Chapitre VI
Machine Learning
104
On a obtenu des résultats très satisfaisants; (𝑠𝑐𝑜𝑟𝑒 𝑟2 𝑝𝑜𝑢𝑟 𝑙′𝑒𝑛𝑠𝑒𝑚𝑏𝑙𝑒 𝑑′𝑒𝑛𝑡𝑟𝑎î𝑛𝑒𝑚𝑒𝑛𝑡 =
0.97 ) et (𝑠𝑐𝑜𝑟𝑒 𝑟2 𝑝𝑜𝑢𝑟 𝑙′𝑒𝑛𝑠𝑒𝑚𝑏𝑙𝑒 𝑑𝑒 𝑡𝑒𝑠𝑡 = 0.92 ). On remarque clairement, qu’à partir de
la figure, que la performance du modèle est très élevée lorsque les débits de franchissements sont
importants (>0,01 litre). Le diagramme de corrélation est illustré dans la Figure VI-14 où on
constate une forte corrélation entre les résultats mesurés et prédits dans l'intervalle mentionné.
Figure VI-14 : Prédictions du modèle développé pour la base des données sur les digues à talus.
VI.8. Conclusion
En conclusion, la base de données CLASH (Crest Level Assessment of Coastal Structures by FullScale Monitoring, Neural Network Prediction, and Hazard Analysis on Permissible Wave
Overtopping) représente une ressource precieuse pour l'étude du franchissment des vagues sur les
structures côtières. À partir de cette base de données, des modèles ont été développés dans le but
de prédire le taux de franchissement des vagues dont deux ont été spécifiquement publiés sur ce
sujet : un modèle de réseau neuronal en 2007 et un modèle utilisant l'algorithme XGBoost en 2020.
Dans ce chapitre, ces deux modèles ont été reproduits et analysés. De plus, un nouveau modèle a
été créé spécifiquement pour les digues à talus, en combinant les caractéristiques polynomiales
avec l'algorithme XGBoost. Tous les modèles ont présenté des corrélations positives entre les
valeurs mesurées et prédites, ce qui démontre leur efficacité dans la prédiction du franchissement
des vagues.