Comment le Big Data améliore la gestion de l’eau

Publié le 25 mai 2021
Accueil » Comprendre les réseaux AEP » Comment le Big Data améliore la gestion de l’eau

La gestion de l’eau est un enjeu majeur. Un rapport de l’ONU indique que, sans améliorations, la demande en eau dépassera de 40% les ressources disponibles dès 2030.

Pour répondre à ce défi, la filière eau française a retenu 5 orientations. Parmi ces cinq projets, figure en bonne place la massification de la collecte et de l’analyse des données de l’eau. Le Big Data offre en effet une piste d’amélioration conséquente des performances des réseaux d’eau.

Comment ces milliards de données collectées et traitées en temps réel peuvent-elles résoudre les problèmes concrets des professionnels et des usagers des réseaux d’eau ? Découvrons-le avec des exemples tangibles et déjà opérationnels.

Comment Veolia utilise le Big Data au quotidien pour améliorer son efficacité

Le groupe Veolia gère chaque jour – pour le compte du Syndicat des eaux Sedif – 785.000 mètres cubes d’eau via un réseau de canalisations de 8.700 kilomètres répartis sur 150 communes autour de Paris pour un total de 4,6 millions d’usagers desservis. Il s’agit du plus grand service d’eau en France et un des premiers au monde.

Le Big Data fait partie intégrante de ce gigantesque réseau. Un robot virtuel, surnommé ServO, en assure l’optimisation.

ServO est une intelligence artificielle, aussi appelée hyperviseur. Elle récupère, stocke, calcule et croise près de 1,250 milliard de données en temps réel, depuis la source jusqu’au domicile des abonnés.

Cette plateforme virtuelle composée de plusieurs systèmes d’exploitation a notamment repéré 200 fuites d’eau dans le réseau.

ServO reçoit les données techniques en temps réel en provenance des trois principales usines du Sedif et des sites secondaires comme les réservoirs et les châteaux d’eau.

Parmi de nombreux paramètres suivis et croisés, ServO surveille 24h/24 la qualité de l’eau, sa température, sa pression ou encore la présence de substances chimiques grâce à 200 sondes placées dans des zones critiques de l’Oise, de la Seine et de la Marne.

ServO écoute également – la nuit, quand tout est calme – les fuites d’eau. Un réseau de 1000 sondes connectées est dédié à cet usage.

Enfin ServO centralise toutes les remontés d’informations d’une centaine d’agents de terrain chargés de la maintenance du réseau et des machines.

Utiliser le Big Data pour prévenir les pannes et l’entretien des installations

La collecte massive de données opérationnelles permet surtout d’exploiter des algorithmes prédictifs.

Une analyse statistique de régression permettra de prédire les valeurs de certaines variables selon certains paramètres bien précis. Concrètement, ce type d’outil permet d’identifier des “patterns” (motifs répétés) pour en déduire la probabilité d’un évènement.

Il devient ainsi possible de prédire la probabilité d’une panne, d’une fuite ou d’un problème de qualité sur le réseau d’eau. En appliquant cette probabilité au coût de réparation préventive et en le comparant au coût engendré par le défaut, il devient possible d’estimer une espérance de gain. C’est donc avant tout une approche probabiliste rentable sur le long terme.

Cette approche du Big Data s’inscrit dans un ensemble plus vaste de Smart City. L’adduction en eau est concernée mais aussi le réseau électrique, la circulation automobile, l’entretien de la voirie, la gestion des déchets ménagers, la pollution atmosphérique et bien plus encore.

D’ici 2020, ce marché global pourrait atteindre une valeur de 400 milliards de dollars selon les estimations.

Autres applications du Big Data pour la gestion de l’eau

Opérateurs dans une sine de potabilisation d’eau

L’utilisation du Big Data pour améliorer la gestion de la ressource en eau ne se limite pas qu’au réseau d’adduction ou d’assainissement.

Optimisations des intrants en agriculture et des eaux de ruissellement

Le Big data associé au Machine Learning permet aussi de réduire l’usage de pesticides et d’herbicides superflus en agriculture. Les eaux de ruissellement sont ainsi moins chargées en produits chimiques ce qui réduit le coût de traitement de ces eaux usées.

Pour l’agriculture, le machine learning permet d’évaluer de manière précise les besoins ponctuels de chaque plante à chaque stade son développement. Pour la collecte des données, on utilise aussi bien des drones dotés de caméras hyper-spectrales que des capteurs dispersés dans les champs (pluviométrie, température, PH…).

Les données sont ensuite synthétisées pour aider les agriculteurs à répandre de manière optimale des intrants sur leur exploitation.

Outils de gestion des dépenses en eau pour les usagers

Le Big Data permet aussi de donner aux usagers des réseaux d’eau des outils de mesure interactifs de leur consommation. Objectif :  les inciter à adopter les bons gestes quotidiens.

Le Big Data est dans ce contexte un outil de sensibilisation des citoyens quant au problème de la raréfaction de l’eau.

Le Big Data permet de récolter les données de consommation d’eau des particuliers en temps réel et de les afficher aux usagers de façon intuitive sous forme de tableaux de bord consultable sur tablette ou smartphone.

Les individus peuvent ainsi identifier leurs habitudes de consommation et procéder à des correctifs voire même à identifier des fuites sur leur réseau domestique.

Mieux encore, lorsque les usagers comparent leur consommation d’eau par rapport à celle de leur voisins, les études montent qu’ils ont aussi tendance à la réduire pour revenir dans la norme.

A découvrir également