Memoire de Master: Republique Algerienne Democratique Et Populaire
Memoire de Master: Republique Algerienne Democratique Et Populaire
Memoire de Master: Republique Algerienne Democratique Et Populaire
MEMOIRE DE MASTER
En vue de l’obtention du diplôme de Master en Hydraulique
Option : Aménagement et Ouvrages Hydrotechniques
THÈME DU PROJET :
Janvier 2018
Janvier 2018
Dédicace
L’achèvement de chaque étape importante de notre vie, suscite un moment de réflexion et une pensée
pour les personnes qui ont partagé, avec nous, les meilleurs moments de notre existence, mais aussi et
surtout celles qui nous ont aidés dans la sérénité et nous ont soutenus sans réserve ni retenue. Je pense
à l’instant :
A tous les enseignants de l’Ecole Nationale d’Hydraulique ARBAOUI Abdallah, qui m’ont appris les
notions de base de l’hydraulique, depuis ma première année, jusqu’à ce que je devienne ingénieur dans
une grande institution du secteur, en Algérie ;
A Monsieur le Directeur Général, à Messieurs les Directeurs des Régions, à tous les employés, à tous
les cadres et l’ensemble des collègues et du collectif technique et administratif de l’Agence Nationale
des Barrages et Transferts ;
Mes parents qui ont illuminé mon chemin depuis ma naissance, que je ne remercie jamais assez, que
Dieu me les garde ;
A mes chères sœurs et mon frère ;
Egalement à toute ma famille ;
A toutes mes amies ;
A toute personne qui a utilisé ce document pour un bon usage.
Remerciements
Avant tout propos, je remercie « Dieu, le seul, l’unique et le miséricordieux » le tout puissant qui m’a
procuré clairvoyance, intelligence, sagesse et santé pour pouvoir réaliser ce travail ;
Mes remerciements les plus sincères, ma plus haute considération et mes respects aux membres de jury
qui ont accepté d’examiner mon travail ;
C’est avec grand plaisir que j’exprime ma reconnaissance et mes remerciements à mon promoteur : Mr
ZEROUAL. A. Je lui exprime ma reconnaissance pour ses précieux conseils qui m’ont permis de
bénéficier de son expérience et d’acquérir de précieuses connaissances tout le long de l’exécution ce
travail ;
Mes sincères remerciements, vont également, à tous les enseignants et le personnel de l’Ecole
Nationale supérieure de l’Hydraulique qui ont contribué à ma formation. Ainsi qu’à Messieurs
YAHIAOUI et RASSOUL pour leur aide et leur soutien dans la réalisation de ce travail ;
Aussi, mes sincères remerciements à Mon Directeur et mes collègues de l’Agences Nationales des
Barrages et Transferts, notamment, à ceux de la Direction des Réalisations Ouest ;
J’adresse mes remerciements les plus chaleureux à ma famille, pour son soutien et son encouragement
durant mes études, sans oublier mes grands parents, qui n’ont jamais hésité un instant à se tenir à mes
côtés afin de me soutenir et m’encourager.
Résumé :
L’infiltration des eaux dans le corps des retenues des barrages en exploitation peuvent causer leur
rupture. D’une manière générale, deux types d'infiltrations ont été décelés dans les barrages. Le
premier type atteint le corps du barrage alors que le second arrive sous la fondation, affectant
négativement la stabilité du barrage.
A savoir que, l'infiltration dans le corps du barrage suit une ligne phréatique. La connaissance du
niveau piézométrique (appelée ligne phréatique) dans la retenue du barrage est ainsi d’un intérêt
primordial, tant du point de vue économique, que sur le plan de la sécurité de l’ouvrage.
Dans cette étude, les infiltrations à travers le corps du barrage d’Ain Zada qui est situé à l’extrême Est
du territoire de la Wilaya de Bordj Bou Arréridj, sont étudiées en utilisant un modèle de réseau
neuronal artificiel (RNA) afin de comprendre le degré d'infiltration.
Les séries de données piézométriques collectées au niveau de ce barrage ont été utilisées pour la
formation et l'essai du modèle RNA. Pour cela, les niveaux d'eau amont et aval du barrage et les
niveaux d'eau dans les piézomètres sont utilisés pour construire notre modèle de réseaux de neurones
artificiels par l’application du réseau de Levenberg-Marquardt Back Propagation.
En conclusion, il s’est avéré lors de cette étude que la prédiction de la ligne de saturation, utilisant le
RNA, dans le cas de notre Barrage a donné des résultats très satisfaisants à l’égard du coefficient de
corrélation (R) de plus de 0,92 et une erreur quadratique moyenne de moins de 0,062.
Abstract:
Seepages in the dams and reservoirs in operation can cause its damage. Generally two types of
Seepage have been considered in a dam, the first in the body of the dam and the second in their
foundation, adversely affects dam’s stability, knowing that the seepage in the dam’s body follows a
phreatic line. The Piezometric level (phreatic line) determination in the dam body is of greater relative
benefit, both from the economic standpoint as well as the dam safety. In this study, seepages through
the body of the Ain Zada dam that in which is located at the extreme east territory of the Wilaya Bordj
Bou Arréridj are studied using an artificial neural network (ANN) model in order to understand the
degree of seepage.
Piezometric data sets, which are collected from Ain Zada earth-fill dam, have been used for training
and testing the developed ANN model. For this, the water levels on the upstream and downstream
sides of the dam were input variables and the water levels in the piezometers were the target
outputs in the artificial neural network model with using The Levenberg-Marquardt Back Propagation
network.
In conclusion, it is revealed through this study that the prediction of the saturation line using RNA in
our dam yielded very satisfactory results with respect to the correlation coefficient (R) of more than
0.92 and an average squared error of less than 0.062.
TABLE DE MATIERE
Introduction générale
Chapitre I: Présentation du barrage de AIN ZADA
I.1. Introduction ………………………………………………………………………………... 03
I.2. Historique des barrages ………………………………………………………………….... 04
I.3. Les différents types de barrages …………………………………………………………… 06
I.4. Les infiltrations dans le corps du barrage …………………………………………………. 09
I.5. Le contrôle des infiltrations ………………………………………………………………... 15
I.6. Le barrage de Ain Zada …………………………………………………………………… 17
I.7. Conclusion …………………………………………………………………………………. 26
Chapitre II : Mécanismes de l’écoulement des eaux dans les milieux poreux
II.1. Introduction et définitions ………………………………………………………………… 28
II.2. Propriétés physiques de l’eau du sol ……………………………………………………… 29
II.3. Etats de l’eau dans le sol ………………………………………………………………….. 33
II.4. La courbe caractéristique de l’humidité du sol …………………………………………… 34
II.5. Lois générales de l’hydrodynamique …………………………………………………….. 36
II.6.Ecoulements en milieux poreux saturés et non – saturés …………………………………. 38
II.7. Ecoulement à surface libre ………………………………………………………………... 41
II.8. Conclusion ………………………………………………………………………………… 45
Chapitre III : Les réseaux de neurones artificiels
III.1. Introduction ………………………………………………………………………………. 48
III.2. Historique ………………………………………………………………………………… 48
III.3. Les neurones ……………………………………………………………………………... 49
III.4. Les connexions entre neurones …………………………………………………............... 51
III.5. Architecture des réseaux de neurones ……………………………………………………. 54
III.6. Apprentissage des réseaux de neurones ………………………………………………….. 58
III.7. Propriété fondamentale des réseaux de neurones formels ………………………………. 62
III.8. Réseaux de neurones et régression non linéaire …………………………………………. 64
III.9. La base d’apprentissage ………………………………………………………………..... 65
III.10. La base de test ………………………………………………………………………….. 66
III.11. Conclusion ……………………………………………………………………………… 67
Chapitre IV: Application des réseaux neuronaux pour la modélisation des niveaux
piézométriques au niveau du barrage de Ain Zada
IV.1. Introduction ………………………………………………………………………………. 71
IV.2. Sélection des entrées et architecture du modèle …………………………………………. 71
IV.3. Apprentissage du modèle RNA ………………………………………………………….. 74
IV.4. Résultats ………………………………………………………………………………….. 75
IV.5. Discussion et conclusion …………………………………………………………………. 79
Conclusion Générale …………………………………………………………………………… 81
Références bibliographiques …………………………………………………………………… 82
LISTE DES TABLEAUX
Chapitre I: Présentation du barrage de AIN ZADA
Tableau I.1 Caractéristiques des barrages en remblai en exploitation en Algérie, avec leurs
07
objectifs de construction et leurs capacités (Source ANBT) …………………………………..
Tableau I.2 Gradient hydraulique admissible …………………………………………………. 14
Tableau I.3 Gradient d’infiltration admissible ………………………………………………… 15
Tableau I.4 Détermination du coefficient de sécurité …………………………………………. 15
Tableau I.5 Pressions interstitielles du noyau mesurées avec les piézomètres hydrauliques 21
(PH) ……………………………………………………………………………………………..
Tableau I.6 Pressions interstitielles des fondations mesurées avec les piézomètres 24
pneumatiques (PP) ……………………………………………………………………………..
Tableau I.7 Pressions totales (PT) …………………………………………………………… 25
Chapitre III : Les réseaux de neurones artificiels
Tableau III.1 Réseaux de neurones et statistique ……………………………………………… 65
Chapitre IV: Application des réseaux neuronaux pour la modélisation des niveaux
piézométriques au niveau du barrage de Ain Zada
Tableau IV.1 Conception des entrée et sortie du modèle RNA ……………………………….. 72
Tableau IV.2 Paramètres statistiques de la prédiction des niveaux piézométriques dans les
75
quatre piézomètres dans le deuxième profil trouvés pour la phase de validation ……………
Tableau IV.3 Paramètres statistiques de la prédiction des niveaux piézométriques dans les
78
quatre piézomètres dans le deuxième profil trouvés pour la phase de validation ……………
Tableau IV.4 Paramètres statistiques de la prédiction des niveaux piézométriques dans les
78
quatre piézomètres dans le deuxième profil trouvés pour la phase de validation …………….
LISTE DES FIGURES
Chapitre I: Présentation du barrage de AIN ZADA
Figure I.1 Répartition des barrages à travers le monde (WCD, 2000)……………………….. 03
Figure I.2 Les principaux objectifs de construction d'un barrage (WCD, 2000) ……………. 04
Figure I.3 Trajectoire de l’eau à travers un barrage de terre ………………………………….. 11
Figure I.4 Tracé de la ligne de saturation ; cas d’un barrage homogène ………………………. 12
Figure I.5 Emplacement des piézomètres sur le corps de la digue ……………………………. 16
Figure I.6 Vue sur le flan de la digue du barrage (photo 2016) ………………………………. 18
Figure I.7 Digue du barrage d’Ain Zada ……………………………………………………….. 18
Figure I.8 Evolution de la côte d’eau de la retenue ……………………………………………. 20
Figure I.9 Profil d’auscultation 1– Chaînage 0+506.3 ………………………………………… 22
Figure I.10 Profil d’auscultation 2– Chaînage 0+581.1 ………………………………………... 22
Figure I.11 Profil d’auscultation 3– Chaînage 0+656.5 ……………………………………….. 23
Figure I.12 Profil d’auscultation 4– Chaînage 0+731.8 ……………………………………….. 23
Figure I.13 Vue en plan – Emplacement des cellules de pression totale ……………………… 25
Chapitre II : Mécanismes de l’écoulement des eaux dans les milieux poreux
Figure II.1 Forces cohésives agissant sur une molécule au sein et à la surface du liquide ……. 29
Figure II.2 Ménisque dans un tube capillaire ………………………………………………….. 29
Figure II.3 Equilibre des forces de tension superficielle aux bords d’une goutte ……………. 30
Figure II.4 Ascension capillaire (loi de Jurin) …………………………………………………. 31
Figure II.5 Schéma illustrant un osmomètre …………………………………………………… 32
Figure II.6 Perméabilité dans les sols non – saturés ………………………………………….. 37
Figure II.7 Application de l’équation de RICHARDS à l’écoulement non-saturé en présence 42
de surface libre ………………………………………………………………………………….
