Dans le cadre du projet d'innovation FUI SPHEREAU, des travaux de recherche visent à utiliser des technologies relevant de l’intelligence artificielle pour faciliter la valorisation des données d’exploitation et la prise de décision par les gestionnaires de réseau d’eau potable.
Ces travaux sont réalisés sur un site de démonstration d’un réseau de distribution rural constitué d’une cinquantaine de communes.
Ce projet de R&D appliqués a pour objectif ultime de mettre à la disposition du gestionnaire un outil intégré, permettant d’intégrer automatiquement et au jour le jour des données d’autosurveillance. Des algorithmes intégrés dans l’outil traitent ces données et fournissent des indicateurs de performance du réseau et des alertes de dysfonctionnements.
Prédiction de la demande en eau, évaluation des fuites et des défauts de capteurs
Dans ce projet, l'apprentissage et l'aide à la décision sont permis par l'accessibilité à un grand nombre de données. Au cœur de ces applications se trouve toujours une méthode de modélisation, qui a pour tâche de reproduire le comportement d'un système donné, en agrégeant statistiquement les observations passées, selon un précepte simple : « A l'observation d'une nouvelle donnée, peut-on en conclure que l'installation fonctionne normalement ou non ? », la normalité étant définie par « L'installation se comporte de la même façon que ce qu'on en a observé jusqu'ici ».
Dans le cadre du projet SPHEREAU, le CRAN applique cette stratégie à l'analyse des 52 compteurs de sectorisation du site de démonstration et, plus généralement, à la demande en eau dans les réseaux d'eau potable. Par exemple, si suffisamment de données sont disponibles, il est possible de prédire la consommation en eau des années à l'avance, et ce avec une précision de l'ordre du quart d'heure.
Dans ce contexte, une « anomalie » représente un dysfonctionnement du système, comme une fuite ou une consommation statistiquement anormale. Cependant, un biais fondamental des IAs est l'impossibilité de la remise en cause des données ayant servies à leur apprentissage : un apprentissage « juste » ne peut être issu que de données « justes ». Or, ce paradigme ne correspond en aucun point avec la gestion actuelle du patrimoine en eau qui est très largement, à raison, mue par des considérations d'ordre physique : Comment faire correspondre les données observées à une logique physique ?
C'est en ce sens que le CRAN œuvre dans le développement des nouveaux outils qui visent à utiliser conjointement les données et les connaissances physiques afin de proposer des outils d'aide à la décision cohérents :
- Le modèle issu des données est-il physiquement justifiable ?
- Comment utiliser la structure physique du réseau pour identifier l'origine d'une anomalie sur les données : fuite, modèle incohérent ou défaut de capteurs ?
- Analyser plus généralement la fiabilité actuelle du réseau de capteurs et sa capacité à observer les défauts recherchés.
Analyse coût-bénéfice d’actions à moyen terme sur le réseau
L’U.M.R. Gestion Territoriale de l’Eau et de l’Environnement de l’ENGEES a développé une analyse coût-bénéfice pour trouver le meilleur compromis entre le coût d’une politique patrimoniale (renouvellement, recherche de fuites) et le rendement du réseau.
Le modèle de prédiction utilise une méthode d’apprentissage de type réseau de neurones. L’incertitude concernant les variables est prise en compte par la simulation de Monte Carlo.
Un algorithme génétique multi-objectif (NSGA-II) est utilisé, couplé au modèle de prédiction, afin de déterminer un ensemble de solutions permettant d’optimiser les coûts d’investissements et de fonctionnements ainsi que l’amélioration de la performance du réseau d’eau potable.
Serveur de connaissance et outil d’analyse
TLG Pro met en place le serveur de connaissance et la cartographie métier permettant d’importer les données d’autosurveillance, de lancer les outils d’analyse de ces données et de créer les alertes en cas de dysfonctionnements.
Le consortium est constitué d’IRH Ingénieur Conseil, filiale d’Antea Group, du CRAN (Centre de Recherche en Automatique de Nancy), de l’ENGEES (École Nationale du Génie de l’Eau et de l’Environnement de Strasbourg), TLG Pro et Saur, exploitant du réseau sur lequel est implémenté le projet.
Mathias REBUFFÉ – Chef de Projet Recherche & Innovation, Antea Group
