Modélisation des hydrosystèmes par approche systémique
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Bardolle, Frédéric
Date de soutenance : 20-06-2018

Directeur(s) de thèse : Delay, Frédérick

Président : Poinot, Thierry
Rapporteur(s) : Flipo, Nicolas - Massei, Nicolas
Membre(s) du jury : Dörfliger, Nathalie - Porel, Gilles

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire d'hydrologie et de géochimie de Strasbourg (1997-2020)
École doctorale : École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....)
 
Discipline : Géophysique
Classification : Sciences de la terre

Mots-clés libres : Apprentissage automatique, Optimisation par essaim de particule, Fonction de transfert, Approche systémique
Mots-clés :
  • Hydrosystèmes - Modèles mathématiques
  • Hydrogéologie
Résumé : Dans l'état actuel des connaissances, il est impossible de poser correctement toute la physique permettant de modéliser les hydrosystèmes dans leur ensemble, notamment à cause de la dynamique très contrastée des différents compartiments. Les modèles systémiques simplifient la représentation des hydrosystèmes en ne considérant que leurs flux d’échange. L’objet de ce travail est de proposer un outil de modélisation systémique fournissant des informations sur le fonctionnement physique des hydrosystèmes, tout en étant simple et parcimonieux. Ce modèle nommé MASH (pour Modélisation des Hydrosystèmes par Approche Systémique) est basé sur l’utilisation de fonctions de transfert paramétriques choisies en fonction de leur faible paramétrisation, leur caractère général et leur interprétation physique. Il est versatile, dans le sens que son architecture est modulable et que le nombre d’entrées, le nombre de fonctions de transfert en série et le type de fonctions de transfert utilisé est laissée à la discrétion de l’utilisateur. Ce modèle est inversé en utilisant de récentes avancées en apprentissage automatique grâce à une famille d’heuristiques basée sur l’intelligence en essaim nommé « optimisation par essaim de particule » (ou PSO pour « Particle Swarm Optimization »). Le modèle et ses algorithmes d’inversion sont testés sur un cas d’école synthétique, puis sur un cas d’application réel.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2018STRAH006
Type de ressource : Thèse