Thèse LEBDIRI Corrigée

République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université A.MIRA-BEJAIA
Faculté de Technologie
Département d’Hydraulique
Laboratoire de Recherche en Hydraulique Appliquée et Environnement (LRHAE)
THÈSE
EN VUE DE L’OBTENTION DU DIPLOME DE
DOCTORAT
Domaine : Sciences et Technologies Filière : Hydraulique
Spécialité : Génie Hydraulique et Environnement
Présentée par
LEBDIRI Fatiha
Thème
Ecoulements à surface libre dans les coursiers d'évacuateurs de crues

- Modélisation numérique et optimisation des dissipateurs d’énergie
Soutenue le : 18/11/2021 Devant le Jury composé de :
Nom et Prénom Grade
Mr. MAZA Mustapha Professeur Univ. de Bejaia Président

Mr. SEGHIR Abdelghani Professeur Univ. de Bejaia Rapporteur
Mr. BERREKSI Ali Professeur Univ. de Bejaia Co-rapporteur
Mr. BECHEUR Abdelhamid MCA Univ. de Bejaia Examinateur
Mme. BENMAMAR Saâdia Professeur E.N.P d’Alger Examinatrice
Mr. LABIED Chouaib MCA Univ. de Jijel Examinateur
Année Universitaire : 2021/2022

Remerciements
Tout d’abord je remercie Dieu le tout puissant de m’avoir donné la force et la patience
pour mener à terme ce travail de recherche.
Le travail présenté dans cette thèse a été réalisé au sein du laboratoire de recherche
en hydraulique appliquée et environnement de l’université de Bejaia. Je tiens donc à
remercier tous les membres du laboratoire ainsi que tous les enseignants du département
d’hydraulique de l’université de Bejaia.
Je voudrais remercier infiniment monsieur SEGHIR Abdelghani professeur à l’université
de Bejaia et monsieur BERREKSI Ali professeur à l’université de Bejaia pour leur enca-
drement parfait. Ils ont toute ma gratitude pour m’avoir laissé une grande liberté dans
mes recherches, aidé, orienté et encouragé dans les moments difficiles et m’avoir consacré
tout leur temps malgré leurs occupations.
Je remercie ensuite monsieur MAZA Mustapha professeur à l’université de Bejaia d’avoir
accepté de présider le jury de ma soutenance. Je remercie aussi monsieur BECHEUR
Abdelhamid maitre de conférence à l’université de Bejaia, madame BENMAMAR Saâ-
dia professeur à l’école nationale polytechenique d’Alger et monsieur LABIED Chouaib
maitre de conférence à l’université de Jijel pour avoir accepté d’examiner mon travail.
C’est un honneur pour moi d’accepter leurs remarques et leurs critiques lesquelles vont,
certainement, améliorer mon manuscrit, et cela va m’orienter vers d’autres futurs projets
de recherche.
Ce travail n’aurait pas pu être réalisé sans le soutien de ma famille, que je remercie tout
particulièrement. Un grand merci à mon père et ma mère, à mes frères et sœurs qui m’ont
soutenu tout au long de mes études.
Je tiens à remercier mon cher mari HAMANI Sofiane qui n’a jamais cessé de me soutenir
pour que je puisse finir ce travail doctoral et à qui je voudrais exprimer mes affections et
mes gratitudes.
Je remercie tous mes collègues doctorants, pour la bonne ambiance et leur amitié. Merci
en particulier à DAHMANI Massicilia, MEZHOUD Cherifa, KACED Smail et IGROUFA
Meriem, pour ne pas citer d’autres car la liste est longue.
Une immense reconnaissance et adressée à madame MOUKRANI du service post-graduation
de la faculté de technologie, madame TAGUELMIMT et monsieur MOUSSAOUI de vis-
rectorat de leurs efforts pour que je puisse soutenir en un temps recors.
Je tiens aussi à remercier tous ceux qui ont, de près ou de loin, aidé à rendre ce travail
possible, que ce soit par des idées ou par des encouragements.
Table des matières
Liste des figures iii
Liste des tableaux vi
Liste des symboles utilisés viii
Introduction générale 1
1 Écoulement dans les coursiers en marches d’escalier 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Aspect historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Présentation des écoulements sur les coursiers en marches d’escalier . . . . 6
1.3.1 Le régime d’écoulement en nappe . . . . . . . . . . . . . . . . . . . 6
1.3.2 Le régime d’écoulement extrêmement turbulent . . . . . . . . . . . 8
1.3.3 Le régime d’écoulement de transition . . . . . . . . . . . . . . . . . 8
1.4 Phénomène d’aération de l’écoulement . . . . . . . . . . . . . . . . . . . . 10
1.5 Dissipation d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Début du régime extrêmement turbulent . . . . . . . . . . . . . . . . . . . 13
1.7 Bassin de dissipation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Aspect économique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Problématique et but de la thèse . . . . . . . . . . . . . . . . . . . . . . . 21
1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Modélisation des écoulements à surface libre 24

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
i
2.2 Équations de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Simulation numérique directe . . . . . . . . . . . . . . . . . . . . . 26
2.2.2 Simulation à grande échelle . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Approche statistique en un point . . . . . . . . . . . . . . . . . . . 27
2.3 Modélisation de la turbulence . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Modèles de turbulence basés sur le concept de viscosité turbulente . 29
2.3.2 Modèles au second ordre . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.3 Choix du modèle de turbulence . . . . . . . . . . . . . . . . . . . . 32
2.4 Modélisation de la surface libre . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.1 Méthodes avec maillage fixe . . . . . . . . . . . . . . . . . . . . . . 33
2.4.2 Méthodes à maillage mobile . . . . . . . . . . . . . . . . . . . . . . 38
2.4.3 Méthodes sans maillage . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 Méthode de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Principe de discrétisation avec la méthode des volumes finis . . . . 42
2.5.2 Couplage vitesse-pression . . . . . . . . . . . . . . . . . . . . . . . . 47
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3 Méthodes d’optimisation 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Problèmes d’optimisation mono-objectifs . . . . . . . . . . . . . . . . . . . 53
3.2.1 Les méthodes déterministes . . . . . . . . . . . . . . . . . . . . . . 55
3.2.2 Les méthodes stochastiques . . . . . . . . . . . . . . . . . . . . . . 57
3.3 Optimisation multi-objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.1 Relations d’ordre et de dominance . . . . . . . . . . . . . . . . . . . 62
3.3.2 Front de Pareto ou surface des compromis . . . . . . . . . . . . . . 62
3.3.3 Traitement d’un problème d’optimisation multi-objectifs . . . . . . 63
3.3.4 Choix de la méthode d’optimisation . . . . . . . . . . . . . . . . . . 66
3.4 Principe général des essaims particulaires (Particle Swarm Optimization) . 66
3.4.1 Formulation mathématique de l’algorithme PSO . . . . . . . . . . . 67
3.4.2 La mise à jour des particules de l’essaim . . . . . . . . . . . . . . . 69
3.4.3 Paramètres de l’algorithme PSO . . . . . . . . . . . . . . . . . . . . 71
ii
3.4.4 L’algorithme PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5 Optimisation de l’essaim de particules pour les applications multi-objectifs 72
3.5.1 Leaders en matière d’optimisation multi-objectifs . . . . . . . . . . 73
3.5.2 Conserver et diffuser les solutions non nominatives . . . . . . . . . 74
3.5.3 Promouvoir la diversité tout en créant de nouvelles solutions . . . . 74
3.5.4 Récapitulatif du principe de l’algorithme MOPSO . . . . . . . . . . 75
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4 Applications 77
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Modélisation numérique des écoulements à surface libre dans les coursiers
d’évacuateurs de crue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.1 Validation du modèle numérique . . . . . . . . . . . . . . . . . . . . 78
4.2.2 Effet de la variation du nombre de marches sur les caractéristiques
hydrauliques des écoulements dans les coursiers en marches d’escalier 81
4.3 Optimisation des dimensions de coursiers en marches d’escalier et de bassin
de dissipation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Conclusion générale et perspectives 102
Bibliographie 104
iii
Liste des figures
Figure 1.1 Régime d’écoulement en nappe avec un ressaut complètement dé-

veloppé (Benmamar, 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Figure 1.2 Régime d’écoulement en nappe avec un ressaut partiellement déve-
loppé (Benmamar, 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Figure 1.3 Régime d’écoulement en nappe sans formation d’un ressaut (Ben-
mamar, 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Figure 1.4 Régime d’écoulement extrêmement turbulent (Benmamar, 2006). . . 9
Figure 1.5 Mécanisme d’entrainement d’air dans un écoulement à surface libre
à grande vitesse (Sinniger et Hager, 1989). . . . . . . . . . . . . . . . . . . 10
Figure 1.6 Paramétres hydrauliques du coursier en marches d’escalier . . . . . 11
Figure 1.7 Comparaison des résultats des différents chercheurs et les équations
de Chanson (1994c) et Boes et Hager (2003). . . . . . . . . . . . . . . . . . 14
Figure 1.8 Formes de saut hydraulique basées sur le nombre de Froude : (a)
ressaut faible, (b) ressaut de transition, (c) ressaut stable et (d) ressaut
rugueux (Stojnic, 2020). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Figure 1.9 Détermination des caractéristiques du ressaut pour un nombre de
Froude compris entre 1,7 et 2,5 : (a) Forme de bassin de dissipation, (b)
Rapport des profondeurs conjuguées, (c) Longueur du ressaut, (d) Perte
d’énergie dans le ressaut (Durand et Mériaux, 1999). . . . . . . . . . . . . 17
Figure 1.10 Détermination des caractéristiques du ressaut pour un nombre de
Froude compris entre 2,5 et 4,5 (a) Forme de bassin de dissipation type I,
(b) Rapport des profondeurs conjuguées,(c) Longueur du ressaut (Durand
et Mériaux, 1999). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
iv
Figure 1.11 Détermination des caractéristiques du bassin de dissipation pour
un nombre de Froude supérieur à 4,5 et une vitesse de l’eau à l’entrée du
bassin inférieure à 15 m/s (a) Forme de bassin de dissipation type II, (b)
Rapport des profondeurs conjuguées, (c) Longueur du ressaut (Durand et
Mériaux, 1999) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Figure 1.12 Détermination des caractéristiques du bassin de dissipation pour
un nombre de Froude supérieur à 4,5 et une vitesse de l’eau à l’entrée du
bassin supérieure à 15 m/s (a) Forme de bassin de dissipation type III,
(b) Rapport des profondeurs conjuguées,(c) Hauteur des blocs et seuil, (d)
Longueur du ressaut (Durand et Mériaux, 1999). . . . . . . . . . . . . . . . 20
Figure 2.1 Les trois types de mouvements en régime turbulent (Chassaing, 2000). 26
Figure 2.2 Représentation de l’interface, d’après Toutant (2006). . . . . . . . . 34
Figure 2.3 Volume de contrôle pour un écoulement bidimensionnel. . . . . . . . 43
Figure 2.4 Exemple de champ de pression non uniforme (Versteeg et Malala-
sekra, 2007) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Figure 2.5 Disposition des grilles décalées pour les vitesses et la pession. . . . . 49
Figure 3.1 Méthode de Tunneling (Berro, 2001) . . . . . . . . . . . . . . . . . 57

Figure 3.2 Détermination du plus court chemin par une colonie de fourmis
(Tfaili, 2007) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Figure 3.3 Notion de la dominance pour un problème d’optimisation à deux
objectifs (Madiouni, 2016). . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Figure 3.4 Exemple de front convexe et concave pour un problème bi objectif
(Mazière, 2018) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Figure 3.5 Mouvement d’une particule (Peng, 2019) . . . . . . . . . . . . . . . 68
Figure 3.6 Topologies des essaims : (a) Essaim localement connecté, (b) Essaim
complètement connecté, (c) Essaim en réseau étoile, (d) Essaim en réseau
arborescent (Reyes-Sierra et Coello Coello, 2006). . . . . . . . . . . . . . . 70
Figure 4.1 Géométries et conditions aux limites . . . . . . . . . . . . . . . . . 78

Figure 4.2 Profils de la surface libre d’un canal à marches d’escalier horizontal 79
Figure 4.3 Profils de la surface libre d’un coursier lisse à forte pente . . . . . . 79
Figure 4.4 Profils de la surface libre d’un coursier en marches d’escalier à forte
pente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
v
Figure 4.5 Profils de pression (a) Le long de la 3ème marche (b) Le long de la
12ème marche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Figure 4.6 Variation du taux de dissipation d’énergie en fonction du nombre
de marches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Figure 4.7 Variation de la hauteur d’eau dans le bassin à l’aval du coursier en
fonction du nombre de marches . . . . . . . . . . . . . . . . . . . . . . . . 83
Figure 4.8 Variation de la contrainte agissant au niveau du fond pour les divers
cas traités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Figure 4.9 Variation de la contrainte agissant au niveau du fond pour les cour-
siers avec 12 et 122 marches . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Figure 4.10 Variation de la contrainte agissant au niveau du fond pour les cour-
siers avec 52 et 122 marches . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Figure 4.11 Variation de la contrainte de cisaillement pour les six cas d’étude . 85
Figure 4.12 Variation de la pression dynamique pour les six cas d’étude . . . . . 85
Figure 4.13 Comparaison entre l’énergie résiduelle estimée en utilisant les équa-
tions de Chanson (1994a) et Boes et Hager (2003)) et mesurée par Salmasi
et Özger (2014) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Figure 4.14 Comparaison entre l’énergie résiduelle numérique et analytique (a)
Écoulement en nappe et (b) écoulement extrêmement turbulent . . . . . . 89
Figure 4.15 Schéma du coursier en marches d’escalier avec bassin de tranquilli-
sation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Figure 4.16 Variation des trois fonctions objectifs en fonction de la hauteur des
marches et la largeur du coursier . . . . . . . . . . . . . . . . . . . . . . . 93
Figure 4.17 Ensemble des solutions non-dominées . . . . . . . . . . . . . . . . . 95
Figure 4.18 Représentation spatiale des solutions après clusturing . . . . . . . . 96
Figure 4.19 Variation du coût total en fonction du taux de dissipation d’énergie
pour e = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Figure 4.20 Variation du coût total en fonction du taux de dissipation d’énergie
pour différentes valeurs d’épaisseur du bassin de dissipation . . . . . . . . . 99
Figure 4.21 Variation de la pente d’ajustement β en fonction de l’épaisseur du
bassin de dissipation e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
vi
Liste des tableaux
Tableau 1.1 Début de l’écoulement extrêmement turbulent sur un évacuateur

en marches d’escaliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Tableau 4.1 Comparaison des résultats de l’énergie résiduelle obtenue en uti-

lisant les équations de Chanson (1994a) et Boes et Hager (2003) avec les
résultats expérimentaux de Salmasi et Özger (2014) . . . . . . . . . . . . . 86
Tableau 4.2 La procédure d’optimisation proposée . . . . . . . . . . . . . . . . 94
Tableau 4.3 Liste des solutions non dominées . . . . . . . . . . . . . . . . . . . 97
Tableau 4.4 Modélisation numérique de quelques solutions optimales . . . . . . 100
vii
Liste des symboles utilisés
b Largeur du bassin de dissipation [m]

bmax Largeur maximale du coursier [m]
C Constante d’intégration [-]
Cb Coût de construction du bassin de tranquillisation [m3 ]
Cc Coût de construction du coursier [m3 ]
CKS Constante de rugosité [-]
Ct Coût total de construction [m3 ]
Cu Constante numérique [-]
c1 Coefficient d’accélération cognitive [-]
c2 Coefficient d’accélération sociale [-]
Cε1 Constante numérique [-]
Cε2 Constante numérique [-]
cµ Constante numérique [-]
Dh,w Diamètre hydraulique pour l’écoulement uniforme [m]
e Épaisseur du bassin de dissipation [m]
E Constante empirique [-]
Em Énergie maximale [m]
Er Énergie résiduelle [m]
f Fonction objectif [-]
F Fonction ligne de niveau [-]
fb Coefficient de frottement [-]
Fr Nombre de Froude [-]
fimax Valeur maximale de chaque fonction objectif [-]
fimin Valeur minimale de chaque fonction objectif [-]
gi Composante de force de volume due à la gravité [m/s2 ]
gj Contraintes d’inégalité [-]
Gbest Position de la meilleure particule de l’essaim [-]
H Fonction discontinue de Heaviside [-]
hc Hauteur critique d’écoulement [m]
Hdam Hauteur du barrage [m]
hi Contrainte d’égalité [-]
viii
hk Constante numérique [-]
hs Hauteur des marches [m]
k Énergie cinétique turbulente [m2 /s2 ]
kp Énergie cinétique turbulente près de la paroi [m2 /s2 ]
Ks+ Nombre de Reynolds de rugosité [-]
l Largeur des marches [m]
L Longueur du bassin de dissipation [m]
lc Longueur caractéristique [m]
lm Longueur de mélange [m]
Me Échelle de longueur du mouvement d’ensemble [m]
Mm Échelle de longueur du mouvement moléculaire [m]
Mt Échelle de longueur du mouvement d’agitation turbulente [m]
Nf aces Nombre de faces du volume de contrôle [-]
→
−n Vecteur unitaire normal à la facette f [-]
p Pression [Pa]
Pc Nombre de Peclet [-]
Pn Valeur de pénalité de la fonction coût [-]
p0 Pression fluctuante [Pa]
p̂ Correction de la pression [Pa]
p Pression moyenne [Pa]
P best Meilleure position donnée par une particule [-]
best
Pcentrale Meilleure position d’une particule centrale [-]
best
Pparent Meilleure position d’une particule parent [-]
q Débit unitaire [m2 /s]
ui Composante de la vitesse suivant la direction i [m/s]
u0 Vitesse fluctuante [m/s]
û Correction de la vitesse [m/s]
um,i Vitesse moyenne du mélange [m/s]
ui Composante de la vitesse moyenne [m/s]
u0 v 0 Contrainte verticale de frottement turbulent [m2 /s2 ]
u0i u0j Composante du tenseur de Reynolds [m2 /s2 ]
Vijt Vitesse actuelles de la variables j de la particule i à l’itération t [-]
Vt Échelle de vitesse caractéristique [m/s]
v0 Vitesse initiale de la particule [-]
v1 Vitesse moyenne d’écoulement au pied du coursier [m/s]
Vd Vitesse relative [m/s]
y1 Hauteur d’eau au pied du coursier [m]
W Poids d’inertie [-]
wi Poids affecté à la fonction objectif [-]
xL Borne inférieure du domaine de recherche des variables [-]
xU Borne supérieure du domaine de recherche des variables [-]
ix
Xijt Position actuelle de la variables j de la particule i à l’itération t [-]
x0 Position initiale de la particule [-]
Z Échelle de longueur [-]
α Pente du coursier [-]
αa Fraction volumique de la phase air [-]
αe Fraction volumique de la phase eau [-]
αq Fraction volumique de la phase q [-]
∆t Pas de temps [s]
δij Indice de Kronecker Sij tenseur de taux de déformation [-]
ε Taux de dissipation d’énergie cinétique turbulente [m2 /s3 ]
κ Constante de Von Karman [-]
λ Viscosité [kg/m.s]
Λ Nombre d’itérations [-]
µ Viscosité dynamique [kg/m.s]
νm Viscosité cinématique de mélange [m2 /s]
νt Viscosité turbulente [m2 /s]
Ω Volume de contrôle [m3 ]
→
−n Vecteur unitaire normal à la facette f [-]
φ Variable générale [-]
ρm La masse volumique [kg/m3 ]
ρk Masse volumique [kg/m3 ]
ρ Masse volumique du fluide [kg/m3 ]
σε Constante numérique [-]
σk Constante numérique [-]
τij Tenseur des craintes visqueuses [N/m2 ]
Tolérance [-]
Abréviations
ARSM Averaged Reynolds Stress Model
HBMO Honey-Bee Mating Optimization
MOGA Multiple Objective Genetec algorithme
MOPSO Multiobjectif Particle Swarm Optimization
NSGA Non dominated Sorting Genetic Algorithm
PESA Pareto Archived Evolution Algorithm
PSO Particle Swarm Optimisation
RSM Reynolds Stress Model
VOF Volume Of Fluid
x
Introduction générale
La construction des barrages répond à des objectifs multiples, à savoir l’alimentation en

eau potable, la maitrise des fleuves, la prévention des inondations et la production de
l’électricité. Les barrages peuvent aussi présenter un intérêt touristique en aménageant
des lacs de retenue à des fins de loisir. Depuis le début du développement de la civilisation
égyptienne, l’homme n’a cessé de construire des barrages partout dans le monde afin d’ex-
ploiter les eaux de surface. Pour éviter les dommages ou l’effondrement des barrages en
cas de débordement, une structure auxiliaire adéquate pour un acheminement efficace des
eaux provenant des crues est nécessaire. Afin de collecter les eaux en excès et les évacuer
jusqu’au cours d’eau aval, les coursiers en aval des seuils déversant sont généralement les
plus utilisés. Le problème majeur de ces ouvrages est que l’écoulement se trouve animé
d’une grande énergie ce qui peut provoquer des dégâts en aval du barrage. Pour remé-
dier à ce problème, il est primordial de dissiper en toute sécurité l’énergie cinétique de
l’écoulement avant d’atteindre le cours d’eau. Différents ouvrages peuvent être envisagés à
cet effet, on en cite en particulier les bassins amortisseurs, les sauts de ski ou l’utilisation
d’un type particulier de coursier connu sous le nom de coursier en marches d’escalier. Avec
le développement d’une nouvelle technique de construction efficace appelée BCR (Béton
Compacté au Rouleau) entre les années 1970 à 1980, les coursiers en marches d’escalier
sont devenus une conception courante pour les évacuateurs de crue. Cette technique pré-
sente une facilité dans son utilisation en couches minces et leur organisation en marches
d’escalier.
A cause de la forte pente du coursier et la présence des marches qui jouent un rôle de
macro rugosité, les écoulements sur les coursiers sont de nature très complexe. Ils sont
généralement caractérisés par une forte turbulence et un fort entrainement d’air qui pro-
voque l’apparition de différents régimes d’écoulements. Ces phénomènes rendent l’étude
des écoulements sur les coursiers en marches d’escalier très délicate. Plusieurs modèles
physiques ont été construits pour analyser l’écoulement de l’eau dans ces ouvrages. En
fait ces modèles sont très couteux et prennent beaucoup de temps pour leur réalisation.
1
Avec le développement technologique et l’apparition des ordinateurs de hautes perfor-

mances, plusieurs études se sont penchées sur la modélisation numérique pour simuler
les problèmes de l’écoulement de l’eau dans les ouvrages de dissipation. La diversité des
modèles de turbulence et des modèles de simulation des écoulements diphasiques rend le
choix très difficile.
Les coursiers en marches d’escalier sont caractérisés par une forte dissipation d’énergie
qui peut atteindre 90% de l’énergie totale. Ceci permet donc de réduire les dimensions
des ouvrages de dissipation d’énergie qui sont toujours nécessaire pour dissiper l’énergie
résiduelle. Par conséquent le coût de construction peut être réduit de 20% du coût total
dans le cas des grands barrages et peut même atteindre 80% dans le cas des petits barrages
(Haddad et al., 2010).
Plusieurs paramètres conditionnent la dissipation d’énergie dans les coursiers en marches
d’escalier à savoir le débit d’écoulement, la hauteur et la longueur des marches et la
largeur du coursier. Ces paramètres affectent aussi plusieurs caractéristiques comme la
pression dynamique, les contraintes de caillement ainsi que le coût de construction. La
détermination des dimensions du coursier en marches d’escalier et du bassin de dissipation
est un problème majeur dans la construction des barrages. Jusqu’à présent, il n’existe pas
de méthodes générales et efficaces pour déterminer la meilleure géométrie du coursier en
marches d’escalier et du bassin de dissipation, en vue de maximiser la dissipation d’énergie
et minimiser le coût total de construction à la fois. Ces deux aspects sont intimement liés
et plusieurs paramètres doivent intervenir, c’est pourquoi il est nécessaire de résoudre ce
problème via une optimisation multi-objectifs qui fera un des deux objectifs principaux
de la présente thèse. L’autre objectif concerne bien sûr la caractérisation des écoulements
dans ce type d’ouvrages.
Ainsi, Le but de la présente thèse peut être résumé en les point suivants :
- Validation d’un modèle numérique pour l’étude des écoulements à surface libre dans
les coursiers en marches d’escalier.
- Détermination de l’effet de la variation du nombre de marches sur les caractéristiques
hydrauliques des écoulements sur les coursiers en marches d’escalier.
- Proposition d’une procédure d’optimisation pour déterminer les dimensions du cour-
sier en marches d’escalier pour avoir une dissipation d’énergie maximale et un coût
de construction minimum.
Ce présent document est articulé en quatre chapitres :
- Le chapitre 1 présente un état d’art sur les coursiers en marches d’escalier et les
2
bassins de dissipations d’énergie. Il relate l’état de connaissance sur les différents

régimes d’écoulement sur ces structures, les méthodes analytiques pour le calcul
de la dissipation d’énergie dans les coursiers en marches d’escalier, l’aspect écono-
mique pour le dimensionnement des coursiers en marches d’escalier et des bassins de
dissipation d’énergie ainsi que l’optimisation des dimensions de ces deux structures.
- Le chapitre 2 aborde les méthodes de modélisation des écoulements turbulents à
surface libre, les différentes méthodes de modélisation des écoulements diphasiques
ainsi qu’une brève description de la méthode de résolution utilisée.
- Le chapitre 3 présente un aperçu général sur les problèmes d’optimisation et les dif-
férentes méthodes de résolution existantes. Un grand intérêt sera porté à la méthode
d’optimisation à essaim de particules (PSO).
- Le chapitre 4 constitue la représentation des résultats obtenus à partir des études
menées dans le cadre du présent travail. Il sera subdivisé en deux parties principales :
la première est consacrée à la simulation des écoulements à surface libre dans les
coursiers et la deuxième fait l’objet de l’optimisation des dimensions du coursier en
marches d’escalier et du bassin de dissipation d’énergie.
En termine ce document par une conclusion générale et perspectives dans laquelle nous
présentons les principaux résultats tirés à partir de ce travail et de souligner quelques
perspectives sur les travaux futurs.
3
Chapitre 1 : Écoulement dans les coursiers en
marches d’escalier
1.1 Introduction
Les ouvrages de dissipation d’énergie sont vitaux pour la protection des barrages contre
l’énergie provenant de l’eau acheminée à travers l’évacuateur de crues. Ces ouvrages per-
mettent d’assurer la stabilité des barrages et de lutter contre l’érosion du lit en aval de
celui-ci. Parmi ces ouvrages, on trouve les coursiers en marches d’escalier qui ont l’avan-
tage de dissiper une grande énergie de l’écoulement et permettent ainsi de réduire les
dimensions du bassin de dissipation d’énergie en aval. Dans ce qui suit, nous présentons
une étude détaillée sur les coursiers en marches d’escalier et les bassins de dissipation
d’énergie.
1.2 Aspect historique
L’origine des coursiers de crues à marches d’escaliers remonte aux ères lointaines de l’his-
toire, ils sont connus depuis plus de 3500 ans (Chanson, 2001). A travers ce parcours,
différentes civilisations ont contribué au développement de l’art de construction de ces
structures. Au cours des siècles, les évacuateurs à marches d’escalier étaient fréquemment
sélectionnés pour contribuer à la stabilité des barrages et pour augmenter la dissipation
d’énergie (Chanson, 1994b). Au début du 20ème siècle, les nouveaux progrès concernant
les caractéristiques de la dissipation d’énergie dans les ressauts hydrauliques ont plutôt
favorisé la conception des bassins de dissipation en aval des coursiers lisses, la conception
des coursiers en marches d’escalier a alors disparu. Avec le développement d’une nouvelle
technique de construction plus efficace appelée BCR (Béton Compacté au Rouleau) dans
4
Chapitre 1. Écoulement dans les coursiers en marches d’escalier
les années 1970 à 1980, alors la conception des coursiers en marches d’escaliers a regagné
d’intérêt (Chanson, 2001). Aujourd’hui, la conception des coursiers en marches d’escalier
est couramment utilisée dans les structures hydrauliques avec une large gamme d’appli-
cations à savoir : éviter l’érosion du sol en aval des barrages, améliorer la qualité de l’eau
dans les usines de traitement des eaux en favorisant la réoxygénation et l’élimination des
composés organiques volatils, et enfin servir comme cascades artificielles dans les parcs
de loisirs (Toombes et Chanson, 2005).
L’utilisation de ce type de coursier permet aussi de réduire le coût et d’augmenter la
performance et la longévité des barrages en BCR, notamment grâce à la construction
économique et rapide du coursier sur la face aval (Boes et Hager, 2003). Le gain sur le
coût du projet peut ainsi atteindre 20% par rapport à d’autres techniques, comme l’éva-
cuateur incliné (Peyras et al., 1992). Ces chutes étagées sont principalement équipées
de marches horizontales plates de hauteur uniforme mais dans certains cas les marches
peuvent être inclinées vers le haut ou vers le bas ou regroupées. La hauteur et la pente
des marches peuvent être variées le long du coursier (Chanson et Toombes, 2002a). Gé-
néralement les marches peuvent être considérées comme de grands éléments rugueux qui
augmentent considérablement l’entraînement d’air, la résistance à l’écoulement et la dis-
sipation d’énergie.
En raison de l’importance de ces ouvrages, plusieurs études expérimentales et numériques
ont été effectuées. Ces travaux peuvent être subdivisés en plusieurs volets à savoir : fournir
des définitions de base sur les caractéristiques de l’écoulement et le processus de dissipation
de l’énergie, on cite en particulier les travaux de Chamani et Rajaratnam (1994), Chanson
(1994a), Chamani et Rajaratnam (1999) et Carosi et Chanson (2008) ; comprendre le phé-
nomène de l’entraînement d’air abordé par Chanson (1993), Cheng et al. (2006), Zhang et
Chanson (2016) et Zhan et al. (2016) ; déterminer l’influence des paramètres physiques et
hydrauliques sur la dissipation d’énergie traitée par Rassaei et Rahbar (2014), Gafsi et al.
(2015), Jahad et al. (2016) et Roushangar et al. (2016) ; enfin développer des formules
empiriques pour prédire la dissipation d’énergie en se basant sur des données expérimen-
tales comme le cas de Chanson (1994a) et Boes et Hager (2003) ou sur d’autres techniques
telles que les méthodes d’intelligence artificielle présentées par Salmasi et Özger (2014),
Parsaie et al. (2016a) et Parsaie et al. (2016b).
5
1.3 Présentation des écoulements sur les coursiers en marches

