Résumé
La construction d’ouvrages de protection contre la houle nécessite des coûts très élevé. De ce fait
la connaissance de caractéristiques du site d’implantation est primordiale, pour que ces ouvrages
soit rentable en termes de coûts, durable et efficace pour la protection contre la houle. L’objectif
de ce projet de fin d’études est d’appliqué le machine learning pour l’étude de la performance
hydraulique des ouvrages portuaires, cas Marina d’Alger. Pour faire, nous avons commencé par le
traitement et l’analyse des données climatologiques de la zone via des méthodes de prédiction des
évènements extrêmes POT et GEV, ces résultats ont été utilisées pour l’étude hydrodynamique
avec la modélisation numérique à l’aide DHI Mike21. Se basant sur les résultats de cette dernière
étape on a procédé aux calculs de dimensions des digues. Puis, en utilisant des formules semiempirique on a quantifié les différentes actions hydrauliques exercées sur l’ouvrage. Après avoir
testé plusieurs méthodes pour développer un modèle de machine learning qui prédit les débits de
franchissement, en utilisant une base de données extraite de celle développé dans le cadre du projet
européen CLASH. On a opté pour le XGBOOST qui donne le meilleur résultat, l’application du
modèle sur la Marina Bay montre que notre modèle est fiable.
Mots Clés : Marina Bay, POT, GEV, Mike21, Performance hydraulique, Modélisation numérique,
Machine Learning, XGBOOST, Franchissement, Ouvrages portuaires.
Abstract
Construction of coastal protection structures requires very high costs. For this reason, the
knowledge of the site characteristics is essential, so that these structures are profitable in terms of
costs, durable and effective for the protection against waves. The objective of this project is to
apply Machine Learning for the study of the hydraulic performance of port structures, case Marina
Bay of Algiers. To do this, we started by analyzing climatological data using the extreme events
theory POT and GEV. The result is used for the hydrodynamic study by numerical modeling, using
the software Mike21. Then, based on the results of this last step, we proceeded to the calculation
of the dimensions of the dykes and the determination of different hydraulic actions exerted on the
structure, calculating them by semi-empirical formulas. After testing several methods to develop
a machine learning model for the Marina Bay that predicts the Overtopping flows for simple
structures on our database, extracted from the one developed in the framework of the European
project CLASH. We opted for the XGBOOST models which gives the best result, the application
of the model on Marina Bay shows that our model is reliable
Keywords: Hydraulic performance, Marina Bay, XGBOOST, Machine Learning, Overtopping,
POT, GEV, Numerical modeling, Port structures.
La construction d’ouvrages de protection contre la houle nécessite des coûts très élevé. De ce fait
la connaissance de caractéristiques du site d’implantation est primordiale, pour que ces ouvrages
soit rentable en termes de coûts, durable et efficace pour la protection contre la houle. L’objectif
de ce projet de fin d’études est d’appliqué le machine learning pour l’étude de la performance
hydraulique des ouvrages portuaires, cas Marina d’Alger. Pour faire, nous avons commencé par le
traitement et l’analyse des données climatologiques de la zone via des méthodes de prédiction des
évènements extrêmes POT et GEV, ces résultats ont été utilisées pour l’étude hydrodynamique
avec la modélisation numérique à l’aide DHI Mike21. Se basant sur les résultats de cette dernière
étape on a procédé aux calculs de dimensions des digues. Puis, en utilisant des formules semiempirique on a quantifié les différentes actions hydrauliques exercées sur l’ouvrage. Après avoir
testé plusieurs méthodes pour développer un modèle de machine learning qui prédit les débits de
franchissement, en utilisant une base de données extraite de celle développé dans le cadre du projet
européen CLASH. On a opté pour le XGBOOST qui donne le meilleur résultat, l’application du
modèle sur la Marina Bay montre que notre modèle est fiable.
Mots Clés : Marina Bay, POT, GEV, Mike21, Performance hydraulique, Modélisation numérique,
Machine Learning, XGBOOST, Franchissement, Ouvrages portuaires.
Abstract
Construction of coastal protection structures requires very high costs. For this reason, the
knowledge of the site characteristics is essential, so that these structures are profitable in terms of
costs, durable and effective for the protection against waves. The objective of this project is to
apply Machine Learning for the study of the hydraulic performance of port structures, case Marina
Bay of Algiers. To do this, we started by analyzing climatological data using the extreme events
theory POT and GEV. The result is used for the hydrodynamic study by numerical modeling, using
the software Mike21. Then, based on the results of this last step, we proceeded to the calculation
of the dimensions of the dykes and the determination of different hydraulic actions exerted on the
structure, calculating them by semi-empirical formulas. After testing several methods to develop
a machine learning model for the Marina Bay that predicts the Overtopping flows for simple
structures on our database, extracted from the one developed in the framework of the European
project CLASH. We opted for the XGBOOST models which gives the best result, the application
of the model on Marina Bay shows that our model is reliable
Keywords: Hydraulic performance, Marina Bay, XGBOOST, Machine Learning, Overtopping,
POT, GEV, Numerical modeling, Port structures.