Cerfacs Entrez dans le monde de la haute performance...

Soutenance de thèse : Johan HABERT – Prévision temps réel des crues du bassin de la Marne : Assimilation de données in-situ pour la correction du modèle hydraulique MASCARET

  Mercredi 6 janvier 2016 à 14h00

  Thèses Cerfacs       SALLE DE CONFÉRENCE JEAN-CLAUDE ANDRÉ    

Johan HABERT soutiendra publiquement ses travaux de thèse intitulés « Prévision temps réel des crues du bassin de la Marne : Assimilation de données in-situ pour la correction du modèle hydraulique MASCARET » le mercredi 06 janvier 2016 à 14h au CERFACS à Toulouse.

Résumé :
Afin d’anticiper les réactions hydrologiques de la Marne, de l’Aube et de la Seine, les prévisionnistes du Service de Prévision des Crues SPC Seine Amont Marne Amont (SPC SAMA) utilisent des modèles de prévision hydrologiques et hydrauliques. Les premiers transforment la pluie (tombée ou prévue) en débit et les seconds servent à propager le débit de l’amont vers l’aval du cours d’eau, en tenant compte de la topographie de la vallée et des apports des différents affluents. Les modèles hydrauliques utilisés par le SPC SAMA font l’objet d’une amélioration continue afin d’affiner les prévisions et de réduire les marges d’erreur. Dans ce contexte, la DREAL Champagne-Ardenne, en partenariat avec le CERFACS et le SCHAPI, a engagé en 2011 des travaux de recherche en finançant cette thèse. L’objectif de ces travaux est d'améliorer les prévisions des modèles hydrauliques dans le cadre opérationnel de la prévision des crues à partir de méthodes d'assimilation de données.

Les incertitudes sur les modèles hydrauliques proviennent en grande partie de l’estimation des débits entrant dans le modèle ainsi que de la paramétrisation de la physique comme la description topographique de la vallée ou de l’estimation des coefficients de rugosité qui traduisent les pertes de charges liées au frottement de l’eau sur le fond de la rivière. La comparaison a posteriori des valeurs observées aux stations hydrométriques à celles prévues par le modèle permet d’estimer l’erreur des modèles. Les valeurs observées peuvent aussi être utilisées pour corriger le modèle à partir de méthodes d’assimilation de données. Elles consistent à combiner les valeurs simulées par le modèle et celles observées en tenant compte de leurs erreurs respectives pour obtenir une estimation optimale de certains paramètres et des résultats du modèle. Ces méthodes mathématiques ont été appliquées aux modèles hydrauliques utilisés au SPC SAMA développés à partir du logiciel MASCARET. Les données observées (hauteurs d’eau ou débits) sont traduites par l’algorithme d’assimilation en une correction des débits d’entrée et des paramètres de frottement du modèle. Il s’est avéré que l’assimilation de données permet de réduire significativement les incertitudes liées aux données et paramètres du modèle hydraulique de manière séquentielle en temps et ainsi d’améliorer nettement les valeurs prévues par les modèles hydrauliques.
Ces travaux ont été intégrés dans la chaîne opérationnelle de prévision du SPC SAMA en décembre 2014. Sur le bassin, les prévisionnistes disposent de trois modèles hydrauliques de prévision des crues intégrant les méthodes d’assimilation de données. Les erreurs des prévisions des modèles avec assimilation de données sont réduites par rapport aux modèles non corrigés.
Abstract :
Flood forecasting remains a challenge to anticipate and insure security of people. In France, the SCHAPI, wich depends on the MEDDE, takes this function. Water levels and discharges are highly dependent on interactions at different scales between rainfall, geometric characteristics of rivers and topographic, geological and soil properties of the watershed. Hydraulic models, used in the context of flood forecasting, are tainted by uncertainties which necessist to be quantified and corrected in order to better anticipate flow evolution in real time. The work carried out for this PhD thesis aims to improve water level and discharge forecasts on the Marne watershed, from hydraulic models used in the operational framework of flood forecasting using data assimilation methods. These forecasts come from a mono-dimensional (1D) hydraulic model Mascaret based on the resolution of Saint-Venant equations, improved by data assimilation methods using an Extended Kalman Filter (EKF).
These developments have been implemented at the SAMA SPC (local flood forecasting service in the in the north east of France) and used for operational forecast since 2014. They were shown to provide an efficient tool for evaluating flood risk and to improve the flood early warning system.

Composition du jury :
M. Olivier THUAL, IMFT, Directeur de thèse

Mme Sophie RICCI, CERFACS/URA1875, co-Directrice de thèse

M. Jean-Michel TANGUY, MEDDE, Rapporteur

M. Pierre-Olivier MALATERRE, IRSTEA, Rapporteur

Mme Florence HABETS, UMR 7619 METIS, Rapporteur

M. Bruno JANET, SCHAPI, Examinateur

M. Antoine HERMAN, CEREMA, Examinateur

Mme Nicole GOUTAL, LNHE EDF R&D, Examinateur

 

L'AGENDA

Mardi

02

Avril

2024

Introduction à GIT

Mardi 2 avril 2024

  Formation    

Mercredi

03

Avril

2024

Génération de maillages avec CENTAUR

Mercredi 3 avril 2024

  Formation    

Lundi

22

Avril

2024

Méthodes numériques pour la Simulation aux Grandes Echelles avec AVBP

Du lundi 22 avril 2024 au vendredi 26 avril 2024

  Formation    

CONSULTER L'AGENDA