Session B3 - Outils, modèles et efficacité de la gestion en temps réel

Les régimes d’écoulement des cours d’eau sont généralement altérés par l’urbanisation et le changement climatique, ce qui entraîne des crues, une diminution de l’écoulement de base, une dégradation des écosystèmes aquatiques. Les dispositifs de gestion des eaux pluviales sont déployés afin de fournir, entre autres objectifs, des régimes d’écoulement plus proches des conditions naturelles. Le contrôle prédictif par modèle (CPM) en temps réel (GTR) peut déterminer les actions de contrôle optimales pour ces dispositifs, en prévoyant la dynamique des débits sous différents scénarios météorologiques et opérationnels. Cependant, l’exécution de scénarios issus d’un modèle hydrologique et hydraulique dans un cadre d’optimisation CPM est coûteuse en calcul, en particulier lorsque des décisions à pas de temps court sont nécessaires. L’élaboration d’un modèle de prédiction simplifié, à la fois précis et rapide, est donc essentielle pour rendre possible une gestion en temps réel des régimes d’écoulement. Des travaux récents ont montré qu’un modèle hybride combinant des approches physiques et des techniques d’apprentissage profond peut améliorer la précision et l’interprétabilité des prédictions de débit, tout en conservant une vitesse de calcul comparable. Dans une étude de cas menée sur le bassin versant du ruisseau Monbulk Creek, à l’est de Melbourne, un modèle hybride et un modèle d’apprentissage profond produisent des prévisions de débit plus rapides et plus précises qu’un modèle physique. Le modèle hybride sera amélioré par l’intégration de mécanismes physiques supplémentaires, afin de déterminer s’il peut soutenir un contrôle plus adaptatif de dispositifs de gestion des eaux pluviales.

Les stratégies de contrôle en temps réel peuvent être classées en deux catégories principales, soit les approches heuristiques et les stratégies d'optimisation. Ces dernières sont très exigeantes en termes de calculs et peuvent être très complexes à appliquer, ce qui pose des défis pour leur mise en œuvre opérationnelle. C’est pourquoi les approches heuristiques sont les plus souvent appliquées, bien qu’il n’existe pas de méthodologie formelle permettant de formuler de façon optimale leurs règles. Cette étude présente un cadre permettant de formuler de règles pour contrôler les niveaux d'eau dans un bassin de rétention d’eaux à l'aide d'une approche de contrôle basée sur des règles intégrant des prévisions de précipitations. La méthode utilise l’apprentissage automatique par arbres de décision par régression pour apprendre la logique de contrôle à partir du comportement optimal du système, tel que défini par une approche prédictive basée sur l’optimisation. Le modèle a été entraîné en appliquant un contrôle prédictif optimal sur 10 événements pluvieux . L’application de la méthode à une étude de cas où l'objectif de contrôle était de maintenir le niveau d'eau dans le bassin entre 15,1 m et 15,4 m, afin d'éviter les débordements et les dommages aux infrastructures, a démontré que les règles dérivées d’arbres de décision surpassaient le contrôle statique et atteignaient des performances comparables à celles obtenues grâce au contrôle prédictif. En outre, cette méthode permet d'extraire des règles de décisions dans des formats facilement compréhensibles, tels que des règles SI-ALORS, à partir des résultats du contrôle prédictif optimal.

Un système de quatre bassins de rétention des eaux pluviales à Knoxville, dans le Tennessee (États-Unis), a été équipé de vannes contrôlables. Il a été démontré que le fonctionnement de ces bassins influençait les conditions du cours d'eau récepteur, ce qui a conduit à des recherches approfondies pour comprendre si et comment des objectifs spécifiques relatifs à la qualité de l'eau pouvaient être atteints. Ces objectifs ont été quantifiés et un modèle de calcul, associé à l'apprentissage par renforcement, a été utilisé pour déterminer comment contrôler les bassins afin d'atteindre ces objectifs.

La gestion des eaux pluviales vise à protéger les cours d'eau contre la dégradation des habitats, mais elle est souvent insuffisante en raison d'objectifs mal définis. Nous présentons ici une méthode permettant de définir des objectifs de débit pertinents sur le plan écologique et de les intégrer dans des algorithmes de gestion des eaux pluviales en temps réel. Cette méthode consiste à : (i) identifier les besoins physiques en matière d'habitat des espèces clés ; (ii) étudier le cours d'eau afin de cartographier les caractéristiques de l'habitat ; (iii) l'utilisation d'une modélisation hydrodynamique haute résolution pour définir la relation entre le débit et la disponibilité d’habitat ; (iv) la combinaison de ces relations entre les différents sites ; et (v) leur intégration dans des algorithmes de gestion des eaux pluviales. 

Nous avons appliqué cette méthode au réseau intelligent de gestion de l'eau de Monbulk Creek à Melbourne, en Australie, qui vise à utiliser des réservoirs d'eau de pluie et des lacs urbains, contrôlés en temps réel, pour soutenir une population vulnérable d'ornithorynques menacée par l'urbanisation et la réduction des débits d’étiage. En augmentant les faibles débits, le système accroit la superficie de l'habitat inondé et la productivité des macro-invertébrés, améliorant ainsi les zones d'alimentation et les sources de nourriture des ornithorynques. Cette approche permet de cibler directement des objectifs liés à l'habitat aquatique, tels que l'inondation d'une plus grande quantité de débris ligneux ou l'augmentation de la superficie avec une profondeur d'eau suffisante pour que les ornithorynques puissent nager et se cacher.