Caractérisation des fuites dans les réseaux d’eau potable, par méthode d’apprentissage et par fusion d’informations à partir de données GPR et images hyper-spectrales

French Version

Problématique

En France, plus de 20% de l’eau potable est perdue dans des fuites avant son arrivée dans nos robinets. Ces pertes représentent plus de 937 millions de m³/an (soit 30 m³/s), avec un coût estimé à plusieurs milliards d’euros annuels. Cette problématique est marquée par une forte disparité géographique où certaines agglomérations et certaines régions (notamment la Chine et les territoires français d’outre mers) présentent plus de 50% de fuite. Au niveau national, le parc d’infrastructures est vieillissant, avec 60% du réseau posé après les années 1970 alors que sa durée de vie moyenne est de 50 à 80 ans. Les causes de fuites sont multiples, liées notamment à l’usure des joints d'étanchéité, la corrosion et les tassements différentiels (dont les phénomènes de retrait-gonflement) altérant les canalisations. Avec plus de 900 000 km de réseaux et face aux conséquences du réchauffement climatique (sécheresse, …), la préservation de la ressource en eau s’inscrit de plus en plus comme un enjeu prioritaire pour notre société. A date, aucune solution commercialisée sur le marché ne permet de répondre de manière directe et complète aux besoins des gestionnaires et des exploitants de réseaux pour détecter et localiser les fuites. De nombreuses solutions sont présentes mais ne couvrent que partiellement ou de manière ponctuelle et invasive l’ensemble des besoins.

Objectifs

Pour répondre à cette problématique, l’Université Gustave Eiffel, sa start-up spin-off FI-NDT et l’IETR (Institut d’Electronique et des Technologies du numéRique) s’associent pour porter une thèse CIFRE visant à améliorer la caractérisation de fuites dans les réseaux d’eau potable. Les technologies FI-NDT / Univ. Eiffel (validées en 2022-2023 dans le cadre de différentes preuves de concept) sont principalement basées sur la propagation des ondes électromagnétiques (EM) alors que celles de l’IETR reposent sur l’imagerie hyper-spectrale. Dans le cadre de cette thèse, il s’agira de mettre en place une procédure hybridant intelligence artificielle (Multiversal Prediction Matrix, R-CNN, autre…), inversion de formes d’onde EM et analyse différentielle des résultats d’imagerie hyper-spectrale afin d’optimiser la détection et le suivi des fuites d’eau dans les réseaux enterrés et d’être en mesure de proposer des cartographies de criticité. Les résultats de cette thèse seront destinés à des applications industrielles à grandes échelles.

Méthodologie envisagée

La méthodologie envisagée dans le cadre de ces travaux de thèse peut se détailler en trois axes, susceptibles d’évoluer légèrement en fonction des avancées de la thèse : i) Méthodes EM, ii) imagerie hyper-spectrale, iii) fusion d’informations.

Méthode EM : La faisabilité de la détection d’eau en milieu poreux par méthodes EM (basses et hyper-fréquences) a été démontrée préalablement dans le cadre de nombreux projets de recherche [1-5], pour des applications dans le domaine de la durabilité des infrastructures de transport et du bâtiment, menées par les laboratoires de recherche de l’université Gustave Eiffel. Les technologies FI-NDT, issues en partie des travaux menés au sein des laboratoires Lames/MAST, RRO/GERS et GeoEND/GERS de l’université Gustave Eiffel, se basent sur une approche par résolution de problèmes inverses et une gestion intelligente des données massives de type END (Evaluation Non Destructive).

Imagerie hyper-spectrale : La présence d’eau souterraine peut-être suspectée en milieu végétalisé à l’aide des informations contenues dans les multiples bandes spectrales (spectre de réflectance à différentes longueurs d’onde) de l’hypercube [6-8]. Les images aéroportées (avions, drones), avec un suivi temporel, permettent par exemple de renseigner sur la vigueur de la végétation (teneur en chlorophylle) et d’en déduire des potentiels teneurs hydriques dans le sous-sol. L’imagerie hyper-spectrale est complémentaire aux méthodes EM dans le sens où elle permet d’accéder à des zones difficilement accessibles à certains antennes radar de grandes dimensions tractées sur voie carrossable.

Fusion d’informations : Les caractérisations réalisées individuellement par chaque source d’informations peuvent être utilisées conjointement afin d’optimiser la connaissance et le manque d’informations pour représenter la réalité. En particulier, la théorie des masses de croyance (Dempster-Shafer) permet la prise en compte d’informations imprécises, incertaines, incomplètes et inconsistantes [9]. Elle pourra être utilisée pour tirer profit de la complémentarité des deux méthodes de reconnaissance utilisées dans le cadre de ces travaux.

Planning prévisionnel

Un premier travail bibliographique portant sur les méthodes électromagnétiques, hyper-spectrales, d’apprentissage et théorie des masses de croyance sera réalisé durant la première année de thèse afin de comprendre les apports et limites de chacune de ces méthodes dans le cadre de la problématique et des objectifs fixés.

