Analysis of the Vulnerability of Dams to Flood Risks Using Machine Learning – Case of Beni Haroun Dam

Abstract

Les crues figurent parmi les phénomènes naturels les plus redoutés, capables d’affecter sérieusement la stabilité des barrages et la sécurité des zones voisines. Cette étude cherche à comprendre dans quelle mesure les barrages peuvent être vulnérables face aux crues, en utilisant des techniques modernes d’apprentissage automatique. Le barrage de Beni Haroun a été choisi comme cas d’étude. L’objectif principal est d’analyser les aléas hydrologiques et de prédire la vulnérabilité du barrage à partir d’indicateurs climatiques et structurels. Pour cela, différentes données ont été collectées, notamment les précipitations et les caractéristiques structurelles du barrage. Des modèles d’apprentissage automatique, tels que Random Forest, Gradient Boosting, XGBoost et CatBoost ont été développés et entraînés à partir de données pluviométrique. Ces modèles ont permis d’identifier les facteurs les plus influents sur les risques de crue et de prédire avec précision les niveaux de vulnérabilité. Les résultats révèlent que certains facteurs hydrologiques et structurels ont un impact significatif sur le risque d’inondation au niveau du barrage de Beni Haroun. Les modèles développés se sont montrés efficaces pour anticiper les seuils critiques d’inondation et orienter les décisions. Cette recherche met en avant l’efficacité de l’apprentissage automatique dans l’analyse des risques d’inondation et son utilité pour renforcer la sécurité des barrages face aux événements climatiques extrêmes.