Évaluer l’impact de l’extraction des eaux souterraines et des fissures des barrages en béton sur l’intrusion d’eau salée à l’aide de modélisation numérique et d’apprentissage automatique interprétable

Pourquoi l’eau de mer peut menacer nos réserves cachées

Pour de nombreuses collectivités côtières, l’eau potable la plus fiable ne provient pas des rivières ou des réservoirs, mais de couches souterraines de sable et de gravier qui stockent l’eau douce. Lorsque l’on pompe trop d’eau dans ces aquifères, ou lorsque les structures protectrices se dégradent, l’eau de mer peut s’infiltrer sous la surface et transformer des ressources douces en ressources salées. Cet article examine comment ce front d’eau salée souterrain évolue sous l’effet du pompage et de l’apparition de fissures dans un barrage souterrain en béton, et montre comment des modèles informatiques modernes et des outils d’apprentissage automatique peuvent aider les gestionnaires à préserver les aquifères côtiers.

L’avancée silencieuse de l’eau salée sous terre

Le long d’un littoral, l’écoulement de l’eau douce vers la mer repousse naturellement un coin d’eau salée plus dense. Si le pompage depuis des puits augmente ou si la recharge naturelle diminue, cet équilibre est perturbé et le coin d’eau salée peut progresser vers l’intérieur des terres, atteignant éventuellement les puits et les prises d’irrigation. Les ingénieurs construisent parfois des barrages souterrains ou des murs d’étanchéité sous la surface pour ralentir cette avancée, en réduisant la voie de passage de l’eau de mer. Mais dans la réalité, ces barrières en béton peuvent se fissurer ou être construites avec des ouvertures délibérées, laissant passer une partie de l’eau salée. Comprendre comment la longueur du coin d’eau salée réagit au pompage et à de telles fissures est crucial, mais difficile à tester directement sur le terrain.

De la physique détaillée à des raccourcis intelligents

Les auteurs ont commencé par un ensemble existant de 438 simulations informatiques soigneusement conçues d’un aquifère côtier en pente, réalisées avec un modèle de nappes qui suit à la fois l’écoulement de l’eau et le transport du sel. Dans ces simulations, ils ont fait varier huit facteurs clés, tous exprimés sous forme de rapports sans dimension : le contraste de densité entre eau douce et eau salée, la hauteur et la largeur de la fissure dans le barrage souterrain, la hauteur du barrage et sa distance au rivage, la profondeur du puits et sa distance par rapport au barrage, et le débit de pompage. Pour chaque scénario, le modèle a fourni la longueur relative du coin d’eau salée par rapport à la profondeur de l’aquifère, une mesure compacte de l’avancée de l’eau de mer vers l’intérieur. Ce vaste jeu de données synthétiques a servi de terrain d’entraînement pour une série de modèles d’apprentissage automatique.

Apprendre aux machines à prédire le coin salé

Six approches d’apprentissage différentes ont été testées, allant de la régression linéaire simple à des techniques plus flexibles comme les arbres de décision, les forêts aléatoires et une méthode avancée appelée gradient boosting extrême. Avant d’entraîner ces modèles, l’équipe a vérifié les données pour détecter redondances et anomalies statistiques, en utilisant des tests standards pour voir quelles entrées avaient une influence réelle et si certaines étaient trop corrélées entre elles. Ils ont ensuite utilisé une stratégie de recherche automatisée pour affiner les paramètres internes de chaque modèle et ont évalué les performances par validation croisée rigoureuse. Le grand gagnant a été la famille des modèles d’ensemble, et en particulier l’approche par gradient boosting, qui a reproduit les longueurs du coin simulées avec des erreurs suffisamment faibles pour être pratiquement négligeables.

Ouvrir la boîte noire des prédictions

Des prédictions précises ne suffisent pas aux gestionnaires d’eau, qui ont aussi besoin de comprendre quels leviers sont les plus déterminants. Pour rendre le modèle le plus performant plus transparent, les auteurs ont utilisé des outils expliquant comment chaque entrée influence une prédiction, à la hausse ou à la baisse. Ces explications ont montré que le débit de pompage depuis le puits est le facteur dominant sur la longueur du coin : un pompage plus élevé attire l’eau salée plus à l’intérieur des terres. La hauteur de la fissure dans le barrage arrive ensuite, suivie de sa largeur et de la distance entre le puits et le barrage. D’autres facteurs, comme la hauteur globale du barrage ou son emplacement exacte par rapport au rivage, intervenaient aussi mais étaient moins influents dans les plages testées. L’équipe a également confirmé que son modèle pouvait reproduire un ensemble distinct de simulations détaillées pour un aquifère côtier réel à Chypre, ce qui renforce la confiance quant à sa capacité à s’appliquer au-delà des cas d’entraînement initiaux.

Transformer une science complexe en outils utilisables

Pour rendre ces connaissances accessibles, les auteurs ont enveloppé le modèle entraîné dans des interfaces bureau et web simples. Plutôt que de lancer des simulations physiques lourdes, un gestionnaire peut désormais saisir une poignée de rapports sans dimension — représentant le pompage, la géométrie du barrage et la taille de la fissure — et obtenir instantanément une estimation de la portée probable du coin d’eau salée vers l’intérieur. En pratique, l’étude montre qu’un modèle piloté par les données et soigneusement entraîné peut remplacer des calculs numériques bien plus exigeants, tout en reflétant la physique sous-jacente.

Ce que cela signifie pour les usagers de l’eau côtière

Ce travail démontre que la progression lente de l’eau de mer vers l’intérieur peut être prévue rapidement et de façon fiable grâce à l’apprentissage automatique entraîné sur des simulations de haute qualité. Pour un non-spécialiste, le message clé est simple : l’intensité de notre pompage dans les aquifères côtiers et la qualité de la conception et de la maintenance des barrières souterraines influencent directement si les puits restent d’eau douce ou deviennent salés. En mettant en évidence les choix de conception et les conditions d’exploitation qui importent le plus, et en intégrant ce savoir dans des logiciels faciles d’usage, cette étude fournit un outil décisionnel pratique pour protéger une ressource d’eau douce rare dans des régions côtières soumises à une pression croissante.

Citation: Armanuos, A.M., Zeleňáková, M. & Elshaarawy, M.K. Assessing the impact of groundwater abstraction and concrete dam fractures on saltwater intrusion using numerical modeling and interpretable machine learning. Sci Rep 16, 8940 (2026). https://doi.org/10.1038/s41598-025-27998-4

Mots-clés: intrusion d’eau salée, aquifère côtier, pompage des eaux souterraines, barrage souterrain, apprentissage automatique