Intégration de l’apprentissage automatique et de l’analyse multicritère pour la gestion des risques sanitaires dans les réseaux de distribution d’eau

Pourquoi une eau du robinet sûre exige une planification intelligente

Lorsque vous ouvrez le robinet, vous attendez de l’eau propre, mais sous la rue se cache un réseau de conduites vieillissantes qui peuvent se fissurer, fuir et laisser entrer des agents pathogènes. Cette étude examine comment les outils de données modernes peuvent aider les services d’eau à repérer les conduites les plus susceptibles de céder, à évaluer la dangerosité de ces défaillances pour la santé, et à déterminer quelles stratégies de réparation offrent la meilleure protection pour le budget disponible. Elle propose une méthode pratique pour les villes afin de maintenir la sécurité de l’eau potable tout en gérant des infrastructures anciennes et des budgets limités.

Conduites poreuses et risques sanitaires cachés

Les réseaux de distribution d’eau transportent l’eau potable traitée depuis les usines jusqu’aux habitations et aux entreprises. À mesure que les conduites vieillissent, elles développent des fissures et des ruptures qui gaspillent d’énormes quantités d’eau et coûtent cher à réparer. À l’échelle mondiale, des centaines de millions de mètres cubes d’eau sont perdus chaque jour, et en Suède seulement, environ 15 à 20 pour cent de l’eau potable municipale disparaît par des fuites et des ruptures. Ces défauts sont plus qu’une nuisance : lorsque la pression dans les conduites chute, de l’eau sale provenant du sol environnant ou des égouts proches peut être aspirée, transportant des agents qui causent des maladies gastro-intestinales. Comme les services ne peuvent pas remplacer toutes les conduites en même temps, ils doivent savoir où les défaillances sont les plus probables et lesquelles seraient les plus nocives.

Utiliser les données pour repérer les maillons faibles du réseau

Les chercheurs ont travaillé avec un réseau réel dans le sud de la Suède, en se concentrant sur une section de 13,5 kilomètres comprenant des conduites de matériaux et d’âges variés. Ils ont utilisé trois types de modèles d’apprentissage automatique pour estimer la probabilité de rupture de chaque conduite : régression logistique, forêt aléatoire et une méthode appelée XGBoost. Ces modèles ont pris en compte des caractéristiques telles que la longueur, le diamètre, l’âge, le matériau des conduites, le type de sol, la pression et les défaillances passées. Le modèle le plus précis, la forêt aléatoire, a correctement identifié la plupart des conduites qui avaient cédé au cours des 20 dernières années tout en étiquetant rarement à tort des conduites saines. L’âge, le matériau et la longueur se sont avérés être les indicateurs les plus forts de défaillance future, confirmant que des informations physiques de base expliquent encore une grande partie du risque.

Suivre comment les ruptures affectent l’écoulement et les agents pathogènes

Estimer la probabilité d’une rupture ne couvre qu’une moitié du tableau du risque. L’équipe s’est aussi interrogée sur ce qui se produirait si chaque conduite venait à céder. Pour cela, ils ont utilisé des modèles informatiques d’écoulement de l’eau afin de voir comment l’obturation d’une conduite perturberait la pression et l’approvisionnement dans le réseau. Les conduites dont la rupture provoquait de fortes chutes de pression ou la coupure de larges portions du système ont été marquées comme ayant de fortes conséquences hydrauliques. Parallèlement, ils ont réalisé une évaluation microbienne du risque, simulant comment des agents comme Campylobacter, le norovirus et Cryptosporidium pourraient pénétrer par une rupture, se déplacer avec l’eau et atteindre les consommateurs. Pour chaque conduite, ils ont estimé la probabilité quotidienne qu’une personne buvant l’eau soit infectée, signalant les conduites pour lesquelles ce risque dépassait un objectif de sécurité couramment utilisé.

Transformer des risques complexes en cartes et choix clairs

Pour combiner ces éléments, les chercheurs ont multiplié la probabilité de rupture d’une conduite par ses conséquences hydrauliques et sanitaires combinées, puis ont cartographié les résultats dans un système d’information géographique. Les conduites ont été regroupées en niveaux de risque faible, moyen et élevé afin que les ingénieurs puissent repérer rapidement les points chauds. Mais savoir quelles conduites représentent un risque ne répond pas à une question difficile : quelles actions entreprendre en priorité. Pour y répondre, l’équipe a réuni dix experts en eau et leur a demandé d’évaluer différentes stratégies, telles que la gestion de la pression, la réparation des conduites, leur remplacement, une détection accrue des fuites et la sensibilisation du public, en utilisant des critères comme le coût, la facilité d’exécution, la réduction du risque, l’impact social et la fiabilité. Ils ont ensuite utilisé un outil décisionnel appelé TOPSIS pour classer les stratégies selon leur aptitude à satisfaire l’ensemble des critères.

Ce que cela signifie pour une eau potable plus sûre

L’analyse a montré que la gestion de la pression dans le réseau, suivie par des réparations ciblées et la réhabilitation des conduites, offrait le meilleur équilibre global entre réduction du risque, praticabilité et coût. Le remplacement complet des conduites reste important, mais il est moins efficace comme première étape lorsque les ressources financières et le temps du personnel sont limités. En reliant apprentissage automatique, modèles d’écoulement et de risque sanitaire, jugement d’experts et cartes visuelles claires, le cadre aide les services à décider où agir et quels outils utiliser. Pour le public, la conclusion est simple : une utilisation plus intelligente des données peut contribuer à préserver la sécurité de l’eau du robinet en concentrant l’attention et les ressources sur les conduites les plus critiques avant qu’un problème sanitaire sérieux n’apparaisse.

Citation: Sangroula, U., Viñas, V., Odhiambo, M. et al. Integrating machine learning and multi-criteria decision analysis for health risk management in water distribution networks. Sci Rep 16, 15718 (2026). https://doi.org/10.1038/s41598-026-52465-z

Mots-clés: sécurité de l’eau potable, conduites de distribution d’eau, apprentissage automatique, évaluation des risques sanitaires, gestion des fuites