d’escalier
Suivant les conditions d’écoulement et les considérations pratiques de conception, les écou-
lements sur les coursiers en marches d’escalier peuvent être subdivisés en trois catégories
selon le régime d’écoulement : le régime l’écoulement en nappe, le régime d’écoulement
de transition et le régime d’écoulement extrêmement turbulent (Boes et Hager, 2003). La
quantité d’énergie dissipée dans les coursiers en marches d’escalier est liée fortement au
régime d’écoulement. Le passage d’un régime à un autre dépend de la configuration du
coursier, y compris sa pente, la hauteur de ses marches et le débit à évacuer.
1.3.1 Le régime d’écoulement en nappe
Ce régime apparait pour les faibles débits et de grandes marches, il est défini comme une
succession de nappes en chutes libres, tel que l’eau plonge d’une marche en marche sous
la forme d’une fine couche. En fonction du débit et de la profondeur d’eau associée, trois
types d’écoulement en nappe peuvent être distingués comme le montre les figures 1.1,
1.2 et 1.3 qui sont : l’écoulement en nappe avec formation d’un ressaut complètement
développé, écoulement en nappe avec formation d’un ressaut partiellement développé et
l’écoulement en nappe sans formation de ressaut.
Figure 1.1 : Régime d’écoulement en nappe avec un ressaut complètement développé (Benma-
mar, 2006).
L’écoulement en nappe avec formation d’un ressaut complètement développé se présente

comme une alternance entre un régime d’écoulement supercritique et un régime d’écou-
lement subcritique le long d’une marche d’escalier. Cette alternance se produit par la
formation d’un ressaut hydraulique complètement développé.
6
Figure 1.2 : Régime d’écoulement en nappe avec un ressaut partiellement développé (Benma-
mar, 2006).
Dans le cas d’écoulement en nappe avec formation d’un ressaut partiellement développé,
le ressaut hydraulique atteint le bord aval de la marche et se jette dans la marche suivante
avant qu’il ne se développe complètement. Dans ce cas, le régime subcritique n’est pas
observé.
Contrairement aux deux régimes précédents, l’écoulement en nappe sans formation de
ressaut ne développe pas de ressaut hydraulique et l’écoulement étant critique le long de
la marche. Cet écoulement s’accélère d’abord lors du jet et ralenti par la suite (Chanson,
1995).
Figure 1.3 : Régime d’écoulement en nappe sans formation d’un ressaut (Benmamar, 2006).
Dans le régime d’écoulement en nappe, la dissipation d’énergie se produit par le jet dis-
persé dans l’eau, le jet de mélange sur la marche et par la formation de ressaut hydraulique
pleinement ou partialement développé (Rajaratnam, 1990). Des observations détaillées
sur ce régime ont été menées par Chanson (1994b), Chamani et Rajaratnam (1994) et
7
Toombes et Chanson (2000) pour obtenir les propriétés basiques de l’écoulement en nappe,
quantifier la dissipation d’énergie et étudier les phénomènes d’entrainement d’air.
1.3.2 Le régime d’écoulement extrêmement turbulent
Ce régime apparait pour des débits importants, contrairement au régime d’écoulement en

nappe où la forme de la nappe suit approximativement le profil des marches, en régimeex-
trêmement turbulent l’eau s’écoule en un courant fort, cohérent et turbulent au-dessus des
marches. Dans ce cas les marches sont totalement immergées. Ce régime a été défini par
Rajaratnam (1990) en utilisant les données de l’expérience de Sorensen (1985). Il a été
montré que l’écoulement extrêmement turbulent est caractérisé par une submersion com-
plète de la totalité des marches, un fort entrainement d’air et une formation des rouleaux
de circulation entre les marches.
Comme il est schématisée sur la figure 1.4, l’écoulement extrêmement turbulent sur un
coursier en marches d’escalier ce décompose en trois parties (Hazzab, 1998). Une première
zone englobe quelques marches au début du coursier où l’écoulement présente une confi-
guration caractérisée par une surface libre bien régulière sans aucun entrainement d’air.
La deuxième partie qui correspond à quelques marches du coursier, elle commence par le
point d’injection d’air dans l’écoulement (point d’inception). Dans cette partie, la hauteur
de la lame coulante augmente progressivement suite à l’aération de plus en plus pronon-
cée. La troisième et dernière partie englobe le reste du coursier où les caractéristiques
de l’écoulement sont relativement celles d’un écoulement uniforme où la concentration
d’air, la profondeur d’écoulement et la vitesse sont pratiquement constantes (Chanson,
1994a, Boes et Hager, 2003). Selon les conditions de l’aération de l’écoulement comme
le montre la figure 1.4, l’écoulement extrêmement turbulent sur les coursiers en marches
d’escalier peut être aussi subdivisé en trois zones, la zone d’écoulement non aéré, la zone
d’écoulement graduellement varié aéré et la zone d’écoulement uniforme aéré.
1.3.3 Le régime d’écoulement de transition
Ce régime est une transition entre le régime d’écoulement en nappe et extrêmement tur-
bulent, il représente la zone de séparation entre une limite supérieure de l’écoulement en
nappe et une limite inférieure de l’écoulement extrêmement turbulent. Il est caractérisé
par de nombreuses éjections de gouttelettes en aval du point de départ de l’aération super-
ficielles (Chanson, 2001). Ce régime d’écoulement a été initialement décrit par Chanson
(1996).
8
Figure 1.4 : Régime d’écoulement extrêmement turbulent (Benmamar, 2006).
Quelques études expérimentales ont été réalisées pour caractériser les propriétés d’écoule-
ment de transition, à savoir Chanson et Toombes (2002b) et Chanson et Toombes (2004).
Pour fixer mathématiquement les deux limites inférieures et supérieurs de ce régime, plu-
sieurs formulations ont été proposées par Rajaratnam (1990), Stephenson (1991), Chanson
(1996) et Boes et Hager (2003).
Le régime de transition est caractérisé par des fluctuations de nature hydrodynamique
provoquées par le changement de zones non aérées en zones aérées qui peut causer des
instabilités de ce régime (Chanson, 1994a, 1996). C’est pourquoi, afin d’éviter tout en-
dommagement des ouvrages hydrauliques sous ces charges oscillatoires additionnelles aux
efforts de l’écoulement du fluide sur celui-ci, le régime visée pour le dimensionnement
des coursiers en marches d’escalier doit clairement correspondre à l’un des deux régimes
d’écoulement en nappe ou extrêmement turbulent (Felder, 2013).
Selon les travaux de Chamani et Rajaratnam (1994), il a été montré qu’une plus grande
dissipation d’énergie est obtenue pour un écoulement en nappe que pour un écoulement
extrêmement turbulent. Le régime d’écoulement en nappe impose de concevoir des cour-
siers avec de grandes marches et de pente relativement faible, par conséquent le coût
de l’ouvrage augmente (Chanson, 2001). C’est pourquoi, les coursiers en marches d’esca-
lier sont presque toujours dimensionnés pour fonctionner avec des écoulements en régime
extrêmement turbulent alors que les régimes d’écoulement de transition et en nappe se
développent uniquement pour des débits considérablement inférieurs à ceux utilisés pour
le dimensionnement du coursier.
9
1.4 Phénomène d’aération de l’écoulement
Le processus d’entrainement d’air a été étudié en premier lieu dans le cadre de nombreuses
expériences sur les coursiers lisses (Felder, 2013). Ensuite, plusieurs études ont été réali-
sées sur les coursiers en marches d’escalier pour qualifier et quantifier la distribution et la
concentration en air, la position du point de début d’entrainement d’air, et la distance né-
cessaire pour atteindre l’écoulement uniforme. Parmi les travaux abordant l’entrainement
d’air on peut citer ceux de Chanson (1993) et Chamani et Rajaratnam (1999).
Le mécanisme d’entrainement d’air dans un écoulement à surface libre est illustré dans la
figure 1.5 selon Sinniger et Hager (1989). Les écoulements à grande vitesse engendrent une
grande turbulence en surface et donc une aération importante. En effet, les composantes
transversales des vitesses peuvent devenir si grandes qu’elles arrivent à surmonter les
forces de tensions superficielles et de gravité (figure 1.5.a). Il en résulte une éjection
de gouttelettes d’eau dans l’air comme montré dans la figure 1.5.b. En retombant dans
l’écoulement, la goutte ouvre la surface de l’eau et la referme sous l’action de la tension
superficielle (figure 1.5.c). La goutte entraîne avec elle une bulle d’air qui se trouve ainsi
emprisonnée dans l’écoulement selon la figure 1.5.d.
Figure 1.5 : Mécanisme d’entrainement d’air dans un écoulement à surface libre à grande vi-
tesse (Sinniger et Hager, 1989).
Les processus d’entraînement d’air dans les coursiers lisses sont très similaires à ceux dans
les coursiers en marches d’escalier, mais en raison de la plus grande rugosité dans ces der-
niers, l’entraînement d’air se produit beaucoup plus tôt (Felder, 2013). Cet entrainement
d’air provoque une augmentation du volume qui conduit à une modification des caracté-
ristiques hydrauliques de l’écoulement par rapport à celle de l’eau pure. La concentration
10
en air sur le fond permet de réduire considérablement le risque de cavitation sur le coursier
(Benmamar, 2006).
1.5 Dissipation d’énergie
Les coursiers en marches d’escalier sont caractérisés par le taux élevé de la dissipation
d’énergie, les marches agissent comme de grands éléments rugueux qui augmentent la
résistance de l’écoulement et conduisent à un taux de dissipation d’énergie plus élevé par
rapport aux coursiers lisses.
De nombreuses études sur modèle ont été menées pour quantifier la dissipation d’énergie
dans les coursiers en marches d’escalier, on peut citer les plus intempérantes comme celles
de Peyras et al. (1992), Christodoulou (1993), Tozzi (1994), Chanson (1994a) et Boes et
Hager (2003).
Dans les applications pratiques, il est préférable de quantifier l’énergie résiduelle que le
taux de dissipation d’énergie (Chanson, 2001). Dans ce qui suit on présente les formules
empiriques utilisées pour quantifier l’énergie résiduelle dans le cas des écoulement dans
les coursiers en marches d’escalier.
Le régime d’écoulement en nappe se produit pour des débits inférieurs à ceux corres-
pondant à la profondeur d’écoulement critique définie comme suit (Chanson, 1994b) :
hc
< 0.0916(tan α)−1.276 (1.1)
hs
avec hc la hauteur critique d’écoulement, hs la hauteur des marches et α représente la

pente du coursier. Les paramètres utilisés sont défini dans la figure 1.6.
hc
y0
E
Em
Er y2
Hdam
y1
Figure 1.6 : Paramétres hydrauliques du coursier en marches d’escalier
Dans ce régime d’écoulement, la dissipation d’énergie se produit par la fragmentation
11
du jet dans l’air et par la formation du ressaut hydraulique sur la marche. La dissipation
d’énergie dans ce cas est définie par Chanson (1994a) en terme de taux d’énergie résiduelle
Er au pied du coursier par rapport à l’énergie maximale Em disponible à la crête du
barrage comme suit :
!0.275 !−0.55
hc hc
0.54 + 1.751
Er hs hs
= (1.2)
Em 3 Hdam
+
2 hc
avec Hdam la hauteur de barrage.

Dans le régime d’écoulement extrêmement turbulent, plusieurs processus affectent la dissi-
pation d’énergie, y compris les mouvements de recirculation dans les cavités des marches,
les interactions entre l’écoulement et la surface libre qui conduit à des processus énergé-
tiques de rupture de bulles d’air, la formation et l’éjection des gouttelettes d’eau ainsi
que les collisions de bulles et de gouttelettes (Chanson, 1994c, Carosi et Chanson, 2008,
Felder et Chanson, 2009, Gonzalez et Chanson, 2004, Felder et Chanson, 2011)
Il existe plusieurs formulations pour quantifier la dissipation d’énergie dans le cas du ré-
gime d’écoulement extrêmement turbulent. On présente les deux formules les plus utilisées
qui sont celles proposées par Chanson (1994a) et par Boes et Hager (2003).
Selon Chanson (1994a) l’énergie résiduelle peut être estimée comme suit :
1
ξ cos α + s
Er 2 ξ2 3 fb
= ; ξ= (1.3)
Em 2 Hdam 8 sin α
+
3 hc
Selon Boes et Hager (2003) l’énergie résiduelle peut être estimée en utilisant les deux
expressions suivantes :
 !0.1 
Er hs cos α −0.8 Hdam  Hdam
= exp −0.045 (sin α) ; < 15 ∼ 20 (1.4)
Em Dh,w hc hc
1
ξ cos α +
Er 2 ξ2 Hdam
= ; > 15 ∼ 20 (1.5)
Em 1 Hdam hc
ξ cos α + 2 +
2ξ hc
12
avec fb est le coefficient de frottement et Dh,w le diamètre hydraulique pour l’écoulement

uniforme.
Il est à noter que les deux équations (1.4) et (1.5) distinguent entre les deux régimes
d’écoulement extrêmement turbulent uniforme et non uniforme.
1.6 Début du régime extrêmement turbulent
D’une manière générale, l’écoulement en nappe se produit pour des faibles débits et des
grandes marches. Pour le cas des débits importants et des petites marches l’écoulement
devient extrêmement turbulent. Une distinction entre une limite supérieure d’écoulement
en nappe et une limite inférieure d’écoulement extrêmement turbulent peut être définie
avec une plage du régime de transition. Le passage de l’écoulement en nappe à l’écoulement
extrêmement turbulent peut être exprimé par le rapport de la profondeur critique hc et
la hauteur des marches hs .
Une analyse des données expérimentales de Essery et Horner (1978), Peyras et al. (1991) et
Beitz et Lawless (1992) effectuée par Chanson (1994c) indique que le régime d’écoulement
extrêmement turbulent se produit pour des débits supérieurs à ceux correspondant à la
profondeur d’écoulement critique définie comme suit :
(hc )début hs
= 1.057 − 0.465 (1.6)
hs l
où (hc )début est la profondeur critique correspondant au début d’écoulement extrêmement
turbulent et l est la largeur des marches.
En se basant sur des résultats expérimentaux, Boes et Hager (2003) indiquent que le début
de l’écoulement extrêmement turbulent est exprimé en introduisant la pente du coursier
α comme suit :
(hc )début
= 0.91 − 0.14tanα (1.7)
hs
La figure 1.7 montre une comparaison entre les équations (1.6) et (1.7) avec les données
expérimentales résumées dans le tableau (1.1). Cette figure montre que l’équation (1.7)
proposé par Boes et Hager (2003) permet de mieux reproduire les résultats expérimentaux
que l’équation (1.6) proposé Chanson (1994c).
13
Tableau 1.1 : Début de l’écoulement extrêmement turbulent sur un évacuateur en marches

d’escaliers
hs /l hc /hs Référence
0.2 1.15
0.42 0.81
0.53 0.82 Essery et Horner (1978)
0.74 0.82
0.84 0.8
0.33 0.74
0.5 0.67 Peyras et al. (1991)
1 0.61
1.25 0.40 Beitz et Lawless (1992)
1,4 Essery et Horner (1978)
1,2
Peyras et ses collaborateurs
1
(1990) Degoutte et ses
collaborateurs (1992)
0,8
hc /hs
Beitz et Lawless (1992)

0,6
0,4 Chanson 1994
0,2
Boes et Hager 2003
0
0 0,5 1 1,5
hs /l
Figure 1.7 : Comparaison des résultats des différents chercheurs et les équations de Chanson
(1994c) et Boes et Hager (2003).
1.7 Bassin de dissipation
Au cours des trois dernières décennies, de nombreuses études sur les coursiers en marches
d’escalier ont été menées, les caractéristiques d’écoulement telles que l’entraînement d’air
et la dissipation d’énergie ont été décrites et quantifiées avec succès. Les coursiers en
marches d’escalier ne fournissent qu’une dissipation d’énergie partielle, une structure de
dissipation d’énergie peut encore être nécessaire pour dissiper l’énergie résiduelle afin
d’éviter l’affouillement. Il existe plusieurs type de structure de dissipation d’énergie, les
bassins de dissipation avec ressaut hydraulique sont les dissipateurs d’énergie les plus cou-
ramment utilisés (Ljubičić et al., 2018). Dans ces bassins, le régime torrentiel obtenu au
pied du coursier est transformé en régime fluvial qui correspond aux conditions d’écoule-
ment dans le lit de restitution. Alors dans ces conditions c’est le ressaut hydraulique qui
dissipe l’énergie cinétique excédentaire.
14
Les propriétés du ressaut hydraulique et les caractéristiques de l’écoulement peuvent être

liées au facteur cinétique d’écoulement, au débit entrant dans le bassin, à la profondeur
critique de l’écoulement où au nombre de Froude.
Selon le nombre de Froude, comme le montre la figure 1.8, les ressauts hydrauliques
peuvent prendre de nombreuses formes différentes (Peterka, 1984) à savoir :
- Ressaut faible ou pré-ressaut obtenu pour 1.7 6 Fr 6 2.5, il est caractérisé par une
surface relativement lisse avec une série de petits rouleaux et une distribution des
vitesses assez uniforme (figure 1.8.a).
- Ressaut de transition pour 2.5 6 Fr 6 4.5, dans lequel une action importante des
vagues provoquée par des oscillations prononcées du jet entrant (figure 1.8.b).
- Ressaut stable pour 4.5 6 Fr 6 9, ou les conditions d’écoulement sont bien équili-
brées (figure 1.8.c).
- Ressaut rugueux quand Fr > 9 et qui se distingue par une surface rugueuse et
une action importante des vagues causée par des oscillations prononcées du ressaut
(figure 1.8.d).
y2
y1
(a) (b)
(c) (d)
Figure 1.8 : Formes de saut hydraulique basées sur le nombre de Froude : (a) ressaut faible,
(b) ressaut de transition, (c) ressaut stable et (d) ressaut rugueux (Stojnic, 2020).
Cependant, en survolant la littérature, seules quelques études ont porté sur les bassins de
dissipation d’énergie en aval des coursiers en marches d’escalier. Ces études ont fournis
quelques indications sur les caractéristiques d’écoulement dans ces structures par exemple,
les pressions moyennes, les profondeurs d’écoulement, et les pressions dynamiques sur le
fond (Novakoski et al., 2017a,b).
Jusqu’à présent, aucune étude systématique n’a été menée pour fournir des directives gé-
nérales de conception pour les bassins de tranquillisation en aval des coursiers en marches
15
d’escalier. La structure de l’écoulement d’un ressaut hydraulique en aval des coursiers

en marches d’escalier et les propriétés d’écoulement interne air-eau n’ont pas encore été
étudiées. Ainsi, la connaissance des performances du bassin de tranquillisation en aval des
coursiers en marches d’escalier n’est pas tout à fait élucidée. En conséquence, les lignes
directrices de conception élaborées pour ce genre de bassins en aval des coursiers lisses
sont toujours prises en compte pour les bassins de tranquillisation dans le cas des coursiers
en marches d’escalier.
Selon les valeurs du nombre de Froude, différents types de bassins de dissipation d’énergie
avec ressaut hydraulique peuvent être distingués (Peterka, 1984) :
1) Pour Fr = 1 : il n’y a pas de formation de ressaut, le régime est critique.
2) Pour 1 < Fr < 1.7 : le courant d’eau incident à une profondeur légèrement inférieure
à la profondeur critique, dans ce cas il n’est pas nécessaire d’établir un bassin spécial
de tranquillisation.
3) Pour Fr = 1.7 : le tirant d’eau à la sortie de ressaut y2 est de l’ordre 2 fois celui de
l’entrée y1 et la vitesse de sortie d’environ la moitié de la vitesse d’entrée. Il suffit
simplement de bétonner le canal sur une longueur de l’ordre de 4 à 6 fois y2 à partir
de l’endroit où la profondeur commence à se modifier, c’est-à-dire à la rupture de
la pente à la fin du coursier.
4) Pour 1.7 < Fr < 2.5 : le ressaut commence à apparaître mais sans turbulence, on
parle alors de pré-ressaut. Il faut veiller à ce que le bassin soit suffisamment long
pour contenir l’écoulement pendant son ralentissement. Les abaques de la figure
1.9 donnent la méthode de détermination des caractéristiques du ressaut pour un
nombre de Froude compris entre 1,7 et 2,5.
5) Pour 2.5 < Fr < 4.5 : le phénomène est dans un stade de transition, il y a formation
d’un ressaut instable difficile à contrôler d’où la nécessité de la mise en place des
obstacles à l’entrée du bassin. Dans ce cas, un bassin dit de type I donné par la
figure 1.10.a est relativement efficace. Les figures 1.10.b et 1.10.c représentent les
abaques nécessaires pour le dimensionnement de ce type de bassin.
6) Pour Fr = 4.5 : le ressaut se produit nettement, alors la mise en place des blocs
de déflecteur permet de raccourcir le bassin et d’éviter le déplacement du ressaut
à l’aval. Deux cas de figures peuvent se présentés, si la vitesse d’entrée ne dépasse
pas 15 m/s, on pourra utiliser le bassin de type représenté dans la figure 1.11, par
contre si la vitesse d’entrée dépasse 15 m/s, il est préférable d’utiliser le bassin de
type III représenté dans la figure 1.12.
16
(a)
(b)
Fr
(c)
Fr
(d)
Fr
Figure 1.9 : Détermination des caractéristiques du ressaut pour un nombre de Froude compris
entre 1,7 et 2,5 : (a) Forme de bassin de dissipation, (b) Rapport des profondeurs
conjuguées, (c) Longueur du ressaut, (d) Perte d’énergie dans le ressaut (Durand
et Mériaux, 1999).
17
(a)
(b)
Fr
(c)
Fr
Figure 1.10 : Détermination des caractéristiques du ressaut pour un nombre de Froude compris
entre 2,5 et 4,5 (a) Forme de bassin de dissipation type I, (b) Rapport des
profondeurs conjuguées,(c) Longueur du ressaut (Durand et Mériaux, 1999).
18
(a)
(b)
Fr
(c)
Fr
(d)
Fr
Figure 1.11 : Détermination des caractéristiques du bassin de dissipation pour un nombre de
Froude supérieur à 4,5 et une vitesse de l’eau à l’entrée du bassin inférieure à
15 m/s (a) Forme de bassin de dissipation type II, (b) Rapport des profondeurs
conjuguées, (c) Longueur du ressaut (Durand et Mériaux, 1999)
19
(a)
(b)
Fr
(c)
Fr
(d)
Fr
Figure 1.12 : Détermination des caractéristiques du bassin de dissipation pour un nombre de
Froude supérieur à 4,5 et une vitesse de l’eau à l’entrée du bassin supérieure à
15 m/s (a) Forme de bassin de dissipation type III, (b) Rapport des profondeurs
conjuguées,(c) Hauteur des blocs et seuil, (d) Longueur du ressaut (Durand et
Mériaux, 1999).
20
1.8 Aspect économique
La conception des évacuateurs de crues a toujours été un problème important dans la

construction des barrages. Cette conception dépend de la structure, des caractéristiques
d’écoulement de l’eau et du coût de construction. Le coût de construction d’un évacuateur
de crues peut être estimé à 20% du coût total dans le cas des grands barrages et elle
peut atteindre jusqu’à 80% dans le cas des petits barrages (Haddad et al., 2010). Vue le
manque d’étude sur le coté économique des coursiers en marches d’escalier, il n’existe pas
une méthode générale pour calculer son coût de construction. Selon Haddad et al. (2010),
le coût de construction peut être exprimer comme suit :
Ct = Cc + Cb (1.8)
dans l’équation 1.8, Ct est le coût de construction, Cc est le coût de construction des
marches et Cb est le coût total de bassin de dissipation d’énergie. Le coût de construction
du coursier Cc est considéré égal à son coût d’excavation, ils supposent qu’un volume uni-
taire est égal à une unité de coût d’excavation. Par contre, le coût de bassin de dissipation
d’énergie Cb est estimé à 2 unités pour chaque unité d’énergie résiduelle. Dans l’analyse de
Haddad et al. (2010), ils ont éliminé le régime de transition et ce en ajoutant une valeur
dite de pénalité Pn à la fonction coût. Cette dernière est exprimée comme suit :
Ct = Cc + Cb + P n (1.9)
Mooselu et al. (2019) considèrent que le coût de construction est égal au volume de béton,
qui est fonction des dimensions des marches, de la hauteur de coursier et le nombre de
marches. Cependant aucun détail sur la méthode de calcul n’a été donné.
1.9 Problématique et but de la thèse
La détermination des dimensions du coursier en marches d’escalier et du bassin de dissi-

pation (la largeur du coursier, hauteur des marches, et longueur de bassin de dissipation)
est un problème majeur dans la construction des barrages.
La dissipation d’énergie dans un coursier en marches d’escalier peut atteindre 90 % de
l’énergie totale (Haddad et al., 2010). Pour cette raison, quelques études ont été réali-
sées pour déterminer les dimensions des coursiers en marches d’escaliers en se basant sur
21
ce facteur hydraulique. En raison de la complexité des équations de dissipation d’éner-

gie existantes dans la littérature, une étude d’optimisation est nécessaire. Les techniques
d’optimisation traditionnelles sont difficiles à appliquer avec succès. Cependant, avec le
développement des méthodes méta-heuristiques et des algorithmes évolutionnaires, cer-
tains travaux d’optimisation tels que celui de Barani et al. (2005) a été réalisé en appli-
quant la méthode de direction faisable (Feasible Direction Method, FDM) pour trouver
les meilleures dimensions des marches qui maximisent la dissipation d’énergie.
Le facteur économique est très important dans le dimensionnement Quelques travaux
ont été réalisés pour minimiser ce coût de construction en utilisant différentes méthodes,
on en cite par exemple l’algorithme génétique (GA) utilisé par Haddad et al. (2005),
les algorithmes de colonies d’abeilles (Honey-Bee Mating Optimization, HBMO) employé
par Haddad et al. (2010), l’algorithme de recherche d’harmonie (Harmony Search Algo-
rithm, HAS) adopté par Hassanvand et al. (2018) et l’algorithme d’optimisation améliorée
de l’essaim de particules (Improved Particle Swarm Optimization, IPSO) et de colonies
d’abeilles artificielles (Artificial Bee Colony, ABC) ont été exploités par Jazayeri et Moeini
(2020)).
Très peu de travaux de recherche ont été menés en utilisant une optimisation multi-
objectifs pour prendre en compte simultanément les aspects hydrauliques et économiques.
Un exemple de tels travaux, sinon le seul, est présenté dans Mooselu et al. (2019). Il est
basé sur le couplage de l’optimisation multi-objectif floue avec la simulation CFD.
Jusqu’à présent, il n’existe pas de méthode générale et efficace pour déterminer la meilleure
géométrie du coursier en marches d’escalier et du bassin de dissipation (largeur du coursier,
hauteur des marches et longueur du bassin) afin de maximiser la dissipation d’énergie
et minimiser le coût total de construction à la fois. Cela nécessite en fait de résoudre
un problème d’optimisation multi-objectif. C’est dans ce contexte que s’articule le but
principal de la présente thèse qui est de proposer une procédure d’optimisation pour
déterminer les dimensions du coursier en marches d’escalier et de bassin de dissipation
pour avoir une dissipation d’énergie maximale avec un coût de construction minimum.
Les résultats issus de l’optimisation sont validés par voix de la simulation numérique avec
un modèle qui a été appliqué aux écoulements à surface libre.
L’autre but concerne la caractérisation des écoulements sur les coursiers en marches d’esca-
lier. Il englobe la validation d’un modèle numérique pour l’étude de ce type d’écoulement
ainsi que l’étude de la variation du nombre de marche sur les caractéristiques hydrau-
liques de l’écoulement telles que la dissipation d’énergie, les contraintes de cisaillement et
22
les pressions dynamiques.
1.10 Conclusion
Dans ce chapitre nous avons abordé les points suivants : en premier lieu, nous avons
effectué une synthèse sur les écoulements dans les coursier en marches d’escaliers qui
englobe l’aspect historique, les types d’écoulement, leurs caractéristiques et les méthodes
analytiques pour le calcul de la dissipation d’énergie. En deuxième lieu, nous avons traité
les types de bassins de dissipation, l’aspect économique utilisé pour le dimensionnement
des coursiers en marches d’escalier et des bassins de dissipation d’énergie. En dernier lieu,
nous avons présenté la problématique et but de la thèse.
23
Chapitre 2 : Modélisation des écoulements à
surface libre
2.1 Introduction
La modélisation physique permet d’étudier et de valider la conception d’ouvrages hydrau-

liques complexes tels que les évacuateurs de crues. La réalisation de ces modèles est très
couteuse et prend beaucoup de temps, par conséquent, les chercheurs se sont penchés
vers la modélisation numérique qui consiste à étudier les mouvements des fluides par la
résolution numérique de leurs équations de mouvement. Cette discipline est connue sous
le nom de la mécanique des fluides numérique désignée par CFD qui signifie en anglais
Computational Fluid Dynamics. La CFD permet l’accès à toutes les informations instan-
tanées du fluide et de l’écoulement en tous points avec un coût négligeable par rapport à
la réalisation des modèles physiques. Ce chapitre est alors consacré à la présentation des
équations de mouvement régissant les écoulements à surface libre ainsi que leur résolution
numérique.
2.2 Équations de base
Les écoulements à surface libre sont régis par les équations de continuité et de quantité de
mouvement déduites respectivement des lois de conservation de la masse et de quantité
de mouvement. Dans un repère cartésien, ces équations sont écrites sous forme indicielle
comme suit :
∂ρ ∂(ρui )
+ =0 (2.1)
∂t ∂xi
24
Chapitre 2. Modélisation des écoulements à surface libre
∂(ρui ) ∂(ρui uj ) ∂p ∂τij

