Prédictions de chroniques piézométriques de l'aquifère de la nappe de Beauce (Région Centre, France) par un modèle de réseau de neurones influencé par la physique (PINNs)

Overview & Synopsis

FIG. 4 -MAE (couleur) de chaque modèle (axe y) pour chaque piézomètre (axe x). 4 Résultats et conclusion Comparaison du modèle physique et des modèles centrés sur les données. Dans cet article, nous choisissons de comparer notre modèle PIRNN à Gardénia, NHITS -un modèle de référence en machine learning -et un RNN classique. La figure 4 indique la Mean Average Error (MAE) du niveau d'eau en mètres pour chaque modèle et chaque série temporelle piézométrique. Parmi les douze piézomètres, Gardénia possède la meilleurs MAE sur quatre d'entre eux, NHITS sur trois d'entre eux et PIRNN sur cinq d'entre eux. Cependant, NHITS présente les meilleurs résultats en moyenne. Les puits 02923X0007_F, 02936X2005_PFAEP et 03983X0267_PZ3 semblent être les plus difficiles à modéliser pour Gardénia, alors que PIRNN arrive à réduire l'erreur absolue moyenne en dessous du mètre pour deux d'entre eux. Conclusion.Bien que Gardénia reste pertinent en thermes de performance et au vu de sa capacité à proposer différents scénarios, il est intéressant de noter que PIRNN -un modèle hybride apprenant la dynamique des données et un modèle physique -arrive à surpasser Gardénia sur les piézomètres les plus difficiles à modéliser.