Académique Documents
Professionnel Documents
Culture Documents
Outilsdaideladcisionetoptimisation IssamNouiri 2016
Outilsdaideladcisionetoptimisation IssamNouiri 2016
net/publication/301805686
CITATION READS
1 7,918
1 author:
Issam Nouiri
Institut national agronomique de Tunisie (INAT)
65 PUBLICATIONS 418 CITATIONS
SEE PROFILE
All content following this page was uploaded by Issam Nouiri on 03 May 2016.
Dans l’objectif de réduire les impacts négatifs de la gestion des ressources en eau, le concept de la
Gestion Intégrée des Ressources en Eau (GIRE) a été promu par le Partenariat Mondial de l’eau (The
Global Water Partnership - GWP), réseau mondial qui fournit des connaissances et renforce les
capacités pour une gestion durable des ressources en eau. Ce concept étant défini comme « un
processus favorisant le développement et la gestion coordonnés des ressources en eau, du sol et des
ressources associées, permettant de maximiser les bénéfices économiques et sociaux, de façon
équitable sans compromettre la pérennité des écosystèmes vitaux » (GWP, 2000). Pour assurer la
GIRE, Giupponi (2007) a souligné qu’un grand nombre de secteurs tels que l’environnement,
l’énergie, l’industrie, l’agriculture et le tourisme doivent être pris en considération. Pahl-Wostl
(2007) a ajouté que l'objectif de la GIRE est de maintenir et d’améliorer l’état d’une ressource
environnementale affectée par l’activité humaine. En outre, la gestion doit garantir des services
fournis par la ressource, prévenir les dommages et maintenir son état pour les générations futures
ainsi que le respect du maintien de l’intégrité de l’écosystème.
La GIRE est une tâche difficile en raison de plusieurs facteurs : la complexité des systèmes
hydrauliques naturels et artificiels (grand nombre de sources, de sites de la demande et de liaisons
d’adduction et de distribution); les longueurs des périodes de gestion et les nombres de pas de
temps et la variabilité spatio-temporelle des priorités de gestion (Chang 2008; Giupponi 2007; Ren
et al., 2013).
Pour aboutir à l’application de la GIRE et faire face aux difficultés, Giopponi (2007) et Fu (2008) ont
recommandé le développement de modèles (Croissance, production, besoin en eau, hydrologie,
hydrogéologie, hydraulique, qualité, économie, etc…) qui échangent des données d’entrée et de
sortie et que les méthodes d'optimisation pourraient facilement être intégrées pour élaborer des
« Systèmes d’aide à la décision » (SAD) ou « Décision Support System » (DSS) qui soutiennent les
décideurs.
Les gestionnaires doivent trouver les solutions optimales qui répond aux exigences de la demande
en termes de volume et de qualité, tout en essayant de minimiser les coûts tout au long de la période
de gestion (Zhang et al., 2012). Les aspects environnementaux et socio-économiques peuvent être
des objectifs supplémentaires de la gestion (Giupponi, 2007). Les solutions optimales doivent aussi
satisfaire à un grand nombre de contraintes.
La synthèse des publications scientifiques en matière de gestion des ressources en eau renseigne
sur l’existence d’une gamme d’outils de modélisation et d’approches et méthodes d’optimisation. Il
est important pour un pays soumis à l’aridité dans une grande partie de son territoire, tels que la
Tunisie, de disposer d’approches, d’outils et des données suffisantes pour assurer la meilleure
gestion des ressources en eau. Ce besoin serait de plus en plus ressentie parallèlement à la
détérioration de l’équilibre « Ressources-Besoins » et l’amplification des effets des changements
climatiques prévisibles.
Les problématiques qui se présentent à ce niveau portent essentiellement sur le choix des modèles
et des outils d’aide à la décision à utiliser, les disponibilités des données nécessaires et sur
l’approche d’optimisation à adopter.
Une synthèse bibliographique des travaux de recherche publiés sur la gestion des ressources en eau,
les outils d’aide à la décision et sur l’optimisation forme le chapitre 2. Dans le chapitre 3 de ce
rapport est détaillé la méthodologie proposée pour résoudre le problème de la GORE formulé. Les
2. Synthèse bibliographique
2.1 Introduction
Pour assurer la desserte de l’eau et anticiper les impacts négatifs des changements climatiques
annoncés pour les prochaines décennies (Bates et al., 2008 ; IPCC, 2013), il est nécessaire de se
doter d’outils et de méthodologies capables d’optimiser l’allocation de l’eau. Jothiprakash and
Ganesan (2006) et Suiadee and Tingsanchali (2007) ont souligné qu’il y’a une immense nécessité
d’améliorer l’efficience de l’utilisation des ressources disponibles.
Ce chapitre est conçu pour dresser un état des lieux des recherches scientifiques portant sur la
gestion des ressources en eau, les outils d’aide à la décision et sur l’optimisation. Il sera présenté
dans ce chapitre une chronologie des développements des DSS en soulignant leurs principaux rôles,
les objectifs considérés ainsi que les méthodes de résolutions utilisées. Il sera aussi dressé, à la fin
du chapitre, une discussion des publications analysées pour définir l’orientation des recherches
proposées.
2.2 Revue des recherches sur les DSS pour la gestion des ressources en eau
La durabilité des ressources en eau dépend de la qualité de leur gestion. C’est ainsi que la
communauté scientifique a proposé plusieurs outils DSS pour aider les gestionnaires et les
planificateurs à la prise de décision.
Loucks et da Costa (1991) ont défini les DSS comme des «outils informatisés, ayant des
caractéristiques graphiques et de modélisation interactifs pour répondre aux problèmes spécifiques
et aider les personnes dans leurs études et de chercher des solutions aux problèmes de gestion.
McCartney (2007) a souligné que les DSS sont destinés à fournir aux gestionnaires des ressources
en eau l'aide pour prendre des décisions rationnelles fondées, autant que possible, sur une
évaluation objective des questions. L'auteur considère un DSS tout logiciel ou outil qui aide le
processus de prise de décision lors de la planification et l’exploitation des ressources en eau et de
l’allocation de l’eau entre les différents secteurs.
La dernière décennie a vu la mise en œuvre de nombreux outils pour la gestion des ressources en
eau (GRE). Mysiak et al. (2005) ont développé un DSS pour la GRE intégrant des modèles
hydrologiques avec les procédures d'évaluation multicritères. Rees et al. (2006) a proposé un logiciel
pratique pour aider à faire un bilan hydrique entre les ressources et la demande en eau.
Giupponi (2007) a développé un DSS pour la GIRE pour aider le décideur dans l’allocation de l'eau
entre les différents secteurs. Khare et al. (2007) ont proposé un modèle d'optimisation économique
simple pour explorer l'utilisation conjonctive potentielle des ressources de surface et souterraines.
Ioris et al. (2008) ont proposé la formulation et l'application d'un cadre d’indicateurs de GRE à
l’échelle du bassin versant visant à intégrer les aspects environnementaux, économiques et sociaux
de la durabilité. Van Cauwenbergh et al. (2008) ont développé un DSS pour classer les différentes
alternatives de planification et de gestion durables en fonction de leurs performances socio-
économiques et environnementales dans la satisfaction de la demande en eau, prix, efficacité
technique et économique et les impacts sociaux et environnementaux.
Liu et al. (2010) ont abordé la GIRE en utilisant une approche fondée sur l'optimisation.
Sedki et Ouazar (2011) ont exploré les calendriers de pompage optimaux qui répondent aux
demandes en eau actuelles et futures tout en minimisant le risque d'impacts négatifs et
environnementaux. Gaivoronski et al. (2011) ont abordé la problématique de la gestion de l'eau et
ont obtenus une politique de décision robuste.
Coelho et al. (2012) ont présenté un outil DSS pour la régionalisation à l'appui de la GIRE au moyen
d’un Système d'information géographique (SIG) et un algorithme de classification de
programmation dynamique modifiée. Il offre la possibilité pour les décideurs d’inclure les aspects
socio-économiques, politiques et environnementaux dans l'analyse.
Zhang et al. (2012) ont proposé un modèle de décision/négociation multi-partie et multi-objectif sur
la base du « principe de satisfaction » pour la prise de décision dans les systèmes de transfert d’eau
entre les bassins.
Carmona et al. (2013) ont proposé une approche de modélisation participative, appliquée en deux
sites, pour appuyer la prise de décision en gestion de l’eau et l’agriculture. Les acteurs étaient
largement satisfaits de la possibilité de participer à la construction du modèle et des sorties
numériques des scénarios.
Lorz et al. (2013) ont adopté un outil d’aide à la planification pour montrer l’effet du changement
de l’utilisation du sol sur les fonctions et les processus du milieu. Ce choix a permis de produire des
résultats spatialisés explicites et permet aux utilisateurs non experts à participer à la planification
de l’utilisation du sol.
40
35
Nombre d epublications
30
25
20
15
10
5
0
1985
1986
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
Année
Figure 1. Evolution du nombre de publications sur les DSS et la GRE (SCOPUS) entre 1985 et
2014.
Le graphique de la figure 1 exprime l’augmentation de l’intérêt aux DSS dans la GRE au milieu des
années 90, puis une tendance vers l’évolution depuis le début des années 2000. La distribution des
publications selon les revues est donnée à la figure 2.
Figure 2. Distribution des publications en matière de DSS et de GRE par revue scientifique
(SCOPUS) entre 1985 et 2014.
Le dernier graphique montre bien que les deux revues « Water Resources Management » et
« Environmental Modelling and Software » ont le plus publiés dans ce domaine avec 24 et 16
articles, respectivement.
Les principaux objectifs pris en considération par les DSS développés dans le cadre des travaux cités
ci-dessus sont de trois types. Il est formulé essentiellement des objectifs se rapportant à l’utilisateur
de l’eau (potable ou irrigation), des objectifs économiques, qui peuvent être soit la minimisation
des charges de mobilisation, du transport et de la distribution ou la maximisation du bénéfice due
à l’utilisation de l’eau. Il est aussi considéré des objectifs environnementaux. Il s’agit essentiellement
de la minimisation des impacts négatifs des utilisations de l’eau sur les aquifères (rabattement,
intrusion marine), la pollution des ressources (de surface et souterraines) et les bassins versants.