Il s’agira ensuite pour le/la doctorant(e) d’être en mesure d’identifier les caractéristiques saillantes permettant de localiser la présence de fuites pour chaque méthode de reconnaissance. Il sera nécessaire d’être conscient que ces caractéristiques saillantes peuvent être amenées à varier en fonction de la position de la fuite, de la lithologie, de la météo, etc… Des algorithmes d’apprentissage (SVM, CNN…) devront ensuite être utilisés/optimisés afin d’automatiser cette reconnaissance de caractéristiques saillantes à partir de jeux de données fournis. A titre d’exemple, l’utilisation de méthodes telles que le « rapport spectral », le « peak frequency shift » ou le « rise-time » seront autant de pistes à envisager [10] pour l’utilisation du facteur de qualité comme paramètre saillant dans le traitement de données EM.

Ces reconnaissances et apprentissage pourront être réalisés à la fois i) à partir de données générées numériquement (GPRmax…), ii) à partir de données provenant de campagnes déjà réalisées dans le cadre d’un partenariat avec Véolia et La Communauté d’Agglomération de St Quentin, iii) ainsi qu’à partir de données obtenues après montage d’une campagne de reconnaissance sur milieu contrôlé sur le campus de l’Université Gustave Eiffel (dans le cadre des projets maturation Sci-ty ANDANTE et région DEFEAU).

Une fois les caractéristiques saillantes identifiées et les capacités de la méthode d’apprentissage évaluées, le/la doctorant(e) se penchera sur une méthodologie d’estimation d’indicateurs de fiabilité/indices de criticité permettant d’évaluer la caractérisation proposée pour chaque source d’informations, en amont du processus de fusion. Cette méthodologie permettra ensuite de fixer des règles de répartition des masses de croyance pour chaque hypothèse définie. Enfin, l’hétérogénéité, en termes de résolutions spatiales et temporelles, des données devra être appréciée pour restituer une cartographie de fuites avec indices de confiance associés. Ponctuellement, d’autres sources d’informations pourront être prises en compte (informations provenant d’équipes de terrain, plan, historique, débitmètres, nature et âge du réseau, relevés météos…) dans l’ensemble de la méthodologie développée.

Ces travaux de thèse seront valorisés par des communications et par des publications dans des revues scientifiques internationales.

English Version

Problematic

In France, over 20% of drinking water is lost through leaks before it reaches our taps. These losses amount to more than 937 million cubic meters per year (equivalent to 30 cubic meters per second), with an estimated cost of several billion euros annually. This issue is marked by significant geographical disparities, with some urban areas and regions (notably China and French overseas territories) experiencing over 50% leakage. Nationally, the infrastructure network is aging, with 60% of the network installed after the 1970s despite having an average lifespan of 50 to 80 years. The causes of leaks are manifold, including wear and tear on sealing joints, corrosion, and differential settlements (including shrink-swell phenomena) affecting pipelines. With over 900,000 kilometers of networks and in the face of the consequences of climate change (such as droughts), the preservation of water resources is increasingly becoming a top priority for our society. To date, no commercially available solution on the market adequately addresses the needs of network managers and operators to detect and locate leaks directly and comprehensively. Many solutions exist, but they only partially or sporadically cover the full range of requirements and can be invasive.

Objectives

To address this issue, Gustave Eiffel University, its spin-off start-up FI-NDT, and the IETR (Institute of Electronics and Digital Technologies) are collaborating to support a CIFRE thesis aimed at improving the characterization of leaks in drinking water networks. The FI-NDT / Univ. Eiffel technologies (validated in 2022-2023 through various proof of concept projects) are primarily based on the propagation of electromagnetic waves (EM), while those of the IETR rely on hyperspectral imaging. In the scope of this thesis, the goal is to implement a procedure that hybridizes artificial intelligence (such as Multiversal Prediction Matrix, R-CNN, among others), EM waveform inversion, and differential analysis of hyperspectral imaging results to optimize the detection and monitoring of water leaks in underground networks and to propose criticality mappings. The outcomes of this thesis will be intended for large-scale industrial applications.

Envisaged methodology

The methodology envisioned for this thesis work can be detailed into three axes, which may evolve slightly depending on the progress of the thesis: i) EM Methods, ii) Hyperspectral Imaging, iii) Information Fusion.

EM Method: The feasibility of water detection in porous media using EM methods (low and high frequencies) has been demonstrated previously in numerous research projects [1-5], for applications in the field of infrastructure sustainability in transportation and building, conducted by research laboratories at Gustave Eiffel University. The FI-NDT technologies, partly derived from work conducted within the Lames/MAST, RRO/GERS, and GeoEND/GERS laboratories at Gustave Eiffel University, are based on an inverse problem resolution approach and intelligent management of massive non-destructive evaluation (NDE) data.

