [10].
2.2.2.3- Apprentissage renforcé
L’apprentissage renforcé est une technique similaire à l’apprentissage supervisé à la

différence qu’au lieu de fournir des résultats désirés au réseau, on lui accorde plutôt un
grade (ou score) qui est une mesure du degré de performance du réseau après quelques
itérations. Les algorithmes utilisant la procédure d’apprentissage renforcé sont surtout
utilisés dans le domaine des systèmes de contrôle, [37].
Notre contexte applicatif correspond donc à de l’apprentissage supervisé puisque nous

cherchons à prédire les valeurs d’individus inconnus sur la base d’un ensemble
d’apprentissage.
2.3- Les réseaux de neurones artificiels (RNA) pour la modélisation de la résistivité

électrique du sol
Un réseau de neurones peut être considéré comme un modèle mathématique de traitement

réparti et composé de plusieurs éléments de calcul non linéaire (neurones) opérant en
parallèle et connectés entre eux par des poids, [11].
Les neurones artificiels sont souvent utilisés sous forme de réseaux qui diffèrent selon le
type de connections entre les neurones, une cinquantaine de types peut être dénombrée,
[11].

Dans cette partie, nous présenterons l’essentiel à connaitre sur les réseaux de neurones
artificiels (RNA) pour atteindre l’objectif de notre travail.
2.3.1- Le neurone biologique et son fonctionnement
Un réseau de neurone artificiel est un modèle de calcul dont l'inspiration originelle est un
modèle biologique, c'est-à-dire le modèle du cerveau humain. On pense que le système
nerveux compte plus de 1000 milliards de neurones interconnectés [52]. Bien que les
neurones ne soient pas tous identiques, leur forme et certaines caractéristiques permettent
de les répartir en quelques grandes classes. En effet, il est aussi important de savoir, que les
neurones n'ont pas tous un comportement similaire en fonction de leurs positions dans le
cerveau.
Le neurone biologique possède trois principales composantes : les dendrites, le corps

cellulaire et l’axone. Les dendrites forment un maillage de récepteurs nerveux qui
permettent d’acheminer vers le corps du neurone des signaux électriques en provenance
d’autres neurones. Celui-ci agit comme une espèce d’intégrateur en accumulant des charges
électriques. Lorsque le neurone devient suffisamment excité (lorsque la charge accumulée
dépasse un certain seuil), par un processus électrochimique, il engendre un potentiel
électrique qui se propage à travers son axone pour éventuellement venir exciter d’autres
neurones [31]. La figure 2.1 illustre un neurone biologique.

Figure 2.1: Schéma représentatif de la structure du neurone biologique [31].
Le point de contact entre l’axone d’un neurone et la dendrite d’un autre neurone s’appelle la
synapse. Il semble que c’est l’arrangement spatial des neurones et de leur axone, ainsi que la qualité
des connexions synaptiques individuelles qui détermine la fonction précise d’un réseau de neurones
biologique [31].
2.3.2- Du neurone biologique au neurone formel
McCulloch et Pitts en 1943 ont implémenté un système de réseaux neuronaux artificiels,

qui est analogue aux neurones biologiques fondée sur une structure complexe (tableau 2.1).
Tableau 2.1: Analogie entre le neurone biologique et le neurone formel.
Neurone Artificiel Neurone Biologique

Poids de connexion Synapses
Signal de sortie Axone
Signal d’entrée Dendrite
Fonction d’activation Soma
Un neurone artificiel est présenté graphiquement comme indiqué sur la figure 2.2. Cette
représentation est à l’origine de la première vague d’intérêt pour les neurones formels, dans
les années 1940 à 1970, [1].

Figure 2.2: Structure d'un neurone formel

Le neurone formel est une modélisation mathématique qui reprend les principes de
fonctionnement du neurone biologique.
Un neurone formel est constitué d’un noyau, d’une liaison synaptique de sortie et des
liaisons synaptiques d’entrées. A chaque liaison d’entrées est attachée un poids appelé «
poids synaptique », [7].
Les poids synaptiques sont des coefficients numériques indiquant l’importance de la

connexion.
Un neurone artificiel reçoit des entrées sous forme vectorielle puis calcule une somme
pondérée « n » de ses entrées pour que le résultat passe ensuite par la fonction d'activation
« F » afin de créer une sortie, [35].
Pour pouvoir simuler un réseau de neurones, on doit supposer que tous les neurones sont
synchrones, c’est-à-dire qu’à chaque temps t, ils vont simultanément calculer leur somme
pondérée et produire une sortie S(t) = F(n(t)). Dans les réseaux biologiques, tous les
neurones sont en fait asynchrones, [31].
Le neurone artificiel réalise alors trois opérations sur ses entrées :
 la pondération qui est la multiplication de chaque entrée par un paramètre appelé

poids de connexion ;

 la sommation des entrées pondérées est effectuée ;
 l’activation qui est le passage de cette somme dans une fonction, appelée fonction
d’activation, [1].
De façon générale, on définit un neurone formel par les cinq paramètres suivants :
 la nature des entrées (booléenne, binaire ou réelle) ;

 la fonction d’entrée totale, définissant le prétraitement effectué sur les entrées ;
 la fonction d’activation du neurone définissant son état interne en fonction de la
somme pondérée de ses entrées ;
 la fonction de sortie calculant la sortie du neurone en fonction de son état
d’activation ;
 la nature des sorties du neurone ;
2.3.3- Propriétés des réseaux de neurones
Les RNA sont considérés comme des simulateurs du système biologique et doivent prendre
en considération les points suivants :
 le parallélisme : les RNA sont constitués à base de neurones simples fortement

interconnectés, dont le but est la réalisation d’une fonction de type bien défini ce qui
rend le traitement de l’information massivement parallèle, [18] ;
 les poids synaptiques : la pondération des liaisons synaptiques entre les neurones
influe sur l’efficacité et la fiabilité du réseau du point de vue rapidité et exactitude
des résultats fournis, [24] ;
 l’apprentissage : l’apprentissage est vraisemblablement la propriété la plus
intéressante des RNA. Elle ne concerne cependant pas tous les modèles mais les plus
utilisés. Son principal problème est d’arriver à trouver un ensemble de valeurs
d’entrée des connexions afin d’atteindre les résultats voulus, [59].
2.3.4- Types et Structures des RNA
Nous présentons dans cette section les types de RNA et précisément une présentation
détaillée des réseaux à couches ainsi que leurs structures.

2.3.4.1- Types de RNA
Pour concevoir un réseau de neurones, nous devons établir des connexions entre les
neurones. Nous avons quatre types principaux de connexion : directe, récurrente, latérale et
à délais. Tous les réseaux de neurones utilisent la connexion directe pour acheminer
l'information de l'entrée vers la sortie. La connexion récurrente permet d'acheminer
l'information de la sortie des neurones des couches supérieures vers les entrées des neurones
précédents. Les réseaux de neurones qui doivent choisir un neurone gagnant utilisent la
connexion latérale pour établir une relation entre les neurones de sortie et la maintenir.
Finalement, les problèmes temporels sont résolus par les modèles de réseaux dynamiques
avec des connexions à délais, [25]. Les connexions entre les neurones peuvent être
complètes ou partiellement complètes, [25].
Une couche est définie comme un ensemble de neurones situé au niveau d'un réseau de
neurones. Nous avons, par exemple, une couche de neurones de sortie avec des couches
situées entre les entrées-sorties appelées couches cachées. Les réseaux de neurones
possèdent une ou plusieurs couches de neurones et leur dimension dépend du nombre de
couches et du nombre de neurones par couche.
En général on peut distinguer deux grandes classes de Réseaux de Neurones Artificiels

selon leurs topologies : les réseaux à couches qui sont des réseaux de neurones dans
lesquels l’information se propage couche par couche sans retour en arrière possible et les
réseaux récurrents qui sont des réseaux de neurones dans lesquels il y a une liaison vers
l’arrière, [24]. La figure 2.3 résume les topologies principales des réseaux de neurones
artificiels.

Figure 2.3: Topologies principales des réseaux de neurones artificiels
Dans notre travail, nous ferons usage des réseaux à couches, ainsi nous allons essayer de
faire une brève présentation de ce type de réseaux.
2.3.4.1.1- Perceptron
Le perceptron est la forme la plus simple d'un réseau de neurones, il modélise la perception
visuelle. Il comprend trois principaux éléments : la rétine, les cellules d’association et les
cellules de décision. La fonction d'activation utilisée dans ce réseau est de type tout ou rien
(0 ou 1). L'apprentissage du perceptron peut se faire avec plusieurs méthodes déjà utilisées,
il n'y a qu'une seule couche de poids modifiables entre les cellules d'association et les
cellules de décision. Le perceptron est limité dans ses applications. Premièrement, il ne peut
être applicable que dans la classification dont les variables sont linéairement séparables et
deuxièmement la sortie ne peut être que 0 ou 1, [25].
2.3.4.1.2- Perceptron multicouche
Cette classe est la plus importante des réseaux de neurones car elle représente la
généralisation du perceptron monocouche avec une fonction d'activation de type sigmoïde
et une ou plusieurs couches cachées. Le vecteur d'entrée se propage dans le réseau de
couche en couche jusqu’à la sortie, l’entraînement de celui-ci se fait avec l’algorithme par
la rétropropagation de l'erreur, [25]. Ce réseau est caractérisé par son modèle du neurone

traitant les non-linéarités. Il peut comporter une ou plusieurs couches cachées et un plus
grand nombre de connexions permettant de résoudre la majorité des problèmes.
2.3.4.1.3- Réseau RBF :
Les réseaux RBF ("Radial Basis Function") sont des réseaux à couches qui ont comme
origine une technique d'interpolation nommée la méthode d'interpolation RBF. Ce réseau
comporte une seule couche cachée dont la fonction d'activation est appelée fonction-noyau
ou gaussienne et une couche de sortie avec une fonction d'activation linéaire. La méthode
RBF est particulière par ses réponses utiles pour un domaine de valeurs restreint. Les
réseaux RBF sont capables de calculs puissants. L'apprentissage est plus rapide et plus
simple mais demande beaucoup de neurones par rapport aux réseaux multicouches. De plus,
ils s'avèrent davantage insensibles à la destruction de leurs poids, [25].
2.3.4.2- Structure d'un réseau de neurones à couches
Le neurone formel (Figure 2.4) est la cellule fondamentale d'un réseau de neurones
artificiels. Par analogie avec le neurone biologique, le neurone formel doit être apte à
accomplir les tâches suivantes : collecter, traiter les données qui viennent des neurones
émetteurs et transmettre les messages aux autres neurones. La relation entre l'entrée et la
sortie du neurone peut être donnée par les relations (2.3) et (2.4), [25].
Si  F (a) (2.3)
N
a   W (i, j). x(j) (2.4)
j 0
Les variables N, Si, F, x et W désignent respectivement le nombre d'entrées du réseau de

neurones, le vecteur de sortie du réseau, la fonction d'activation, le vecteur des entrées du
réseau de neurones et la matrice des poids.

Le réseau à couches est un réseau dont les neurones sont organisés en couches, la forme la
plus simple est le réseau à une seule couche. Tous les signaux d'entrées sont propagés des
nœuds d'entrée vers la couche de neurones de sortie, [25].
Le nombre de neurones d'entrée (nœuds) et de sortie est en général lié au problème à

résoudre. Les entrées seront propagées à travers la matrice des poids W pour ensuite obtenir
la réponse de sortie (figure 2.4). L'équation équivalente peut s'écrire sous la forme de la
relation (2.5).
N
y(j)  W (i, j)  x(i) (2.5)
i 0
où :
 x(i) représente le vecteur d'entrée ;

 y (j) est le Vecteur de sortie ;
 W (i, j) est le poids du réseau de neurones ;
 W (0, j) représente le biais b(j).
Figure 2.4: Structure réseau de neurones monocouche
Les réseaux multicouches sont caractérisés par une ou plusieurs couches. À chaque
couche correspond une matrice de poids W et un vecteur de seuils b, et on peut avoir aussi
des fonctions d'activation différentes pour chaque couche, [25]. La fonction des couches

cachées intervient entre les entrées x et la couche de sortie y. Elle permet de résoudre des
problèmes plus complexes que le réseau à couche simple.
Les réseaux de neurones utilisant un apprentissage par rétropropagation [25] sont constitués
de plusieurs couches (multicouches) qui comportent chacune plusieurs neurones.
Ces derniers sont reliés entre eux par des matrices de poids qui caractérisent le réseau. Les
équations d'un tel réseau peuvent être données par les relations (2.6), (2.7) et (2.8).la
structure de ce type de réseau est illustrée à la figure 2.5.
Figure 2.5: Réseau de neurones multicouches
S (z)  F2 ( ys ( z )) (2.6)
j
ys (z)  W2 (i, z).F1 (y(i)) (2.7)
i 0
n
y(s)  W1 (i,s).x(i) (2.8)
i 0
où s est le vecteur de sortie du réseau de neurones de dimension (z × 1), x est le vecteur

d'entrée de dimension (n x 1), y (1) est la sortie de la 1ère couche de dimension (j x 1) et W1
est la matrice de poids de dimension (n x j) associée à la 1ère couche. Enfin, F1 et F2 sont
respectivement les fonctions d'activation appliquées à la 1ère et la 2ème couche.

2.3.5- Fonctions d'activation des RNA
La fonction d’activation ou de transition est une transformation linéaire ou non linéaire.

Elle permet la liaison entre la sortie du neurone et son entrée. Vu la variété des modèles de
RNA, différentes fonctions ont été proposées, parmi lesquelles on peut citer [59] :
 les modèles linéaires et sigmoïdaux : ces modèles sont très adaptés aux algorithmes
d’apprentissage comme celui de rétro propagation du gradient car leur fonction de
transition est différentiable ;
 le modèle à seuil : ce modèle est très proche et conforme à la réalité biologique mais
il pose des problèmes d’apprentissage ;
 le modèle stochastique : ce type de modèle est utilisé pour les problèmes
d’optimisation globale des fonctions perturbées ou encore pour les analogies avec
les systèmes de particules.
La référence [24] présente un tableau qui illustre quelques importantes fonctions
d’activation.
La figure 2.6 donne un aperçu des courbes de trois fonctions d’activation [60].
a) fonction binaire à seuil b) fonction linéaire par morceaux c) fonction de type sigmoïde
Figure 2.6: Quelques types de fonction de transfert pour le neurone artificiel
2.3.6- Apprentissage des RNA
Le point crucial du développement d’un réseau de neurones est son apprentissage, [60]. Il
s’agit d’une procédure adaptative par laquelle les connexions des neurones sont ajustées

face à une source d’information. Dans le cas des réseaux de neurones artificiels, on ajoute
souvent à la description du modèle l'algorithme d'apprentissage. Le modèle sans
apprentissage présente en effet peu d'intérêt. Dans la majorité des algorithmes actuels, les
variables modifiées pendant l'apprentissage sont les poids des connexions. Les poids sont
initialisés avec des valeurs aléatoires. Puis des exemples expérimentaux représentatifs du
fonctionnement du procédé dans un domaine donné, sont présentés au réseau de neurones.
Une méthode d’optimisation modifie les poids au fur et à mesure des itérations pendant
lesquelles on présente la totalité des exemples, afin de minimiser l’écart entre les sorties
calculées et les sorties expérimentales.
Il arrive qu’à faire apprendre un réseau de neurones toujours sur le même échantillon, celui-
ci devient inapte à reconnaître autre chose que les éléments présents dans l’échantillon. Le
réseau ne cherche plus l’allure générale de la relation entre les entrées et les sorties du
système, mais cherche à reproduire les allures de l’échantillon. On parle alors de
Surapprentissage. Le réseau est devenu trop spécialisé et ne généralise plus correctement.
Ce phénomène apparaît aussi lorsqu’on utilise trop d’unités cachées (de connexions), la
phase d’apprentissage devient alors trop longue (trop de paramètres réglables dans le
système) et les performances du réseau en général deviennent médiocres.
Afin d’éviter les problèmes de sur apprentissage, la base d’exemples est divisée en deux
parties : la base d’apprentissage et la base de test. L’optimisation des poids se fait sur la
base d’apprentissage, mais les poids retenus sont ceux pour lesquels l’erreur obtenue sur la
base de test est la plus faible. En effet, si les poids sont optimisés sur tous les exemples de
l’apprentissage, on obtient une précision très satisfaisante sur ces exemples mais on risque
de ne pas pouvoir généraliser le modèle à des données nouvelles. A partir d’un certain
nombre d’itérations, le réseau ne cherche plus l’allure générale de la relation entre les
entrées et les sorties du système, mais s’approche trop près des points et « apprend » le
bruit.

2.3.6.1- Méthodes d'apprentissage
Il existe trois grands groupes de méthodes d'apprentissage provenant des domaines

différents [42].
 le premier groupe comprend les méthodes provenant de l'optimisation classique d'un

problème de moindres carrés. Il comprend des méthodes telles que la descente du
gradient, les méthodes quadratiques (Gauss-Newton et Levenberg-Marquardt), les
méthodes de Quasi-Newton, les méthodes des gradients conjugués et d'autres
variantes.
 le deuxième groupe comprend les méthodes provenant des méthodes d'identification
récursive ou des méthodes d'observation d'état. Ces méthodes sont des extensions au
cas non linéaire des méthodes linéaires (par exemple, le filtre de Kalman Etendu et
ses variantes).
 le troisième groupe comprend les méthodes dites "évolutionnistes" reposant sur
l'évolution des espèces vivantes et qui comprend entre autres le recuit simulé et les
algorithmes génétiques. Ces algorithmes sont ceux qui ont été conçus pour
rechercher l'optimum global.
2.3.6.2- L’apprentissage profond
Pendant les années 90 et le début des années 2000, certains chercheurs ont trouvés que les
réseaux de neurones avaient des limites, et donc les recherches sont mises en veilleuse dans
ce domaine.
Le renouveau de la recherche dans ce domaine est dû à Yoshua Bengio et Yan le Cun qui
ont tenu à jour un célèbre site dédié à la reconnaissance des caractères manuscrits de la base
MNIST.
Construire un réseau d’apprentissage profond consiste à empiler des couches de neurones

aux propriétés spécifiques. Sans bases de données très volumineuse et moyens de calcul
substantiel, il est illusoire de vouloir apprendre un réseau profond impliquant l’estimation
de millions de paramètres.

2.3.7- Avantages et limites des RNA
Les Réseaux de Neurones Artificiels ont plusieurs avantages comme l’apprentissage, le

parallélisme massif, une tolérance à l'incertitude très élevée, une facile extensibilité ; une
facilité d'utilisation, un choix de type etc… mais il faut aussi noter qu’ils souffrent
néanmoins de certaines limites comme le problème de paramétrage et de choix
d’architecture adéquat, boite noire, une facilité d’application donnant lieu à de nombreuses
implémentations et des choix pas toujours justifiés, la surface d’erreur des réseaux
complexes possède beaucoup de sommets (des maxima locaux) et de vallées (des minima
locaux), à cause de leur nature non linéaire, les réseaux peuvent être piégés dans un
minimum local où les performances ne sont pas optimales.
2.3.8- Applications des réseaux de neurones
Depuis leur apparition, les réseaux de neurones ont été largement utilisés dans plusieurs
domaines, [52].
Nous pouvons lister quelques applications dans des domaines précis, [42] :
 agroalimentaire (contrôle de cuisson dans un four micro-ondes, analyse automatisé

des odeurs dans le traitement de la nourriture, contrôle de qualité des bières) ;
 assurance de qualité (classification des défauts de production, vérification de
pneumatiques, contrôle de qualité de fabrication des microprocesseurs) ;
 détection des fraudes (dans l'usage des cartes de crédit, vérification des signatures,
détection d'identité par l'analyse des habitudes des dépenses) ;
 finances (prévision de bourse, gestions des fonds de pension) ;
 médecine et santé (analyse des protéines pour le développement des drogues).
Le tableau 2.2 représente la correspondance entre chaque domaine d’application et le type
de Réseau de Neurones Artificiels le plus approprié, [24].

