Karst-aquifer operational turbidity forecasting by neural networks and the role of complexity in designing the model: a case study of the Yport basin in Normandy (France) - IMT Mines Alès Accéder directement au contenu
Article Dans Une Revue Hydrogeology Journal Année : 2021

Karst-aquifer operational turbidity forecasting by neural networks and the role of complexity in designing the model: a case study of the Yport basin in Normandy (France)

Predicción de la turbidez en la explotación del acuífero kárstico por redes neuronales y el papel de la complejidad en el diseño del modelo: un estudio de caso de la cuenca de Yport en Normandía (Francia)

Prévision opérationnelle de la turbidité dans les aquifères karstiques par réseaux de neurones et rôle de la complexité dans la conception du modèle: cas d’étude du bassin d’Yport en Normandie (France)

Previsão da turbidez operacional em aquífero cárstico por redes neurais e o papel da complexidade na concepção do modelo: um estudo de caso na bacia do Yport na Normandia (França)

神经网络预测岩溶含水层的运行浊度及其模型设计复杂性的作用:以法国诺曼底Yport盆地为例

Résumé

Karst aquifers are highly susceptible to pollution transport, particularly turbidity, because these aquifers do not filter water to any significant degree. This may occasionally induce sanitary issues for the population and, therefore, it is operationally important to predict the mobility of water with high turbidity. In this study, deep specific architectures, recurrent and feed-forward, inspired from a multilayer perceptron, are used to predict the turbidity peak and the 100 NTU threshold exceedance at the Yport pumping well in Normandy (France), used by the Le Havre Seine Métropole urban conglomeration to supply water to 240,000 inhabitants. This abstraction well pumps water from the chalk karst aquifer. For this purpose, 32 architectures were designed, with different sampling rates and numbers of used rain gauges, which, using a cross-test procedure, provided 288 different models. This arrangement represented directly the rainfall–turbidity relationship. The study also assessed model quality using original criteria defined specifically for this study. Rigorous model selection makes it possible to design models that can, with limited uncertainty, predict the threshold exceedance and the maximum turbidity peak up to 24 h in advance. More interestingly, the main outcome associated with this methodology is that the complexity of the models (i.e. the number of free parameters) behaved like a high-level parameter, controlling the quality of the results independently from field considerations. This result is consistent with the well-known bias-variance tradeoff.
Los acuíferos kársticos son altamente susceptibles al transporte de contaminación, en particular la turbidez, porque estos acuíferos no filtran el agua en un grado significativo. Esto puede provocar problemas sanitarios a la población y, por lo tanto, es operativamente importante predecir la movilidad del agua con alta turbidez. En el presente estudio, se utilizan arquitecturas específicas profundas, recurrentes y de avance, inspiradas en un perceptrón multicapa, para predecir el pico de turbidez y la superación del umbral de 100 NTU en el pozo de bombeo de Yport en Normandía (Francia), utilizado por la zona urbana de Le Havre Seine Métropole para abastecer de agua a 240,000 habitantes. Este pozo de extracción bombea agua del acuífero kárstico de caliza. Para ello se diseñaron 32 arquitecturas, con diferentes velocidades de muestreo y número de pluviómetros utilizados, que mediante un procedimiento de prueba cruzada proporcionaron 288 modelos diferentes. Esta disposición representaba directamente la relación lluvia-turbidez. En el estudio también se evaluó la calidad de los modelos utilizando criterios originales definidos específicamente para este estudio. La rigurosa selección de los modelos permite diseñar modelos que pueden, con una incertidumbre limitada, predecir la superación del umbral y el pico máximo de turbidez con hasta 24 horas de antelación. Lo que es más interesante, el principal resultado asociado a esta metodología es que la complejidad de los modelos (es decir, el número de parámetros libres) se comportó como un parámetro de alto nivel, controlando la calidad de los resultados independientemente de las consideraciones de campo. Este resultado es coherente con el conocido equilibrio entre sesgo y varianza.