+ =− + ρgi + (2.2)
∂t ∂xj ∂xi ∂xj
avec ui la composante de la vitesse suivant la direction i, gi la composante de force de

volume due à la gravité, p la pression, ρ la masse volumique du fluide, τij le tenseur des
craintes visqueuses, où i et j sont des indices (i, j = 1, 2, 3).
Pour les fluides Newtoniens, les contraintes visqueuses τij sont reliées au taux de défor-
mation locale comme suit :
τij = 2µSij + λδij div(V ) (2.3)
où µ est la viscosité dynamique, λ représente la viscosité, elle est prise égale à −2/3µ
(Schlichting et Kestin, 1979), V vecteur vitesse d’écoulement, δ est l’indice de Kronecker
( δ = 1 si i = j, δij = 0 si i 6= j), Sij désigne le tenseur du taux de déformation donné
par : !
1 ∂ui ∂uj
Sij = + (2.4)
2 ∂xj ∂xi
En tenant compte de la relation (2.3) et après quelques arrangements, les équations de

conservation de la masse et de la quantité de mouvement pour un fluide newtonien in-
compressible s’écrivent comme suit :
∂ui
=0 (2.5)
∂xi
!
∂ui ∂ui ∂p ∂ ∂ui
ρ + ρuj =− + ρgi + µ (2.6)
∂t ∂xj ∂xi ∂xj ∂xj
L’équation (2.6) est connu sous le nom d’équation de Navier-Stockes elle est fortement non-
linéaire, elle ne possède de solutions analytiques que dans de cas d’écoulements simples à
savoir : couche limite, couche de mélange, jet libre (Chassaing, 2000). Dès que l’écoule-
ment devient complexe, comme le cas de la majorité des écoulements à surface libre, les
équations de Navier-Stokes excluent toute solution analytique.
La turbulence est une propriété de l’écoulement et non du fluide lui-même. Dans des
écoulements originalement laminaires, la turbulence nait à partir d’instabilités qui se dé-
veloppent lorsque le nombre de Reynolds augmente(Chassaing, 2000). L’apparition de la
25
turbulence est influencée aussi par les forces extérieurs (forces d’Archimède et forces de
Coriolis). L’écoulement turbulent se caractérise par la présence au sein même de l’écou-
lement de nombreux mouvements secondaires d’aspect chaotique. En régime turbulent,
d’après la figure 2.1 on distingue trois classes d’échelles de mouvement : le mouvement
d’ensemble (échelle Me ) qui correspond à l’évolution moyenne de l’écoulement, le mouve-
ment d’agitation turbulente (échelle Mt ) qui résulte de l’effet des tourbillons réellement
présents dans l’écoulement, et le mouvement d’agitation moléculaire (échelle Mm ) dont
seuls les effets macroscopiques sont pris en compte.
Me
Trajectoire
réele
Mt
Mm
Figure 2.1 : Les trois types de mouvements en régime turbulent (Chassaing, 2000).
Ils existe trois grandes familles de méthodes pour simuler les écoulements turbulents à
surface libre, qui seront détaillées ci-dessous.
2.2.1 Simulation numérique directe
La simulation numérique directe (DNS) est basée sur la résolution numérique des équations
de Naviers-Stokes de manière directe sans utiliser aucun modèle de turbulence, c’est à
dire, que l’on calcule toutes les échelles de temps et d’espace (Schiestel, 2006). En faite,
cette approche nécessite de puissants moyens informatiques. Par conséquent, elle ne peut
être conduite actuellement que sur des écoulements en géométrie relativement simple et
pour des nombres de Reynolds peu élevés. En effet, plus le nombre de Reynolds d’un
écoulement est élevé, plus les petites échelles turbulentes sont séparées des grandes, et
plus il faut mailler finement le domaine étudié. L’utilisation de l’approche directe pour
la résolution des équations de Naviers-stokes en régime turbulent reste donc réservée à
des études fondamentales de recherche (servant couramment de "banc d’essai" pour de
nouveaux modèles). Cette approche ne peut pas se concevoir dans des buts de prévision
numérique d’écoulements d’intérêt pratique, vu les ressources informatiques qui seraient
nécessaires.
26
2.2.2 Simulation à grande échelle
La simulation à grande échelle où LES en anglais, est une approche basée sur la distinc-
tion des structures des tourbillons selon leur taille, et ce en introduisant une fonction de
filtrage aux équations de Navier-Stocks. Dans cette approche, seuls les grands tourbillons
sont pris en compte dans la simulation tandis que les tourbillons de petites échelles sont
modélisés. Les grosses structures sont créées par le mouvement moyen, elles dépendent
donc fortement de celui-ci et sont directement affectées par les conditions aux limites
(Chassaing, 2000). D’autre part, leur caractère anisotrope associé à une durée de vie
relativement longue les rendent difficiles à modéliser, donc ils doivent être calculés. En re-
vanche, la formation de structures de plus en plus petites conduit à l’hypothèse d’isotropie
locale qui suppose que les petits tourbillons sont indépendants des valeurs moyennes et
de la géométrie de l’écoulement. Le caractère plus universel de ces petits tourbillons ainsi
qu’une durée de vie plus courte facilitent leur modélisation. L’avantage de l’approche LES
est de modéliser les petites structures, ce qui autorise des mailles plus grosses que pour
la DNS. Toutefois, cette approche demande encore de grandes ressources informatiques,
ce qui limite les calculs à des géométries académiques et à des nombres de Reynolds plus
au moins faibles. La gamme d’application de la LES correspond à un nombre de Rey-
nolds s’élevant à 104 , c’est une limite qui exclut l’écoulement dans des canaux naturels ou
artificiels (Schiestel, 2006).
2.2.3 Approche statistique en un point
En pratique, il est très difficile de suivre en détail le mouvement de toutes les structures
tourbillonnaires présentes dans l’écoulement turbulent, il est judicieux de distinguer les
grandeurs moyennes et fluctuantes de l’écoulement. Pour cela, l’approche statistique en un
point s’avère un moyen pertinent. Cette approche consiste à décomposer les grandeurs ca-
ractéristiques instantanées de l’écoulement turbulent en une partie moyenne et une partie
turbulente d’apparence aléatoire. C’est une approche qui est basée sur la décomposition
qui a été introduite à la fin du dix-neuvième siècle (1894) par Reynolds.
L’approche statistique en un point reste une voie utile pour la pratique industrielle ou
environnementale, c’est pourquoi nous l’avons choisi dans le cadre de présent travail. Elle
fera l’objet d’une description détaillée dans ce qui suit.
En suivant la décomposition de Reynolds, les variables instantanées décrivant l’écoule-
ment, la pression et les vitesses, sont alors subdivisées en une valeur moyenne et fluctuante
27
comme suit :
ui (xj , t) = ui (xj , t) + u0i (xj , t) (2.7)
p(xj , t) = p(xj , t) + p0 (xj , t) (2.8)
avec ui (xj , t) et p(xj , t) représentent les valeurs moyennes et u0i (xj , t) et p0 (xj , t) sont leurs
valeurs fluctuantes qui définissent les écarts par rapport à la moyenne.
En adoptant l’approche statistique en un point qui permet de distinguer l’écoulement
moyen et fluctuant dans les équations de base (2.5) et (2.6) et en prenant la moyenne de
chaque équation et en répercutant les règles de Reynolds défini dans Schiestel (2006), on
obtient les équations de Reynolds moyennées :
∂ui
=0 (2.9)
∂xi
∂(−ρu0i u0j )
!
∂ui ∂ui ∂p ∂ ∂ui
ρ + ρuj =− + ρgi + µ + (2.10)
∂t ∂xj ∂xi ∂xj ∂xj ∂xj
Le terme u0i u0j donne naissance aux tensions de Reynolds (tenseur des contraintes de
Reynolds ou tenseur des contraintes turbulentes), ils introduisent l’interaction entre le
mouvement moyen et fluctuant. Le système obtenu (Équations 2.9 et 2.10) contient plus
d’inconnus que d’équations, c’est un système ouvert. Pour prédire les champs de vitesse
moyenne et de pression moyenne à partir des équations de Reynolds, il est nécessaire
de formuler des hypothèses de fermeture de la turbulence qui permettent de calculer le
tenseur de Reynolds en fonction du champ de vitesse moyenne.
2.3 Modélisation de la turbulence
Le traitement statistique associé à la non linéarité des équations entraîne une augmenta-
tion du nombre d’inconnues, et pose donc un problème de fermeture. Pour remédier à ce
problème, le tenseur u0i u0j doit être exprimé en fonction de grandeurs moyennes d’écoule-
ment à l’aide d’un modèle de turbulence.
De nombreux modèles de turbulence ont été développés, on distingue les modèles simples
ou modèles de premier ordre et les modèles plus élaborés ou modèles de fermeture du
second ordre. La première catégorie est basée sur des relations algébriques et reposent sur
le concept de la viscosité turbulente proposé en 1877 par Boussinesq (Schiestel, 2006).
28
Ces modèles consistent à modéliser le tenseur de Reynolds u0i u0j en le reliant directement
au mouvement moyen. Quant à la deuxième catégorie, le tenseur de Reynolds est prédit
par ses propres équations de transport.
2.3.1 Modèles de turbulence basés sur le concept de viscosité turbulente
Ces modèles sont basés sur la modélisation de la contrainte turbulente u0i u0j en utilisant
le concept de la viscosité turbulente introduit par Bossinesq en 1877. Les contraintes de
Reynolds sont alors exprimées en fonction du taux de déformation moyen comme suit :
!
∂ui ∂uj 2
−u0i u0j = νt + − kδij (2.11)
∂xj ∂xi 3
où k désigne l’énergie cinétique turbulente et νt la viscosité turbulente.

Dans ce cas, la détermination du tenseur de Reynolds revient à l’évaluation de la viscosité
turbulente. Suivant le nombre d’équations de transport utilisées pour décrire cette visco-
sité, on distingue les classes de modèles de turbulence suivants : modèle à zéro équation,
à une équation et à deux équations de transport.
2.3.1.1 Modèle à zéro équation
Ces modéles ne font appel à aucune équation de transport et la viscosité turbulente est
donnée par une expression algébrique. Le modèle algébrique le plus connu selon Schies-
tel (2006) est celui proposé par Prandtl en 1925. Dans un écoulement turbulent cisaillé
(couche limite), les contraintes turbulentes peuvent être exprimées comme suit :
∂u ∂u
u0 v 0 = νt = lm Vt (2.12)
∂y ∂y
Ce modèle est dit de « longueur de mélange », il consiste à représenter l’échelle de vitesse

caractéristique Vt comme étant le produit du gradient de vitesse prépondérant et de
l’échelle de longueur qui est la longueur de mélange lm .
∂u
Vt = lm (2.13)
∂y
29
Ce qui conduit à l’expression ci-après de la viscosité turbulente :
2 ∂u
νt = lm (2.14)
∂y
La généralisation de cette expression aux écoulements quelconques est :

v
u !2
u
2 t ∂ui ∂uj
νt = l
m + (2.15)
∂xj ∂xi
La longueur de mélange est généralement choisie proportionnelle à l’épaisseur de l’écou-

lement (Schiestel, 2006).
Le principal avantage des modèles à zéro équation est leur simplicité. Par contre leur
inconvénient vient du fait que leur domaine d’application est très limité aux écoulements
simples. En plus, la distribution de lm n’est pas universelle.
2.3.1.2 Modèle à une équation de transport
Ce type de modèle utilise une seule équation de transport pour déduire la viscosité turbu-
lente. Il est basé sur l’introduction d’au moins une grandeur turbulente, comme l’énergie
cinétique turbulente k, pour la déduction de la viscosité turbulente. Il existe plusieurs mo-
dèles de ce type à savoir : Modèle Prandtl, modèle de Nee Kovasznay, Spalart et Allmaras
(Schiestel, 2006). Le modèle à une équation de transport, proposé par Prandtl en 1945
consiste à exprimer la viscosité turbulente νt en fonction de l’énergie cinétique moyenne
de la turbulence k et une longueur caractéristique lc tel que (Launder et Spalding, 1974) :
√
νt = cµ lc k (2.16)
avec cµ est une constante numérique prise égale à 0.09 et l’énergie cinétique turbulente
est donnée par l’équation de transport suivante :
! !
∂k ∂ 2u ∂ νt ∂k k 3/2
= νt 2
+ − (2.17)
∂t ∂y ∂y hk ∂y lc
où hk = 1.5 est une constante. L’échelle de longueur lc doit être spécifiée dans chaque
cas particulier d’écoulement. Ces modèles n’ont prouvé leur efficacité que dans le cas des
écoulements simples. Pour les autres modèles, ils sont détaillés dans Schiestel (2006) et
Chassaing (2000).
30
2.3.1.3 Modèle à deux équations de transport
Afin de palier au problème concernant la détermination de l’échelle de longueur lc , une

équation de transport supplémentaire d’une grandeur turbulente, qui sera liée à l’échelle
de longueur lc , peut être utilisée pour la détermination de cette échelle. Les modèles
basés sur ce principe sont des modèles dits à deux équations de transport. Cette catégorie
de modèles utilise la formule de Prandtl-Kolmogroff pour la détermination de la viscosité
√
turbulente νt = cµ lc k. Ils utilisent une équation pour l’échelle de vitesse k et une équation
pour l’échelle de turbulence lc ou une variable Z à partir de laquelle on peut déduire une
échelle de longueur Z = k m lcn (Schiestel, 2006). De nombreux modèles à deux équations de
transport existent, ces modèles ne différant que par le choix du couple d’exposant (m, n)
L’équation de transport supplémentaire conserve la même forme générale, quelque soit le
choix du couple (m, n) les équations de la variable Z sont de la forme suivante :
√ ! √
∂Z Z ∂ l k ∂Z k
= CZ1 P + − CZ2 Z + Sz (2.18)
∂t k ∂xi hZ ∂xi lc
Sz est une source secondaire qui varie en fonction de Z, CZ1 et CZ2 sont des constantes.
2.3.2 Modèles au second ordre
L’idée des modèles de turbulence du second ordre est de modéliser plus finement la turbu-
lence en réduisant l’empirisme. Pour une bonne prédiction de la structure détaillée de la
turbulence, une équation de transport est résolue pour chaque tension de Reynolds u0i u0j .
Ceci permet notamment de s’affranchir la loi de comportement de Boussinesq (équation
2.11) nécessaire aux fermetures du premier ordre. Pour une revue plus complète des mo-
dèles du second ordre, il est possible de se référer à Hanjalic et Launder (2011). Pour ce
type d’approche, on distingue deux versions : les modèles de tenseur de Reynolds (RSM)
et les modèles de tenseur de Reynolds algébriques (ARSM). Le premier type de modèle
permet de traiter de façon plus exacte l’anisotropie du tenseur de Reynolds, cependant
il est plus difficile à mettre en point car chaque élément de tenseur de Reynolds est
déterminé par la résolution d’une équation de transport. Ce type de modèles pose en-
core des problèmes de modélisation imparfaitement résolus qui font l’objet de nombreuses
recherches actuelles (Schiestel, 2006). Pour remédier à ces problèmes, des hypothèses sim-
plificatrices ont été émises pour la formulation d’autres modèles plus faciles à résoudre
numériquement, appelés « Modèles de tenseur de Reynolds algébriques», qui sont consti-
tués par un système d’équations algébriques pour les composantes individuelles du tenseur
31
de Reynolds.
2.3.3 Choix du modèle de turbulence
Le choix du modèle de turbulence dépend de plusieurs considérations telles que la com-

plexité de l’écoulement abordé, le niveau de précision requis, le temps de calcul et l’espace
mémoire disponibles. Aucun modèle de turbulence n’est universellement reconnu pour
tous les types d’écoulements. Pour faire le meilleur choix, il est important de connaitre les
limites de chacun des modèles de turbulence, une comparaison des résultats numériques
obtenus à partir des différents modèles avec des résultats expérimentaux reste un moyen
d’aide au choix du modèle le plus approprié.
En se référant aux études de Kositgittiwong et al. (2013), Kherbache et al. (2013), Rassaei
et Rahbar (2014) et Benmamar (2006), le modèle k − ε donne de bon résultats pour la
simulation des écoulements sur les coursiers en marches d’escalier. Par conséquent, ce
modèle sera choisi dans le cadre de la présente étude.
Le modèle k − ε est un modèle à deux équations le plus connu dans la communauté
CFD (Computational Fluid Dynamics). Ce modèle est initialement proposé par Launder
et Spalding (1974), où l’énergie cinétique turbulente k et son taux de dissipation ε sont
utilisés afin de définir l’échelle de longueur lc = k 3/2 /ε. La viscosité turbulente est alors
définie comme suit :
k2
νt = C µ (2.19)
ε
L’énergie cinétique turbulente et son taux de dissipation sont déterminés par les deux
équations de transport suivantes :
! !
∂k ∂k ∂ νt ∂k ∂ui ∂uj ∂ui
+ uj = + νt + −ε (2.20)
∂t ∂xj ∂xj σk ∂xj ∂xj ∂xi ∂xj
! !
∂ε ∂k ∂ νt ∂ε ε ∂ui ∂uj ∂ui ε2
+ uj = + Cε1 νt + − Cε2 . (2.21)
∂t ∂xj ∂xj σε ∂xj k ∂xj ∂xi ∂xj k
Les valeurs des constantes utilisées dans ce modèle sont déduites en utilisant des expé-
riences sur des écoulements de références. Les valeurs standards adoptées par Launder et
Spalding (1974) sont les suivantes : Cµ = 0.09 ; Cε1 = 1.44 ; Cε2 = 1.92 ; σk = 1 et σε = 1.3
32
2.4 Modélisation de la surface libre
Les écoulements à surface libre sont caractérisés par une interface déformable due à l’ap-
parition d’aération superficielle. La détermination de cette interface qui sépare la phase
eau et la phase air est l’un des problèmes majeurs dans l’étude numérique de ce type
d’écoulement. En général, la notion d’interface est utilisée pour évoquer la surface de sé-
paration qui existe entre deux phases (figure 2.2), c’est une zone de faible épaisseur où
les grandeurs physiques subiront une discontinuité ou un saut (Toutant, 2006). Pour un
mélange eau-air, la masse volumique peut varier d’un facteur 1000 entre deux cellules de
calcul adjacentes. Ce saut de densité, qui est présent aussi près des bulles d’air et des
gouttelettes d’eau, présente un défi de stabilité numérique lors de la résolution des équa-
tions de l’écoulement dû à la présence de la masse volumique dans plusieurs termes des
équations de Navier-Stokes. Différentes méthodes ont été développées pour résoudre ce
problème, et le choix de la méthode appropriée dépend de l’application et de la précision
souhaitée d’après Merrouche (2010). Selon ce dernier, pour qu’un modèle numérique soit
capable de simuler les écoulements à interfaces, il doit répondre à un certains nombre de
critères à savoir :
- la conservation de la masse et de la quantité de mouvement ;
- la précision et la stabilité ;
- la représentation de l’interface du fluide ;
- le mouvement de l’interface dans le temps ;
- le traitement des cellules de calcul partiellement remplies ;
- le couplage des conditions au niveau de l’interface avec les équations de mouvement.
Selon le type de maillage adopté, les méthodes de traitement des écoulements diphasiques
peuvent se classer en trois catégories : les méthodes avec maillage fixe où la position
de l’interface est reconstruite par le calcul sur un maillage immobile, les méthodes avec
maillage mobile pouvant se déformer en même temps que l’interface, et enfin les méthodes
sans maillage. Dans ce qui suit, nous allons décrire les méthodes les plus utilisées dans
chaque catégorie.
2.4.1 Méthodes avec maillage fixe
Ces méthodes utilisent la formulation eulérienne pour décrire le mouvement du fluide. Les
équations d’évolution des fluides et celles des interfaces sont résolues sur un maillage fixe.
Dans ces méthodes, l’interface n’est pas suivie explicitement mais reconstruite à partir
33
Figure 2.2 : Représentation de l’interface, d’après Toutant (2006).
d’une fonction indicatrice de phase qui est définie sur l’ensemble du domaine de calcul et
permet de localiser les différentes phases. Il est nécessaire donc d’introduire une variable
supplémentaire et une équation pour suivre son évolution. De multiples avantages sont
fournis par ces méthodes, on en cite en particulier : les changements topologiques de
l’interface ou des déformations importantes sont faciles à gérer, l’adaptation de maillage
est aisée et peut améliorer grandement la précision du calcul, la présence de la surface libre
demande de résoudre en général une équation supplémentaire de transport, ce qui n’est
pas numériquement très coûteux. Les modèles les plus connus et utilisés dans cette classe
sont le modèle VOF (Volume Of Fluid), le modèle Level-Set, et le modèle de mélange
(Mixture).
2.4.1.1 Le modèle VOF
Le modèle VOF est une technique de suivi de l’interface, proposé par Hirt et Nichols
(1981). Il a été conçu pour deux ou plusieurs fluides non miscibles. Dans ce modèle
basé sur le principe de conservation de la masse, les fluides partagent un seul ensemble
d’équations de mouvement. La distribution de fraction volumique de fluide est répartie
dans le domaine de calcul sur un maillage fixe, puis elle est transportée par le champ de
vitesse. Ce modèle est populaire et il est utilisé dans plusieurs codes commerciaux. Les
applications du modèle VOF incluent les écoulements stratifiés, les écoulements à surface
34
libre, le ballottement, le mouvement de grosses bulles dans un liquide, et la rupture d’un

barrage. Une synthèse sur la méthode VOF est détaillée dans Scardovelli et Zaleski (1999),
Harvie et Fletcher (2000) et Olsson et Kreiss (2005).
Le modèle VOF utilise la notion de la fraction volumique pour distinguer les deux fluides,
pour ce fait une équation de la faction volumique est résolue dans le domaine. Cette
fraction volumique est donnée par l’équation de transport suivante :
∂αq ∂(αq ui )
+ =0 (2.22)
∂t ∂xi
où αq est la fraction volumique de la phase q.

Dans le cas de deux fluides, l’équation (2.22) est résolue uniquement pour une seule
phase afin de repérer chacun des deux fluides dans tout l’espace. La valeur de αq est
comprise entre 0 et l’unité. Si αq = 1 la cellule est complètement occupée d’un fluide
et si αq = 0 c’est l’autre fluide qui occupe cette cellule. Par contre si 0 < αq < 1 la
cellule est en présence à la fois des deux fluides séparés d’une interface. Cette interface,
dans le cas de la présence de l’eau est de l’air, présente la surface libre. Pour prendre en
considération les deux fluides dans le domaine de calcul, la masse volumique et la viscosité
cinématique présentes dans les équations du mouvement sont données en fonction de la
fraction volumique comme suit :
ρ = αq ρe + (1 − αq )ρa (2.23)
ν = αq νe + (1 − αq )νa (2.24)
où, les indices e et a désignent l’eau et l’air respectivement.

