La gestion efficace des sites pollués commence par l'acquisition de données précises et complètes (figure 1).
La collecte de données se fait encore aujourd'hui principalement de manière manuelle avec des prélèvements et analyses d'échantillons de sol, d'eau et de gaz du sol. Néanmoins, le traitement
des informations générées a beaucoup évolué. Dans le passé, le traitement des données était principalement manuel, entraînant des processus lents et susceptibles
d'erreurs. L'adoption de technologies plus avancées, telles que la numérisation des données, les systèmes d'information géographique (SIG) et l'utilisation de la géostatistique ont commencé à changer cette situation, permettant un traitement des données plus rapide et plus complet. Ces technologies ont amélioré la capacité de cartographier et de diagnostiquer les
sites pollués avec de nombreux détails, fournissant une base robuste pour aider à la prise de décision sur les stratégies de réhabilitations envisageables.
L'avènement de la gestion des données à grande échelle et de l'intelligence artificielle ouvre de nouvelles perspectives dans le domaine de la réhabilitation des
sites contaminés.
Ces technologies capables de traiter degrands volumes de données et d'apprendre d'elles-mêmes, trouvent des applications significatives dans la prédiction de la dispersion des polluants
(i.e. bilan de masse, répartition géographique, localisation dans les zones
saturées et non saturées), l'estimation de l'incertitude sur les volumes de terres
contaminées, permettant ainsi l'optimisation des stratégies de dépollution et
la surveillance en temps réel des opérations de dépollution.
Depuis plus d'une décennie, le groupe Veolia est pionnier dans le domaine émergent de la science des données (Data Science), appliquant des innovations disruptives dans ses divisions eaux,
déchets et énergies. Cette démarche a établi un nouveau standard dans l'industrie, démontrant comment l'information précise et l'analyse des données peuvent transformer les opérations
environnementales.
Dans le sillon du groupe Veolia, Sarpi Remediation (filiale du groupe Sarpi-Veolia et membre de l’UPDS), en collaboration avec l'université de Bordeaux, a concentré ses efforts au cours des trois dernières années sur le perfectionnement des technologies de gestion des données pour améliorer les projets de réhabilitation des grands sites contaminés. Cet effort n'est pas seulement
technique et financier ; il représente un engagement complémentaire envers les démarches de développementdurable et l'innovation.
Le développement technologique s'est concentré autour de 3 axes critiques :

1. ESTIMATION DU VOLUME DE SOL CONTAMINÉ

Ce premier axe aborde un problème fondamental dans la gestion des sites
pollués : l'estimation précise du volume de sol contaminé.
L'innovation portée par Sarpi Remediation ici ne se limite pas à la quantification. Elle s'étend à la compréhension et au calcul de l'incertitude associée à ces volumes. À travers l'utilisation des outils de deep learning, Deep Neural Network (DNN) et de techniques classiques de prévision, telles que la
géostatistique, il a été créé une méthodologie appelée Evol qui améliore de manière significative la fiabilité de ces estimations.

Evol implique (figure 2) : la création d'un modèle numérique (voir étape 1) basé sur le site d'étude.
Ce modèle est créé à partir des données collectées lors des études antérieures
(volume de terres contaminées, diagnostics,
plan de gestion de dépollution d’un site, etc.) ; une fois ce modèle construit, il est généré des campagnes d'échantillonnage virtuel (voir étape 2) pour lesquelles des variables descriptives sont extraites d’un ensemble d'échantillons donné, (1 campagne = 1 ensemble d'échantillon).
Ainsi pour chaque ensemble d'échantillons, il sera possible d’extraire les variables descriptives (voir étape 3) telles que : i.e. moyenne et/ou déviation standard des concentrations en HCT, nombre d'échantillons, distribution spatiale.
Au total, il est possible de travailler sur 24 paramètres différents. Il devient donc possible de calculer
autant de volume de terres contaminées et d'erreurs associées que de campagnes d’échantillonnage virtuel réalisées ; ensuite, un modèle de réseau neurones
profond (Deep Neural Network) est entraîné (voir étape 4) en utilisant ces variables descriptives pour estimer le volume et l'incertitude associée (voir étape 5) pour chaque ensemble d'échantillons créés.
L’approche Evol a démontré un haut degré de précision dans l'estimation de l'incertitude des volumes impactés, comme en témoigne un coefficient r2 élevé de 0,9882 dans la plupart des ensembles d'échantillons générés. De plus, les intervalles de confiance du volume généré par cette approche sont plus réduits que ceux produits par les techniques conventionnelles (réductions de la taille des intervalles jusqu'à 89 %, figure 3). L'utilisation de l'apprentissage profond ouvre de nouvelles opportunités pour les estimations où les méthodes géostatistiques sont limitées par leurs hypothèses internes, permettant une planification et une allocation des ressources plus efficaces.

