• Langue : Anglais
• Discipline : Génie civil
• Identifiant : 2020LILUI035
• Type de thèse : Doctorat
• Date de soutenance : 22/07/2020

Résumé en langue originale

Ce manuscrit présente les résultats de recherches sur l'utilisation de l'Intelligence Artificielle pour détecter et localiser les fuites dans les réseaux de distribution d'eau. Le manuscrit est organisé en trois chapitres :Le premier chapitre présente une analyse bibliographique sur les fuites dans les réseaux de distribution d'eau. Il présente d'abord l'origine des fuites d'eau et leurs impacts économiques, sociaux et environnementaux. Il présente aussi les méthodes conventionnelles utilisées pour la détection des fuites d'eau. Ce chapitre met en évidence les opportunités offertes par la smart technologie et les méthodes d'intelligence artificielle pour la détection des fuites dans les réseaux d'eau. Il montre également la nécessité d'explorer sur les mêmes exemples la capacité de ces méthodes à détecter et localiser les fuites dans les réseaux d'eau complexes.Le deuxième chapitre présente le réseau d'eau de la cité scientifique de l'Université de Lille, qui sert de support à cette recherche. Il explique le choix de ce campus par sa représentativité d'une petite ville, la complexité de son réseau d'eau et la disponibilité de données sur le réseau d'eau et les consommations d'eau. Le chapitre présente également la construction en laboratoire d'un pilote pour étudier la possibilité de localiser les fuites d'eau à partir des débits d'alimentation en eau.Le troisième chapitre présente une synthèse de l'utilisation des méthodes d'apprentissage automatique (Machine Learning) dans la localisation des fuites d'eau. Il présente l'utilisation du logiciel EPANET pour la génération de données incluant l'impact de 215 fuites individuelles et doubles sur la variation des débits d'alimentation en eau et la pression dans cinq zones du campus. Ces données sont ensuite utilisées pour étudier la capacité de cinq méthodes d'apprentissage automatique à localiser les fuites dans le système de distribution d'eau. Le chapitre suggère quelques recommandations pour l'utilisation des méthodes d'apprentissage automatique dans la localisation des fuites d'eau.

Résumé traduit

This manuscript presents the results of research about the use of the Artificial Intelligence moths to detect and localize leaks in the water distribution networks. The manuscript is organized in three chapters:The first chapter includes a literature review about the leak in the water distribution networks. First, it presents first the origin of the water leak and its dramatic economic, social and environmental impact. Then, it presents the conventional methods used for the detection of the water leak including hardware-based and software-based methods. This chapter highlights the opportunities offered by the smart monitoring and the Artificial Intelligence methods for the detection of leaks in the water networks. It also shows a need to explore on the same example the capacity of the main AI methods to detect and localize leaks in complex water networks.The second chapter presents the water network of the scientific campus of Lille University, which is used as a support for this research. It argues the selection of this campus by its representativity of a small town, the complexity of the water network and the availability of data about the water network asset and consumption. The chapter also presents the construction of a Lab pilot to investigate of the possibility to localize water leaks from the ratios of the water supply flow rates.The third chapter presents a synthesis of the use of Machine Learning methods in leak localization. It also presents the use of the software EPANET for the generation of data including the impact of 215 individual and double leaks on the variation of the water supply flow rates and the pressure in five zones of the campus. These data are then used to investigate the capacity of five Machine Learning methods to localize leaks in the water distribution system. The chapter suggests some recommendations for the use of ML methods in water leak localization.