Durant la reconstruction de l’interface, un compromis entre la précision de la position
de l’interface et les coûts de calcul devra être maintenu. Il existe plusieurs techniques
de reconstruction à savoir, la méthode SLIC (Simple Line Lnterface Calculation) dans
laquelle l’interface peut être délimitée dans une cellule par un segment parallèle à un des
axes de coordonnées, et la méthode PLIC (Piecewise Linear Interface Calculation) où
la reconstruction peut être linéaire. Ces deux méthodes sont largement détaillées dans
Merrouche (2010).
35
2.4.1.2 Méthode level-set
Cette méthode a été développée par Osher et Sethian (1988) pour calculer la position
de l’interface où pour tracer des contours de même intensité dans les images. Elle a été
adaptée aux problèmes de mécanique des fluides par Sussman et al. (1994) et Chang et al.
(1996). Cette méthode repose sur une représentation implicite de l’interface par la valeur
zéro d’une fonction auxiliaire F (la fonction ligne de niveau). Son principe est de définir
donc une fonction d’interface dans le domaine de calcul constituant une infinité de courbes
de niveau de part et d’autre de l’interface. Alors cette dernière représente la courbe de
niveau zéro. Pour prédire la fonction F , cette méthode utilise une équation de transport
équivalente à l’équation de la fraction volumique. L’équation permettant alors de prédire
les mouvements de l’interface dans un champ de vitesse donné s’écrit comme suit :
∂F ∂(ui F )
+ =0 (2.25)
∂t ∂xi
La zone de séparation entre les deux fluides est une zone de très faible épaisseur qui
abrite une interface à travers laquelle les propriétés physiques des deux fluides changent
brutalement. Pour traiter les variations brusque de ces propriétés physiques dans la zone
de séparation, la masse volumique ρ et la viscosité ν dans le cas de deux fluides (fluide 1
et fluide 2) sont définies par (Charlot, 2011) :
ρ(x) = ρ1 + H(F (x))(ρ2 − ρ1 ) (2.26)
ν(x) = ν1 + H(F (x))(ν2 − ν1 ) (2.27)
où H est une fonction discontinue dite de Heaviside prenant la valeur 1 pour tous les réels
positifs et la valeur 0 pour les réels strictement négatifs.
La méthode Level-Set est décrite dans un cadre plus généralisé dans Sethian (1996). Cette
méthode conviennent bien aux problèmes où les interfaces subissent des changements
topologiques extrêmes. Cependant, un inconvénient majeur de cette méthode est qu’elle
n’est pas conservative (Merrouche, 2010).
2.4.1.3 Couplage de Level-Set avec VOF (CLSVOF)
Les deux méthodes Level-Set et VOF sont très bien adaptées à la description d’un écou-
lement diphasique dont l’interface subit des changements géométriques conséquents. La
36
méthode Level-Set est relativement facile à mettre en œuvre aussi bien en 2D qu’en 3D
comparativement à la méthode VOF. Cette dernière souffre de manque de précision pour le
calcul des propriétés géométriques car la mise en œuvre de l’algorithme de reconstruction
est complexe en 3D (Merrouche, 2010). L’inconvénient majeur de la méthode Level-Set
est sa mauvaise capacité de conserver la masse contrairement à la méthode VOF qui est
par une excellente propriété de conservation de la masse.
La méthode CLSVOF (Coupled Level-Set and Volume of Fluid method) est basée sur un
couplage de la méthode Level-Set avec VOF. Le modèle VOF est utilisé pour localiser
les deux fluides, par contre le modèle Level-Set est utilisé pour capturer l’interface qui
les sépare. Ce couplage a été étudié par Sussman et Puckett (2000) pour le calcul des
écoulements diphasiques incompressibles en 3D. CLSVOF bénéficie à la fois des avantages
de la méthode Level-Set et ceux de la méthode VOF, la masse est bien conservée et les
propriétés géométriques peuvent être facilement calculées.
2.4.1.4 Modèle de mélange
Les modèles cités ci-dessus sont des modèles à deux fluides, dans lesquels les deux phases
sont décrites séparément. Ces modèles consistent à résoudre les équations de mouvement
pour chacune des phases. Dans ce qui suit, nous allons représenter le modèle de mélange
qui consiste à ne considérer qu’un seul fluide (mélange des deux phases). Ce dernier
permet de résoudre pour le mélange les équations de mouvement et de prescrire des
vitesses relatives pour décrire la phase dispersée. Le modèle de mélange peut calculer un
nombre n de phases qui sont traitées comme des régions interpénétrantes et qui peuvent se
déplacer à des vitesses différentes. Ce modèle résout les équations de mouvement pour le
mélange, alors un unique système d’équations est nécessaire. Les applications du modèle
de mélange comprennent les écoulements chargés de particules, les écoulements à bulles
et les écoulements à surface libre.
Comme le cas du modèle VOF, une équation de la fraction volumique est couplée avec les
équations de mouvement. Cette fraction volumique est régie par une équation de transport
de type (Manninen et Taivassalo, 1996) :
∂ ∂ ∂ d
(αk ρk ) + (αk ρk um,i ) = − (αk ρk Vq,i ) (2.28)
∂t ∂xi ∂xi
avec αk la fraction volumique de la phase k qui varie entre 0 et 1, ρk sa masse volumique, V d

la vitesse relative ou par extension appelée vitesse de dérive qui correspond à la différence
37
entre la vitesse de la phase k et la vitesse moyenne du mélange um,i . Cette dernière est
donné par :
n
1 X
um,i = αk ρk uk,i (2.29)
ρm k=1
La masse volumique et la viscosité cinématique de mélange présentes dans les équations

de mouvement sont données en fonction de la fraction volumique comme suit :
n
X
ρm = αk ρ k (2.30)
k=1
n
X
νm = α k νk (2.31)
k=1
Plus de détails sur ce modèle sont fournis dans Manninen et Taivassalo (1996).
2.4.2 Méthodes à maillage mobile
Pour décrire le mouvement du fluide, ces méthodes utilisent la formulation purement

lagrangienne ou en choisissant un point de vue lagrangien-eulérien (Philippe, 2009). Les
équations d’évolution des fluides et celles des interfaces sont résolues sur un maillage
mobile qui épouse la forme des interfaces. Ces méthodes nécessitent un remaillage à chaque
pas de temps. Souvent, les méthodes à maillage mobile supposent que la phase gazeuse
n’a pas d’effet sur la dynamique de l’écoulement, elles ne résolvent alors l’équation de
bilan de quantité de mouvement que dans la phase liquide et imposent une condition
de glissement à l’interface. Ces méthodes sont donc très précises, néanmoins elles ont
l’inconvénient d’être difficiles à mettre en œuvre.
Parmi les méthodes à maillage mobile, on trouve les méthodes mixtes lagrangiennes-
eulériennes, dites aussi ALE (Arbitrary Lagrangian Eulerian). Cette méthode a été pro-
posée par Hirt et al. (1997) pour utiliser une description lagrangienne du fluide tout
en gardant une grande flexibilité du maillage. Cette méthode permet de combiner les
avantages d’une formulation eulérienne dans laquelle le maillage reste fixe (la vitesse de
maillage est nulle), et d’une formulation lagrangienne ou le maillage évolue et se déplace
en suivant les déformations du fluide (la vitesse de maillage égale à celle d du fluide). En
ALE, le maillage peut avoir une vitesse nulle, égale à celle du fluide, ou encore arbitraire
(calculée indépendamment)(Philippe, 2009). L’interface constitue une des frontières du
domaine, ce qui permet de connaitre précisément sa position et de faciliter l’imposition
des conditions aux limites. Les applications de la méthode ALE comprennent la modéli-
38
sation du domaine fluide avec interaction entre fluide et solide, ainsi que les problèmes à
surface libre (Philippe, 2009).
La méthode ALE est une méthode précise, elle permet de modéliser les grandes déforma-
tions de surface libre tout en conservant une meilleure qualité du maillage et d’obtenir
un suivi plus précis de la frontière du domaine. Par contre, elle est difficile à mettre en
œuvre pour des géométries tridimensionnelles.
2.4.3 Méthodes sans maillage
Comme son nom l’indique et contrairement aux méthodes citées précédemment, dans
les méthodes sans maillage aucun maillage n’est utilisé dans le domaine de calcul. La
méthode la plus connu dans cette catégorie est la méthode dite SPH (Smoothed Particle
Hydrodynamics) ou particules hydrodynamiques lissées en français. Cette méthode a été
élaborée à l’origine pour la simulation de systèmes gravitaires en astrophysique et adaptée
à la simulation des écoulements à surface libre par Monaghan (1994). La SPH utilise des
particules lagrangiennes qui possèdent les propriétés matérielles du milieu décrit, une
masse et une vitesse propre, et se déplacent selon un système d’équations de conservation
établi (Charlot, 2011). Par sa nature lagrangienne et sans maillage, la méthode SPH est
particulièrement adaptée aux simulations en domaine ouvert avec grandes déformations tel
que le traitement de détachements de gouttelettes ou de vagues déferlantes. Les conditions
de surface libre n’ont pas à être imposées car elles sont satisfaites naturellement par la
formulation donc la surface libre ne requiert a priori aucun traitement spécifique (Charlot,
2011).
2.5 Méthode de résolution
La modélisation des écoulements à surface libre se base sur des méthodes numériques
proposant des solutions aux équations différentielles gouvernant l’écoulement. Ces équa-
tions à caractère non linéaires sont généralement implémentées dans des codes de calculs
commerciaux ou libres développés par des éditeurs de logiciels spécialisé. Le succès de ces
codes est étroitement lié au développement des capacités d’exécution et de stockage des
ordinateurs et au rapport performance/coût. On peut alors comprendre aisément l’inté-
rêt croissant des industriels d’utiliser ces codes de calculs. Cette demande est tellement
importante qu’elle occupe une place privilégiée de la recherche en mécanique des fluides
numérique appelé communément CFD (Computational Fluid Dynamics).
39
Cette branche de la mécanique des fluides ne donne qu’une approximation de la solution

recherchée. La différence entre le calcul et la réalité provient d’erreurs accumulées par le
code, et provenant d’origines multiples à savoir (Marchesse, 2010) :
- les équations différentielles générales sont souvent simplifiées en ne gardant que les
termes prépondérants ;
- une approximation est effectuée lors de l’étape de discrétisation ;
- la résolution est atteinte par des méthodes itératives, dans ce cas les solutions exactes
des équations discrétisées ne sont jamais obtenues.
Les composants importants d’un code de calculs en mécanique des fluides numérique sont
les suivants (Marchesse, 2010) :
- Le modèle mathématique : représente l’ensemble des équations différentielles et

des conditions aux limites. Ces dernières changent selon le type d’écoulement traité.
- La méthode de discrétisation : il s’agit des méthodes d’approximation des équa-
tions différentielles régissant le mouvement du fluide par un système d’équations
algébriques. Il existe plusieurs approches, mais les plus utilisées sont les différences
finies, les volumes finis, et les éléments finis.
- Le maillage : c’est la discrétisation du domaine, ce maillage peut être structuré
ou non-structuré, chacune de ces configurations ayant des avantages et des inconvé-
nients.
- La méthode de résolution de système algébrique obtenu : la discrétisation
aboutit à un système d’équations algébriques qui peut être résolu par des méthodes
directes ou des méthodes itératives.
- Les critères de convergence : les méthodes de résolution itératives demandent
un critère d’arrêt qui es fixé par l’utilisateur selon la précision demandée.
Dans le cadre de présent travail de recherche, on utilisera le code de calcul ANSYS-Fluent,

c’est un code de calcul commercial conçu pour résoudre les problèmes de mécanique des
fluides. Il est doté de processus de calcul numérique très performant pour la résolution des
équations régissant divers types d’écoulements. Ce code de calcul est basé sur la résolution
des équations de transport à l’aide de la méthode des volumes finis. ANSYS Fluent est
conçu pour résoudre les écoulements laminaires et turbulents, il propose deux approches
pour modéliser la turbulence : L’approche statistique avec divers modèles de turbulence
(Splalart-Allmaras, k − ε, k − w, les modèles de tenseur de Reynolds) et l’approche à
grandes échelles. Pour le traitement des écoulements diphasiques, ce code dispose de
plusieurs méthodes à savoir : VOF, CLSVOF, le modèle de mélange et le modèle eulérien.
40
Dans notre cas, nous avons employé le modèle k − ε pour la modélisation de la turbulence
ainsi que les deux modèles CLSVOF et le modèle de mélange (Mixture) pour la modé-
lisation de l’écoulement diphasique. Pour ce fait, un récapitulatif des équations utilisées
sont synthétisées ci-dessous :
Dans le cas d’utilisation du modèle k − ε avec CLSVOF : le système d’équations
à résoudre est le suivant :
∂ui
=0
∂xi
! !
∂ui ∂ui 1 ∂p ∂ ∂ui ∂ ∂ui ∂uj
+ uj =− + gi + ν + νt +
∂t ∂xj ρ ∂xi ∂xj ∂xj ∂xj ∂xj ∂xi
! !
∂k ∂k ∂ νt ∂k ∂ui ∂uj ∂ui
+ uj = + νt + −ε
! !
∂ε ∂k ∂ νt ∂ε ε ∂ui ∂uj ∂ui ε2
+ uj = + Cε1 νt + − Cε2
∂αq ∂(αq ui )
+ =0
∂t ∂xi
ρ = αq ρe + (1 − αq )ρa ν = αq νe + (1 − αq )νa
Dans le cas d’utilisation du modèle k − ε avec le modèle de mélange : le système

d’équations à résoudre est le suivant :
∂um i
=0
∂xi
!
∂um i ∂um i 1 ∂p ∂ ∂um i
+ um j =− + gi + νm
∂t ∂xj ρm ∂xi ∂xm j ∂xj
n
! !
∂ ∂um i ∂um j ∂ X d d
+ νt + + αk ρk Vq,i Vq,i
∂xj ∂xj ∂xi ∂xi k=1
! !
∂k ∂k ∂ νt ∂k ∂um i ∂um j ∂um i
+ um j = + νt + −ε
41
! !
∂ε ∂k ∂ νt ∂ε ε ∂um i ∂um j ∂um i ε2
+ um j = + Cε1 νt + − Cε2
∂ ∂ ∂ d
(αk ρk ) + (αk ρk um i ) = − (αk ρk Vq,i )
∂t ∂xi ∂xi
n n n
1 X X X
um = αk ρk uk ρm = αk ρ k νm = αk νk
ρm k=1 k=1 k=1
Les équations citées ci-dessus sont discrétisées en utilisant la méthode des volumes finis.
Alors nous présenterons dans ce qui suit les principales étapes de résolution de cette
méthode, en présentant la discrétisation de l’équation générale de transport.
2.5.1 Principe de discrétisation avec la méthode des volumes finis
Les équations différentielles décrivant les variables de l’écoulement telles que, les vitesses
et l’énergie cinétique turbulente, peuvent être écrites sous forme d’une équation générale
de transport comme suit (Versteeg et Malalasekra, 2007) :
∂ρφ
+ div(ρuφ) = div(Γφ grad(φ)) + Sφ (2.32)
∂t
dans laquelle Γφ est un coefficient de transport par diffusion et φ une variable transportée.
Dans l’équation de continuité φ = 1, dans l’équation de quantité de mouvement φ repré-
sente les composante de la vitesse d’écoulement (u,v,w), dans les équations du modèle
k − ε cette variable représente respectivement k et ε, et dans le cas de l’équation de la
fraction volumique cette variable représente α.
L’intégration de l’équation de transport sur un volume élémentaire donne :
Z
∂ρφ Z Z Z
dΩ + div(ρuφ)dΩ = div(Γφ grad(φ))dΩ + Sφ dΩ (2.33)
Ω ∂t Ω Ω Ω
L’utilisation du théorème de divergence Ω div(V )dΩ= S V → −

R R
n dS permet de transformer
l’intégrale de volume en une intégrale de surface, l’équation (2.33) s’écrit alors :
Z
∂ρφ Z Z Z
dΩ + ρuφ→
−
n dA = Γφ grad(φ)→
−
n dA + Sφ dΩ (2.34)
Ω ∂t A A Ω
Dans le cas de volume de contrôle présenté dans la figure 2.3, cette équation discrétisée
42
prend la forme suivante :
Nf aces Nf aces
∂ρφ −
→ Γf grad(φf )−
→A + S Ω
X X
Ω+ ρf uf nf φAf = nf f φ (2.35)
∂t f f
avec, φf la valeur de la variable φ sur la facette f du volume de contrôle de centre P ;

Nf aces le nombre de faces du volume de contrôle dans le cas bidimensionnel et ses facettes
sont w, e, n et s qui désignent respectivement les facettes ouest, est, nord et sud ; ρf uf Af
le flux massique à travers la face f ; Af représente l’aire de la face f ; Ω le volume de
contrôle et →−
n le vecteur unitaire normal à la facette f .
yNP
yPS
xWP
xPE
Figure 2.3 : Volume de contrôle pour un écoulement bidimensionnel.
2.5.1.1 Discrétisation spatiale
L’utilisation de la méthode des volumes finis nécessite l’interpolation de la valeur de la

propriété φf aux facettes à partir de ses valeurs aux centres des mailles. Il existe plusieurs
schémas de discrétisation de terme de convection, c’est à dire le second terme de la partie
gauche de l’équation (2.35), à savoir :
Le schéma de différence centrée dans lequel l’interpolation se fait par la moyenne arith-
métique des valeurs de la variable propriété aux centres des éléments. Pour un schéma
43
de différence centrée du premier ordre, la valeur de la variable φ sur la face f est égale
à la moyenne de φ au centre de deux cellules adjacentes. Si on prend comme exemple la
facette e du volume de contrôle de la figure 2.3, le schéma de différence centrée donne :
φE + φP
φe = (2.36)
2
avec, φE et φP respectivement les valeurs de la variable aux centres des cellules adjacentes
à la face e.
Pour un schéma de différence centrée de deuxième ordre, la valeur de φe cette fois-ci est
calculée comme suit (Dufresne, 2008) :
φE + φP 1
φe = + (grad(φE )∆xP E + grad(φP )∆xP E ) (2.37)
2 2
Le schéma de discrétisation amont, noté généralement UPWIND, est un schéma qui tient
compte du sens de l’écoulement. Il prend la valeur de l’un des deux nœuds adjacents
suivant le sens de l’écoulement. Pour un schéma amont du premier ordre, la valeur de la
variable sur la face f est égale à la valeur φ au centre de la cellule amont. Si on prend
comme exemple la facette e du volume de contrôle de la figure 2.3 deux cas de figure
peuvent se présentés.
Si u > 0 → φe = φP (2.38)
Si u < 0 → φe = φE (2.39)
Pour un schéma amont de deuxième ordre, la valeur de φf est calculée selon l’équation
suivante (Dufresne, 2008) :
Si u > 0 → φe = φP + grad(φP )∆xP E (2.40)

Si u < 0 → φe = φE + grad(φE )∆xP E (2.41)
Le schéma hybride : l’idée globale de ce schéma est d’utiliser le schéma de discrétisation

centré dans les zones où le flux est diffusif et le schéma de discrétisation amont dans les
zones où le flux est convectif. Il permet de basculer automatiquement d’un schéma à un
autre suivant la valeur d’un nombre dit de Peclet noté Pc . Si Pc < 2 le schéma centré
est utilisé, et si absPc > 2 le schéma de discrétisation amont sera utilisé. La limite de
2 adaptée pour le nombre de Peclet est obtenue à partir des tests numériques (Versteeg
44
et Malalasekra, 2007). Le nombre de Peclet dans le cas de la facette w est donné par la
formule suivante :
Fe ρue Ae
Pce = = Γ φ Ae (2.42)
De ∆x PE
Concernant le terme de diffusion, c’est-à-dire le premier terme de la partie droite de

l’équation (2.35), un schéma de discrétisation centré est utilisé.
2.5.1.2 Discrétisation temporelle
D’une manière générale, le premier terme de l’équation (2.35) peut être écrit comme suit :
∂ρφ ∆(ρφ)
= (2.43)
∂t ∆t
Pour simplification, on exclu le terme ρ de l’équation, on pourra donc écrire l’équation
(2.35) sous la forme suivante :
∆φ
= f (φ) (2.44)
∆t
où f (φ) représente les autres termes de l’équation de transport.
Il existe plusieurs schémas pour la discrétisation de la variation temporelle, dans ce qui
suit on va présenter les schémas les plus utilisés : les schémas d’Euler et les schémas de
Runge-Kutta.
Les schémas d’Euler
Les schémas d’Euler sont très utilisés pour leur simplicité d’implémentation et leur faible
coût en temps de calcul. En revanche, pour les simulations complexes nécessitant une
bonne précision, ces schémas fournissent une discrétisation temporelle au deuxième ordre
ou plus.
- Schéma Euler explicite de premier ordre : avec ce schéma l’équation (2.44) est dis-
crétisée comme suit :
φn+1 − φn
= f (φn ) (2.45)
∆t
- Schéma Euler explicite de second ordre : l’équation (2.44) est réécrite cette fois-ci
comme suit :
3φn+1 − 4φn + φn−1
= F (φn ) (2.46)
2∆t
où n + 1, n et n − 1 représentent respectivement les instants t + ∆t, t et t − ∆t.
Le schéma dépend fortement du pas de temps et de la taille de maillage utilisé. Pour
45
assurer la stabilité et une convergence de calcul, un critère dit nombre de courant noté
Nc est généralement utilisé. Dans le cas d’une configuration monodirectionnel, ce nombre
qui doit être inférieur à 1, est exprimé par la formule suivante :
∆t
Nc = max(u) (2.47)
min(∆x)
avec max(u) la vitesse maximale de l’écoulement, ∆t le pas de temps et min(∆x) la taille

de la maille la plus petite.
- Schéma Euler implicite de premier d’ordre : avec ce schéma l’équation (2.44) est
exprimée comme suit :
φn+1 − φn
= F (φn+1 ) (2.48)
∆t
Les schémas de Runge-Kutta
Le schéma de Runge-Kutta est un schéma à pas multiples afin d’obtenir la valeur finale
φn+1 , alors une ou plusieurs valeurs intermédiaires doivent être calculées au cours d’un
pas de temps. Le nombre de valeurs intermédiaires utilisées défini l’ordre du schéma.
- Le schéma de Runge-Kutta de deuxième ordre : dans ce schéma on défini deux points

intermédiaires k1 et k2 qui sont exprimés comme suit :
k1 = ∆t F (φn ) (2.49)
1
k2 = ∆t F (φn + k1 ) (2.50)
2
tel que k2 est estimé à tn + 12 ∆t, on aura donc :
φn+1 = φn + k2 (2.51)
- Le schéma de Runge-Kutta de troisième ordre : dans ce cas on définit trois points

intermédiaires k1 , k2 et k3 qui sont exprimés par :
k1 = ∆t F (φn ) (2.52)
1
k2 = ∆t F (φn + k1 ) (2.53)
2
n
k3 = ∆t F (φ + 2k2 − k1 ) (2.54)
46
où k2 et k3 sont estimés à tn + 21 ∆t et à tn + ∆t respectivement. φn+1 est écrit alors comme

suit :
1
φn+1 = φn + (k1 + 4k2 + k3 ) (2.55)
6
- Le schéma de Runge-Kutta de quatrième d’ordre : cette fois-ci quatre points inter-
médiaires k1 , k2 , k3 et k4 sont utilisés comme suit :
k1 = ∆t F (φn ) (2.56)
1
k2 = ∆t F (φn + k1 ) (2.57)
2
1
k3 = ∆t F (φn + k2 ) (2.58)
2
n
k4 = ∆t F (φ + k3 ) (2.59)
où, k2 , k3 et k4 sont estimé à tn + 21 ∆t, tn + 12 ∆t et tn + ∆t. Dans ce cas, φn+1 est estimé
comme suit :
1
φn+1 = φn + (k1 + 2k2 + 2k3 + k4 ) (2.60)
6
2.5.2 Couplage vitesse-pression
Dans l’équation de quantité de mouvement le gradient de pression est considéré comme

une source de l’écoulement, c’est pourquoi il est incorporé dans le terme source Sφ de
l’équation (2.32).
Si on prend comme exemple l’équation de quantité de mouvement longitudinale, en se
référant au volume de contrôle de centre P présenté dans la figure 2.4, le gradient de
pression est discrétisé tel que :
∂p pw − pe
− = (2.61)
∂x ∆x
Et en utilisant une interpolation linéaire pour définir la pression au niveau des facettes,
l’équation (2.61) peut être écrite :
∂p 1 pW + pP pP + pE

− = − (2.62)
∂x ∆x 2 2
On aura finalement :
∂p pW − pE
− = (2.63)
∂x 2∆x
47
Figure 2.4 : Exemple de champ de pression non uniforme (Versteeg et Malalasekra, 2007)
L’équation (2.63) montre que l’information de la pression au point p a simplement disparue

du gradient de pression discrétisé. Si on prend l’exemple d’un champ de pression non
uniforme comme présenté dans la figure 2.4, l’expression (2.63) donnera un gradient de
pression nulle. Ce problème est connu sous le nom du problème du damier (Versteeg et
Malalasekra, 2007). Pour remédier à ce problème, il convient d’utiliser plusieurs grilles de
calcul décalées comme le montre la figure 2.5. Une première grille passe par les centres
des volumes de contrôle dans laquelle sera stocké la pression et toutes les autres quantités
scalaires (k et ε). Ensuite d’autres grilles seront construites au niveau des facettes des
volumes de contrôle où seront stockées les composantes de la vitesse.
Après avoir remédier au problème du Damier par l’utilisation des grilles décalées, il s’est
avéré que les équations de mouvement présentent une autre difficulté majeure reliée au
problème du couplage. Ce dernier se manifeste par l’apparition des variables de vitesse et
pression dans les équations de quantité de mouvement. Le gradient de pression qui appa-
rait comme terme source dans ces équations joue le rôle du moteur de l’écoulement. Cette
pression ne contient aucune équation de transport. Si le gradient de pression est connu à
priori, on peut calculer le champ vitesse qui dans ce cas vérifie bien l’équation de conti-
nuité, mais la pression est toujours une inconnue à déterminer aussi bien que la vitesse.
D’autre part, un champ de vitesse donné peut satisfaire l’équation de continuité sans pour
autant vérifier les équations de transport de quantité de mouvement. Cette particularité
des équations rend nécessaire l’utilisation d’un algorithme de couplage pression-vitesse.
Il existe plusieurs algorithmes de couplage vitesse pression à savoir, l’algorithme SIMPLE
48
Figure 2.5 : Disposition des grilles décalées pour les vitesses et la pession.
(Semi-Implicit Method for a Pressure Linked Equations), algorithme SIMPLEC (SIMPLE

Consistent), l’algorithme PISO et l’algorithme Coupled. Dans ce qui suit on donne une
brève description de l’algorithme SIMPLE, et pour plus de détaille sur les autres algo-
rithmes, Versteeg et Malalasekra (2007) constitue une bonne référence.
Si on extrait le gradient de pression de l’équation générale de transport (2.32). L’équation
de quantité de mouvement s’écrit comme suit :
∂ρφ
+ div(ρuφ) = −grad(p) + div(Γφ grad(φ)) + S (2.64)
∂t
avec φ le champ de vitesse.

Pour simplicité considérant l’écoulement permanent et uni-dimensionnel, alors l’équation
(2.64) sera réduite à :
!
∂ ∂p ∂ ∂φ
(ρuφ) = − + Γφ +S (2.65)
∂x ∂x ∂x ∂x
L’intégration de cette équation sur un volume de contrôle de centre e et de limite P et E

aboutit à :
X
ae u e = anb unb + be + Ae (pP − pE ) (2.66)
tel que anb sont des coefficients correspondant aux volumes de contrôle voisins, Ae est
l’aire de la facette e et be le terme source.
49
Considérant un champ de pression initial noté P ∗ , la solution provisoire de l’équation

(2.66) précédente sera réécrite telle que :
ae u∗e = anb u∗nb + be + Ae (p∗p − p∗E )

X
(2.67)
avec, u∗ la solution provisoire de l’équation de quantité de mouvement qui ne vérifier

pas l’équation de continuité. Alors, les deux variables u et p nécessitent à ce niveau une
correction comme suit :
u = u∗ + û (2.68)
p = p∗ + p̂ (2.69)
où, û et p̂ sont les corrections qu’il faut estimer.

L’introduction des expression (2.68, 2.69) dans l’équation 2.67 et en tenant compte de
l’équation 2.66 on obtient :
Ae
ue = u∗e +
X
(p̂p − p̂E ) + anb ûnb (2.70)
ae
P
Dans laquelle le terme anb ûnb peut être négligé car il doit s’annuler lors de la convergence
de la procédure. C’est à dire que cette omission n’influe pas sur le résultat final, mais elle
peut perturber juste le résultat temporaire. C’est d’ailleurs la seule simplification faite
dans l’algorithme SIMPLE qui a été corrigée dans les variantes plus évoluées (SIMPLER
et SIMPLEC).
Tenant compte des considérations du paragraphe précédent, la vitesse peut être écrite
comme suit :
ue = u∗e + de (p̂p − p̂E ) (2.71)
Ae
où, de = ae
En suivant le même raisonnement pour l’obtention de l’expression (2.71), la vitesse de la

facette w est donnée comme suit :
uw = u∗w + dw (p̂W − p̂P ) (2.72)

Aw
où, dw = aw
Pour un écoulement permanent d’un fluide incompressible, l’équation de continuité dans
50
le cas monodirectionnel peut être discrétisée comme suit :
du ue − uw
= =0 (2.73)
dx ∆xwe
En introduisant les expressions (2.71) et (2.72) dans l’équation de continuité (2.73) et

après quelques arrangements, on obtient l’équation de correction de la pression qui s’écrit
comme suit :
ap p̂p = aE p̂E + aW p̂W + b (2.74)
où, les paramètres de cette équation sont définis comme suit :
ap = de Ae + dw Aw (2.75)
aE = d e A e (2.76)
aW = d w A w (2.77)
b = Aw u∗ + Ae u∗ (2.78)
Enfin, l’algorithme SIMPLE peut être résumé comme suit :

