Documents disponibles écrits par cet auteur

Modélisation du transport solide par machine Learning (application au bassin versant de la Medjerda) / Menad Djellali 

Public ISBD Titre : Modélisation du transport solide par machine Learning (application au bassin versant de la Medjerda) Type de document : document électronique Auteurs : Menad Djellali, Auteur ; Abderraouf Bounjad, Auteur ; Bermad, Abdelmalek, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2020 Importance : 1 fichier PDF (3.6 M) Présentation : ill. Note générale : Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Hydraulique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 100 - 102 Langues : Français (fre) Mots-clés : Érosion  ;  transport  solide  ;  intelligence  artificielle  ;  réseaux  de  neurones  artificiels  ;  Gradient  Boosting  ;  Medjerda  ;  Colorado. Index. décimale : PH00820 Résumé : Le contrôle de l’envasement des retenues des barrages permet d’évaluer de façon globale l’importance de processus de l’érosion et de transport solide. Dans notre mémoire, on a fait dans un premier lieu une recherche bibliographique concernant le problème majeur de l’érosion et de transport solide et leur impact sur l’envasement des barrages notamment en Algérie. L’évolution reconnue de domaine de la modélisation hydrologique dans les dernières années a donné des nouvelles approches pour la quantification de l’érosion et de transport solide par l’estimation des concentrations en matière en suspension en fonction de débit liquide au niveau des différents bassins versants. La modélisation débit-MES a été faite par deux méthodes d’intelligence artificiels, les réseaux de neurones artificiels et le Gradient Boosting. L’application sur les deux bassins versant (Medjerda et Colorado) et l’évaluation des performances de ces deux modèles a montré que le modèle le plus performant est celui de réseaux de neurones artificiels en cas de nombre important de données fiable, dans le cas contraire le Gradient Boosting présente une meilleure souplesse. Modélisation du transport solide par machine Learning (application au bassin versant de la Medjerda) [document électronique] / Menad Djellali, Auteur ; Abderraouf Bounjad, Auteur ; Bermad, Abdelmalek, Directeur de thèse . - [S.l.] : [s.n.], 2020 . - 1 fichier PDF (3.6 M) : ill. Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Hydraulique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 100 - 102 Langues : Français (fre) Mots-clés : Érosion  ;  transport  solide  ;  intelligence  artificielle  ;  réseaux  de  neurones  artificiels  ;  Gradient  Boosting  ;  Medjerda  ;  Colorado. Index. décimale : PH00820 Résumé : Le contrôle de l’envasement des retenues des barrages permet d’évaluer de façon globale l’importance de processus de l’érosion et de transport solide. Dans notre mémoire, on a fait dans un premier lieu une recherche bibliographique concernant le problème majeur de l’érosion et de transport solide et leur impact sur l’envasement des barrages notamment en Algérie. L’évolution reconnue de domaine de la modélisation hydrologique dans les dernières années a donné des nouvelles approches pour la quantification de l’érosion et de transport solide par l’estimation des concentrations en matière en suspension en fonction de débit liquide au niveau des différents bassins versants. La modélisation débit-MES a été faite par deux méthodes d’intelligence artificiels, les réseaux de neurones artificiels et le Gradient Boosting. L’application sur les deux bassins versant (Medjerda et Colorado) et l’évaluation des performances de ces deux modèles a montré que le modèle le plus performant est celui de réseaux de neurones artificiels en cas de nombre important de données fiable, dans le cas contraire le Gradient Boosting présente une meilleure souplesse.

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00161	PH00820	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Hydraulique	Téléchargeable

Documents numériques

DJELLALI.Menad_BOUNJAD.Abderraouf.pdf URL