Admin CliCours
Sommaire: Modélisation de la régularisation des barrages dans la région des aurès
Liste des figures
Liste des tableaux
Introduction générale
Introduction générale
Enoncé du problème
Objectif de l’étude
Contenu et organisation de la thèse
Contributions apportées par la thèse
Etat de l’art
1.1 Introduction
1.2 Méthodes d’optimisation
1.2.1. Programmation linéaire (PL)
1.2.2. Programmation Non Linéaire (PNL)
1.2.3 Programmation Dynamique (PD)
1.2.2.1 Principe de la Programmation Dynamique
1.1.2.2 Programmation Dynamique Stochastique
1.1.2.2. La poisse de dimentionnalité ‘’ Curse of dimentionnality ‘’
1.2.2.3. Autres dérivées de la programmation dynamique stochastique
1.3 Modèles de simulation
1.4 Modèles combinés
1.5 Réseaux de Neurones Artificiels
1.5.1 Apprentissage du réseau de neurones par rétro-propagation (backpropagation)
1.5.2 Simulation de l’opération du réservoir par Réseaux de Neurones
1.6 Conclusion
Les Aurès, Réservoirs et Gestion
2.1 Contexte physique de la région des Aurès
2.1.1 Synthèse géologique
2.1.1.1 Anticilinaux
2.1.1.2 Synclinaux
2.1.1.3 Hydrographie : Ecoulement endoréique
2.1.2 Aperçu climatique
2.1.2.1 Précipitations
2.1.2.2 Facteur thermique
2.1.2.3 Evapotranspiration
2.1.2.4 Le vent
2.1.3 Couvert végétal
2.1.4 Apports annuels des cours d’eau
2.1.5 Les crues dans la région des Aurès
2.1.6 Apport solide
2.2 Les barrages réservoirs dans la région des Aurès
2.2.1 Fiches techniques des barrages
2.2.1.1 Barrage Foum El Kherza
2.2.1.2 Barrage de Fontaine des Gazelles
2.2.1.3 Barrage de Babar
2.2.1.4 Barrage de Koudiet M’daouar
2.2.1.5 Barrage Foum El Gueiss
2.3 Gestion actuelle des barrages de la région
2.3.1 Gestion du barrage de Foum El Kherza
2.3.2 Gestion du réservoir de Babar
2.3.3 Gestion du réservoir de Foum El Gueiss
2.3.4 Gestion du réservoir de Fontaine des Gazelles
2.3.5 Gestion du réservoir de Koudiet M’daouar
2.4 Conclusion
Deuxième partie: Termes du bilan hydrique
3.1 Introduction
3.2 Apports liquides
3.2.1 Données disponibles
3.2.2 Les modèles de prévision des apports liquides mensuels
3.2.2.1 Modèle autorégressif
3.2.2.2 Réseau de neurones à temps retard ou Time Delay Neural Network TDNN
3.3 Pertes par évaporation et par infiltrations
3.3.1 Pertes par évaporation
3.3.1.1. Relation Volume évaporé -Volume d’eau dans le réservoir par RNA
3.3.3. Modélisation des pertes par infiltrations
3. 4 Pluviométrie directe au dessus du réservoir
3.4.1 Modèlisation des pluies mensuelles.
3.5 Demande en eau et lâchers historiques
3.5.1 Besoins en eau du palmier dattier
3.6 Conclusion
Sédimentation du réservoir
4.1 Introduction
4.3 Méthodes
4.3.1 Levés bathymétriques
4.3.2 Courbe de tarage en sédiments (SRC)
4.3.3 Efficacité de piégeage ‘ Trap efficiency’
4.3.4 Apport solide piégé historique
4.3.5 Chasse de fond, évacuation durant les crues et dévasement
4.3.6 Concentration journalière en sédiments
4. 4 Optimisation de la Courbe Cumulative en Sédiments Piégés
4.4 Résultats de l’Optimisation de la Courbe Cumulative
4.5 Conclusion
L’optimisation de la gestion du réservoir et la contrainte sédimentation
5.1 Introduction
5.2 Méthodologie adoptée
5.2.1. Programmation Dynamique Stochastique Explicite
5.2.1.1 Discrétisation des apports
5.2.2 Matrices de transition
5.2.3 Discrétisation du volume de la retenue
5.2.4 La fonction « objectif »
5.3 Optimisation de l’opération par PDSE et la sédimentation du réservoir
5.3.1 Résultats de l’optimisation
5.3.2 Application des résultats de l’optimisation aux états historiques du réservoir