Figure II.8 Application de l’approche mathématique à l’écoulement à surface libre ……….. 45
Chapitre III : Les réseaux de neurones artificiels
Figure III.1 Vue d’un neurone biologique ……………………………………………………... 50
Figure III.2 Schéma de fonctionnement d’un neurone formel …………………………………. 52
Figure III.3 Les différents types de fonction d’activation ……………………………………... 53
Figure III.4 Fonction d’activation sigmoïde et sa dérivée première …………………………… 54
Figure III.5 Réseaux à une couche …………………………………………………………….. 55
Figure III.6 Réseaux "Feed Forward" multicouches …………………………………………… 56
Figure III.7 : Réseaux récursifs (réseaux de Hopfield) ………………………………………... 57
Figure III.8 Classification des réseaux de neurones suivant leur apprentissage ……………….. 58
Figure III.9 Extrait d’un réseau multicouche …………………………………………………... 60
Figure III.10 Rétro- propagation des gradients ………………………………………………… 61
Figure III.11 Effet du momentum pour échapper d’un minimum local ……………………….. 62
Chapitre IV: Application des réseaux neuronaux pour la modélisation des niveaux
piézométriques
Figure IV.1 Profil d’auscultation 1– Chaînage 0+506.3 72
Figure IV.2 Architecture du modèle RNA à trois couches 73
Figure IV.3 Comparaison entre les niveaux piézométriquesPH1/1 observés et simulés 76
Figure IV.4 Comparaison entre les niveaux piézométriquesPH1/2 observés et simulés 76
Figure IV.5 Comparaison entre les niveaux piézométriquesPH1/3 observés et simulés 77
Figure IV.6 Comparaison entre les niveaux piézométriquesPH1/4 observés et simulés 77
Introduction générale
Un barrage est un obstacle artificiel au moyen duquel il est créé une retenue d'eau, généralement, en
coupant un cours d'eau (Penman 1986). Un barrage est un ouvrage d'art destiné à réguler le débit et/ou
à stocker de l'eau pour l'irrigation des cultures, les besoins de l'industrie, l'hydroélectricité et la
pisciculture.
Les barrages d’eau sont considérés comme des réservoirs stratégiques d'eau, hautement protégés et
sécurisés aux alentours des grands centres urbains, destinés pour les besoins industriels et des
populations (Giacomodonato et al. 2009).
En fonction de leurs types de structure, les barrages sont principalement divisés en quatre types :
barrage-poids, barrages à contrefort, barrages-voûtes et barrages en remblai (Haoyao et al. 2012).
Les barrages en remblais sont appréciés en raison de leur rentabilité économique. Ils sont en mesure de
collecter de grands volumes d'eau et aptes à reposer sur des fondations de qualité médiocre. Il existe
deux types de barrages en remblai : barrages en enrochement et barrages en terre (Penman 1986)
Dans cette étude, le barrage en terre d’Ain zada, situé à l’Est de la Wilaya de Bordj Bou Arréridj, sera
le cas à étudier. Où nous nous intéresserons aux infiltrations à travers le corps de ce barrage.
Notons dés lors, que les ruptures et les endommagements des barrages montrent que l’érosion interne
provoquée par des infiltrations dans le corps et la fondation du barrage, représente un risque sérieux
pour la sécurité et la stabilité des digues du barrage (Elganainy 1987).
Par conséquent, il est nécessaire pour la sécurité de la digue de pouvoir prédire et délimiter des zones
d'infiltrations en fonction du niveau de remplissage.
Afin de comprendre le degré d'infiltration, les géotechniciens et mécaniciens des sols ont définis la
ligne de saturation du remblai du barrage qui est en réalité confondue avec la ligne le long de laquelle
la pression hydrostatique de l’eau au sein du massif est nulle .
Cette dernière est appelée ligne phréatique et représente le niveau de la surface libre dans le corps du
barrage, elle représente exactement, la limite entre la partie sèche/humide et la partie saturée d’eau du
barrage.
Cependant, dans cette étude l'infiltration, à travers le corps du barrage d’Ain Zada, est étudiée en
utilisant un modèle du réseau de neurones artificiels. Les infiltrations à travers le corps du barrage
d’Ain Zada sont étudiées en utilisant un modèle du réseau neuronal artificiel (RNA) afin de
comprendre le degré d'infiltration .
Des séries de données piézométriques qui sont collectées au niveau du barrage d’Ain Zada ont été
utilisées pour la formation et l'essai du modèle RNA. Les niveaux d'eau amont et aval du barrage et les
niveaux d'eau dans les piézomètres sont utilisés pour construire notre modèle de réseaux de neurones
artificiels en application du réseau de Levenberg-MarquardtBack Propagation.
Pour bien mener cette étude, nous avons fractionné notre travail en quatre chapitres :
Chapitre I: Présentation du barrage de AIN ZAD.
Chapitre IV: Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au
Présentation du barrage de
AIN ZADA
Chapitre I Présentation du barrage de AIN ZADA
I.1. Introduction
Par définition, un barrage est un ouvrage d'art complexe édifié en travers d'un cours d'eau pérenne ou
temporaire. Ce genre d’ouvrage « hydraulique » est destiné, surtout, à collecter et stocker l'eau des
pluies pour son utilisation future pour les besoins des populations en eau potable, l’agriculture,
l’industrie ou encore pour produire de l’électricité grâce aux stations hydro électriques. Avec le temps,
d’autres utilisations des réservoirs et des plans des barrages sont apparues telles que la pisciculture, les
sports nautiques etc...
Ces ouvrages qui demandent un génie particulier et pluridisciplinaire pour leur conception, servent
aussi, à contrôler et à réguler les débits d’écoulement des rivières pour faire face aux crues
dévastatrices et protéger, par conséquent, les grands établissements humains, les grands aménagements
et les terres agricoles fertiles.
A l’échelle mondiale, cinq pays détiennent près de 90 % des infrastructures de mobilisation des eaux
de surface, car plus de 55 % des barrages sont construits en République Populaire de Chine, 16 % aux
États Unis d’Amérique, 11 % en Inde et 7 % au Japon. Le reste des ouvrage est répartit entre
l’Espagne, le Canada, la Corée du Sud, la Turquie, le Brésil et la France (WCD, 2000) (Figure I.1).
-3-
Chapitre I Présentation du barrage de AIN ZADA
La construction des barrages, dans le monde, est une pratique ancestrale, elle date de milliers d’années.
Jusqu’à la fin des années 1940, il y avait environ 5000 grands barrages dans le monde, la plupart
d’entre eux, sont concentrés dans les pays les plus industrialisés (WCD, 2000).
Le premier barrage, pour lequel il y a des enregistrements fiables, a été construit en Jordanie au IV éme
millénaire avant J-C, il était destiné pour approvisionner la ville de JAWA en eau potable. Les
égyptiens sous le règne du Pharaon Amenemhat III, ont construit un réservoir avec une capacité de
stockage incroyable de 275 millions m3 dans la vallée d'Al Fayyum, à environ 90 km au Sud - Ouest
du Caire.
Un autre barrage fut construit par le Pharaon Ménès, fondateur de la première dynastie, à Kosheish,
pour alimenter la ville de Memphis. L'historien byzantin rapporte le fait de l’existence d’un barrage-
voûte en maçonnerie depuis l’an 560 après J-C (barrage de Daras) (Cotter & Rael, 2015).
La submersion causée par l’effondrement du grand barrage construit par le Roi Lokman est rapportée
comme fait majeur dans l'histoire des arabes. Aussi, de milliers de barrages fut construit en Inde depuis
éme
des siècles jusqu'à nos jours. Au XV Siècle, les Espagnols ont réalisé de grands barrages en
maçonnerie.
-4-
Chapitre I Présentation du barrage de AIN ZADA
Le plus remarquable est celui de Tibi, à 18 km au Nord d'Alicante construit en 1594. Haut de 45 m, il
est toujours en service. En France, à l'Est de Toulouse, le barrage de Saint-Ferréol est construit entre
1667 et 1675 pour les besoins de l'alimentation en eau du canal royal du Languedoc(canal dénommé
de nos jours « canal du Midi »). Avec une hauteur de 35 m depuis les fondations et une longueur
de couronnement de 786 m, les dimensions de ce barrage en font le plus grand au monde à son époque
(Billington et al., 2005).
Le premier barrage-voûte moderne fut construit par François Zola, père du célèbre écrivain français
Émile Zola, entre 1843et 1859près d'Aix-en-Provence (Bouches-du-Rhône), Après cette époque, les
matériaux et les procédés de construction furent améliorés pour permettre la construction de grands
barrages tels que le barrage Nurek construit sur la rivière Vaksh près de la frontière Afghanistan.
Comme toute construction, les barrages sont exposés à des dommages qui peuvent aller des
fissurations ou fracturations jusqu’à la rupture totale. Les vieux barrages en remblai sont les ouvrages
qui présentent les risques les plus élevés face à ces risques (Marche & Marche, 2008). Depuis les
années 80, des études poussées sur les barrages ont de plus en plus éclairci les causes à l’origine de ces
dommages. En effet, l’érosion interne, qui conduit pour la plupart du temps, à la constitution de fuites
d’eau dans le corps du barrage, est considéré parmi les principales causes de dommage.
Cependant, pour faire face à ces phénomènes, des recommandations d’entretien des barrages, ont été
élaborées par la Commission Internationale sur les Grands Barrages en 1987. Entre autre, il a été jugé
nécessaire d’effectuer des inspections et d’adopter des programmes de surveillance appropriés pour
obtenir plus d’informations sur l’état des barrages en remblai, notamment leur stabilité. Ceci est
possible grâce à l’évaluation par la mesure des infiltrations ou l’évaluation des fuites, la mesure des
pressions et l’observation des mouvements (en surface ou sur les flancs).
En Algérie, une nouvelle politique de l’eau a été élaborée depuis 1996, elle prend en compte une
nouvelle approche de gestion des ressources en eau. A cet effet, plusieurs outils ont été mis en place, il
s’agit des cinq Agences des Bassins Hydrographiques, de l’Algérienne Des Eaux (A.D.E), de l’Office
Nationale d’Assainissement (O.N.A.) ainsi que des stations de traitement et d’épuration des eaux
polluées (STEP). La création de l’Agence National des Barrages et Transferts est venue pour la
résolution de la problématique de centralisation des données des ressources en eau au niveau des
barrages.
-5-
Chapitre I Présentation du barrage de AIN ZADA
La Loi 05 – 12 du 04 Août 2005 relative à l’eau est la meilleure consécration de la mise en place d’une
politique de l’eau en Algérie, car l'eau s’avère vitale pour toute approche socio-économique des
pouvoirs publics. Pour ce faire, un programme ambitieux réserve la priorité absolue à l’eau est adopté
par l’Etat algérien depuis le début des années 2000. Cette priorité est traduite par la réalisation d’un
grand nombre d’ouvrage de mobilisation des eaux de surface à travers le territoire national et la
projection de grands projets de transferts de la ressource entre les différentes régions du pays. En effet,
douze barrages sont actuellement en construction, vingt trois autres sont programmés dans le cadre du
Plan Quinquennal 2015 – 2019, ceci en dehors de l’actuel parc d’infrastructures de stockage qui
s’élève à soixante douze barrages (chiffre appelé à atteindre quatre vingt quatre ouvrages à l’horizon
2019).
La morphologie de la vallée (nature des roches sur lesquelles sera édifié le barrage), la nature du sol,
les matériaux disponibles sur le site déterminent le type de barrage. Les barrages différents d’un type à
l’autre en fonction de ces paramètres de base. Les barrages construits en béton ou en maçonnerie sont
des barrages poids, des barrages voûte, des barrages contreforts. Alors que les digues ou barrages en
remblai, sont réalisés en terre ou en enrochement. Notre étude qui traite les infiltrations portera sur le
dernier type qui est le barrage remblai (cas du barrage d’Ain Zada).
Les barrages en terre ont l’avantage de pouvoir reposer sur des fondations de qualité médiocre, c’est-à-
dire compressibles. L’ensemble des barrages en terre peuvent être considérés comme des « barrages-
poids », du fait qu’ils résistent à la pression de l’eau par leur propre poids. C’est ce qui explique leur
section de forme trapézoïdale. Notons l’existence de trois types.
