Une équipe de recherche multi-institutionnelle a développé un réseau de densité mixte guidé par la physique (PgMDN) qui améliore considérablement les prévisions des débits de dérivation latérale dans les grands systèmes de canaux, un facteur critique pour la gestion des transferts d'eau inter-bassins. L'étude, publiée dans Environmental Science and Ecotechnology le 7 mai 2026 (DOI: 10.1016/j.ese.2026.100703), aborde le défi des dérivations d'eau imprévisibles qui compromettent souvent un approvisionnement en eau fiable.
Les débits de dérivation latérale—écoulements détournés des canaux principaux par des canaux secondaires—s'écartent fréquemment des objectifs prévus en raison des états hydrauliques en temps réel et des opérations de vannes non planifiées. Ces écarts produisent des distributions d'écoulement multi-pics et très incertaines que les méthodes traditionnelles basées sur la physique peinent à modéliser efficacement, tandis que les approches purement basées sur les données échouent à capturer des motifs complexes, surtout dans des conditions de rareté des données. Le nouveau PgMDN intègre des lois hydrauliques physiques dans un cadre d'apprentissage profond probabiliste pour améliorer à la fois la précision des prédictions ponctuelles et la quantification de l'incertitude.
Contrairement aux réseaux de densité mixte standard qui reposent uniquement sur l'ajustement des données, le PgMDN incorpore deux contraintes physiques directement dans sa fonction de perte. Premièrement, il favorise la cohérence du bilan massique local en alignant les débits moyens prédits avec les valeurs entrée-sortie dérivées d'un modèle hydraulique simplifié. Deuxièmement, il impose une règle de cohérence : lorsque les débits moyens prédits changent rapidement—indiquant des changements opérationnels ou des mouvements brusques de vannes—l'incertitude du modèle augmente en conséquence, empêchant des prédictions trop confiantes dans des conditions instables.
Testé sur des données réelles de deux tronçons du projet de dérivation des eaux du Sud au Nord de la Chine, le PgMDN a réduit l'erreur absolue moyenne (MAE) de plus de 25 % et l'erreur quadratique moyenne (RMSE) de plus de 25 % par rapport aux MDN standard. La fiabilité est passée de 0,45 à 0,82 au niveau de confiance de 90 %. Le modèle a maintenu des performances stables même lorsque les données d'entraînement ont été intentionnellement réduites, démontrant une forte généralisation dans des conditions de rareté des données. En utilisant l'analyse SHapley Additive exPlanations (SHAP), l'équipe a identifié les fluctuations du niveau d'eau et les apports aux limites comme les principaux moteurs de l'incertitude prédictive, ajoutant de l'interprétabilité aux prédictions du modèle.
Selon les auteurs, « Nous voulions un modèle qui ne donne pas seulement un seul chiffre mais qui indique réellement aux opérateurs à quel point ce chiffre est fiable. En intégrant deux règles physiques simples dans le processus d'apprentissage—promouvoir la cohérence du bilan massique local et lier les changements soudains de débit à une incertitude plus large—nous avons obtenu des prévisions beaucoup plus fiables, même avec des données limitées. C'est comme enseigner à l'IA quelques bases de l'hydraulique pour qu'elle ne fasse pas de suppositions physiquement impossibles. »
Cette approche permet une allocation d'eau plus adaptative en temps réel. Les opérateurs peuvent utiliser les prévisions probabilistes pour ajuster les marges de sécurité, optimiser les opérations des vannes et répondre plus efficacement aux événements inattendus tels que les prélèvements non planifiés. Le cadre est évolutif et peut être intégré dans des modèles hydrodynamiques existants pour estimer les plages plausibles de niveaux d'eau dans différents scénarios. En reliant la compréhension physique à l'apprentissage basé sur les données, le PgMDN offre une voie pratique vers une gestion résiliente des grands systèmes d'eau, en particulier dans les régions confrontées à une variabilité hydrologique croissante. Il ouvre également la voie à des modèles hybrides similaires dans d'autres applications d'infrastructure environnementale, allant du contrôle des inondations aux réseaux de distribution d'eau.
La recherche a été menée par des équipes de l'Université de Wuhan en Chine, du Bureau de construction et d'administration de la route médiane du projet de dérivation des eaux du Sud au Nord, de l'Université d'Exeter au Royaume-Uni et de l'Institut de recherche sur l'eau KWR aux Pays-Bas. Le financement a été fourni par le Programme national de recherche et de développement clé de Chine [subvention n° 2024YFC3211800] et le Conseil des bourses d'études de Chine (CSC) [subvention n° 202406270118].
