CHAPITRE VI Application du Machine Learning pour l’étude la performance hydraulique
109
VI.3.5.2 Résultats du modèle sur la Marina Bay
La Figure VI-14 montre l’ensemble des résultats des franchissements obtenu.
La prédiction du modèle Neuronal Network original (Van Gent et al., 2007) a une allure similaire
aux valeurs réelles (essais canal a houle BTP Infrastracturas 2015). Néanmoins la quantification
des débits des franchissements est largement sous-estimée. Le modèle qu’on a développé est
performant pour les essais indexés de (01 – 19 ; 25-30 ; 35-44). Il a su prédire les scenarios dont
les franchissements sont très faibles. Par contre dans la partie de forts débits de franchissement
notre modèle se rapproche mieux des valeurs réelles que celui de Neuronal Network.
L’allure du modèle développé n’est pas assez similaire aux autres graphes. Cela revient à
l’insuffisance dans la base de données aux enregistrements représentant cette partie.
Figure VI-14 Comparaison des valeurs des franchissements des modèles (développé et NN-Clash avec les
tests de la marina en canal à houle).
VI.4. Conclusion
Notre modèle XGBOOST montre dans son ensemble une allure très proche de celle
correspondante aux valeurs mesurées. Le modèle est performant pour les essais dont le débit de
franchissement est faible. Par contre il n’arrive pas à prédire les valeurs du franchissement sur une
seule partie ce qui signifie que ce modèle n’a pas pu s’entrainer sur cette partie de données. Cela
est causée par le manque d’enregistrement dans la base de données initial représentant ces
scénarios dans lesquels les modèle n’ont pas prédit les franchissements.
Enrichir cette base de données avec des enregistrements qui couvre tout l’intervalle des débits des
franchissements est l’objectif des études à l’avenir.
109
VI.3.5.2 Résultats du modèle sur la Marina Bay
La Figure VI-14 montre l’ensemble des résultats des franchissements obtenu.
La prédiction du modèle Neuronal Network original (Van Gent et al., 2007) a une allure similaire
aux valeurs réelles (essais canal a houle BTP Infrastracturas 2015). Néanmoins la quantification
des débits des franchissements est largement sous-estimée. Le modèle qu’on a développé est
performant pour les essais indexés de (01 – 19 ; 25-30 ; 35-44). Il a su prédire les scenarios dont
les franchissements sont très faibles. Par contre dans la partie de forts débits de franchissement
notre modèle se rapproche mieux des valeurs réelles que celui de Neuronal Network.
L’allure du modèle développé n’est pas assez similaire aux autres graphes. Cela revient à
l’insuffisance dans la base de données aux enregistrements représentant cette partie.
Figure VI-14 Comparaison des valeurs des franchissements des modèles (développé et NN-Clash avec les
tests de la marina en canal à houle).
VI.4. Conclusion
Notre modèle XGBOOST montre dans son ensemble une allure très proche de celle
correspondante aux valeurs mesurées. Le modèle est performant pour les essais dont le débit de
franchissement est faible. Par contre il n’arrive pas à prédire les valeurs du franchissement sur une
seule partie ce qui signifie que ce modèle n’a pas pu s’entrainer sur cette partie de données. Cela
est causée par le manque d’enregistrement dans la base de données initial représentant ces
scénarios dans lesquels les modèle n’ont pas prédit les franchissements.
Enrichir cette base de données avec des enregistrements qui couvre tout l’intervalle des débits des
franchissements est l’objectif des études à l’avenir.