Un barrage en terre est dit homogène lorsqu’il est constitué d’un même matériau (homogène) où
l’argile et dominante, relativement imperméable. Selon les ouvrages, la pente des talus est plus ou
moins forte, en fonction notamment des caractéristiques du matériau utilisé.
-6-
Chapitre I Présentation du barrage de AIN ZADA
Dans le cas d’un barrage à noyau, les fonctions de résistance et d’étanchéité sont en quelques
sortes séparées. D’une part, la résistance est assurée par les recharges placées sur les flancs de
l’ouvrage, d’autre part l’imperméabilité est assurée par le noyau central constitué de terre, la
plus imperméable possible. Enfin, l’ouvrage est stabilisé, de part et d’autre, par des recharges
composées, selon les cas, de terre plus perméable, d’alluvions ou d’enrochements.
Sur des sites particuliers où aucune terre imperméable n’est disponible et où seuls les
enrochements sont dominants, Ces sont alors utilisés pour réaliser le corps du barrage, tandis
que l’étanchéité est assurée par un masque de béton, ciment ou béton bitumineux appliqué à
l’amont su l’ouvrage.
Tableau I.1 Caractéristiques des barrages en remblai en exploitation en Algérie, avec leurs objectifs de
construction et leurs capacités (Source ANBT)
Hauteur du barrage 62 m
-7-
Chapitre I Présentation du barrage de AIN ZADA
Hauteur du barrage 55 m
Rivière Isser
Hauteur du barrage 40 m
Rivière Tafna
-8-
Chapitre I Présentation du barrage de AIN ZADA
Hauteur du barrage 61 m
Hauteur du barrage 95 m
La stabilité d’un barrage en terre est fondamentale, elle dépend de la force d’appui sur les talus amont
et aval ainsi que la fondation. Du fait de son importance capitale, l’étude de la stabilité des barrages a
attiré l’attention de plusieurs chercheurs et ingénieurs. Depuis, il est avéré que la stabilité, garante de
sa pérennité de l’ouvrage, est liée aux phénomènes d’infiltrations.
Les infiltrations : ce sont, en fait, les écoulements d’eau qui évoluent à travers le corps du barrage en
terre et sous ses ouvrages. Ces infiltrations se produisent sous l’effet de la charge d’eau au bief amont.
Dans le cas des barrages, la dissipation des pressions interstitielles, les infiltrations et leur importance
sont étroitement liés à l'évolution de l’écoulement en surface libre qui s'établit en général dans le corps
de la digue (Femmam & Benmebarek, 2011).
Les statistiques montrent que plus de 50 % des dégâts graves sur les barrages sont dus aux infiltrations
(Londe, 1990), c’est pourquoi, il faut toujours concevoir un calcul minutieux des infiltrations. Donc,
établir la position de la ligne phréatique ou la ligne de saturation dans le massif de la digue et
déterminer le gradient de filtration à travers l’ouvrage et le sol de la fondation.
-9-
Chapitre I Présentation du barrage de AIN ZADA
Les infiltrations qui se produisent à travers le corps du barrage et ses fondations doivent être
considérées sous deux aspects différents, d’une part, elles réduisent le volume emmagasiné et d’autre
part, elles peuvent compromettre la stabilité de l’ouvrage.
Ceci sous l’influence de l'effet du phénomène de renard, qui est un processus d’érosion régressive
souterraine où l’eau s’infiltre sous pression permettant l’apparition de cheminements à travers la digue
ou la fondation entraînant les particules fines.
L’écoulement par infiltration dans le corps du barrage modifie, en effet, au cours du temps la
distribution des pressions exercées sur la fondation, tant du point de vue mécanique (modification du
poids du remblai et soulèvement hydrostatique dus aux descentes de la surface libre suivant la mise en
eau, la vidange du réservoir) que du point de vue hydraulique (évolution des forces d'écoulement).
Cependant, avec le matériau le plus imperméable utilisé dans le corps du barrage, une certaine quantité
d'eau s'infiltre dans le corps du barrage et sort du côté aval de la pente du corps. Ce mouvement est
appelé « infiltration ». Tandis que le flux qui se produit dans le corps du barrage en terre à une surface
supérieure libre, cette surface est appelée ligne phréatique ou courbe de pression nulle. Les infiltrations
permettent de déterminer les éléments suivants :
Afin d'effectuer les calculs d’infiltrations, d'une manière aisée, nous serons amenés à :
- 10 -
Chapitre I Présentation du barrage de AIN ZADA
Pour des raisons de stabilité, il est nécessaire de dessiner la ligne phréatique et d'estimer la quantité
d'infiltration (débit). Il est aussi nécessaire de déterminer le tracé de la ligne de saturation pour estimer
le débit de fuite à travers le corps du barrage et apprécier les risques d'émergence de l'eau qui est
particulièrement dangereuse, le long du talus aval.
Ce tracé est effectué à partir du cas théorique simple, étudié par KOZENY, d'un écoulement plan à
travers un massif perméable reposant sur une fondation plane imperméable. Ainsi, elle partira d'un
point situé à l'intersection du plan d'eau du parement amont.
−
2
X= X= Y Y 0 0
…………………………(IV.27)
2.Y 0
On ce reportant à la figure on à :
- 11 -
Chapitre I Présentation du barrage de AIN ZADA
Avec :
d : Largeur en base du barrage diminuée de 0,7b ;
b : Projection horizontale de la partie mouillée du parement amont ;
(Déterminé graphiquement) ;
h : Hauteur d’eau en amont ;
Le point d’intersection de la face amont du drain cheminé est déterminé par l’équation polaire de cette
parabole.
a + ∆a = Y 0
= 0,61 …………………………(I.1)
1 + cosα
∆a
D’après Casagrande (1937) : =0,26
a + ∆a
a=0,45m.
I.4.2. Calcul du débit de fuite par infiltration à travers la digue (Rolley et al, 1977)
q=K.I.A…………………………………..….... (I.2)
- 12 -
Chapitre I Présentation du barrage de AIN ZADA
Avec :
Donc :
dy
q =K.y …………………………..………… (I.3)
dx
Avec : y=y0
I.4.3. La fondation
Le débit d’infiltration à travers les fondations est donné par la loi de Darcy (IV.29):
qn = K.I.A
Avec :
- 13 -
Chapitre I Présentation du barrage de AIN ZADA
Le débit total d’infiltration (en m3/s) à travers le barrage est la somme du débit de fuite dans la digue et
du débit de fuite dans la fondation.
∆H
I= < I adm…………………………………………………..(I.5)
δn
∆H : Charge d’eau dans la retenue.
δn : Epaisseur moyenne de la digue.
Iadm : Gradient hydraulique admissible ; on le détermine à partir du tableau
I II III IV
Argile compactée 1.5 1.5 1.8 1.95
Limon 1.05 1.15 1.25 1.35
Sable moyen 0.7 0.8 0.9 1.0
Limon sableux 0.55 0.65 0.75 0.85
Sable fin 0.45 0.55 0.65 0.75
2) La fondation du barrage
La vérification de la résistance d’infiltration générale est vérifiée si, et seulement si, la condition
suivante est vérifiée :
Icr
If< ........................................................................ (IV.6)
Ks
- 14 -
Chapitre I Présentation du barrage de AIN ZADA
Avec :
Icr : Gradient d’infiltration critique qui est déterminé en fonction du type de sol de la fondation. Il est
détaillé dans le tableau qui suit :
Argiles 1.2
Limons 0.65
Sables grossiers 0.45
Sables moyens 0.38
Sables fins 0.29
L’auscultation est indispensable pour le suivi du barrage. C’est une composante de son comportement
structurel et de contrôle de la sécurité, elle est également précieuse pour faire progresser la
connaissance sur le comportement et le vieillissement du barrage et permet d’améliorer les études et
les expertises dans leurs différents aspects techniques et économiques.
De ce point de vu, elle permet d’indiquer à l’exploitant avant qu’il ne soit trop tard les travaux de
confortement nécessaires et, dans les cas extrêmes, les mesures d’urgence assurant la protection des
- 15 -
Chapitre I Présentation du barrage de AIN ZADA
populations en aval. Parmi les types de mesures les plus répandues pour l’auscultation des barrages en
remblai, citons celles décrites ci-dessous :
- 16 -
Chapitre I Présentation du barrage de AIN ZADA
Le barrage en terre homogène est un ouvrage constitué de terres compactées et imperméables ayant de
très bonnes caractéristiques d'étanchéité. Le barrage en terre hétérogène ou à zones est privilégié
lorsqu'on ne dispose pas de terres imperméables en quantités suffisantes sur le site su barrage. Le
barrage de Ain Zada fait partie de cette catégorie d’ouvrages.
Situé sur le territoire de la Wilaya de Bordj Bou Arréridj, au Nord de l’Algérie, à 25 km à l’Ouest de
Sétif et 40 km à l'Est de Bordj Bou Arréridj, le barrage de Ain Zada est implanté sur l'Oued Bou
Sellam, il draine un bassin versant de 2080 km2 (Figure I.4). L'apport moyen annuel est d'environ 70
Mm3.
L’objectif de ce barrage est d’augmenter la quantité d’eau destinée à l’alimentation en eau potable des
villes de Sétif, Bordj Bou Arréridj et El Eulma. Le barrage est équipé d'une station de traitement des
eaux d'une capacité de 900 l/s construite en aval du barrage et qui a bénéficié d'une extension de 300
l/s.
Les deux matériaux étant séparés par un filtre à deux zones composées de sable et de gravier, composé
de zones de transition de chaque côté. Le talus amont du remblai est protégé contre le batillage par un
Riprap. Le barrage qui est courbé en plan pour tirer le meilleur parti de la topographie et des conditions
du terrain de fondation est muni de tous les appareils d’auscultation nécessaires pour pouvoir contrôler
ses performances pendant et après la construction. Une vue en plan de la digue des vues en coupe qui
sont données dans les plans suivants :
- 17 -
Chapitre I Présentation du barrage de AIN ZADA
• Argile sableuse,
• Sable limoneux et argileux,
• Gravier sableux à argileux,
• Lentilles de conglomérats,
• Dépôt quaternaire,
• Alluvions,
• Dépôts de terrasse,
• Dépôts colluvionnaires.
Le barrage et la retenue de Ain Zada reposent sur des calcaires et des schistes de l’Eocène (tertiaire)
formant un pli synclinal de direction Est. Des dépôts du pliocène mal consolidés recouvrent ces roches.
Notons la présence, par endroits, des dépôts du Quaternaire, notamment dans les vallées sous-jacentes
du site.
Ces matériaux présentent une perméabilité de l’ordre de 5.10–4 m/s. Les appuis ne sont pas traités, le
noyau et les remblais sont directement fondés dessus.
Le barrage est fondé sur de la roche saine (socle rocheux de l’Eocéne), le matériau de couverture ayant
été excavé sur une profondeur de 15 m. En vue de restreindre la percolation à travers la fondation, un
rideau d’injection composé de trois rangées de trous forés et injectés le long de l’axe de la fondation du
noyau, a été exécuté en partant du cavalier d’injection. La rangée centrale du rideau d’injection
descend à une profondeur égale à la hauteur d’eau à laquelle le terrain de fondation pourrait être
soumis c'est-à-dire 55m.
En plus du rideau d’injection, le traitement du terrain de fondation du noyau a inclus des injections de
consolidation et le remplissage des cavités avec du béton, coulis superficiel ou gunite selon le cas.
Noyau
Le noyau d’argile s’appuie, en dessous du niveau 855, sur les roches sédimentaires noires traitées en
surface et par injection. La fondation du noyau en argile est excavée de sorte à éviter tout changement
abrupt de pente et les vides sont remplis de béton.
- 19 -
Chapitre I Présentation du barrage de AIN ZADA
Sur la rive droite, les fondations rocheuses ont nécessité pour la zone du noyau, un nettoyage à la main
et une injection de béton dans les cavités.
Sur la rive gauche, les roches ont été nettoyées jusqu’au schiste non perturbé et une couche de coulis
de 75 mm a été appliquée pour empêcher toute détérioration. Une couche du matériau de remblai du
noyau fut ensuite appliquée sur le coulis avant son durcissement pour obtenir un contact intime.