Tableau 2.2: Correspondance type de RNA -Domaine d'application [24]
2.3.9- Modélisation de la résistivité électrique du sol par un réseau de neurones
Dans ce projet, nous appliquons les Réseaux de Neurones Artificiels pour deux approches
de modélisations (MLP et RBF). Pour les deux cas, on utilise des paramètres similaires. On
parle du type de réseau, de la fonction d'activation et de la règle d'apprentissage.
2.3.9.1- Modélisation avec le Multilayer Perceptron (MLP)
Le premier modèle développé dans ce projet est un Perceptron à deux couches (une couche
cachée et une couche de sortie). Ce type de réseau est un outil fiable pour les problèmes
d'approximation de fonctions, [52]. Le choix des entrées se fait à l'aide de la corrélation qui
existe entre les données. La fonction d’activation utilisée pour activer les neurones de la
couche cachée est la fonction sigmoïde. La fonction fournit des valeurs de sortie
appartenant à l’intervalle [0,1]. Pour les neurones de la couche de sortie, la fonction
d'activation est de type linéaire. La procédure utilisée pour la phase d’apprentissage est la
procédure de correction de l’erreur (Rétro Propagation de l’erreur). Le principe est facile,
on procède à la propagation de l’erreur calculée par le réseau de la couche de sortie vers la
couche d’entrée. L'algorithme utilisé pour la mise à jour des poids est celui de Levenberg-
Marquardt. Son principe se base sur une minimisation de fonction. Il calcule une fonction
de coût, sur laquelle il décide si la mise à jour sera acceptée ou non. Il continue le calcul
jusqu'à la stabilité du réseau. Le calcul se fait à l'aide de la jacobienne des poids et des biais.
La sortie de notre réseau est donnée par la relation (2.9).

n
y   0   i hi (2.9)
i 1
où :
 y est la valeur prédite par le réseau de neurones ;

 n est le nombre d’unités cachées du réseau ;
  0 le biais ;
  i les coefficients pondérés ;
 hi est le résultat de la transformation non linéaire de la ième unité caché
2.3.9.2- Modélisation avec la fonction radiale de base (RBF)
Le deuxième modèle développé est un réseau à fonction radiale de base (en anglais « Radial
Basis Function RBF). En principe c’est un MLP mais avec la fonction gaussienne comme
fonction d’activation des neurones de la couche cachée.
Le réseau à fonction radiale de base est un réseau non bouclé avec de bonnes performances
et adapté aux problèmes à minima locaux, [52]. Durant la phase d’apprentissage, chaque
neurone de la couche cachée effectue une transformation non linéaire. La sortie passe par
les neurones de la couche cachée aux niveaux des quelles la transformation est purement
linéaire.
Ainsi la sortie d’un neurone RBF à non-linéarité gaussienne a pour équation la relation
(2.10).
 (x   )i j
2
b j (x)  exp[ i 1
] (2.10)
2 2j

où :
  j et  j sont respectivement le centre et la largeur (écart-type) de la fonction
gaussienne du jième neurone de la couche cachée ;
 x i les variables d’entrées du neurone ;

 1 < j < q ; q étant le nombre de neurones dans la couche cachée.
De ce fait la sortie des neurones de la couche de sortie est de la forme de la relation (2.11).
q
Ok   Wkj b j ( x)   k (2.11)
j 1
où :
 1 < k < m ; m étant le nombre de nœuds ;
 Ok est la sortie du kième nœud de la couche de sortie ;
 Wkj est le poids de la connexion entre le jième neurone de la couche cachée et le kième
neurone de la couche de sortie ;

 bj ( x) la sortie du jième neurone de la couche cachée ;
  k le biais du kième neurone de la couche de sortie.

Les modèles RBF dispose des mêmes paramètres que le modèle MLP. La différence
pratique essentielle entre les deux types de réseaux (MLP et RBF) que nous venons
d’introduire est la suivante : les neurones tels que les RBF ont des non-linéarités locales,
qui tendent vers zéro dans toutes les directions de l’espace des entrées ; leur zone
d’influence est donc limitée dans l’espace, ce qui n’est pas le cas des neurones à fonction
d’activation sigmoïde.
Le tableau 2.3 résume les différents paramètres des modèles choisis.

Tableau 2.3: Principaux paramètres du modèle MLP choisi pour la modélisation de la résistivité
Modèle MLP RBF
Nombre de couches 2
Nombre de couches cachées 1
Fonction d’activation des

Fonction sigmoïde Fonction Gaussienne
neurones de la couche cachée
Fonction d’activation des

neurones de la couche de Fonction linéaire simple
sortie
Algorithme d’apprentissage Rétro propagation de l’erreur
Algorithme de mise à jour des

Levenberg-Marquardt
poids synaptiques
Dans tous les cas, l’algorithme de mise en œuvre des deux modèles est le même et constitue
ce que l’on appelle l’algorithme du Perceptron, [52]. C’est donc en se basant sur cet
algorithme que nous avons implémenté nos différents programmes de prédiction. Les
résultats issus de ce travail seront donc exposés au chapitre 3.
2.4- Machines à Vecteurs de Support (SVM) pour la modélisation de la résistivité

électrique du sol
Cette technique initiée par Vapnik tente de séparer linéairement les exemples positifs des
exemples négatifs dans l'ensemble des exemples. Chaque exemple doit être représenté par
un vecteur de dimension n. La méthode cherche alors l'hyperplan qui sépare les exemples
positifs des exemples négatifs, en garantissant que la marge entre le plus proche des positifs
et des négatifs soit maximale, [37]. Les exemples utilisés lors de la recherche de l'hyperplan

ne sont alors plus utiles et seuls ces vecteurs supports sont utilisés pour classer un nouveau
cas. Cela en fait une méthode très rapide, cette méthode sera détaillée dans les lignes qui
suivent.
2.4.1- Définition des SVM
Les SVM ou machine à support vecteur font partie des algorithmes de l’apprentissage
statistique qui ont été introduits en 1995 par Vladimir VAPNIK. Développées au premier
abord pour la résolution des problèmes de classification, elles ont trouvé des applications
dans d’autres domaines, notamment celui de la régression. Les SVM impliquent plusieurs
notions mathématiques, dont la théorie de la généralisation, la théorie de l’optimisation et
les méthodes d’apprentissage basées sur les fonctions « noyau ».
La compréhension des SVM passe par l’assimilation de certains termes tels que les
séparateurs, la séparabilité, la marge, [12]. Dans cette section, nous définirons ces notions
de base, nous présenterons un problème de classification avec un séparateur linéaire. Cela
permettra de généraliser le problème d’optimisation des SVM.
2.4.2- Historique
Les séparateurs à vastes marges reposent sur deux idées clés :

 la notion de marge maximale ;
 la notion de fonction noyau.
Ces deux notions existaient depuis plusieurs années avant qu'elles ne soient mises en
commun pour construire les SVM.
 l'idée des hyperplans à marge maximale a été explorée dès 1963 par Vladimir Vapnik
et A. Lerner, et en 1973 par Richard Duda et Peter Hart dans leur livre “Pattern
Classification“. Les fondations théoriques des SVM ont été explorées par Vapnik et
ses collègues dans les années 70 avec le développement de la Théorie de Vapnik-
Chervonenkis ;

 l'idée des fonctions noyaux n'est pas non plus nouvelle : le théorème de Mercer date
de 1909, et l'utilité des fonctions noyaux dans le contexte de l'apprentissage artificiel
a été montrée dès 1964 par Aizermann, Bravermann et Rozoener.
Ce n'est toutefois qu'en 1992 que ces idées seront bien comprises et rassemblées par Boser,
Guyon et Vapnik dans un article, qui est l'article fondateur des séparateurs à vaste marge.
L'idée des variables ressorts, qui permet de résoudre certaines limitations pratiques
importantes, ne sera introduite qu'en 1995. À partir de cette date, qui correspond à la
publication du livre de Vapnik, les SVM gagnent en popularité et sont utilisées dans de
nombreuses applications, [37].
2.4.3- Principe de fonctionnement
Un SVM est un algorithme d’apprentissage supervisé permettant d’apprendre “un

séparateur“. Pour définir la notion de séparateur, donnons-nous un ensemble fini de vecteur
Rn et séparé en deux groupes (classes). L’appartenance à un groupe ou à un autre est définie
par une étiquette associée à chacun des vecteurs (groupe 1 et groupe 2). Le séparateur sera
une fonction qui prend un vecteur et peut dire à quel groupe il appartient. Plusieurs
algorithmes sauraient résoudre ce genre de problème par un simple apprentissage par cœur,
seulement avec le degré de généralisation attendu des SVM, c’est-à-dire que si un nouveau
vecteur se présentait et n’appartenait pas à l’ensemble, alors la SVM saurait dire à quel
groupe il appartient au regard des attributions de classes des vecteurs présents au départ.
Le principe est le même pour le cas de la régression sauf que dans ce cas, une valeur
numérique constitue l’étiquette des vecteurs de l’ensemble étudié. Il ne s’agit plus de savoir
à quel groupe un vecteur appartient mais de savoir « combien vaut » le vecteur.
L’idée sous-jacente des SVM est qu’à partir des vecteurs dont on connait la classe, on pose
un problème d’optimisation du style « optimiser tel grandeur en s’assurant que … ». Le
problème intervenant dans cette démarche est de poser le « bon » problème ; se référant à
la théorie mathématique de généralisation. Un second problème découlant du premier

s’avère être celui de la résolution du bon problème posé, et ceci fait appel aux subtilités
informatiques, [23].
2.4.3.1- Notion de base
Dans cette section, nous allons voir les notions de base telles que l’hyperplan, le vecteur
support et la marge.
2.4.3.1.1- Hyperplan
Plaçons-nous dans le cas d’une classification binaire (i.e. les exemples à classifier réparties
en 2 classes). On appelle hyperplan séparateur un hyperplan qui sépare les deux classes
(figure 2.7), en particulier il sépare leurs points d’apprentissage. Comme il n’est en général
pas possible d’en trouver un, on se contentera donc de chercher un hyperplan discriminant
qui est une approximation au sens d’un critère à fixer (maximiser la distance entre ces deux
classes), [38], [30].
Figure 2.7: L’hyperplan H qui sépare les deux ensembles de points [38].
2.4.3.1.2- Vecteurs supports
La détermination de l’hyperplan séparable des SVM est d’utiliser seulement les points les
plus proches (les points de la frontière entre les deux classes des données) parmi l’ensemble
total d’apprentissage, ces points sont appelés vecteurs supports comme le présente la figure
2.8, [38].

Figure 2.8: L’hyperplan H optimal, vecteurs supports et marge maximale [38]
2.4.3.2- Séparateur linéaire
Il est bien vrai que les SVM fournissent des séparateurs bien plus puissants que les
séparateurs linéaires. Néanmoins la méthode du séparateur linéaire constitue la base de
l’algorithme des SVM.
On se donne un ensemble fini de vecteurs étiquetés.
x désigne un nombre réel, 𝑥⃗ désigne quant à lui un vecteur de 𝑅𝑛 . L’ensemble d’étude noté
S (relation 2.12) contient p-éléments.
S  {(xl , yl )}1l  p ; l , yl {1,1} (2.12)
L’appartenance d’un vecteur à une classe ou à l’autre est matérialisée par la valeur 1 ou -1
de l’étiquette y pour faciliter les calculs.
Le séparateur linéaire f w,b est défini par la relation (2.13).
f w,b (x)  w.x  b (2.13)

où la notation w.x désigne le produit scalaire de deux vecteurs. Ce séparateur ne fournit
pas des valeurs exclusivement égales à 1 ou -1 mais, on s’accorde à dire que lorsque le
résultat f w,b (x) est positif le vecteur 𝑥⃗ appartient à la même classe que les exemples
d’étiquette 1 et lorsque f w,b (x) est négatif le vecteur 𝑥⃗ appartient à la même classe que les
exemples d’étiquette -1. L’équation f w,b (x) = 0 définit la frontière de séparation entre les
deux classes et représente l’hyperplan affine dans le cas du séparateur linéaire, [19].
2.4.3.3- Séparabilité
En décomposant l’ensemble S en sous-ensemble selon la valeur de l’étiquette, on définit

alors la relation (2.14).
 S   x : ( x , y )  S , y  1
 
  (2.14)
 S   x : ( x , y )  S , y  1

Dire que S est linéairement séparable équivaut à dire qu’il existe 𝑤

⃗⃗⃗ et 𝑏 tel que le montre
la relation (2.15).

 f w,b (x)  0; x  S

  (2.15)
 f w,b (x)  0; x  S

Autrement dit, dire qu’une distribution d’exemple dans le plan est linéairement séparable
veut dire qu’on peut tracer une droite telle que les exemples de la classe 1 et de la classe –
1 se retrouvent de part et d’autre de cette frontière.
2.4.3.4- Marge
La marge se définit comme une notion relative à un séparateur f et un ensemble d’exemples

donnés. Elle se définit à partir d’une grandeur calculée sur chaque exemple. Sur la figure
2.9, on peut faire les observations suivantes :

 les courbes d’équations f w,b  C sont des hyperplans parallèles ;
 𝑤 est normale à ces hyperplans ;

 le paramètre 𝑏 traduit un décalage de l’hyperplan ;
 la norme ‖𝑤 ⃗⃗⃗ influence les courbes de niveau f w,b  C (plus ‖𝑤
⃗⃗⃗ ‖ de 𝑤 ⃗⃗⃗ ‖ est élevée
plus les courbes de niveaux sont serrées).

Le choix d’une frontière séparatrice donnée se trouve confronté aux choix de 𝑤
⃗⃗⃗ et b. En
effet n’importe quel vecteur 𝑤
⃗⃗⃗ non nul perpendiculaire à l’hyperplan convient. Une fois
choisie, on déterminera b tel que 𝑏⁄‖ ‖ soit la mesure orientée de la distance de l’origine
𝑤
⃗⃗⃗
au plan de séparation.
Figure 2.9: Définition du séparateur et de la notion de marge
Le cœur des SVM réside en la maximisation de la marge durant la phase d’apprentissage

de manière à ce que l’hyperplan passe bien au milieu à l’exemple de l’image de la figure
2.10.

a) exemple séparé b) exemple mieux séparé

Figure 2.10: Exemples de corpus séparé par un séparateur
2.4.3.5- Séparateur non linéaire
Le paragraphe précédent décrit le principe des SVM dans le cas où les données sont
linéairement séparables. Néanmoins, un grand nombre de jeux de données sont non
linéairement séparables.
Pour classer ce genre de données on pourrait utiliser une fonction de décision non linéaire.
Géométriquement, cela reviendrait à avoir une (hyper)courbe qui marquerait la frontière
entre les exemples positifs et négatifs. L'idée retenue dans SVM va dans un autre sens : on
va tenter de trouver une transformation (mapping) de l'espace d'entrée vers un autre espace
appelé « espace de redescription » (feature space) dans lequel les données sont linéairement
séparables. Cette transformation non linéaire est réalisée via une fonction noyau.
2.4.3.5.1- La fonction noyau

Le fait de représenter une fonction de décision complexe par un séparateur linéaire dans un
espace de caractéristiques de très haute dimensionnalité peut engendrer un coût
computationnel élevé. Fréquemment, l’étude des algorithmes d’apprentissage révèle que
les seules opérations manipulant les vecteurs de caractéristiques consistent en des produits
scalaires. La stratégie du noyau permet alors de substituer ces produits scalaires par une
fonction (𝑥, 𝑥′) rapidement calculable. Le résultat de (𝑥, 𝑥′) doit être équivalent en produit

scalaire entre 𝜙 (𝑥) 𝑒𝑡 𝜙 (𝑥′) dans un certain espace de caractéristiques 𝐹. Ainsi le noyau K
est associé à 𝜙 comme le montre la relation (2.16).
K ( x, x)   ( x). ( x) (2.16)
Le noyau 𝐾 (𝑥, 𝑥′) est une fonction de deux variables, symétrique et positive.
2.4.3.5.2- Exemples de fonctions noyaux

Une famille de ces fonctions noyaux qui sont très appropriées aux besoins des SVM peut
être définie, en voici les plus utilisés :
 le noyau linéaire : est un simple produit scalaire : K ( x, z)  x, z
 le noyau polynomial permet de représenter des frontières de décision par des

polynômes de degré d.
La forme générique de ce noyau est : K ( x, z)  (a  x, z  b)d
 le noyau RBF : (Radial Basis Function), noyau très utilisé dans la pratique qui
s’évalue selon la relation (2.17).
xz
2
K ( x, z)  exp( ) (2.17)
2 2
où 𝜎 est un réel positif qui représente la largeur de bande du noyau. En prenant un 𝜎 grand,
la similarité d’un exemple par rapport à ceux qui l’entourent sera assez élevée, alors qu’on
prenant un σ tendant vers 0, l’exemple ne sera similaire à aucun autre.
2.4.4- Problème d’optimisation
L’exemple de la figure 2.8 montre qu’il existe au moins un vecteur de la classe +1 et la

classe –1 qui contraignent cette marge pour que le séparateur passe au milieu, [19]. Ce sont
ces exemples que l’on appelle vecteur support, car on pourrait enlever tous les autres
exemples de la base sans que le séparateur de marge maximale ne change. En s’arrangeant
que les vecteurs supports soient sur les courbes de niveaux –1 et +1, la distance qui sépare

les vecteurs supports au plan de séparation est 1⁄‖ ‖. Dans ce cas la bande constituée par
𝑤
⃗⃗⃗
les courbes de niveaux –1 et 1 est 2⁄‖ ‖.
𝑤
⃗⃗⃗
Le problème lors de la phase d’apprentissage est de trouver 𝑤

⃗⃗⃗ et 𝑏 avec certaines
contraintes.
Pour le cas séparable, le problème consiste à :
Jouer sur 𝑤
⃗⃗⃗ et 𝑏 pour minimiser la relation (2.18).
1
w.w (2.18)
2
En respectant yl ( w.xl  b)  1; ( xl , yl )  S
De façon plus générale, en tenant compte du cas non séparable :
⃗⃗⃗, 𝑏 et ξ pour minimiser la relation (2.19).

Jouer sur 𝑤
1
w.w  C  l  l (2.19)
2
 yl ( w.xl  b)  1  l ; ( xl , yl )  S

en respectant 
l  0

Dans le cas de la régression, où l’objectif n’est plus la séparation du corpus en deux classes
suivants leur étiquette +1 ou –1, mais plutôt d’essayer d’inférer la fonction qui au vecteur
associe son étiquette qui peut être une valeur réelle, le problème est défini de la manière
suivante :
⃗⃗⃗, 𝑏, ξ et ξ’ pour minimiser la relation (2.20).