1) Choisir un champ de pression initial p∗ .
2) Résoudre les équations de quantité de mouvement pour déduire un champ de vitesse
u∗ et v ∗ .
3) Résoudre l’équation de correction de la pression.
4) Corriger les champs de pression et de vitesse.
5) Résoudre les autres équations de transports d’autres scalaires du problème, telle que
l’équation de k, ε et la fraction volumique.
6) Remplacer l’ancien champ de pression par le nouveau et revenir à l’étape 2.
7) Répéter les calculs jusqu’à convergence de toutes les variables.
8) Une fois que la convergence est atteinte, passer au pas de temps suivant et refaire
les étapes de 1 à 7.
La discrétisation aboutit à un système d’équations algébriques qui est résolu par des
méthodes itératives. Dans le cas de ANSYS Fluent, la méthode de Gauss-Seidel est géné-
ralement utilisée.
51
2.6 Conclusion
L’écoulement turbulent à surface libre dans les coursiers d’évacuateurs de crues comme
tout écoulement turbulent à surface libre, est régit par le système d’équations où les
contraintes de Reynolds (u0i u0j ) apparaissent comme des inconnues supplémentaires, ce
qui confère au système un caractère ouvert. Pour la fermeture de ce système, nous avons
opté pour l’utilisation des modèles de turbulences basés sur le concept de la viscosité
turbulente. En se basant sur la recherche bibliographique nous avons choisi le modèle
k − ε.
La détermination de l’interface eau-air est l’un des problèmes majeurs dans l’étude nu-
mérique des écoulements à surface libre, plusieurs méthodes ont été développées dans la
littérature pour la modélisation de cette interface. Nous avons présenté une synthèse sur
les différentes méthodes existantes et celles choisies. Ensuite, nous avons présenté la mé-
thode de résolution utilisée dans le code de calcul ANYS-Fluent qui a été choisie pour les
simulations numériques. Enfin, nous avons exposé la méthode des volumes finis qui a été
utilisée pour la discrétisation de l’équation générale de transport.
52
Chapitre 3 : Méthodes d’optimisation
3.1 Introduction
La recherche d’un état de fonctionnement, de production ou de dimensions, dites opti-

males est parmi les soucis majeurs des ingénieurs dans divers domaines. Nombreux sont
les problèmes scientifiques qui peuvent être traités de façon qu’on puisse ajuster et amélio-
rer leurs paramètres pour produire des résultats fiables. L’orientation vers l’optimisation
est une solution pour résoudre plusieurs problèmes. En construction hydraulique en par-
ticulier, la détermination des dimensions optimales des ouvrages tels que les coursiers
en marches d’escalier et les bassins de dissipation d’énergie s’apprête bien à cet orienta-
tion. Dans la littérature, l’optimisation est définie comme un outil pour la sélection des
meilleures solutions nommées optimales. Elle consiste à résoudre des problèmes d’optimi-
sations qui sont souvent présentés par une ou plusieurs fonctions objectifs et un ensemble
de contraintes. Elle consiste donc à trouver une solution qui satisfait les contraintes et qui
minimise (ou maximise) la fonction objectif.
3.2 Problèmes d’optimisation mono-objectifs
D’une manière générale, les problèmes d’optimisation sont connus comme la recherche
d’un minimum ou d’un maximum présentant la solution optimale cherchée. Dans certains
cas, les variables d’un tel processus d’optimisation sont contraintes à évoluer dans l’espace
de recherche. Il s’agit ainsi d’un problème d’optimisation sous contraintes. Mathématique-
ment, dans le cas de minimisation, un problème d’optimisation mono-objectif est définit
53
Chapitre 3. Méthodes d’optimisation
comme suit :
hi (x) = 0 i = 1, ...., m
Minimiser f (x) sous les contraintes gj (x) ≤ 0 j = 1, ...., k (3.1)
xL ≤ x ≤ xU
avec x ∈ R le vecteur des variables de décision, f la fonction objectif, hi la contrainte

d’égalité , gj la contraintes d’inégalité, xL et xU sont respectivement les bornes inférieure
et supérieure du domaine de recherche des variables.
Il est possible de passer d’un problème de maximisation à un problème de minimisation
en considérant l’équivalence suivante (Barichard, 2003) :
maximiser f (→
−
x ) ⇐⇒ minimiser [−f (→
−
x )]
Selon Ameur (2016), on distingue plusieurs critères pour classifier les problèmes d’opti-
misation :
- Selon la nature des variables, on trouve des problèmes combinatoires ou à variables
continues ;
- Selon l’existence des contraintes, on trouve des problèmes avec ou sans contraintes ;
- Selon le nombre des objectifs, on trouve des problèmes à un ou plusieurs objectif(s) ;
- Selon la nature du modèle mathématique par lequel le problème est traduit, on
trouve un problème linéaire ou non linéaire.
La manière la plus ancienne pour résoudre les problèmes d’optimisation est l’utilisation
de la méthode par essai/erreur (Berro, 2001). Ces actions sont corrigées par le décideur
en fonction du résultat obtenu jusqu’à aboutir à une solution satisfaisante. L’utilisation
de cette méthode n’assure jamais l’obtention d’une solution optimale. En effet, il est
nécessaire de trouver des indices sur la région où se trouve la solution recherchée (Ameur,
2016).
Dans le but de guider la recherche d’une solution optimale, deux grandes familles de mé-
thodes d’optimisation sont apparues : les méthodes déterministes qui sont basées sur l’ap-
titude d’exploiter les résultats déjà obtenus pour reproduire d’autres et de faire converger
l’algorithme de recherche, et les méthodes probabilistes ou stochastiques qui sont basées
sur l’aptitude d’explorer efficacement l’espace d’état afin de trouver un optimum global
de la fonction.
54
3.2.1 Les méthodes déterministes
Dans cette famille de méthodes, le décideur cherche à trouver une solution satisfaisante
en un temps relativement réduit sans qu’il s’intéresse à la précision de la solution (Ameur,
2016). Ces méthodes nécessitent une étape de discrétisation de l’espace de recherche. La
fonction à optimiser est évaluée en chacun des points de discrétisation.
La plupart des algorithmes basés sur la méthode déterministes démarrent la recherche
à partir d’une solution initiale admissible. Ils génèrent à chaque itération une nouvelle
solution dans le voisinage de la solution courante, si cette solution est meilleure, elle
devient la solution courante. Suivant cette procédure la recherche se termine lorsqu’il n’y
a pas d’amélioration, alors la solution courante est déclarée optimale (Ameur, 2016).
Il existe de nombreuses méthodes déterministes. Les méthodes locales qui assurent la
convergence vers l’optimum de la fonction le plus proche de la solution courante en explo-
rant son voisinage, et les méthodes globales qui assurent la convergence vers l’optimum
global de la fonction.
3.2.1.1 Les méthodes de gradient
Ce sont des méthodes simples et pratiques permettant de résoudre les problèmes d’opti-
misation non linéaires (Minoux, 1983). Elles se basent sur la connaissance de la dérivée
de la fonction à minimiser. L’algorithme des méthodes de gradient est itératif et procède
donc par améliorations successives. A partir d’un point courant x0 , un déplacement est
effectué dans la direction opposée au gradient de manière à faire décroître la fonction.
Cette procédure est répétée et engendre les points x0 , x1 , . . . , xk . Ainsi, pas à pas, la dis-
tance entre le point d’indice k et l’optimum diminue (Ameur, 2016). La convergence de
cette méthode dépendant du choix du pas de déplacement et du choix du point de départ.
3.2.1.2 La méthode Multistart
La méthode multistart consiste à faire des recherches multiples de minimas locaux en

partant de différents points initiaux (Berro, 2001). Ces points sont généralement choisis
parmi les éléments d’un maillage uniforme de l’espace de recherche. Le choix du maillage
de l’espace d’état doit être suffisamment précis pour être efficace, sinon la convergence vers
l’optimum ne peut être garantie. Si le maillage est trop grand, la probabilité de trouver
l’optimum global sera faible car certaines vallées ne seront pas traitées. Si le maillage est
trop petit, la recherche globale sera inefficace car plusieurs points vont être présents dans
55
la même vallée et convergeront donc vers le même optimum (Ameur, 2016).
3.2.1.3 La méthode Nelder-Mead
Elle est connue aussi sous le nom de la méthode simplexe. L’hypothèse de dérivabilité
qui est la base des deux méthodes présentées ci-dessus peut les rendre inaptes à traiter
beaucoup de problèmes réels (Ameur, 2016). La méthode de Nelder-Mead est basée uni-
quement sur l’évaluation de la fonction-objectif sans faire recours au calcul de gradient.
Elle recherche la solution optimale à travers la construction d’un simplexe (Berro, 2001).
On appelle simplexe d’une fonction à minimiser f tout ensemble (x0 , x1 , . . . , xn ) de points
de R tel que f (x0 ) ≥ f (xi ) quelque soit i ∈ [1 n]. x0 est donc le meilleur élément. L’algo-
rithme de Nelder-Mead applique des calculs de réflexions, expansions et contractions en
modifiant le simplexe construit initialement jusqu’à la validation d’un critère d’arrêt.
3.2.1.4 L’algorithme de séparation-évaluation (Branch and bound)
Cette méthode consiste à discrétiser l’espace d’état en sous domaines de plus en plus
restreints afin d’isoler l’optimum global (Berro, 2001). C’est une méthode arborescente
qui consiste à réduire par des découpages l’ensemble des solutions qui ne génèrent pas de
meilleures solutions.
La procédure de séparation et d’évaluation se base sur les éléments suivants (Roy, 1969) :
- La séparation qui consiste à décomposer l’espace d’état en plusieurs sous-ensembles
généralement disjoints. Pour que la séparation soit valide il est nécessaire que l’union
de ces sous-ensembles couvre toutes les solutions possibles de l’ensemble. Le principe
de la séparation est récursif, conduisant ainsi à un arbre de recherche dont chaque
nœud représente une partie de l’espace d’état ;
- L’évaluation d’un sous-ensemble consiste à évaluer la valeur optimale de sa fonc-
tion objectif. Plus précisément elle consiste à l’évaluation de chaque nœud pour
déterminer une borne supérieure si la fonction objectif est à maximiser et une borne
inférieure si elle est à minimiser. L’évaluation permet de réduire l’espace de recherche
en éliminant quelques sous-ensembles qui ne contiennent pas la solution optimale et
a pour but de déterminer le sous problème qu’on doit séparer.
56
3.2.1.5 La méthode de Tunneling
Cette méthode recherche l’optimum global d’une fonction en effectuant des recherches
successives d’optima locaux. Comme le montre la figure 3.1, l’algorithme de cette méthode
se décompose en deux phases : une phase de recherche d’un optimum local et une phase
dite de tunneling (Rahal, 2009). Dans la première phase, la méthode de gradient est
utilisée pour trouver le minimum locale x∗ de la fonction objectif f (x). La deuxième
phase consiste à trouver un point x dans une autre vallée à l’aide d’une fonction T de
tunneling du type : T (x) = f (x) − f (x∗ ) ≤ 0. L’inconvénient majeur de cette méthode
est l’élaboration de fonction de Tunneling qui constitue une difficulté importante pour la
mise en œuvre de cette méthode (Berro, 2001).
Figure 3.1 : Méthode de Tunneling (Berro, 2001)
3.2.2 Les méthodes stochastiques
Ces méthodes sont basées sur la recherche d’un optimum global à l’aide des relations
probabilistes. L’aspect probabiliste de ces méthodes offre un outil efficace pour éviter la
convergence vers les optima locaux. Ces méthodes sont caractérisées par (Berro, 2001) :
- Un processus de création des points dans l’espace d’état qui peut être aléatoire ou
pseudo aléatoire. Cette dernière notion est caractérisée par une création aléatoire
des points mais qui est conditionnée dans un intervalle de valeurs ;
- Une heuristique qui permet de guider la convergence de l’algorithme.
57
Ces caractéristiques permettent de résoudre les problèmes avec nombreux optima locaux.
Cette famille de méthodes est constituée de plusieurs techniques, on présente dans ce qui
suit les méthodes les plus connues.
3.2.2.1 Le recuit simulé
Le recuit simulé est une méthode d’optimisation développée simultanément par Kirkpa-
trick et al. (1983) et Cerny (1985). Elle est fondée sur une analogie avec le processus
physique du recuit des matériaux cristallins qui consiste à amener un solide à basse tem-
pérature après l’avoir exposé à une forte température (Berro, 2001). Lors de cette trans-
formation, les particules du matériau sont agitées à cause de la très grande énergie. La
perte d’énergie au cours du refroidissement permet, à chaque état transitoire, d’obtenir
des matériaux de bonne qualité.
La méthode de recuit simulé recherche l’optimum global à l’aide des déplacements aléa-
toires liés à une probabilité d’une variable T représentant la température. A partir d’une
position courante, on effectue un déplacement aléatoire. Si ce déplacement conduit à une
amélioration de la fonction objectif, la nouvelle position est adoptée. Sinon elle est accep-
tée avec une probabilité bien déterminée (Ameur, 2016).
3.2.2.2 La méthode Tabou
La méthode de recherche Tabou est une technique de recherche proposée par Glover et
Laguna (1998). Cette méthode est semblable à la méthode de recuit simulé, elle fonctionne
avec une seule configuration courante qui est actualisée au cours des itérations (El Dor,
2012). A chaque itération, l’algorithme examine le voisinage d’une solution courante et
retient le meilleur voisin qui minimise la fonction objectif (Tfaili, 2007). La meilleure
solution parmi les voisins est alors enregistrée même si elle est moins bonne que la solution
courante. L’acceptation des solutions moins performantes que la solution courante permet
d’éviter le piégeage dans les minimums locaux.
Pour éviter de tourner dans un cercle entre plusieurs solutions, l’algorithme interdit le
passage par des solutions récemment visitées. Pour cela, la méthode tabou utilise une
mémoire dynamique dite liste Tabou qui permet d’enregistrer les informations pertinentes
des étapes de recherche précédentes. La durée de cette interdiction dépend d’un paramètre
appelé teneur Tabou (Madiouni, 2016). La détermination de ce paramètre dépend de la
nature du problème, si sa valeur est faible la méthode risque de se bloquer sur un optimum
58
local, par contre sa valeur élevée diminuera la capacité de la méthode à exploiter le

voisinage de la solution courante (Berro, 2001).
3.2.2.3 Les algorithmes évolutionnaires
Les algorithmes évolutionnaires sont des algorithmes basés sur la théorie de l’évolution
et la sélection naturelle, ils ont été proposés à l’origine par Darwin en 1985 pour ré-
soudre plusieurs problèmes d’optimisation (Madiouni, 2016). Le principe fondamental des
algorithmes évolutionnaires est d’adapter les individus à leur lieu ou environnement pour
survivre et se reproduire en transmettant leurs gènes aux descendants.
Un algorithme évolutionnaire est typiquement composé de trois éléments fondamentaux :
- Une population constituée de plusieurs individus représentant des solutions poten-
tielles (configurations) du problème donné ;
- Un mécanisme d’évaluation des individus permettant de mesurer l’adaptation de
l’individu a son environnement ;
- Un mécanisme d’évolution de la population permettant, grâce à des opérateurs
prédéfinis, d’éliminer certains individus et d’en créer de nouveaux.
Le mécanisme d’évolution est composé de plusieurs opérateurs tels que la sélection, la
mutation et le croisement (El Dor, 2012). La sélection a pour objectif de sélectionner
des individus qui vont pouvoir se reproduire pour transmettre leurs caractéristiques à la
génération suivante. Le croisement est un opérateur permettant de construire de nou-
veaux individus enfants à partir des caractéristiques d’individus parents sélectionnés. La
mutation effectue alors de légères modifications de certains individus.
On peut distinguer trois grandes classes d’algorithmes évolutionnaires : les algorithmes
génétiques (Goldberg, 1989), les stratégies d’évolution (Schwefel, 1981) et la programma-
tion évolutive (Fogel, 2000). Ces méthodes se différencient par leur manière de représenter
l’information et par leur façon de faire évoluer la population d’une génération à l’autre.
3.2.2.4 Algorithmes d’intelligence en essaim
L’intelligence en essaim est une modélisation mathématique et informatique des phéno-

mènes biologiques inspirés de l’éthologie (Bonabeau et al., 1999). Il désigne l’apparition
de phénomènes cohérents à l’échelle d’une population dont les individus agissent selon des
règles simples. Ces algorithmes sont à base de population ou les particules interagissent
59
et coopèrent les uns avec les autres dans un environnement. Dans cette partie, on s’inté-
resse plus particulièrement aux algorithmes d’optimisation par essaim particulaire et de
colonies de fourmis.
A. Les algorithmes à essaim de particules
Les algorithmes à essaim de particules, en anglais : Particle Swarm Optimisation (PSO)
ont été introduits par Kennedy et Eberhart (1995). Ces algorithmes sont inspirés du
comportement social des animaux (essaims d’insectes, bancs de poissons ou des nuées
d’oiseaux) dans le but de simuler des interactions sociales.
PSO est un algorithme de recherche basé sur la population dans lequel les particules
changent de position avec le temps suivant un processus de recherche basé uniquement sur
deux mécanismes, la sélection et la reproduction des individus. Ces algorithmes utilisent
des opérateurs qui ajustent le déplacement d’une particule dans une direction particulière.
Cette direction est une combinaison de trois tendances : la propension à suivre son propre
chemin, la tendance à revenir vers sa meilleure position, et la tendance à aller vers la
meilleure position trouvée par l’essaim. Le déplacement par groupe, utilisé par la PSO,
permet la génération efficace de plusieurs solutions à partir d’une seule itération. Cette
caractéristique améliore l’aptitude de ces méthodes pour éviter la convergence vers les
optima locaux.
B. Les algorithmes de colonies de fourmis
L’optimisation par colonie de fourmis a été proposée par Dorigo et al. (1996). Le concept
de cet algorithme est inspiré du comportement des fourmis lors de la recherche du plus
court chemin reliant la fourmilière a une source de nourriture, en s’adaptant aux éventuels
changements de l’environnement.
Comme illustré dans la figure 3.2, le principe de cette algorithme est décrit selon Tfaili
(2007) comme suit : tout d’abord les fourmis commencent par se déplacer au hasard,
puis, à la découverte de la nourriture, elles retournent vers leur colonie en marquant
leur chemin à l’aide d’une substance chimique volatile, appelée phéromone. Si d’autres
fourmis rencontrent ce chemin, il y a de fortes chances qu’elles arrêtent leurs déplacements
aléatoires et qu’elles rejoignent le chemin marqué en renforçant le marquage à leur retour.
Dans le même temps, le chemin le plus court sera davantage parcouru, et donc plus
renforcé et plus attractif. Sachant que la phéromone est évaporable, les chemins les plus
long sont moins renforcés et finissent par ne plus être attractifs, ce qui par conséquent
amène toutes les fourmis à suivre le chemin le plus court.
60
Nid Nourriture
(a) Situation initiale où les fourmis
suivent un chemin entre le nid et une
source de nourriture.
Nid Nourriture
(b) Introduction d’un obstacle sur le
chemin où les fourmis choisissent de
tourner à gauche ou à droite avec des
probabilités égales. Obstacle
Nid Nourriture
(c) Recherche du chemin optimal, la
phéromone est déposée plus rapide-
ment sur le chemin le plus court.
Obstacle
Nid Nourriture
(d) Prédominance du chemin opti-
male : toutes les fourmis ont choisi le
chemin le plus court.
Obstacle
Figure 3.2 : Détermination du plus court chemin par une colonie de fourmis (Tfaili, 2007)
3.3 Optimisation multi-objectifs
La plupart des problèmes d’optimisation réels sont décrits à l’aide de plusieurs objectifs
ou critères souvent contradictoires. Les méthodes d’optimisation sont initialement conçues
pour la satisfaction d’un objectif unique. La satisfaction simultanée de plusieurs objectifs
constitue alors un défi sérieux à ces méthodes.
Un problème d’optimisation multi-objectifs est un problème où l’on cherche à optimiser
plusieurs composantes des vecteurs de la fonction objectif toute en satisfaisant un en-
semble de contraintes. La formulation mathématique d’un problème d’optimisation multi-
objectifs est donnée dans le cas d’une minimisation comme suit :
hi (x) = 0, i = 1, ..., m
Minimiser f (x) = f1 (x), ..., fl (x) sous les contraintes gj (x) ≤ 0, j = 1, ..., k (3.2)
xL ≤ x ≤ xU
avec x ∈ R le vecteur des variables de décision, f1 , ..., fl l’ensemble des fonctions objectif.
61
Le reste des variables sont comme définies dans l’équation 3.1.
3.3.1 Relations d’ordre et de dominance
Pour un problème d’optimisation à critère simple, les opérateurs logiques "=" , "<" et "≤"
sont suffisants pour la comparaison des résultats (points et vecteurs). On considère par
exemple les deux vecteurs u et v de même dimension, on peut écrire (Ameur, 2016) :
u=v si ∀i ∈ [1, ..., m] , ui = vi

u≤v si ∀i ∈ [1, ..., m] , ui ≤ vi
u<v si u ≤ v et u 6= v
Pour les problèmes d’optimisation multi-objectifs, la solution optimale est une multitudes
de points. Pour identifier les meilleurs compromis, il est indispensable de définir une
relation d’ordre appelée aussi relation de dominance entre les différents points. La relation
la plus connue est la dominance au sens de Pareto. A l’aide de cette relation, considérons
un cas de minimisation de deux vecteurs u et v qui peuvent être classés de la manière
suivante :
u ≺ v (u domine v) si ∀ i ∈ [1, ..., m] , ui < vi

u v (u domine faiblement v) si ∀ i ∈ [1, ..., m] , ui ≤ vi
u ∼ v (u est équivalent v) si u ⊀ v et v ⊀ u
Pour un problème de maximisation, ces relations sont définies de manière symétrique.

La figure 3.3 illustre le concept de dominance dans le cas d’un problème d’optimisation
bi-objectif. Les solutions représentées par les points en couleur noir ne sont pas dominées.
3.3.2 Front de Pareto ou surface des compromis
La solution cherchée pour un problème d’optimisation multi-objectifs est un ensemble

de points appelé ensemble des meilleurs compromis. Ce dernier appelé aussi surface de
compromis ou front Pareto, est composé des points qui ne sont dominés par aucun autre.
La structure de ce front peut être convexe ou non-convexe et continue ou discontinue. La
figure 3.4 montre un front convexe et un autre non-convexe pour un problème bi-objectifs.
62
f2 3
0
0 1 2 3 4 5 6
f1
Figure 3.3 : Notion de la dominance pour un problème d’optimisation à deux objectifs (Ma-
diouni, 2016).
f2 f2
Solution Pareto optimale Solution Pareto optimale
Région réalisable Région réalisable
f1 f1
Figure 3.4 : Exemple de front convexe et concave pour un problème bi objectif (Mazière, 2018)
3.3.3 Traitement d’un problème d’optimisation multi-objectifs
D’après la définition d’un problème d’optimisation multi-objectifs, la solution n’est pas

unique comme dans les problèmes à un objectif mais constituée d’un ensemble de points.
En effet, on n’est plus à la recherche d’un unique optimum global, mais plutôt d’une surface
de solutions qui offrent un bon compromis entre les différents objectifs. Les méthodes de
résolution des problèmes multi-objectifs sont donc des méthodes d’aide à la décision car
le choix final sera laissé au décideur.
Pour résoudre les problèmes d’optimisation multi-objectifs, la communauté scientifique a
adopté deux types de comportement :
- Ramener le problème multi-objectifs à un problème mono-objectif en utilisant des
63
pondérations. Dans ce cas le décideur intervient dès le début de la définition du

problème en exprimant ses préférences. Alors, la résolution n’offre qu’un seul choix
qui risque d’enlever toute signification du problème. On parle ici des méthodes
agrégées ;
- Tenter d’apporter des réponses au problème en prenant en considération l’ensemble
des fonctions objectifs, ensuite le décideur effectue son choix dans l’ensemble des
solutions proposées par la méthode d’optimisation multi-objectifs. On parle alors
des méthodes dites Pareto.
3.3.3.1 Les méthodes agrégées
Ces méthodes transforment le problème multiobjectif en un problème mono-objectif dans

lequel le décideur cherche à minimiser une fonction U tel que :
U = U (f1 , f2 , ..., fk ) (3.3)
Pour ce faire, ces méthodes utilisent le modèle additif ou multiplicatif donné par les deux
équations (3.4) et (3.5) respectivement (Berro, 2001).
U = Σki=1 Ui (fi ) (3.4)
k
Y
U= Ui (fi ) (3.5)
i=1
avec Ui la fonction de mise en échelle du ième critères.

L’approche la plus répondue de cette classe est la méthode de pondération (weighting
method) dans laquelle le décideur répartie son importance sur les objectifs considérés.
Il attribue à chaque objectif un coefficient de pondération qui transforme le problème
multiobjectif en un autre nono-objectif de la forme :
min Σki=1 wi fi (x) avec wi ≥ 0 (3.6)
où wi représente le poids affecté à la fonction objectif fi , et Σki=1 wi = 1.

La résolution d’un problème pour un vecteur de poids fixe ne permet de calculer qu’une
seule solution Pareto optimale. Pour obtenir un ensemble contenant un grand nombre
de solutions Pareto optimales, il faut résoudre plusieurs fois le problème en changeant à
64
chaque fois le vecteur poids (Barichard, 2003).

Cette méthode est simple à mettre en œuvre et elle est d’une grande efficacité. Mais la
difficulté majeure de cette approche est liée aux préférences du décideur qui doivent être
basées à priori sur des informations liées à la nature du problème.
A noter qu’il existe d’autres méthodes d’optimisation agrégée dans la littérature, Bari-
chard (2003) constitue une bonne référence pour beaucoup plus de détails.
3.3.3.2 Les méthodes Pareto
Cette approche a été initialement proposée par Goldberg (1989) pour optimiser les pro-
blèmes multi-objectifs en assurant un traitement équitable de chaque critère. Les ap-
proches Pareto utilisent directement les concepts de dominance de Pareto pour respecter
l’intégralité de chaque critère. L’utilisation de cette approche permet de faire converger
le processus de recherche vers un ensemble de solutions efficaces. Le choix de la solution
finale revient donc à l’utilisateur qui doit choisir parmi l’ensemble fourni la solution qui
lui convient le mieux (Talbi, 1999). Ces méthodes se sont avérées être les plus efficaces
étant donnée que la majorité des algorithmes utilisent une approche Pareto pour traiter
les problèmes multi-objectifs. Elles sont basées sur l’approximation de la surface de Pareto
(ou front de Pareto) à l’aide de la relation d’ordre. Le processus de recherche compare
les solutions générées afin de sélectionner celles qui ne sont pas dominées par d’autres
solutions. Ces solutions forment ensuite le front de Pareto recherché.
3.3.3.3 Les méthodes non agrégées et non Pareto
Dans cette classe, aucun des deux concepts précédents n’est utilisé. En général l’agrégation
ou l’utilisation de la dominance de Pareto traite les objectifs simultanément, alors que les
méthodes dites non agrégées et non Pareto possèdent un processus de recherche qui traite
séparément les objectifs (Berro, 2001). Les algorithmes de cette catégorie considèrent les
fonctions objectif indépendamment les unes des autres pendant leur déroulement. Deux
groupes de méthodes existent qui sont les méthodes à sélection lexicographique et les
méthodes à sélection parallèle.
Dans une approche classique de sélection lexicographique, les fonctions sont optimisées
séquentiellement, suivant un ordre défini a priori (Talbi, 1999). Les algorithme basés sur
l’approche à sélection parallèle sélectionne les solutions courantes du front de Pareto
suivant chaque objectif et ce indépendamment des autres.
65
3.3.4 Choix de la méthode d’optimisation
D’une manière générale, lors de la résolution d’un problème d’optimisation multi-objectifs

le choix d’une solution optimale à posteriori, en disposant d’une bonne approximation de
la surface des compromis, est plus approprié que l’obtention de solution à priori sans
savoir exactement l’interaction entre les différents objectifs (Türkyilmaz et al., 2020). De
plus, l’analyse de l’allure du front de Pareto peut quelque fois aider le décideur à mieux
comprendre la nature du problème (Ameur, 2016). Dans la pratique, notamment pour
la résolution des problèmes de dimensionnement des ouvrages hydrauliques en particulier
le dimensionnement des coursiers en marches d’escalier, il s’agit de prendre la décision
finale à partir de l’ensemble des solutions compromis possibles. Par conséquent, les mé-
thodes basées sur la notion de dominance sont les plus favorables car elles permettent
l’approximation de cet ensemble en une seule exécution. Parmi les méthodes basées sur
cette approche on cite : Multiple Objective Genetec algorithme (MOGA), Non dominated
Sorting Genetic Algorithm (NSGA et NSGA II), Pareto Archived Evolution Algorithm
(PESA), Multiobjectif Particle Swarm Optimization (MOPSO).
La méthode par essaim particulaire pour l’optimisation multi-objectif (MOPSO) a montré
qu’elle est plus efficace que d’autres méthodes en termes de temps de résolution et/ou de
qualité des solutions obtenues (Reyes-Sierra et Coello Coello, 2006). Cette méthode reste
un bon outil pour de nombreux problèmes d’optimisation, en particulier ceux fortement
non linéaires, continus ou mixtes. Elle est facile à programmer, robuste et même avec
un mauvais choix des paramètres qui dégradent les performances, la solution peut être
obtenue.
Il est à noter que la méthode MOPSO est l’extension de la méthode PSO qui a été
initialement conçue pour l’optimisation des problèmes mono-objectif. Par conséquent, ces
deux méthodes feront l’objet d’une présentation détaillée dans ce qui suit.
3.4 Principe général des essaims particulaires (Particle Swarm

Optimization)
Cette méthode se base sur la théorie proposée par le sociobiologiste Wilson Edward (Peng,
2019) : "In theory at least, individual members of the school can profit from the discoveries
and previous experience of all other members of the school during the search for food.
This advantage can become decisive, outweighing the disadvantages of competition for
food items, whenever the resource is unpedictably distributed in patches".
66
Cette théorie implique que les individus apprennent des informations sur leur environne-
ment en se basant sur leurs propres découvertes et celles de la population avoisinante. En
observant le comportement social des animaux évoluant en essaim (Groupe d’oiseux, de
poissons) en cherchant de la nourriture, on observe des dynamiques de déplacement relati-
vement complexes, alors que chaque individu a une intelligence limitée et une connaissance
seulement locale de sa situation dans l’essaim. Pour décider de son propre déplacement,
chaque individu utilise donc, non seulement, sa propre position, mais aussi l’information
locale sur ses plus proches voisins. Ces règles simples permettent de maintenir la cohésion
de l’essaim et la mise en œuvre d’un comportement collectif complexe et adaptatif. L’in-
telligence globale de l’essaim est donc la conséquence directe des interactions locales entre
les différents individu de l’essaim. S’inspirant de ce phénomène, un algorithme intelligent,
appelé optimisation par essaims particulaires (Particle Swarm Optimization ou PSO) a
été introduit.
La PSO est un algorithme de recherche basé sur la population, proposé par Kennedy
et Eberhart (1995) pour l’optimisation. Cette méthode est initialement adoptée pour
équilibrer les poids dans les réseaux de neurones (Reyes-Sierra et Coello Coello, 2006).
L’algorithme de PSO est relativement simple, il n’adopte qu’un seul opérateur pour créer
de nouvelles solutions, contrairement à la plupart des algorithmes évolutifs. La PSO s’est
avérée très efficace dans une grande variété d’applications, pouvant produire de très bons
résultats à un coût de calcul très faible (Peng, 2019).
3.4.1 Formulation mathématique de l’algorithme PSO
Considérant un espace de recherche de dimension d avec n particules, chaque ième particule

de la population (swarm) est modélisée par son vecteur position Xi = (Xi1 , Xi2 , . . . , Xid )
et par son vecteur vitesse Vi = (Vi1 , Vi2 , . . . , Vid ), avec i = 1 · · · n. La qualité de de la
position d’une particule est déterminée par la valeur de la fonction objectif en ce point.
Le terme de « vitesse » est ici abusif, car les vecteurs Vi ne sont pas homogènes à une
vitesse. Il serait plus approprié de parler de « direction de déplacement ». Cependant,
pour respecter l’analogie avec le monde animal, dans la littérature on préfère utiliser le
terme de « vitesse » (El Dor, 2012).
La meilleure position d’une particule i est notée :