Des objectifs composites ont été aussi proposés par certains chercheurs. Le tableau 1 résume les
objectifs et les méthodes de résolution utilisées :
Parmi les objectifs économiques de la GRE, la maximisation du bénéfice net de la consommation est
proposée par Cai (2007), Khare et al. (2007), Li et al. (2007), Moradi-Jalal et al. (2007) et Prato et
Herath (2007). Cet objectif implique la formulation d’une production agricole ou un service rendu
par l’utilisation de l’eau. La minimisation des coûts de l'eau et de son utilisation ont été considérés
dans les problèmes d’optimisation formulés par Dvarioniene et Stasiskiene (2007) et Nouiri (2014).
Liu et al. (2010) ont fixé comme objectifs la minimisation des coûts d'investissement et
d'exploitation.
Les aspects socio-économiques et environnementaux ont été pris en considération dans les travaux
de Prato et Herath (2007), Van Cauwenbergh et al. (2008), Ayvaz (2009) et Sedki et Ouazar (2011).
Gaivoronski et al. (2011) ont utilisé une fonction objectif couplée « coût-risque » pour minimiser le
risque de mauvaises décisions de gestion. Minimiser les coûts d'investissement des mesures
d'atténuation des inondations et les dommages potentiels des crues étaient les objectifs pris en
compte dans Yazdi et Salehi Neyshabouri (2012).
L’aspect qualité a été pris en considération dans les travaux de Sedki and Ouazar (2011) et Nouiri
(2014). Il s’agit généralement de la salinité vu son importance pour l’eau potable et son effet sur les
rendements des cultures en irrigation. En plus, ce facteur menace la viabilité des systèmes
hydrogéologiques qui est la conséquence du pompage excessif (Gholami et al., 2010), le recyclage
des sels par l'irrigation, les processus d’interactions « eau-roches » (Mongelli et al., 2013) ou
intrusion d'eau salée pour les aquifères côtiers (Singh, 2014).
Afin de résoudre les problèmes formulés, les auteurs ont utilisé des méthodes d'optimisation
mathématique, comme la programmation linéaire (Cai, 2007 ; Khare et al., 2007; Moradi-Jalal et al.,
2007), la programmation entière stochastique (Li et al., 2007), la programmation dynamique
(Letcher et al., 2007) et la programmation linéaire entière en nombres mixte (Liu et al., 2011).
Ayvaz (2009) a utilisé un algorithme de recherche de l’harmonie (Harmony Search) pour résoudre le
problème de la gestion des eaux souterraines. Cette technique relève des algorithmes
évolutionnaires.
Sedki et Ouazar (2011) et Yazdi et Salehi Neyshabouri (2012) ont utilisé des algorithmes génétiques
(GA) pour résoudre les problèmes d’optimisation formulés. Afin d'obtenir une décision multi partie
idéale, la négociation a été décomposée en deux étapes par Zhang et al. (2012), puis des alternatives
de décision ont été choisies en utilisant la méthode de reconnaissance des formes floues.
Un algorithme génétique multi-objectif (MOGA) et le concept d'optimalité PARETO ont été utilisés
pour résoudre le problème formulé par Nouiri (2014).
Face à tels problèmes complexes de la GRE et dans l’objectif de simplifier les résolutions des
problèmes formulés, la somme pondérée des fonctions objectifs est généralement utilisée pour
transformer les problèmes multi-objectif en des problèmes mono-objectif. Cette approche pose le
problème de comparer les importances et du choix des valeurs subjectives de poids de pondération
des fonctions objectifs, selon les priorités de gestion et selon le point de vue du gestionnaire ou du
décideur.
Il est à constater qu’en plus de l’objectif de satisfaction de la demande en eau, les aspects socio-
économiques de la GRE sont de plus en plus considérés. Des prospections des relations entre les
usages de l’eau et les rendements des cultures, les services rendus et les lois des marchés seront
nécessaires pour maîtriser cette composante de la GRE. Des interfaces entre les modèles
hydrologiques, agronomiques et économiques seraient nécessaires pour garantir la meilleure
modélisation du système de production.
Les exigences en termes de salinités sont parfois considérées comme objectifs principaux de la
gestion ou exprimées comme des contraintes essentielles dans les problèmes d’optimisation
formulés.
Les dimensions environnementales de la GRE ne peuvent plus être négligées pour la durabilité de
tout système naturel. Les objectifs relatifs aux rabattements des aquifères et à la pollution de l’eau
sont les plus considérés.
Les AG sont utilisés par nombreux chercheurs comme méthodes de résolution des problèmes
d’optimisation de la GRE. Les conclusions de travaux antérieurs soulignent que les AG sont plus
efficaces que les techniques classiques d'optimisation (Vasan et Raju, 2008 ; Singh, 2014) et
fournissent une approche adéquate, efficace et robuste pour chercher des solutions rationnelles
(Chang, 2008).
En plus des efforts déployés par la communauté scientifique pour développer des modèles, des
méthodologies et des outils d’aide à la prise de décision, des firmes internationales exploitent les
résultats des recherches et développent des logiciels qui offrent une gamme de modèles et de
générateurs de scénarios pour aider à la prise de décision. Le paragraphe suivant est une
introduction des principaux logiciels considérés comme des DSS pour la GRE.
Le modèle BASSINS (Better Assessment Science integrating point and Non point Sources), développé
par l’Agence Américaine de protection de l’environnement (U.S-Environmental Protection Agency),
effectue des études de la qualité de l'eau et l’écologique à l'échelle des bassins versants. Il fournit
une plateforme de modélisation intégrée pour examiner les alternatives de gestion des sources
d’eau sur le plan environnemental. Parmi ses modèles, il est possible de citer « PLOAD » pour gérer
la pollution, « SWAT » (Soil and Water Assessment Tool) pour l’évaluation du sol et l’eau,
« WinHSPF » (Windows Hydrological Simulation Program-Fortran) pour les calculs hydrologiques et
« QUAL2 » pour la modélisation de la qualité dans les cours d’eau. La limitation de BASSINS est
relative à l’élaboration des scénarios de gestion.
IQQM (Integrated Quality and Quantity Model) est développé par le « New South Wales Department
of Land & Water Conservation » avec la collaboration de « Queensland Department of Natural
Resources (QDNR) ». C’est un outil de modélisation hydrologique visant à simuler des systèmes
fluviaux et de soutenir la planification et l'évaluation des impacts des options de gestion des
ressources en eau, la surveillance et la protection de l'environnement. Ses composants sont des
modèles des systèmes de rivières, pluie-débit, climat, outil graphique des sorties, outil statistique
et un outil de récupération des données. La limitation principale de l’outil est l’absence de
fonctionnalité SIG.
RIBASIM (RIver BAsin SIMulation), développé par « Delft Hydraulics » en Hollande, est un ensemble
de modèle pour la planification et la gestion des ressources en eau au niveau du bassin versant
comme il effectue des simulations de l’allocation de l'eau. L’absence de fonctionnalités SIG constitue
la limitation du logiciel.
WEAP (Water Evaluation And Planning System), est développé par « Stockholm Environment
Institute's Boston Center at the Tellus Institute, USA ». C’est un outil de planification des ressources
en eau. L'outil évalue une gamme complète d'options de développement de l'eau et de gestion, et
Devant les complexités des processus naturels, des fonctionnements des infrastructures et du
contexte socio-économique, il est nécessaire pour un gestionnaire ou un planificateur des
ressources en eau de se doter de l’outil le plus efficient. Face à la large gamme de logiciels
disponibles et de méthodologies et utilitaires proposés par la communauté scientifique, le choix
d’un DSS s’avère difficile. C’est pour cette raison qu’une comparaison entre les outils les plus utilisés
(liste restreinte) est nécessaire. En plus des fonctionnalités minimales exigées, la comparaison des
outils, informatique ou non, est généralement faite sur la base de l’accessibilité à l’outil, le coût de
son acquisition, son exigence en données et la facilité de son utilisation.
Parmi les logiciels présentés dans les paragraphes précédents, il est utile de souligner que MIKE
BASIN et AQUATOOL ne considèrent pas les aspects socio-économiques de la GRE. BASSINS, n’offre
pas la fonctionnalité d’élaborer des scénarios et IQQM ne permet pas d’intégrer la modélisation des
aquifères. Ces quatre logiciels peuvent être considéré non satisfaisants en termes de
fonctionnalités. Ajoutons que MIKE BASIN, AQUATOOL et RIBASIM sont payants.
Le logiciel gratuit qui offre une large gamme de fonctionnalités et de calculs hydrologiques, qui
modélise les aspects socio-économiques et qui permet un interfaçage avec un outil de modélisation
des aquifères est WEAP. Il est soumis à l’octroi d’une licence gratuite de la part de l’éditeur (SEI),
renouvelable annuellement, pour les pays en voie de développement.
Il est aussi important de signaler que cet outil offre des possibilités de communication avec d’autres
logiciels et langages de programmation (tel que VBA), à travers son interface de programmation
automatique (Automated Programming Interface (API)).
A l’issue de cette analyse de la situation des DSS disponibles, il est choisi d’adopter le logiciel WEAP
pour essayer de développer des outils d’aide à la décision pour la GRE. Il sera détaillé dans la partie
méthodologie l’approche de WEAP et des cas d’études seront exposés dans la partie présentation
des résultats de ce document.
2.5 Conclusions
La synthèse bibliographe montre qu’il existe un besoin en outils d’aide à la décision. Ce besoin s’est
converti en des efforts de développements d’outils (par les scientifiques) et de logiciels (par les
organisations et les firmes de développement privés). Deux catégories de DSS sont à retenir. La
première est formée par ceux assurant la modélisation des systèmes hydrogéologiques et leurs
Les travaux de recherche sur l’optimisation de la GRE orientent vers la prise en compte des objectifs
de la satisfaction de la demande, en termes de quantité et de qualité, économique (coût de l’eau et
rentabilité) et environnementaux (rabattement des aquifères et pollution). La prise en compte des
contraintes du système est aussi une condition pour pouvoir dériver les meilleures solutions aux
problèmes de la GRE. Il s’agit ainsi d’un problème d’optimisation multi-objectif et soumis à plusieurs
contraintes. La résolution de tels problèmes complexes, du fait du nombre d’objectifs et des
contraintes, de la complexité du système physique (nombre de sources, demandes et liaison de
transmission d’eau) et du nombre de pas de temps de simulation, nécessite une technique
d’optimisation efficiente et robuste. L’examen des travaux scientifiques publiés montre bien que les
AG sont les plus utilisés et ont donné satisfaction.