Jouer sur 𝑤
1
w.w  C  l ( l  l) (2.20)
2

 yl  w.xl  b    l , ( xl , yl )  S

en respectant  w.xl  b  yl    l, ( xl , yl )  S
 ,    0, l
 l l
2.4.5- Résolution du problème d’optimisation
La résolution de ces types de problème d’optimisation passe souvent par l’utilisation des
fonctions de Lagrange. Ces fonctions permettent de passer d’un problème direct sous
contrainte à un problème dual qui facilite leur résolution, [26]. Il est possible de se trouver
en face des exemples qui ne sont pas linéairement séparable. Dans ces cas, l’on a recouru
aux fonctions « noyau ». En effet les fonctions noyaux permettent de projeter les exemples
dans un espace différent de celui de base. Ceci afin de ramener le problème non
linéairement séparable de la dimension de base en un problème linéairement séparable dans
une autre dimension. L’application des fonctions de Lagrange dans cette nouvelle
dimension permet alors de trouver des séparateurs adéquats. Les figures 2.11 et 2.12
montrent respectivement un exemple de classification sur une distribution non linéairement
séparable et un exemple de régression utilisant un séparateur à base des fonctions noyaux.
Figure 2.11: Classification de distribution non linéaire: a) exemple de distribution non

linéairement séparable; b) résolution du problème d’optimisation en utilisation le noyau gaussien;
c) résolution du problème d’optimisation en utilisant le noyau polynomial de degré 3 [26].

Figure 2.12: Exemple de régression d’une distribution: a) utilisation d’un séparateur linéaire; b)
utilisation d’un séparateur à base du noyau polynomial de degré 3; c) utilisation d’un séparateur à
base du noyau gaussien, [26].
2.4.6- Extension du SVM binaire au cas multi-classes
Les machines à vecteur supports sont dans leurs origines binaires. Cependant, les problèmes
du monde réel sont dans la plupart des cas multi classe. Dans de tels cas, on ne cherche pas
à affecter un nouvel exemple à l’une de deux classes mais à l’une parmi plusieurs, c’est-à-
dire que la décision n’est plus binaire et un seul hyperplan ne suffit plus.
Les méthodes des machines à vecteur support multi-classe, réduisent le problème multi-
classe à une composition de plusieurs hyperplans biclasses permettant de tracer les
frontières de décision entre les différentes classes, [21]. Ces méthodes décomposent
l’ensemble d’exemples en plusieurs sous-ensembles représentant chacun un problème de
classification binaire. Pour chaque problème un hyperplan de séparation est déterminé par
la méthode SVM binaire.
On construit lors de la classification une hiérarchie des hyperplans binaires qui est
parcourue de la racine jusqu’à une feuille pour décider de la classe d’un nouvel exemple.
On trouve dans la littérature plusieurs méthodes de décomposition :

2.4.6.1- Approche Un-contre-Tous
L’idée de cette stratégie est de construire autant de classificateurs que de classes. Ainsi,
durant l’apprentissage, tous les exemples appartenant à la classe considérée sont étiquetés
positivement (+1) et tous les exemples n’appartenant pas à la classe sont étiquetés
négativement (-1). Un hyperplan 𝐻𝑘 est défini pour chaque classe k par la fonction de
décision exprimée par la relation (2.21).
H k ( x)  sign( wk , x  bk ) (2.21)
 H k ( x)  1, si f k ( x)  0
avec 
 H k ( x)  0, si non
Si une seule valeur 𝐻𝑘 (x) est égale à 1 et toutes les autres sont égales à 0, on conclut que 𝑥
appartient à la classe 𝑘.
Or, il est possible que plusieurs sorties soient positives pour un exemple de test donné. Ceci
est particulièrement le cas des données ambiguës situées près des frontières de séparation
des classes. On utilise dans ce cas un vote majoritaire pour attribuer l’exemple x à la classe
k selon la relation (2.22).
La figure 2.13 montre un exemple de nuages de points à 3 classe en stratégie Un-contre-

Tous, [17].

Figure 2.13: Nuage de points à 3 classes : l’approche un contre Tous, [17].
Souvent, la méthode un contre tous est critiquée à cause de son asymétrie, [49], puisque
chaque hyperplan est entrainé sur un nombre d’exemples négatifs beaucoup plus important
que le nombre d’exemples positifs. La méthode ‘une contre une’ suivante est une méthode
symétrique qui corrige ce problème.
2.4.6.2- Approche Un-contre-Un
L’approche Un-Contre-Un est un cas spécial des méthodes de décomposition proposées par
Dietterich et al., [58] pour résoudre des problèmes à plusieurs classes. Cette approche
requiert la construction de K(K − 1)/2 SVM chacun séparant un couple de classes (i, j)
parmi ceux existants. Pendant la classification, un vecteur d’entrée x est présenté à
l’ensemble des classificateurs construits. La sortie de chaque SVM fournit un vote partiel
concernant uniquement le couple de classes (𝑤𝑖, 𝑤𝑗), [6].
En considérant que chaque SVM calcule un estimé 𝑝̂ ij de la probabilité exprimé par la

relation (2.22).
Pij  P( x  wi \ x, x  wi  wj ) (2.22)

La règle de classification la plus simple peut s’écrire par la relation (2.23).
arg max1i  k  j 1  Pij  0.5 (2.23)
l’opérateur [ ] est défini : [ ] = 1 𝑠𝑖 𝜂 𝑒𝑠𝑡 𝑣𝑟𝑎𝑖, 0 𝑠𝑖𝑛𝑜𝑛
Cette combinaison considère que les sorties des SVM sont des valeurs binaires de 1 ou 0.
La figure 2.14 montre un exemple de nuage de points à 3 classes avec l’approche un contre
un, [17].
Figure 2.14: Nuage de points à 3 classes : l’approche un contre un, [17].
2.4.7- Modélisation de la résistivité électrique du sol par les supports vectors machines.
Un algorithme résolvant les SVM identifie parmi les exemples d’apprentissage quels sont
les vecteurs supports et construit la frontière (ou fonction de décision) avec une
combinaison linéaire de cette sélection. Résoudre ce problème équivaut à résoudre un
programme quadratique sous contraintes de boîtes.
Dans ce projet, nous présentons l’implémentation utilisée par MATLAB : l’algorithme

SMO (Sequential Minimal Optimization) de Platt J.

John Platt a proposé en 1999 un nouvel algorithme pour l’entrainement des SVM qu’il a
appelé algorithme d’optimisation Séquentielle Minimale (SMO), [51]. Cet algorithme,
décompose le problème en sous problèmes mais choisi de résoudre le plus petit sous-
problème possible à chaque étape d’optimisation de la fonction objectif. La méthode
d’optimisation par minimisation séquentielle peut être perçue comme le cas extrême des
méthodes de décomposition successive. Cela est réalisable en choisissant d’optimiser, non
pas un ensemble de multiplicateurs de Lagrange à la fois, mais deux seulement. En effet, il
nécessite plus d’itérations pour converger mais chaque itération effectue moins
d’opérations.
L’algorithme SMO est basé sur trois éléments :
 une méthode analytique pour résoudre les deux multiplicateurs de Lagrange ;

 deux heuristiques pour choisir quels multiplicateurs à optimiser ;
 une méthode pour le calcul du paramètre b ;
L'idée principale de cet algorithme est de décomposer le problème à l'extrême en optimisant
uniquement deux points à chaque itération, [43]. L'avantage de ceci est qu'optimiser une
équation à deux variables est un problème qui a une solution analytique.
C’est cet algorithme qui nous servira à faire les prédictions en utilisant le noyau linéaire et
le noyau gaussien.
2.4.8- Avantages et inconvénients des SVM
Les supports vecteurs machines possèdent un grand nombre d’avantages mais aussi des
inconvénients. En voici quelques avantages :
 SVM est une méthode de classification qui montre de bonnes performances dans la
résolution de problèmes variés. Cette méthode a montré son efficacité dans de
nombreux domaines d’applications tels que le traitement d’image, la catégorisation
de textes ou le diagnostic médical et ce même sur des ensembles de données de très
grandes dimensions ;
 les SVM possèdent des fondements mathématiques solides ;

 les exemples de test sont comparés juste avec les supports vecteurs et non pas avec
tous les exemples d’apprentissage ;
 décision rapide. La classification d’un nouvel exemple consiste à voir le signe de la
fonction de décision f(x).
Les inconvénients sont de plusieurs ordres, on distingue donc :
 classification binaire d’où la nécessité d’utiliser l’approche un-contre-un ;

 grande quantité d’exemples en entrées implique un calcul matriciel important ;
 temps de calcul élevé lors d’une régularisation des paramètres de la fonction noyau ;
2.5- conclusion
Ce deuxième chapitre nous a permis de présenter de manière détaillée les RNA et les SVM
qui sont les approches retenues pour la modélisation de la résistivité électrique du sol. Les
deux modèles de réseaux neuronaux devant servir pour la modélisation de la résistivité
électrique du sol ont été présentés et leurs fonctionnements décrits.
La méthode des SVM est applicable pour des tâches de classification à deux classes, mais
il existe des extensions pour la classification multi classe. Les SVM peuvent également
s’utiliser pour des tâches de régression, c’est-à-dire de prédiction d’une variable continue
en fonction d’autres variables, comme c’est le cas par exemple dans de la prédiction de la
résistivité électrique du sol en fonction des paramètres tels que la température, du taux
d’humidité de la granulométrie etc…
Dans le troisième chapitre, il s’agira essentiellement de la prédiction effective et de

l’analyse et bilan des résultats obtenus.

Chapitre
Chapitre 3 3
: Prédiction dela la
: Prédiction de résistivité
résistivité électrique du
électrique sol
dupour
solles
pour lesl’UL.
sites de sites de l’UL
CHAPITRE 3 : PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL POUR LES
SITES DE L’UL
3.1- Introduction
Après la présentation des algorithmes de prédiction choisis, nous passons dans ce chapitre
à la prédiction. Nous débuterons par une brève caractérisation des données de résistivité
relevées sur les sites choisis. Etant donné un nombre peu important de données relevées,
Nous poursuivrons par une génération de données pour compléter notre base de données.
Ensuite nous présenterons les résultats de la prédiction. Nous terminerons ce chapitre par
une évaluation financière du projet.
3.2- Caractérisation de la résistivité électrique du sol pour les sites de l’UL
Dans cette section, par une présentation de l’origine des données utilisées et quelques
rappels statistiques, nous allons caractériser la résistivité électrique du sol pour les sites
étudiés.
3.2.1- Origine des données de résistivité
Cette étude concerne trois (03) sites de l’UL de la République du Togo qui se diffèrent par
leurs coordonnées géo référencées. Il s’agit du site de Confucius (06°10.179’ Nord, 001°
12.735’ Est, 9), celui du Bloc pédagogique (06°10397’ Nord, 001°12701’ Est, 11) et celui
du Campus Numérique (06° 10.427’ Nord, 001° 12.850’ Est, 11). Les essais de laboratoire
révèlent que le sol de ces trois sites est de type argileux.
Le Togo est un pays d’Afrique de l’Ouest, limité au nord par le Burkina-Faso, à l’est par
le Bénin, à l’ouest par le Ghana et au Sud par le Golfe de Guinée. Il s’étire sur 600 km du
nord au sud pour une largeur variant de 50 à 150 km et une superficie de 56600km². C’est
un pays au climat tropical, de moins en moins humide du sud au nord.
Ces trois sites se situent dans la ville de Lomé, capitale du Togo, qui se situe à l’extrême
sud-ouest du pays, et s’étend le long du littoral du Golfe de Guinée. Officiellement,
l’agglomération comptait une population de 1 477 660 habitants au recensement de 2010,
tandis que celle de la ville était estimée à 837437 habitants [27]. Son agglomération se

SITES DE L’UL
développe jusqu’à la frontière avec le Ghana, située à quelques centaines de mètres du

centre-ville.
Etant une ville côtière, Lomé est largement influencé par l’océan. Ainsi, on a l’usage de
dire que le climat est un climat subéquatorial tempéré par l’océan. La chaleur est ainsi
stable, sans pointes excessives, et le souffle qui vient de la mer, la rend assez agréable.
Ces mesures ont été effectuées par des étudiants dans le cadre de leurs mémoires de Licence
Professionnelle à l’ENSI. Lors de ces mesures, les paramètres explicatifs pris en compte
sont l’état général de la nature la veille du jour de la mesure, l’état de la nature lors de la
mesure et la température ambiante au point de mesure lors de la mesure. Nous pouvions au
préalable penser que ces paramètres ne sont pas directement significatifs dans l’évolution
de la résistivité mais une analyse statistique nous permettra de confirmer ou d’infirmer.
Les mesures ont été effectuées sur les trois sites et pour chacun de ces sites nous notons
trois points de mesure, ce qui nous donne au total neuf (09) points de mesure qui diffèrent
par leurs coordonnées géo référencées. Lors des mesures, le mesureur prenait soin de
mentionner, en plus des variables explicatives précitées, la résistance mesurée. Ainsi,
d’après la relation (1.5), on calcul la valeur de la résistivité à partir de la résistance mesurée.
La figure (3.1) présente un aperçu des résultats de mesure dans un fichier Excel.

SITES DE L’UL
Figure 3.1: Présentation des données de résistivité des sites de l’UL
Pour être conforme aux spécificités de MATLAB (qui est le logiciel que nous avons utilisé
tout au long du travail), les données ont été prétraitées dans EXCEL comme le montre la
figure 3.2. Ce prétraitement est d’autant plus nécessaire. Etant donné que nous avons
besoin des données, des codes ont été attribués aux variables d’entrée qui sont des chaines
de caractères.

SITES DE L’UL
Figure 3.2: Présentation des données de résistivité des sites de l’UL prétraitées dans EXCEL
3.2.2- Caractérisation statistique des données de résistivité du sol des sites de l’UL
Les données de résistivité collectées sont filtrées dans un premier temps afin d’éliminer les
erreurs, les omissions et autres valeurs non-exploitables. Ensuite, elles sont réparties
suivant différents états de la nature et température et enfin des calculs de paramètres
caractérisant la variation de la résistivité sont effectués pour chaque état et température.
Pour chacun des états de la nature et températures, l’information est mise sous forme
d’histogramme qui représente la variation de la fréquence relative des résistivités. La
modélisation de la distribution de la résistivité consiste d’abord à ajuster l’histogramme des
fréquences par la fonction de distribution normale.
3.2.2.1- Quelques rappels des Statistiques et Probabilités
Avant de se lancer dans l’analyse statistique des données dont nous disposons, il apparait
important de faire un petit rappel sur les notions statistiques qui feront l’objet de discussion.

SITES DE L’UL
3.2.2.1.1- Variable aléatoire
Une variable aléatoire X est une variable qui prend ses valeurs au hasard parmi un
ensemble fini ou infini de valeurs possibles. On parle de variable aléatoire continue quand
les valeurs possibles de la variable ont une distribution continue. Ceci correspond au cas
des mesures, [56].
3.2.2.1.2- Loi normale (loi de Laplace-Gauss)
Elle est la loi la plus importante en statistiques. Elle s'applique à tout phénomène dans
lequel la fluctuation de la variable aléatoire continue est due à un grand nombre de petites
causes indépendantes dont les effets s'additionnent. De ce fait, les résultats de mesures
seront distribués selon une loi de Gauss si les conditions suivantes sont remplies, [56] :
 les causes d'erreur sont nombreuses et indépendantes ;

 les erreurs sont du même ordre de grandeur (pas d'erreur prépondérante).
Si x est une valeur particulière prise par la variable aléatoire, la densité de probabilité f(x)
de la loi normale N (m,𝜎) est donnée par la relation (1.10) :
( x  m )2
1
f ( x)  e 2 2
 2 (3.1)
où m et 𝜎 sont respectivement la moyenne et l'écart-type de la population.
On peut tracer la courbe des probabilités cumulées (courbe de la fonction de répartition).

L'intégration de cette fonction sur]-∞; +∞[correspond graphiquement à l'aire totale sous la
courbe : on obtient évidemment la valeur de 1.
3.2.2.1.3- Histogramme
Un histogramme est constitué de rectangles juxtaposés dont la base correspond à

l’amplitude de chaque classe et dont la surface est proportionnelle à la fréquence absolue
ou relative de cette classe.

SITES DE L’UL
L’histogramme est un outil statistique facile à utiliser, donnant rapidement une image du
comportement d’un procédé industriel et l’allure globale de la distribution ; il montre
l’étalement des données et apporte ainsi des renseignements sur la dispersion et sur les
valeurs extrêmes ; il permet de déceler, éventuellement, des valeurs aberrantes, [56].
3.2.2.1.4- Moyenne arithmétique
La moyenne arithmétique permet de résumer par un seul nombre la série statistique. Elle
prend en compte toutes les valeurs de la série et elle est facile à calculer.
3.2.2.1.5- Médiane
La médiane est plutôt une moyenne de position. La médiane Me est la valeur, observée ou
possible, dans la série des données classées par ordre croissant (ou décroissant) qui partage
cette série en deux parties comprenant exactement le même nombre de données de part et
d’autre de Me.
3.2.2.1.6- Mode ou valeur dominante
Le mode est une moyenne de fréquence. Le mode est la valeur de la variable statistique la
plus fréquente que l’on observe dans une série d’observations. Le mode n’existe pas
toujours et quand il existe, il n’est pas toujours unique.
3.2.2.1.7- Ecart-type
L’écart-type est le paramètre mesurant la dispersion de la variable aléatoire autour de sa

moyenne, [56].
3.2.2.1.8- Caractéristiques de forme
Une distribution est symétrique si les valeurs de la variable statistique sont également
distribuées de part et d’autre d’une valeur centrale. Ainsi, pour une distribution symétrique,
on a mode = médiane = moyenne arithmétique.
Parlant de la forme de la distribution, deux coefficients sont principalement utilisés pour

vérifier qu’une distribution est proche d’une distribution normale (loi de Laplace-Gauss) ;

SITES DE L’UL
le coefficient d’asymétrie ou de dissymétrie (skewness) et le coefficient d’aplatissement

(kurtosis). En effet, pour une telle loi, le coefficient d’aplatissement est égal à 3 et le
coefficient d’asymétrie à 0, [56].
3.2.2.2- Indices statistiques des données de résistivité : Analyse et interprétation
Pour s’assurer que nous pouvons utiliser ces résultats pour la prédiction sans commettre de
graves erreurs, nous allons passer à l’analyse de l’évolution de la résistivité en fonction de
chacun des états de la nature mentionnée et de chacune des valeurs de la température
ambiante apparaissant dans les données.
3.2.2.2.1- Présentation des indices statistiques
Les tableaux (3.1 à 3.9) présentent les indices statistiques pour chacun des états pour tous
les points de mesure (où BP1, BP2, BP3 désignent respectivement les données du 1er, 2ème
et 3ème point de mesure du site Bloc Pédagogique ; CN1, CN2, CN3 désignent les données
du 1er, 2ème, et 3ème point de mesure du site Campus Numérique et CO1, CO2, CO3
désignent les données du 1er, 2ème, et 3ème point de mesure du site Conficius).

