Résumé de la thèse :
Cette thèse introduit le concept de jumeaux numériques hydrologiques et évalue le potentiel des réseaux de neurones artificiels (ANN) pour la prévision des crues éclair dans un milieu présentant une double dynamique hydrologique. Le milieu d’étude est l’hydrosystème du Las, fleuve côtier de la ville de Toulon qui, à la suite de précipitations méditerranéennes, génère une réponse rapide dominée par le ruissellement de sa zone urbaine et une réponse plus lente liée au fonctionnement du karst situé en amont. Les prévisions de hauteur du cours d’eau sont établies avec un horizon de 30 minutes en utilisant des données mesurées en temps réel de pluies et de hauteur d'eau en amont, sans prévision de pluie.
La thèse présente l’évolution et les différentes définitions du concept de « jumeau numérique » dans diverses disciplines. Elle se focalise ensuite sur les caractéristiques de certains jumeaux numériques hydrologiques, notamment ceux utilisés pour la prévision des crues sur le territoire français. Après avoir clarifié ce concept, cette thèse a essentiellement exploré la capacité de généralisation des ANN aux crues extrêmes, en utilisant des méthodes adéquates d’apprentissage, de régularisation et d’évaluation.
Les expériences montrent que le choix de l’optimiseur est crucial pour l’apprentissage des réseaux de neurones pour la prévision des crues extrêmes. Une comparaison a été réalisée entre les règles de Adam (AD) et Levenberg-Marquardt (LM), respectivement les optimiseurs de premier, et de second ordre les plus utilisés. Les expériences ont montré que LM permet au modèle de mieux prévoir les pics de crue qu’AD, et ceci peu importe les entrées et le type de modèle. L’intégration de fenêtres temporelles aux variables d’entrée des LSTM (réseaux de neurones à mémoire court et long terme) renforce leur capacité de prévision. Les perceptrons multicouches (MLP) avec des fenêtres temporelles aux variables d’entrées et ayant LM comme optimiseur parviennent à des performances similaires aux LSTM sans fenêtres temporelles optimisés avec AD.
En ce qui concerne la prévision des crues du système à double régime hydrologique, les modèles calibrés séparément sur chaque type de régime offrent les meilleures performances sur leur régime de calibration mais ont des faibles performances lorsqu’ils sont appliqués à l’autre régime. Pour avoir un modèle avec des performances acceptables sur les deux régimes, la combinaison des sorties des modèles calibrés sur chaque régime avec un MLP a conduit à de bonnes performances. Une des perspectives pour l’amélioration de cette méthode serait d’étudier la combinaison des modèles ayant différents horizons de prévision. Le meilleur modèle LSTM (règle de LM et fenêtres temporelles) et le MLP construit à partir des sorties des modèles spécialisés conduisent à des performances similaires. Cependant ce LSTM a produit de meilleurs résultats pour deux crues plus extrêmes que celles utilisé lors de la construction des modèles. Les ressources de calcul nécessaires à la construction de chaque type de modèle ont été évalués, ceci permet d’appréhender leur impact sur l’environnement.