Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Accueil du site → Doctorat → Algérie → 2022 → Etude hydro-chimique et modélisation de la qualité des eaux souterraines (Cas de la Wilaya d’ILLIZI)

Université Kasdi Merbah Ouargla (2022)

Etude hydro-chimique et modélisation de la qualité des eaux souterraines (Cas de la Wilaya d’ILLIZI)

KOUADRI, SABER

Titre : Etude hydro-chimique et modélisation de la qualité des eaux souterraines (Cas de la Wilaya d’ILLIZI)

Auteur : KOUADRI, SABER

Université de soutenance : Université Kasdi Merbah Ouargla

Grade : Doctorat 2022

Résumé
Dans le but d’évaluer la qualité physique et chimique des eaux souterraines de six couches (Dévonien inférieur, Mio Pliocène, Infero Flux, Cambro Ordovician, Albian et Zaraitine à Illizi, et d’identifier les sources de sa composition chimique et de détecter l’aptitude à la consommation et à des fins d’irrigation, 44 échantillons ont été prélevés au cours des deux années 2018-2019 pour mesurer le pH, la T°, la conductivité électrique (CE) et les sels dissous totaux (TDS), les concentrations d’éléments majeurs ont été analysées en laboratoire. D’autres utilisations ont été évaluées en déterminant le rapport d’adsorption de sodium (SAR), le pourcentage de sodium soluble (SSP), l’indice de perméabilité (PI), l’indice de Kelly (KI) et la dureté totale (TH) des échantillons d’eau. Cette analyse a indiqué que les eaux souterraines de Zaraitine avaient la pire qualité chimique, tandis que l’Infero Flux, le Cambro Ordovicien et l’Albien ont de l’eau potable. Basé sur le taux d’absorption de sodium (SAR), le pourcentage de sodium de solubilité (SSP), l’indice de Kelly (KI), l’indice de perméabilité (PI), la teneur en carbonate de sodium résiduel (RSC) et le risque de magnésium (MH). Nous constatons que le Dévonien inférieur, l’Infero Flux et l’Ordovicien du Cambro ont de l’eau appropriée pour l’irrigation, d’autre part, tout le Mio-Pliocène, l’Albien et le Zaraitine considèrent comme impropres à la pratique agricole. L’évaluation de la qualité des eaux souterraines est l’une des tâches les plus cruciales pour garantir des sources d’eau potable salubres. Parallèlement, un indice de qualité de l’eau (IQE) nécessite certains paramètres de qualité de l’eau. Classiquement, le calcul WQI prend du temps et se trouve souvent avec diverses erreurs lors du calcul des sous-indices. À cette fin, 8 algorithmes d’intelligence artificielle par exemple, régression multi linéaire (MLR), forêt aléatoire (RF), arbre M5P (M5P), sous-espace aléatoire (RSS), régression additive (AR), réseau de neurones artificiels (ANN), vecteur de support La régression (SVR) et la régression linéaire pondérée localement (LWLR) ont été utilisées pour générer la prédiction de l’IQE dans la région d’Illizi, au sud-est de l’Algérie. En utilisant la meilleure régression de sous-ensemble, 12 combinaisons d’entrées différentes ont été développées et la stratégie de travail était basée sur deux scénarios. Le premier scénario vise à réduire la consommation de temps dans le calcul de l’IQE, où tous les paramètres ont été utilisés comme entrées. Le deuxième scénario vise à montrer la variation de la qualité de l’eau dans les cas critiques lorsque les analyses nécessaires ne sont pas disponibles ; alors que tous les intrants ont été réduits sur la base d’une analyse de sensibilité. Les modèles ont été évalués à l’aide de plusieurs métriques statistiques, notamment le coefficient de corrélation (R), l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE), l’erreur absolue relative (RAE) et l’erreur quadratique relative (RRSE). Les résultats révèlent que le TDS et le TH sont les principaux moteurs influençant l’IQE dans la zone d’étude. La comparaison de la métrique d’évaluation des performances montre que le modèle MLR a la plus grande précision par rapport aux autres modèles du premier scénario en termes de 1, 1,4572×10-08, 2,1418×10-08, 1,2573×10-10 % et 3,1708×10-08 % pour R, MAE, RMSE, RAE et RRSE, respectivement. Le deuxième scénario a été exécuté avec un taux d’erreur moindre en utilisant le modèle RF avec 0,9984, 1,9942, 3,2488, 4,693 et 5,9642 pour R, MAE, RMSE, RAE et RRSE, respectivement

Mots clés : Eaux souterraines Hydrochimie Illizi Intelligence artificielle Modélisation

Présentation

Version intégrale (2,9 Mb)

Page publiée le 5 octobre 2022