SITES DE L’UL
Tableau 3.1: Caractéristiques statistiques des données de résistivité du site “BP1“
Bloc pédagogique : point 1

Etats & Températures Moyenne Ecart-type Minimum Maximum Mode Médiane Skewness Kurtosis
Moins ensoleillé 187,2394 9,330076 180,642 193,8367 180,642 187,2394 0 1
Très Ensoleillé 200,6304 15,99524 188,496 219,912 188,496 189,9097 0,505755 1,26926
Ensoleillé 190,4682 12,36247 169,0181 219,912 188,496 188,496 1,121494 4,537167
Nuageux 183,1204 18,56842 157,08 219,912 188,496 187,7106 0,364341 2,757312
Pluvieux 188,2604 11,16153 174,3588 201,6907 188,496 188,496 -0,07308 2,001187
Partiellement couvert 185,8481 4,510764 175,3013 188,496 188,496 188,496 -1,22844 2,824681
V.Très Ensoleill 189,2249 2,680689 188,496 200,7482 188,496 188,496 3,675956 15,45936
V. Ensoleillé 189,357 6,752946 178,4429 219,912 188,496 188,496 3,404789 17,10118
V. Nuageux 209,9446 14,94166 178,4429 219,912 219,912 219,912 -1,03215 2,638655
V. Pluvieux 178,2979 13,37074 157,08 219,912 188,496 178,9141 0,779694 4,877305
temp. 25° 188,496 0 188,496 188,496 188,496 188,496
temp. 26° 173,7305 19,97326 157,7083 201,6907 157,7083 167,7614 0,76137 1,960487
temp. 27° 186,4682 17,69943 157,08 219,912 188,496 188,496 -0,16501 3,057496
temp. 28° 188,137 9,814313 170,903 219,912 188,496 188,496 1,215923 6,836273
temp. 29° 188,8464 13,00951 169,0181 219,912 188,496 188,496 1,283352 4,563977
temp. 30° 193,5016 14,33256 172,1597 219,912 188,496 188,496 1,092081 3,049562
temp. 31° 191,8889 16,86896 174,0446 219,912 188,496 188,496 0,943708 2,772726
temp. 32° 188,496 0 188,496 188,496 188,496 188,496
temp. 34° 188,496 0 188,496 188,496 188,496 188,496
Ensemble des données 188,6337 13,3727 157,08 219,912 188,496 188,496 0,595694 4,51818

Moins ensoleillé 122,6795 3,776459 120,0091 125,3498 120,0091 122,6795 -8E-15 1
Très Ensoleillé 114,0401 23,49578 62,832 128,4914 125,664 125,664 -1,55086 3,833896
Ensoleillé 124,7477 7,135306 109,956 157,08 125,664 125,664 2,093986 13,57804
Nuageux 121,929 19,10289 94,248 188,496 112,1551 120,7945 2,300802 9,517905
Pluvieux 119,2237 9,779413 112,1551 132,8897 112,1551 115,925 0,759687 1,937457
V.Très Ensoleill 125,8399 0,708777 125,664 129,1198 125,664 125,664 4,252677 19,96458
V. Ensoleillé 122,5573 7,086344 94,248 128,4914 125,664 125,664 -2,6941 10,65226
V. Nuageux 134,3462 20,80359 116,2392 188,496 116,2392 127,549 1,847267 5,312063
V. Pluvieux 112,8439 12,62439 62,832 125,664 112,1551 112,1551 -2,43872 10,67639
temp. 25° 117,6529 9,681363 106,8144 125,9782 106,8144 118,9096 -0,14772 1,195774
temp. 26° 118,5954 10,44316 109,6418 132,8897 109,6418 115,925 0,654653 1,864534
temp. 27° 117,4102 10,85748 94,248 128,4914 112,1551 120,0091 -0,78562 2,711334
temp. 28° 120,3831 14,14265 62,832 130,6906 125,664 125,664 -3,41454 14,4506
temp. 29° 125,664 13,70314 110,5843 188,496 125,664 125,664 3,785781 18,53271
temp. 30° 124,931 10,24874 110,2702 157,08 125,664 125,664 1,897302 7,941689
temp. 31° 116,8047 14,57106 94,248 128,4914 125,664 125,664 -0,79609 2,024658
temp. 32° 125,664 0 125,664 125,664 125,664 125,664
temp. 34° 125,664 0 125,664 125,664 125,664 125,664

SITES DE L’UL

Moins ensoleillé 181,1132 1,555013 180,0137 182,2128 180,0137 181,1132 -3,9E-14 1
Très Ensoleillé 199,2953 17,27752 180,642 219,912 188,496 188,496 0,4371 1,314538
Ensoleillé 178,3992 15,95402 153,3101 219,912 188,496 188,496 -0,18554 2,601451
Nuageux 171,3568 18,97675 142,3145 210,4872 188,496 179,2283 0,141921 2,017161
Pluvieux 160,8499 14,5195 150,7968 181,5845 150,7968 155,5092 0,865377 2,052668
V.Très Ensoleill 185,1785 8,903855 157,08 188,496 188,496 188,496 -2,66578 8,658608
V. Ensoleillé 180,3046 12,70935 150,7968 188,496 188,496 188,496 -1,43378 3,406977
V. Nuageux 193,2084 26,02641 153,3101 219,912 219,912 182,527 -0,28051 1,684625
V. Pluvieux 161,5447 13,08432 142,3145 188,496 157,08 157,08 1,112916 3,013481
temp. 25° 169,3322 18,22128 150,7968 188,496 150,7968 169,0181 0,025519 1,184144
temp. 26° 159,986 15,32932 148,9118 181,5845 148,9118 154,7238 0,798366 1,980477
temp. 27° 174,7015 17,16157 142,3145 188,496 188,496 180,642 -0,93838 2,236121
temp. 28° 179,7818 16,2568 153,9384 219,912 188,496 185,0402 0,002699 3,269913
temp. 29° 180,9803 17,38799 153,3101 219,912 188,496 188,496 -0,15178 2,681276
temp. 30° 177,1234 19,26363 154,2526 219,912 188,496 183,1553 0,369449 2,515071
temp. 31° 182,4641 25,98846 157,08 219,912 188,496 188,496 0,359117 1,865613
temp. 32° 157,08 0 157,08 157,08 157,08 157,08
temp. 34° 188,496 0 188,496 188,496 188,496 188,496
Tableau 3.4: Caractéristiques statistiques des données de résistivité du site “CN1“
Campus numérique: point 1

Moins ensoleillé 116,8226 6,310443 110,8985 125,664 125,664 114,0401 0,690995 1,769946
Très Ensoleillé 149,959 17,44272 114,3542 157,08 157,08 157,08 -1,78885 4,2
Ensoleillé 142,8932 20,56852 94,248 157,08 157,08 157,08 -0,86859 2,068553
Nuageux 126,0748 18,97501 107,4427 157,08 125,664 125,664 0,840086 2,199792
Pluvieux 136,8952 23,32466 115,6109 157,08 157,08 137,445 -0,00444 1,00592
V.Très Ensoleill 139,5156 21,33945 110,8985 188,496 157,08 157,08 -0,10139 1,530544
V. Ensoleillé 143,0662 21,53286 94,248 157,08 157,08 157,08 -0,99637 2,300032
V. Nuageux 157,08 0 157,08 157,08 157,08 157,08
V. Pluvieux 132,497 16,50138 121,5799 157,08 125,664 125,664 1,10649 2,30044
temp. 25° 136,136 18,13804 125,664 157,08 125,664 125,664 0,707107 1,5
temp. 26° 125,664 0 125,664 125,664 125,664 125,664
temp. 27° 128,4673 20,53385 107,4427 157,08 157,08 118,4383 0,638725 1,626897
temp. 28° 139,2671 20,53698 110,5843 157,08 157,08 157,08 -0,2928 1,191792
temp. 29° 141,9538 23,9136 94,248 188,496 157,08 157,08 -0,42664 2,020959
temp. 30° 145,6409 18,58996 111,5268 157,08 157,08 157,08 -1,01078 2,15338
temp. 31° 157,08 0 157,08 157,08 157,08 157,08
temp. 32° 141,372 22,21447 125,664 157,08 125,664 141,372 -1,3E-15 1
temp. 34° 157,08 0 157,08 157,08 157,08 157,08
Ensemble des données 140,7119 20,96334 94,248 188,496 157,08 157,08 -0,38843 1,673507

SITES DE L’UL

Très Ensoleillé 120,3233 23,62266 94,248 157,08 94,248 125,3498 0,242845 2,121063
Ensoleillé 100,0765 11,851 91,73472 126,9206 94,248 94,248 1,499878 3,387797
Nuageux 110,536 19,4525 83,56656 157,08 94,248 111,2126 0,801646 3,548484
Pluvieux 105,6363 23,00798 78,85416 127,2348 78,85416 108,2281 -0,19153 1,307428
V.Très Ensoleill 107,1685 17,54938 82,62408 157,08 94,248 94,248 0,883991 3,071147
V. Ensoleillé 96,23394 9,409682 78,85416 118,4383 94,248 94,248 0,926915 3,554819
V. Nuageux 94,71924 0,666434 94,248 95,19048 94,248 94,71924 0 1
V. Pluvieux 108,7779 32,22081 91,73472 157,08 91,73472 93,14844 1,150563 2,330051
temp. 25° 96,02824 25,77325 78,85416 125,664 78,85416 83,56656 0,680606 1,5
temp. 26° 94,248 0 94,248 94,248 94,248 94,248
temp. 27° 109,5693 19,80627 84,50904 157,08 94,248 111,2126 0,920218 3,460221
temp. 28° 103,6885 13,95226 91,73472 125,664 94,248 94,248 0,713523 1,62463
temp. 29° 101,7064 16,72432 82,62408 157,08 94,248 94,248 1,723673 5,574604
temp. 30° 100,5682 12,02605 92,04888 125,664 94,248 94,248 1,29131 2,766212
temp. 31° 93,61968 1,25664 91,73472 94,248 94,248 94,248 -1,1547 2,333333
temp. 32° 125,664 44,42893 94,248 157,08 94,248 125,664 -7E-16 1
temp. 34° 125,664 0 125,664 125,664 125,664 125,664

Moins ensoleillé 190,0219 42,44162 94,248 209,8589 94,248 205,7748 -2,00051 5,073484
Très Ensoleillé 191,5852 21,26138 157,08 219,912 188,496 188,496 -0,33637 2,488258
Ensoleillé 194,4072 15,31677 162,1066 251,328 188,496 188,496 1,601474 6,712261
Nuageux 190,3085 23,39953 158,3366 251,328 188,496 188,496 1,283756 4,680813
Pluvieux 183,4694 21,07918 153,6242 203,2615 188,496 188,496 -0,76342 2,134391
Partiellement couvert 190,2463 11,37874 162,4207 219,912 188,496 188,496 1,063242 6,728931
V.Très Ensoleill 198,4063 17,10752 157,08 251,328 188,496 188,496 0,839633 4,877534
V. Ensoleillé 184,9056 8,191589 153,6242 188,496 188,496 188,496 -2,50246 8,956662
V. Nuageux 188,496 0 188,496 188,496 188,496 188,496
V. Pluvieux 150,8753 40,04554 94,248 188,496 94,248 160,3787 -0,7575 2,126863
temp. 25° 176,8721 20,13322 153,6242 188,496 188,496 188,496 -0,70711 1,5
temp. 26° 219,912 0 219,912 219,912 219,912 219,912
temp. 27° 194,5859 20,64573 171,2172 251,328 188,496 188,496 1,632668 5,503226
temp. 28° 192,3916 15,70516 158,3366 219,912 188,496 188,496 -0,21981 3,179988
temp. 29° 189,0661 21,79214 94,248 219,912 188,496 188,496 -2,97385 14,66033
temp. 30° 197,4034 17,11269 188,496 251,328 188,496 188,496 2,097597 6,834364
temp. 31° 181,8986 13,19472 162,1066 188,496 188,496 188,496 -1,1547 2,333333
temp. 32° 172,788 22,21447 157,08 188,496 157,08 172,788 0 1
temp. 34° 204,204 22,21447 188,496 219,912 188,496 204,204 0 1

SITES DE L’UL
Tableau 3.7: Caractéristiques statistiques des données de résistivité du site “CO1“
Confucius: point 1
Très Ensoleillé 188,496 0 188,496 188,496 188,496 188,496
Ensoleillé 180,2231 13,79214 153,9384 188,496 188,496 188,496 -1,05515 2,161735
Nuageux 160,6928 23,86868 130,0622 219,912 158,3366 158,3366 0,734199 3,297262
Pluvieux 160,5358 0 160,5358 160,5358 160,5358 160,5358
V.Très Ensoleill 186,9252 7,024831 157,08 188,496 188,496 188,496 -4,12948 18,05263
V. Ensoleillé 185,2552 14,31031 154,8809 219,912 188,496 188,496 -0,45494 4,613177
V. Nuageux 189,8155 19,96387 163,6774 219,912 188,496 188,496 0,330103 2,532404
V. Pluvieux 161,0105 16,72516 130,0622 188,496 188,496 158,965 0,206192 2,731936
temp. 25° 169,6464 16,32726 159,9074 188,496 159,9074 160,5358 0,705929 1,5
temp. 26° 132,7326 3,776459 130,0622 135,403 130,0622 132,7326 0 1
temp. 27° 164,2271 24,6622 130,3764 219,912 157,08 159,5933 0,818419 3,380138
temp. 28° 175,4336 21,34165 136,0313 219,912 188,496 188,496 -0,13209 2,403984
temp. 29° 178,6341 13,91901 154,8809 188,496 188,496 188,496 -0,68958 1,546046
temp. 30° 175,88 15,23712 155,195 188,496 188,496 188,496 -0,3354 1,134543
temp. 31° 171,666 22,64268 132,2614 188,496 188,496 188,496 -0,73796 2,077739
temp. 32° 172,788 22,21447 157,08 188,496 157,08 172,788 0 1
temp. 34° 188,496 0 188,496 188,496 188,496 188,496
Confucius: point 2
Très Ensoleillé 102,102 15,708 94,248 125,664 94,248 94,248 1,154701 2,333333
Ensoleillé 94,23848 15,33995 74,45592 125,664 94,248 94,248 0,975122 3,289768
Nuageux 78,05131 13,04035 66,60192 125,664 66,60192 77,7546 2,784534 11,21066
Pluvieux 77,59752 0 77,59752 77,59752 77,59752 77,59752
Partiellement couvert 98,08524 22,52554 62,832 125,664 125,664 94,248 0,032292 1,701106
V.Très Ensoleill 108,3852 16,03529 94,248 125,664 94,248 94,248 0,201008 1,040404
V. Ensoleillé 97,10851 13,89698 74,77008 125,664 94,248 94,248 1,077891 3,759983
V. Nuageux 84,50904 9,285009 74,45592 94,248 94,248 81,99576 0,169483 1,283568
V. Pluvieux 79,849 13,09189 62,832 125,664 74,45592 77,91168 2,082155 7,806058
temp. 25° 77,70224 0,18138 77,59752 77,91168 77,59752 77,59752 0,707107 1,5
temp. 26° 69,27228 2,887881 67,23024 71,31432 67,23024 69,27228 1,04E-14 1
temp. 27° 83,43566 20,72653 62,832 125,664 66,60192 78,38292 1,399598 3,604869
temp. 28° 92,75161 19,58589 71,62848 125,664 94,248 94,248 0,742843 2,20637
temp. 29° 92,02156 18,48331 62,832 125,664 94,248 94,248 0,682248 2,623222
temp. 30° 89,86629 12,37047 74,45592 125,664 94,248 94,248 1,15391 4,722325
temp. 31° 89,93952 19,1429 66,91608 125,664 94,248 94,248 0,746797 2,856821
temp. 32° 109,956 22,21447 94,248 125,664 94,248 109,956 0 1
temp. 34° 109,956 22,21447 94,248 125,664 94,248 109,956 0 1

SITES DE L’UL
Confucius: point 3
Moins ensoleillé 116,7818 5,551112 106,1861 125,664 118,4383 117,4958 -0,58182 2,976114
Très Ensoleillé 144,8278 24,50448 108,071 157,08 157,08 157,08 -1,1547 2,333333
Ensoleillé 142,9333 19,32172 109,0135 157,08 157,08 157,08 -0,66837 1,582261
Nuageux 116,9722 12,91365 102,7303 157,08 125,664 116,7104 1,573388 6,166932
Pluvieux 114,0401 0 114,0401 114,0401 114,0401 114,0401
V.Très Ensoleill 154,6296 10,95874 108,071 157,08 157,08 157,08 -4,12948 18,05263
V. Ensoleillé 147,9694 18,45094 107,7569 157,08 157,08 157,08 -1,53444 3,494203
V. Nuageux 135,4658 20,52213 111,841 157,08 125,664 125,664 0,16577 1,350389
V. Pluvieux 117,0909 10,8949 102,7303 157,08 125,664 116,8675 2,052833 8,810107
temp. 25° 114,459 0,725521 114,0401 115,2967 114,0401 114,0401 0,707107 1,5
temp. 26° 104,4582 2,443591 102,7303 106,1861 102,7303 104,4582 0 1
temp. 27° 119,4332 14,10501 103,6728 157,08 125,664 117,4958 1,523408 5,379999
temp. 28° 133,27 21,57272 107,7569 157,08 157,08 125,664 0,130276 1,23334
temp. 29° 142,4101 20,79925 107,7569 157,08 157,08 157,08 -0,71229 1,595224
temp. 30° 138,0651 20,91449 107,7569 157,08 157,08 157,08 -0,19922 1,167545
temp. 31° 132,6653 23,80904 103,987 157,08 157,08 125,664 0,059366 1,252826
temp. 32° 120,1662 7,775063 114,6684 125,664 114,6684 120,1662 0 1
temp. 34° 132,5755 34,65457 108,071 157,08 108,071 132,5755 -8,7E-16 1
3.2.2.2.2- Analyse te interprétation des indices statistiques
L’analyse de ces caractéristiques statistiques révèle d’une part que pour un même site, on
note un écart important entre les résultats d’une des mesures et les deux autres. Ceci peut
s’expliquer par le fait que le sol n’est pas homogène sur tous les angles au niveau de chaque
site. D’autre part, partant d’un site à un autre, les résultats ne sont pas les mêmes à tout
moment bien qu’on ait les mêmes états ou température, cela confirme le fait que d’autres
paramètres ont d’influence sur la résistivité.
Les cases des tableaux 3.1 à 3.9 avec une valeur nulle de l’écart-type indiquent que nous
avons une valeur identique de la résistivité pour l’état concerné.
Pour la majorité des états et température au niveau de chacun des sites, la moyenne, le mode
et la médiane sont pratiquement égaux ; ce qui traduit la symétrie de la distribution.
Les coefficients de skewness et kurtosis obtenus pour la majorité des états et température
au niveau de chacun des sites ne sont pas en général trop écartés de ceux de la loi normale

SITES DE L’UL
(skewness = 0 et kurtosis = 3). Ce qui permet de dire que ces distributions sont proches de
la distribution normale.
Pour confirmer ces aspects listés de ces distributions, nous avons créé un script Matlab qui
permet de représenter les ajustements des histogrammes de fréquences des états et
température par la fonction de distribution normale. Les figures 3.3 à 3.5 présentent
quelques-uns de ces ajustements pour le site du bloc pédagogique.
Figure 3.3: Ajustement de l’histogramme par la loi N pour l’état “Nuageux“ pour le site de bloc
pédagogique

SITES DE L’UL
Figure 3.4: Ajustement de l’histogramme par la loi N pour l’état “Pluvieux la veille“ pour le site
du bloc pédagogique
Figure 3.5: Ajustement de l’histogramme par la loi N pour la température “31°C“ pour le site du
bloc pédagogique

SITES DE L’UL
Sur la figure 3.5 par exemple, les figures 3.5.a, 3.5.b et 3.5.c correspondent aux mesures
autour de chacun des trois points de mesure du même site, tandis que l’objectif de la sous
figure d) est de montrer le décalage entre les trois mesures sur le même site.
Ainsi, étant donné que la majorité de ces distributions sont proches de la distribution
normale, nous allons nous servir de ces données comme base pour la prédiction de la
résistivité électrique du sol de ces sites.
Le nombre de données relevées étant peu important, nous procèderons dans la section
suivante à une génération de données pour compléter notre base de données.
3.3- Présentation de la procédure adoptée pour la Génération des données
Etant donné que nous n’avons pas une base importante de données, nous avons dû générer
les données sur une durée de 3 ans pour chacun des sites en se basant sur la base de données
mesurées.
La méthode de génération adoptée est celle de la fonction « randn » de Matlab qui permet
de générer des données suivant une loi normale à partir des caractéristiques statistiques
(Ecart-type et moyenne) de l’échantillon existant. Il a fallu donc choisir une des variables
explicatives et ce sont les caractéristiques statistiques de cette dernière qui devaient être
utilisées pour la génération des données de résistivité. Ainsi, la température ambiante étant
la seule variable explicative quantitative, nous l’avons considéré comme paramètre
principal pour la génération des données. Pour un site, le nombre de données à générer pour
chaque température est obtenu par proportionnalité à partir du nombre présent dans les
données mesurées. Nous avons créé un script Matlab pour accomplir cette tâche.
Les données étant générées, nous avons procédé à la répartition des autres variables
explicatives proportionnellement à la fréquence des combinaisons observées dans les
données mesurées sur les différents sites. Un autre script Matlab est mis en place pour cette
tâche aussi.

