Ce travail présente le contrôle en temps réel de la qualité de l’eau potable par la technologie intelligente. Le déploiement des capteurs dans les réseaux de distribution fournit une indication des risques de contamination. Cependant, l’utilisation de ces dispositifs innovants est récente et nécessite des expérimentations. Cette thèse vise à améliorer le retour d’expérience dans ce domaine. Elle présente la supervision en ligne de la qualité de l’eau dans le cadre des projets SunRise et “SmartWater4Europe”. La bibliographie montre l’impact de la contamination de l’eau sur la santé humaine et les inconvénients des méthodes conventionnelles de surveillance de la qualité de l’eau. Une expérimentation à grande échelle est menée dans le campus de l’Université de Lille, où deux types de capteurs (S::CAN and EventLab) sont implémentés. L’analyse des signaux enregistrés a montré l’occurrence de certains évènements, généralement corrélés avec la variation des paramètres hydrauliques ou des interventions sur le réseau. Différentes méthodologies pour la détection d’anomalie de l’eau sont présentées et appliquées aux données S::CAN. Les méthodes Statistiques et de l’Intelligence Artificielle (Machine à Vecteurs de Support) distinguent entre les mesures normales et inattendues. Un Système de Détection des Evènements (SDE), développé avec le logiciel Canary, a montré une bonne performance dans l’identification des anomalies de l’eau. La dernière partie propose une combinaison entre l’approche "Évaluation de risques" et "surveillance intelligente". La méthode développée détecte et classifie, en temps réel, le risque d’anomalie de l’eau, et identifie la priorité d’attention requise. / This works presents the real-time control of drinking water quality using the smart technology. The deployment of water quality sensors in the distribution networks provides indication of contamination risks. However, the use of these innovative devices is recent and yet requires field experimentations. This thesis enhances the feedback in this domain. It presents a field study of online supervision of water quality, within SunRise project. This work is also a part of the European project “SmartWater4Europe”. The literature review highlights the impact of water contamination on human health as well as the drawbacks of conventional water supervision methods. A large-scale experimentation is conducted at the Scientific Campus of Lille University, where two types of sensors (S::CAN and EventLab) are implemented. The detailed analysis of recorded water quality signals showed the occurrence of some events, generally correlated with the variation of hydraulic parameters or the network interventions. Different methodologies for the detection of water anomaly are presented and applied to S::CAN data. Statistical and Artificial Intelligence (Support Vector Machine) methods discriminate between normal and unexpected measurements. An Event Detection System (EDS), developed within Canary software, showed a good performance in the identification of water abnormalities. The last part proposes a combination between the risk assessment approach and the smart monitoring. The improved risk assessment methodology allows a real-time detection and classification of water anomaly risk as well as an identification of the priority attention required.
Identifer | oai:union.ndltd.org:theses.fr/2018LIL1I028 |
Date | 02 July 2018 |
Creators | Saab, Christine |
Contributors | Lille 1, Université libanaise, Shahrour, Isam, Hage Chehade, Fadi |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0016 seconds