Estimation de la migration d’une pollution accidentelle dans un projet routier à l’aide des réseaux de neurones artificiels

Estimating the migration of an accidental pollution in a highway project using artificial neural networks

¹ Laboratoire de Mécanique de Lille (UMR CNRS 8107) Université des Sciences et Technologies de Lille (USTL), Polytech’Lille avenue Paul-Langevin 59655 Villeneuve-d’Ascq Eddy.El-Tabach@polytech-lille.fr Laurent.Lancelot@polytech-lille.fr Isam.Shahrouri&polytech-lille.fr Henri.maillot@polytech-lille.fr, France.
² Kansas State University, Dept. of Civil Engineering Manhattan, KS 66505 USA ea4146@ksu.edu.

Résumé

L’évaluation de la profondeur de la zone contaminée D en fonction du temps et de la quantité de polluant injectée dans un sol Q après une pollution routière accidentelle est essentielle pour étudier le risque de contamination de la ressource en eau souterraine et pour concevoir des plans d’intervention. Cet article présente une méthode pour estimer D et Q en utilisant les réseaux de neurones artificiels. Une base de données est produite à partir de cas simulés en utilisant un modèle par éléments finis. Plusieurs modèles de réseaux de neurones artificiels par rétropropagation de l’erreur sont évalués par leur capacité à généraliser la simulation sur des données indépendantes. Leur comportement est également comparé à un modèle plus classique de régression multilinéaire. Les réseaux de neurones montrent une très bonne aptitude à simuler les évolutions de D et Q.

La méthodologie proposée est appliquée à l’analyse du risque de pollution par le trichloréthylène des eaux souterraines le long de l’axe d’un projet routier dans le Nord de la France.

Abstract

Accurate estimation of depth of contaminated zone D and the quantity of pollutant injected into a soil Q after an accidental pollution occurred in road transport is essential to asses the risk of water resources contamination. This paper presents a method for estimating D and Q after an accidental pollutant discharge at the soil surface. First a database is generated from simulated cases using a finite element model. For each case, D and Q are computed as a function of the most related parameters.

Different feedforward artificial neural networks with error backpropagation are trained and tested using subsets of the database, and the ability of these networks to generalize on independent simulated data are validated on another subset of the database. Their behavior is compared and analyzed with regard to more common multilinear regression approximation tool. The proposed method is used to analyze the risk for a DNAPL pollution of groundwater resources concerned by a road project in the north of France.