SITES DE L’UL
Nous avons complété notre base de données mesurées par les données générées et c’est
cette nouvelle base de données qui nous a servi à faire la prédiction.
3.4. Méthodologie d’implémentation de la résistivité électrique du sol
Dans cette section, il s’agit essentiellement de présenter les résultats de prédiction obtenus
grâce aux approches par RNA et SVM présentées au deuxième chapitre. Une présentation
préalable de la méthodologie adoptée et de l’outil utilisé pour cette modélisation sera faite.
Enfin, les performances des différents modèles seront présentées.
3.4.1- Méthodologie adoptée pour la modélisation de la résistivité électrique du sol
Cette section met en évidence les étapes de l'investigation sur les performances des
algorithmes des RNA et des SVM dans l'étude. Le traitement des données et la mise en
œuvre des modèles de prévision ont été faites avec l'aide du ntstool Boîte à outils en version
Matlab R2017a.
Des données d'entrée sont utilisées pour évaluer l'influence de chaque paramètre d'entrée
sur la sortie du modèle de prédiction. La précision du modèle peut dépendre de l'adéquation
entre les paramètres d'entrée. Cela implique d'éliminer certaines variables redondantes ou
celles fournissant moins ou pas d’informations pour décrire la sortie.
La figure 3.6 montre la méthodologie adoptée pour la modélisation de la résistivité

électrique du sol.

SITES DE L’UL
Début
Acquisition des données
Prétraitement des données
Codification des variables explicatives
Combinaisons des variables explicatives
Choix de la méthode
RNA SVM
MLP RBF Noyau linéaire Noyau gaussien
On fixe un pas « p » de variation du nombre Pour chaque configuration, on

de neurones « N » et une valeur Nmax. Pour évalue les indices de performances
chaque configuration, on varie le nombre de pour chacun des deux modèles.
neurones de la couche cachée et on évalue les
indices de performances pour MLP et RBF.
Rm = Modèle RNA et configuration Sm = Modèle SVM et configuration

donnant les meilleures performances. donnant les meilleures performances
On compare et on choisit entre Rm et Sm

celui qui a les meilleures performances
Fin
Figure 3.6: Méthodologie adoptée pour la prédiction de la résistivité électrique du sol

SITES DE L’UL
3.4.2- Présentation de l’outil de modélisation : le logiciel MATLAB
Le traitement des données et la réalisation des modèles de prédiction ont été effectués
intégralement avec le logiciel MATLAB.
Le logiciel MATLAB est un produit destiné à l’étude des systèmes linéaires ou non
linéaires. Son développement et son perfectionnement se font d’une façon continue et
parallèle à ceux de la technique de calcul. Le nom du logiciel MATLAB vient du groupe
de mots anglais Matrix Laboratory, il est orienté en un premier lieu sur l’élaboration des
massifs de données (des matrices et des vecteurs). C’est pour cela, malgré une évolution
rapide de la technique de calcul, MATLAB est toujours parvenu à se maintenir au plus haut
niveau de l’évolution de cette technique.
L’unique problème pour l’utilisateur de ce logiciel est de savoir où prendre les éléments
nécessaires pour la résolution d’un problème concret. Pour faciliter l’utilisation de
MATLAB aux spécialistes de différents domaines de la science et de la technique, sa
bibliothèque est divisée en différentes parties. Celles d’entre elles, qui possèdent un
caractère général font partie de la composition du noyau et celles qui font partie des
domaines spécifiques sont classées dans les lots des paquets d’extension appelés Toolboxes
(boites à outils).
Il est important de souligner que les logiciels MATLAB et ses paquets d’extension
(Toolboxes) se développent et se perfectionnent constamment. C’est pour cela, il est
possible, que la version et bibliothèques, installées sur l’ordinateur de l’utilisateur se
diffèrent de celles utilisées dans ce mémoire. Les non correspondances des versions ne joue
pas un très grand rôle et se manifestent seulement dans la forme de fenêtres, quelques
changements de l’interface, et d’autres descriptions spécifiques etc., mais elle peut rendre
impossible l’utilisation des modèles déjà élaborés dans ce manuel. Dans le cadre de ce
mémoire, Nous avons utilisé la version 9.2.0.538062 (R2017a) de MATLAB éditée en
Février 2017 dont la page d’accueil est présentée à la figure (3.7). MATLAB a été utilisé
dans l'environnement Windows, qui s’avère très efficace pour traiter les données brutes de
type tableur (Microsoft Excel).

SITES DE L’UL
Figure 3.7: Page d’accueil de MATLAB version R2017a
MATLAB est une application qui permet de résoudre des problèmes de calcul très
complexes d'une façon simple et rapide comparée aux langages de programmation
traditionnels du type C ou FORTRAN. Il apporte aux Chercheurs, Scientifiques et aux
Ingénieurs notamment, un système interactif intégrant calcul numérique et visualisation.
C'est un environnement performant, ouvert et programmable qui permet de remarquables
gains de productivité et de créativité. Il dispose de plusieurs centaines (voire milliers, selon
les versions et les modules optionnels autour du noyau MATLAB) de fonctions
mathématiques, scientifiques et techniques. L’approche matricielle de MATLAB permet
de réaliser des calculs numériques et symboliques de façon fiable et rapide et de traiter les
données sans aucune limitation de taille ; ceci dans la limite du possible des performances
de la machine.

SITES DE L’UL
MATLAB possède son propre langage, intuitif et naturel qui permet des gains de temps de
CPU (Central Processing Unit ou Unité centrale de traitement) spectaculaires par rapport à
d’autres langages lorsque le programmeur est méticuleux dans sa manière de faire.
MATLAB comporte aussi un ensemble d'outils spécifiques à des domaines précis y compris
l’intelligence artificielle et les statistiques, appelés Toolboxes (ou Boîtes à Outils) qui outils
sont des collections de fonctions qui étendent l'environnement MATLAB pour résoudre des
catégories spécifiques de problèmes [52]. Ces nombreux avantages (multiplateforme,
traitement de données sans limitation de taille, interface graphique et langage intuitif, gains
de temps de CPU, Toolboxes…) font de MATLAB le logiciel idéal pour la réalisation de
notre projet.
Ainsi la toolboxe « nntool » (figure 3.8) permet de créer des modèles à base de réseaux
de neurones. Tandis que la toolboxe « nftool » (figure 3.9) met à la disposition de
l’utilisateur un modèle prédéfini qu’il peut personnaliser selon ses besoins.
Figure 3.8: Interface principal de la nntool de MATLAB

SITES DE L’UL
Figure 3.9: Interface principal de la nftool de MATLAB
A partir de cette interface (nntool), il est possible de créer de nouveaux réseaux et les
enregistrer. Cette fonctionnalité est assez perspicace, car on peut toutefois réentrainer le
réseau afin de le performer.
Nous allons donc nous servir de cet outil performant pour implémenter nos différents
modèles pour les RNA.
Quand à ce qui concerne les SVM, Il existe une multitude de fonctions dans MATLAB qui
traitent des problèmes de classification et de régression à base des algorithmes de SVM.
Certains utilisateurs n’hésitent cependant pas à développer des outils très intuitifs avec des
exemples assez élaborés. MATLAB ne disposant pas d’un outil graphique pour la
conception des modèles de prédiction à partir des SVM, nous nous sommes orientés vers
la programmation d’un script afin de déterminer le modèle. Pour la validation de nos
résultats à partir de ce programme, nous avons utilisé une fonction développée par un

SITES DE L’UL
utilisateur de la communauté des programmeurs en MATLAB. La figure 3.10 montre le

résultat d’un problème de classification résolut par cette toolboxe.
Figure 3.10: Classification avec SVM dans MATLAB
3.4.3- Présentation des variables d’entrées et sorties
L’objectif étant de prédire des valeurs de la résistivité électrique du sol en un point

connaissant la température ambiante, l’état de la nature au moment concerné, l’état globale
de la nature la veille et les coordonnées géo référencées du point souhaité, l’utilisation de
toutes ces variables comme paramètres d’entrées sera couteuse en temps de calcul et peut-
être sera sans importance. Il convient donc de déterminer les paramètres qui expliquent
significativement la résistivité électrique du sol.

SITES DE L’UL
Ainsi, nous aurions dû déterminer les coefficients de corrélation inter-variables. Ce

coefficient donne la corrélation entre deux variables. Compte tenu du type et du nombre
peu important de variables explicatives dont nous disposons, nous avons jugé mieux
d’élaborer toutes les combinaisons possibles avec les variables et de procéder à une
élimination suivant les performances.
L’objectif étant de trouver un modèle performant pour la prédiction des données, la

simulation en combinant les diverses variables d’entrée peut être une solution de choix.
Elle permettra d’apprécier les différentes performances des modèles. La liste des variables
explicatives est donnée dans le tableau 3.10 et les combinaisons possibles à envisager pour
ces variables sont présentées dans le tableau 3.11.
Tableau 3.10: Liste des variables explicatives, leur explication mathématique et leur codification
Variables d’entrées Explication mathématique Codage

moins ensoleillé = 1 ; Très
Ensoleillé= 2 ; Ensoleillé = 3 ;
Etat de la nature le jour J Nuageux = 4 ; Pluvieux = 5 ; A
Partiellement couvert = 6.
Très Ensoleillé=1 ; Ensoleillé = 2 ;

Etat de la nature la veille B
Nuageux = 3 ; Pluvieux = 4.
Température ambiante (en

25; 26; 27; 28; 29; 30; 31; 32; 34. C
°C) au point de mesure
Point 1 = 1 ; Point 2 = 2 ; Point 3

Coordonnées géo
= 3 ; Point 4 = 4 ; Point 5 = 5 ;
référencées du point de D
Point 6 = 6 ; Point 7 = 7 ; Point 8
mesure
= 8 ; Point 9 = 9.

SITES DE L’UL
Tableau 3.11: Liste des Configurations possibles
Numéro configuration
1 [AB]
2 [AC]
3 [AD]
4 [BC]
5 [BD]
6 [CD]
7 [ABC]
8 [ABD]
9 [ACD]
10 [BCD]
11 [ABCD]
3.4.4- Les RNA pour la prédiction de la résistivité électrique

La modélisation des réseaux de neurones passe par le choix d’une architecture (Hopfield,
Retour de Propagation, Perceptron…), le nombre de couche, la connectivité des éléments,
l’utilisation des liens unidirectionnels ou bidirectionnels.
L’architecture des réseaux de neurones le plus populaire est le Retour de Propagation. Il

sera utilisé pour nos simulations. Les modèles de réseaux de neurones que nous avons
construits sont à deux couches. Les neurones de la couche cachée possèdent une fonction
d’activation de type sigmoïde pour la première approche (MLP), et gaussienne pour la
deuxième approche (RBF) et ceux de la couche de sortie une fonction linéaire dans les deux
cas. Cette architecture est proposée dans la bibliothèque « nftool » de Matlab que nous
avons utilisée.
Par ailleurs, compte tenu de leur caractère d’approximation universel de fonctions,

caractère qui leurs sont conférés par le nombre de neurones de leurs couches, nous varierons
ce nombre pour les différentes configurations afin de trouver la meilleure configuration.

SITES DE L’UL
Les données de résistivité sont divisées en deux groupes. Le premier groupe de données
destinées pour l’apprentissage du modèle c’est-à-dire l’estimation de ses paramètres (poids
synaptiques) représente 80% des données et Le second groupe qui sert tester l’approche de
prédiction représente 20%. Les critères de performances utilisés pour évaluer les modèles
sont le RMSE le RRMSE, le MAPE, et R2 exprimés tous en pourcentage.
Dans cette section, nous allons exposer les résultats issus de nos travaux avec les RNA puis
faire sortir le modèle de RNA le plus adapté pour la prédiction de la résistivité électrique
du sol en se basant sur le RRMSE et le R2 qui sont les indicateurs principaux choisis pour
évaluer les performances de ces modèles.
3.4.4.1- Evaluations des performances des modèles
Chaque modèle a été exécuté 10 fois pour la phase d’apprentissage et la phase de simulation
et ce pour un nombre donné de neurones sous la couche cachée. En effet, les poids
synaptiques changent de valeurs à chaque exécution, ce qui donne des résultats légèrement
différents des exécutions précédentes [52].
3.4.4.1.1- Performances du modèle Perceptron Multicouche (MLP)
Les tableaux 3.12 à 3.22 Présentent les minima et le maxima de chacun des critères de
performances des différents cas de configurations du modèle MLP. Les meilleures
performances de chaque configuration sont mises en exergue par l’astérisque (*) et en Gras
dans les tableaux.

SITES DE L’UL
Tableau 3.12: Performances du modèle MLP- configuration “1“ ([AB])

RMSE RRMSE(%) MAPE(%) 𝑅2 ( )
Nombre de neurones
sous la couche cachée Min Max Min Max Min Max Min Max
1 37,37071 37,57663 25,76564 25,90761 25,47809 26,09918 0,329088 1,204004
5 37,05166 37,35344 25,54566 25,75373 25,123 25,51393 1,29819 2,881636
10 37,0268 37,12284 25,52852 25,59474 25,12858 25,44476 2,587195 3,013385
20 37,02391 37,15335 25,52653 25,61578 25,14915 25,46529 2,462788 3,033847
30 37,02596 37,0752 25,52795 25,5619 25,11323 25,27049 2,800092 3,025208
40* 37,0227 37,06077 25,5257 25,55195 25,17197 25,34869 2,898905 3,031087
60 37,02617 37,0401 25,52809 25,53769 25,14627 25,28497 2,953349 3,024574
70 37,02499 37,72644 25,52728 26,0109 25,16663 25,31797 1,34971 3,021483
80 37,02505 37,04451 25,52732 25,54074 25,12145 25,29689 2,920738 3,023478
90 37,02455 37,12491 25,52698 25,59617 24,97652 25,29057 2,738593 3,022474
100 37,02648 37,07344 25,5283 25,56068 25,13757 25,28058 2,80815 3,014137
Tableau 3.13: Performances du modèle MLP- configuration “2“ ([AC])

Nombre de neurones
1 37,14492 37,40165 25,60996 25,78697 25,18177 25,65308 1,036408 2,390733
5 36,87803 37,22468 25,42595 25,66496 24,99924 25,36995 1,971058 3,788368
10 36,75196 37,01781 25,33904 25,52233 24,69992 25,45747 3,296259 4,443986
20 36,74978 36,83921 25,33753 25,39919 24,65351 25,08346 4,274331 4,473668
30* 36,74417 36,80353 25,33366 25,37459 24,73139 25,08812 4,303559 4,484425
40 36,74461 36,78116 25,33397 25,35917 24,81289 24,98875 4,337326 4,483221
60 36,74708 36,76071 25,33567 25,34507 24,84658 25,01378 4,408802 4,471543
70 36,74317 36,76627 25,33297 25,3489 24,87288 24,99262 4,385774 4,493141
80 36,7441 36,76322 25,33362 25,34679 24,87573 24,97728 4,401101 4,48933
90 36,7399 36,76052 25,33072 25,34493 24,87164 25,02827 4,40891 4,507084
100 36,74647 36,76054 25,33525 25,34495 24,83886 25,00235 4,413578 4,477313
Tableau 3.14: Performances du modèle MLP- configuration “3“ ([AD])

Nombre de neurones
1 35,86176 37,52352 24,72527 25,871 23,84135 25,76476 0,39552 9,018828
5 18,08879 34,16102 12,47151 23,55268 10,8988 22,83511 17,44571 76,8523
10 17,98216 18,10659 12,39799 12,48379 10,78214 10,90352 76,80633 77,12402
20 17,95682 18,04906 12,38052 12,44412 10,74741 10,8228 76,99869 77,1888
30 17,95704 17,97754 12,38067 12,39481 10,74975 10,79798 77,15112 77,19028
40* 17,95577 18,03024 12,3798 12,43114 10,73849 10,78656 77,04585 77,19109
60 17,95584 17,96936 12,37984 12,38917 10,7517 10,80171 77,15651 77,19103
70 17,95708 18,0063 12,38071 12,41464 10,7504 10,80575 77,06591 77,18979
80 17,95613 18,01913 12,38005 12,42348 10,74524 10,8669 77,043 77,19107
90 17,95828 17,9679 12,38153 12,38816 10,75459 10,79418 77,1612 77,18666
100 17,95617 17,97908 12,38008 12,39587 10,75127 10,81234 77,13634 77,19138

SITES DE L’UL
Tableau 3.15: Performances du modèle MLP- configuration “4“ ([BC])

Nombre de neurones
1 37,16293 37,55501 25,62238 25,8927 25,15515 25,76893 0,227844 2,296737
5 36,9175 37,26775 25,45317 25,69465 25,0345 25,40634 1,745923 3,584998
10 36,89189 37,02511 25,43551 25,52736 24,92897 25,24278 3,039429 3,716552
20* 36,87279 37,08824 25,42234 25,57089 24,73676 25,11778 2,834599 3,814871
30 36,87443 36,92244 25,42347 25,45657 24,85048 25,08471 3,636153 3,810755
40 36,87378 37,03609 25,42303 25,53493 24,78524 25,31335 3,267407 3,819373
60 36,87492 36,89974 25,42381 25,44092 24,95054 25,14316 3,706722 3,803959
70 36,87663 36,90922 25,42499 25,44746 24,93494 25,12912 3,648225 3,811094
80 36,87636 36,89481 25,4248 25,43752 24,94875 25,06309 3,714381 3,800513
90 36,87309 36,88774 25,42255 25,43265 24,97268 25,07236 3,73669 3,814174
100 36,87475 36,96602 25,42369 25,48662 24,96341 25,11421 3,367204 3,805978
Tableau 3.16: Performances du modèle MLP- configuration “5“ ([BD])

