Titre de la section Machine Learning :

<< Intégration d’un modèle d’apprentissage automatique pour

la détection intelligente des fuites dans les réseaux d’eau
potable >>

1. Introduction :
1.1. Contexte technique et enjeux
Les réseaux de distribution d’eau potable subissent des pertes significatives dues aux fuites,
exacerbées par le vieillissement des infrastructures et la raréfaction des ressources hydriques.
Les méthodes conventionnelles de détection (inspections visuelles, tests de pression manuels,
ou capteurs acoustiques) présentent des limitations majeures en termes de coût, évolutivité,
et réactivité, rendant inefficace leur déploiement massif.

1.2. Innovation proposée

Cette invention introduit un système embarqué intelligent basé sur l’apprentissage
automatique (Machine Learning), capable d’analyser en temps réel les données issues de
capteurs de pression et de débit pour détecter des fuites avec une précision supérieure.
Contrairement aux approches existantes, la solution :

 S’appuie sur un modèle de classification entraîné pour interpréter automatiquement

les anomalies.

 Fonctionne de manière autonome, réduisant les interventions humaines.

 S’intègre directement dans les infrastructures existantes via un module

matériel/logiciel optimisé.

2. Description de l’innovation
L’innovation repose sur l’intégration d’un modèle d’apprentissage automatique supervisé
dans un système de détection de fuites en réseau hydraulique. Ce système associe des capteurs
physiques, un microcontrôleur embarqué (type Arduino) et un module logiciel intelligent
fonctionnant en temps réel. La valeur ajoutée réside dans la capacité du système à interpréter
automatiquement les données physiques et à réagir instantanément sans intervention humaine.

1
 CAPTEURS

ARDUINO

Figure : Schéma Architecturale du projet

2.1 Architecture fonctionnelle

L’innovation se décompose en plusieurs blocs :

Composant Quantité Spécifications Rôle dans l'invention

techniques

YF-S201 Mesure en continu des

Capteurs de Débit 10 débits

Capteurs de Pression 10 G1/4 Mesure en continu des

pressions
Arduino Mega 1 256 KB mémoire, 16 Collecte les données
MHz toutes les 5 secondes
Transmet les données
via USB (liaison série)

Ordinateur hôte - PC 1 Contient un script

Python
Charge un modèle ML
(Random Forest retenu)
Prédit automatiquement
la présence d’une fuite à
partir des mesures
normalisées

2
L’architecture fonctionnelle développée dans le cadre de cette invention repose sur
l’interconnexion de composants physiques, électroniques et logiciels. Le système démarre par
une collecte de données brutes à l’aide de capteurs de pression et de débit, positionnés à des
points clés du réseau simulé (logements, réservoir, branchements stratégiques).

Ces données sont transférées en temps réel via une liaison série (port USB) à un
microcontrôleur (type Arduino), qui les relaie vers un poste de traitement (PC). C’est sur cette
unité que s’exécute un module Python contenant le modèle de Machine Learning
précédemment entraîné sur des scénarios de fuite simulés.

Ce modèle, de type classification supervisée, permet d’interpréter les mesures et de retourner

un verdict binaire (0 = pas de fuite, 1 = fuite). Une action est alors immédiatement déclenchée
selon le résultat, comme l’allumage d’une LED d’alerte, ou le déclenchement d’un signal
transmis à une interface SIG. L’ensemble fonctionne en temps réel, sans nécessité de
supervision humaine.

2.2 Schéma simplifié du fonctionnement :

Figure : Schéma du fonctionnement

Le schéma ci-dessous illustre le fonctionnement en chaîne du système. Il met en évidence la

logique de traitement répartie entre les éléments physiques (capteurs, Arduino) et le traitement
intelligent (Python + modèle ML). Ce flux unidirectionnel est piloté automatiquement,
rendant le système capable de réagir à une anomalie de manière autonome.

Chaque étape assure une fonction spécifique :

 La captation,

3
  Le transfert,

 L’analyse intelligente,

 Et l’action corrective.

Cette organisation modulaire rend le système adaptable à différentes topologies de réseau et

facilement intégrable dans un environnement réel ou simulé.

3. Choix technologique et modélisation

La robustesse du système repose sur la qualité du modèle de classification utilisé, ainsi que
sur la pertinence de la méthode de labellisation des données et l’optimisation du processus
pour une exécution fluide dans un environnement embarqué.

3.1 Pourquoi la Forêt Aléatoire (Random Forest) ?

Plusieurs modèles de classification supervisée ont été comparés lors de la phase de

développement (régression logistique, arbre de décision, SVM, k-NN, forêt aléatoire). La
Forêt Aléatoire a été retenue pour les raisons suivantes :

 Robustesse élevée : elle combine plusieurs arbres de décision, réduisant ainsi le risque
de surapprentissage.

 Performance démontrée : sur des données simulées, elle a obtenu une précision, un
rappel et un f1-score de 100 %.

 Résilience au bruit : elle tolère bien les mesures imparfaites ou variables des capteurs
physiques.