Hyperspectral Imaging: The presence of groundwater can be suspected in vegetated environments using information contained in multiple spectral bands (reflectance spectrum at different wavelengths) of the hypercube [6-8]. Airborne imaging (planes, drones), with temporal monitoring, for example, can provide information on vegetation vigor (chlorophyll content) and deduce potential water content in the subsoil. Hyperspectral imaging complements EM methods in that it provides access to areas that are difficult to reach for certain large radar antennas towed on drivable roads.

In

formation Fusion: The characterizations performed individually by each source of information can be used together to optimize knowledge and fill information gaps to represent reality. In particular, the theory of belief masses (Dempster-Shafer) allows for the consideration of imprecise, uncertain, incomplete, and inconsistent information [9]. It can be used to take advantage of the complementarity of the two recognition methods used in this work.

Projected Schedule

During the first year of the thesis, an initial bibliographical study focusing on electromagnetic methods, hyperspectral imaging, machine learning, and belief mass theory will be conducted to understand the contributions and limitations of each of these methods within the scope of the problem and the set objectives.

The next step for the doctoral candidate will be to identify salient features enabling the localization of leaks for each recognition method. It will be necessary to be aware that these salient features may vary depending on the leak location, lithology, weather conditions, etc. Learning algorithms (such as SVM, CNN, etc.) will then need to be used/optimized to automate the recognition of these salient features from provided datasets. For example, the use of methods such as "spectral ratio," "peak frequency shift," or "rise-time" will be potential avenues to consider [10] for utilizing quality factor as a salient parameter in EM data processing.

These recognitions and learning processes can be carried out from i) numerically generated data (GPRmax...), ii) data from campaigns already conducted in partnership with Veolia and the Saint Quentin Agglomeration Community, iii) as well as from data obtained after setting up a reconnaissance campaign in a controlled environment on the Gustave Eiffel University campus (within the framework of Sci-ty ANDANTE and DEFEAU region maturation projects).

Once the salient features are identified and the learning method's capabilities evaluated, the doctoral candidate will focus on a methodology for estimating reliability indicators/criticality indices to assess the proposed characterization for each information source, prior to the fusion process. This methodology will then establish rules for distributing belief masses for each defined hypothesis. Finally, the heterogeneity in terms of spatial and temporal resolutions of the data must be considered to produce leak mapping with associated confidence indices. Occasionally, other sources of information (from field teams, plans, history, flow meters, network nature and age, weather records, etc.) may be taken into account in the developed methodology.

These thesis works will be disseminated through presentations and publications in international scientific journals.

L’université Gustave Eiffel et sa spin-off FI-NDT proposent actuellement des solutions innovantes d’imagerie 3D basées sur des données d’évaluation non destructive (END) de type ElectroMagnétique (EM) et imagerie hyper-spectrale. Ces solutions sont formulées à destination des grands acteurs de l’aménagement du territoire (gestionnaires ou propriétaires des infrastructures du génie civil). Plusieurs offres de services sont proposées, depuis l’acquisition de données d’END vers l’appui et le conseil des gestionnaires, en passant par le traitement et l’interprétation des résultats d’imagerie. Pour chacune de ces étapes, les deux partenaires disposent d’un savoir-faire, de logiciels et matériels innovants et protégés ainsi que des méthodologies de traitement et d’évaluation uniques au monde.

Les technologies FI-NDT issues en partie des travaux menés au sein des laboratoires Lames/MAST, RRO/GERS et GeoEND/GERS de l’université Gustave Eiffel se basent sur une approche par résolution de problèmes inverses et une gestion intelligente des données massives de type END. Ces innovations, indisponibles jusqu’à présent sur le marché, offrent un meilleur rendement et une plus grande pertinence et précision d'indicateurs relatifs à la dégradation (en sub-surface) des infrastructures.

French Version

Profil

Nous recherchons un(e) candidat(e) ayant une solide formation dans le domaine du traitement de l’information et des connaissances (ou à minima un attrait) dans le domaine des géosciences/du génie civil/télédétection. Au vu de la nature transverse du sujet porté dans le cadre de cette thèse (EM, hyper-spectrale, IA, Fusion), les profils atypiques et polyvalents sont encouragés. Une expérience en programmation (Matlab, Python) et en modélisation numérique est fortement souhaitée. Une bonne maîtrise de l’anglais est également obligatoire.

Mots-Clés

Auscultation, surveillance, cartographie hydrique, évaluation non destructive, imagerie hyper-spectrale, radar GPR, intelligence artificielle, méthodes d’apprentissage, fusion d’informations.

English Version

Profile

We are seeking a candidate with a strong background in information and knowledge processing (or at least an interest) in the fields of geosciences/civil engineering/remote sensing. Given the interdisciplinary nature of the subject addressed in this thesis (EM, hyperspectral, AI, Fusion), unconventional and versatile profiles are encouraged. Experience in programming (Matlab, Python) and numerical modeling is highly desired. Proficiency in English is also mandatory.

Keywords

Inspection, monitoring, water mapping, non-destructive evaluation, hyperspectral imaging, GPR radar, artificial intelligence, machine learning methods, information fusion.