Soutenance de thèse : Ali Shakil

Cette thèse s'inscrit dans le cadre d'un projet mené par le service d'assainissement de Marseille Métropole (SERAMM), une filiale de Suez, sur la digitalisation du réseau d'assainissement de la ville de Marseille. Les éléments essentiels de ce réseau sont les ``avaloirs'' qui ont le rôle d'absorber les eaux pluviales. Ces avaloirs ont besoin d'une maintenance permanente en raison des problèmes d'encrassement qui peuvent entraîner des inondations, des dommages aux équipements et la pollution de l'environnement. Ce travail s'inscrit dans ce contexte et a pour objectif d'étudier un ensemble d'avaloirs connectés grâce à des capteurs de mesure du niveau d'encrassement, afin de rendre l'opération de maintenance plus efficace. Pour ce faire, nous souhaitons comprendre la dynamique globale d'accumulation des déchets dans les avaloirs en analysant les données recueillies par ce réseau de capteurs. Cette tâche, au premier regard simple, s'est avérée très complexe et fastidieuse.

En effet, les premières analyses des données révèlent une diversité importante dans la dynamique d'encrassement, avec des augmentations ou des diminutions progressives ou brusques.

De plus, cette dynamique est influencée par des éléments contextuels tels que la proximité d'arbres ou de certains commerces, ou encore la pluie. Dans un premier temps, notre étude a consisté en un prétraitement des données collectées incluant notamment l'élimination de redondances et la détection des anomalies. Ces dernières se manifestent sous forme de pics dans les données qu'il est nécessaire de détecter et de supprimer. Dans un deuxième temps, nous avons ensuite utilisé des algorithmes d'intelligence artificielle afin de regrouper les avaloirs selon leurs comportements et d'identifier des clusters d'avaloirs ayant des dynamiques distinctes. Pour approfondir notre compréhension de la dynamique d'encrassement, nous avons ensuite examiné l'impact des éléments contextuels sur les comportements d'encrassement établis. Après avoir identifié ces éléments, ainsi que les données qui leur sont associées, nous avons analysé leur influence sur différentes catégories d'avaloirs en nous basant sur des méthodes statistiques, soit de manière bivariée, en étudiant les facteurs individuellement, soit de manière multivariée, en tenant compte de l'ensemble des facteurs contextuels.

Mots-clés : réseau d’assainissement, Intelligence Artificielle, analyse de données, détection d'anomalies, clustering.

This thesis is part of a project led by the Marseille Métropole Sanitation Service (SERAMM), a subsidiary of Suez, focusing on the digitalization of Marseille's sewer network. An essential element of this network is the ``storm drains'' designed to absorb rainwater. These drains require constant maintenance due to concerns over waste accumulation, which can lead to flooding, equipment damage, and environmental pollution. The aim of this study is to examine a group of storm drains equipped with sensors  that measure waste levels to enhance maintenance efficiency. The objective is to understand the overall dynamics of waste accumulation in these drains through data collected from this network of sensors. This task, initially seeming straightforward, turned out to be highly complex and laborious.

Indeed, our initial data analysis uncovered a significant variety in the dynamics of waste accumulation, characterized by gradual or sudden increases and decreases.

Moreover, this dynamic is impacted by contextual factors such as the proximity to trees or various commercial establishments, as well as rainfall. Our study initially involved preprocessing the collected data, which included eliminating redundancies and detecting anomalies. These anomalies, which appeared as peaks in the data, were identified and removed. Subsequently, we used artificial intelligence algorithms to categorize the storm drains based on their behavior and to identify clusters of drains with distinct dynamics. To deepen our understanding of these dynamics, we investigate the impact of exogenous factors on the established waste accumulation categories. After identifying these factors and the relevant data, we analyzed their influence on different storm drain categories using statistical methods. This includes bivariate analysis for assessing each factor individually, and multivariate analysis, by considering all contextual factors collectively.

Keywords: sanitation network, Artificial Intelligence, data analysis, anomalies detection, clustering