Utiliser l’IA pour aider les barrages à fonctionner plus intelligemment

En août 2020, après une période de sécheresse prolongée et de pluies intenses, un barrage situé près de la rivière Seomjin en Corée a connu un débordement lors d’un lâcher d’eau, entraînant des dommages dépassant 100 milliards de won (76 millions de dollars). L’inondation a été attribuée au maintien du niveau d’eau du barrage à 6 mètres au-dessus de la norme. Cet incident aurait-il pu être évité grâce à une gestion prédictive des barrages ?

Une équipe de recherche dirigée par le professeur Jonghun Kam et Eunmi Lee, titulaire d’un doctorat. candidat, de la Division des sciences et de l’ingénierie de l’environnement de l’Université des sciences et technologies de Pohang (POSTECH), a récemment utilisé des techniques d’apprentissage en profondeur pour examiner les modèles d’exploitation des barrages et évaluer leur efficacité. Leurs conclusions ont été publiées dans le Journal d’hydrologie.

La Corée est confrontée à un pic de précipitations au cours de l’été et dépend des barrages et des infrastructures associées pour la gestion de l’eau. Cependant, l’escalade de la crise climatique mondiale a conduit à l’émergence de typhons et de sécheresses imprévus, compliquant ainsi l’exploitation des barrages. En réponse, une nouvelle étude a vu le jour, visant à surpasser les modèles physiques conventionnels en exploitant le potentiel d’un modèle d’intelligence artificielle (IA) formé sur de vastes données volumineuses.

L’équipe s’est concentrée sur l’élaboration d’un modèle d’IA visant non seulement à prédire les modèles opérationnels des barrages dans le bassin de la rivière Seomjin, en se concentrant spécifiquement sur le barrage de la rivière Seomjin, le barrage de Juam et le barrage de contrôle de Juam, mais également à comprendre les processus décisionnels du modèles d’IA formés.

Leur objectif était de formuler un scénario décrivant la méthodologie de prévision des niveaux d’eau des barrages. En utilisant le modèle Gated Recurrent Unit (GRU), un algorithme d’apprentissage en profondeur, l’équipe l’a formé à l’aide de données s’étendant de 2002 à 2021 provenant de barrages le long de la rivière Seomjin. Les données sur les précipitations, les apports et les débits sortants ont servi d’entrées tandis que les niveaux horaires des barrages ont servi de sorties. L’analyse a démontré une précision remarquable, avec un indice d’efficacité supérieur à 0,9.

Par la suite, l’équipe a conçu des scénarios explicables, manipulant les entrées de -40 %, -20 %, +20 % et 40 % de chaque variable d’entrée pour examiner comment le modèle GRU formé a répondu à ces modifications des entrées. Même si les changements dans les précipitations ont eu un impact négligeable sur les niveaux d’eau du barrage, les variations du débit entrant ont influencé de manière significative le niveau d’eau du barrage. Notamment, le changement identique du débit sortant a donné des niveaux d’eau différents dans des barrages distincts, affirmant que le modèle GRU avait effectivement appris les nuances opérationnelles uniques de chaque barrage.

Le professeur Jonghun Kam a fait remarquer : « Notre examen est allé au-delà de la prévision des modèles d’exploitation des barrages pour sécuriser leur efficacité à l’aide de modèles d’IA. Nous avons introduit une méthodologie visant à comprendre indirectement le processus de prise de décision du modèle de boîte noire basé sur l’IA déterminant les niveaux d’eau des barrages.

Il a ajouté : « Notre aspiration est que cette connaissance contribue à une compréhension plus approfondie des opérations des barrages et améliore leur efficacité à l’avenir. »

L’étude est publiée dans le Journal d’hydrologie.