Estimation du débit solide en rivière par algorithme ensembliste et régression stochastique

La gestion des rivières et la protection contre les risques naturels, tels que l’érosion et les crues, dépendent des estimations et des modélisations du transport sédimentaire dans les écoulements à surface libre. Ces phénomènes sont complexes et influencés par une multitude de facteurs, incluant les conditions hydrauliques et physiographiques des rivières et leurs caractéristiques sédimentaires. Bien que des équations classiques existent pour estimer ce transport, leurs performances varient en fonction des conditions spécifiques rencontrées, ce qui limite leur efficacité dans des situations plus complexes ou extrêmes. Cette thèse présente le développement et l’évaluation de nouveaux algorithmes visant à améliorer l’estimation du transport sédimentaire par charriage dans les écoulements à surface libre. L’objectif principal est de proposer un algorithme intégrant la régression par processus gaussien (RPG) et un algorithme ensembliste, utilisant les conditions hydrauliques, physiographiques et sédimentaires propres aux rivières. Le développement de modèles plus précis est essentiel pour une meilleure gestion des rivières, notamment dans le cadre de l’ingénierie fluviale, la protection contre l’érosion et la gestion des crues. La recherche se fonde sur une approche méthodologique intégrée combinant des données expérimentales, issues d’expérimentations en laboratoire, et des données extraites de la littérature. Un ensemble de 11 463 données provenant de diverses études a été utilisé pour calibrer et valider les algorithmes développés. Les performances des algorithmes ont été comparées aux équations classiques de transport solide, telles que celles de Meyer-Peter, Yang, et Ackers-White, en se basant sur des critères de performance comme la racine carrée de l’erreur quadratique moyenne (RMSE) et la moyenne des rangs. Ces critères permettent d’évaluer la qualité des estimations pour différentes concentrations de sédiments. Les expérimentations en laboratoire ont permis de valider les performances des algorithmes sur trois types de sédiments : le gravier, le sable grossier et le sable fin. Les tests ont été réalisés dans un canal rectangulaire avec une pente longitudinale de 0,4% et un débit maximal de 0,08 m3/s. Les résultats montrent que la régression par processus gaussien se classe parmi les cinq meilleures équations pour les trois types de sols, avec des performances particulièrement remarquables pour le sable fin. L’algorithme ensembliste, quant à lui, offre des résultats compétitifs pour le gravier et le sable grossier, mais est moins performant pour le sable fin, probablement en raison de la complexité des interactions hydrauliques et sédimentaires à faible granulométrie.

Abstract

River management and protection against natural hazards, such as erosion and floods, rely on accurate estimates and modeling of sediment transport in open channel flows. These processes are complex and influenced by a multitude of factors, including the hydraulic and physiographic conditions of rivers, as well as their sedimentary characteristics. While classical equations exist for estimating sediment transport, their performance varies depending on the specific conditions encountered, limiting their effectiveness in more complex or extreme situations. This thesis presents the development and evaluation of new algorithms aimed at improving the estimation of sediment transport by bedload in free-surface flows. The main objective is to propose an algorithm integrating Gaussian Process Regression (GPR) and an ensemble algorithm, utilizing the hydraulic, physiographic, and sedimentary conditions specific to rivers. The development of more accurate models is essential for better river management, particularly in the fields of fluvial engineering, erosion control, and flood management. The research is based on an integrated methodological approach, combining experimental data from laboratory experiments and data extracted from the literature. A dataset of 11,463 entries from various studies was used to validate the developed algorithms. The performance of these algorithms was compared to classical sediment transport equations, such as those of Meyer-Peter, Yang, and Ackers-White, using performance criteria like the Root Mean Square Error (RMSE) and the mean ranks. These criteria allow for the evaluation of estimation accuracy across different sediment concentrations. Laboratory experiments were conducted to validate the performance of the algorithms on three types of sediments: gravel, coarse sand, and fine sand. The tests were carried out in a rectangular flume with a longitudinal slope of 0.4% and a maximum discharge of 0.08 m3/s. The results show that the Gaussian Process Regression ranks among the top five equations for all three soil types, with particularly outstanding performance for fine sand. The ensemble algorithm, on the other hand, produces competitive results for gravel and coarse sand but performs less effectively for fine sand, likely due to the complexity of hydraulic and sediment interactions at smaller grain sizes.