Return to search

Simulation du problème de colmatage des drains en conditions contrôlées pour la production de canneberges

La production de canneberges au Québec est l’une des plus importantes au monde. L’avancée de la production de canneberges au Québec est due, en partie, à une gestion optimisée des conditions d’irrigation et de drainage. Toutefois, il a été estimé que 75% des champs de canneberges du Centre-du-Québec ont des problèmes de drainage. Les problèmes de conception du système de drainage entraînent des réductions de 25% de rendement des canneberges tandis que le problème de colmatage des drains induit une réduction de 39%. De ce constat, le présent a pour objectif de prédire le degré de colmatage des drains à partir des hauteurs de la nappe à la mi-écartement, au-dessus du drain ainsi que du temps de rabattement de la nappe. Pour se faire, des modèles de prédiction par apprentissage supervisé et par régression linéaire multiple sont utilisés. Les expériences de drainage ont été menées en laboratoire à l’aide d’un simulateur de drainage afin de modéliser de façon analogique le degré de colmatage du drain. Les données expérimentales collectées à la fin de chaque expérience ont permis, entre autres, de générer les variables d’entrée des modèles prédictifs. Les résultats montrent qu’une augmentation du degré de colmatage du drain entraîne : (i) des augmentations du temps de rabattement de la nappe et de la résistance à l’entrée du drain, (ii) une diminution de la conductivité hydraulique équivalente du système de drainage et (iii) l’accumulation d’eau au voisinage du drain. Le modèle prédictif d’apprentissage supervisé ajusté explique 98,9% de la variation du degré de colmatage tandis que la régression n’explique que 58,9% de cette variation. Avec l’introduction de la conductivité hydraulique équivalente du système de drainage dans le modèle, la qualité de l’ajustement du modèle d’apprentissage supervisé passe de 98,9 à 99,8% et celle de régression linéaire multiple passe de 58,9 à 83,8%. / Quebec is one of the largest cranberry producer in the world. The substantial yields in cranberry production in Quebec is due in part to optimized management of irrigation and drainage conditions. However, it has been estimated that 75% of the cranberry fields in Central Quebec have drainage problems. Drainage system design problems result in 25% reduction in cranberry yields drain clogging issues are responsible for a 39% reduction. The present project proposes to predict the degree of clogging based on water table heights at the mid-spacing and above the drain in addition to the water table drawdown time. To do this, predictive models using supervised learning and multiple linear regressions are used. The drainage experiments were conducted in the laboratory using a drainage simulator to analogically reproduce the degree of drain clogging. The experimental data collected at the end of each experiment served, among other things, to generate the input variables of the predictive models. The results show that an increase in the degree of clogging leads: (i) to an increase in water table drawdown time and the drain entrance resistance, (ii) a decrease in the equivalent hydraulic conductivity of the drainage system and (iii) the accumulation of water in the vicinity of the drain. The adjusted supervised learning predictive model explains 98.9% of the variation of the clogging degree, while the regression model explains only 58.9%. With the introduction of the equivalent hydraulic conductivity of the drainage system, the quality of the supervised learning model goes from 98.9 to 99.8% and that of multiple linear regressions from 58.9 to 83.8%.

Identiferoai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/37371
Date29 November 2019
CreatorsDabo, Souleymane
ContributorsGumière, Silvio J., Gallichand, Jacques
Source SetsUniversité Laval
LanguageFrench
Detected LanguageFrench
Typemémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise
Format1 ressource en ligne (xii, 63 pages), application/pdf
Rightshttp://purl.org/coar/access_right/c_abf2

Page generated in 0.0024 seconds