Pibest = Pi1best , Pi2best , · · · Pidbest ; i = 1, n (3.7)
67
La meilleure position globale de l’essaim, pour chaque dimension d correspond à la meilleur

position enregistrée par toutes les particules dans cette dimension. Cette position globale
est notée :

Gbest = Gbest best best
1 , G2 , · · · Gd (3.8)
Au départ de l’algorithme, les particules de l’essaim sont initialisées de manière aléatoire

dans l’espace de recherche. A chaque itération, chaque particule se déplace en combinant
linéairement les trois composantes à savoir, sa vitesse et sa meilleure position actuelle
ainsi que la meilleure performance de ses voisines comme illustré dans la figure 3.5. En
effet, à l’itération t + 1, le vecteur vitesse et le vecteur position sont calculés à partir de
l’équation suivante :

V t+1

= W Vijt + c1 r1 Pijbest − Xijt + c2 r2 Gbest − Xijt
ij d
(3.9)
X t+1

= Xijt + Vijt+1
ij
avec j = 1, 2, ..., d et i = 1, 2, ..., n. W est le poids d’inertie, c1 et c2 sont des paramètres

constants appelés coefficients d’accélération. r1 et r2 sont des valeurs aléatoires variant
entre 0 et 1. Xijt et Vijt sont la position et la vitesse actuelles de la variable j de la particule
i à l’itération t.
−
+ 1)
−
1)
( +
− ()
Figure 3.5 : Mouvement d’une particule (Peng, 2019)
68
3.4.2 La mise à jour des particules de l’essaim
Comme déjà mentionné, l’algorithme PSO est à base de population, toutes les particules
sont initialisées d’une façon aléatoire dans l’espace de recherche de dimension d. A chaque
itération, les particules se déplacent suivant les équations (3.9) de mouvement. Une fois
que le changement des positions a eu lieu, une mise à jour affecte les deux vecteurs P best
(meilleure position donnée par une particule) et Gbest (position de la meilleure particule
de l’essaim).
Dans ce cas, chaque particule compare l’évaluation de sa position actuelle avec celle de
son score personnel P best . Dans le cas d’une minimisation et dans une version globale de
PSO à l’itération t + 1, P best est mis à jour comme suit (Madiouni, 2016) :
→− →
−

→
− best

i si f (→
 P best (t) −
x i (t + 1)) ≥ P best
i (t)
P i (t + 1) = →
− (3.10)
→
 −
x (t + 1) si f (→
i
−x (t + 1)) ≤ P best (t)
i i
Ensuite, cette particule devra choisir un nouveau guide (leader). La mise à jour des leaders
est liée à la structure de l’essaim car ces derniers sont, généralement, choisis à partir
des autres particules de l’essaim. Les particules peuvent être connectées entre elles dans
n’importe quel type de la topologie du voisinage. Dans ce qui suit, on représente quelques
topologies de voisinage utilisés dans de PSO (Reyes-Sierra et Coello Coello, 2006).
Essaim déconnecté : Dans cette topologie, les particules sont isolées. Chaque particule
n’est connectée qu’à elle-même, et elle compare sa position actuelle uniquement à sa
meilleure position trouvée jusqu’à présent P best . Dans ce cas, c2 = 0 dans l’équation (3.9).
Essaim localement connecté : Dans cette topologie, chaque particule est affectée par
la meilleure performance de ses voisins immédiats. Les particules sont influencées par la
meilleure position au sein de leur voisin lbest , ainsi que leur propre expérience passée P best .
Cette structure est équivalente à une topologie en anneau telle que celle illustrée dans la
figure 3.6.a. Dans ce cas, leader = lbest .
Essaim complètement connecté : Dans cette topologie tous les membres de l’essaim
sont reliés les uns aux autres (figure 3.6.b). Chaque particule utilise son histoire d’expé-
rience en termes de meilleure solution actuelle P best mais, en outre, la particule utilise
la position de la meilleure particule de l’ensemble essaim Gbest . Dans ce cas de figure,
leader = Gbest .
Essaim en réseau étoile : Dans cette topologie, une particule dite centrale est connectée
69
à toutes les autres particules qui sont isolées les unes des autres et toutes les informations
doivent être communiquées par la particule centrale (figure 3.6.c). Cette dernière compare
les performances de toutes les particules de l’essaim et ajuste sa trajectoire vers la meilleure
d’entre elles. Cette performance est finalement communiquée au reste de l’essaim. Ensuite
elle transmet la position de la meilleure solution au reste de l’essaim. Cette fois-ci, leader =
best
Pcentrale .
Essaim en réseau arborescent : Dans cette topologie comme le montre la figure 3.6.d,
toutes les particules sont disposées en arbre et chaque nœud de l’arbre contient exactement
une particule. Chaque particule dans cette structure est influencée par sa propre meilleure
position (P best ) et par la meilleure position de la particule qui se trouve directement au-
dessus dans l’arbre (parent). Si une particule au niveau d’un nœud enfant a trouvé une
solution meilleure que la meilleure solution de la particule au niveau du nœud parent, les
deux particules sont échangées. Ainsi, cette topologie offre un voisinage dynamique. Cette
best
structure est également appelée topologie hiérarchique. Dans ce cas, leader = Pparent .
(a) (b)
(c) (d)
Figure 3.6 : Topologies des essaims : (a) Essaim localement connecté, (b) Essaim complètement
connecté, (c) Essaim en réseau étoile, (d) Essaim en réseau arborescent (Reyes-
Sierra et Coello Coello, 2006).
70
3.4.3 Paramètres de l’algorithme PSO
Le choix de ces paramètres est toujours l’étape la plus délicate et la plus importante
pour l’optimisation. Ce choix a une influence sur la robustesse et les performances en
convergence de l’algorithme vers les meilleures régions de l’espace de recherche
3.4.3.1 Coefficients de confiance
Les coefficients de confiance cognitif noté c1 et social désigné c2 représentent respective-

ment les tendances de la particule à vouloir suivre sa propre meilleure position ou celle de
ses informatrices. Dans la littérature, plusieurs approches ont été proposées pour le choix
des coefficients de confiance.
Clerc et Siarry (2009) ont proposée deux formules empiriques pour le choix de ces para-
mètres. Ces deux formules sont données comme suit :
(W + 1)2
c1 = c2 = avec W = 0.72 (3.11)
2
c1 = c2 = 1.19 (3.12)
Selon Van-Den-Bergh (2001), les deux paramètres c2 et c2 peuvent être conditionnés

comme suit :
0 ≤ c1 + c2 ≤ 4 (3.13)
3.4.3.2 Coefficient d’inertie
Ce paramètre est introduit pour contrôler l’influence de la vitesse obtenue à l’itération

précédente. Un grand facteur d’inertie provoque une grande exploration de l’espace de
recherche alors qu’un petit facteur d’inertie concentre la recherche sur un espace res-
treint. Plusieurs approches ont été proposées pour le choix du coefficient d’inertie. Ma-
diouni (2016) a adopté un facteur d’inertie comme une constante positive dans l’intervalle
[0.4, 1.2], alors que Chan et Tiwari (2007) ont proposé un facteur de valeur variable qui
décroît au cours du temps dans l’intervalle [0.4, 0.9] suivant la relation :
Wmax − Wmin

Wt+1 = Wmax − t (3.14)
tmax
71
avec tmax représente le nombre maximum d’itérations de l’algorithme, wmin et wmax dési-
gnent respectivement les valeurs minimale et maximale du facteur d’inertie.
3.4.4 L’algorithme PSO
Dans cette section, on présente dans l’ordre les différentes étapes d’un algorithme PSO
dans le cas de l’optimisation mono-objectif. L’algorithme de cette méthode peut être décrit
comme suit :
1) Initialisation des coefficients c1 et c2 , le coefficient d’inertie W , la taille de la popu-
lation qui est normalement définie selon le problème d’optimisation posé ;
2) La création de la population initiale aléatoirement, chaque particule dispose d’une
position x0 et une vitesse v0 ;
3) Évaluer toutes les particules de la population dans l’espace de recherche pour pouvoir
déterminer les vecteurs des meilleures positions initiales P best et Gbest ;
4) Le calcul de la nouvelle vitesse et nouvelle position de chaque particule par l’utili-
sation de l’équation (3.9)
5) Mise à jour des vecteurs P best et Gbest ;
6) Si un critère d’arrêt est satisfait alors passer à l’étape suivante, sinon aller à la 3ème
étape ;
7) La position enregistrée dans Gbest est la solution optimale.
L’algorithme PSO s’exécute tant qu’un critère de convergence n’a pas été atteint. Le
critère d’arrêt est satisfait si Clerc et Siarry (2009) :
- le nombre maximum d’itération défini n’est pas atteint ;
- la variation de la vitesse des particules est proche de zéro ;
- la valeur de l’objectif est satisfaisante vis-à-vis à la relation suivante.
f (Gbest best
i j (t)) − f (Gi j (t − α)) ≤ ε avec α ∈ [1, Λ] (3.15)
Avec : représente une tolérance et Λ un nombre d’itérations.
3.5 Optimisation de l’essaim de particules pour les applications

multi-objectifs
Comme nous l’avons vu dans les sections précédentes, dans l’optimisation multi-objectifs
nous cherchons à trouver un ensemble de solutions différentes, c’est-à-dire un ensemble
72
optimal de Pareto. Afin d’appliquer l’algorithme PSO pour résoudre les problèmes d’opti-
misations multi-objectifs, il est évident que le schéma d’origine doit être modifié. Compte
tenu de la nature de la PSO basée sur la population, il est souhaitable de produire plusieurs
solutions différentes et non dominées avec un seul passage. L’algorithme d’optimisation de
l’essaim de particules pour les applications multi-objectif est noté MOPSO. Selon Reyes-
Sierra et Coello Coello (2006) les principales questions auxquelles il faudra répondre lors
de l’extension de la PSO à l’optimisation multi-objectifs sont résumées comme suit :
1) Comment sélectionner les particules à utiliser comme leaders pour privilégier les
solutions non dominées par rapport à celles dominées ?
2) Comment retenir les solutions non dominées trouvées lors du processus de recherche
afin de rapporter des solutions non dominées par rapport à toutes les populations
passées et pas seulement par rapport à l’actuelle ?
3) Comment maintenir la diversité dans l’essaim en vue d’éviter la convergence vers
une solution unique ?
3.5.1 Leaders en matière d’optimisation multi-objectifs
Le leader que chaque particule utilise pour mettre à jour sa position est complètement
déterminé une fois qu’une topologie de voisinage est établie. Cependant, lorsqu’il s’agit
d’un problème multi-objectif, chaque particule peut avoir un ensemble de leaders différents
parmi lesquels un seul peut être sélectionné afin de mettre à jour sa position. La sélection
d’un leader est un élément clé lors de la conception d’une approche MOPSO. L’approche la
plus simple consiste à prendre en considération chaque solution non dominée, localement
ou globalement, en tant que nouveau leader. Ensuite, un seul leader doit être sélectionné.
Pour cette raison, il est très important de déterminer la qualité de chaque leaders en
utilisant des mesures de qualité (Reyes-Sierra et Coello Coello, 2006). L’une des méthodes
qui peut être utilisée dans ce but est la méthode d’estimateur de densité du voisin le
plus proche (Deb, 2001). Cette méthode donne une idée sur la densité des voisins les
plus proches d’une particule donnée dans l’espace de la fonctions objectif. Pour obtenir
une estimation de la densité des solutions entourant une solution particulière dans la
population, nous calculons la distance moyenne de deux points de part et d’autre de ce
point le long de chacun des objectifs. Cette quantité sert à l’estimation du périmètre du
rectangle formé en utilisant les voisins les plus proches comme sommets.
73
3.5.2 Conserver et diffuser les solutions non nominatives
Les solutions non dominées trouvées le long du processus de recherche doivent être conser-
vées afin de les rapporter à la fin comme solutions du problème. La plupart des algorithmes
MOPSO adoptent une archive externe qui conserve des solutions qui ne sont pas dominées
par rapport à toutes les populations. Un tel archive ne permettra l’entrée d’une solution
que si elle n’est pas dominée par aucune de ses solutions ou elle domine l’une des solu-
tions au sein de l’archive. Dans ce cas, les solutions dominées doivent être supprimées
de l’archive. Généralement, trois archives doivent être utilisées lors de la mise en œuvre
d’un algorithme MOPSO : une pour stocker les meilleures solutions globales, une pour les
meilleures valeurs personnelles et une troisième pour stocker les meilleures locales si elles
existent (Ameur, 2016).
3.5.3 Promouvoir la diversité tout en créant de nouvelles solutions
Il est bien connu que l’une des caractéristiques les plus importantes de la l’algorithme
MOPSO est sa convergence rapide qui n’est pas prématurée (Reyes-Sierra et Coello Coello,
2006). La convergence prématurée est une convergence vers un optimum local qui est due
à la perte rapide de diversité au sein de l’essaim. Dans un MOPSO, la diversité peut être
promue par la sélection des leaders (Reyes-Sierra et Coello Coello, 2006). Cependant, elle
peut également être obtenue à travers les deux principaux mécanismes utilisés pour créer
de nouvelles solutions, qui sont la mise à jour des positions et l’utilisation d’un opérateur
de mutation qui aidera l’algorithme MOPSO à s’échapper des optima locaux.
3.5.3.1 Mise à jour des positions
L’utilisation de différentes topologies de voisinage détermine la rapidité du processus de

transfert des informations par l’essaim. Cette topologie détermine également à quelle vi-
tesse la diversité se perd au sein de l’essaim. Puisque dans une topologie entièrement
connectée, le transfert d’information est rapide, alors la diversité dans l’essaim est égale-
ment perdue rapidement. De cette manière, les topologies qui définissent des voisinages
plus petits peuvent aussi préserver la diversité dans l’essaim plus longtemps (Reyes-Sierra
et Coello Coello, 2006).
D’autre part, la diversité peut également être favorisée à travers le facteur d’inertie W . Le
poids d’inertie influence le compromis entre les capacités d’exploration globale et locale.
Une forte valeur d’inertie facilite l’exploration globale, c’est-à-dire recherche de nouvelles
74
zones, tandis qu’un poids d’inertie plus faible tend à faciliter l’exploration pour affiner la
zone de recherche actuelle (Reyes-Sierra et Coello Coello, 2006).
3.5.3.2 Utilisation d’un opérateur de mutation (ou de turbulence)
En général, lorsqu’un essaim stagne, c’est-à-dire lorsque les vitesses des particules sont
presque nulles, il devient incapable de générer de nouvelles solutions qui pourraient le faire
sortir de cet état. Ce comportement peut conduire à ce que l’ensemble de l’essaim soit
piégé dans un optimum local dont il devient impossible de s’échapper. Comme le meilleur
individu global attire tous les membres de l’essaim, il est possible de libérer ce dernier
de son emplacement actuel en faisant muter une seule particule qui devient le nouveau
meilleur global. Ce mécanisme offre potentiellement un moyen à la fois d’éviter des op-
tima locaux et d’accélérer la recherche (Reyes-Sierra et Coello Coello, 2006). Lorsqu’une
solution est choisie pour être mutée, chaque composant est alors muté (changé au hasard)
ou non avec une certaine probabilité.
3.5.4 Récapitulatif du principe de l’algorithme MOPSO
Il existe plusieurs version de MOPSO détaillées dans Reyes-Sierra et Coello Coello (2006).
Pour l’optimisation des dimensions de coursier en marches d’escalier et de bassin de dissi-
pation d’énergie, nous avons choisi l’utilisation de l’algorithme proposé par Coello Coello
et Lechuga (2002). Cet algorithme peut être synthétisé comme suit :
1) Initialisation des paramètres de MOPSO et spécification des limites inférieure et
supérieure de chaque variable ;
2) Initialisation de l’essaim et de l’archive qui comprend :
- L’initialisation de la position actuelle de chaque particule de l’essaim de ma-
nière aléatoire dans les limites spécifiées et définissez la vitesse à zéro ;
- L’évaluation de chaque particule de la population ;
- L’initialisation de l’ensemble des leaders avec des particules non dominées et
les stocker dans un archive nommé REP ;
- La définition des coordonnées de chaque particule en fonction des valeurs de sa
fonction objectif en générant des hypercubes de l’espace de recherche exploré
jusqu’à présent, et localisez les particules en utilisant ces hypercubes comme
système de coordonnées ;
75
- L’initialisation de la mémoire de chaque particule avec un seul meilleur local

pour chaque particule et leur stockage dans un archive. Cette mémoire sert de
guide pour se déplacer dans l’espace de recherche.
3) Pour chaque particule de l’essaim :
- Déterminez la meilleure position globale (Gbest ) pour chaque particule i de
l’archive REP en sélectionnant aléatoirement une particule de l’hypercube ;
- Mettez à jour la vitesse et la nouvelle position dans les limites spécifiées de
chaque particule.
4) Mettre à jour l’archive des solutions non dominées par :
- L’évaluation de chaque particule de la population ;
- La mise à jour du contenu de l’archive REP ainsi que la représentation géogra-
phique des particules au sein des hypercubes ;
- La mise à jour de la mémoire de chaque particule en utilisant la dominance de
Pareto.
5) Répéter les étapes 3 et 4 jusqu’à ce que le nombre maximum d’itérations soit atteint.
3.6 Conclusion
Nous avons présenté dans ce chapitre un état d’art sur les problèmes d’optimisations
mono-objectif où nous avons exposé les deux grandes catégories d’algorithmes d’optimisa-
tion, qui sont les méthodes déterministes et les méthodes stochastiques. Dans la première
catégorie nous avons abordé les méthodes de gradient, la méthode Multistart, la méthode
de Nelder-Mead, l’algorithme de Séparation-Évaluation et la méthode de Tunneling. Pour
la deuxième catégorie, nous avons cité les plus connues à savoir, la méthode de recuit si-
mulé, la méthode Tabou, les algorithmes évolutionnaires et les algorithmes d’intelligence
en essaim. Par la suite nous avons présenté les problèmes d’optimisation multi-objectifs
ainsi que les trois approches de résolution, les approches agrégées qui consistent à ré-
soudre le problème mono-objectif équivalent afin d’utiliser les méthodes d’optimisation
standards, les approches Pareto qui traitent le problème multi-objectif sous sa forme
initiale et l’approche non Pareto et non agrégées. Un intérêt particulier est porté à la mé-
thode d’optimisation à essaim de particules (MOPSO) qui constitue l’objectif principal
de la présente thèse, pour cela nous avons présenté le principe de fonctionnement de cette
méthode.
76
Chapitre 4 : Applications
4.1 Introduction
Ce chapitre est consacré à la présentation des résultats obtenus dans le cadre de ce travail.
Il est subdivisé en deux parties principales : la première est dédiée à la simulation des
écoulements à surface libre dans les coursiers, et la deuxième fera l’objet de l’optimisation
des dimensions du coursier en marches d’escalier et du bassin de dissipation.
Dans la première partie, des cas de validation des modèles numériques sont présentés.
Après avoir choisi le modèle de turbulence en se basant sur la recherche bibliographique,
une comparaison entre les modèles de traitement des écoulements diphasiques est réalisée
et ce en utilisant différentes configurations de coursier. Ensuite une investigation sur
l’impact de la variation de nombre de marches sur les caractéristiques hydrauliques de
l’écoulement (dissipation d’énergie et contrainte de cisaillement sur la paroi du fond) est
effectuée.
Dans la deuxième partie, une procédure d’optimisation est proposée pour déterminer les
dimensions de l’évacuateur de crues pour avoir un taux de dissipation d’énergie maximal
et un coût de construction minimal, et ce en considérant indépendamment le coût du
coursier et le coût du bassin de tranquillisation.
77
Chapitre 4. Applications
4.2 Modélisation numérique des écoulements à surface libre dans

les coursiers d’évacuateurs de crue
4.2.1 Validation du modèle numérique
Cette partie est réservée à la validation des modèles numériques pour la simulation des
écoulements à surface libre dans les coursiers et ce en utilisant le code de calcul ANSYS-
Fluent. En se basant sur la recherche bibliographique, le modèle k − ε a été choisi pour
la modélisation de la turbulence. Pour fixer le modèle de traitement de l’écoulement di-
phasique nous avons effectué une comparaison entre le modèle CLSVOF (Coupled Level
Set-Volum Of Fluid) et le modèle de mélange (Mixture Model). A cet effet, nous avons
simulé un écoulement bidimensionnel, turbulent à surface libre en employant trois géomé-
tries différentes extraites de la littérature (figure 4.1). La première est un canal horizontal
à rugosité périodique, la deuxième est un coursier lisse à forte pente, et la troisième est
un coursier en marches d’escalier à forte pente avec 18 marches de hauteur de 19 mm cha-
cune. Les résultats obtenus dans ce travail ont été comparés aux résultats expérimentaux
et numériques existant dans la littérature.
C
B A : entrée eau
B : entrée air
A D C : surface
D : sortie
E : paroi
Cas :1 E
C C
B B
A A
D D
E E
Cas :2 Cas :3
Figure 4.1 : Géométries et conditions aux limites
Comme conditions aux limites, nous avons imposé la condition «Velocity-intlet» à l’entrée
de l’eau (la frontière A de la figure 4.1). Nous avons utilisé les valeurs de vitesse d’écou-
lement 0.3861m/s, 0.1025m/s, 0.1065m/s pour le premier, le deuxième et le troisième cas
respectivement. A l’entrée de l’air (la frontière B de la figure 4.1), nous avons imposé une
vitesse de 0.001 m/s pour les trois cas. A la sortie et à la surface libre (les frontières C et
D de la figure 4.1), nous avons utilisé la condition «Pressur outlet» qui permet d’imposer
78
une pression atmosphérique. Enfin, la condition «scalable wall function» est utilisée à la
paroi (la frontière E de la figure 4.1).
Les profils de la surface libre obtenus par des simulations numériques avec Ansys-Fluent,
en utilisant CLSVOF et Mixture, ont été comparés aux résultats expérimentaux de Ben-
mamar (2006) pour le cas d’un canal à marches d’escalier horizontal. Pour le cas d’un
coursier lisse et à marches d’escalier à fortes pentes, ces profils ont été comparés aux
résultats expérimentaux et numériques de Chatila et Tabbara (2004) et Tabbara et al.
(2005) obtenus avec Adina-Software basé sur la méthode des éléments finis (figures 4.2,
4.3 et 4.4).
0.07
Benmamar (2006)
0.06 Mixture
CLSVOF
0.05
0.04
h(m)
0.03
0.02
0.01
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
x(m)
Figure 4.2 : Profils de la surface libre d’un canal à marches d’escalier horizontal
0.1
Exprérience Chatila et Tabbara (2004)
Simulation Chatila et Tabbara (2004)
0 CLSVOF
Mixture
−0.1
h(m)
−0.2
−0.3
−0.4
−0.1 −0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
x(m)
Figure 4.3 : Profils de la surface libre d’un coursier lisse à forte pente
Pour le cas d’un canal horizontal à marches d’escalier (figure 4.2), on remarque qu’au début
du canal, le profil obtenu par le modèle CLSVOF est très proche du profil expérimental de
79
Benmamar (2006). Par contre, à l’aval, c’est le profil obtenu avec le modèle de mélange qui
est le plus proche au profil expérimental de Benmamar (2006). Concernant les coursiers
à forte pente (lisse et avec marches), d’après les figures (4.3 et 4.4), on remarque que les
profils obtenus avec CLSVOF et Mixture sont très proches de ceux trouvés par Chatila
et Tabbara (2004) et ceux de Tabbara et al. (2005).
0.1
Exprérience Tabbara et al. (2005)
Simulation Tabbara et al. (2005)
0
CLSVOF
Mixture
−0.1
h(m)
−0.2
−0.3
−0.4
−0.1 −0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
x(m)
Figure 4.4 : Profils de la surface libre d’un coursier en marches d’escalier à forte pente
500
Tabbara et al. (2005)
CLSVOF
Mixture
P (pa)
−500
0.068 0.07 0.072 0.074 0.076 0.078 0.08
(a) x(m)
800
Tabbara et al. (2005)
CLSVOF
600 Mixture
P (Pa)
400
200
0.182 0.184 0.186 0.188 0.19 0.192

