Apports de L'intelligence Artificielle Dans - Strasbourg, France - ENGEES/ icube

Description

**Apports de l'intelligence artificielle dans l'amélioration de la gestion patrimoniale et la performance des réseaux d'alimentation en eau potable**:

- Réf **ABG-122567**
- Sujet de Thèse- 10/04/2024- Contrat doctoral- ENGEES/ icube- Lieu de travail- Strasbourg - Grand Est - France- Intitulé du sujet- Apports de l'intelligence artificielle dans l'amélioration de la gestion patrimoniale et la performance des réseaux d'alimentation en eau potable- Champs scientifiques- Sciences de l'ingénieur
- Génie civil, BTP
- Informatique
- Mots clés- analyse de données, machine learning, modélisation, réseaux d'eau potable, indicateurs**Description du sujet**:

- La thèse que nous proposons vise à répondre à la question de recherche suivante:
**Comment est-ce que l'intelligence artificielle peut être utilisée pour exploiter les collections de données existantes ou les systèmes d'information au sein des services d'eau afin d'améliorer la gestion patrimoniale et la performance des réseaux d'alimentation en eau potable ?**

Au-delà de l'aspect scientifique, ce projet permettra de renforcer les capacités de recherche de l'Engees et de Icube dans le domaine de l'eau potable et offre des avantages opérationnels pouvant déboucher sur des outils de négociation et d'arbitrage aux gestionnaires des services de l'eau pour étayer la décision publique de manière objective.

En effet, les services de l'eau ont été encouragés pendant des années à instrumenter leurs réseaux, ils se retrouvent aujourd'hui avec des quantités importantes de données de surveillances qui ne sont pas exploitées efficacement pour l'aide à la décision. L'IA peut donc constituer un outil d'exploration et d'exploitation de ces données dans le but d'objectiver et d'étayer la décision publique.

Plusieurs verrous opérationnels et scientifiques devront être traités. Le premier verrou concerne l'apport de l'intelligence artificielle dans l'analyse des données de monitoring et leur pertinence en tant que variables explicatives par l'identification des indicateurs de performance pouvant être considérés comme variables à expliquer. Il ne suffit pas de disposer de données, au-delà de leur complétude, il est nécessaire d'établir des liens de causalités avec des indicateurs de performance à prédire. Une dimension métier est à intégrer dans la compréhension et l'analyse des données disponibles.

Le second verrou scientifique concerne l'établissement de lien entre les données de monitoring issues des capteurs disséminés sur les réseaux d'eau potable et des actions de gestion patrimoniale pouvant faire référence à des actions de maintenance ou d'investissement. En d'autres termes comment faire le lien entre des données de consommation, de débit ou de mesure de pression et les pertes en eau ? Comment établir des causalités entre des données observées et des actions de gestion patrimoniale de type réparation de conduites ? Comment prédire l'efficacité d'actions sur le réseau de manière ex ante ?

Le troisième verrou concerne le choix des approches issues de l'intelligence artificielle à utiliser et leur niveau de complexité. Un questionnement sur les modes d'apprentissage à utiliser et les algorithmes de traitement de données ou de prédiction à mobiliser. Un des enjeux est le développement d'approches peu complexes et précises de manière à favoriser l'implication et la participation des gestionnaires des services, l'expérience montre que si les modèles développés sont trop complexes, leur appropriation et utilisation seront limitées au sein des services.

Le quatrième verrou concerne l'identification des liens potentiels entre les données de surveillance et les données de patrimoniales. Il s'agit d'étudier les possibles causalités entre données. Le plus souvent, elles sont analysées de manière indépendantes, dans le cas de notre recherche nous souhaitons croiser ces données afin de construire un modèle d'aide à la décision capable d'exploiter les données patrimoniales et les données de surveillance. L'intérêt est de pouvoir croiser des données d'exploitation et des données patrimoniales afin d'expliquer certaines anomalies constatées, à titre d'exemple des essais sur des poteaux à incendie peuvent causer des casses en raison de variation de pression dans le réseau. Le croisement de données de natures différentes peut permettre de mettre en exergue des causalités non encore établies. Ces modèles de causalités permettront de détecter rapidement des dérives en termes d'exploitation de service avant la fin de l'exercice comptable, la rétroaction est anticipée grâce à une détection prématurée d'anomalie ou dérives en raison d'anomalies d'actions d'exploitation.

**Prise de fonction**:

- 01/10/2024**Nature du financement**:

- Cont