Les aquifères karstiques sont fortement vulnérables au transport de polluants, particulièrement la turbidité, du fait que ces aquifères ne permettent pas la filtration de l’eau de manière significative. Ceci peut occasionnellement entrainer des problèmes sanitaires pour la population et, il est donc important de prévoir la mobilité de l’eau fortement turbide. Dans cette étude, des architectures spécifiques profondes, récurrentes et non récurrentes, inspirées des perceptrons multicouches sont utilisées pour prévoir le pic de turbidité et le dépassement de la valeur seuil de 100 NTU sur le forage d’Yport en Normandie (France) utilisé par La Métropole Le Havre Seine pour l’alimentation en eau potable de ses 240 000 habitants. Ce forage exploite un aquifère crayeux karstique. A cette fin, 32 architectures ont été conçues, avec différents pas d’échantillonnage et différents nombres de pluviomètres, qui, à l’aide d’une procédure de “test croisé”, ont fourni 288 modèles différents. Cees modèles implémentent directement la relation pluie-turbidité. Cette étude évalue également la qualité du modèle par l’utilisation de critères originaux spécialement définis pour cette étude. Une sélection rigoureuse des modèles a permis de créer des modèles qui peuvent, avec une incertitude réduite, prédire le dépassement d’une valeur seuil et le pic maximum de turbidité jusqu’à 24 h en avance. Plus intéressant encore, le principal résultat associé à cette méthodologie est que la complexité des modèles (par ex. le nombre de paramètres libres) se comporte comme un hyperparamètre, contrôlant la qualité des résultats de manière indépendante des considérations de terrain. Ce résultat est conforme au dilemme bien connu entre le biais et la variance.
Os aquíferos cársticos são altamente susceptíveis ao transporte de poluição, particularmente à turbidez, porque estes aquíferos não filtram a água em grau significativo. Isto pode ocasionalmente induzir problemas sanitários para a população e, portanto, é operacionalmente importante prever a mobilidade da água com elevada turbidez. Neste estudo, arquiteturas de aprendizado profundo, recorrentes e de pré-alimentação, inspiradas num perceptron de várias camadas, são utilizadas para prever o pico de turbidez e a ultrapassagem do limiar de 100 NTU no poço de bombeamento de Yport na Normandia (França), utilizado pelo conglomerado urbano Metrópole de Le Havre Seine para fornecer água a 240,000 habitantes. Este poço de captação bombeia água do aquífero de carstes de calcário. Para isso foram concebidas 32 arquiteturas de aprendizado, com diferentes taxas de amostragem e números de pluviômetros usados, que, utilizando um procedimento de teste cruzado, forneceram 288 modelos diferentes. Este arranjo representava diretamente a relação chuva-turbidez. O estudo também avaliou a qualidade do modelo utilizando critérios originais definidos especificamente para este estudo. A rigorosa seleção do modelo permite projetar modelos que podem, com incerteza limitada, prever a ultrapassagem do limiar e o pico máximo de turbidez com até 24 horas de antecedência. Mais interessante ainda: o principal resultado associado a esta metodologia é que a complexidade dos modelos (ou seja, o número de parâmetros livres) comportou-se como um parâmetro de alto nível, controlando a qualidade dos resultados independentemente de considerações feitas em campo. Este resultado é consistente com o conhecido conflito de escolha entre variância e viés.
岩溶含水层极易受到污染运移,尤其是浊度,因为这些含水层不会对水进行任何明显的过滤。这有时会引起人群的卫生问题,因此预测高浊度水的流动性十分重要。在这项研究中,从多层感知器得到灵感,使用递归和前馈的深层特定架构来预测浊度峰值,诺曼底(法国)的Yport抽水井从白垩喀斯特含水层中抽水,浊度超过了100 NTU,Le Havre Seine Métropole都市集团使用该水井为24万居民供水。为此,设计了32种具有不同采样率和不同数量的雨量计的架构,通过交叉验证提供了288种不同的模型。这种安排直接代表了降雨-浊度的关系。本研究还使用了专门为该研究定义的原始标准评估模型质量。严格的模型选择使得设计模型能够在有限的不确定性下,提前24小时预测阈值超出和最大浊度峰值。更重要的是,与此方法相关的主要结果是,模型的复杂性(即自由参数的数量)表现得像一个高维参数,独立于现场条件而控制结果的质量。这一结果与众所周知的偏方差权衡一致。
Fichier non déposé

Dates et versions

hal-03105289 , version 1 (11-01-2021)

Identifiants

Citer

Michaël Savary, Anne Johannet, Nicolas Massei, Jean-Paul Dupont, Emmanuel Hauchard. Karst-aquifer operational turbidity forecasting by neural networks and the role of complexity in designing the model: a case study of the Yport basin in Normandy (France). Hydrogeology Journal, 2021, Special Issue "Five decades of advances in karst hydrogeology", ⟨10.1007/s10040-020-02277-w⟩. ⟨hal-03105289⟩
155 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More