 Temps de calcul raisonnable : une fois entraînée, la prédiction est rapide et adaptée
au temps réel.

Elle offre ainsi le meilleur compromis entre précision, stabilité et adaptabilité au contexte des
réseaux hydrauliques.

Modèle Accuracy (test) Précision (classe 1) Rappel (classe 1) F1-score (classe 1)

Régression
98.0 % 0.98 0.98 0.98
logistique
Arbre de
96.0 % 0.96 0.96 0.96
décision
Forêt aléatoire 100.0 % 1.00 1.00 1.00
SVM 99.85 % 0.99 0.99 0.99
K-Plus Proches
99.9 % 0.99 0.99 0.99
Voisins

4
3.2 Méthode de labellisation des données

L’apprentissage supervisé nécessite un jeu de données étiquetées. Dans ce cadre, les données
ont été générées par expérimentation selon deux scénarios contrôlés :

 Scénario 1 : fonctionnement normal

o Pression stable

o Débit constant par point

o Label : 0 (pas de fuite)

 Scénario 2 : fuite simulée

o Pression en baisse

o Débit anormalement élevé

o Label : 1 (fuite)

Chaque ligne du dataset correspond à un instant mesuré par un couple de capteurs, labellisé
automatiquement en fonction de ces seuils.

Ce processus de labellisation automatisée garantit une base d’entraînement cohérente,

permettant une généralisation rapide du modèle.

3.3 Optimisation pour l’embarquement

L’intégration du modèle dans un environnement contraint (maquette, Arduino + PC) impose

plusieurs adaptations :

 Normalisation préalable des données via un StandardScaler, enregistré puis réutilisé

au moment de la prédiction.

 Exportation du modèle au format. pkl (avec joblib), permettant un chargement

instantané par un script Python.

 Script léger, avec :

o Lecture série directe depuis Arduino

o Transformation + prédiction en moins d’une seconde

o Communication inverse vers Arduino pour activer une LED

Cette optimisation permet une détection quasi-instantanée (<5s) avec une consommation
minimale de ressources, rendant l’approche parfaitement compatible avec des systèmes
embarqués à faible puissance.

5
4. Valeur ajoutée et originalité de l’approche
L'intégration du Machine Learning dans un système de détection de fuites constitue une
rupture technologique par rapport aux méthodes conventionnelles de surveillance
hydraulique. Cette solution transforme un dispositif de mesure passif en un système de
décision intelligent, capable de traiter les données, d’identifier les anomalies et de réagir
instantanément sans intervention humaine.

4.1 Fonctionnement en temps réel

Le modèle de classification supervisée, intégré dans un environnement Python, permet une
analyse instantanée des données en provenance des capteurs. Chaque nouvelle mesure de
pression et de débit est automatiquement évaluée, et une alerte est déclenchée dès qu’un
comportement anormal est détecté. Cela offre un avantage majeur en termes de rapidité
d’intervention.

4.2 Réduction des pertes et des coûts

Contrairement aux inspections manuelles ou périodiques, ce système fonctionne en continu,
réduisant considérablement les temps morts entre la détection et la réaction. Cela se traduit
par :

 Moins de pertes en eau

 Moins de détériorations prolongées

 Moins de mobilisations humaines coûteuses

4.3 Adaptabilité à différents réseaux

Le système est entièrement reconfigurable :

 Il peut être entraîné sur des données spécifiques à n’importe quel réseau (urbain, rural,
domestique, agricole…)

 Il s’adapte à la topologie du réseau, au nombre de capteurs disponibles, et aux

spécificités locales

4.4 Réentraînement dynamique

6
Le modèle peut être réentraîner périodiquement avec de nouvelles données collectées, ce
qui :

 Améliore sa précision avec le temps

 Permet de détecter de nouveaux types de fuites ou comportements

 Rend le système auto-apprenant

4.5 Apport d’autonomie et d’intelligence embarquée

En connectant un modèle ML à un Arduino via une liaison série, l’invention introduit une
forme d’intelligence embarquée au sein d’un réseau physique :

 Réduction de la charge de surveillance humaine

 Réaction immédiate par signal lumineux ou interface SIG

 Intégration possible dans une chaîne de supervision plus large (IoT)

5. Conclusion
L’intégration d’un module d’apprentissage automatique dans un système embarqué de
détection des fuites en réseau d’eau potable représente une avancée significative dans le
domaine de la gestion intelligente des infrastructures hydrauliques. Cette innovation
transforme un dispositif traditionnellement passif en un système autonome, capable de
diagnostiquer en temps réel la présence d’anomalies à partir de simples mesures de pression et
de débit.

Le dispositif mis en œuvre dans ce projet permet :

 Une prise de décision immédiate sans supervision humaine,

 Une réduction notable des délais d’intervention,

 Une économie de ressources (eau, temps, énergie),

 Et une meilleure résilience du réseau face aux pertes non maîtrisées.

Grâce à l’approche par apprentissage supervisé, le système reste flexible et évolutif : il peut
être réentraîné sur des données issues d’autres réseaux, être étendu à des environnements plus
complexes, ou intégrer des capteurs supplémentaires