La mise en eau du barrage a débuté en décembre 1985. Dès 1987, la cote se stabilisa au niveau 851
alors que la côte de retenue normale (855 m NGA) était atteinte la première fois en 1993. La période
de la baisse de la retenue jusqu’au niveau 840 était uniquement due à la faible pluviométrie et à
l’exploitation normale du plan d’eau. Enfin, la forte pluviométrie de fin 2002 a permis le remplissage
de la retenue pour son exploitation à un niveau normal (855 m NGA). Les eaux stockées dans le
barrage de Ain Zada ont été déversées à plusieurs reprises en hiver 2003, 2004 et 2005.
Un levé bathymétrique du réservoir a été effectué en 2004 par LEM-GEOID. Selon le rapport élaboré,
l’envasement a diminué la capacité du réservoir du barrage, qui était à l’origine de 125 Mm3 à 121,4
Hm3. Ainsi, moins de 3 % du volume du réservoir sont actuellement envasé, diminuant de 0,19 Hm3 en
moyenne annuellement.
- 20 -
Chapitre I Présentation du barrage de AIN ZADA
Seize cellules de pression interstitielle hydraulique (PH) sont installées dans le noyau du barrage selon
quatre profils (0+506.3, 0+581.1, 0+656.5, 0+731.8). Elles sont de type Bishop avec céramique à haute
entrée d’air, tube nylon à revêtement de polyéthylène. Leur gamme de lecture est de –5 m à 75 m de
hauteur d’eau. Leur localisation et caractéristiques sont précisées dans le tableau I.2 et les figures I.9,
I.10, I.11 et I.12. Elles peuvent être lues de deux manières, soit par un manomètre soit par un compteur
de transducteur relié au panneau terminal.
Tableau I.5 Pressions interstitielles du noyau mesurées avec les piézomètres hydrauliques (PH)
- 21 -
Chapitre I Présentation du barrage de AIN ZADA
- 22 -
Chapitre I Présentation du barrage de AIN ZADA
Seize cellules de pression interstitielle pneumatiques (PP) sont installées dans les fondations du
barrage, à l’aval du voile d’étanchéité et selon quatre profils. Elles sont de type P4 KF 10 LAGER (5).
Leur gamme de lecture est de 0 à 100 m de hauteur d’eau. La localisation des cellules et leurs
caractéristiques sont présentées dans le tableau I.3 et les figures I.9, I.10, I.11 et I.12. Les capteurs des
piézomètres pneumatiques sont lus au moyen d’un débitmètre portatif ALC 16 FP-GLÖTZL.
- 23 -
Chapitre I Présentation du barrage de AIN ZADA
Tableau I.6 Pressions interstitielles des fondations mesurées avec les piézomètres pneumatiques (PP)
En partie basse et centrale du noyau en argile, trois profils ont été équipés de cinq cellules de pression
totale. Elles sont de type 400 x 400, pneumatiques remplies d’huile avec tube jumelés en nylon à
revêtement polyéthylène. La localisation des cellules et leurs caractéristiques sont précisées en figure
I.13.
- 24 -
Chapitre I Présentation du barrage de AIN ZADA
- 25 -
Chapitre I Présentation du barrage de AIN ZADA
I.7. Conclusion
Au cours du présent chapitre, nous avons tenté de présenter une définition simplifiée des barrages, en
tant qu’ouvrages vitaux, voire stratégiques, pour la mobilisation et le stockage de la ressource en eau
en tant que ressource indispensable pour la continuité de la vie de l’être vivant sur cette terre. Il a été
question de faire un aperçu historique de la construction des premiers barrages, durant les civilisations
anciennes, ainsi que leur répartition géographique à travers le monde.
Au niveau local, l’Algérie, ne s’est pas trop tardée pour se lancer dans le domaine de la construction
des barrages, bien au contraire, de grands efforts ont été déployés en la matière. Plus encore, un
nombre important d’ouvrages est en cours de construction parallèlement à l’adoption d’une politique
de l’eau consacrée grâce aux institutions et au cadre législatif adopté en la matière.
Sur le plan technique, il s’est avéré que la diversité des types d’ouvrages est liée aux conditions très
complexes et diversifiées des sites prédestiné à recevoir ce genre d’ouvrage, entre autres les conditions
climatiques (pluviométrie et intensité des pluies), les conditions morphologiques (forme de la cuvette
et disposition des talus), les conditions géologiques (nature du socle et son étanchéité) et les conditions
lithologiques (disponibilité des matériaux étanches et des enrochements) etc…
Selon le cas de figure, le type de barrage est établi avant la réalisation de l’ouvrage, Le choix final et
définitif est arrêté par un groupe d’experts de plusieurs disciplines, à savoir des aménagistes, des
géologues, des géomorphologues, des mécaniciens du sol, des climatologues, des ingénieurs
spécialisés en ouvrages hydrotechniques….Notons, dés lors l’existence des barrages en béton ou en
maçonnerie, des barrages voûte, des barrages contreforts, enfin des barrages en remblai réalisés en
terre ou en enrochement. Cette multitude des types d’ouvrages conforte les spécialistes dans les phases
du choix du barrage et leur offre de grandes possibilités de manoeuvre.
Il est aussi, avéré que la sécurité des digues en terre est étroitement liée à leur stabilité. Cette dernière
dépend, surtout, de la force d’appui sur les talus ainsi que les fondations. Cette stabilité revêt, donc,
une importance capitale, voire vitale pour l’ouvrage, elle est par conséquent, garante de la pérennité et
la durabilité du barrage.
Il est aussi, établi que la stabilité des ouvrages est dépendante des infiltrations d’eau qui traversent le
corps du barrage en terre et coulent sous ses fondations. Ces infiltrations se produisent sous l’effet de
la charge d’eau au bief amont.
- 26 -
Chapitre I Présentation du barrage de AIN ZADA
En effet, plus de la moitié des préjudices affectant les barrages sont dus aux infiltrations, c’est
pourquoi, nous nous sommes intéressé au calcul des infiltrations dans l’objectif d’établir la position de
la ligne phréatique ou la ligne de saturation dans le massif de la digue de AIN ZADA afin de
déterminer le gradient de filtration à travers l’ouvrage et le sol de la fondation.
Sachant que la digue en terre stabilisée de Ain ZADA comprend de nombreuses zones. Un
enrochement amont et aval portant un noyau en argile étanche, où les deux matériaux séparés par un
filtre à deux zones composées de sable et gravier, composé de zones de transition de chaque côté. Le
talus amont du remblai est protégé contre le batillage par un Riprap. Cette structure suppose que
d’importants problèmes d’infiltrations sont en mesure de surgir.
- 27 -
Chapitre II
La construction des barrages en terre, devient de plus en plus indispensable. Une telle
construction pose des grands problèmes auxquels sont confrontés les géotechniciens des sols.
Ces problèmes sont liés en partie à l’écoulement de l’eau dans le corps de barrage et sa
fondation, qui menace la stabilité de l’ouvrage hydraulique par l’érosion interne ou bien externe.
Dans ce chapitre les mécanismes de l’écoulement des eaux dans le sol seront présentés.
Les eaux d’infiltration pénètrent dans le sol et le sous-sol qui constituent dans ce contexte un
complexe unique. Ainsi, dans les conditions naturelles, il est possible de distinguer, du point de
vue hydrogéologique, deux types de roches :
- Les roches à perméabilité d’interstices ou perméables en petit, comme les sables et les graviers ;
- Les roches à perméabilité de fissures ou perméables en grand dont le type le plus répandu est la
roche calcaire ;
Suite aux définitions précédentes, basées sur la notion de la perméabilité, il s’avère nécessaire de
définir les différentes méthodes d’écoulement de l’eau à travers le sol, notamment, le sol qui est
le siège de ce mouvement de l’eau.
Définitions :
- 28 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
La tension superficielle d’un liquide n’est pas l’une de ces propriétés propres, à l’inverse par
exemple de sa viscosité ou de sa masse spécifique. C’est un phénomène qui se manifeste à
l’interface entre liquide et gaz, elle est due aux forces intermoléculaires (Figure II.1). C’est une
manifestation de la non-identité des attractions moléculaires de part et d’autre d’une surface de
séparation et elle dépend donc, du couple de fluides considérés.
Figure II.1 Forces cohésives agissant sur une molécule au sein et à la surface du liquide
La molécule, à l’intérieur du liquide, est attirée par des forces de cohésion égales, tandis que la
molécule à la surface est attirée vers l’intérieur du liquide par des forces plus grandes que celles
qui l’attirent vers la surface, ce qui réduit la surface libre comme dans le cas d’un ménisque
capillaire (Figure. II.2).
- 29 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
∑F ext =0
Figure II.3 Equilibre des forces de tension superficielle aux bords d’une goutte
γ gs
: Tension superficielle (gaz - solide)
II.2.4 : Capillarité :
- 30 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
α
α
Avec :
γ w = ρ w .g.
σ : Tension superficielle
r : Rayon de courbure.
Ce sont les lois qui gouvernent l’interaction entre les phases aqueuses et gazeuses dans les
milieux poreux.
II.2.5 : Adsorption de l’eau sur les surfaces solides :
L’adsorption est un phénomène interfacial qui résulte de la différence entre les forces
d’attraction et de répulsion entre les molécules de différentes phases à leurs surfaces de contact.
On distingue trois types de forces d’attraction et de répulsion :
L’adsorption de l’eau sur les surfaces solides est due à l’action des forces électrostatiques. Ces
un mécanisme qui produit de fortes rétentions de l’eau, par les sols argileux à hautes succions.
- 31 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
La pression osmotique est une propriété des solutions qui exprime la décroissance de l’énergie
potentielle de l’eau de la solution par rapport à l’énergie de l’eau pure. Lorsque deux solutions
d’eau, aqueuses et pures
pure sont séparées par une membrane perméable
perméab à l’eau seulement, l’eau
tend à diffuser à travers la membrane vers la solution la plus concentrée en le diluant et par
conséquent réduire l’énergie potentielle à travers la membrane. Dans les solutions diluées la
pression osmotique s’exprime par l’équation
l’équa :
PS = K .T .C s ………………………………. (II.3).
Ps : Pression osmotique.
Cs : Concentration de la solution.
K : Coefficient.
On peut dire que la pression osmotique est la contre pression qui doit être appliquée pour
empêcher l’osmose de l’eau (l’infiltration) à travers la membrane.
- 32 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
L’eau du sol, comme d’autres corps dans la nature, peut contenir de l’énergie en quantités
variées et sous des formes différentes (énergie cinétique et énergie potentielle). Comme le
mouvement de l’eau dans le sol est assez lent, son énergie cinétique est négligeable. L’eau du sol
se déplace dans la direction de l’énergie potentielle décroissante. Donc l’état de l’eau est
différent d’une place à une autre par son énergie potentielle.
Sur le plan thermodynamique, l’énergie potentielle peut être considérée en terme de différence
d’énergie libre spécifique partielle entre l’eau du sol et l’eau standard. L’eau du sol est sujette à
de nombreuses forces qui font que son potentiel diffère de celui de l’eau pure et libre. Ces
champs de forces sont dus à l’attraction de la matrice solide pour l’eau, aussi bien à la présence
de solution qu’à l’action de la pression du gaz à l’extérieur et de la gravité. Ainsi le potentiel
total peut être considéré comme étant la somme des contributions distinctes de ces divers
facteurs de la façon suivante :
Φ g : Potentiel gravitationnel ;
Φ o : Potentiel osmotique.
A : Potentiel gravitationnel :
Tout corps placé à la surface de la terre est attiré vers le centre de celle-ci par une force égale au
poids du corps. Le potentiel gravitationnel de l’eau du sol en chaque point est déterminé par son
altitude par rapport à un niveau de référence. A la hauteur Z au-dessus du niveau de référence, le
potentiel gravitationnel est donné par :
Φ g = g .Z ………………………………..(II.5)
- 33 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
B Potentiel de pression
Lorsque l’eau du sol se trouve à une pression hydrostatique plus élevée que celle de
l’atmosphère, son potentiel de pression est considéré comme positif. Mais lorsqu’elle est à une
pression inférieure à celle de l’atmosphère, le potentiel appelé « succion » sera négatif.