Dans le cadre de cette recherche, il est opté pour le choix du logiciel WEAP et le développement
d’applications d’optimisation interfacées avec celui-ci grâce aux possibilités de programmation qu’il
offre. Ce choix permet de tirer profit des fonctionnalités de modélisation existantes et d’approfondir
la recherche par le développement d’approches d’optimisation de la GRE. Il s’agit ici de formuler un
problème d’optimisation de la GRE et de concevoir un algorithme de résolution. La figure suivante
résume l’idée proposée par cette recherche pour le développement d’un DSS pour la GORE :
En vue de construire un DSS pour la GORE, nous proposons une mise en relation dynamique entre
les outils existants et une application d’optimisation développée dans le cadre de cette recherche
(Figure 4).
Le logiciel WEAP sera utilisé pour modéliser les processus hydrologiques naturels ainsi que les
infrastructures de mobilisation et de transport de l’eau entre les sources et les demandes ainsi
qu’entre les demandes et les exutoires des eaux usées. La méthodologie de modélisation par WEAP
sera détaillée dans le paragraphe (3.3).
En cas de besoin, lorsqu’un aquifère est étudié, un lien dynamique peut être établi entre WEAP et
le logiciel de modélisation des écoulements hydrodynamiques MODFLOW. Ce lien peut être établi
à travers un fichier de liaison de type vecteur (*.shp). Le DSS WEAP-MODFLOW (Droubi et al, 2008;
Maßmann et al., 2012) est basé sur le lien entre les nœuds du projet WEAP et les cellules du modèle
MODFLOW. La figure 5 schématise la liaison entre WEAP et MODFLOW. Dans ces conditions et pour
A travers son API, il est possible d’interroger WEAP pour lire toutes les données relatives aux sites
de demande, sources d’eau et liaisons de transmission. Il est également possible d’accéder aux
fichiers de données des modèles MODFLOW pour extraire leurs structures. La lecture de la base de
données du fichier de liaison (*.dbf) permet de se renseigner sur les relations entre les nœuds du
projet WEAP et les cellules du modèle MODFLOW. Toutes ces informations permettent de
comprendre le schéma conceptuel du projet et d’optimiser la gestion du système. C’est à
l’utilisateur du DSS de choisir les objectifs, les contraintes, les conditions initiales et aux limites ainsi
que les paramètres de fonctionnement de l’algorithme d’optimisation.
Les résultats de l’optimisation seront exploités par le DSS comme des scénarios de gestion qui
peuvent être simulés par WEAP-MODFLOW pour évaluer leurs performances par rapport à d’autres
scénarios qui peuvent être proposés par les acteurs de la GRE.
Pour modéliser la gestion des ressources en eau dans une zone de planification et/ou de gestion par
WEAP, trois étapes sont indispensables. La première est la préparation d’une base des données du
système naturel, des aménagements et des aspects socio-économiques. La deuxième étape étant
La figure 6 détaille les types de données nécessaires durant la première étape de la modélisation
des ressources en eau par WEAP.
Les données climatiques nécessaires pour une modélisation par WEAP sont essentiellement les
précipitations, les températures minimales et maximales, l’humidité de l’air et la vitesse du vent.
Elles doivent être organisées sous forme de fichiers à séparateur point-virgule (*.csv) selon le pas
de temps de simulation. Vu que les données climatiques sont enregistrées en des points particuliers,
qui ne représentent pas nécessairement toute la zone de l’étude, il est fait appel à des études
hydrologiques et à la spatialisation de l’information. Les données climatiques des stations
météorologiques principales (Températures, Humidité de l’air et la vitesse du vent) sont utilisées
pour l’estimation des évapotranspirations aux niveaux des bassins versants transfrontaliers Tuniso-
Algériens.
Les cartes sont utilisées dans les projets WEAP uniquement comme fonds de plan de schématisation
des systèmes physiques. Les cartes les plus utiles sont celles des réseaux hydrographiques, des
bassins versants, les images satellites, les cartes d’occupation des sols et les cartes des découpages
administratifs et des villes.
Les données relatives aux sources d’eau portent essentiellement sur les capacités de stockage et
leurs limites, les courbes hauteurs-volumes (barrages), les qualités des eaux, les coûts de gestion et
les conditions initiales. Il est aussi nécessaire de disposer de modèle MODFLOW de l’aquifère s’il est
concerné par l’étude.
Dans le cadre de cette recherche, il est testé et validé l’utilisation des réseaux de neurones artificiels
(RNA) pour l’estimation des besoins en eau potable pour les grands centres urbains. Pour les
demandes agricoles, il est utilisé une approche de mesure des paramètres du bilan et les évolutions
des humidités aux zones racinaires des cultures étudiées (essentiellement les céréales et les
palmiers dattier). Il est fait recours dans certains travaux aux enquêtes auprès des consommateurs
d’eau pour interpréter les résultats des mesures (Nouiri et al., 2015)
Les liaisons sont caractérisées dans les modèles WEAP par leurs capacités de transit de l’eau et les
coûts afférents. Les taux de pertes d’eau sont aussi importants à connaître pour se rapprocher de la
réalité des systèmes physiques.
Les données socio-économiques nécessaires à la modélisation par WEAP sont surtout les taux
d’évolution des populations, les marges de bénéfices des utilisations des eaux, les prix des ventes
des produits agricoles, etc…
Dans le modèle conceptuel général proposé (Figure 7), les sources sont représentées par des
rectangles avec des index « se ». Les sites de la demande « D » sont représentés par des cercles avec
l'indice « d ». Les connexions entre les nœuds du modèle (sources et sites de demande) sont
assurées par des liaisons de transfert et d'approvisionnement représentées dans le diagramme de
la figure 7 en traits pointillés et continus, respectivement.
On peut supposer que dans n’importe quelle zone de gestion, plusieurs sources avec des capacités
de stockage et des salinités différentes peuvent être utilisées pour satisfaire les besoins en eau
(quantités et salinité) des sites de demande. Pour les sources d'eau souterraine, la capacité de
stockage correspond au volume d'eau maximum que l'aquifère peut contenir. Pour l'eau de surface
(réservoirs), la capacité de stockage est le volume d'eau maximal qui peut être stockée. Cette
capacité est généralement définie par la topographie et le niveau du déversoir ainsi que par un
volume de sécurité pour le contrôle des inondations.
Dans cette recherche, le transfert de l'eau entre les sources est considéré possible. Chaque lien de
transfert de la source « j » à la source « se » a une capacité de transfert maximum de "FmaxS(j,se)"
(lignes pointillées). Ce paramètre est défini par les caractéristiques physiques du tuyau et/ou les
canaux utilisés (géométrie, rugosité, longueur), la topographie (élévations des nœuds du système
hydraulique) ainsi que les caractéristiques des stations de pompage et de surpression. Aussi, le
pompage définit le coût unitaire de transfert de l'eau : « CUS (j, se)» entre les sources.
On a également supposé que chacun des sites de demande doit être alimenté par au moins une
source d'eau à travers une liaison de distribution (lignes continues) qui pourraient être un tuyau ou
un canal naturel ou artificiel. Comme pour le transfert, chacune des liaisons d'alimentation de la
source « se » au site « d » doit être caractérisée par sa capacité d'alimentation maximale
« FmaxD(se, d) » et son coût unitaire: « CUD (se, d)». Le schéma de connectivité suivant (Figure 7)
représente le modèle conceptuel général proposé :
I(j,t) I(se+1,t)
D(d)
FmaxD(j, d) FmaxD(se+1, d)
FmaxD(se, d)
S(j) S(se+1)
I(se, t)
Pour modéliser chaque source d'eau « se », les capacités de stockage maximale et minimale doivent
être connues, respectivement « Vmax (se) » et «Vmin (se)». Afin de calculer la balance de l'eau pour
chaque source, les apports d’eau de l’extérieur de la zone de planification « I(se, sext,t) » et la perte
de l'eau « L(se, t) » sont nécessaires. La salinité de l'eau fournie aux sources « se » depuis une source
externe « sext » en fonction du temps : « Qapp (se, sext, t) » et le coût unitaire du transfert de « ext »
à « se »: « CUI (se, sext) » sont nécessaires pour calculer la salinité et le coût unitaire de l'eau
mélangée dans les sources « se ». Les conditions initiales aux sources doivent être spécifiées afin de
commencer la modélisation du système, en particulier, le volume initial disponible « Vini (se) » et sa
salinité « Qini (se) » pour chaque source « se ».
Pour les sites de demande « D », il est nécessaire de déterminer le volume d'eau requis « D(d,t) » et
la salinité maximale acceptable « Qty (d, t) » à chaque pas de temps à l'intérieur de la période de
gestion.
Dans l’objectif de développer des outils qui peuvent interagir avec la plateforme de modélisation
WEAP-MODFLOW, la gestion des eaux souterraines a été formulée dans cette recherche comme un
problème multi-objectif à contraintes. Quatre fonctions objectives principales ont été prises en
considération : (i) la satisfaction de la demande (fDS), (ii) La minimisation du rabattement (fDD), (iii)
la réduction des coûts (fC) et (iv) la satisfaction de l’exigence des sites de demande en salinité (fQ). Il
convient de souligner que, pour les utilisateurs d'eau, les principaux objectifs sont de satisfaire la
demande et les exigences en salinité. Réduire les coûts et minimiser les prélèvements sont les
principaux objectifs où le gestionnaire des ressources en eau est concerné. Les capacités (débits)
des liaisons de transmission, les pompages maximaux et les volumes des sources d’eau constituent
les contraintes de fonctionnement du système hydraulique.
