MétaCan
Menu
Retour à la cohorte
Enregistrement W3026605349

Élaboration d’un système de prévision hydrologique d’ensemble pour la gestion en temps réel des barrages sur la rivière Shipshaw

2020· article· fr· W3026605349 sur OpenAlexaboutno aff
Estelle Reig

Notice bibliographique

RevueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2020
Typearticle
Languefr
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGeographyHumanitiesCartographyPhilosophy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Plusieurs sociétés propriétaires de centrales hydroélectriques basent la gestion de leurs barrages sur le jugement expert. C’est le cas pour Produits Forestiers Résolu (PFR), qui est un producteur de pâtes et de papiers, propriétaire de quatre centrales hydro-électriques sur la rivière Shipshaw (Québec, Canada). Ces centrales répondent autant que possible aux besoins énergétiques de leurs deux usines voisines (Alma et Kénogami). Dans le cadre de cette étude, un système de prévision d’ensemble du débit pour la rivière Shipshaw a été développé et couplé à un modèle de réservoirs. La performance de ce système pour la gestion des opérations sur les barrages a ensuite été comparée à la gestion des réservoirs basée sur le jugement expert, sur la base d’événements passés. L’étude présentée ici vise à vérifier l’hypothèse selon laquelle cet outil d’aide à la prise de décision (correspondant aux deux modèles couplés) permettrait de mieux satisfaire les règles de gestion des réservoirs qu’un mode de décision basé uniquement sur le jugement expert. Le modèle hydrologique HEC-HMS et le modèle de réservoirs HEC-ResSim, tous deux développés par l’USACE (United State Army Corps of Engineers), ont été utilisés car ils répondent aux besoins de PFR : ils possèdent des interfaces graphiques, ils sont gratuits et simples. La difficulté principale de cette étude est qu’aucune mesure de débit naturel (sans barrages) n’existe pour la rivière Shipshaw. Dans un premier temps, les débits ont donc été renaturalisés à l’aide de l’équation de continuité appliquée aux niveaux des réservoirs et aux débits turbinés. Cependant, les résultats ont été jugés non satisfaisants. Pour cette raison, une des innovations de cette étude est l’utilisation de la méthode de régionalisation basée sur la similitude physique entre les sous-bassins de la rivière Shipshaw et des bassins versants jaugés dans un contexte où HEC-HMS fait partie d’un système d’aide à la prise de décision. Une fois le modèle hydrologique calibré à l’aide des bassins versants donneurs, il a été alimenté par des prévisions météorologiques d’ensemble d’Environnement et Changement climatique Canada (ECCC). Ces prévisions sont constituées de 20 membres, avec un horizon de 10 jours et un pas de temps de 6 heures. Les prévisions de débits ont ensuite été utilisées comme entrées du modèle de réservoir afin de produire des scénarios de gestion. La seconde innovation de cette étude est la comparaison des résultats obtenus avec les opérations réelles effectuées. En effet, pour les trois périodes analysées (automne 2010, printemps 2013 et été 2015), cette comparaison démontre la supériorité du système formel mis en place. Ces résultats valident l’hypothèse de départ : l’utilisation de cet outil aurait pu aider à éviter des inondations passées et même augmenter la production énergétique. Plus généralement, cet outil peut permettre au gestionnaire l’anticipation d’événements à une plus grande échelle que lorsque la gestion est uniquement appuyée sur l’expérience. Enfin, la simplicité et la flexibilité de ces deux modèles les rend facilement transférables à d’autres contextes opérationnels où les prévisions sont nécessaires pour compléter la connaissance des experts.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,921
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,188
Écart entre enseignants0,178 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Même sujetHydrology and Watershed Management StudiesTravaux en français237 207