(b) x(m)
Figure 4.5 : Profils de pression (a) Le long de la 3ème marche (b) Le long de la 12ème marche
L’utilisation du modèle CLSVOF pour le cas d’un coursier en marches d’escalier à forte
80
pente permet de visualiser les rouleaux de recirculation aux voisinages des marches (figure
4.4). Ce résultat nous a conduit à évaluer et comparer les pressions au niveau des parois
du fond. D’après les figures 4.5.a et 4.5.b qui illustrent les profils de pression le long de la
3ème et la 12ème marche, on remarque que les profils de pressions obtenus par le modèle
de mélange sont très proches des profils numériques obtenus par Tabbara et al. (2005) en
utilisant Adina-Software. On constate aussi que le modèle CLSVOF donne des pressions
négatives au niveau de la paroi (figure 4.5.a).
Cette comparaison montre que les deux modèles permettent de simuler les écoulements à
surface libre et donnent des profils de surface libre avec une grande concordance avec les
mesures expérimentales extraites de la littérature. En ce qui concerne les profils de pres-
sion, le modèle de mélange donne des résultats très proches de ceux issus de la littérature
pris comme référence. Pour cette raison, on opte pour le modèle de mélange pour la suite
de ce travail.
4.2.2 Effet de la variation du nombre de marches sur les caractéristiques

hydrauliques des écoulements dans les coursiers en marches d’escalier
La dissipation d’énergie dans un coursier en marches d’escalier dépend du débit, de l’angle

d’inclinaison du coursier, ainsi que du nombre et de la géométrie des marches (Sorensen,
1985). D’après les travaux de Rassaei et Rahbar (2014) qui ont évalué l’effet des différents
paramètres à savoir, le nombre, la longueur et la hauteur des marches dans un coursier en
marches d’escalier, il s’est avéré que la dissipation d’énergie augmente avec l’augmentation
de la hauteur et la longueur des marches, c’est-à-dire, diminution du nombre de marches.
La plupart des travaux réalisés pour déterminer l’effet de la variation du nombre de
marches ont été effectués en utilisant des nombres de marches très proches, à titre d’exemple
Rassaei et Rahbar (2014) et Jahad et al. (2016) ont utilisé des nombres de marches de (5
et 10) et (6 et 10) respectivement. Pour une étude beaucoup plus significative sur l’effet
du nombre de marches sur la dissipation d’énergie, nous proposons d’utiliser un nombre
de marches entre 12 et 122.
Nous avons utilisé un coursier d’évacuateur de crue étudié expérimentalement par Boes
et Hager (2003) avec 2.85m de hauteur, une pente de 30◦ et un débit d’écoulement de
0.2 m2 /s. Six cas ont été examinés dans lesquels les nombres des marches sont de 12, 34,
52, 78, 100 et 122, qui correspondent à des hauteurs de marches de 0.2375 m, 0.0838 m,
0.0548 m, 0.0365 m, 0.0285 m et 0.0234 m, respectivement.
D’après la figure 4.6, qui représente la variation du taux de dissipation d’énergie en
81
fonction du nombre de marches, on remarque que le taux de dissipation diminue avec

l’augmentation du nombre de marches pour atteindre une valeur minimale pour le cas
du coursier avec 78 marches. A partir de cette valeur, le taux de dissipation d’énergie
augmente légèrement. D’après Rassaei et Rahbar (2014), un petit nombre de marches
provoque l’apparition de l’écoulement en nappe qui est caractérisé par une dissipation
d’énergie importante, ce qui justifie la diminution de la dissipation d’énergie avec l’aug-
mentation du nombre de marches comme observé dans la figure 4.6. De plus en plus que
le nombre de marches augmente, la turbulence de l’écoulement s’amplifie et la longueur
de la zone d’écoulement uniforme turbulent s’étale davantage, et le taux de dissipation
d’énergie augmente légèrement. Ce résultat confirme la supposition de Chanson (1995)
qui a indiqué que dans certains cas d’écoulement extrêmement turbulent dans un coursier
en marches d’escalier, la dissipation d’énergie peut être importante. C’est un phénomène
qui peut se produire dans le cas des coursiers long avec un écoulement uniforme turbulent.
100
90
80
DE/Em
70
60
50
40
30
0 20 40 60 80 100 120 140
N
Figure 4.6 : Variation du taux de dissipation d’énergie en fonction du nombre de marches
La connaissance de la hauteur d’eau à l’aval, les contraintes au niveau du fond du coursier

ainsi que la pression dynamique sont d’une grande importance pour le dimensionnement
des coursiers. C’est pourquoi la variation de la hauteur d’eau à l’aval du coursier ainsi
que la contrainte agissant au niveau des parois du fond ont été estimées à partir des
simulations réalisées pour les six cas étudiés.
D’après la figure 4.7 on remarque que la variation de la hauteur d’eau dans le bassin en
fonction du nombre de marches suit la même allure que celle qui représente la variation
du taux de dissipation d’énergie. La hauteur d’eau dans le bassin à l’aval diminue avec
l’augmentation du nombre de marches jusqu’à avoir une valeur minimale à partir de
laquelle elle augmente légèrement.
82
0.07
0.06
0.05
h(m)
0.04
0.03
0.02
0 20 40 60 80 100 120 140
N
Figure 4.7 : Variation de la hauteur d’eau dans le bassin à l’aval du coursier en fonction du
nombre de marches
D’après la figure 4.8, qui représente la variation de la contrainte agissant sur le fond du
coursier en fonction du nombre de marches, on remarque que l’augmentation du nombre
de marches provoque une diminution de la contrainte en moyenne sur la paroi le long du
coursier ainsi qu’une augmentation de celle-ci dans le bassin de dissipation à l’aval. Ce
constat peut être confirmé par la figure 4.9 qui représente la variation de la contrainte le
long de la paroi du fond pour le cas de 12 et 122 marches.
70
N=12
60
50 N=34
τ (Pa)
40 N=52
30 N=78
20 N=100
10 N=122
0
2 3 4 5 6
x(m)
Figure 4.8 : Variation de la contrainte agissant au niveau du fond pour les divers cas traités
Les deux cas avec 52 et 122 marches sont caractérisés avec un taux de dissipation d’énergie
et une hauteur à l’aval pratiquement identique (58.1% et 58.25% pour le cas de 52 et 122
marches respectivement) (0.0331 m et 0.0337 m pour le cas de 52 et 122 respectivement).
Les contraintes obtenues avec 52 marches sont plus importantes qu’avec 122 marches
comme le montr la figure 4.10.
83
80
N=12
N=122
60
τ(P a)
40
20
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
x(m)
Figure 4.9 : Variation de la contrainte agissant au niveau du fond pour les coursiers avec 12
et 122 marches
60
N=52
50 N=122
40
τ(P a)
30
20
10
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
x(m)
Figure 4.10 : Variation de la contrainte agissant au niveau du fond pour les coursiers avec 52
et 122 marches
Les contraintes de cisaillement doivent être minimales pour éviter d’abîmer les marches.
Pour cela, il faut réaliser des marches qui assurent une zone d’écoulement uniforme tur-
bulent plus long. Cette géométrie assure un taux de dissipation élevé avec une hauteur
d’eau à l’aval et une contrainte de cisaillement minimales sur le coursier. Le seul inconvé-
nient de cette géométrie est l’augmentation de la contrainte dans le bassin, pour cela on
recommande d’utiliser un bassin avec une forme concave.
En examinant la variation de la contrainte maximale le long du coursier et dans le bassin
de dissipation (figure 4.11), on remarque que la contrainte maximale dans le bassin cor-
respond à un taux de dissipation d’énergie minimale obtenu pour le cas de 78 marches.
84
On constate alors une corrélation entre le taux de dissipation d’énergie et les contrainte
de caillement sur le bassin de dissipation. Quant à la contrainte le long du coursier, il n’y
aucune corrélation avec le variation du taux de dissipation d’énergie. Ce même constat
à été obtenu pour la variation de la pression dynamique pour les différents cas d’étude
comme illustré dans la figure 4.12.
100
Sur le bassin de dissipation
80 Sur le coursier
60
τ (Pa)
40
20
0
0 20 40 60 80 100 120 140
N
Figure 4.11 : Variation de la contrainte de cisaillement pour les six cas d’étude
14000
Sur le bassin de dissipation
12000 Sur le coursier
10000
P dn (Pa)
8000
6000
4000
2000
0
0 20 40 60 80 100 120 140
N
Figure 4.12 : Variation de la pression dynamique pour les six cas d’étude
Les résultats obtenus dans cette partie montrent que le choix du nombre de marches influe
non seulement sur le taux de dissipation d’énergie, mais aussi sur la hauteur d’eau dans
le bassin, sur les contraintes de cisaillement agissant sur le fond du canal ainsi que sur la
pression dynamique. Comme il a était montré dans le chapitre 1, en pratique le coût de
construction, qui englobe le coût du coursier et le bassin de dissipation, est un paramètre
très important pour le choix des dimensions des coursiers en marches d’escalier. Pour
déterminer les dimensions optimales du coursier qui satisfont les différents paramètres
85
cités ci-dessus, il faut passer par la résolution d’un problème d’optimisation à objectifs
multiples.
4.3 Optimisation des dimensions de coursiers en marches d’es-

calier et de bassin de dissipation
Dans cette partie une procédure d’optimisation est proposée pour déterminer les dimen-
sions de l’évacuateur de crues pour obtenir un taux de dissipation d’énergie maximal et
un coût de construction minimal. A cet effet, nous avons utilisé la méthode d’optimisation
MOPSO (Multiobjectif Particle Swarm Optimization).
Dans le but de choisir une meilleure équation pour l’évaluation de l’énergie résiduelle, une
comparaison a été réalisée entre les équations 1.2 et 1.3 proposées par Chanson (1994a)
et 1.4 et 1.5 proposées par Boes et Hager (2003). Le taux d’énergie résiduelle obtenu en
appliquant ces équations a été confronté aux résultats expérimentaux tirés de Salmasi et
Özger (2014). Il est à noter que nous avons sélectionné 77 cas dans lesquelles le régime est
turbulent. Les données expérimentales de Salmasi et Özger (2014) ainsi que les valeurs de
l’énergie résiduelle observée par Salmasi et Özger (2014) et estimée en appliquant ces deux
équations sont représentées dans le tableau 4.1. Dans ce dernier, BH et CH représentent
respectivement les résultats obtenus en appliquant les équations de Boes et Hager (2003)
et Chanson (1994a).
Tableau 4.1 : Comparaison des résultats de l’énergie résiduelle obtenue en utilisant les équa-
tions de Chanson (1994a) et Boes et Hager (2003) avec les résultats expérimen-
taux de Salmasi et Özger (2014)
Cas b N hs l α Fr hc /hs q 2 /gHdam
3 Observé BH CH
(m) (m) (m) (degré) (%) (%) (%)
1 0.5 10 0.0850 0.0850 45 4.807 1.231 0.001111 39.51 21.62 26.20
2 0.5 10 0.0850 0.0850 45 4.979 1.145 0.000896 38.69 22.51 23.54
3 0.5 10 0.0850 0.0850 45 5.283 0.878 0.000404 32.81 20.76 16.44
4 0.5 15 0.0550 0.0550 45 5.346 1.956 0.001271 46.60 33.03 33.15
5 0.5 15 0.0550 0.0550 45 4.820 1.875 0.001121 39.74 20.72 32.31
6 0.5 15 0.0550 0.0550 45 4.810 1.779 0.000956 37.86 18.78 30.14
7 0.5 15 0.0550 0.0550 45 4.417 1.477 0.000547 29.11 8.06 24.22
8 0.5 15 0.0550 0.0550 45 5.166 1.242 0.000326 29.94 16.41 18.45
9 0.5 15 0.0550 0.0550 45 6.336 1.124 0.000241 35.04 30.62 16.64
10 0.5 15 0.0550 0.0550 45 5.883 0.991 0.000165 28.48 22.57 13.96
11 0.5 20 0.0430 0.0430 45 5.158 2.548 0.001169 43.59 27.08 36.68
12 0.5 20 0.0430 0.0430 45 5.391 2.513 0.001122 45.42 31.20 35.59
13 0.5 20 0.0430 0.0430 45 5.155 2.467 0.001061 42.35 25.70 35.20
14 0.5 20 0.0430 0.0430 45 5.249 2.399 0.000976 42.23 26.42 33.76
15 0.5 20 0.0430 0.0430 45 5.615 2.365 0.000935 45.25 32.94 32.67
16 0.5 20 0.0430 0.0430 45 5.199 2.286 0.000844 40.03 23.69 31.81
17 0.5 20 0.0430 0.0430 45 5.239 2.198 0.000750 39.04 23.11 30.15
86
Tableau 4.1 : Comparaison des résultats de l’énergie résiduelle obtenue en utilisant les équa-
tions de Chanson (1994a) et Boes et Hager (2003) avec les résultats expérimentaux
de Salmasi et Özger (2014) (suite et fin)
Cas b N hs l α Fr hc /hs q 2 /gHdam
3 Observé BH CH
(m) (m) (m) (degré) (%) (%) (%)
18 0.5 20 0.0430 0.0430 45 5.225 2.079 0.000635 37.04 21.12 28.08
19 0.5 20 0.0430 0.0430 45 4.674 1.941 0.000517 30.55 10.70 26.58
20 0.5 20 0.0430 0.0430 45 5.427 1.828 0.000431 34.57 21.03 23.57
21 0.5 20 0.0430 0.0430 45 5.084 1.589 0.000284 28.16 13.67 19.98
22 0.5 20 0.0430 0.0430 45 4.573 1.402 0.000195 22.18 6.70 17.36
23 0.5 35 0.0246 0.0246 45 6.275 4.484 0.001343 57.56 51.89 46.72
24 0.5 35 0.0246 0.0246 45 6.045 4.383 0.001253 53.90 45.31 45.41
25 0.5 35 0.0246 0.0246 45 6.271 4.222 0.001120 54.60 47.92 43.32
26 0.5 35 0.0246 0.0246 45 6.526 4.043 0.000984 55.25 50.65 41.27
27 0.5 35 0.0246 0.0246 45 6.087 3.887 0.000874 48.99 39.46 39.09
28 0.5 35 0.0246 0.0246 45 6.078 3.639 0.000718 46.14 36.04 36.04
29 0.5 35 0.0246 0.0246 45 5.884 3.398 0.000584 41.73 29.69 33.21
30 0.5 35 0.0246 0.0246 45 5.571 3.144 0.000463 36.43 21.95 30.48
31 0.5 35 0.0246 0.0246 45 5.805 2.499 0.000232 31.10 20.23 22.67
32 0.5 50 0.0172 0.0172 45 6.271 6.038 0.001040 53.44 45.36 47.23
33 0.5 50 0.0172 0.0172 45 5.267 4.245 0.000361 31.61 14.25 31.30
34 0.5 50 0.0172 0.0172 45 7.034 4.174 0.000344 44.44 40.52 30.31
35 0.5 50 0.0172 0.0172 45 6.770 4.098 0.000325 41.67 35.70 29.40
36 0.5 50 0.0172 0.0172 45 6.202 4.027 0.000309 36.78 26.57 28.82
37 0.5 50 0.0172 0.0172 45 5.410 4.000 0.000302 30.94 15.19 29.36
38 0.5 50 0.0172 0.0172 45 6.013 3.596 0.000220 31.93 21.33 25.17
39 0.5 50 0.0172 0.0172 45 4.282 3.437 0.000192 20.47 0.21 15.19
40 0.5 50 0.0172 0.0172 45 4.910 3.301 0.000170 23.11 7.13 22.68
41 0.5 50 0.0172 0.0172 45 6.503 2.884 0.000113 28.67 11.28 17.66
42 0.25 15 0.0200 0.0746 15 3.484 7.144 0.104340 84.86 79.35 73.81
43 0.25 15 0.0200 0.0746 15 3.510 5.552 0.048963 73.23 72.62 71.26
44 0.25 15 0.0200 0.0746 15 3.676 4.416 0.024638 65.96 64.09 60.82
45 0.25 15 0.0200 0.0746 15 3.787 4.387 0.024160 67.82 67.65 60.68
46 0.25 15 0.0200 0.0746 15 3.682 3.750 0.015085 58.82 54.70 51.61
47 0.25 15 0.0200 0.0746 15 3.705 3.388 0.011127 54.93 50.21 46.52
48 0.25 15 0.0200 0.0746 15 4.225 2.592 0.004981 51.63 50.12 35.50
49 0.25 15 0.0200 0.0746 15 3.662 2.192 0.003016 38.51 33.34 29.41
50 0.25 15 0.0200 0.0746 15 4.369 1.716 0.001447 38.15 33.91 21.97
51 0.25 15 0.0200 0.0746 15 2.512 1.382 0.000756 18.02 16.12 17.87
52 0.25 30 0.0100 0.0373 15 3.337 12.850 0.067132 74.26 70.88 49.98
53 0.25 30 0.0100 0.0373 15 3.548 11.750 0.051369 74.83 73.99 60.41
54 0.25 30 0.0100 0.0373 15 3.763 9.622 0.028150 69.77 68.76 64.92
55 0.25 30 0.0100 0.0373 15 3.982 7.663 0.014220 63.16 62.04 60.16
56 0.25 30 0.0100 0.0373 15 4.906 3.900 0.001874 46.97 39.84 27.88
57 0.25 30 0.0100 0.0373 15 5.151 3.227 0.001062 42.97 24.70 19.67
58 0.25 5 0.0610 0.2277 15 3.287 2.189 0.069367 73.61 73.02 63.37
59 0.25 5 0.0610 0.2277 15 3.289 2.064 0.058102 70.99 69.20 59.70
60 0.25 5 0.0610 0.2277 15 3.397 1.798 0.038402 67.11 65.05 52.37
61 0.25 5 0.0610 0.2277 15 3.232 1.418 0.018834 54.13 46.15 40.40
62 0.25 5 0.0610 0.2277 15 3.798 1.360 0.016632 62.27 60.78 39.89
63 0.25 5 0.0610 0.2277 15 3.971 0.998 0.006582 51.83 49.88 28.82
64 0.25 10 0.0300 0.1120 15 3.244 5.008 0.108685 79.48 78.87 73.12
65 0.25 10 0.0300 0.1120 15 3.277 4.263 0.067043 72.87 70.31 70.72
66 0.25 10 0.0300 0.1120 15 3.349 3.655 0.042257 67.54 63.38 65.06
67 0.25 10 0.0300 0.1120 15 3.740 2.964 0.022532 65.82 65.74 53.78
68 0.25 10 0.0300 0.1120 15 3.742 2.349 0.011221 55.63 52.75 42.04
69 0.25 10 0.0300 0.1120 15 4.156 2.030 0.007243 55.90 53.37 35.85
70 0.25 10 0.0300 0.1120 15 4.420 1.568 0.003338 48.81 43.56 25.98
71 0.25 10 0.0300 0.1120 15 4.907 1.172 0.001392 43.18 31.95 15.86
72 0.25 15 0.0190 0.0407 25 3.692 6.333 0.047045 76.61 72.07 54.81
73 0.25 15 0.0190 0.0407 25 3.928 5.032 0.023607 70.20 63.90 62.56
74 0.25 15 0.0190 0.0407 25 4.290 3.594 0.008597 60.55 53.11 53.36
75 0.25 15 0.0190 0.0407 25 3.822 1.916 0.001304 31.88 17.21 26.04
76 0.25 15 0.0190 0.0407 25 4.321 1.225 0.000340 24.62 23.72 15.65
77 0.25 15 0.0190 0.0407 25 3.956 1.132 0.000269 20.76 17.95 14.06
87
Pour bien analyser les résultats de ce tableau, la variation de l’erreur relative en utilisant
les équations analytiques en fonction du nombre de cas ainsi que la variation du taux de
l’énergie résiduelle estimée en fonction de celle observée par Salmasi et Özger (2014) ont
été représentées dans les figure 4.13.a et 4.13.b, respectivement.
Chanson (1994a)
100 Boes et Hager (2003)
Erreur relative (%)
80
60
40
20
0
0 10 20 30 40 50 60 70 80
(a) Nombre de cas
Chanson (1994a) : y=0.79x R2=0.85

100 Boes et Hager (2003) : y=0.86x R2=0.84
80
Estimée
60
40
20
0
0 20 40 60 80 100
(b) Observée
Figure 4.13 : Comparaison entre l’énergie résiduelle estimée en utilisant les équations de Chan-
son (1994a) et Boes et Hager (2003)) et mesurée par Salmasi et Özger (2014)
D’après ces figures, les équations de Boes et Hager (2003) peuvent prédire la dissipation
d’énergie avec plus de précision. Ceci est justifié par la figure 4.13.a qui montre que les
erreurs relatives obtenues par l’utilisation des équations de ces auteurs sont plus petites
que celles obtenues par l’utilisation de l’équation de Chanson (1994a). Ce constat peut
être appuyé par la comparaison de l’ajustement linéaire des résultats du taux d’éner-
gie résiduelle observée et estimée. Les expressions de ces lignes d’ajustement avec leurs
coefficients de corrélation sont représentés dans la figure 4.13.b.
Pour plus de détails de comparaison et pour une meilleure validation, on s’oriente vers
la simulation numérique. Pour cela, quatorze modèles numériques ont été implémentés
dans ANSYS Fluent. Neuf modèles correspondent au régime d’écoulement extrêmement
88
turbulent et cinq autres au régime d’écoulement en nappe. Nous avons utilisé un coursier
en marches d’escalier de 5.5 m de hauteur, une pente de 22.5◦ , un nombre de 6 marches,
un débit unitaire variant de 0.2 m2 /s à 0.4 m2 /s pour le cas d’écoulement en nappe, et
un débit unitaire variant de de 2 m2 /s à 10 m2 /s pour le cas d’écoulement extrêmement
turbulent.
Les résultats de simulations obtenus sont confrontés aux résultats analytiques dans la
figure 4.14. Il est à rappeler que les équations de Boes et Hager (2003) ne s’appliquent pas
au cas d’écoulement en nappe. On peut voir sur cette figure que les résultats numériques et
les prédictions empiriques sont très proches les uns des autres. Pour le cas de l’écoulement
extrêmement turbulent, les résultats numériques sont très proches des résultats obtenus
par les équations de Boes et Hager (2003).
100 Résultats numériques obtenus

Chanson (1994a)
80
Er / Em (%)
60
40
20
0
0.15 0.2 0.25 0.3 0.35 0.4 0.45
(a) q(m2/s)
100
80
Er / Em (%)
60
40
Résultats numériques obtenus
Chanson (1994a)
20
Boes et Hager (2003)
0
2 4 6 8 10 12
(b) 2
q(m /s)
Figure 4.14 : Comparaison entre l’énergie résiduelle numérique et analytique (a) Écoulement
en nappe et (b) écoulement extrêmement turbulent
Par référence aux résultats ci-dessus, dans la suite du présent travail de recherche, l’équa-
tion de Chanson (1994a) est utilisée pour le régime d’écoulement en nappe, tandis que
les équations de Boes et Hager (2003) sont adoptées pour le cas du régime d’écoulement
89
extrêmement turbulent.
Le taux d’énergie résiduelle Er /Em donné par l’équation de Chanson (1994a) pour l’écou-
lement en nappe et celles de Boes et Hager (2003) pour l’écoulement extrêmement tur-
bulent est utilisé comme première fonction objectif du présent problème d’optimisation
multi-objectifs. Les deux autres fonctions sont le coût de construction du coursier noté Cc
et le coût de construction du bassin de tranquillisation désigné par Cb .
D’après la bibliographie, il n’existe pas de méthode standard pour l’estimation des coûts
de construction. Dans le présent cas, on considère un barrage en béton avec un coursier
en marches d’escalier intégré dans son corps. Le coût du coursier est supposé alors égal
au volume de béton de toutes les marches. Ce volume en fait dépend de la hauteur du
barrage Hdam , de la hauteur des marches (hs ), de la largeur du coursier (b) et de sa pente
α. Tenant compte de ces paramètres, le coût de construction du coursier est estimé par
l’expression (4.1).
hs bHdam
Cc = (4.1)
2 tan α
Concernant le bassin de dissipation, comme mentionné dans le chapitre 1, son type dépend
du nombre de Froude au pied du coursier. Pour cette application, nous avons écarté
les cas qui ne nécessitent pas l’utilisation de bassin de dissipation et ceux nécessitant
l’utilisation des bassins avec blocs (bassins de type I, II et III). Alors les bassins à prendre
en considération sont caractérisés comme suit :
- Pour Fr ≤ 1, il n’y a pas de ressaut, pour éviter que le coursier se termine directe-
ment dans le lit, nous avons choisi de bétonner sur une longueur de 2 y1 .
- Pour 1 < Fr < 1.7, il faut bétonner sur une longueur entre 2 y1 à 12 y1 . Dans le
présent cas, la limite supérieure a été choisie.
- Pour Fr > 1.7, nous avons choisi d’utiliser un bassin rectangulaire dont la longueur
est déterminée par les abaques vus au chapitre 1. Pour faciliter l’utilisation de ces
abaques, nous les avons numérisés.
Les différents cas illustrés ci-dessus sont donnés comme suit :






2 y1 pour Fr ≤ 1

L= 12 y1 pour 1 < Fr < 1.7 (4.2)



X (F
r ) X5 (Fr )y1 pour Fr > 1.7

1
v2 q
où y1 est la hauteur d’eau au pied du coursier. Comme Er = y1 + 2g1 avec v1 = y1
la vitesse
90
moyenne d’écoulement au pied du coursier. Après quelques arrangement, on obtient une

équation de troisième degré qui permet de déterminer la hauteur y1 , soit :
2gy13 − 2gEr y12 + q 2 = 0 (4.3)
Les fonctions X1 (Fr ), X5 (Fr ) sont des ajustement polynomiaux issus de la numérisation
des abaques de la figure(1.9), ils sont donnés comme suit :
X1 (Fr ) = 1.4192 F r − 0.6141

X5 (Fr ) = 2.10−5 Fr5 − 0.0015 Fr4 + 0.0379 Fr3 − 0.4462 Fr2 + 2.5007 Fr + 0.818
Quant au coût de construction du bassin de dissipation noté Cb , nous avons opté pour un
bassin sans déflecteurs. Dans ce cas, le coût Cb est considéré fonction de la longueur L du
bassin, de son épaisseur e et de sa largeur b comme suit :
Cb = bLe (4.4)
La problématique de trouver des valeurs de hs et b qui minimisent les trois fonctions ob-
jectifs, peut être formulée comme un problème d’optimisation multi-objectifs non linéaire
comme suit : 

f1 = min (Er /Em ) 
0 < b < bmax

 

avec : (4.5)
f2 = min (Cc ) max
0 < h ≤ h

s
 

f = min (C )
 s
3 b
avec bmax la largeur maximale que peut avoir le coursier. Elle est théoriquement limitée
par la longueur totale du barrage lorsque le coursier est intégré dans sa digue, sinon
elle dépend de la topographie du site. hmax s = 1/2Hdam qui signifie qu’il doit y avoir
au moins un minimum de deux marches pour considérer le coursier comme étant un
coursier en marches d’escalier. En plus des deux contraintes ci-dessus, pour éviter le régime
d’écoulement de transition, seules les solutions qui satisfont (1.057 − 0.465 tan α)−1 hc ≤
hs ≤ 12.34 (tan α)1.276 hc sont acceptées.
La procédure d’optimisation proposée ici est montrée à travers un exemple d’évacuateur de
crues à marches d’escalier de hauteur totale Hdam =5.5m et de pente moyenne α = 22.5o .
Le débit total de conception est Q=80 m3 /s. Les paramètres de cet exemple sont illustrés
dans la figure 4.15. Cet exemple a été introduit et résolu pour la première fois en utilisant
les algorithmes génétiques par Sharifi et al. (2005) et Haddad et al. (2005). Il a été ensuite
91
reproduit et résolu en utilisant HBMO par Haddad et al. (2010). Cet exemple est bien
détaillé et reproductible car il constitue un bon test de comparaison pour la procédure
proposée. Le but de cette étude est de déterminer les meilleures combinaisons de la largeur
du coursier b et de la hauteur des marches hs , qui minimisent à la fois le taux de l’énergie
résiduel et le coût total de construction incluant indépendamment celui du coursier et
du bassin de tranquillisation. L’épaisseur du fond du bassin est d’abord supposée égale à
l’unité (e = 1 m), puis des résultats complémentaires sont donnés pour d’autres valeurs.
hs
l
Hdam
Corps du
α
barrage
Ldam L
Figure 4.15 : Schéma du coursier en marches d’escalier avec bassin de tranquillisation
La variation des trois fonctions objectifs définies en fonction de la hauteur des marches
et de la largeur du coursier pour l’exemple d’application ci-dessus est montré dans la
figure 4.16. Les deux figures 4.16.a et 4.16.b tiennent compte du fait que le taux d’énergie
résiduelle et le coût de construction du bassin de tranquillisation ne sont pas définis pour le
cas du régime d’écoulement de transition. Ce régime est représenté par la zone blanche. La
zone de droite correspond au régime d’écoulement en nappe et celle de gauche, plus large,
représente le régime d’écoulement extrêmement turbulent qui est généralement considéré
pour la conception. Comme le montre la figure 4.16.c, le coût de construction du coursier
Cc est directement proportionnel au produit bhs . Les iso-valeurs représentent un ensemble
d’hyperboles bien définies pour toutes les valeurs pratiques des dimensions de conception.
Les trois figures montrent que l’évacuateur de crues à marches d’escalier est efficace pour
dissiper l’énergie (avoir un petit taux d’énergie résiduelle) quand sa largeur est plus grande,
en revanche le coût de construction du coursier et du bassin de dissipation est très grand.
92
(a) Taux d’énergie résiduelle (b) Coût de bassin de dissipation
(c) Coût du coursier en marches d’escalier
Figure 4.16 : Variation des trois fonctions objectifs en fonction de la hauteur des marches et
la largeur du coursier
L’effet de la hauteur des marches hs sur le taux d’énergie résiduelle et le coût du bassin est
pratiquement négligeable pour des petites valeurs de b comme le montre la figure 4.16.a.
Cet effet ne devient important que pour de grandes valeurs de b où l’augmentation de
hs induit une forte augmentation du coût pour un faible gain d’énergie résiduelle. Au
contraire, hs et b ont le même effet sur le coût du coursier et il est d’autant plus impor-
tant que ces quantités sont importantes. Ces tendances contradictoires rendent difficile la
prédiction des dimensions de conception optimales donnant un taux d’énergie résiduelle
satisfaisant avec un coût de construction acceptable.
Il est à noter que le coût du coursier en marches d’escalier et le bassin de dissipation n’ont
pas la même échelle de variation, c’est pourquoi nous les avons traité indépendamment
93
dans le processus d’optimisation.