La première fonction objectif est utilisée pour évaluer la performance d’une solution en matière de
satisfaction des besoins en eau des sites de demande « d » à tout pas de temps « t » de la période
d'optimisation. Pour une solution « s », cet objectif peut être exprimé par la minimisation de la
valeur maximale de la fonction de non satisfaction de la demande « fDS » présentée dans l'équation
1:
NSEmax
f DS ( s) = Max ∑ FD( se, d , t ) − D(d , t )) / D(d , t ) d=1,…, NDmax et t =Tstart,…, Tend (1)
se=1
Où « FD (se, d, t) » est l'eau fournie par la source d'eau « se » au site de demande « d » au pas de
temps « t » ; « NSEmax » est le nombre de sources dans la zone de planification ; « NDmax » est le
nombre de sites de demande ; « Tstart » et « Tend » sont respectivement le premier et le dernier pas
de temps de la période d’optimisation.
La meilleure valeur de « fDS (s) » est égale à zéro, ce qui représente la situation où tous les sites de
demande sont satisfaits à chaque pas de temps. Si « fDS (s) » est différente de zéro, cela signifie
qu'un ou plusieurs sites de demande ont reçu plus ou moins d'eau que nécessaire dans certains pas
de temps. Afin de considérer la faisabilité de chaque solution évaluée, il est considéré que la
Dans le cas de l’exploitation d’un aquifère, une solution « s » qui tente de satisfaire les demandes,
nécessite le prélèvement d'eau de cet aquifère et générera obligatoirement un rabattement du
niveau piézométrique. Pour estimer l'impact de la satisfaction de la demande en eau sur l'aquifère,
une fonction objectif de réduction des rabattements « fDD » a été formulée comme présenté par
l'équation 3. Elle évalue le rabattement relatif et la violation du pompage maximal acceptable
« VMaxDD(w) » de la charge hydraulique au niveau de chacun des forages actifs « w » le long de la
période d’optimisation :
DWDW ( w, t ) × VMaxDD ( w)
f DD ( s ) = Max ( ) w = 1, …, Naw et t =Tstart,…, Tend (3)
( Hi ( w) − BOTM ( w)) × I ( w)
Où « DWDW (w, t) » est le prélèvement d'eau dans le forage « w » au pas de temps « t »; « VMaxDD
(w) » est la violation maximale du rabattement acceptable observé dans le puits « w »; « Hi (w) »
est la charge hydraulique initiale de « w »; « BOTM (w) » est le fond du forage « w »; «I(w) » est
l'importance de « w » et « Naw » est le nombre de forages actifs.
La violation maximale du rabattement acceptable (équation (4)) est un terme de pénalité qui
multiplie la fonction objectif de réduction des rabattements. Lorsqu’il y’a une violation du
rabattement maximale acceptable, ce terme a une valeur supérieure à 1 et donc la fonction objectif
est augmentée. Dans le cas contraire, sa valeur est égale à 1 et la fonction objectif n’est pas
modifiée :
DWDW ( w, t )
VMaxDD( w) = Max( , 1) w= 1, …, Naw et t =Tstart,…, Tend (4)
DDmax ( w)
Le terme «I(w) » indique l'importance du forage « w » par rapport aux autres. Les forages
importants où les rabattements doivent être minimisés plus que d'autres auront un paramètre
d'importance égale à 1. Les forages de moindre importance auront des valeurs supérieures à 1.
Pour garantir qu'une solution optimale respecte le débit de pompage autorisé légalement et
techniquement, il est imposé dans la formulation du problème une contrainte de pompage maximal
des forages « w » par l'équation (5) :
Q( w, t ) ≤ Qmax ( w)
(5)
Où « Q (w, t) » est le pompage à partir du forage « w » au pas de temps «t» et « Qmax (w) » est le
débit de pompage maximal autorisé à partir du même forage.
∑ ( ∑ ∑F
t =Tstart se=1 d =1
D ( se, d , t )) × (Tend − Tstart )
Même si une solution est en mesure de minimiser les trois premières fonctions objectives, elle ne
peut être applicable que si les salinités des eaux fournies sont acceptables par les consommateurs.
Pour considérer l'aspect de la salinité dans la formulation du problème, une fonction objectif est
proposée pour évaluer la satisfaction de l’exigence en salinité d'eau d'une solution « s », calculée
par l'équation (7).
Qty ( d , t ) − Qa ( d , t )
f Q ( s ) = Max ( ,0 ) d=1,…, NDmax et t =Tstart,…, Tend (7)
Qa ( d , t )
Où «Qty (d, t) » est la salinité de l'eau fournie au site de demande « d » au pas de temps « t »; « Qa
(d, t) » est la salinité de l'eau acceptable en « d » à « t ».
La satisfaction de la salinité peut être atteinte en minimisant la fonction « fQ (s) » autant que
possible, voire jusqu'à zéro. Dans ce cas, la salinité maximale acceptable est la valeur la plus élevée
assurée dans les sites de la demande. Si le résultat est positif, il y a au moins un site de demande
qui reçoit une eau avec une salinité supérieure à la valeur maximale acceptable.
La salinité de l’eau fournie à un site de demande « d » au pas de temps « t » est calculée par
l’équation (8).
NSEmax
∑F D ( se, d , t ) × Q( se, t )
Qty ( d , t ) = se =1
NSEmax
∀ d et ∀ t (8)
∑F
se =1
D ( se, d , t )
Où « Q(sext, t) » est la salinité de l’eau provenant d’une source externe à la zone d’étude « sext »
au pas de temps « t » ; « ∆t » est le pas de temps de simulation.
Le calcul des volumes d’eau « V(se, t) » dans les sources de surface « se » pour chaque pas de temps
« t » est assuré par l’équation (10) :
Nsext(se) NSEmax NSEmax NDmax
V(se,t) = V(se,t − ∆t) + ∑
sext=1
I (se, sext,t − ∆t) + ∑ FS ( j, se,t − ∆t) −
j=1
∑FS (se, j,t − ∆t) − L(se,t − ∆t) − ∑FD (se, d,t − ∆t)
j=1 d =1
(10)
Les valeurs maximales et minimales des volumes de stockage d'eau dans les sources « se »
constituent des contraintes hydrauliques, exprimées par l'équation (11) :
Vmin (se) ≤ V (se, t ) ≤ Vmax (se) ∀ se and ∀ t (11)
Les capacités maximales des liaisons de transmission entre les sources “se” et “j” sont d’autres
contraintes hydrauliques du problème d’optimisation. Ces limitations sont exprimées par l’équation
(12).
A l’origine des temps de la simulation (T=0), les sources d’eau sont caractérisées par leurs conditions
initiales de volumes d’eau disponible et de salinité, exprimées par les équations (13) et (14).
V ( se,0) = Vini ( se) ∀ se (13)
Q( se,0) = Qini ( se) ∀ se (14)
Où « V(se, 0) » est le volume d’eau dans la source « se » à « t=0 » et « Q(se, 0) » la salinité de l’eau
de la source « se » à « t=0 ».
Il est important de noter les conflits entre les quatre fonctions objectifs proposées. La demande en
eau ne peut pas être satisfaite sans rabattement du niveau de l'aquifère et sans coût de production
et de distribution. En outre, des sources avec de faibles coûts de pompage sont généralement
caractérisées par une forte salinité. Par conséquent, l'eau prélevée à partir de plusieurs sources doit
être mélangée pour trouver un compromis entre les quatre objectifs proposés et atteindre l’objectif
global de la GRE. Ainsi, la principale question posée par les gestionnaires et les planificateurs sera :
« Combien d’eau faut-il prendre de chaque source pour optimiser la gestion du système ? ».
Objectifs
NSE max
f DS ( s ) = Max ∑ FD ( se , d , t ) − D ( d , t )) / D ( d , t )
se =1
∑ ( ∑ ∑F
t =Tstart se=1 d =1
D (se, d , t )) × (Tend − Tstart )
Qty (d , t ) − Qa ( d , t )
f Q ( s ) = Max ( , 0) Avec:
Qa ( d , t )
NSEmax
∑F D ( se, d , t ) × Q(se, t )
Qty(d , t ) = se =1
NSEmax
∀ d et ∀ t
∑ FD (se, d , t )
se =1
NSEmax Nsext( se)
V (se, t − ∆t) × Q(se, t − ∆t ) + ∑F ( j, se, t − ∆t) × Q( j, t − ∆t) + ∑I (se, sext,t − ∆t) × Q(sext,t)
j =1
S
sext=1
Q(se, t) = NSEmax Nsext( se)
V (se, t − ∆t) + ∑F ( j, se,t − ∆t) + ∑I (se, sext, t − ∆t)
j =1
s
sext=1
Contraintes
FD ( se, d , t ) ≤ Fmax D ( se, d ) ∀ se, ∀ d and ∀ t
FS ( se , j , t ) ≤ Fmax S ( se , j ) ∀ se, ∀ j and ∀ t
Q( w, t ) ≤ Qmax ( w)
Vmin ( se) ≤ V ( se, t ) ≤ Vmax ( se) ∀ se and ∀ t
Conditions initiales
V ( se,0) = Vini ( se) ∀ se
Q( se,0) = Qini ( se) ∀ se
Les AGMO présentent le même schéma de base que les AG mono-objectifs (Back et al., 2000 ; Nouiri,
2007) : codage des variables, Sélection, Croisement et Mutation. Cependant, la stratégie d'évolution
et les comparaisons des solutions sont différentes. La synthèse de nombreuses études comparatives
sur les AGMO (Lis et Eiben, 1986 ; Zitzler et Thiele, 1998 ; Knowles et Corne, 1999 ; Esquivel et al.,
1999 ; Deb et al., 2000 ; Leiva et al, 2000) a montré que l’Algorithme Génétique multi-sexuels
élitistes (MSGA) se caractérisent par le faible nombre de paramètre et une bonne répartition des
solutions optimales sur le front de Pareto. Par conséquent, ce genre d’AGMO a été choisi pour
résoudre le problème formulé. L'organigramme de la figure 8 décrit les principales étapes de calcul
d'un AGMO.
Dans la première étape, l’AGMO crée au hasard une population initiale de solutions « s » de taille
« TPOP ». Le MSGA attribue au hasard un sexe à chaque solution créée aléatoirement. Le nombre de
sexes est égal au nombre d'objectifs.