C Potentiel osmotique
La présence de solutés dans l’eau du sol affecte ses propriétés thermodynamiques et abaisse son
énergie potentielle. En particulier, les solutés abaissent la pression de vapeur de l’eau du sol.
Tout en sachant pertinemment que la pression de l’eau est inférieure à celle de l’air. La relation
suivante est là pour appuyer cela :
2σ . cos(α )
Ua −Uw = …………………………..(II.6)
r
Si on prend la pression de l’air comme origine, la pression de l’eau devient négative (succion).
Dans les sols non saturés, la variation du degré de saturation entraîne une variation de la
« succion ».
La succion dépend de :
- 34 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
Pour déterminer la relation succion-teneur en eau, certains auteurs ont donné des formules
empiriques dont on peut citer :
ψ : Succion matricielle.
θ : Teneur en eau.
a, b, c : constantes.
ψ : Succion.
C’est une propriété importante, qui concerne le stockage et la disponibilité de l’eau du sol pour
les plantes. Elle dépend de la teneur en eau, de la texture et de l’hystérèse.
Hystérèse : La courbe succion-teneur en eau d’un sol peut être obtenue selon deux chemins :
1. Par « désorption »sur un sol initialement saturé, en lui appliquant des accroissements de
succion, afin de sécher le sol tout en mesurant successivement la teneur en eau.
- 35 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
Les causes du phénomène d’hystérèse sont encore mal élucidées, on peut citer :
Il s’agit essentiellement des écoulements qui existent dans les nappes d’eau soustraites à
l’évaporation du point de phréatique. Des variations existent selon les propriétés du milieu
considéré, notamment, son homogénéité et son isotropie.
1. Homogénéité
Un sol est dit homogène du point de vue de la perméabilité lorsque celle-ci est constante dans
tout le sol, par contre, un sol est dit hétérogène si la perméabilité est une fonction K(x, y, z) des
coordonnées de l’espace. La notion d’homogénéité dépend de l’échelle considérée, la
perméabilité étant par définition une valeur moyenne.
2. Isotropie
L’isotropie est la qualité d’un milieu dans lequel la perméabilité ne pas varie avec la direction de
l’écoulement. En milieu anisotrope, la perméabilité varie suivant la direction. Par exemple la
perméabilité dans la direction verticale peut être plus grande que dans la direction horizontale.
- 36 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
r
V = K sat .grad (h) ……………………………… (II.11)
V : vitesse.
Et dans les sols non saturés pour les écoulements à petits nombres de REYNOLDS, par la
relation :
r
V = − K (θ ).grad ( h ) …………………………… (II.12)
- 37 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
∂ r
( ρ w .n) + div( ρ w .V ) = q ……………………… (II.14)
∂t
n : porosité du milieu ;
V : vitesse de filtration ;
q : source volumique.
2- Loi de DARCY
r
V = − K sat .grad (h) ……………………………(II.15)
- 38 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
La plupart des processus de circulation de l’eau dans le sol et dans la zone radiculaire de la
plupart des plantes, se déroulent dans des conditions de sol non-saturé. Il est difficile d’écrire
quantitativement ces processus grâce à la relation complexe entre teneur en eau-succion et
perméabilité comme nous l’avons vu.
a. Approche polyphasique :
Dans cette approche, on considère que notre milieu contient soit trois phases (air, eau, solide) ou
deux phases (air, eau). Pour l’approche bi-phasique, on suppose en général, une évolution
isotherme des constituants(Cunge, 1995).
L’idée consiste à décrire l’action du milieu poreux sur la phase liquide. On suppose en plus que
l’eau est incompressible et que l’air et la vapeur d’eau sont des gaz parfaits. C’est alors qu’on
peut écrire les lois suivantes :
- 39 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
Afin d’obtenir les équations différentielles du modèle. Enfin, ce modèle retient les lois de
comportement suivantes :
- Loi de Fourier qui concerne l’évolution de la température qui est supposée être identique pour
toutes les phases ;
- Loi de Fick pour l’écoulement de l’air et de la vapeur d’eau dans la phase gazeuse ;
On considère que le milieu poreux partiellement saturé d’eau supposée incompressible et les
vides de la matrice poreuse sont occupés par deux phases : L’eau et l’air. Si l’on admet que l’air
forme une phase continue avec l’atmosphère sous une pression uniforme, on est ramené à étudier
l’écoulement d’un seul liquide (l’eau dans un milieu polyphasique à teneur en eau variable).
C’est cette approche qu’on appellera par la suite approche monophasique (Ti, 2014). Elle repose
sur deux lois :
- Loi de DARCY :
r
V = − K sat .K r .grad (h). …………………………………….. (II.18)
∂θ
= div[K sat .K r .grad (h)]. …………………………… (II.19)
∂t
- 40 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
L’eau est supposée être incompressible et le squelette du sol est rigide. Si l’on suppose que le
milieu poreux possède des courbes de succion et de perméabilité univoque en fonction de la
teneur en eau, on obtient, en introduisant la capacité capillaire C(p), l’équation de RICHARDS
(1931) (Ross, 1990):
∂h
C ( p ). = div[K sat .K r ( p ).grad ( h)]. …………………. (II.20)
∂t
θ : Teneur en eau.
- L’écoulement qui se produit dans une digue en terre à la suite d’une vidange à la retenue ;
Pour les écoulements en milieux poreux non-saturés en présence de la surface libre, la prise en
compte de l’interface entre les deux zones de l’écoulement est le point de leur modélisation.
Actuellement, deux principales approches existent pour la résolution de ce problème. On peut
citer :
- L’approche fondée sur une idéalisation de la transition entre zone saturée et non-saturée, qu’on
appellera ensuite « approche mathématique ».
- 41 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
Pour l’étude de cet écoulement, on doit vérifier à chaque instant la validité de la loi de DARCY
et l’incompressibilité du liquide filtrant. Les écoulements en milieux poreux saturés et non-
saturés peuvent être décrits par cette unique équation :
∂h
C ( p ). = div[K sat .K r ( p ).grad ( h)]. ……………. (II.22)
∂t
Au dessus de la surface libre, la zone est non-saturée et la loi de DARCY est toujours valable.
En milieu non saturé, la conductivité hydraulique ”K” diminue avec la baisse de la teneur en eau.
Ainsi, la conductivité hydraulique est une fonction de la teneur en eau ”θ” ou de la succion “h”.
Avec la loi de Darcy en milieu non-saturé que l'on peut évaluer les flux d'eau pénétrant ou
s'évaporant d'une nappe à travers la zone non-saturée d'un sol.
dθ
Avec : C ( p ) = , ∆h = 0
dp
- 42 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
Toutes ces non-linéarités, ajoutées à la possibilité de rencontrer des difficultés lors de l’obtention
des données expérimentales (perméabilité relative – succion) ont motivé un certain nombre de
significations débauchant sur une approche mathématique.
Alors que l’approche basée sur l’équation de RICHARDS permet de décrire le front de saturation
ou de surface libre, à travers la continuité de transfert hydraulique entre les deux zones.
L’approche mathématique limite la description de l’écoulement à la zone saturée en supposant
une variation discontinue de certaines grandeurs physiques (TODD 1957). Il suppose que la
perméabilité chute brutalement dés que l’on dépasse le front de saturation. Alors, on assimile
mathématiquement la perméabilité relative à une fonction d’Heaviside (échelon). Il découle de
cette approximation que la surface libre est non seulement l’isobare où règne la pression
atmosphérique, mais aussi la limite supérieure du domaine de l’écoulement.
Pour la détermination de h dans tout le domaine saturé, cette équation ne suffit pas à elle seule.
Donc il nous faut deux autres équations qui caractérisent la surface libre.
Z m = Z L .( X m (t ), Ym (t ), t )
- 43 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
dZ m ∂Z L ∂Z L dX m ∂Z L dy m
Et = + . + . . …………………….. (II.24)
dt ∂t ∂X dt ∂y dt
Et si l’on suppose que l’eau est incompressible et la matrice du sol rigide, la vitesse du fluide est
reliée à la vitesse cinématique du point M par les relations suivantes :
∂h dX
V x = − K sat . = n. m .
∂x dt
∂h dY
V y = − K sat . = n. m . …………………………………. (II.25)
∂y dt
∂h dZ
V z = − K sat . = n. m .
∂z dt
∂Z L ∂h ∂Z ∂h ∂Z L ∂h
n. = K sat . . L + . − . …………………… (II.26)
∂t ∂x ∂X ∂y ∂y ∂z
Pour résoudre le problème de la surface libre de l’écoulement transitoire par une approche
mathématique, il suffit de donner la solution aux équations (I.23) et (I.26), complétées par les
conditions initiales et aux limites.
L’approche mathématique du problème à surface libre est représentée sur la figure (II.8)
Cependant, il est possible de ramener la résolution de ce système à celle d’une unique équation
aux dérivées partielles, en posant certaines hypothèses.
- 44 -
Chapitre II Mécanismes de l’écoulement des eaux dans les milieux poreux
D’autres approches mathématiques du problème de surface libre existent à l’heure actuelle, tels
que les travaux de BRUCH. Mais ces travaux concernent en général des cas idéaux où la
géométrie est souvent carrée, rectangulaire ou trapézoïdale.
Dans la plupart des cas, l’écoulement est supposé bi-dimentionnel, le milieu poreux est isotrope
et homogène et la surface libre est une fonction continue et régulière. C’est pourquoi le
traitement des écoulements en milieu poreux pour les problèmes réels reste numérique.
Le traitement numérique des écoulements saturés et non-saturés est basé pour la plupart sur
l’approche monophasique. La présence de la surface libre génère la non-linéarité des conditions
aux limites, surface de suintement par exemple.
Ce problème peut être traité par l’utilisation des algorithmes non-linéaires fondés sur des
processus itératifs permanents ou transitoires suivant le régime d’écoulement. Les schémas
numériques utilisent souvent l’équation de RICHARDS écrite en variables « charge
hydraulique » pour le traitement des écoulements à surface libre.
II.8. Conclusion
- 45 -
Chapitre III
Les réseaux de
neurones artificiels
III.1. Introduction
Les réseaux de neurones artificiels sont fondés sur des modèles qui tentent d’expliquer comment
les cellules du cerveau et leurs interconnexions parviennent, d’un point de vue global, à exécuter
des calculs complexes.
Ces systèmes stockent et retrouvent l’information de manière similaire au cerveau. Ils sont
adaptés essentiellement aux traitements en parallèle de problèmes complexes comme la
reconnaissance automatique de la parole, la reconnaissance de visages ou bien la simulation de
fonctions de transfert.
Dans les réseaux de neurones artificiels de nombreux processeurs appelés cellules ou unités,
capables de réaliser des calculs élémentaires, sont structurés en couches successives capables
d’échanger des informations au moyen de connexions qui les relient. Ces unités miment les
neurones biologiques (Heinrich Wilhem Waldeyer et Theodore Schwann, 1838).
Grâce à ce parallélisme massif, on peut espérer pouvoir surmonter les problèmes posés par le
temps d’attente importants de la résolution de tâches complexes par des méthodes numériques.
III.2. Historique
D’une façon générale, on situe le début des réseaux de neurones artificiels en 1943 avec les
travaux de Mc Culloch et Pitts qui montrent qu’un réseau de neurones discret, sans contrainte de
topologie, peut représenter n’importe quelle fonction booléenne et donc émuler un ordinateur.
En 1958, Rosenblatt propose le premier algorithme d’apprentissage, qui permet d’ajuster les
paramètres d’un neurone. En 1969, Minsky et Papert publient le livre Perceptrons dans lequel ils
utilisent une solide argumentation mathématique pour démontrer les limitations des réseaux de
neurones à une seule couche. Ce livre aura une influence telle que la plupart des chercheurs
quittent le champ de recherche sur les réseaux de neurones.
