Etudiant : MOUHTAJ KHADIJA

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. EL-BATTEOUI ISMAIL

Annèe : 2026

Résumé : Ce mémoire de projet de fin d’études, réalisé au sein de l’Office National de l’Eau Potable (ONEP) de Meknès, présente le développement d’un système intelligent de gestion hydraulique, nommé HydroGuard, reposant sur deux axes complémentaires de machine learning appliqués aux réseaux d’eau potable. Le premier axe concerne la prédiction du niveau des réservoirs. À partir de séries temporelles historiques couvrant onze réservoirs du réseau hydraulique de Meknès, des modèles de régression sont entraînés afin d’anticiper le niveau à deux horizons : J+7 et J+14. L’approche repose sur une ingénierie de features intégrant les niveaux passés, les moyennes mobiles, les indicateurs de dynamique, les variables hydrauliques telles que les débits et le bilan hydraulique, les variables temporelles, la température et les marges par rapport aux seuils critiques. Les algorithmes testés comprennent Random Forest, Extra Trees, Gradient Boosting et Ridge Regression, avec une sélection du meilleur modèle par split chronologique. Le second axe porte sur la prédiction des pannes dans le réseau hydraulique. Un fichier unifié, où chaque ligne correspond à une station et à un jour, partage le même socle de 13 capteurs. Il est exploité afin de construire un modèle de classification multiclasse pour la détection précoce des situations anormales. La tâche finale comprend sept classes : état normal, panne électrique, fuite hydraulique, court-circuit, anomalie de qualité de l’eau, surpression et colmatage. L’architecture retenue combine un classifieur XGBoost avec des résidus de prévision issus de Chronos, un foundation model de séries temporelles pré-entraîné, afin de capturer l’écart entre chaque mesure observée et sa valeur attendue à partir de l’historique récent. Des modèles séquentiels GRU et LSTM ont également été entraînés sur des fenêtres glissantes de 14 jours, à titre de comparaison. Le déséquilibre des classes est traité par pondération des échantillons pour XGBoost, et par oversampling avec Focal Loss pour les modèles GRU/LSTM. Les modèles sont exposés via des API REST développées avec FastAPI et reliées à un tableau de bord interactif. Celui-ci permet de visualiser les niveaux actuels, les prédictions à J+7 et J+14, les statuts d’alerte, les risques de pannes par station et les recommandations opérationnelles. Les expérimentations montrent que la prédiction du niveau est plus fiable à court terme qu’à moyen terme. À l’horizon J+7, les modèles atteignent une MAE moyenne de 3,182 points de pourcentage et un R² moyen de 0,857. À l’horizon J+14, la MAE moyenne atteint 5,139 points de pourcentage et le R² moyen diminue à 0,775. Pour la prédiction des pannes, l’architecture XGBoost + Chronos obtient un F1 macro de 0,801 et un rappel macro de 0,828, confirmant l’intérêt de l’enrichissement temporel par résidus Chronos. Mots-clés : Machine Learning, Séries temporelles, Réservoirs, Prédiction de niveau, Maintenance prédictive, XGBoost, Chronos, GRU, LSTM, FastAPI, Dashboard, ONEP.