En deuxième étape, les solutions « s » sont évaluées par des fonctions d’adaptation appelées
« Fitness ». Dans le cadre de cette recherche, il est procédé par étape lors du développement des
outils d’optimisation. Dans la première, il est considéré uniquement l’objectif de satisfaction de la
demande et celui de minimisation du coût moyen de l’eau, ainsi que les pénalités de violation des
contraintes, lors de la formulation des fonctions de « fitness » (Nouiri, 2014).
Après les résultats satisfaisants de la première étape, il est développé l’outil d’optimisation qui
considère tous les objectifs et les contraintes du modèle d’optimisation global ci-dessus détaillé.
Ainsi, les fonctions de fitness « FDS-DD (s) » (Eq. 15) et «FC-Q (s) » (Eq. 12) sont calculées comme les
sommes pondérées des fonctions objectives « fDS (s)», «fDD (s)», «fC (s)» et «fQ (s)» et les pénalités
associées.
Le choix de combiner deux fonctions objectives en une seule fonction de fitness est fait pour garder
seulement deux dimensions dans l'optimisation. Cela maintient l'approche multi-objective et
permet d'afficher les solutions non dominées dans un graphe 2-D, qui est plus facile à utiliser que
les dimensions 3-D ou plus lors de la sélection de la solution à appliquer.
Les fonctions objectives de réduction des coûts et de satisfaction des exigences en salinité sont
également contradictoires dans la plupart des cas. L'eau de meilleure qualité est généralement dans
des aquifères profonds ou dans des forages éloignés des sites de demande. Plus d'énergie de
pompage est nécessaire pour l’utilisation de ces ressources et donc des coûts plus élevés. La somme
pondérée de ces deux objectifs, tel que présenté dans l'équation (17), constitue la deuxième
fonction d’adaptation combinée :
p3 × f C ( s ) + p 4 × f Q ( s )
FC −Q (s) = (17)
p3 + p 4
Où « p3 » et « p4 » sont respectivement les poids des objectifs de réduction des coûts et de
satisfaction des exigences en salinité.
La troisième étape consiste à identifier des solutions non-dominées par le concept d'optimalité de
Pareto (Goldberg, 1991). Pour un problème de minimisation de « i » objectifs, une solution «x»
domine une solution « y » dans la zone de recherche « E » si et seulement si « fi (x) » est inférieur
ou égal à « fi (y) » pour tous les objectifs « i » et il existe au moins un objectif « i » tel que « fi (x) »
est inférieur à « fi (y) ». Si une solution n’est pas dominée par aucune autre solution, elle est appelée
«non-dominée ». L'ensemble des solutions non dominées de « E » forme le front de Pareto. Dans
notre algorithme, l’ensemble des solutions non dominées identifiées est appelé « Archive » de taille
« Tarch ».
L'évolution constitue la quatrième étape dans l’AGMO: Une nouvelle population est créée en
utilisant les solutions de la population précédente et les opérateurs génétiques: i) L'élitisme: Un
pourcentage « Pe » des solutions de la nouvelle population sont copiés à partir de l'archive des
solutions non dominées; ii) Sélection: Deux solutions sont choisies parmi la population précédente,
en fonction de leurs fonctions d'adaptation, pour participer au croisement; iii) Croisement: les
solutions sélectionnées participent à un croisement arithmétique pour produire deux nouvelles
solutions, avec une probabilité de croisement « Pc » égale à « 1- Pe »; iv) Mutation: Certains "bits"
parmi les solutions créées peuvent être modifiées de façon aléatoire, dans l'espace de recherche,
avec une probabilité de mutation « Pm ».
Par conséquent, une nouvelle population est créée, les solutions sont évaluées comme dans la
deuxième étape. Les solutions non dominées doivent être identifiées comme dans l'étape (3) et
insérées dans l'archive. Le concept d'optimalité de Pareto sera utilisé de nouveau pour mettre à jour
l'archive de solutions non-dominées. Si l’« Archive » n’est pas remplie de solutions non-dominées,
Evaluation
Population « i+1 »
Non
Stop
Oui
Fin
La méthodologie proposée au chapitre précédent est mise en application sur des systèmes
hydrogéologiques Tunisiens et étrangers. Il s’agit d’une diversité de cas d’études pour évaluer les
performances des outils utilisés et la validité de leurs résultats. Ces cas d’études ont servi aussi à
calibrer les algorithmes développés et leur apporter des améliorations. La majorité des régions
Tunisiennes étaient touchées par cette activité de recherche, de l’extrême Nord (Medjerda)
jusqu’au zones arides (Médenine) et désertiques (Hézouan, Nefta), passant par le centre du pays
(Sidi Bouzid). L’image Google Earth de la figure 9 localise les zones d’études ciblées par cette
recherche.
Les données physiques des barrages et des liaisons hydrauliques (rivières, canaux et conduites), les
demandes en eau et les données de fonctionnements des barrages sont généralement classées sur
Ce travail est réalisé en partie dans le cadre de deux projets de fin d’études de l’INAT, soutenus en
2012 et 2013.
La pluviométrie dans cette région d’étude varie de 300 à 1100 mm/an. L’intérêt de cette étude vient
du fait que la Medjerda est à la fois un réservoir d’eau pour le Nord et les zones côtières du pays
mais aussi l’origine de catastrophes en cas d’inondation.
Sachant que la balance de l’eau au niveau des principaux barrages du Nord est calculée sur la base
d’enregistrements et des estimations de paramètres, il est fixé comme objectif de ce travail de
construire un DSS qui permet d’évaluer la dynamique journalière du système des barrages du bassin
de la Medjerda sous l’effet des précipitations et de la gestion. La période d’étude a concerné les
années de 2008 à 2013.
La problématique abordée par cette étude est l’estimation des apports d’eau de ruissellement
journaliers de l’Algérie vers la Tunisie, sous l’effet des précipitations. Ceci est argumenté par le
manque de données sur l’hydrologie, les infrastructures et sur les modes de gestions du côté
Algérien. Il est aussi visé un rapprochement des idées entre les acteurs des deux côtés de la frontière
et établir une collaboration en matière de gestion des ressources en eau.
Ce travail est réalisé en partie dans le cadre d’un projet de fin d’étude et d’un mémoire de mastère
de l’INAT, soutenus respectivement en 2013 et 2014.
La surface de l'aquifère est estimée à 1305 Km², partagée entre quatre principaux bassins versants
: « Oued Zigzaou », « Oued Zeuss », « Oued Oum Zessar » et « Oued Sidi Makhlouf ». La région
étudiée se caractérise par un climat aride. La pluviométrie moyenne annuelle est d'environ 180 mm,
avec une forte variabilité spatio-temporelle.
La nappe de Zeuss Koutine est la principale source d’eau conventionnelle qui alimente en eau
potable les villes du Sud-Est. Elle observe une forte chute de son niveau piézométrique et des
problèmes de salinisation commencent à gêner son usage pour l’eau potable. C’est pour ces raisons
que le dessalement de l’eau saumâtre s’est développé depuis le début des années 2000 et celui de
l’eau de mer entrera en utilisation dans quelques mois (2015-2016). Les coûts de production et de
transport de l’eau deviennent ainsi élevés et la nappe continue son épuisement.
L’objectif de ce travail est le développement d’un DSS qui intègre le contexte climatique, les aspects
socio-économiques et le comportement de l’aquifère et qui permet d’évaluer les impacts des
scénarios d’aménagement et de gestion prévisibles.
Ce travail est réalisé dans le cadre d’une thèse à l’INAT. Il est appuyé par un projet de collaboration
entre l’INAT, la GIZ, la BGR et l’ACSAD.
Figure 14. Images Google Earth du nord de la Tunisie (a) et de la station Ghédir El Golla (b)
L’eau brute provient du canal Medjerda Cap Bon, de la retenue El Mornaguia et celle de Ghédir El
Golla. Le gestionnaire gère les trois sources d’eau brute pour satisfaire une demande journalière en
eau potable. Selon l’historique de la distribution et des conditions climatiques, les gestionnaires des
réseaux d’eau potable prévoient leurs demandes en eau journalières et demandent de la station de
traitement de leur fournir leurs besoins. Ainsi, la production de la station de traitement doit être
ajustée pour fournir le volume demandé tout en minimisant les coûts de la production et en
respectant la salinité maximale acceptable par les consommateurs.
Ce travail est réalisé en collaboration entre l’INAT et la SONEDE. Il est conduit pour démontrer les
capacités des RNA et du modèle d’optimisation des ressources en eau développés dans cette
recherche.
Le canal de la Medjerda-Cap Bon « S1 » est considérée une source d'eau illimitée en raison de sa
capacité de stockage en amont. Pour cette raison, un grand volume hypothétique est adopté
Source d’eau Vmax (Mm3) Vmin (Mm3) Vini (Mm3) Qini (g.L-1)
S1 1000 1 1000 2.0
S2 15 5 15 1.0
S3 5 1 5 1.0
Vmax : volume maximal ; Vmin : volume minimal ; Vini : volume initial ; Qini : Salinité initiale
Les capacités maximales des transferts et d'approvisionnements et les coûts unitaires des liaisons
de transmission de l'eau entre les sources et le site de demande dues à la consommation de l'énergie
par le pompage sont résumés dans le tableau 3.
Il est supposé dans la présente étude que deux parties de l'aquifère présentent de bonnes qualités
d'eau, mais avec le coût le plus élevé, et deux parties avec de l'eau salée et de faibles coûts. Les
salinités de « gw_01 » et « gw_02 » sont supposées égales à 1,0 g.L-1 et leurs coûts d'exploitation
variables sont égaux 2 $.m-3. Pour « gw_03 » et « gw_04 », il est supposé les mêmes salinités de
2,00 g.L-1 et des coûts variables d’exploitation de 1 $.m-3.
Quatre liaisons de transmission (flèches vertes) sont utilisées pour alimenter le site de la demande
« Demand_01 » (point rouge) à partir des nœuds d'eau souterraine. Il est supposé qu'il n'y a pas de
limitation des capacités de transport ni des coûts lors de l'utilisation des liaisons de transmission.
