Modelisation De La Consommation En Eau Potable Dans Les Capitales Africaines Au Sud Du Sahara: Application Des Reseaux De Neurones Formels A La Ville De Yamoussoukro, Capitale Politique De La Cote D'ivoire

Face à la croissance démographique que va engendrer le transfert effectif de la capitale politique et administrative de la Côte d’Ivoire à Yamoussoukro, il faut craindre une congestion, voire une inadaptation des équipements dans le secteur de l’approvisionnement en eau potable de cette localité. Pallier à ce problème passe par des prévisions de la consommation de cette ressource en fonction de la taille de la population grandissante. Le recours à des modèles capables de traiter la non-linéarité de cette relation s’avère donc nécessaire. C’est dans cette optique que cette étude présentant une modélisation de la consommation au pas de temps mensuel basée sur l’utilisation des réseaux de neurones est réalisée. Des modèles neuronaux types Perceptron Multicouches (PMC) bouclés dirigés sur la consommation observée au temps mensuel, à deux (2) couches ont été développés. Une Analyse en Composantes Principales Normée (ACPN) a été réalisée sur les différentes données démographiques (population), hydroclimatiques (pluie et température) et de consommation d’eau potable de la ville pour faire ressortir les corrélations afin de sélectionner les variables explicatives les plus pertinentes. Ces modèles neuronaux ont été calés avec l’algorithme de la rétro-propagation avec le principe de la validation croisée pour améliorer leurs performances de généralisation. La fonction d’activation choisie est la variante logistique du type sigmoïde. L’application des réseaux de neurone pour l’estimation de la consommation en eau potable de la ville de Yamoussoukro a permis d’obtenir d’assez bons résultats. En effet, les coefficients de corrélation entre les consommations prédites et celles mesurées varient de 0,63 à 0,97. On note donc que les performances obtenues sont relativement bonnes et pourraient être améliorées en utilisant une base de données plus importante. Le choix de variables explicatives de bonne qualité pourrait en outre permettre d’obtenir de meilleurs résultats.