CHAPITRE VI Application du Machine Learning pour l’étude la performance hydraulique
106
Les prédictions des franchissements de notre modèle d'apprentissage automatique pour la base de
données choisie sont présentées dans les Figure VI-11 et Figure VI-12. L’erreur du notre modèle
XGB est visiblement petite, avec des différences largement inférieures à un facteur 10. Cela se
reflète par le calcul de RMSE appliqué sur l’ensemble des données disponible (4 632
enregistrements). Ce calcul a donné un résultat de 0.016 (totalité des données), 0.035 (données du
test) et 0,017 (données du train), ce qui représente des valeurs inferieure par rapport aux précédents
travaux (le modèle NN original (Van Gent et al., 2007), mais inclut également le modèle NNb
(Zanuttigh et al., 2016), les formules empiriques de franchissement (TAW, 2002 ; EurOtop, 2018)
pour la prédiction du franchissement des vagues et le XGB (Joost P. den Bieman, 2021)), voir
Tableau VI-4 RMSE pour tous les modèles de prédiction de franchissement. (Joost P. den Bieman,
2021)Tableau VI-4. Ce RMSE réduit s’explique par le fait que la base de données ne contient que
les enregistrements de structure simple (CF=1).
Une forte corrélation de 92% entre les valeurs de franchissement prédites par le modèle et les
valeurs réelle des tests en modèle physique est observé dans la Figure VI-13 Corrélation des
résultats du modèle avec les franchissements réels. Ceci vient confirmer la fiabilité du modèle
développé.
Tableau VI-4 RMSE pour tous les modèles de prédiction de franchissement. (Joost P. den Bieman, 2021)
Data Set
TAW EurOtop
NN
NNb
XGB
XGBr
Training data set (6943)
1.089
1.313
0.490 0.566
0.098
0.097
Test data set (1736)
0.995
1.207
0.478 0.580
0.284
0.285
Overtoppine Data Base (8 679)
1.086
1.283
0.602 0.636
0.409
0.248
Figure VI-11 Comparaison des valeurs de franchissement obtenues.