Résumé:
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.
