Vers une modélisation interprétable des stations d’épuration des eaux usées
No Thumbnail Available
Date
2026-06-30
Authors
BENNOUR, SARRA
Journal Title
Journal ISSN
Volume Title
Publisher
ENSSMAL
Abstract
Afin d’optimiser le suivi des stations d’épuration des eaux usées, cette étude adopte une technique d’apprentissage automatique pour analyser les données physicochimiques des eaux usées de la STEP de Chlef. L’étude porte principalement sur la prédiction de paramètres importants tels que la DCO, la DBO₅ et les MES à partir des données d’exploitation de la station pour la période allant de 2011 à 2018.
L’algorithme XGBoost a été utilisé en raison de sa capacité à modéliser des relations complexes et non-linéaires entre les variables. Plusieurs configurations du modèle
ont été comparées afin d’identifier celle offrant les meilleures performances prédictives.
De plus, la méthode SHAP a été utilisée pour interpréter les résultats du modèle en expliquant l’influence des paramètres sur les prédictions. Le couplage de XGBoost
et SHAP permet de fournir un outil d’aide à la décision capable d’anticiper les dysfonctionnements et d’améliorer le pilotage de la STEP.