2. SUIVRE LE PROJET DE RÉHABILITATION ET ANTICIPER LES RETARDS OU DÉPASSEMENTS DE BUDGET
Le deuxième axe de recherche s’est concentré sur la capacité de prédiction des retards ou dépassements de volumes de terre lors de la réalisation d’un projet de traitement sur site et
hors site.

© Figure modifiée de Guridi et al., (2023). Figure de l'article de référence * © Figure modifiée de Guridi et al., (2023) ) - Figure de l'article de référence*
Fig. 2 – Aperçu du workflow Evol.
Fig.

nouvelle prédiction des volumes de terres à traiter suivant les techniques
pré-référencées.
Cette méthodologie s'est avérée efficace pour fournir une meilleure estimation des volumes de sol après excavation (figure 5). Elle ajuste les volumes de sol à traiter et réduit l'erreur dans le
calcul du volume total par un facteur de trois. Cet outil prédit avec précision ces volumes, devenant ainsi un atout précieux pour ajuster les coûts du projet pendant sa réalisation.

3. UTILISATION DE DONNÉES ENTEMPS RÉEL
Enfin, le troisième axe se concentre sur l'intégration de données en temps réel pour affiner les modèles LSTM (Long Short-Term Memory), une forme de réseau neuronal récurrent. Cette
approche dynamique permet d'ajuster les opérations de dépollution en réponse aux conditions changeantes du site, ce qui résulte en une gestion plus agile et adaptative. La capacité d'incorporer
des données en direct dans les modèles prédictifs signifie que chaque projet peut être ajusté de manière continue, assurant que les efforts de dépollution soient aussi efficaces et économiques
que possible. La méthodologie développée par Sarpi Remediation interprète les
données de l'excavation pour construire un modèle LSTM et pouvoir prédire les volumes de sol tout au long du projet (figure 6). Les résultats obtenus à travers cette méthodologie sont remarquables.
Après 4 mois de mise en oeuvre du projet, le modèle LSTM commence à prédire les volumes de sol avec une marge d'erreur inférieure à 15 %. Cette précision s'affine avec le temps, et après 10 mois
de suivi continu et d'apprentissage du modèle, la marge d'erreur se réduit à moins de 5 %. Ces niveaux de précision ne sont pas seulement une amélioration technique, mais une révolution dans la
manière dont nous abordons la dépollution environnementale : chaque décision est informée et optimisée en temps réel, ce qui résulte en une exécution de projet plus propre, plus efficace et plus
économiquement viable.
La conjonction de ces trois axes critiques de développement technologique positionne Sarpi Remediation et l'université de Bordeaux comme leaders dans l'application de la science des données pour la gestion des sites pollués.

Olivier Atteia
Université Bordeaux, CNRS,
Bordeaux INP, EPOC,
UMR 5805
Ignacio Guridi
Sarpi Remediation,
Veolia & Université Bordeaux,
CNRS, Bordeaux INP,
EPOC, UMR 5805
Philippe Botella
Sarpi Remediation, Veolia
* I Guridi, R Chassagne, A Pryet, O Atteia (2023).
“Uncertainty Quantification of Contaminated
Soil Volume with Deep Neural Networks and
Predictive Models”. In : Environmental Modeling &
Assessment, pp. 1–20
•••
©