Modélisation de l'épaisseur de glace des lacs par les réseaux de neurones artificiels.

Zaier, Imen (2008). Modélisation de l'épaisseur de glace des lacs par les réseaux de neurones artificiels. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en sciences de l'eau, 112 p.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

En milieu nordique, un des problèmes auxquels ingénieurs barragistes doivent faire face est celui de la présence de glace dans les réservoirs. L'estimation et la prévision des épaisseurs de glace en réservoir s'avèrent nécessaires pour permettre la prise en compte de cette variable de première importance dans la conception et la gestion des ouvrages hydrauliques. Ce mémoire de maîtrise est basé sur une technique de modélisation éprouvée en science et génie : les réseaux de neurones artificiels. L'originalité du travail repose sur une première application des ensembles de réseaux de neurones pour la prédiction des épaisseurs de glace. L'approche des prédictions en utilisant l’ensemble des réseaux de neurones artificiels est une technique dans laquelle les sorties des réseaux de neurones artificiels entrainés séparément sont combinées, dans le but de former une prédiction unique. L'ensemble des réseaux de neurones artificiels est développé dans cet article, afin d'améliorer les résultats de l’approche de réseaux de neurones artificiels simples pour l'estimation de l'épaisseur de la glace dans des nombreux lacs canadiens durant l'hiver précoce pour la période de la croissance de la glace. Un ensemble efficace se compose de plusieurs réseaux de neurones artificiels qui pourraient ne pas être très performants quand ils sont entrainés séparément, mais, une fois combinés, leur erreur de prédiction est grandement réduite. Ce mémoire évalue l'efficacité de plusieurs techniques incluant l’approche aléatoire, le bagging et le boosting qui contribuent à la création des membres de l'ensemble et les techniques de la moyenne et de l’empilage qui permettent la combinaison de ces membres. Les expériences montrent que, dans le contexte de l’estimation de l'épaisseur de glace des lacs, le boosting est plus performant que l’approche aléatoire et parfois meilleur que le bagging. L'empilage est plus compétitif que la moyenne. Au final, les modèles de l’ensemble de réseaux de neurones artificiels pour l’estimation de l'épaisseur de glace sont plus efficaces que les modèles de réseaux de neurones simples, en particulier, quand le boosting est utilisé pour combiner les membres de l’ensemble et l'empilage pour la combinaison des sorties des membres individuels. L'ensemble des réseaux de neurones artificiels accomplit une meilleure performance quand la taille de l'ensemble atteint les 20 membres. En ce qui concerne la seconde partie de ce mémoire, l'épaisseur de la glace dans le passé a été évaluée par les deux modèles LSR et RNA en utilisant les données climatiques observées sur le réservoir la Grande IV. La comparaison de ces modèles a montré que le modèle RNA est plus performant que celui de LSR. Des scénarios de changements climatiques sont ensuite mis à contribution afin de produire une estimation du changement du régime des glaces dans un site du bassin de la rivière La Grande, région importante pour la production hydroélectrique québécoise. Les changements anticipés sont significatifs. Ces résultats devraient interpeller la communauté des ingénieurs hydrauliciens qui se penchent sur la conception des ouvrages hydrauliques dans ce milieu.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Ouarda, Taha B. M. J.
Co-directeurs de mémoire/thèse:	Chokmani, Karem
Mots-clés libres:	épaisseur de glace; lacs; réservoirs; réseaux de neurones artificiels; changements climatiques
Centre:	Centre Eau Terre Environnement
Date de dépôt:	12 nov. 2012 20:50
Dernière modification:	28 janv. 2021 15:09
URI:	https://espace.inrs.ca/id/eprint/468

Gestion Actions (Identification requise)

Modifier la notice