5.4 Simulation de l’opération du réservoir par Réseaux de Neurones Artificiels
5.5 Conclusion
Conclusion générale
Références bibliographiques
Extrait du mémoire modélisation de la régularisation des barrages dans la région des aurès
Chapitre I Etat de l’art
1.1 Introduction
L’optimisation est une technique cherchant à résoudre analytiquement ou numériquement les problèmes, et consiste à déterminer le meilleur choix parmi un nombre d’alternatives possibles au sens d’un critère donné appelé souvent : ‘‘fonction objectif ou objective function’’ en admettant des hypothèses et des contraintes prédéfinies. Concernant les réservoirs, leur gestion doit s’effectuer dans le souci d’assurer les étiages et écrêter les crues éventuels.
Modélisation de la régularisation des barrages
1.2 Méthodes d’optimisation
Les techniques d’optimisation connues aussi sous le nom de “programmation mathématique“ peuvent être classées selon plusieurs critères, le plus souvent, elles sont classées selon le problème et les équations impliquées (Jain and Singh 2003; Loucks and Beek 2005; Simonovic 2009; Wurbs 1997).
………….
1.2.1. Programmation linéaire (PL)
La méthode d’optimisation sous contraintes la plus simple et la plus populaire est la programmation linéaire (PL) dite du “simplexe“(Jain and Singh 2003; Loucks and Beek 2005; Nandalal and Bogardi 2007; Reddy 2006; Simonovic 2009; Vedula and Mujumdar 2005), dans cette technique, la fonction objectif ainsi que les contraintes sont des fonctions linéaires des variables de décision, cette méthode tient sa popularité du fait de la disponibilité d’une large gamme de codes pour la résolution d’optimisation des problèmes linéaires.
Seule ou combinée, cette méthode trouve son application dans les problèmes de gestion des barrages réservoirs (Foued and Sameh 2001; Regulwar and Kamodkar 2010; Reis et al. 2006; Satishkumar et al. 2010; Sudha et al. 2006).
1.2.2. Programmation Non Linéaire (PNL)
Contrairement à la Programmation Linéaire, dans la Programmation Non Linéaire (PNL) la fonction objectif ainsi que les contraintes sont toutes fonctions non linéaires des variables de décision (Jain and Singh 2003; Loucks and Beek 2005). Cette méthode bien que moins célèbre que la programmation linéaire, trouve son application dans les problèmes de gestion des réservoirs (Chu and Yeh 1978; Duren and Beard 1972; Lee and Waziruddin 1970) .
Les principaux inconvénients de cette méthode sont l’espace important qu’elle requière et la vitesse relativement lente pour la convergence.
Modélisation de la régularisation des barrages
1.2.3 Programmation Dynamique (PD)
La Programmation Dynamique a été élevé au rang de méthode générale de résolution avec les travaux de Bellman (1962) qui la justifie avec le principe d’optimalité. Elle consiste à aborder les problèmes d’optimisation avec une stratégie consistant en deux points essentiels:
1. Décomposer un problème de n variables de décision en n sous problèmes avec une variable de décision.
2. établir une relation de récurrence entre les solutions optimales des problèmes.
L’avantage le plus marquant de cette technique est qu’elle permet de prendre en compte des fonctions objectif non linéaires ou non linéarisables (Parent 1991), et aussi tenir compte des aléas hydrologiques.
……….
Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)Mémoire Online: Modélisation de la régularisation des barrages dans la région des aurès (5.29 MB) (Cours PDF)