Nombre de neurones
1 35,85079 37,57945 24,71771 25,90956 24,29254 25,86169 0,09388 9,07527
5 18,24901 27,0162 12,58198 18,62661 11,00514 16,38405 48,36491 76,44125
10 18,22714 18,45335 12,5669 12,72286 10,98468 11,07082 75,91483 76,49692
20 18,21226 19,73639 12,55664 13,60746 10,95798 12,50729 73,36366 76,53524
30 18,21356 18,33165 12,55753 12,63896 10,9675 11,00525 76,22774 76,53268
40* 18,21169 19,23105 12,55624 13,25905 10,95887 11,03811 73,91973 76,53734
60 18,21169 18,42311 12,55625 12,70201 10,95806 11,02402 75,99222 76,5379
70 18,21271 18,59816 12,55695 12,8227 10,96238 11,05147 75,54087 76,53466
80 18,21343 18,70674 12,55744 12,89756 10,96472 11,08268 75,24857 76,53315
90 18,2102 18,94173 12,55522 13,05958 10,96601 11,03715 74,64024 76,54157
100 18,21201 18,58685 12,55646 12,8149 10,96475 11,03312 75,57114 76,53671
Tableau 3.17: Performances du modèle MLP- configuration “6“ ([CD])

Nombre de neurones
1 35,84166 37,40918 24,71141 25,79216 23,81464 25,58642 1,565313 9,120786
5 17,77705 37,03379 12,25658 25,53335 10,62591 25,20492 2,990726 77,64334
10 17,49153 17,72279 12,05972 12,21917 10,39435 10,58427 77,77976 78,35525
20 17,28628 17,55854 11,91821 12,10592 10,12633 10,44623 78,19376 78,86136
30* 17,27438 17,30401 11,91 11,93044 10,1017 10,20738 78,81714 78,88947
40 17,27706 17,35772 11,91185 11,96747 10,10085 10,20943 78,70068 78,88337
60 17,27453 17,28685 11,91011 11,9186 10,08788 10,13207 78,85893 78,89013
70 17,27705 17,34838 11,91185 11,96103 10,10651 10,24755 78,72546 78,88434
80 17,2753 17,33099 11,91064 11,94904 10,102 10,20202 78,75595 78,88773
90 17,2785 17,28855 11,91285 11,91978 10,09186 10,14533 78,85538 78,88012
100 17,27703 17,30592 11,91184 11,93175 10,10204 10,1543 78,82092 78,8836

SITES DE L’UL
Tableau 3.18: Performances du modèle MLP- configuration “7“ ([ABC])

Nombre de neurones
1 37,149 37,54948 25,61278 25,88889 25,21103 25,61951 0,791836 2,372237
5 36,67197 37,20298 25,28388 25,64999 24,90001 25,42853 2,089154 4,86255
10 36,52185 36,97961 25,18038 25,49599 24,66602 25,05455 3,277365 5,640435
20 36,415 36,71447 25,10672 25,31319 24,59956 24,86928 4,696669 6,202075
30 36,39092 36,57121 25,09011 25,21442 24,52203 24,82171 5,412259 6,322435
40 36,38114 36,49135 25,08337 25,15936 24,50584 24,87162 5,88499 6,365697
60 36,37525 36,51596 25,07931 25,17632 24,45247 24,65724 5,860018 6,408691
70 36,37903 36,63523 25,08192 25,25855 24,43009 24,9477 5,436363 6,383009
80 36,37712 36,64656 25,0806 25,26636 24,49942 25,04142 5,529359 6,389238
90 36,37718 36,43782 25,08064 25,12244 24,53771 24,82121 6,102126 6,387379
100* 36,37332 36,42697 25,07798 25,11496 24,50948 24,66657 6,157276 6,411145
Tableau 3.19: Performances du modèle MLP- configuration “8“ ([ABD])

Nombre de neurones
1 35,84962 37,43082 24,71691 25,80708 24,26379 25,52846 0,891076 9,079054
5 18,06121 33,47747 12,45249 23,0814 10,85137 22,18876 20,71798 76,92288
10 17,94615 23,669 12,37316 16,31885 10,72313 14,32385 60,36741 77,2183
20 17,84645 17,97707 12,30443 12,39449 10,66691 10,79405 77,16718 77,47244
30 17,81229 17,92131 12,28087 12,35604 10,63114 10,72684 77,27885 77,55546
40 17,76075 17,90614 12,24534 12,34558 10,6027 10,71175 77,31746 77,68423
60 17,73833 18,22304 12,22988 12,56407 10,57938 10,85384 76,52888 77,74085
70* 17,73763 17,97975 12,2294 12,39634 10,57288 10,65979 77,14255 77,74204
80 17,74226 18,00174 12,23259 12,41149 10,54991 10,63454 77,07882 77,73423
90 17,74301 17,962 12,23311 12,38409 10,5591 10,65568 77,18182 77,74186
100 17,7345 17,84918 12,22724 12,30631 10,57231 10,71854 77,48645 77,75011
Tableau 3.20: Performances du modèle MLP- configuration “9“ ([ACD])

Nombre de neurones
1 35,85024 37,34454 24,71733 25,74759 24,23389 25,49062 1,738816 9,078549
5 17,76754 33,27861 12,25002 22,94429 10,60398 22,16696 21,6544 77,66892
10 17,47657 30,9132 12,04941 21,31344 10,37868 20,24096 32,39457 78,39334
20 17,34113 17,69302 11,95603 12,19864 10,25154 10,58502 77,86041 78,72607
30 17,29989 17,61516 11,92759 12,14496 10,1979 10,50682 78,0587 78,82763
40 17,20527 17,50453 11,86236 12,06868 10,09106 10,37223 78,32421 79,05935
60 17,18313 17,2944 11,8471 11,92381 10,04496 10,21554 78,84126 79,11343
70 17,17971 17,3173 11,84474 11,9396 10,02727 10,31096 78,80221 79,12023
80* 17,17482 17,21569 11,84137 11,86954 10,03403 10,1316 79,03426 79,13515
90 17,1763 17,26146 11,84238 11,9011 10,0376 10,13937 78,92481 79,12986
100 17,17924 17,20735 11,84441 11,86379 10,03699 10,09298 79,05341 79,12391

SITES DE L’UL
Tableau 3.21: Performances du modèle MLP- configuration “10“ ([BCD])

Nombre de neurones
1 35,85054 37,53072 24,71754 25,87596 24,30315 25,65745 0,353088 9,082552
5 17,69922 34,75929 12,20292 23,96516 10,56913 23,30494 14,53234 77,8403
10 17,49954 17,86557 12,06525 12,31761 10,36835 10,70791 77,4201 78,33539
20 17,33632 17,62428 11,95271 12,15125 10,21584 10,45926 78,02747 78,74371
30 17,24619 17,53845 11,89057 12,09207 10,14627 10,39842 78,24067 78,96013
40 17,20204 17,47695 11,86013 12,04967 10,09401 10,37348 78,40695 79,06623
60 17,17583 17,56149 11,84206 12,10796 10,03564 10,2617 78,1825 79,13087
70 17,17065 23,18498 11,83849 15,98513 10,04584 13,86225 62,01397 79,14345
80* 17,16837 17,41479 11,83692 12,00682 10,03992 10,09344 78,54745 79,14789
90 17,17393 17,49877 11,84075 12,06472 10,03047 10,16343 78,34968 79,13701
100 17,17019 18,76208 11,83817 12,93571 10,03381 10,17521 75,27982 79,14368
Tableau 3.22: Performances du modèle MLP- configuration “11“ ([ABCD])

Nombre de neurones
1 35,84996 37,88783 24,71714 26,12217 24,26215 26,01881 0,382661 9,078439
5 17,73287 36,26412 12,22612 25,00269 10,55489 24,47164 6,964372 77,75801
10 17,47686 34,17713 12,04961 23,56379 10,35442 22,35108 17,36536 78,39406
20 17,35845 18,38819 11,96797 12,67793 10,28607 11,0341 76,08157 78,68344
30 17,24148 17,67008 11,88732 12,18283 10,19715 10,5266 77,91995 78,97009
40 17,26865 17,61475 11,90606 12,14468 10,19558 10,62677 78,10667 78,90454
60 17,11244 17,49468 11,79836 12,06189 10,07579 10,44715 78,36369 79,28376
70 17,14015 17,4235 11,81746 12,01282 10,06298 10,35313 78,52362 79,21747
80 17,09303 17,49128 11,78497 12,05955 10,01827 10,36151 78,37355 79,33151
90* 17,0073 17,38558 11,72587 11,98667 9,909566 10,34027 78,62418 79,54075
100 17,02235 17,3993 11,73624 11,99614 9,906125 10,25385 78,73099 79,50895
3.4.4.1.2- Performances du modèle Fonction à Base Radiale (RBF)
Les tableaux 3.23 à 3.33 présentent les minima et le maxima de chacun des critères de
performances des différents cas de configurations du modèle RBF. Les meilleures
performances de chaque configuration sont mises en exergue par l’astérisque (*) et en Gras
dans les tableaux.

SITES DE L’UL
Tableau 3.23: Performances du modèle RBF- configuration “1“ ([AB])

Nombre de neurones
1 37,43756 37,47597 25,81173 25,83821 25,62263 25,65503 0,642027 0,845579
5 37,07791 37,28352 25,56376 25,70552 25,27559 25,51735 1,880419 2,74193
10 37,04523 37,13407 25,54123 25,60249 25,25132 25,31385 2,446541 2,9148
20 37,01781 37,11452 25,52233 25,58901 25,21865 25,31393 2,549239 3,056436
30 37,01684 37,06839 25,52166 25,5572 25,21594 25,26052 2,791396 3,061515
40 37,01684 37,04376 25,52166 25,54022 25,21748 25,25115 2,920475 3,061529
60 37,01684 37,02365 25,52166 25,52635 25,2181 25,22806 3,025841 3,061533
70 37,01684 37,02365 25,52166 25,52635 25,2181 25,22836 3,025841 3,061533
80 37,01684 37,02365 25,52166 25,52635 25,2181 25,22804 3,025841 3,061533
90* 37,01684 37,02365 25,52166 25,52635 25,2181 25,22806 3,025841 3,061533
100 37,01684 37,02365 25,52166 25,52635 25,2181 25,22806 3,025841 3,061533
Tableau 3.24: Performances du modèle RBF- configuration “2“ ([AC])

Nombre de neurones
1 37,28564 37,28593 25,70699 25,70719 25,3854 25,39431 1,647042 1,648878
5 36,98415 37,19843 25,49912 25,64686 25,14874 25,33354 2,108724 3,250193
10 36,9152 37,19731 25,45158 25,64609 25,0785 25,32995 2,114389 3,593965
20 36,77657 36,99995 25,356 25,51002 24,96029 25,14416 3,163151 4,315902
30 36,7344 36,96707 25,32693 25,48734 24,92291 25,14098 3,329264 4,535149
40 36,73724 36,97543 25,32888 25,49311 24,93072 25,12273 3,288365 4,520453
60 36,7344 37,01339 25,32693 25,51928 24,92272 25,15047 3,08101 4,535172
70 36,7344 36,98647 25,32693 25,50072 24,92269 25,11108 3,224887 4,535172
80 36,7344 36,9044 25,32693 25,44413 24,92344 25,06452 3,656959 4,535172
90* 36,7344 36,91648 25,32693 25,45247 24,92344 25,08148 3,590767 4,535172
100 36,7344 36,98109 25,32693 25,49701 24,92344 25,13386 3,260056 4,535172
Tableau 3.25: Performances du modèle RBF- configuration “3“ ([AD])

Nombre de neurones
1 35,75978 35,75978 24,65496 24,65496 24,55512 24,55512 10,70746 10,70746
5 34,52198 34,52198 23,80155 23,80155 23,25567 23,25567 16,00602 16,00602
10 31,19279 31,19279 21,5062 21,5062 20,21044 20,21044 35,0664 35,0664
20 26,43821 26,43821 18,22811 18,22811 16,45536 16,45536 53,49908 53,49908
30 18,79854 18,79854 12,96086 12,96086 11,61114 11,61114 75,77248 75,77248
40 17,94955 17,94955 12,37551 12,37551 10,7676 10,7676 77,20685 77,20685
60* 17,94842 17,94842 12,37473 12,37473 10,76508 10,76508 77,20971 77,20971
70 17,94842 17,94842 12,37473 12,37473 10,7651 10,7651 77,20971 77,20971
80 17,94842 17,94842 12,37473 12,37473 10,76535 10,76535 77,20971 77,20971
90 17,94842 17,94842 12,37473 12,37473 10,76535 10,76535 77,20971 77,20971
100 17,94842 17,94842 12,37473 12,37473 10,76525 10,76525 77,20971 77,20971

SITES DE L’UL
Tableau 3.26: Performances du modèle RBF- configuration “4“ ([BC])

Nombre de neurones
1 37,2161 37,2161 25,65904 25,65904 25,34114 25,34134 2,015078 2,015098
5 36,92657 37,16281 25,45942 25,6223 25,0662 25,27054 2,295876 3,534936
10 36,91419 37,06176 25,45089 25,55263 25,04875 25,16592 2,827008 3,602758
20 36,88851 36,99812 25,43318 25,50875 25,03917 25,13099 3,159532 3,732529
30 36,86913 36,9553 25,41982 25,47923 25,01915 25,09135 3,383655 3,834028
40 36,8658 36,93936 25,41752 25,46824 25,01168 25,09342 3,466892 3,851123
60 36,86429 36,9051 25,41648 25,44462 25,0113 25,06062 3,645874 3,858883
70* 36,86429 36,90347 25,41648 25,4435 25,01177 25,05772 3,654369 3,858883
80 36,86429 36,90348 25,41648 25,4435 25,01067 25,05772 3,654367 3,858883
90 36,86429 36,90347 25,41648 25,4435 25,01176 25,05771 3,654369 3,858883
100 36,86429 36,90348 25,41648 25,4435 25,01176 25,05772 3,654366 3,858883
Tableau 3.27: Performances du modèle RBF- configuration “5“ ([BD])

Nombre de neurones
1 35,95908 37,01338 24,79237 25,51927 24,32542 25,58968 5,979188 8,565142
5 26,18224 37,14006 18,05162 25,60662 15,86473 25,4283 2,547816 51,53287
10 25,33476 32,26881 17,46732 22,24808 15,74069 20,8113 26,4417 54,6379
20 18,27942 29,21974 12,60294 20,14586 11,01266 18,65836 40,20699 76,36299
30 18,21352 26,29615 12,55751 18,13016 10,98095 16,11961 51,08271 76,5315
40 18,21302 25,41672 12,55716 17,52383 10,97985 15,69365 54,29974 76,5328
60 18,20752 25,40565 12,55337 17,5162 10,97771 15,67544 54,33768 76,54695
70* 18,20649 25,39098 12,55266 17,50608 10,97474 15,66649 54,39039 76,54961
80 18,20649 25,38601 12,55266 17,50266 10,97501 15,66474 54,40824 76,54961
90 18,20649 25,38601 12,55266 17,50266 10,97501 15,66474 54,40824 76,54961
100 18,20649 25,38601 12,55266 17,50266 10,97501 15,66474 54,40824 76,54961
Tableau 3.28: Performances du modèle RBF- configuration “6“ ([CD])

Nombre de neurones
1 36,00052 36,7486 24,82094 25,33672 24,44171 25,50705 5,915646 9,09621
5 32,10699 37,07663 22,13651 25,56288 20,8616 25,30984 2,791739 27,58585
10 26,79345 36,44143 18,47303 25,12494 16,58653 24,34638 6,858385 49,25332
20 20,06892 32,43879 13,83673 22,36527 12,08392 21,61525 27,16032 71,50823
30 17,89304 32,05699 12,33655 22,10203 10,67748 21,18635 34,64979 77,37912
40 17,78476 31,58481 12,26189 21,77649 10,61795 20,6869 36,09881 77,63636
60 17,31651 31,61456 11,93905 21,797 10,20917 20,99044 38,79509 78,78621
70 17,31968 31,60536 11,94124 21,79065 10,24348 20,98044 38,74334 78,77846
80* 17,30732 31,59091 11,93272 21,78069 10,19659 20,97547 38,58091 78,80875
90 17,33512 28,97455 11,95189 19,97681 10,24855 18,71312 46,40235 78,74059
100 17,30926 28,74875 11,93405 19,82113 10,21362 18,58488 47,81733 78,80432

SITES DE L’UL
Tableau 3.29: Performances du modèle RBF- configuration “7“ ([ABC])

Nombre de neurones
1 37,21465 37,21477 25,65804 25,65812 25,32728 25,34608 2,022139 2,023054
5 36,85016 37,22168 25,40674 25,66289 25,00993 25,3337 1,985782 3,935392
10 36,72229 37,11176 25,31857 25,5871 24,93191 25,26487 2,599377 4,616291
20 36,60019 36,97185 25,23439 25,49064 24,81088 25,13751 3,29709 5,231599
30 36,53356 36,97268 25,18846 25,49121 24,76341 25,11567 3,51323 5,595144
40 36,51096 36,95592 25,17287 25,47966 24,72398 25,18056 3,554247 5,694519
60 36,36885 36,82712 25,07489 25,39085 24,62608 25,0334 4,120354 6,427562
70 36,36883 36,76266 25,07488 25,34641 24,6366 24,98569 4,415335 6,428307
80 36,36314 36,70833 25,07096 25,30895 24,61037 24,9067 4,670646 6,455836
90* 36,33863 36,78151 25,05406 25,35941 24,58463 25,01923 4,345201 6,581372
100 36,34293 36,78901 25,05702 25,36458 24,59634 25,03476 4,301151 6,559869
Tableau 3.30: Performances du modèle RBF- configuration “8“ ([ABD])

Nombre de neurones
1 36,26002 36,73175 24,99986 25,3251 24,6028 25,16621 4,548963 7,013925
5 27,92216 37,24807 19,25124 25,68108 17,05939 25,53435 1,878566 44,88963
10 25,86333 35,3521 17,83175 24,37389 16,016 24,05632 11,72412 52,70052
20 18,31355 34,99956 12,62647 24,13082 11,07379 23,73094 15,09602 76,27375
30 18,14347 34,36939 12,50921 23,69634 10,93437 23,30637 20,53453 76,71242
40 18,0329 33,61699 12,43298 23,17759 10,84908 22,86128 24,83484 76,9954
60 17,99068 35,12235 12,40387 24,21548 10,80737 23,60972 14,31501 77,10297
70 17,98069 35,12108 12,39698 24,2146 10,79035 23,60852 14,32572 77,1284
80 17,91062 32,50429 12,34867 22,41043 10,73158 21,84809 30,37586 77,30576
90 17,91063 32,1055 12,34868 22,13548 10,73158 21,57054 32,56627 77,30574
100* 17,90049 30,27423 12,34168 20,87289 10,70739 20,1686 41,72197 77,33131
Tableau 3.31: Performances du modèle RBF- configuration “9“ ([ACD])

Nombre de neurones
1 36,52916 36,5895 25,18542 25,22702 24,90286 24,99322 5,286889 5,769607
5 35,74446 36,41614 24,6444 25,1075 24,21187 24,95721 6,261114 11,56938
10 30,75251 36,30204 21,20265 25,02883 19,6063 24,84686 7,426431 33,11901
20 24,30287 35,73863 16,75588 24,64039 14,8167 24,32349 9,942495 58,3852
30 24,11549 35,32106 16,62669 24,35248 14,78721 24,03684 12,53714 58,87025
40 20,63202 34,68052 14,22497 23,91086 12,52162 23,42733 15,96113 69,89822
60 17,81288 34,02241 12,28128 23,45711 10,6382 22,9204 20,10919 77,55592
70 17,86375 34,02135 12,31636 23,45639 10,71415 22,91926 20,11443 77,42422
80 17,73837 34,01999 12,22991 23,45545 10,60571 22,91778 20,12118 77,74002
90 17,71289 33,86444 12,21234 23,3482 10,59128 22,78793 21,08381 77,80392
100* 17,70532 33,6787 12,20713 23,22014 10,58892 22,63181 22,17063 77,82288