En 1982, Hopfield (Hopfield, 1984) propose des réseaux de neurones associatifs et l’intérêt pour
les réseaux de neurones renaît chez les scientifiques. En 1986, Rumelhart, Hinton et Williams
(David E. Rumelhart et al., 1986) publient, l’algorithme de la rétro-propagation de l’erreur qui
permet d’optimiser les paramètres d’un réseau de neurones à plusieurs couches.
- 48 -
Chapitre III Les réseaux de neurones artificiels
À partir de ce moment, la recherche sur les réseaux de neurones connaît un essor fulgurant et les
applications commerciales de ce succès académique suivent au cours des années 90.
Les Réseaux de Neurones Artificiels (RNA) sont fondés sur une représentation schématique d’un
neurone biologique. Les notions de mémorisation, d’apprentissage et de généralisation sont
communes aux deux. La réponse du réseau de neurone à un signal d’entrée dépend de paramètres
appelés poids synaptiques (mémoire). Une loi d’apprentissage modifie progressivement ces
paramètres pour réduire un paramètre d’erreur. Si les exemples présentés forment un échantillon
représentatif de l’ensemble des entrées, le réseau améliore son comportement pour n’importe
quel signal (généralisation). L’élément fonctionnel du réseau de neurones artificiels est le
neurone formel.
Les cellules nerveuses, appelées neurones, sont les éléments de base du système nerveux central.
Le cerveau se compose d'environ 1012 neurones (mille milliards), avec 1000 à 10000 synapses
(connexions) par neurone.
Le neurone est une cellule composée d’un corps cellulaire et d’un noyau. Le corps cellulaire se
ramifie pour former ce que l’on nomme les dendrites. Celles-ci sont parfois si nombreuses que
l’on parle alors de chevelure dendritique ou d’arborisation dendritique. C’est par les dendrites
que l’information est acheminée de l’extérieur vers le somma, corps du neurone, l’information
traitée par le neurone chemine ensuite le long de l’axone (unique) pour être transmise aux autres
neurones. La transmission entre deux neurones n’est pas directe. En fait, il existe un espace
intercellulaire de quelques dizaines d’angströms (10-9 m) entre l’axone du neurone afférent et les
dendrites du neurone efférent, la jonction entre deux neurones est appelée la synapse.
- 49 -
Chapitre III Les réseaux de neurones artificiels
a. Définition
Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs
élémentaires fonctionnant en parallèle. Chaque processeur élémentaire calcule une sortie unique
sur la base des informations qu'il reçoit. Toute structure hiérarchique de réseaux est évidemment
un réseau.
Un neurone artificiel est un élément qui possède un état interne. Il reçoit des signaux qui lui
permettent éventuellement, de changer d’état. Nous noterons S l’ensemble des états possibles
d’un neurone. L’état d’un neurone peut alors être définit dans l’intervalle S = [-1, 1], où -1
représente la valeur minimum du signal, et 1 le maximum. L’état d’un neurone est fonction des
états des neurones auxquels il est relié. Pour calculer l’état d’un neurone il faut donc considérer
les connexions entre ce neurone et d’autres neurones. Nous définissons par la suite les
connexions entre les neurones et leur poids.
- 50 -
Chapitre III Les réseaux de neurones artificiels
A. Le voisinage
Le voisinage d’un neurone est l’ensemble des neurones connectés à ce neurone. On parle de
voisinage d’ordre n pour un neurone i, s’il y a n neurones connectés à ce neurone. Les
connexions entre neurones ont souvent un sens.
B. Les connexions
Une connexion est un lien établi explicitement entre deux neurones. Les connexions sont aussi
appelées synapses, en analogie avec le nom des connecteurs des neurones réels.
Une connexion entre deux neurones a une valeur numérique associée, appelée poids de
connexion.
Le poids de connexion wij entre deux neurones j et i peut prendre des valeurs discrètes dans Z ou
bien continues dans R. L’information qui traverse la connexion sera affectée par la valeur du
poids correspond. Une connexion avec un poids wij = 0 est équivalente à l’absence de connexion.
On définit une matrice des poids de connexions W où les lignes et les colonnes correspondent
aux neurones et chaque valeur wij représente le poids de la connexion entre la cellule j et la
cellule i du réseau.
- 51 -
Chapitre III Les réseaux de neurones artificiels
Wi0
Neurone
Wi1
e1
Wi2
e
.
.
∑ fi Si
. Wip
ep
- 52 -
Chapitre III Les réseaux de neurones artificiels
La fonction d'activation définit la valeur de sortie d'un neurone en termes des niveaux d'activité
de ses entrées.
Il existe plusieurs types de fonctions d'activation on utilise le plus souvent les fonctions
d’activations suivantes (Parizeau, 2004):
a c b
Les neurones dont la fonction d’activation est la fonction linéaire sont appelés neurones linéaires.
exp( x) − 1
• La fonction sigmoïde: f ( x) = = tanh( x / 2)
exp( x) + 1
C’est la plus utilisée car elle introduit la non linéarité, mais c’est aussi une fonction continue,
différentiable et bornée. La fonction sigmoïde a des asymptotes horizontales en − ∞ et en + ∞ . La
fonction d’activation peut également être une gaussienne, un échelon, etc.
L’utilisation des fonctions d’activation non linéaires permet l’obtention de modèles statistiques
non linéaires. Les réseaux multicouches qui utilisent comme fonction d’activation les sigmoïdes,
sont appelés réseaux multicouches quasi linéaires.
- 53 -
Chapitre III Les réseaux de neurones artificiels
- 54 -
Chapitre III Les réseaux de neurones artificiels
1. Le perceptron monocouche
C'est historiquement le premier RNA, c'est le Perceptron de Rosenblatt. C'est un réseau simple,
puisque il ne se compose que d'une couche d'entrée et d'une couche de sortie. Il est calqué, à la
base, sur le système visuel et de ce fait a été conçu dans un but premier de reconnaissance des
formes. Cependant, il peut aussi être utilisé pour faire de la classification et pour résoudre des
opérations logiques simples (telle "ET" ou "OU"). Sa principale limite est qu'il ne peut résoudre
que des problèmes linéairement séparables. Il suit généralement un apprentissage supervisé selon
la règle de correction de l'erreur (ou selon la règle de Hebb).
2. Le perceptron multicouche
C'est une extension du précédent, avec une ou plusieurs couches cachées entre l'entrée et la
sortie. Chaque neurone dans une couche est connecté à tous les neurones de la couche précédente
et de la couche suivante (excepté pour les couches d'entrée et de sortie) et il n'y a pas de
connexions entre les cellules d'une même couche. Les fonctions d'activation utilisées dans ce
type de réseaux sont principalement les fonctions à seuil ou sigmoïdes. Il peut résoudre des
problèmes non-linéairement séparables et des problèmes logiques plus compliqués, et
notamment le fameux problème du XOR. Il suit aussi un apprentissage supervisé selon la règle
de correction de l'erreur.
- 55 -
Chapitre III Les réseaux de neurones artificiels
Ce sont les réseaux que l'on nomme aussi RBF ("Radial Basic Functions"). L'architecture est la
même que pour les PMC cependant, les fonctions de base utilisées ici sont des fonctions
Gaussiennes. Les RBF seront donc employés dans les mêmes types de problèmes que les PMC à
savoir, en classification et en approximation de fonctions, particulièrement. L'apprentissage le
plus utilisé pour les RBF est le mode hybride et les règles sont soit, la règle de correction de
l'erreur soit, la règle d'apprentissage par compétition.
Appelés aussi "réseaux récurrents", ce sont des réseaux dans lesquels il y à retour en arrière de
l'information.
Ce sont des réseaux à apprentissage non-supervisé qui établissent une carte discrète, ordonnée
typologiquement, en fonction de patterns d'entrée. Le réseau forme ainsi une sorte de treillis dont
chaque nœud est un neurone associé à un vecteur de poids. La correspondance entre chaque
vecteur de poids est calculée pour chaque entrée. Par la suite, le vecteur de poids ayant la
meilleure corrélation, ainsi que certains de ses voisins, vont être modifiés afin d'augmenter
encore cette corrélation.
- 56 -
Chapitre III Les réseaux de neurones artificiels
Les réseaux de Hopfield sont des réseaux récurrents et entièrement connectés. Dans ce type de
réseau, chaque neurone est connecté à chaque autre neurone et il n'y a aucune différenciation
entre les neurones d'entrée et de sortie. Ils fonctionnent comme une mémoire associative non-
linéaire et ils sont capables de trouver un objet stocké en fonction de représentations partielles ou
bruitées.
L'application principale des réseaux de Hopfield est l'entrepôt de connaissances mais aussi la
résolution de problèmes d'optimisation. Le mode d'apprentissage utilisé ici est le mode non-
supervisé.
Les réseaux ART ("Adaptative Resonance Theory") sont des réseaux à apprentissage par
compétition. Le problème majeur qui se pose dans ce type de réseaux est le dilemme
«stabilité/plasticité ». En effet, dans un apprentissage par compétition, rien ne garantit que les
catégories formées v’ont resté stables. La seule possibilité, pour assurer la stabilité, serait que le
coefficient d'apprentissage tende vers zéro, mais le réseau perdrait alors sa plasticité. Les ART
ont été conçus spécifiquement pour contourner ce problème. Dans ce genre de réseau, les
vecteurs de poids ne seront adaptés que si l'entrée fournie est suffisamment proche, d'un
prototype déjà connu par le réseau. On parlera alors de résonance. A l'inverse, si l'entrée
s'éloigne trop des prototypes existants, une nouvelle catégorie va alors se créer, avec pour
prototype, l'entrée qui a engendrée sa création. Il est à noter qu'il existe deux principaux types de
réseaux ART: les ART-1 pour des entrées binaires et les ART-2 pour des entrées continues. Le
mode d'apprentissage des ART peut être supervisé ou non.
- 57 -
Chapitre III Les réseaux de neurones
neu artificiels
On appelle « apprentissage » des réseaux de neurones la procédure qui consiste à estimer les
paramètres des neurones du réseau, afin que celui-ci
celui ci remplisse au mieux la tâche qui lui est
affectée. Dans le cadre de cette définition, on peut distinguer deux types d’apprentissage :
l’apprentissage « supervisé » et l’apprentissage « non supervisé ».
• L'apprentissage est dit supervisé lorsque les exemples sont constitués de couples
co de valeurs de
type : valeur d'entrée, valeur de sortie désirée. Tout le problème de l'apprentissage supervisé
consiste, étant donné un ensemble d'apprentissage E de N couples (entrée-sortie
(entrée désirée) (xi,yi)i =
1,2,…,n,
,n, à déterminer le vecteur des poids
poi W d'un réseau Fw capable de mettre ces informations
en correspondance, c'est à dire un réseau tel que:
- 58 -
Chapitre III Les réseaux de neurones artificiels
Dans ce qui suit, nous allons expliciter l’apprentissage supervisé car ce dernier est utilisé lors de
l’établissement du réseau de neurones pour l’estimation des propriétés des fractions pétrolières et
aussi parce qu’il donne un aperçu sur le réel avantage des R.N.A.
L'apprentissage "supervisé", pour les réseaux de neurones formels, consiste à calculer les
coefficients (poids synaptique W) de telle manière que les sorties du réseau de neurones soient,
pour les exemples utilisés lors de l'apprentissage, aussi proches que possibles des sorties
"désirées", qui peuvent être la classe d'appartenance de la forme que l'on veut classer, la valeur
de la fonction que l'on veut approcher ou de la sortie du processus que l'on veut modéliser, ou
encore la sortie souhaitée du processus à commander. La plupart des algorithmes d'apprentissage
des réseaux de neurones formels sont des algorithmes d'optimisation: ils cherchent à minimiser,
par des méthodes d'optimisation non linéaire, une fonction de coût qui constitue une mesure de
l'écart entre les réponses réelles du réseau et ses réponses désirées.
Cette optimisation se fait de manière itérative, en modifiant les poids en fonction du gradient de
la fonction de coût: le gradient est estimé par une méthode spécifique aux réseaux de neurones,
dite méthode de rétro-propagation, puis il est utilisé par l'algorithme d'optimisation proprement
dit. Les poids sont initialisés aléatoirement avant l'apprentissage, puis modifiés itérativement
jusqu'à obtention d'un compromis satisfaisant entre la précision de l'approximation sur
l'ensemble d'apprentissage et la précision de l'approximation sur un ensemble de test disjoint du
précédent. Contrairement à des affirmations maintes fois répétées, l'apprentissage des réseaux de
neurones n'est pas spécialement lent: il existe des algorithmes d'optimisation non linéaire
extrêmement rapides qui permettent de faire des développements industriels sur de simples PC.