Le site de la demande « Demand_01 » se caractérise par une population de 10 000 habitants, avec
une consommation d’eau annuelle par habitant de 50 m3 et une salinité maximale acceptable de
1,5 g.L-1. Il est supposé que le pompage dans chacun des puits sera le même à partir des trois
couches. Afin de protéger l'aquifère, il est considéré un rabattement maximale acceptable égale à
1 m par pas de temps (mois) pour les quatre puits. De plus, les puits seront considérés ayant la
même importance. Par conséquent, « I (w) » sera égal à 1 pour tous les puits « w ». La période
d'étude est de deux ans (2011-2012) avec un pas de temps mensuels.
L’objectif de cette étude est de tester les performances de l’outil développé pour l’optimisation de
la gestion des aquifères dans l’espace de travail WEAP-MODFLOW.
Dans cette partie, il est présenté un résumé des résultats des travaux de recherche menés dans
l’objectif de contribuer aux efforts visant l’amélioration de la gestion des ressources en eau. Dans la
section (4.3.1) les DSS développés en utilisant WEAP et MODFLOW ainsi que des exemples de
résultats utiles pour la GRE sont exposés. Dans la section (4.3.2), il est détaillé les résultats des
applications des AGMO développés sur un cas d’étude réel et sur un exemple hypothétique.
En deuxième lieu, il est organisé une base des données regroupant les propriétés des barrages
concernés par l’étude, les valeurs journalières des paramètres du bilan ainsi que les données des
consommations.
#
# #
# $ # #
#
# # # $
#
# #
$ # # $ #
$ # ( # #
$ # # #
#
# # # $
$ # # # $ # $ # #
$ # # # $
# $ # # $ #
$ # # #
# # # # # $
# $ #
# #
$ #
# #
#
( #
#
( # # ( # #$ # #
$ # #
#
#
# # # #
# $ # # #
# # #
#
#
#
#
# ( $ #
#
# $
$ #
$ # # #
# #
# #
# $ # #
( #
$
$
# #
# # #
#
# #
#
#
#
# #
# $ #
#
$ (
#
$
#
#
#
Figure 16. Schéma conceptuel du système de mobilisation des eaux du Nord de la Tunisie sous
WEAP.
Parmi les résultats qui peuvent être cités pour évaluer le modèle est sa capacité à dresser des bilans
d’eau au niveau de tous les objets du système. En effet, il était possible d’extraire les taux de non
satisfaction des demandes en eau introduites, les débits dans tous les liens hydrauliques, les
comportements des barrages (volume) ainsi que le bilan de tout le système (Figure 17).
Retenue: débits entrant et sortant
Scénario: Reference, Tout jour (365), Tout Retenue (32)
300
Tous les autres
280
Increase in Storage for sidi salem
260
Increase in Storage for sidi barrak
240
Increase in Storage for sejnan
220
Increase in Storage for mellegue
200
Débit vers l'aval
180
Débit vers L5
160
Débit vers L10
140
Débit venant de l'amont
120
Decrease in Storage for sidi salem
100
Decrease in Storage for sidi barrak
80
Decrease in Storage for sejnan
60
Million Mètre cube
Figure 17. Bilans journaliers des 32 barrages du système de mobilisation des eaux du Nord
considérés dans le modèle.
Cette analyse offerte par le modèle permet d’émettre des constations sur le fonctionnement global
du système de mobilisation sous l’effet de l’hydrologie et en conséquence d’une gestion des
ressources. Plusieurs traitements peuvent être faits sur les moyennes, les totaux et les écarts par
rapport à des enregistrements de références. La figure 18 présente les bilans annuels de 2008 à
2012 des débits entrant et sortant des retenues des barrages.
Retenue: débits entrant et sortant
Scénario: Reference, Tout jour (365), Tout Retenue (32)
1 800
1 600
1 400
1 200
1 000
800
600
400
200
0
-200
-400
-600
-800
-1 000
-1 200
-1 400
-1 600
-1 800
2008 2009 2010 2011 2012
Figure 18. Bilans annuels des entrées et des sorties d'eau dans les barrages du système
hydraulique de la Medjarda.
Le DSS élaboré permet, d’autre part, de simuler les comportements journaliers des barrages par le
calcul de leurs volumes d’eau et de restituer le résultat de la simulation parallèlement aux
enregistrements. La figure 19 est un exemple de résultat pour les barrages de Joumine.
Observed and Simulated Reservoir Volume
Retenue: Joumine, Scénario: Reference, Tout jour (365)
140
Observed Volume
135
Volume de stockage
130
125
120
115
110
105
100
95
90
85
Million Mètre cube
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
01/01/ 21/02/ 18/04/ 13/06/ 07/08/ 02/10/ 27/11/ 21/01/ 18/03/ 12/05/ 07/07/ 01/09/ 26/10/ 21/12/ 14/02/ 11/04/ 06/06/ 31/07/ 25/09/ 19/11/ 14/01/ 11/03/ 05/05/ 30/06/ 24/08/ 19/10/ 14/12/ 07/02/ 04/04/ 30/05/ 24/07/ 18/09/ 12/11/
2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2012 2012 2012 2012 2012 2012
Figure 19. Variations journalières observée et simulée du volume d'eau du barrage Joumine de
2008 à 2012.
Le dernier graphique montre que le schéma conceptuel élaboré pour le barrage Joumine ainsi que
les données physiques et celles de gestions sont cohérentes avec la réalité. La courbe de variation
du volume simulée tend à s’éloigner de celle observée dans les phases de consommation. Un calage
des paramètres influents dans cette phase est nécessaire pour améliorer la qualité de la
modélisation. Pour d’autres barrages, les résultats ne sont pas acceptables et un raffinement du
travail a été recommandé à la fin de ce premier pas.
Une des fonctionnalités offertes par WEAP est la possibilité de créer un ensemble de graphiques qui
donnent une idée globale sur le fonctionnement du système et les afficher sur la même vue
simultanément. La figure 20 en est un exemple qui regroupes les demandes non satisfaites, les
variations des volumes des réservoirs les débits dans les cours d’eau et ceux dans les liaisons de
transmission.
La première application de WEAP pour la modélisation de la gestion du système des eaux du Nord
de la Tunisie a montré qu’il est possible avec cet outil de résoudre des problématiques non
négligeables auxquelles sont confrontés les gestionnaires. Le premier apport de l’approche est
l’organisation des données numériques et leurs rattachements à des objets graphiques. Ceci facilite
considérablement l’analyse des données collectées de plusieurs sources d’information.
La capacité de traitement des données et l’édition de graphiques à différents pas de temps et sous
différentes formes est une autre fonctionnalité que le modèle développé peut apporter au
gestionnaire pour lui faciliter la compréhension du fonctionnement du système et par la suite la
prise de décision.
Le système de barrages, des sites de demandes et les liaisons hydrauliques sont par la suite
configurés conformément à la réalité. Les cours d’eau principaux sont modélisés par 43 objets
« Rivière » alimentés en eau par les ruissellements à partir de 58 objets « Bassin versant » à travers
58 objets « Ruissellement/Infiltration ». Il est identifié dans la zone 16 « Sites de demande » reliés
aux barrages par 16 « Liaison de transmission ». La base des données des paramètres agro-
climatique est mise en relation avec les objets « Bassin versant » pour le calcul des
évapotranspirations des couverts végétaux et des ruissellements de surface. La figure 21 présente
le modèle de gestion du bassin versant de la Medjerda élaboré par WEAP.
# # #
# # #
# # #
#
# # ##
#
# #
Y$
# $ # #
(
Y
## # Y
# ## # Y #
# $ # Y # #
# ##Y ## # # # $Y ## #
(
((
# #
# # #
# ## #
(( (
#
# #
#
## # # # # #
# #
Y
#
$ # # # # #
#
#
#
#
#
#
#
## # (
$
Y #
# # Y
# # $Y
#
#
# # #
# # #
( (
Y
# # Y# $#
Y
# ## #
# #
# #
# Y # #
# #
#
# ## #
#
# #
$
# # # #
# #
# # # #
# #Y #
( # # #
#
#
#
# #
#
# ##
# #
# ## ##
#
#
# #
#
# ( Y #
#
#
#
#
#
# # #
#
Figure 21. Modèle de gestion des RE du bassin versant de la Medjerda sous WEAP.
En plus des mêmes résultats que ceux présentés pour le cas d’étude précédent, le présent modèle
fourni des estimations des débits dans chacun des cours d’eau considérés. La figure 22 donne la
distribution des débits lors de la journée du 23 février 2012, qui correspond à une inondation qui
s’est générée à partir du bassin de Mellègue.
# #
#
#
#
$# # $ #
# #
#
#
#
(
#
#
#
Y
$ #
#
Y
$
#
#
#
#
#
# #
# $
(
#
#
Y
$#
Y
(
# #
#
#
(
$ # #
# #
#
#
# #
Y
#
# (
Y
# #
#
(
#
(
#
#
#
(( (
#
#
#
#
#
#
#
# #
#
#
(
#
( # #
#
#
#
Y
#
$ # #
#
##
#
(
#
#
#
#
#
$
#
$
#
#
#
Y Y
#
$ (
# #
#
$
# #
#
#
#
# #
#
#
#
#
Y #
( ( $
#
Y
#
#
$
#
# Y (
#
#
(
#
Figure 22. Carte de distribution des écoulements de surface dans les rivières du modèle de la
Medjerda.
Le modèle de gestion élaboré par WEAP fournit à l’utilisateur un schéma d’allocation des ressources
selon les propriétés des liaisons hydrauliques disponibles, pour chaque pas de temps de simulation.
Les contraintes de transit, celles de la qualité de l’eau et les priorités et les préférences
d’alimentation sont respectées. La figure 23 est un exemple de demandes en eau et de desserte
proposées dans le cadre du scénario de référence du modèle, pour la journée du 1ier Août 2012.