SITES DE L’UL
Tableau 3.32: Performances du modèle RBF- configuration “10“ ([BCD])

Nombre de neurones
1 36,49612 36,9266 25,16264 25,45944 24,92642 25,50141 5,649864 5,769659
5 33,31657 36,58166 22,97047 25,22162 21,93802 25,09342 5,46535 21,56693
10 31,30322 36,24566 21,58234 24,98996 20,60848 24,89397 7,103762 31,23819
20 24,59952 34,98771 16,9604 24,12266 15,12331 23,92907 15,49421 57,19079
30 18,56423 34,64151 12,79931 23,88396 10,93914 23,67975 17,5349 76,12436
40 17,95343 34,8231 12,37818 24,00916 10,78703 23,77653 15,96555 77,19811
60 17,77396 33,68946 12,25445 23,22756 10,64779 22,86837 22,57228 77,65175
70 17,76014 33,68967 12,24492 23,22771 10,61809 22,86773 22,56401 77,68643
80 17,70359 33,6899 12,20593 23,22786 10,57126 22,86725 22,55705 77,82831
90 17,26438 33,44068 11,90311 23,05604 10,17259 22,63617 23,65478 78,91379
100* 17,21007 34,46348 11,86567 23,76122 10,10167 23,34505 20,41292 79,04624
Tableau 3.33: Performances du modèle RBF- configuration “11“ ([ABCD])

Nombre de neurones
1 36,61493 36,86387 25,24456 25,41619 25,00843 25,17352 3,910864 5,155115
5 35,03389 36,85342 24,15449 25,40898 23,51751 25,21092 4,007948 13,20919
10 33,67536 36,69446 23,21784 25,29939 22,51394 25,00973 4,74288 20,61804
20 25,8627 35,87489 17,83131 24,73433 15,87653 24,42402 9,451345 52,68187
30 24,34861 34,9032 16,78741 24,06438 15,02222 23,59245 15,09615 58,06071
40 18,76571 34,52293 12,93822 23,80221 11,31828 23,40483 17,75924 75,08821
60 18,61279 35,01014 12,83279 24,13812 11,23661 23,64965 13,9761 75,49319
70 18,56383 35,00153 12,79903 24,13218 11,17473 23,64154 14,01972 75,62224
80 18,50852 34,52635 12,7609 23,80456 11,13773 23,36781 17,62938 75,76637
90 18,48522 34,53279 12,74484 23,809 11,10872 23,3671 17,58408 75,82687
100* 17,86562 34,13112 12,31764 23,53207 10,66009 23,09363 20,1063 77,42785
3.4.4.2- Bilan des meilleures performances des configurations pour les deux modèles
des RNA
Le tableau 3.34 fait le bilan des performances des différentes configurations pour MLP et
RBF. Il présente pour chacune des configurations, le nombre de neurones de la couche
cachée qui donne de meilleurs résultats.

SITES DE L’UL
Tableau 3.34: bilan des meilleures performances de toutes les configurations

Nombre de neurones RMSE RRMSE(%) MAPE(%) 𝑅2 ( )
Modèle Config.
1 40 37,0227 37,06077 25,5257 25,55195 25,17197 25,34869 2,898905 3,031087
2 30 36,74417 36,80353 25,33366 25,37459 24,73139 25,08812 4,303559 4,484425
3 40 17,95577 18,03024 12,3798 12,43114 10,73849 10,78656 77,04585 77,19109
4 20 36,87279 37,08824 25,42234 25,57089 24,73676 25,11778 2,834599 3,814871
5 40 18,21169 19,23105 12,55624 13,25905 10,95887 11,03811 73,91973 76,53734
MLP 6 30 17,27438 17,30401 11,91 11,93044 10,1017 10,20738 78,81714 78,88947
7 100 36,37332 36,42697 25,07798 25,11496 24,50948 24,66657 6,157276 6,411145
8 70 17,73763 17,97975 12,2294 12,39634 10,57288 10,65979 77,14255 77,74204
9 80 17,17482 17,21569 11,84137 11,86954 10,03403 10,1316 79,03426 79,13515
10 80 17,16837 17,41479 11,83692 12,00682 10,03992 10,09344 78,54745 79,14789
11* 90 17,0073 17,38558 11,72587 11,98667 9,909566 10,34027 78,62418 79,54075
1 90 37,01684 37,02365 25,52166 25,52635 25,2181 25,22806 3,025841 3,061533

2 90 36,7344 36,91648 25,32693 25,45247 24,92344 25,08148 3,590767 4,535172
3 60 17,94842 17,94842 12,37473 12,37473 10,76508 10,76508 77,20971 77,20971
4 70 36,86429 36,90347 25,41648 25,4435 25,01177 25,05772 3,654369 3,858883
5 70 18,20649 25,39098 12,55266 17,50608 10,97474 15,66649 54,39039 76,54961
RBF 6 80 17,30732 31,59091 11,93272 21,78069 10,19659 20,97547 38,58091 78,80875
7 90 36,33863 36,78151 25,05406 25,35941 24,58463 25,01923 4,345201 6,581372
8 100 17,90049 30,27423 12,34168 20,87289 10,70739 20,1686 41,72197 77,33131
9 100 17,70532 33,6787 12,20713 23,22014 10,58892 22,63181 22,17063 77,82288
10* 100 17,21007 34,46348 11,86567 23,76122 10,10167 23,34505 20,41292 79,04624
11 100 17,86562 34,13112 12,31764 23,53207 10,66009 23,09363 20,1063 77,42785
Nous retenons donc que pour le modèle MLP, la configuration la plus performante est la
configuration 11 [ABCD] qui donne le plus petit RRMSE (11,72%) et le plus grand 𝑅 2
(79,54%) de toutes les configurations avec 90 neurones sous la couche cachée et que pour
le modèle RBF, la configuration la plus performante est la configuration 10 [BCD] qui
donne le plus petit RRMSE (11,86%) et le plus grand 𝑅 2 (79,05%) de toutes les
configurations avec 100 neurones sous la couche cachée. Le tableau 3.35 présente les bilans
des performances pour les configurations 10 et 11.
Tableau 3.35: Bilan des meilleures performances des modèles de RNA

Nombre de neurones RMSE RRMSE(%) MAPE(%) 𝑅2 ( )
Modèle Config.
MLP* 11 90 17,0073 17,38558 11,72587 11,98667 9,909566 10,34027 78,62418 79,54075
RBF 10 100 17,21007 34,46348 11,86567 23,76122 10,10167 23,34505 20,41292 79,04624
3.4.4.3- Meilleure modèle de RNA pour la prédiction de la résistivité électrique du sol
L’analyse du tableau 3.35 montre que, non seulement la configuration 11 du modèle MLP
donne le plus petit RRMSE (11,72%) et le plus grand 𝑅2 (79,54%), mais aussi les plages

SITES DE L’UL
de variation des deux critères de performances sont très petites( RRMSE [Min = 11,72% ;
Max = 11,99%] et 𝑅2 [Min = 78,62% ; Max = 79,54%] ) par rapport aux plages de variation
des mêmes critères pour la configuration 10 du modèle RBF ( RRMSE [Min = 11,86% ;
Max = 23,76%] et 𝑅2 [Min = 20,41% ; Max = 79,04%]). Cette analyse révèle donc que la
configuration 11 avec le modèle MLP est l’approche par RNA la mieux adaptée pour la
prédiction de la résistivité électrique du sol dans le cadre de notre travail.
Dans la section suivante, nous allons présenter les résultats de l’approche par SVM et nous
pourrons ensuite conclure sur le choix de la meilleure approche pour la modélisation de la
résistivité électrique du sol.
3.4.5- Les SVM pour la prédiction de la résistivité électrique du sol
L’approche par les SVM pour la prédiction de données constitue une approche rigoureuse.
Ne disposant pas d’outil graphique d’aide à la modélisation, nous avons programmé grâce
aux fonctions de MATLAB. Cette méthode passe par la rédaction d’un script qui consiste
à utiliser une proportion des données de notre base d’étude. Cette proportion a permis de
créer un modèle SVR (Support Vector Regression) qui est utilisé pour faire la prédiction
des données. La figure 3.11 montre la fenêtre dans laquelle nous avons rédigé le code
MATLAB.

SITES DE L’UL
Figure 3.11: Script pour la modélisation avec les SVM
3.4.5.1- Présentation des résultats des modèles SVM
Les données d’études ont été divisées en deux groupes pour l’apprentissage et la validation
des modèles (respectivement 80% et 20%). A partir des données d’apprentissage, les
modèles ont été créés. L’étape suivante est la validation du modèle. Elle consiste à faire des
prédictions avec les modèles créés. Sur la base de ces prédictions, les modèles pourront être
comparés entre eux avec les indicateurs statistiques : MAPE, RMSE, RRMSE et R2.
Cette section présente les résultats des diverses simulations effectuées.
Les tableaux 3.36 à 3.46 donnent les valeurs des indicateurs de performances calculés pour
les différents modèles.
Tableau 3.36: Performances SVM de la configuration “1“ ([AB])
RMSE RRMSE (%) MAPE (%) R2 (%)

Noyau linéaire 48.7269 31.9860 34.2178 0.0620
Noyau gaussien 50.3639 33.0606 34.8203 1.0715

SITES DE L’UL
Tableau 3.37: Performances SVM de la configuration “2“ ([AC])

Noyau linéaire 50.1148 32.8971 34.9328 2.4003
Noyau gaussien 51.5579 33.8444 35.9116 4.3330
Tableau 3.38: Performances SVM de la configuration “3“ ([AD])

Noyau linéaire 49.9761 32.8060 33.6386 3.9917
Noyau gaussien* 29.2020 19.1692 14.2880 70.2800
Tableau 3.39: Performances SVM de la configuration “4“ ([BC])

Noyau linéaire 49.9300 32.7758 34.7698 2.0119
Noyau gaussien 51.3901 33.7342 35.8604 5.2707
Tableau 3.40: Performances SVM de la configuration “5“ ([BD])

Noyau linéaire 49.6678 32.6037 34.1455 2.1410
Noyau gaussien* 25.3443 16.6369 12.9653 76.9384
Tableau 3.41: Performances SVM de la configuration “6“ ([CD])

Noyau linéaire 50.5974 33.2139 34.7245 3.5377
Noyau gaussien 97.2272 63.8233 52.8742 19.8530
Tableau 3.42: Performances SVM de la configuration “7“ ([ABC])

Noyau linéaire 50.0667 32.8655 34.9262 2.2415
Noyau gaussien 51.6509 33.9054 35.7347 4.4885

SITES DE L’UL
Tableau 3.43: Performances SVM de la configuration “8“ ([ABD])

Noyau linéaire 49.6008 32.5597 34.0148 1.7513
Noyau gaussien* 43.2842 28.4132 20.2537 50.5829
Tableau 3.44: Performances SVM de la configuration “9“ ([ACD])

Noyau linéaire 50.7239 33.2970 34.6933 3.5290
Noyau gaussien 103.2471 67.7749 56.8146 12.5045
Tableau 3.45: Performances SVM de la configuration “10“ ([BCD])

Noyau linéaire 51.4060 33.7447 34.5033 5.4863
Noyau gaussien 99.6727 65.4286 54.4983 15.3696
Tableau 3.46: Performances SVM de la configuration “11“ ([ABCD])

Noyau linéaire 51.0090 33.4841 34.9300 4.3892
Noyau gaussien 96.0137 63.0267 51.4600 8.5825
3.4.5.2- Analyse des résultats des SVM
L’analyse des performances des différentes configurations de nos modèles a priori nous a
permis de recenser pour chaque cas les performances des différents modèles crées.
L’analyse révèle d’une part que le modèle prédit par l’algorithme des SVM à noyau linaire
ne montre pas de bonnes performances. En effet le plus grand coefficient de corrélation
relevé est celui de la configuration [BCD] avec un R2 = 5.4863%, un MAPE = 34.5033%,
un RMSE = 51.4060 et RRMSE = 33.7447%. Ce qui permet de conclure partiellement dans
le cadre de nos travaux que les SVM linéaires ne sont pas adaptés pour la prédiction de la
résistivité électrique du sol.
En outre, quant aux résultats rencontrés en utilisant les SVM a noyau gaussien, on remarque
une faible amélioration au niveau de chaque configuration par rapport aux SVM linéaire.

SITES DE L’UL
Ce qui nous permet de dégager la meilleure performance avec la configuration [BD]. Les
indicateurs statistiques donnent avec ce modèle la performance suivante :
MAPE = 12.9653%, RMSE = 25.3443, RRMSE = 16.6369%, R2 = 76.9384%.
Ce qui nous permet d’affirmer que les SVM à noyau gaussien sont mieux adapté pour la
prédiction de la résistivité électrique du sol que les SVM à noyau linéaire. Cependant, vu
les variables d’entrées de cette configuration [BD], il faut avoir une grande base de données
avant de pouvoir conclure de façon efficace.
3.4.6. Choix du modèle de prédiction
Après comparaison des performances des modèles des deux approches de prédiction (RNA
et SVM), nous retenons que celle la mieux adaptée pour la prédiction de la résistivité
électrique du sol est l’approche par les RNA avec le modèle MLP et la configuration 11
[ABCD] avec 90 neurones sous la couche cachée (RRMSE [Min = 11,72% ; Max =
11,99%] et 𝑅2 [Min = 78,62% ; Max = 79,54%]). La figure 3.12 présente l’architecture de
ce modèle.
Figure 3.12: Architecture du modèle choisi dans la fenêtre nftool de MATLAB
L’architecture complète de ce réseau est proposée à la figure 3.13.

SITES DE L’UL
Figure 3.13: Architecture complète du modèle de prédiction choisi
La figure 3.14 montre ce réseau en apprentissage.

SITES DE L’UL
Figure 3.14: MLP Config. “11” [ABDC] en apprentissage
Pour le modèle retenu, la corrélation entre les valeurs prédites et les valeurs mesurées est
présentée par la figure 3.15.

SITES DE L’UL
Figure 3.15: Corrélation entre les valeurs mesurées et prédites de la résistivité électrique du sol
Avec ce nuage des points (figure 3.15), il est clair qu’il pourra arriver que certaines
prédictions ne donnent pas de bons résultats compte tenu du fait que certains points sont
trop écartés de la droite Y = X (de la première bissectrice). Mais le peu d’avantages est que
la majorité des points sont repartis autour de la dite droite. Un agrandissement de la base
de données et une augmentation du nombre de paramètres d’entrée permettra peut-être de
palier à cette insuffisance.
L’erreur de validation est représentée sur la figure 3.16.

SITES DE L’UL
Figure 3.16: Erreur de Validation du modèle MLP configuration "11" [ABCD]
3.5- Evaluation Financière du projet
Notre travail traitant de la prédiction de la résistivité électrique du sol, une évaluation

financière s’avère nécessaire. Le coût du projet englobe celui du matériel informatique et
de la recherche. Tous les coûts seront donnés en FCFA. Pour la réalisation de notre projet
nous avons utilisé le logiciel MATLAB version R2017a et deux ordinateurs portables dont
chacun à une capacité de 500 Go, 4Go de mémoire RAM avec un processeur de fréquence
2,5 GHz. Leurs coûts d’acquisition sont indiqués dans le tableau 3.47.
La connexion internet utilisée tout au long de ce travail est celle pour les étudiants et
personnel de l’Université de Lomé (UL-WIFI), ce qui fait que son coût a été exonéré dans
la facturation de ce projet.
L’étude du projet est facturée selon le nombre de mois de travail. La réalisation de l’étude
a nécessité au total 3 mois et nous sommes dans la catégorie C3 du tableau de la grille
salariale de la République Togolaise. Le salaire mensuel minimal est évalué à 185 000 F
CFA par mois [28].

SITES DE L’UL
Tableau 3.47: Evaluation financière partielle
Désignation Prix unitaire (FCFA) Quantité Montant (FCFA)
Ordinateurs portables 350 000 2 700 000

Licence Matlab 1 574 047 1 1 574 047
Frais d’étude 185 000 2*3 1 110 000
Total partiel HT - - 3 384 047
Enfin, pour évaluer le coût total du projet, il faut ajouter au total partiel hors taxe (HT) la
taxe sur la valeur ajoutée (TVA). Le coût total du projet est présenté dans le Tableau 3.48.
Tableau 3.48: Coût total du projet
DENOMINATION DESIGNATION PRIX TOTAL (FCFA)
Total partiel HT - 3 384 047

TVA 18% du total partiel HT 610 000
Total déboursé TTC - 3 994 047
Le coût total du projet est alors de trois millions neuf cent quatre-vingt-quatorze mille
quarante et sept francs CFA (3 994 047 FCFA).
3.6. Conclusion
Ce chapitre a été consacré à la caractérisation de la résistivité électrique du sol pour les sites
de l’UL et à l’utilisation des approches par RNA et SVM pour la prédiction de la résistivité
électrique du sol. L’outil qui a servi de modélisation est MATLAB, au travers de ses
ToolBox et la programmation par ses fonctions. Suivant les résultats obtenus, des critères
d’appréciations ont permis l’évaluation des différents modèles des deux approches et le
choix du meilleur modèle. Les résultats obtenus sont satisfaisants et ils pourront être
améliorés si on introduit d’autres variables plus explicatifs de la résistivité.

Conclusion générale
Conclusion générale
CONCLUSION GENERALE
La mise à la terre est une partie essentielle du système de protection des installations
électriques et des systèmes d'alimentation contre la foudre et en général les courants de
défaut et pour être efficace, un système de mise doit avoir une résistance au sol qui doit être
maintenu à des niveaux bas pendant toute l'année. Le type de sol doit donc être sérieusement
pris en compte dans la conception d'un tel système à cause de, soit sa résistivité élevée, ou
son environnement particulièrement corrosif. Il ressort donc que l’un des principaux
paramètres du sol pour la mise à la terre électrique est sa résistivité. Celle-ci varie en
fonction de plusieurs variables de façon aléatoire or sa mesure est une tâche longue couteuse
et l’objet de ce travail était de proposer une approche de prédiction de cette résistivité avec
une optimisation en termes d’erreurs-coût-qualité.
Les résultats issus de la modélisation ont été présentés au troisième chapitre. Plusieurs
configurations des modèles des deux approches ont été développées et testées en faisant
varier les différentes variables explicatives. Toutes les configurations ont été implémentées
dans le logiciel MATLAB (2017). Les résultats des deux approches ont été soumis à une
comparaison. Les indicateurs RRMSE et R2 ont été utilisés pour évaluer les différentes
configurations de chaque modèle. La configuration la plus performante de toutes est la
configuration 6 [ABCD]) du modèle MLP de l’approche par RNA (avec 90 neurones dans
la couche cachée) avec un RRMSE de 11,72 % et un R2 de 79,54%. Les variables
explicatives A, B, C et D désignent respectivement l’état de la nature le jour de la mesure,
l’état général de la nature la veille du jour de la mesure, la température ambiante au point
de mesure et les coordonnées géo référencées du point de mesure. Ce modèle pourra donc
être utilisé pour la prédiction de la résistivité électrique du sol pour les sites de l’UL.
Toutefois, il convient de noter que ces résultats ne sont pas tout à fait satisfaisant et peuvent
être améliorés. Cette amélioration peut être obtenue en développant différents aspects.
Ainsi comme perspectives, nous mentionnons les recommandations suivantes :

CONCLUSION GENERALE
 les données utilisées dans ce projet ne sont pas suffisantes. Il est plus intéressant
de tenir compte d'autres facteurs comme la teneur en eau, l’indice du vide, la
granulométrie du sol et les utiliser dans la modélisation.
 augmenter la base de données pour les sites de mesure et ceci pourra conduire à la
réalisation d’une carte de résistivité pour une zone donnée.
 une fiabilisation des mesures
 rendre ce travail en application ou outil facilement utilisable et même
transportable ;
 utiliser d'autres types d’approches de modélisation des systèmes de prédiction.