L'apprentissage des réseaux de neurones bouclés (pour réaliser des modèles dynamiques) est très
semblable à celui des réseaux non bouclés.
Mise en application dans les années 80 (D E Rumelhart & McClelland, 1986), la méthode de
rétro-propagation du gradient est la méthode la plus utilisée aujourd’hui dans les algorithmes
d’apprentissage des réseaux multicouches.
- 59 -
Chapitre III Les réseaux de neurones artificiels
Le principe, détaillé dans (Hérault et Jutten 94), est basé sur la minimisation de l’erreur
quadratique E calculée en fonction des n sorties désirées ydi et des n sorties effectivement
données yi par le réseau :
n
E = ∑ (y
i =1
i − yd i ) 2 (3)
Minimiser cette énergie revient alors à modifier les poids des connexions de la manière
suivante :
∆W kh( j ) = − a.δ k( j ) . y h( j −1) (4)
δ k( j ) = y k( j ) − yd k (5)
δ k( j ) = ∑δ i
( j +1)
.wik( j +1) .σ ′( p k( j ) ) (6)
i∈couche( j +1)
Avec:
p k( j ) = ∑ wki .xi (7)
i
- 60 -
Chapitre III Les réseaux de neurones artificiels
Et σ′ sa dérivée.
L’algorithme de rétro-propagation du gradient est un algorithme itératif, les poids sont modifiés à
chaque étape selon la règle suivante:
Wkh (t ) = Wkh (t − 1) + ∆Wkh (t ) (9)
Les poids à l’itération t correspondent aux poids à l’itération t-1 plus une correction dépendant
du signal d’erreur.
Couche :
1 k-1 k nc-1
k+1 n δ1
X1
X2 i δ2
:
.
Xn
l
La rétro- propagation des gradients se fait “en amont” dé la couche de sortie vers la couche
d’entrée. Le gradient de la cellule i dans la couche k est fonction des gradients des cellules l des
couches supérieures à k+1, etc.
- 61 -
Chapitre III Les réseaux de neurones artificiels
D.E.Rumelhart a proposé une solution très efficace pour accélérer la convergence, qui consiste à
utiliser les changements précédents des poids pour la réadaptation des poids actuels.
L'équation d'adaptation devient :
wij1 (t + 1) = wij1 (t ) + η ∆wij1 (t ) + α ∆wij1 (t − 1) (10)
Le terme ajouté est appelé “momentum” (élan, quantité de mouvement), en analogie avec le
système mécanique classique, où un objet en mouvement garde l'élan acquis grâce à la quantité
de mouvement qui lui a été communiquée précédemment pour accélérer son mouvement (Figure
III.11).
Le paramètre α est utilisé pour pondérer l'effet de ce terme. Sa valeur est généralement prise
entre 0.8 et 0.9.
Erreur E
∂E
∂wij ∂E
∆ w ij ← − η + µ ∆ w ij
∂ w ij
Poids wij
wij wij*
Les réseaux de neurones formels, tels que nous les avons définis dans le paragraphe précédent,
possèdent une propriété remarquable qui est à l'origine de leur intérêt pratique dans des domaines
très divers: ce sont des approximateurs universels parcimonieux.
Sans entrer dans les détails mathématiques, la propriété d'approximation peut être énoncée de la
manière suivante: toute fonction bornée suffisamment régulière peut être approchée avec une
précision arbitraire, dans un domaine fini de l’espace de ses variables, par un réseau de neurones
- 62 -
Chapitre III Les réseaux de neurones artificiels
comportant une couche de neurones cachés en nombre fini, possédant tous la même fonction
d’activation, et un neurone de sortie linéaire. Cette propriété n'est pas spécifique aux réseaux de
neurones: il existe bien d'autres familles de fonctions paramétrées possédant cette propriété; c'est
le cas notamment des ondelettes, des fonctions radiales, des fonctions splines, par exemple.
Nous verrons au paragraphe suivant que c'est cette remarquable parcimonie qui justifie l'intérêt
industriel des réseaux de neurones. En pratique, dès qu'un problème fait intervenir plus de deux
variables, les réseaux de neurones sont, en général, préférables aux autres méthodes.
Ainsi, dans un Perceptron multicouches, les poids de la première couche déterminent la forme de
chacune des sigmoïdes réalisées par les neurones cachés, et les poids de la seconde couche
déterminent une combinaison linéaire de ces fonctions. On conçoit facilement que cette
souplesse supplémentaire, conférée par le fait que l'on ajuste la forme des fonctions que l'on
superpose, permet d'utiliser un plus petit nombre de fonctions élémentaires, donc un plus petit
nombre de paramètres ajustables. Nous allons voir dans le paragraphe suivant pourquoi cette
propriété de parcimonie est précieuse dans les applications industrielles.
- 63 -
Chapitre III Les réseaux de neurones artificiels
Dans la pratique, on n'utilise pas les réseaux de neurones pour réaliser des approximations de
fonctions connues. Le plus souvent, le problème qui se pose à l’ingénieur est le suivant: il
dispose d’un ensemble de mesures de variables d'un processus de nature quelconque (physique,
chimique, économique, financier, ...), et du résultat de ce processus; il suppose qu'il existe une
relation déterministe entre ces variables et ce résultat, et il cherche une forme mathématique de
cette relation, valable dans le domaine où les mesures ont été effectuées, sachant que les mesures
sont en nombre fini, que elles sont certainement entachées de bruit, et que toutes les variables
qui déterminent le résultat du processus ne sont pas forcément mesurées. En d’autres termes,
l’ingénieur cherche un modèle du processus qu’il étudie, à partir des mesures dont il dispose, et
d’elles seules : on dit qu’il effectue une modélisation "boîte noire". Dans le jargon des réseaux de
neurones, les données à partir desquelles on cherche à construire le modèle s’appellent des
exemples.
En quoi la propriété d'approximation parcimonieuse peut-elle être utile pour résoudre ce genre de
problèmes ? Ce que l'ingénieur cherche à obtenir à l'aide de son modèle, c'est la "vraie" fonction
qui relie la grandeur yp que l'on veut modéliser aux variables {x} qui la déterminent, c'est à- dire
la fonction que l'on obtiendrait en faisant une infinité de mesures de yp pour chaque valeur
possible de {x}: en terme de statistiques, l'ingénieur cherche la fonction de régression de la
grandeur à modéliser. Cette fonction est inconnue, mais on peut en chercher une approximation à
partir des mesures disponibles: les réseaux de neurones sont donc de bons candidats pour cela, si
la fonction de régression cherchée est non linéaire. Cette approximation est obtenue en estimant
les paramètres d'un réseau de neurones au cours d'une phase dite d'apprentissage. C'est ici que la
propriété d'approximation parcimonieuse des réseaux de neurones est précieuse: en effet, le
nombre de mesures nécessaires pour estimer les paramètres de manière significative est d'autant
plus grand que le nombre de paramètres est grand. Ainsi, pour modéliser une grandeur avec une
précision donnée à l'aide d'un réseau de neurones, il faut moins de données que pour la
modéliser, avec une précision comparable, à l'aide d'une régression linéaire multiple; de manière
équivalente, un réseau de neurones permet, avec les mêmes données disponibles, de réaliser une
approximation plus précise qu'une régression linéaire multiple.
De manière générale, un réseau de neurones permet donc de faire un meilleur usage des mesures
disponibles que les méthodes de régression non linéaires conventionnelles. Ce gain peut être
considérable lorsque le processus à modéliser dépend de plusieurs variables : rappelons en effet
- 64 -
Chapitre III Les réseaux de neurones artificiels
que le nombre de paramètres (donc de mesures) varie exponentiellement pour les méthodes
conventionnelles de régression non linéaire, alors qu'elle varie linéairement pour les réseaux de
neurones. Ainsi, à la lumière de cette propriété fondamentale, la technique des réseaux de
neurones apparaît comme une puissante méthode de régression non linéaire: ce n'est donc rien
d'autre qu'une extension des méthodes de régression linéaire ou multilinéaires proposées par tous
les logiciels qui permettent de faire de la modélisation de données. Contrairement à une croyance
répandue, elle ne relève donc pas de l'Intelligence Artificielle au sens classique du terme, mais
elle constitue une branche des statistiques appliquées. Il ne faut donc pas être victime du
vocabulaire anthropomorphique utilisé (neurones, apprentissage, etc.); le tableau ci-dessous
résume les équivalences entre le vocabulaire des statistiques et celui des réseaux de neurones.
La base d’apprentissage est une base de données contenant des couples d’entrées-sorties servant
à déterminer les valeurs des paramètres d’un réseau de neurones lors de la phase d’apprentissage
supervisé. Le PMC est un interpolateur imparfait des observations contenues dans cette base,
puisqu’il commet une erreur aux points d’observations. Or, la base d’exemples n’échantillonne
jamais l’espace des données de manière parfaite. Il est souhaitable, pour bien contraindre un
PMC, que le nombre de contraintes (nombre d’exemples dans la base d’apprentissage) imposées
soit très supérieur au nombre de degrés de liberté du réseau (nombre de poids). Le nombre
minimum souhaitable d’exemples est lié à la complexité de la fonction à simuler et à
l’architecture du réseau choisie.
- 65 -
Chapitre III Les réseaux de neurones artificiels
En effet, un bon estimateur g est caractérisé par une bonne précision, c’est-à-dire un faible biais
et une bonne stabilité, c’est-à-dire une variance faible. Or, ces deux objectifs sont
contradictoires. Gelman & Rubin, (1992) ont développé l’idée suivante : pour un problème
donné et des échantillons de taille fixe, un réseau sous-dimensionné aura un biais important et un
terme de variance faible. A contrario, un réseau surdimensionné possédera un grand nombre de
degrés de liberté et l’optimisation conduira à des solutions pouvant être très différentes, ce qui
correspond à une composante de variance importante. L’idée est donc que le biais diminue et que
la variance augmente lorsque la taille du réseau augmente. Il y aurait donc une « zone » de bon
compromis correspondant à une bonne taille du réseau pour le problème traité et le nombre
d’exemples d’apprentissage. Il est généralement bien accepté qu’il soit nécessaire de disposer
d’un échantillon de taille N qui soit au minimum de l’ordre de dix fois le nombre de paramètres à
déterminer (les poids). Derrière ces considérations générales se dissimule l’irrégularité fréquente
de l’échantillonnage: plus dense dans certaines régions de l’espace des données que dans autres.
La méthode d’échantillonnage apparaît primordiale.
Du fait des capacités d’approximation universelle des modèles neuronaux, l’apprentissage peut
mener à un sur-ajustement de la fonction, on parle aussi de sur-apprentissage. On observe ce
genre de problème lorsque l’on utilise un modèle comportant un grand nombre de paramètres
pour modéliser une fonction de trop faible complexité. Pour mettre en évidence ce problème on
utilise une base de test, autre échantillonnage de l’espace des données. Lors de l’étape
d’estimation des paramètres, le phénomène de sur-apprentissage ce traduit par une croissance de
l’erreur sur les données de la base de test. Au finale, le réseau sélectionné est alors celui qui
minimise l’erreur commise sur la base de test.
- 66 -
Chapitre III Les réseaux de neurones artificiels
III.11. Conclusion
Les réseaux multicouches entraînés par l’algorithme de rétro-propagation du gradient sont les
modèles connexionnistes les plus étudiés et utilisés à ce jour.