#
#
#
##
#
# #
# #
# # #
#
#
#
#
#
#
#
#
##
##
#
#
#
$# # $
# #
#
#
(#
#
#
$ #
Y
Y
$
Y
#
#
#(
#
#
#
#
# $
(
#
#
Y
$#
#
Y
# #
#
(
$ # #
(##
# #
#
# #
Y
#
# (
# #
Y
#
(
#
#
#
#
( (
#
#
#
#
#
#
#
#
#
(
#
( # #
#
#
Figure 23. Demandes en eau et schéma d'allocation proposé par WEAP le 1ier Août 2012 pour une
partie du bassin versant de la Medjerda.
4.3.3 Modélisation de la gestion des ressources en eau des bassins versants transfrontaliers
Tuniso-Algériens.
En vue de surmonter les anomalies de modélisation rencontrées lors des premières expériences, il
est utilisé dans l’étude des bassins transfrontaliers une approche statistique de spatialisation des
mesures des précipitations des 38 stations de mesure sur une grille couvrant la zone d’étude avec
un pas de 0,02 degré. La zone de l’étude est découpée en 9 sous bassins versants, présentés dans le
tableau 4 :
La base des données journalière des précipitations s’étale du 1ier Septembre 2008 au 31 Décembre
2013. La méthode d’interpolation linéaire est utilisée pour spatialiser l’information pluviométrique
journalière. La figure 24 présente les courbes isohyètes des précipitations annuelles des quatre
années hydrologiques étudiées.
Pour les quatre années hydrologiques, il est mis en évidence un gradient pluviométrique du Nord
au Sud de la zone d’étude. Il est enregistré des précipitations annuelles du Nord au Sud variant entre
2200 et 100 mm.
2
4
Figure 24. Courbes isohyètes des précipitations annuelles pour les années hydrologiques
2008/09 (1), 2009/10 (2), 2010/11 (3) et 2012/13 (4).
Pour les quatre années hydrologiques étudiées, les régions en Algérie sont nettement plus
arrosées. Cette observation peut être argumentée par l’augmentation de l’altitude en se
dirigeant de la Tunisie vers l’Algérie.
Pour combler le manque de mesures dans de vastes régions, il était nécessaire de choisir 22
emplacements de stations pluviométriques « imaginaires » pour associer à chaque objet
« Bassin versant » du modèle une station pluviométrique (Figure 24). Les précipitations
journalières des stations imaginaires sont par la suite extraites des résultats des interpolations
des valeurs journalières des stations existantes.
La moyenne journalière de l’ET0 pour tous les bassins versants a variée entre 0,9 et 9,3
mm/jour.
Figure 26. Schéma conceptuel du modèle de gestion des ressources en eau de surface des
bassins transfrontaliers Tuniso-Algériens.
Pour construire ce modèle de gestion, Il est utilisé 36 objets « Rivière », alimentés en eau à
partir 37 « Bassin versant » à travers 37 liaisons « Ruissellement/infiltration ». Trois retenues
La base des données des mesures journalières du volume du barrage Mellègues est également
intégrée dans le modèle aussi bien que ses caractéristiques physiques et ses règles de gestion.
La modélisation par WEAP a permis d’estimer les ruissellements des 7 cours d’eau
transfrontaliers, du nord au sud, Rarai, Medjerda, Mejah, Mellegue, Haidra, Safsaf et El Kbir
(Figure 28).
Figure 28. Modulation des débits dans les cours d'eau transfrontaliers Tuniso-Algériens du
1ier Septembre 2008 au 31 Aout 2013.
Les valeurs maximales sont observées au niveau de l’oued Mellègue avec une valeur d’environ
260 Mm3 le 22 Février 2012 (3000 m3/s). Cet affluent est le plus important dans le bassin
versant de la Medjerda. Le même jour, le débit traversant la frontière du côté de Ghar Dimaou
$ $
#
1
#
#
(
#
#
#
# (
#
#
#
#
#
#
#
#
# #
# # #
#
#
#
# #
#
#
#
#
(
#
#
#
#
#
# #
$ $
#
#
#
#
#
(
#
#
#
#
(
3
#
# #
$
$
Les ruissellements annuels traversant Oued Mellègue ont varié entre 840 et 1731 Mm3
respectivement pour 2012/13 et 2011/12. Ceux de l’oued El Kbir, ils ont varié entre 164 et 393
Mm3 respectivement pour 2012/13 et 2010/11. Pour l’oued Medjerda, les ruissellements
annuels ont varié entre 353 et 558 Mm3 respectivement pour 2009/10 et 2010/11.
Le modèle conceptuel est construit par 10 objets « Rivière », 16 « Site de demande », 9 nœud
« Eau souterraine », 2 « Bassin Versant », 2 « Autres Sources », 24 « Liaison de transmission »,
2 liaisons « Ruissellement/Infiltration » et 8 « débit de Retour » (Figure 30).
Les deux modèles WEAP et MODFLOW sont établis pour la période 1982 – 2030, avec un pas
de temps mensuel. Une mise en relation entre les objets « Eau souterraine » de WEAP et les
cellules du modèle MODFLOW. Ce lien est assuré par la configuration d’un fichier de liaison
type « *.shp ». La figure 31 est une partie de la base de données du fichier de liaison WEAP-
MODFLOW configurée pour le cas de Zeuss Koutine.
# #
#
# # %
#
# %
#
` #
# # #
#
% #
#
# #
#
# #
# #
%
` %
#
#
%
#
Figure 32. Estimations des demandes en eau potable mensuelles des villes du Sud Est de la
Tunisie.
Le DSS est aussi configuré pour estimer la recharge naturelle sous l’effet des précipitations
mensuelles. L’exploitation de la nappe pour satisfaire les demandes jusqu’à l’échéance de
l’étude est fournie par le DSS. Les principaux résultats sont les prélèvements d’eau de chaque
source disponible pour satisfaire les demandes et l’impact sur la nappe. Il est aussi calculé le
coût de la gestion ainsi que la qualité de l’eau desservie à chaque site de demande. La figure
33 est un exemple de solution pour la desserte de la ville de Jerba, pouvant être alimentée à
partir de plusieurs sources (aquifère, station de dessalement de l’eau saumâtre, eau de mer
dessalée).
Figure 33. Solution de desserte de la Ville de Jerba à partir des quatre sources d'eau
disponibles.
L’impact de la satisfaction de la demande en eau sur la nappe est évalué par le DSS sur la base
du calcul des niveaux piézométriques des cellules du modèle de la nappe (Figure 34).
Figure 34. Evolutions simulées des charges de trois piézomètres de la nappe de Zeuss
Koutine de 1982 à 2030.
Il est démontré par la modélisation que le rabattement de la nappe était ralenti par
l’introduction du dessalement en 2000. La station de dessalement de l’eau de mer assurera
quant à elle un ralentissement du rabattement jusqu’à 2020. A partir de cette date, d’autres
ressources devraient être identifiées et utilisées pour préserver la nappe de Zeuss Koutine.
L’approche proposée a montré ses performances en termes de calcul des bilans et des
ruissellements de surface. WEAP offre une gamme de modèles capables d’évaluer le bilan
hydrique à la surface du sol, depuis le plus simple, qui nécessite quelques informations
générales, au plus compliqué qui calcule les besoins en eau des cultures et modélise l’humidité
du sol aux différents horizons jusqu’à une nappe souterraine. Il est également possible de
programmer dans WEAP tout model hydrologique testé.
Un raffinement des travaux ci-dessus exposés, par l’amélioration de la qualité des données
utilisées, les modèles appliqués et par leur calage sur la base de données observées, est la
perspective de cette recherche. Elle vise améliorer la qualité de la modélisation sans toutefois
prétendre les rendre capables d’identifier les solutions optimales aux problèmes posés.
Ainsi, la forme des DSS qui vient d’être exposée reste une alternative de modélisation qui
permet au gestionnaire d’évaluer une solution. Un outil de génération de scénarios, voire
d’optimisation de la gestion des RE, est fortement demandé pour résoudre des équations des
modèles d’optimisation et atteindre tous les objectifs de la GRE.
Ce paragraphe présente les résultats de l’utilisation d’un outil d’optimisation développé selon
la méthodologie détaillée au chapitre précédent pour optimiser la GRE indépendamment de
tout autre outil de modélisation.
Un cas d’étude réel (La station de traitement d’eau potable de Ghédir El Golla) est utilisé pour
tester « ALL_WATER ». La figure 35 présente son schéma conceptuel.
L2(t)
FD(1, 1, t) D(1, t)
S1 D1
FS(1, 3, t) FD(3, 1, t)
S3
L3(t)
Afin de choisir les paramètres de l’AGMO, une analyse de sensibilité a été faite. Les premiers
essais ont convergé pour une taille de population de TPOP = 50, un nombre maximum
d'itérations Gmax = 1500, une probabilité de croisement pc =0,6, une probabilité de mutation
pm = 0,1 et un pourcentage d'élitisme Pe = 40%. Après six minutes d’exécution, l'outil a évalué
75 000 solutions possibles au problème (50 x 1500) et identifié les 72 solutions optimales
présentées dans le front de Pareto à la figure 36.
Figure 36. Front de Pareto de solutions optimales pour la GRE de la station Ghedir El Golla.
Il est vérifié que toutes les solutions assurent une salinité acceptable au site de demande. Les
volumes d’eau limites aux sources ainsi que les débits maximaux de transit sont respectés.
Le front de Pareto défini par les solutions optimales fournit une relation intéressante entre les
objectifs pris en considération. Il peut aider les gestionnaires à prendre les bonnes décisions
dans différentes situations du système hydraulique et des priorités. Cette possibilité ne peut
pas être offerte par des approches mono-objectives.
Bien qu’ALL_WATER a montré une efficacité et une efficience dans le calcul des solutions
optimales pour le cas d’étude réel, quelques améliorations futures pourraient être envisagées.
L'outil pourrait être enrichi en ajoutant des objectifs supplémentaires. Un objectif
environnemental pour minimiser les rabattements dans les aquifères permettrait un plus
large éventail d'applications.
L'outil développé est efficace et souple pour l'optimisation de la GRE pour les grands systèmes
hydrauliques et tous les types de ressources en eau. En outre, toute catégorie de la demande
en eau peut être incluse en termes de volume et de salinité (Nouiri, 2014).