Bibliographie
Bibliographie
BIBLIOGRAPHIE
[1] AMMAR M. Y., "Mise en œuvre de réseaux de neurones pour la modélisation de

cinétiques réactionnelles en vue de la transposition batch/continu", Thèse de doctorat,
Institut National Polytechnique de Toulouse, 2007.
[2] ANBAZHAGAN S., “Athens seasonal variation of ground resistance prediction using
neural networks”, ICTACT JOURNAL ON SOFT COMPUTING, OCTOBER 2015,
VOLUME: 06, ISSUE: 01.
[3] ARCHIE G. E., “The Electrical Resistivity Log as an Aid in Determining Some
Reservoir Characteristics,” Petroleum Transactions of the AIME, no. October, pp.
54–62, 1942.
[4] ARDOUIN Antoni, “Guide pratique pour la description des sols de France,
Conservatoire d’Espaces Naturels (CEN) Bourgogne“, 2012.
[5] ASIMAKOPOULOU Fani E. et al. “an artificial neural network for estimating the
ground resistance”, International Conference on Grounding and Earthing & 4th
International Conference on Lightning Physics and Effects Salvador – Brazil,
November, 2010.
[6] AYAT N., “Sélection de modèle automatique des machines à vecteurs de support,
application à la reconnaissance d’images de chiffres manuscrits“, Thèse présentée à
l’Ecole de Technologie Supérieure, Montréal, Canada, 2004.
[7] BÉNÉDIC Yohann, “approche analytique pour l’optimisation de réseaux de neurones

artificiels“, thèse présentée pour l'obtention du Doctorat de l'Université de Haute-
Alsace (Discipline génie informatique).
[8] BESSE Philippe, “Science des données-3, Apprentissage Statistique“, INSA de

Toulouse.
[9] BESSON Arlène, COUSIN Isabelle, DABAS Michel, KING Dominique, “Impact de
la solution du sol sur les mesures de résistivité électrique : premiers essais
méthodologiques“, septembre 2005.

BIBLIOGRAPHIE
[10] BOUILLON Manuel, “Apprentissage incrémental et décrémental, Classification avec

un système d’inférence floue évolutif, appliquée à la reconnaissance de gestes
manuscrits“, Master 2 Recherche en Informatique, INSA de Rennes, janvier 2012.
[11] BOUREK Y., “Etude de la décharge électrique par l'intelligence artificiell“, thèse de
Doctorat, Université de Batna2 ,2016.
[12] CALLUT J., “Implémentation efficace des Supports vectors Machines pour la
classification“, Mémoire présenté en vue de l’obtention du grade de Maître en
informatique. Université libre de Bruxelles, Département informatique, 2003.
[13] CHAPELLIER D., “Prospection électrique de surface. Université de Lausanne -Institut

Français du Pétrole“, 2000.
[14] CORNUEJOLS A., MICLET L., KODRATOFF Y., “Apprentissage Artificiel,

Concepts et algorithmes“, ISBN 2-212-11020-0 , 2002.
[15] DANZE Jean-Marie, “problématique de la mise à la terre“, www.next-

up.org/France/terre.php, consulté le 18 juillet 2018.
[16] DHARMADASA I. T. et al. “determination of earth resistivity profile in multilayer

soil”, Department of Electrical Engineering, University of Moratuwa, Sri Lanka.
[17] DJEFFAL A., “Utilisation des méthodes Support Vector Machine (SVM) dans
l’analyse des bases de données“, thèse de doctorat en science université de Biskra,
2010.
[18] DREYFUS G., “Les Réseaux de Neurones, Mécanique Industrielle et Matériaux” ,

1998.
[19] FREZZA-BUET S. Hervé, “Machines à Vecteurs Supports Didacticiel“, Support de

cours, Supélec, 23 octobre 2013.
[20] GÜEMES J. A., HERNANDO F. E., “Method for Calculating the Ground Resistance
of Grounding Grids Using FEM“, IEEE Transactions on Power Delivery, Vol.19,
No.2, pp 595-600, Avril 2004.

BIBLIOGRAPHIE
[21] GUERMEUR Y., “SVM multi classes, théorie et applications“, Mémoire présenté
pour l’obtention de l’habilitation à diriger des recherches, Université Nancy I,
France,2007.
[22] GUESBAYA Tahar, “Identification et commande de robot manipulateur rigide et

flexible en utilisant les réseaux de neurones et la logique floue“
[23] GUNN S., “Support Vector Machines for Classification and Regression”, University
of Southampton, May 1998.
[24] HAMMOUCHE Y., “Comparaison de plusieurs méthodes pour la prédiction de la

Charge Electrique Nationale”, Mémoire du diplôme Magistère, 2009.
[25] HICHAM CHAOUI, “conception et comparaison de lois de commande adaptative à

base de réseaux de neurones pour une articulation flexible avec non-linéarité dure“,
Université du Québec à Trois-Rivières, Mémoire pour Maitrise en Génie Electrique.
[26] HOUEDAKOR Tété Jean, “Approches neuronales et des supports vector machines
(SVM) pour la prédiction des propriétés mécaniques des roches : cas des roches
Togolaises“, Mémoire d’ingénieur génie électrique, IFTS, juillet 2017.
[27] http://www.stat-togo.org , consulté le 12 avril 2018.
[28] https://votresalaire.org/togo/salaire/salaire-minimum-tarifs/ Consulté le 7 juillet 2018

à 9h 40.
[29] JOB J. O., TABBAGH A, and HACHICHA M., “Détermination par méthode
électromagnétique de la concentration en se d’un sol irrigué,” Canadian Journal of
Soil Science, vol. 75, no. 4, pp. 463–469, 1995.
[30] KHELLAT KIHEL S., “Les séparateurs à vaste marge Bi- classe“, Université des
sciences et de technologie d’Oran, exposé de Master 2, 2012.

BIBLIOGRAPHIE
[31] KHODJA F., “Conception d'un système intelligent à base de réseaux de neurones
artificiels pour l'étude de la dynamique des streamers à la surface des polymères“,
Thèse d’Ingénieur d’Etat de l’USTHB, Université d’Oran, 2011.
[32] LEGRAND Xavier, “Modélisation des systèmes de mise à la terre des lignes
électriques soumis à des transitoires de foudre“, thèse de doctorat de
l’école centrale de lyon, 2007.
[33] LIU Yaqing, “Transient Response of Grounding Systems Caused by Lightning:

Modelling and Experiments “, thèse de doctorat, université de uppsala ,2004.
[34] MACHADO P., BERNARDI A., VALENCIA L., MOLIN J., GIMENEZ L., SILVA
C., ANDRADE A., MADARI B., and MEIRELLES M., “Electrical conductivity
mapping in relation to clay of a Ferralsol under no tillage system (in Portuguese)”,
Pesquisa Agropecuária Brasileira, vol. 41, no. 6, pp. 1023–1031, Jun. 2006.
[35] MAHADOUI R., “Diagnostic industriel par neuro-flou-application à un système de

production“, Ingénieur d’Etat en Informatique Université de Batna, 2011.
[36] MARKIEWICZ Henryk, Dr Antoni Klajn, “Mise à La Terre – Bases de Calcul et De

Conception“, Guide Power Quality Section 6 : Cem et Mise à La Terre www.leonardo-
energy.org/France, Edition Août 2007.
[37] MARREF Nadia, “Apprentissage Incrémental & Machines à Vecteurs Supports“,

Mémoire de Magister en Informatique, Université Hadj Lakhdar-Batna (Algérie),
2013.
[38] MOHAMADALLY H. et FOMANI B., “ SVM : Machines à Vecteurs de Support ou

Séparateurs à Vastes Marges“, Versailles St Quentin, France, Janvier 2006.

BIBLIOGRAPHIE
[39] MONTOROI Jean-Pierre et al., “détermination de la relation résistivité électrique –

teneur en eau au laboratoire: application aux sols de Tunisie central”, colloque
GEOFCAN Géophysique des sols et des formations superficielles, 11-12 septembre
1997.
[40] MOTETSE Julien , “Approches neuronale, floue et neurofloue pour la prédiction des
propriétés mécaniques des roches gneissiques du Togo“, Mémoire
d’Ingénieur/Master Prof.-Univ. Lomé/ ENSI -Département Génie Electrique, 2017.
[41] NGUYEN Anh Quan, “Evaluation non destructive du gradient de teneur en eau dans
les structures en béton armé par résistivité électrique”, these de Doctorat de
l’Université de TOULOUSE.
[42] OLASAGASTI Eñaut Muxika, “Application des réseaux de neurones à

l’identification d’un axe de machine-outil“, Institut National Polytechnique de
Grenoble, thèse de doctorat soutenue le 22 novembre 2002.
[43] OSUNA E., FREUND R., and GIROSI F., “A Improved Training Algorithm for
Support Vector Machines”, Proc. 1997 IEEE Workshop on neural network for signal
Proceesing, pp 276-285, 1997
[44] OUSSAR Yacine, “Réseaux d’ondelettes et réseaux de neurones pour la modélisation

statique et dynamique de processus“, thèse de Doctorat de l’Université Pierre et
Marie Curie, soutenue le 06 Juillet 1998.
[45] PAPAIZ GARBINI Gabriel, “Contribution au calcul des élévations de potentiel de sol
en contexte ferroviaire, thèse de doctorat soutenue le 25/06/2015“, Université Paris-
Sud.
[46] ROUIBAH Tahar, “Contribution à la modélisation et à la simulation des prises de

terre des installations électriques “, thèse de doctorat de l’Université Ferhat Abbas-
Setif 1 (Algérie), novembre 2015.

BIBLIOGRAPHIE
[47] RUAN W., SOUTHEY R. D., FORTIN S., DAWALIBI F. P., and MEMBER S.,
“Effective Sounding Depths for HVDC Grounding Electrode Design : Wenner versus
Schlumberger Methods,” vol. 4, pp. 1–7, 2005.
[48] SAMOUËLIAN A., COUSIN I., TABBAGH A., BRUAND A., and RICHARD
G.,“Electrical resistivity survey in soil science : a review,” Soil and Tillage Research,
vol. 83, no. 2, pp. 173–193, Sep. 2005.
[49] SCHOLKOPF B. and SMOLA A., “Leaning with Kernels”, MIT Press, 2001.
[50] TABBAGH A., GUE R., and COSENZA P., “Numerical modeling of the role ofwater
and clay content in soils ’ and rocks ’ bulk electrical conductivity,” Journal of
Geophysical Research, vol. 107, pp. 1–9, 2002.
[51] TARILANYO Afa John and C.M. Anaele, “Seasonal Variation of Soil Resistivity and
Soil Temperature in Bayelsa State” American J. of Engineering and Applied Sciences
3 (4): 704-709, 2010, ISSN 1941-7020.
[52] TCHONDA M., “Approche Neuronale pour la Prédiction de la charge Electrique sur
le réseau de la Communauté Electrique du Benin (CEB)“, Mémoire
d’Ingénieur/Master Prof.-Univ. Lomé/ ENSI -Département Génie Electrique, 2016.
[53] TOUZET Claude, “Introduction au connexionnisme“, pp. 6-10, Juillet 1992.
[54] TUCKER M. E., “Sedimentary Petrology: An Introduction to the Origin of

Sedimentary Rocks“, Wiley, 2001.
[55] URBANI Dominique, “Méthodes statistiques de sélection d’architectures neuronales:

application à la conception de modèles de processus dynamiques“, thèse de Doctorat
de l’Université Pierre et Marie Curie, soutenue le 16 Novembre 1995.
[56] VEYSSEYRE Renée, Statistique et probabilités pour l’ingénieur, 2ème édition.
[57] VINCENT P., “Modèles à noyaux à structure locale“, Thèse de Ph.D en informatique,
Université de Montréal, 2003

BIBLIOGRAPHIE
[58] WENNER F., “A Method of Measuring Earth Resistivity,” Bulletin of the National
Bureau of Standards, vol. 12, pp. 469–478, 1915.
[59] YESSAADI S., “Un modèle basé Template Matching/ Réseau de Neurones pour la
Reconnaissance des visages,” thèse de magistère, 2006.
[60] YESSIN Mohamed, “mise en œuvre de réseaux de neurones pour la modélisation de

cinétiques réactionnelles en vue de la transposition batch/continu“, thèse de doctorat
Soutenue le 17 juillet 2007, l’Institut National Polytechnique de Toulouse.
[61] ZADEH A., “Fuzzy Logic, Neural Networks and Soft Computing“, Fuzzy Systems,
Vol 37 n°3, Mars 1994.
[62] ZIDANE Zine Abiddine, “Modélisation et simulation des prises de terre dans les
systèmes électrique“, Mémoire de Magister en Electrotechnique de l’Université Ferhat
Abbas-Setif (Algérie), mai 2012.
[63] ZOHDY A. A. R., “A new method for the automatic interpretation of Schlumberger
and Wenner sounding curves,” Geophysics, vol. 54, no. 2, pp. 245–253, Feb. 1989.

LES RESEAUX DE NEURONES ARTIFICIELS (RNA) ET LES ҅ ҅ SUPPORTS VECTOR MACHINES ҆ ҆ (SVM) POUR LA PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL

Transféré par

Droits d'auteur :

Formats disponibles

LES RESEAUX DE NEURONES ARTIFICIELS (RNA) ET LES ҅ ҅ SUPPORTS VECTOR MACHINES ҆ ҆ (SVM) POUR LA PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

LES RESEAUX DE NEURONES ARTIFICIELS (RNA) ET LES ҅ ҅ SUPPORTS VECTOR MACHINES ҆ ҆ (SVM) POUR LA PREDICTION DE LA RESISTIVITE ELECTRIQUE DU SOL

Transféré par

Droits d'auteur :

Formats disponibles

MINISTERE DE L’ENSEIGNEMENT REPUBLIQUE TOGOLAISE Travail-

SUPERIEUR ET DE LA RECHERCHE Liberté-Patrie

DEPARTEMENT DE GENIE ELECTRIQUE

LES RESEAUX DE NEURONES ARTIFICIELS (RNA)

MEMOIRE DE FIN D’ETUDES POUR L’OBTENTION DU DIPLOME DE MASTER

À DIEU Tout Puissant ;

à nos oncles et tantes paternels comme maternels ;

à tous nos cousins et cousines ;

à tous nos camarades de promotion et à tous nos amis ;

à tous ceux qui de près ou de loin ont contribué à l’élaboration de ce document et

tous ceux pour qui, il est une source de fierté.

Mémoire d’Ingénieur/Master Professionnel i AHOVI K.S. & DJANDJA S.O.

 Au Professeur BEDJA Koffi-Sa Eugène, Professeur Titulaire, Ingénieur des

 à M. AJAVON Ayité Sénah Akoda, Maître de Conférences, Ingénieur Electro-

 à M. SALAMI Adekunlé Akim, Maître de Conférences, Ingénieur Génie Electrique,

 à M. APALOO BARA Komla Kpomonè, Ingénieur Génie-Electrique, Enseignant-

 à M. KODJO Koffi Mawugno, Maître de Conférences, Ingénieur Automaticien,

 à M. KASSEGNE Assogba Komlan, Ingénieur Génie Mécanique, Maître de

Mémoire d’Ingénieur/Master Professionnel ii AHOVI K.S. & DJANDJA S.O.

 à M. NEGLO Kouma, PhD, Maître de Conférences, Ingénieur Génie Civil ex-

 à M. BOYODI Abayeh, Maitre-Assistant, enseignant à l’ENSI et Directeur Générale

 à M. ADJAMAGBO Comlanvi, Maitre-Assistant, Ingénieur électromécanicien;

 à M. AGBOSSOU Akpé Komi, Maitre-Assistant, Enseignant-Chercheur à l’ENSI

 à M. BAYOR Sibiri Wourè-Nadiri, Maître-Assistant, ancien Directeur Adjoint de

 à Madame PACHOUKOVA Irina, Maitre-Assistant, Ingénieur des Mines,

 à M. BOKOVI Yao, Maitre-Assistant, Ingénieur Génie Electrique, Enseignant-

 à M. EGBEKU Kwadjo Edem, Ingénieur Electronicien, Enseignant-Chercheur à

 à M. KPOGLI Komlan, Ingénieur Electrotechnicien, Enseignant-Chercheur à

 à Tous les personnels Administratif et Technique de la Compagnie Energie

 à tous les personnels Administratif, Enseignant et Technique de l’ENSI pour leur

Mémoire d’Ingénieur/Master Professionnel iii AHOVI K.S. & DJANDJA S.O.

 Nos remerciements vont également à tous nos camarades de promotion pour

Mémoire d’Ingénieur/Master Professionnel iv AHOVI K.S. & DJANDJA S.O.

Mots clés: caractérisation, prédiction, RNA, SVM, comparaison statistique.

Mémoire d’Ingénieur/Master Professionnel v AHOVI K.S. & DJANDJA S.O.

Key words: characterization, prediction, RNA, SVM, statistical comparison.

Mémoire d’Ingénieur/Master Professionnel vi AHOVI K.S. & DJANDJA S.O.

TABLE DES MATIERES

Mémoire d’Ingénieur/Master Professionnel vii AHOVI K.S. & DJANDJA S.O.

1.4- Environnement d’un système de mise à la terre : sol ................................................. 11

1.9.4- Le coefficient de corrélation (R2) ......................................................................... 29

Mémoire d’Ingénieur/Master Professionnel viii AHOVI K.S. & DJANDJA S.O.

2.2.1- Concepts et Sources de l’apprentissage automatique .......................................... 32

Mémoire d’Ingénieur/Master Professionnel ix AHOVI K.S. & DJANDJA S.O.

2.4.3- Principe de fonctionnement.................................................................................. 54

Mémoire d’Ingénieur/Master Professionnel x AHOVI K.S. & DJANDJA S.O.

3.2.2.1.8- Caractéristiques de forme ........................................................................... 75

Mémoire d’Ingénieur/Master Professionnel xi AHOVI K.S. & DJANDJA S.O.

LISTE DES FIGURES

Mémoire d’Ingénieur/Master Professionnel xii AHOVI K.S. & DJANDJA S.O.

Mémoire d’Ingénieur/Master Professionnel xiii AHOVI K.S. & DJANDJA S.O.

LISTE DES TABLEAUX

Mémoire d’Ingénieur/Master Professionnel xiv AHOVI K.S. & DJANDJA S.O.

Tableau 3.22: Performances du modèle MLP- configuration “11“ ([ABCD]) ................. 98

Mémoire d’Ingénieur/Master Professionnel xv AHOVI K.S. & DJANDJA S.O.

LISTE DES ABREVIATIONS ET ACRONYMES

{u(t)} : séquences d’entrées du processus général de prédiction

Mémoire d’Ingénieur/Master Professionnel xvi AHOVI K.S. & DJANDJA S.O.

RBF : Radial Basis Function

Mémoire d’Ingénieur/Master Professionnel xvii AHOVI K.S. & DJANDJA S.O.