Downstream hydrosedimentary impacts of dam flushing: experimental and numerical modelling by Robin MEURICE

Depuis des siècles, les barrages permettent de gérer les ressources en eau à des fins de production et de protection contre les aléas climatiques. Néanmoins, la construction et le fonctionnement des barrages ont des impacts socio-écologiques non négligeables à l'amont, comme à l'aval des barrages. En particulier, ces ouvrages viennent perturber la continuité sédimentaire des rivières. A l'amont, cette perturbation se manifeste principalement à travers la sédimentation du réservoir, qui en réduit progressivement la capacité. Pour assurer la stabilité des fonctions d'un barrage et de son réservoir, il est donc nécessaire de lutter contre cette sédimentation. Les chasses de barrages ont montré leur efficacité à cette fin, mais elles peuvent malheureusement avoir des conséquences écologiques néfastes, à travers des changements morphologiques et des concentrations trop intenses envoyées à l'aval notamment. Bien que la sédimentation et l'efficacité des chasses de barrage aient été massivement étudiées par la communauté scientifique, c'est moins le cas de leurs impacts aval. Cette thèse s'inscrit donc dans la recherche sur l'hydromorphodynamique aval des chasses de barrage.

Une première partie expérimentale visait à étudier les chasses de barrages dans des conditions contrôlées en laboratoire. Différentes techniques de mesure ont notamment été mises au point pour suivre l’évolution du niveau de fond et la concentration pendant l’écoulement. Ceci a donc permis de clarifier les processus hydrosédimentaires qui accompagnent les différentes phases des chasses de barrage.

La deuxième partie visait quant à elle à développer un modèle numérique adapté aux écoulements transitoires fortement chargés comme les chasses de barrages. Un modèle à deux phases et deux couches a été développé dans le but de gérer convenablement l’inertie des phases liquide et solide, tout en tenant compte du gradient vertical de la concentration. Ce modèle repose toutefois sur de nombreux paramètres. Pour obtenir de bons résultats, une calibration par essai-erreur de certains d’entre eux est cependant nécessaire, ce qui prend du temps et limite l’intérêt du modèle à des rivières déjà bien étudiées. Pour éviter ces écueils, une méthodologie basée sur l’apprentissage automatique et permettant de contourner cette calibration par essai-erreur a été développée. En intégrant ses résultats au modèle initial, il devient alors possible d’utiliser le modèle à des fins prédictives, dans le but de limiter les impacts hydrosédimentaires aval.

Jury members :

• Prof. Sandra Soares-Frazao (UCLouvain, Belgium), supervisor
• Prof. Eric Deleersnijder (UCLouvain, Belgium), chairperson
• Prof. Sylvie Van Emelen (ECAM, Belgium)
• Prof. Miltiadis Papalexandris (UCLouvain, Belgium)
• Prof. Benoît Camenen (INRAE Lyon, France)
• Prof. Hervé Capart (National Taiwan University, Taipei)

Lien Teams : ID de réunion : 359 826 210 239 ; mot de passe : M4VeLZ