Ali Shakil soutiendra sa thèse intitulée "Étude de la dynamique d’encrassement d’un réseau d’assainissement : méthodologie de traitement et d’analyse de données de capteurs" le mardi 6 février 2024 à 14h00 en amphithéâtre Ponte de la Faculté des Sciences de St Jérôme. La présentation et les slides seront en français.
Le jury sera composé de :
M. Pascal Chargé, Professeur, Polytech Nantes, Rapporteur
M. Éric Matzner-Lober, Professeur, Université Rennes 2, Rapporteur
M. Gilles Fay, Professeur, Centrale Supelec, Examinateur
Mme Charlotte Sakarovitch, ingénieure, SUEZ, Examinatrice
M. Cyril Leclerc, Ingénieur, SUEZ, Examinateur
M. Mohammad-Ali KHALIGHI, Maître de Conférences, ECM, Directeur de thèse
M. Pierre Pudlo, Professeur, AMU, Co-directeur de thèse
Résumé : Cette thèse s’inscrit dans le cadre d’un projet mené par le service d’assainissement de Marseille Métropole (SERAMM), une filiale de Suez, sur la digitalisation du réseau d’assainissement de la ville de Marseille. Les éléments essentiels de ce réseau sont les “avaloirs” qui ont le rôle d’absorber les eaux pluviales. Ces avaloirs ont besoin d’une maintenance permanente en raison des problèmes d’encrassement qui peuvent entraîner des inondations, des dommages aux équipements et la pollution de l’environnement. Ce travail a pour objectif d’étudier un ensemble d’avaloirs connectés grâce à des capteurs de mesure du niveau d’encrassement, afin de rendre l’opération de maintenance plus efficace. Pour ce faire, nous souhaitons comprendre la dynamique globale d’accumulation des déchets dans les avaloirs en analysant les données recueillies par ce réseau de capteurs. Cette tâche, au premier regard simple, s’est avérée très complexe. En effet, les premières analyses des données révèlent une diversité importante dans la dynamique d’encrassement, avec des augmentations ou des diminutions progressives ou brusques. De plus, cette dynamique est influencée par des éléments contextuels tels que la proximité d’arbres ou de certains commerces, ou encore la pluie. Dans un premier temps, notre étude a consisté en un prétraitement des données collectées, incluant notamment l’élimination des redondances et la détection des anomalies. Ces dernières se manifestent sous forme de pics dans les données qu’il est nécessaire de détecter et de supprimer. Dans un second temps, nous avons ensuite utilisé des algorithmes d’intelligence artificielle afin de regrouper les avaloirs selon leurs comportements et d’identifier des clusters d’avaloirs ayant des dynamiques distinctes.
Pour approfondir notre compréhension de la dynamique d’encrassement, nous avons ensuite examiné l’impact des éléments contextuels sur les comportements d’encrassement établis. Après avoir identifié ces éléments, ainsi que les données qui leur sont associées, nous avons analysé leur influence sur différentes catégories d’avaloirs en nous basant sur des méthodes statistiques, soit de manière bivariée, en étudiant chaque facteur individuellement, soit de manière multivariée, en tenant compte de l’ensemble des facteurs contextuels.
Mots clés : Réseau d’assainissement, Intelligence Artificielle, Analyse de données, Détection d’anomalies, Clustering, Capteurs.
ResearchGate
Flux RSS