Contexte et problématique scientifique : 

Les réseaux d’assainissement unitaires sont soumis à des pressions croissantes liées à l’urbanisation, à l’imperméabilisation des surfaces et à l’intensification des précipitations extrêmes sous l’effet du changement climatique. Ces évolutions augmentent la fréquence et l’intensité des déversements d’eaux usées non traitées dans le milieu naturel, avec des conséquences environnementales, sanitaires et réglementaires majeures. Dans les territoires fortement anthropisés, les réseaux historiques présentent des capacités hydrauliques limitées, ce qui rend cette problématique particulièrement critique. Les solutions fondées sur la nature (noues, jardins de pluie, toitures végétalisées, bassins de rétention/infiltration) constituent des leviers prometteurs pour réduire les volumes ruisselés et limiter les déversements. Cependant, leur efficacité dépend fortement des caractéristiques hydrologiques locales, de leur implantation spatiale et des conditions climatiques futures. Malgré la capacité des méthodes d’apprentissage automatique à identifier les facteurs influençant les déversements (Alwosheel et al., 2018 ; Montoya-Coronado et al., 2024 ; Kratzert et al., 2019), ces approches demeurent limitées par : (a) l’absence de prise en compte explicite des lois physiques gouvernant les processus hydrologiques ; (b) leur faible robustesse face à la non-stationnarité hydroclimatique ; et (c) une quantification insuffisante des incertitudes associées aux projections climatiques et à leur propagation dans les modèles prédictifs. De plus, les approches existantes reposent majoritairement sur des chroniques pluviométriques historiques, peu représentatives des conditions futures. Un verrou scientifique majeur réside donc dans le développement de modèles capables de produire des prédictions physiquement cohérentes, robustes face aux incertitudes climatiques et directement exploitables pour l’aide à la décision en hydrologie urbaine. 
Par conséquent, la problématique scientifique est la suivante : « Comment développer un cadre de Physics-Informed Machine Learning (PIML) capable de prédire les déversements futurs dans les réseaux unitaires sous changement climatique, d’identifier les zones prioritaires d’intervention et d’optimiser les stratégies de gestion à la source des eaux pluviales, tout en quantifiant les incertitudes associées ? » 

Objectifs scientifiques et méthodologie : 

L’objectif principal est de développer un cadre méthodologique innovant combinant apprentissage automatique physiquement informé, modélisation hydrologique et scénarios climatiques futurs pour améliorer la prédiction et la gestion des déversements. Les objectifs spécifiques sont : 
1.    Développer un modèle PIML hydrologiquement cohérent. Concevoir un modèle hybride intégrant explicitement les lois de conservation (masse, énergie mécanique) et des représentations hydrologiques conceptuelles (modèles à réservoirs, fonctions de transformation pluie-débit, processus d’infiltration). L’approche privilégiée reposera sur des réseaux de neurones différentiables couplés à des modules physiques (de type « différentiable modeling », Tsai et al., 2021), avec intégration de contraintes physiques dans la fonction de coût. 
2.    Évaluer la robustesse sous changement climatique. Intégrer des projections climatiques régionales (EURO-CORDEX, CMIP6 ; scénarios SSP2-4.5 et SSP5-8.5) après correction de biais et descente d’échelle statistique, afin d’évaluer la capacité prédictive du modèle dans des conditions hydroclimatiques non stationnaires.
3.    Identifier les zones critiques et optimiser les solutions. Coupler le modèle PIML à un modèle hydrologique distribué pour localiser les sous-bassins les plus contributeurs aux déversements et évaluer l’efficacité de différentes stratégies de déconnexion des eaux pluviales (infiltration, rétention, évapotranspiration, désimperméabilisation).
4.    Quantifier et propager les incertitudes. Développer un cadre probabiliste (ensembles climatiques, analyse de sensibilité des paramètres, estimation bayésienne) permettant de propager les incertitudes depuis les projections climatiques jusqu’aux recommandations opérationnelles. 

La méthodologie s’articule en quatre étapes : 
1.    Constitution et structuration de la base de données. Compilation et structuration des données pluviométriques historiques et futures, mesures de débit/hauteur d’eau dans les réseaux, données SIG, occupation du sol, inventaires d’infrastructures vertes et simulations hydrologiques/hydrauliques existantes sur le(s) site(s) pilote(s). 
2.    Développement du modèle Physics-Informed Machine Learning. Conception d’une architecture hybride combinant apprentissage supervisé et contraintes physiques. Les lois hydrologiques seront intégrées via des pénalités dans les fonctions de coût et des modules physiques différentiables. Les performances seront évaluées par comparaison systématique avec des modèles purement data-driven (LSTM, Random Forest) et des modèles purement physiques, sur des métriques de précision, de généralisation temporelle et de cohérence physique. 
3.    Couplage hydrologique et simulations prospectives. Simulation des impacts du changement climatique à partir d’ensembles multi-scénarios pour évaluer les volumes et fréquences de déversement, la sensibilité aux incertitudes climatiques, et la robustesse des stratégies de gestion à la source. 
4.    Application opérationnelle. Application sur le territoire pilote instrumenté d’Écully (69), puis, une fois la démarche méthodologique validée sur ce bassin versant, application sur d’autres territoires (Milan, Italie ou Québec, Canada) pour éprouver la généricité des outils développés dans un contexte climatique contrasté ; objectif de production de cartes de vulnérabilité, de scénarios d’aménagement et d’indicateurs d’aide à la décision intégrant des indicateurs probabilistes pour les collectivités territoriales. Les résultats attendus contribueront au développement d’un jumeau numérique des systèmes urbains de gestion de l’eau, capable d’assister les gestionnaires dans la planification d’infrastructures résilientes face au changement climatique.