Indigau Pipeforesight, modèle d’état évolutif d’un réseau d’assainissement : le cas de Béziers Méditerranée

Introduction

Le service de l’assainissement assure un service essentiel pour la santé, l’économie de la ville et la protection de l’environnement. Cependant, les enveloppes de dépenses allouées à la maintenance et à la réhabilitation des infrastructures sont contraintes. La gestion patrimoniale dans l’analyse des coûts induits devrait reposer sur le risque qu’une canalisation devienne défectueuse, n’assurant plus sa fonction première de collecteur et d’évacuation des eaux usées. L’objectif étant de traiter en priorité les canalisations présentant le plus grand risque, c’est-à-dire, le produit de l’aléa et l’impact d’une rupture de service causé par un état dégradé. En règle générale, l’aléa présenté par l’état d’une canalisation est constaté par une inspection télévisée et celle-ci permet de déclencher des opérations de réhabilitation.

En France, la méthode de référence pour la gestion patrimoniale des réseaux d’assainissement est la méthode REREAU (Réhabilitation des réseaux d’assainissement urbains [LE GAUFFRE et al., 2004]). Cette méthode s’appuie sur un système de codage des défauts observés par caméra selon la norme européenne EN 13508-2. La codification des désordres permet la qualification de l’état d’une canalisation. L’approche REREAU propose ensuite une méthode de qualification des canalisations basée sur la densité des désordres.

Jusqu’à 2024, les collectivités françaises ont été incitées à inspecter leur réseau, notamment en raison de l’arrêté du 2 décembre 2013 relatif aux rapports annuels sur le prix et la qualité des services publics d’eau potable et d’assainissement. Ce système de contrôle sur le prix de l’eau évolue en 2025 pour encourager une meilleure connaissance du patrimoine sans référence directe aux inspections [AGENCES DE L’EAU, 2024]. Quel que soit le système de contrôle, depuis 2013, l’amélioration interannuelle de la connaissance du patrimoine est incitée par l’agence de l’eau pour assurer un certain niveau de performance. Bien que ces inspections permettent de s’assurer de la performance du réseau en termes d’exploitation, celles-ci restent très coûteuses, nécessitant une optimisation de leur programmation et une valorisation des données collectées. Ainsi, le besoin des collectivités se concentre sur le fait de savoir où inspecter et estimer le taux annuel d’inspection nécessaire. Une solution permettant d’estimer l’état des canalisations non inspectées est de s’appuyer sur les canalisations déjà inspectées. Pour ce faire, l’état structurel de ca nalisations peut être estimé par l’intermédiaire d’un modèle d’estimation d’état. Les modèles peuvent être regroupés en trois catégories : physique, statistique et intelligence artificielle [TSCHEIKNER-GRATL et al., 2019]. Les modèles physiques sont très exigeants sur les données d’entrée et ne sont pas pertinents pour une approche industrielle.

Certains modèles statistiques prennent une perspective physique de vieillissement en utilisant la variable de l’âge de la canalisation pour estimer son état [BAUR et HERZ, 2002 ; LE GAUFFRE et al., 2004 ; LE GAT, 2008]. D’autres modèles ne prennent pas en compte d’a priori sur le processus de dégradation, essayant de reproduire le profil global d’état constaté sur les canalisations non inspectées [CARADOT 2019 ; TSCHEIKNER-GRATL et al., 2019 ; MOHAMMADI et al., 2020]. Pour fonctionner avec les données disponibles dans le contexte français, où la connaissance du patrimoine est perfectible, un modèle doit être capable d’ingérer les données du réseau et de l’environnement tout en s’adaptant à leur hétérogénéité [TSCHEIKNER-GRATL et al., 2019 ; MOHAMMADI, 2020]. Les modèles basés sur le phénomène de vieillissement peuvent produire une courbe de transition d’un état de dégradation à une autre, en utilisant la fréquence d’état constaté selon l’âge [BAUR et HERZ, 2002 ; LE GAT, 2008]. L’analyse d’état issue d’une telle approche est raffinée via l’utilisation de cohortes (selon le matériau, par exemple). Dans le cas où l’état structurel est qualifié par l’intermédiaire d’un ensemble de classes, comme c’est le cas dans l’approche REREAU, cet état peut être estimé via un modèle de classification. Ce type de modèle ne repose donc pas sur un a priori de dégradation dans sa construction permettant à la fois une flexibilité sur les variables d’entrée et des interactions non linéaires entre elles. L’approche a comme avantage une précision accrue, mais comme inconvénient une incohérence dans la logique de dégradation dans le temps [CARADOT, 2019]. Les modèles statistiques et d’apprentissage auto – matiques sont, tous les deux, performants pour l’établissement de l’estimation de l’état du réseau non inspecté. CARADOT [2019] démontre qu’à l’échelle du réseau, et dans le domaine de la prédiction, les modèles statistiques sont les plus performants. Les modèles d’apprentissage automatique sont plus adaptés pour estimer l’état à l’échelle du tronçon, mais présentent des problèmes pour la simulation de l’état futur.

Une fois l’état actuel du réseau estimé pour toutes les canalisations composant le réseau, un second modèle permet la simulation d’un état futur selon un taux de dégradation et un taux de renouvellement. Cette simulation permet en outre d’approcher le taux de renouvellement requis pour atteindre un état général à un horizon donné (par exemple maintenir l’état actuel à un horizon de 50 ans). En général, les inspections sont un préalable à toute opération de renouvellement ou de réhabilitation. Ainsi, le taux de renouvellement conseillé par le modèle induit un taux minimal d’inspection. La modélisation de l’état actuel permet de répondre à la question « où faut-il inspecter ? » et la modélisation de l’état futur permet de répondre à la question « à quelle vitesse faut-il inspecter ? ».