Les champs d’application de cette méthode sont très vastes tels que la prédiction, classification,
l’identification du processus, la commande du processus et du robot, le traitement d’image et de
parole et l’approximation des fonctions. Il est clair que le réseau apprend les exemples de base
d’apprentissage, dont les réponses désirées sont élaborées par le modèle que constitue le
superviseur. Si les exemples de la base de données concernent un fonctionnement dans un
domaine réduit, le réseau ne saura pas répondre correctement en dehors de ce domaine. Si le
superviseur donne des informations erronées le réseau apprendra un modèle erroné. Si le
processus que l’on cherche à modéliser et non stationnaire ou change brutalement, le réseau doit
répondre au bon modèle. D’un point de vue théorique, on sait qu’il existe toujours un réseau à
trois couches capable d’approcher toute fonction continue. Les réseaux de neurones sont des
outils statistiques, qui permettent d'ajuster des fonctions non linéaires très générales à des
ensembles de points; comme toute méthode statistique, l'utilisation de réseaux de neurones
nécessite que l'on dispose de données suffisamment nombreuses et représentatives. Cependant,
pour un réseau donné, on ne connaît pas le nombre optimum de neurones par couches. De plus,
on ne sait pas quel est le nombre de couches du réseau de complexité minimale, en nombre de
paramètres (connections). Un nombre de neurones trop petit induit une modélisation insuffisante,
mais un trop grand nombre de neurones entraîne une sur paramétrisation du modèle, qui nuira
aux performances en généralisation. La taille du réseau et celle de la base d’apprentissage son
liées.
D’un point de vue pratique, la principale difficulté est l’optimisation de la phase d’apprentissage.
Le choix de l’architecture adéquat ou la détermination du «pas d’apprentissage» se fait par essais
successifs. L’utilisation d’une base indépendante de celle d’apprentissage, appelée base de test
permet de déterminer le réseau optimal. On détermine les poids du réseau à partir de la base
d’apprentissage et on calcule les performances sur la base de test. Le réseau « optimal » est celui
qui minimise l’erreur commise sur la base de test. Une autre difficulté est liée aux
caractéristiques de la base d’apprentissage, aussi bien en termes de taille et de représentativité
que de répartition des exemples. Le nombre d’exemples doit être suffisamment grand devant les
paramètres (les poids) à déterminer.
- 67 -
Chapitre III Les réseaux de neurones artificiels
- 68 -
Chapitre IV
IV.1. Introduction
L'infiltration dans le corps du barrage est importante pour deux raisons : La première est que la
surface phréatique coupe le talus aval, ce qui induit une érosion de la zone de la surface de
suintement. Tandis que la deuxième conditionne la quantité d'eau d'infiltration.
C’est pourquoi, la prédiction des niveaux piézométriques à travers le corps du barrage en terre
est très importante pour la planification et la mise en œuvre des plans de prévention de risque de
glissement des talus des barrages. A cet effet, nous avons opté pour l’étude du cas du barrage
d’Ain Zada afin de mettre le point sur la question des infiltrations dans cet ouvrage et établir une
ligne de conduite pour parer aux éventuels risques de dommages.
Par conséquent, il est nécessaire de tracer la ligne phréatique et d'estimer le débit d’infiltration.
Dans cette étude, le modèle RNA est développé pour estimer la surface phréatique dans un
barrage en terre.
L’ensemble des données utilisées pour l’apprentissage et la validation du modèle neuronal sont
les niveaux d'eau dans les piézomètres et les niveaux d'eau en amont et en aval du barrage en
terre d’Ain Zada mesurées depuis la mise en eau du barrage en 1985.
Comme il a été indiqué dans le chapitre I, seize cellules de pression interstitielle hydraulique
(PH) sont installées dans le noyau du barrage selon 4 profils dont la localisation est la suivante :
0+506.3, 0+581.1, 0+656.5, 0+731.8.
La figure IV.1 représente l’emplacement des quatre piézomètres hydrauliques au niveau du profil
1 (Chaînage 0+506.3).
- 71 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
Les niveaux d'eau en amont et en aval du barrage de Ain Zada sont utilisées comme des variables
d'entrée et les niveaux d'eau dans les piézomètres sont les sorties du modèle de réseau neuronal
artificiel. Le modèle est illustré dans tableau IV.1 et la figure IV.2.
Variables de sortie
Variables d’entrées
observées
Niveau amont(H1) Niveau aval(H2) PH1/1 PH1/2 PH1/3 PH1/4 Niveau piézomètre(PH)
Avec :
PH : piézomètres hydrauliques, ½ : numéro profil/numéro de piézomètre. PH1/1=1 c'est-à-dire
de le piézomètre est active. PH1/1=0 c'est-à-dire de le piézomètre est désactive.
- 72 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
…………………………..(IV.01)
…………………………..(IV.02
V.02)
- 73 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
……………………………..(
……………………………..(IV.03)
La base de données représentant les niveaux d’eau et les niveaux des piézomètres (160 données
dans le premier profil, 128 données dans le deuxième profil, 130 données dans le troisième profil
et 58 données dans le quatrième profil) a été subdivisée en deux ensembles.
ensembl Le premier ensemble
est varié de 80% de l’ensemble des données pour l’apprentissage du model, tandis que les
données restantes (20%) ont été utilisées pour la validation du modèle. Il est à signaler que,
seulement les trois premiers profils ont été étudiés. Enfin, le
le processus d'essais et d'erreurs est
utilisé pour déterminer le nombre optimal de neurones (N) (varié entre 6-20)
6 dans la couche
cachée.
Après avoir fixé le nombre de neurones dans la couche cachée et les fonctions de transferts, la
prochaine étape est d’apparenter le model avec l’ensemble de données destinées à
l’apprentissage. Pendant l’apprentissage du modèle, les coefficients des connexions (poids) entre
les différentes couches sont calculés de telle sorte que les sorties du réseau de neurones soient,
soient
pour la base de données utilisées, aussi proches que possible des sorties désirées. L’optimisation
du modèle se fait de manière itérative, en modifiant les poids en fonction du gradient de la
fonction du coût : le gradient est estimé par une méthode spécifique
spécifique au réseau de neurones, dite
méthode de 'back-propagation’
propagation’ de l’erreur.
On peut résumer la procédure de mise en marche du modèle dans les étapes suivantes :
- 74 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
1. Représentation de la matrice d'entrée et de sortie (comme il est mentionné plus haut, les données
sont subdivisées en deux groupes, un ensemble pour l’apprentissage et l’autre pour la validation ;
6. Apres l’apprentissage on fixe les poids du modèle afin de le valider avec les 20% des données
restantes.
IV.4. Résultats
Après avoir examiné le modèle RNA avec l’algorithme LM et le nombre de neurones dans la
couche caché, les résultats de la meilleure conception ANN en termes de statistiques de
performance (MSE, R2) dans chaque profil sont présentés dans les tableaux IV.2, IV.3 et IV.4 et
les figures IV.3, IV.4, IV.5 et IV.6
Tableau IV.2 Paramètres statistiques de la prédiction des niveaux piézométriques dans les quatre
piézomètres dans le premier profil trouvés pour la phase de validation
Apprentissage
R2 0.93
MSE 0.062
Validation
- 75 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
- 76 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
Figure IV.5 Comparaison entre les niveaux piézométriques PH1/3 observés et simulés
Figure IV.6 Comparaison entre les niveaux piézométriques PH1/4 observés et simulés
- 77 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
Tableau IV.3 Paramètres statistiques de la prédiction des niveaux piézométriques dans les quatre
piézomètres dans le deuxième profil trouvés pour la phase de validation
Tableau IV.4 Paramètres statistiques de la prédiction des niveaux piézométriques dans les quatre
piézomètres dans le troisième profil trouvés pour la phase de validation
- 78 -
Chapitre IV Application des réseaux neuronaux pour la modélisation des niveaux piézométriques au niveau du
barrage de Ain Zada
A partir des résultats de l’apprentissage des tableaux IV.2, IV.3 et IV.4, on constate que le
modèle RNA optimise la prédiction des niveaux piézométriques pour les trois profils avec
l’algorithme Levenberg–Marquardt.
Le nombre optimal de neurones cachés (N) a été trouvé différent d'un profil à l’autre. Les valeurs
du MSE varient de 0.048 à 0,062 m. La plus faible valeur a été observée au niveau de chaînage
2. Les valeurs R2 obtenues lors de la validation varient de 0,78 à 0,90. De ce qui précède, il est
évident que le modèle RNA peut modéliser avec précision la relation non linéaire les niveaux
piézométriques et le niveau d’eau dans la retenue.
Ce modèle peut être utilisé pour la planification et la gestion du niveau d’eau dans le barrage.
Avant son utilisation, il est recommandé de développer un modèle contenant la prédiction des
niveaux piézométriques pour les trois profils en même temps. En outre, ce modèle ne nécessite
pas une compréhension conceptuelle de la dynamique des écoulements dans le sol.
- 79 -
Conclusion générale
Conclusion Générale
Conclusion Générale
Nous avons dû présenter tout un chapitre, où nous avons donné une brève synthèse des
mécanismes et de la dynamique des infiltrations de l’eau à travers les milieux poreux,
en général, et le sol en particulier.
Cette synthèse nous a servi de base pour le choix du modéle à utiliser pour la prédiction,
car vu la complexité des modéles à base physique (comme la résolution des Equations
de RITCHARDS ou celles de LAPLACE), il s’est avéré qu’il est plus simple de
s’orienter vers les modèles Boite Noire.
- 81 -
Références bibliographiques
Références bibliographiques
Références bibliographiques:
Rolley, R., Kreitmann, H., Dunglas, J. & Pierrejean, A. (1977) Technique des barrages en aménagement
rural.
Hopfield, J. J. (1984) Neurons with graded response have collective computational properties like those
of two-state neurons. Proc. Natl. Acad. Sci. 81(10), 3088–3092. doi:10.1073/pnas.81.10.3088.
Elganainy MA (1987) Seepage underneath barrages with downstream subsidiary weirs. Appl Math Model
11:423–431. doi: 10.1016/0307-904X(87)90167-3.
Gelman, A. & Rubin, D. B. (1992) Inference from Iterative Simulation Using Multiple Sequences. Stat.
Sci. 7(4), 457–472. doi:10.1214/ss/1177011136.
Dreyfus, G., Martinez, J. M., Samuelides, M., Gordon, M. B., Badran, F., Thiria, S. & Herault, L. (2002)
Réseaux de neurones - Méthodologie et applications.
Billington, D., Jackson, D. & Melosi, M. (2005) The history of large federal dams: planning, design, and
construction in the era of big dams.
Rozycki, A., Ruiz Fonticiella, J. M. & Cuadra, A. (2006) Detection and evaluation of horizontal fractures
in earth dams using the self-potential method. Eng. Geol. 82(3), 145–153.
doi:10.1016/j.enggeo.2005.09.013.
Marche, C. & Marche, C. (2008) Barrages, crues de rupture et protection civile. Presses internationales
Polytechnique.
Giacomodonato MN, Sarnacki SH, Llana MN, Cerquetti MC (2009) Dam and its role in pathogenicity of
Salmonella enterica. J. Infect. Dev. Ctries. 3:484–490.
FEMMAM, H. & BENMEBAREK, N. (2011) Effets des drains sur la stabilité des barrages en terre.
Courr. du Savoir Univ. Biskra (11), 09–15.
Haoyao Z, Jinbao S, Xuehui P, Dewei Y (2012) Earth-rock Dam Risk Consequence’s Comprehensive
Evaluation under Drought Condition. Procedia Earth Planet Sci 5:237–240. doi:
10.1016/j.proeps.2012.01.041.
Rezaeian-Zadeh, M., Tabari, H. & Abghari, H. (2012) Prediction of monthly discharge volume by
different artificial neural network algorithms in semi-arid regions. Arab. J. Geosci. 6(7), 2529–2537.
doi:10.1007/s12517-011-0517-y.
Cotter, J. L., Rael, J. S. (2015) History of Federal Dam Construction in Texas. World Environ. Water
Resour. Congr. 2015, 74–94. doi:10.1061/9780784479162.008.
- 82 -
Références bibliographiques
Salhi, C., Touaibia, B. & Zeroual, A. (2013) Les réseaux de neurones et la régression multiple
en prédiction de l’érosion spécifique: cas du bassin hydrographique Algérois-Hodna-Soummam
(Algérie). Hydrol. Sci. J. 58(7), 1573–1580. Taylor & Francis.
doi:10.1080/02626667.2013.824090.
- 83 -