Vu les résultats concluant du test du premier outil d’optimisation, le deuxième outil développé
« ALL_WATER_gw » est conçu pour enrichir la plateforme de modélisation WEAP-MODFLOW
en lui offrant la possibilité de générer des scénarios optimaux. L’association entre le modèle
d’optimisation et le DSS WEAP-MODFLOW permettrait des avantages importants :
L’étude de sensibilité a montré que le nombre de solutions optimales n’est pas clairement
fonction de la probabilité de mutation (Pm), la probabilité de croisement (Pc) et le pourcentage
d’élitisme (Pe) (Figure 38).
60
Optimal solution number
50
40
30
20
10
0
30 50 100 150 200
Tpop
L’effet de la taille de la population sur le temps de l’exécution pour converger est exprimé
dans la figure 39.
200
100
0
30 50 100 150 200
Tpop
4-80-20 4-50-50 4-20-80
7-80-20 7-50-50 7-20-80
10-80-20 10-50-50 10-20-80
Average Expon. (Average)
Les résultats montrent que le temps de calcul est une fonction exponentielle de la taille de la
population, confirmé par le coefficient de détermination de la courbe de tendance
exponentielle de 0,9857. La relation exponentielle entre la taille de la population et le temps
de calcul peut être expliquée par l'effet combiné de la nécessité d'un temps plus long lorsque
l'outil doit évaluer plusieurs solutions et par l'augmentation du nombre d'itérations
nécessaires pour converger quand la taille de la population est plus grande.
La figure 39 montre aussi que le temps de calcul ne dépend pas fortement des valeurs de Pm,
Pe et Pc. Dans tous les cas, le temps de calcul moyen nécessaire pour évaluer une solution a
été estimé à 0,000147 s.
Après 3,5 heures de calcul, ALL_WATER_gw était en mesure d'évaluer 60 000 solutions et à
converger. Le long temps de calcul observé avec ce cas est dû à l'exécution du modèle
MODFLOW 60 000 fois. La figure 40 présente l'évolution des quatre fonctions objectives lors
de la recherche.
Iteration number
FDS FDD FC FQ
Figure 40. Evolution des valeurs des fonctions objectifs lors de l'optimisation de la gestion de
l'aquifère hypothétique.
Les tendances des fonctions objectives dans le graphique de la figure 40 montrent bien que le
modèle d’optimisation était capable de minimiser les fonctions de non satisfaction de la
demande et de la salinité relativement rapidement. La fonction objective de minimisation du
rabattement a observé une réduction significative durant la première phase de l’optimisation,
parallèlement à la satisfaction de la demande, puis une stagnation de sa valeur jusqu’à la fin
du processus d’optimisation. La fonction de minimisation du coût n’a pas pu être réduite dans
ce cas d’étude.
22 solutions optimales ont été identifiées par ALL_WATER_gw après avoir atteint le nombre
maximal d'itérations, présenté dans le front de Pareto dans le graphique Figure 41. Ce front
de Pareto représente la relation entre la fonction d’adaptation de satisfaction de la demande
et de minimisation du rabattement (FDS-DD) et celle de la réduction des coûts et la satisfaction
de la salinité (FC-Q).
0.378
0.3778
0.3776
0.3774
0.3772
FC-Q
0.377
0.3768
0.3766
0.3764
0.3762
0.415 0.42 0.425 0.43 0.435 0.44
FDS-DD
Figure 41. Front de Pareto des solutions optimales identifiées par ALL_WATER_gw pour le
cas d'étude hypothétique.
L'utilisation des quatre nœuds d'eau souterraine avec des contributions comparables peut
être expliquée par l'intérêt pour « gw_01 » et « gw_02 » en raison de leurs salinités basses
(1,0 g.L-1) et l'intérêt pour « gw_03 » et « gw_04 » en raison de leurs faibles coûts
d'exploitation (1,0 $.m-3).
Pour atteindre à la fois les objectifs de la qualité et des coûts, il était nécessaire de mélanger
l'eau chère de faible salinité et l'eau avec un faible coût unitaire et de salinité élevée. Pour
toutes les solutions optimales proposées dans le front de Pareto, l'eau mélangée au site de la
demande « Demand_01 » a une salinité de 1,5 g.L-1. Cela a permis d'obtenir des solutions
optimales à faible coût. La solution « A » a été caractérisée par un coût unitaire de l'eau de 1,5
$.m-3.
La figure 42 montre la répartition spatiale de la charge hydraulique dans les cellules des trois
couches du modèle MODFLOW à la fin de la première année de la période de simulation
(12/2011). Cette situation constitue la condition initiale pour la période d'optimisation (2012)
et représente le résultat de pompage à partir de « gw_0 » en 2011.
La figure 42 présente en parallèle les distributions spatiales des charges hydrauliques des
cellules pour le scénario de "Référence" de WEAP et pour la solution optimale (A) pour la
gestion des eaux souterraines calculée par ALL_WATER_gw à la fin de la période
d'optimisation (12/2012).
Situation Initiale
Legende
Figure 42. Distribution spatiale des charges des cellules dans les couches 1, 2 et 3 à la fin de la
première année de la période de simulation (12/2011) et à la fin de la période d'optimisation
(12/2012) pour les scénarios de "Référence" et optimal.
La dernière figure montre que lors du pompage à partir d’un seul forage (gw_01), tel que proposé
par le scénario de "Référence" de WEAP, le rabattement de la nappe phréatique sera le plus
important dans la cellule (2, 2), représentant le forage de pompage, estimée à 19,8 m dans la couche
Si la solution A est utilisé pour la gestion des eaux souterraines au cours de la période d'optimisation,
une amélioration de la distribution du niveau de la nappe est démontrée. Le rabattement maximal
de 11,8 m est calculé dans la cellule (2, 2) dans la couche 1 et le rabattement le plus faible a été
estimée à 9,7 m dans la cellule centrale (6, 6) de la grille dans la couche 1. Par conséquent, la
différence de rabattement dans la grille de l’aquifère en Décembre 2011 (8,5 m) a été portée à 11,1
m dans le scénario de «Référence» et a diminué à 2,1 m avec la solution optimale A.
La figure 43 est une vue 3-D de l’aquifère étudié et où la solution optimale « A » est appliquée. Cette
vue montre comment les rabattements sont presque équivalents aux quatre points de pompage, à
la fin de la période d’optimisation (12/2012).
MODFLOW Cell Head
Année: 2012, Scénario: OPTIMIZATION, Layer: 1, Mois: Décembre
Mètre
248 to 250
246 to 248
244 to 246
242 to 244
240 to 242
238 to 240
240.2
236 to 238
240.0 234 to 236
239.8 232 to 234
239.6 230 to 232
Mètre
1 3
2 4
3 5
4
6
5 Row
6 7
Colonne 7 8
8 9
9
10
10
1111
Figure 43. Vue 3-D de la distribution de la charge des cellules de l'aquifère étudié lorsque la
solution A est appliquée.
Les derniers résultats démontrent que les solutions optimales calculées par l'outil développé étaient
en mesure de satisfaire la demande, assurer la salinité acceptable, de réduire le coût unitaire de
l'eau et de minimiser le rabattement maximal sur l'aquifère.
L'outil développé peut être considéré comme générateur de scénarios optimaux et son lien
dynamique avec la plateforme WEAP-MODFLOW permet de simuler des solutions optimales comme
des scénarios de gestion.
Ce chapitre a passé en revue les principaux résultats obtenus lors des recherches conduites en
matière de développement d’outils d’aide à la décision pour la gestion des ressources en eau. Il
s’agit de deux types de modèles. Ceux spécialisés dans la modélisation des processus
hydrogéologiques, servant à réaliser des simulations pour évaluer un mode de gestion, un choix ou
une politique. Le deuxième type de modèles abordé dans cette recherche est formé des outils
d’optimisation. Les tests réalisés avec les deux logiciels développés dans cette recherche ont donnée
satisfaction, sur les plans efficience et robustesses dans la recherche des solutions optimales.
Les résultats présentés dans ce document étaient obtenus suite à une étroite collaboration avec les
organismes de développement. Nous concluons à cette étape que les méthodes de modélisation
proposées, surtout avec WEAP, et testées sur des cas réels étaient bien acceptées. Les calages des
modèles élaborés permettraient de renforcer la conviction des gestionnaires et des décideurs en
ces outils et aiderait à leur ancrage dans les directions techniques comme DSS.
Nombreuses approches ont été proposées pour faciliter la tâche du gestionnaire et du planificateur.
Il s’agit principalement d’outils de modélisation dont chacun est orienté vers une thématique
particulière en essayant de toucher même légèrement à d’autres aspects. La synthèse de nombreux
outils nous a conduits à utiliser WEAP pour améliorer la modélisation de la gestion des RE.
La modélisation des trois cas d’études de ressources en eau de surface en Tunisie a permis de
s’arrêter sur les potentialités, les performances et les limitations de l’outils. Notre expérience
appliquée d’environ 7 ans avec WEAP nous permet de le recommander pour les organismes chargés
de la GRE en Tunisie et ailleurs. Il est suffisamment utile pour les ingénieurs qui gèrent des systèmes
hydrogéologiques et hydrauliques pour organiser et classer leurs bases de données numériques.
WEAP a aussi montré de grandes capacités de modélisation de tels systèmes dynamiques. Les
résultats obtenus témoignent des performances des algorithmes de calculs qui étoffent le logiciel.
Ses capacités d’accepter l’introduction de nouveaux modèles, soit en utilisant ses fonctions de base
ou en ajoutant du code dans son interface de programmation, ouvre une voie infinie de
développement dans cette plateforme de modélisation.
Le lien dynamique établi entre WEAP et MODFLOW en est une autre fonctionnalité rarement offerte
par les outils de modélisation de sa catégorie. L’application a un cas d’étude réel a révélé les
potentialités d’évaluer les impacts du climat, des aménagements et des planifications sur le
comportement de la nappe à très long terme.
Le test des outils d’optimisation développés a prouvé leurs avantages dans l’identification des
solutions optimales au lieu des multiples simulations de solutions choisies aléatoirement, comme il
est couramment procédé. L’approche d’optimisation multi-objective a permis d’avoir la possibilité
d’identifier, pour chaque problème, un front de Pareto formé de plusieurs solutions optimales.