La procédure d’optimisation proposée est représentée dans le tableau 4.2. Trois fonctions
objectifs indépendantes sont ainsi satisfaites simultanément. La procédure implique quatre
parties principales : la méthode d’optimisation multi-objective de l’essaim de particules
(MOPSO) pour trouver des solutions non dominées en un seul passage, l’algorithme de
clustering K-moyenne pour réduire la taille des solutions non dominées obtenues, l’ap-
proche du vecteur de pseudo-poids (PWV) pour faciliter la prise de décision et sélection-
ner des solutions adéquates, et enfin, des simulations CFD pour analyser les solutions
optimales retenues. Cette procédure est implémentée dans l’environnement de program-
mation Matlab sous forme d’un ensemble de scripts comprenant la définition des fonc-
tions objectives, l’algorithme MOPSO, le clustering K-moyenne, l’approche vectorielle de
pseudo-poids et plusieurs codes de traçage. Les simulations numériques ont été réalisées
en utilisant le code de calcul ANSYS Fluent.
Tableau 4.2 : La procédure d’optimisation proposée

Étape tâche
1-Initialisation - Les données d’entrée : Q, HD , bmax , hmax
s
- Définition des fonctions objectives
2- Recherche de solutions - Initialisation de l’essaim et des archives

avec MOPSO - Effectuer des itérations de recherche de solution
• Sélectionner les leaders
• Mettre à jour les vitesses et les positions
• Mettre à jour les archives pour les meilleures solutions
- Arrêter les itérations lorsque les meilleures solutions sont
atteintes
3- Solution clustering en utilisant - Initialisation du nombre de classes (clusters)

l’algorithme K-moyenne - Génération des centres de classes
- Effectuer des itérations
• Regroupement des solutions aux centre les plus proches
• Mise à jour des centres
- Arrêter les itérations lorsque les centres ne changent pas
4- Prise de décision en utilisant - Calcul des poids

l’approche du vecteur de
pseudo-poids - Sélection de la solution
- Modélisation et analyse de solutions
L’algorithmes MOPSO est capable de trouver un ensemble de solutions optimales, mul-

tiples et diversifiées en une seule exécution. Dans cet algorithme, un objectif ne peut être
amélioré sans sacrifier d’autres objectifs. Une grande taille de population est nécessaire
pour une bonne exécution et une convergence de processus d’optimisation. Alors, la taille
94
de la population ne peut pas être choisie en fonction du petit nombre souhaité de solutions
non dominées. Dans le présent cas, un ensemble de 500 solutions optimales est évalué à
l’aide de 1000 itérations MOPSO. Ces nombres de particules et d’itérations sont adoptés
après plusieurs tests numériques pour assurer la convergence de la solution. Les valeurs
W = 0.5, c1 = 1, c2 = 2, r2 = r1 = 0.4 ont été utilisées comme paramètres de MOPSO.
La résolution de ce problème d’optimisation à trois objectifs conduit à obtenir les 500
solutions non dominées représentées dans la figure 4.17.
400
300
f3 200
100
90
f1 70
50 100 150 200 250

0 50
f2
Figure 4.17 : Ensemble des solutions non-dominées
Le grand nombre de solutions 500 n’est pratique que pour l’efficacité de la recherche
MOPSO, il n’est pas adéquat pour la prise de décision. Dans les applications pratiques,
l’utilisateur s’intéresse à un petit nombre de solutions. Il est ainsi nécessaire de réduire les
solutions à un nombre significatif sans perdre de l’information. A cet effet, les algorithmes
de clustering peuvent être utilisés. Selon Santhanam et Velmurugan (2010), l’algorithme
de clustering le plus populaire est K-moyennes (ou K-means en anglais). L’idée globale
de cette algorithme est de regrouper les solutions en un nombre de classes et déterminer
le centre de chaque classe. Les étapes de cet algorithme sont les suivantes (Deb, 2001) :
1) Initialiser le nombre K de classes (clusters) souhaitées et générer aléatoirement leurs

centres : C1 , C2 , · · · , CK .
2) Affecter chaque solution, de position Xi , à la classe du centre Ck le plus proche.
Cette étape est réalisée en mesurant les distances euclidiennes, soit :
rik = kXi − Ck k (4.6)
95
3) Mettre à jour les centres de classe en prenant la position moyenne de chaque classe.
4) Répéter les étapes 3 et 4 jusqu’à ce que les critères de convergence soient satisfaits,
c’est-à-dire les centres des classes ne changent pas avec les itérations.
L’application de l’algorithme K-moyenne et en choisissant un nombre de classe K = 20

permet d’obtenir les solutions illustrées dans la figure 4.18. En comparaison avec la figure
4.17, on constate que la forme globale dense des 500 solutions est dans l’ensemble bien
représentée par un petit nombre de particules qui sont bien positionnées dans l’espace
(f1 , f2 , f3 ).
400
300
f3 200
100
90
f1 70
50 100 150 200 250

0 50
f2
Figure 4.18 : Représentation spatiale des solutions après clusturing
Après le classement et le regroupement, le nombre de solutions peut être considérablement

réduit sans perte d’informations. Pour faciliter la prise de décision et comprendre comment
chaque solution peut influencer sur la décision, nous avons utilisé l’approche du vecteur
de pseudo-poids (ou pseudo-weight vector approach en anglais). L’idée principale de cette
approche est de calculer la distance relative de la solution à la valeur maximale dans
chaque fonction objectif pour chaque solution obtenue. Pour le problème de minimisation,
le pseudo-poids est calculé pour chaque fonction objectif à l’aide de l’équation de Deb
(2001) suivante :
(f max − fik )/(fimax − fimin )
wik = d i (4.7)
(fjmax − fjk )/(fjmax − fjmin )
X
j=1
avec i = 1, · · · , d et k = 1, · · · , K. fimin et fimax sont les valeurs minimale et maximale

de chaque fonction objectif i. Dans le cas présent, il existe trois fonctions objectives f1 ,
96
f2 et f3 donc d = 3. fik est la valeur de la ième fonction objectif donnée par le nombre de
solutions groupées k. La valeur maximale wimax d’un poids wi pour une fonction objectif
correspond à sa meilleure solution. Par opposition, la valeur minimale wimax correspond à
la mauvaise solution.
Le calcul des poids permet à l’utilisateur de prendre facilement une décision et de sélec-
tionner une combinaison pratique ou préférée. En général, une solution avec des valeurs de
poids proches est un bon compromis qui satisfait toutes les fonctions objectives considé-
rées. Le tableau 4.3 représente les valeurs de ces solutions groupées pour les trois fonctions
objectives et leurs poids correspondants. Les valeurs trouvées pour les dimensions géo-
métriques (b, hs et L) sont également données. Ce type de tableau est d’une grande aide
pour la prise de décision quant à la solution à retenir pour une infrastructure hydraulique
réelle. Par exemple, le cas présent montre que la solution numéro #6 peut être considérée
comme une solution qui satisfait presque simultanément les trois fonctions objectives avec
des poids quasi égaux de w1 = 0.32, w2 = 0.37 et w3 = 0.31. Cependant, par exemple, la
solution numéro #1 est celle qui donne plus d’importance à la minimisation du coût du
coursier avec w2 = 0.59, au détriment du coût du bassin de tranquillisation. De plus, la
solution numéro #17 est celle où la dissipation d’énergie (∆E/Em = 1 − f1 ) au sein du
coursier est maximale, mais avec le plus grand coût du coursier.
Tableau 4.3 : Liste des solutions non dominées

# f1 (%) w1 f2 (m3 ) w2 f3 (m3 ) w3 b(m) hs (m) L(m)
1 61.75 0.41 9.74 0.59 300.49 0.00 35.36 0.04 08.50
2 80.54 0.00 14.03 0.51 130.75 0.49 09.30 0.23 14.06
3 75.18 0.11 8.02 0.56 190.02 0.33 15.83 0.08 12.00
4 53.46 0.61 128.46 0.24 255.92 0.15 35.93 0.54 07.12
5 56.06 0.49 48.17 0.44 275.31 0.07 36.90 0.20 07.46
6 64.83 0.32 75.30 0.37 201.22 0.31 21.77 0.52 09.24
7 56.02 0.61 168.59 0.13 231.77 0.26 30.46 0.83 07.61
8 70.75 0.21 97.24 0.33 157.28 0.46 14.61 1.01 10.77
9 72.69 0.16 51.52 0.42 157.96 0.42 14.16 0.55 11.15
10 77.32 0.07 68.28 0.39 122.84 0.54 09.57 1.07 12.83
11 66.94 0.27 28.02 0.49 219.03 0.24 22.46 0.19 09.75
12 57.53 0.47 71.80 0.38 250.83 0.15 32.28 0.34 07.77
13 63.93 0.42 165.79 0.14 186.39 0.44 20.27 1.23 09.20
14 69.65 0.21 50.31 0.43 178.98 0.36 17.38 0.44 10.30
15 60.98 0.40 20.02 0.52 272.91 0.08 32.94 0.09 08.28
16 61.61 0.42 117.53 0.27 209.38 0.31 24.24 0.73 08.64
17 52.94 0.76 205.38 0.00 242.63 0.24 12.90 2.40 18.80
18 76.94 0.08 123.30 0.27 116.07 0.65 08.99 2.07 12.91
19 67.89 0.26 10.30 0.57 244.47 0.17 24.77 0.06 09.87
20 70.03 0.25 135.32 0.23 154.98 0.52 14.54 1.41 10.66
Un autre exemple, la solution numéro #10 dans le tableau (4.3) est identique à celle
97
trouvée par Haddad et al. (2010) en utilisant HBMO, mais cela ne conduit pas à un taux
d’énergie résiduelle satisfaisant (w1 = 0, 07). Les dimensions de conception optimales
données par les auteurs sont : b = 10 m, hs = 0.917 m et LB = 12.62 m, et d’après le
tableau 4.3, cette solution ne conduit pas à un bon taux de dissipation d’énergie et non
plus au coût minimal du coursier par comparaison à d’autres solutions.
Comparativement à la recherche d’une solution optimale unique dans l’optimisation à
objectif unique, les problèmes multi-objectifs présentent un ensemble de solutions poten-
tiellement innombrables (Türkyilmaz et al., 2020). Fournir un petit nombre de solutions
optimales représentatives peut être d’une grande aide pour les chefs de projet pour faciliter
la prise de décision.
La figure 4.19 montre la variation du coût total (Ct = Cc + Cb ) en fonction du taux
de dissipation d’énergie ∆E/Em = (1 − f1 ) pour les 20 solutions obtenues. Pour une
vérification de ces solutions, nous avons simulés numériquement 13 cas différents choisis
au hasard. Comme le montre la figure 4.19, quelque soit la géométrie du coursier choisi
en dehors des solutions optimales, un coût de construction plus élevé est certainement
engendre.
Solution optimale
1000 Autres cas simulés
Coût total (m )
3
800
600
400
200
10 20 30 40 50 60
Taux de dissipation d’énergie (%)
Figure 4.19 : Variation du coût total en fonction du taux de dissipation d’énergie pour e = 1
A noter que les 20 solutions optimales ont été obtenues pour une épaisseur e = 1m. Pour
étudier l’effet de l’épaisseur sur les solutions optimales, la procédure d’optimisation a été
réalisée pour quatre autres cas avec des épaisseurs e = 0.5 m, e = 0.75 m, e = 1.25 m et
e = 1.5 m. Les résultats obtenus sont regroupés dans la figure 4.20. Comme le montre cette
figure, le coût total de construction est directement proportionnel au taux de dissipation
d’énergie souhaitée pour toutes les épaisseurs. L’ajustement des résultats peut être donné
par Ct = β∆E/Em . Le paramètre β qui est la pente de la droite d’ajustement est donné
98
pour chaque cas dans la figure 4.20.

1000
e=0.50m, y=5.212x, R2=0.73
800 e=0.75m, y=6.941x, R2=0.84
e=1m, y=8.344x, R2=0.84
Coût total (m )
3
2
e=1.25m, y=9.699x, R =0.94
600 e=1.50m, y=11.303x, R2=0.96
400
200
15 20 25 30 35 40 45 50
Taut de dissipation d’énergie (%)
Figure 4.20 : Variation du coût total en fonction du taux de dissipation d’énergie pour diffé-
rentes valeurs d’épaisseur du bassin de dissipation
D’après la figure 4.20, la pente de la droite d’ajustement β augmente avec l’augmentation

de l’épaisseur du bassin de dissipation. Pour montrer cet effet, nous avons présenté dans
la figure 4.21 la variation de la pente β en fonction de l’épaisseur du bassin de dissipation
e.
15
β = 5.5e + 2.8
10
β
0
0 0.5 1 1.5 2
e
Figure 4.21 : Variation de la pente d’ajustement β en fonction de l’épaisseur du bassin de
dissipation e
Il a été trouvé que les pentes des différentes droites d’ajustement peuvent être exprimées
par une loi linaire de type β = 5.5e + 2.8. Donc le coût total de construction peut être
exprimé finalement en fonction du taux de dissipation d’énergie comme suit :
Ct = (5.5e + 2.8)∆E/Em (4.8)
99
Une telle équation (4.8) est valable pour l’étude du cas considéré dans ce travail, elle peut
être généralisée pour un évacuateur réel et fournir aux gestionnaires du projet un outil
très pratique.
Selon le degré de satisfaction de chaque objectifs, nous avons sélectionné cinq solutions
optimales pour les analyser à l’aide d’une modélisation numérique. Nous avons alors choisi
la solution numéro #1 qui satisfait le coût du coursier, les deux solutions numéros #4
et #17 qui satisfont le taux d’énergie résiduelle, la solution numéro #6 qui satisfait les
trois objectifs simultanément, et enfin la solution numéro #18 qui satisfait le coût du
bassin de dissipation. Nous représentons dans le tableau 4.4 le taux d’énergie résiduelle
obtenu a partir de la procédure d’optimisation et celui évalué à partir des simulations
numériques pour les cinq cas. Les différences relatives entre les résultats d’optimisation
et numériques sont également indiquées. Selon ce tableau, on constate que les résultats
sont relativement proches les uns des autres sauf pour la solution #17 où la différence
atteint 18%. Cette différence est due à la position centrale du cluster de la solution. Ce
centre est situé près de la zone d’écoulement de transition juste à l’extérieur de la limite
de la zone d’écoulement extrêmement turbulent. Cela se produit si aucune technique de
correction n’est utilisée dans la phase de regroupement (clustering) pour placer les centres
aux bonnes positions.
Tableau 4.4 : Modélisation numérique de quelques solutions optimales

Solution # Optimisation Numérique Différence (%)
1 61.75 57.99 6.09
4 53.4 48.78 8.65
6 64.83 60.38 6.86
17 52.94 62.80 18.62
18 76.94 77.30 0.468
D’autres résultats numériques liés aux contraintes de cisaillement, la pression dynamique

peuvent également être fournis si nécessaire pour améliorer la prise de décision pour les
paramètres de conception finale. Par conséquent, la procédure d’optimisation ici est très
utile, cela conduit à sélectionner très peu de solutions optimales à analyser avec une
simulation numérique lourde ou avec une étude expérimentale.
4.4 Conclusion
Ce travail de recherche montre que l’utilisation du modèle k − ε pour la modélisation de la

turbulence et les deux modèles CLSVOF et Mixture pour la modélisation des écoulements
100
à surface libre, permettent de simuler les écoulements dans différentes configurations de

coursier.
L’étude réalisée sur l’effet de la variation du nombre de marches sur les caractéristiques
hydrauliques de l’écoulement montrent que le choix du nombre de marches influe non
seulement sur le taux de dissipation d’énergie, mais aussi sur la hauteur d’eau dans le
bassin, les contraintes de cisaillement agissant sur le fond du canal ainsi que la pression
dynamique. La représentation de ces caractéristiques en variant le nombre de marches
ne montre aucune corrélation. C’est pourquoi pour le choix de dimensions optimales des
marches, il faut passer par la résolution du problème d’optimisation à objectifs multiples.
Comme le facteur économique est aussi important que la dissipation d’énergie dans le
dimensionnement du coursier en marches d’escalier, nous avons proposé une procédure
d’optimisation de ces deux paramètres pour déterminer les dimensions de l’évacuateur.
Pour cela, nous avons considéré indépendamment le coût du coursier et le coût du bassin
de tranquillisation qui sont combinés avec la dissipation d’énergie.
La procédure d’optimisation proposée implique quatre parties principales : la méthode
d’optimisation multi-objective de l’essaim de particules (MOPSO), l’algorithme de clus-
tering K-moyenne, l’approche du vecteur de pseudo-poids et les simulations CFD pour
analyser les solutions optimales retenues. Les résultats obtenus sont utilisés pour dériver
une expression approximative du coût total de l’évacuateur de crues en fonction du taux
de dissipation d’énergie. La procédure d’optimisation peut être considérée comme un ou-
til utile pour sélectionner quelques solutions optimales à analyser avec des simulations
numériques ou avec une modélisation expérimentale pour des résultats plus souhaités.
101
Conclusion générale et perspectives
Dans ce travail de recherche, nous nous sommes intéressés à la modélisation des écou-
lements dans les coursiers en marches d’escalier et à l’optimisation des dimensions des
marches et du bassin de dissipation d’énergie.
En premier lieu, une étude de validation des modèles numériques pour la simulation des
écoulements à surface libre a été effectuée. Nous avons réalisé des modèles numériques
en utilisant le code de calcul ANSYS Fluent basé sur la méthode des volumes finis. Les
équations de mouvement sont couplées avec le modèle k − ε pour la prise en compte de
la turbulence. Pour la modélisation de la surface libre, une comparaison entre le modèle
CLSVOF et le modèle de mélange a été menée en utilisant différentes configurations de
coursiers. Ensuite une investigation sur l’impact de la variation du nombre de marches
sur les caractéristiques hydrauliques de l’écoulement (dissipation d’énergie et contraintes
de cisaillement sur la paroi du fond) a été réalisée en utilisant un coursier avec un nombre
de marches variant de 12 à 122.
En deuxième lieu, une procédure d’optimisation a été proposée pour déterminer les di-
mensions de l’évacuateur de crues pour avoir un taux maximal de dissipation d’énergie
avec un coût de construction minimal, et ce en considérant indépendamment le coût du
coursier et le coût du bassin de tranquillisation. Trois fonctions objectives indépendantes
sont ainsi satisfaites simultanément. La procédure proposée implique quatre principaux
outils : un algorithme d’optimisation multi-objectifs basée du la méthode "Essaim de Par-
ticule" (MOPSO) pour trouver des solutions de Pareto en un seul passage, un algorithme
de Clustering K-means pour réduire la taille des solutions non dominées obtenues, l’ap-
proche du vecteur de pseudo-poids (PWV) pour faciliter la prise de décision et sélectionner
des solutions adéquates, et enfin la CFD pour analyser les solutions optimales retenues.
L’adéquation de la procédure proposée est testée à travers un exemple d’application.
102
Conclusion générale et perspectives
Les résultats les plus marquants du travail réalisé sont récapitulés comme suit :
- L’utilisation du modèle k − ε couplé avec les deux modèle CLSVOF et Mixture
permettent de reproduire d’une manière acceptable les écoulements à surface libre
sur les coursiers.
- L’utilisation du modèle CLSVOF permet de visualiser les rouleaux de recirculation
au voisinage des marches contrairement au modèle Mixture.
- Le modèle de mélange permet de mieux reproduire les profils de pression par rapport
au modèle CLSVOF.
- Le nombre de marches le long du coursier influe sur le taux de dissipation d’énergie,
la hauteur d’eau dans le bassin, les contraintes de cisaillement agissant sur le fond
du canal, la pression dynamique ainsi que sur le coût de construction.
- Les équations de Boes et Hager (2003) pour l’écoulement extrêmement turbulent
prédisent la dissipation d’énergie avec plus de précision que celle de Chanson (1994a).
- Vue la complexité de l’écoulement sur les coursiers en marches d’escalier, il n’y a
pas de corrélation entre les différents caractéristiques hydrauliques de l’écoulement.
Par conséquent, pour le choix des dimensions optimales des marches, il faut passer
par la résolution d’un problème d’optimisation à objectifs multiples.
- La procédure d’optimisation proposée est très utile car elle permet de donner en une
seule exécution un ensemble de solutions avec des degrés de satisfaction différents
pour chaque objectif.
- Les résultats issus de l’optimisation ont été utilisés pour dériver une expression ap-
proximative du coût total de l’évacuateur de crues en fonction du taux de dissipation
d’énergie.La formule obtenue est valable pour l’étude du cas considéré dans ce tra-
vail. Elle peut être généralisée pour un évacuateur réel et fournir aux gestionnaires
du projet un outil très pratique.
En terme de perspectives, le sujet de la présente thèse offre un très large nombre de
possibilités. Il est intéressant par exemple de :
- réaliser une étude expérimentale et numérique sur d’autre type de coursier tels que
les coursiers avec marches non uniformes ;
- inclure le coût total du barrage dans le coût de construction ;
- inclure d’autres objectifs dans la procédure d’optimisation, telle que la limitation
des contraintes de caillement et les pressions dynamiques ainsi l’endommagement
des marches ;
- développer une procédure pour le couplage entre la simulation et l’optimisation.
103
Bibliographie
Ameur T. : Optimisation du processus d’usinage en utilisant la méthode des essaims de parti-

cules. Thèse de doctorat, Université Mohamed Khider Biskra, Génie Mécanique, 106, 2016.
Barani G. A., Rahnama M. B. et Bagheri H. : Optimization of stepped spillways dimensions

and investigation of flow energy dissipation over a physical model. Journal of Applied Sciences,
5(5):878–882, 2005.
Barichard V. : Approches hybrides pour les problèmes multiobjectifs. Thèse de doctorat, Ecole
Doctorale d’Angers, Informatique, 149, 2003.
Beitz E. et Lawless M. : Hydraulic model study for dam on GHFL 3791 Isaac river at Burton
Gorge. Water Resources Commission Report, (24), 1992.
Benmamar S. : Etude des écoulements dans les conduits à motifs périodiques – Application aux
évacuateurs de crues. Thèse de doctorat, Ecole nationale polytechenique, Hydraulique, 197,
2006.
Berro A. : Optimisation multiobjectif et stratégies d’évolution en environnement dynamique.

Thèse de doctorat, Université des Sciences Sociales Toulouse I France, Informatique, 170,
2001.
Boes R. M. et Hager W. H. : Hydraulic design of stepped spillways. Journal of Hydraulic

Engineering, 129(9):671–679, 2003.
Bonabeau E., Dorigo M. et Theraulaz G. : intelligence : from natural to artificial systems.

Oxford University Press, New York, 1999.
Carosi G. et Chanson H. : Turbulence characteristics in skimming flows on stepped spillways.

Canadian Journal of Civil Engineering, 35(9):865–880, 2008.
Cerny V. : Thermodynamical approach to the travelling salesman problem. Journal of Optimi-

zation Theory and Applications, 45:41–51, 1985.
Chamani M. R. et Rajaratnam N. : jet flow on stepped spillways. Journal of Hydraulic

Engineering, 120(2):254–259, 1994.
104
Bibliographie
Chamani M. R. et Rajaratnam N. : Characteristics of Skimming FLow Over stepped spillways.

Journal OF Hydraulic Engineering, 126:361–368, 1999.
Chan F. T. S. et Tiwari M. K. : Swarm intelligence : focus on ant and particle swarm

Ooptimization. In Tech Education and Publishing, Vienne, 2007.
Chang Y. C., Hou T. Y., Merriman B. et OSher S. : A levelset formulation of Eulerian interface
capturing methods fo incompressible fluid flows. 464(124):449–464, 1996.
Chanson H. : Stepped spillway flows and air entrainment. Canadian Journal of Civil Enginee-
ring, 20(3):422–435, 1993.
Chanson H. : Comparison of energy dissipation between nappe and skimming flow regimes on
stepped chutes. Journal of Hydraulic Research, 32(2):213–218, 1994a.
Chanson H. : Hydraulics of nappe flow regime above stepped chutes and spillways. Australlan
Civil Engineering Transactions, 36(1):69–76, 1994b.
Chanson H. : Hydraulics of skimming flows over stepped channels and spillways. Journal of
Hydraulic Research, 32(3):445–460, 1994c.
Chanson H. : Hydraulic Design of Stepped Cascades, Channels, Weirs and Spillways. Pergamon,
Oxford, UK, 1995.
Chanson H. : Prediction of the transition nappe/skimming flow on a stepped channel. Journal

of Hydraulic Research, 34(3):421–429, 1996.
Chanson H. : Hydraulic design of stepped spillways and downstream energy dissipators. Dam
engineering, 11(4):205–242, 2001.
Chanson H. et Toombes L. : Experimental study of gas-liquid interfacial properties in a stepped

cascade flow. Environmental Fluid Mechanics, 2(3):241–263, 2002a.
Chanson H. et Toombes L. : Experimental study of gas-liquid interfacial properties in a stepped

cascade flow. Environmental Fluid Mechanics, 2(3):241–263, 2002b.
Chanson H. et Toombes L. : Hydraulics of stepped chutes : The transition flow | L’hydraulique

des chutes en marches d’escalier : L’écoulement de transition. Journal of Hydraulic Research,
42(1):43–54, 2004.
Charlot L. : Calcul et analyse de sensibilité des écoulements à surface libre. Thèse de doctorat,
Ecole Polytechnique de Montréal, Génie Mécanique, 130, 2011.
Chassaing P. : Turbulence en mécanique des fluides : Analyse du phénomène dans une perspective
de modélisation à l’usage de l’ingénieur. Cépadues édition, 2000.
Chatila J. et Tabbara M. : Computational modeling of flow over an ogee spillway. Computers

and Structures, 82:1805–1812, 2004.
Cheng X., Chen Y. et Luo L. : Numerical simulation of air-water two-phase flow over stepped
spillways. Science in China, Series E : Technological Sciences, 49(6):674–684, 2006.
105
Bibliographie
Christodoulou G. C. : Energy dissipation on stepped spillways. Journal of Hydraulic Enginee-

ring, 119(5):644–650, 1993.
Clerc M. et Siarry P. : Une méthode inspirée de comportements coopératifs observés dans la

nature : l’optimisation par essaim particulaire. Revue d’Electricité et d’Electronique REE,
pages 25–32, 2009.
Coello Coello C. A. et Lechuga M. S. : Mopso : a proposal for multiple objective particle swarm
optimization. Proceedings of the 2002 Congress on Evolutionary Computation, Washington,
(2):1051–1056, 2002.
Deb K. : Multi-objective optimization using evolutionary algorithms, volume 6. John Wiley,

2001.
Dorigo M., Maniezzo V. et Colorni A. : Ant system : optimization by a colony of cooperating

agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 26
(1):29–41, 1996.
Dufresne M. F. D. : La modélisation 3D du transport solide dans les bassins en assainisse-

ment : du pilote expérimental à l’ouvrage reel. Thèse de doctorat, Université Louis Pasteur,
Strasbourg 1, Mécanique, 225, 2008.
Durand P., J. M. Poyet et Mériaux P. : Technique des petits barrages en Afrique sahélienne et
équatoriale : Small dam technique in Sahelian and equatorial Africa. Presses polytechniques
romandes, Lausanne, Suisse, 1999.
El Dor A. : Perfectionnement des algorithmes d’Optimisation par Essaim Particulaire. Ap-

plications en segmentation d’images et en électronique. Thése de doctorat, École Doctorale
Mathématiques et Stic, Informatique, 140, 2012.
Essery T. S. et Horner M. W. : The Hydraulic Design of Stepped Spillways. CIRIA - Construc-

tion Industry Research and Information Assoc, 1978.
Felder S. : Air-Water Flow Properties on Stepped Spillways for Embankment Dams : Aeration,
Energy Dissipation and Turbulence on Uniform, Non-Uniform and Pooled Stepped Chutes,
2013.
Felder S. et Chanson H. : Turbulence, dynamic similarity and scale effects in high-velocity

free-surface flows above a stepped chute. Experiments in Fluids, 47(1):1–18, 2009.
Felder S. et Chanson H. : Energy Dissipation down a Stepped Spillway with Nonuniform Step
Heights. Journal of Hydraulic Engineering, 137(11):1543–1548, 2011.
Fogel D. B. : Evolutionary Computation : Toward a New Philosophy of Machine Intelligence.

Wiley, 2000.
Gafsi M., Boutassouna K., Djehiche A. et Djaid N. : Study of the Effect of the Rate Flow and
the Slope of the Channel on the Energy Dissipation in the Stepped Channels : Proposing an
Empirical Models. In Procedia Engineering 118, volume 118, pages 1044–1051. nternational
Conference on Sustainable Design, Engineering and Construction Study, 2015.
106
Bibliographie
Glover F. et Laguna M. : Tabu Search. Springer US, Boston, MA, 1998.
Goldberg D. E. : Genetic Algorithms in Search, Optimization and Machine Learning. Addison-

Wesley Longman Publishing Co., Inc., USA, 1st édition, 1989.
Gonzalez C. A. et Chanson H. : Interactions between cavity flow and main stream skimming
flows : An experimental study. Canadian Journal of Civil Engineering, 31(1):33–44, 2004.
Haddad O. B., Mirmomeni M. et Mariño M. A. : Optimal design of stepped spillways using

the HBMO algorithm. Civil Engineering and Environmental Systems, 27(1):81–94, 2010.
Haddad O. B., Sharifi F. et Naderi M. : Optimum Design of Stepped Spillways Using Genetic
Algorithm. In Proceedings of the 6th WSEAS, pages 325–331, 2005.
Hanjalic K. et Launder B. : Modelling Turbulence in Engineering and the Environment. 2011.
Harvie D. J. E. et Fletcher D. F. : A New Volume of Fluid Advection Algorithm : The Stream

Scheme. Journal of Computational Physics, 162:1–32, 2000.
Hassanvand M. R., Karami H. et Mousavi S. F. : Use of multi-criteria decision-making for

selecting spillway type and optimizing dimensions by applying the harmony search algorithm :
Qeshlagh Dam Case Study. Lakes and Reservoirs : Research and Management, 24(1):66–75,
2018.
Hazzab C. Chafi A. : Dissipation d’énergie des écoulements dans des canaux de profils com-
plexes “ type marches d’éscalier ”. Rev. Energ. Ren. : Physique Energétique, pages 73–80,
1998.
Hirt C. W., Amsden A. A. et Cook J. L. : An arbitrary Lagrangian-Eulerian computing

method for all flow speeds. Journal of Computational Physics, 135:203–216, 1997.
Hirt C. W. et Nichols D. B. : Volume of fluid (vof) method for the dynamics of free boundaries.
Journal of Computational Physics, 39:201–225, 1981.
Jahad U. A., Al-Ameri R., Chua Lloyd H. C. et Das S. : Energy dissipation and geometry
effects over stepped spillways. International Journal of Civil Engineering and Technology, 7
(4):188–198, 2016.
Jazayeri P. et Moeini R. : Construction cost minimisation of the stepped spillway using improved
particle swarm optimisation and artificial bee colony algorithms. Water and Environment
Journal, 2020.
Kennedy J. et Eberhart R. C. : Particle swarm optimization. In Proceedings of the 1995 IEEE

International Conference on Neural Networks, page 1942–1948, 1995.
Kherbache K., Chesneau X., Abide S. et Benmamar S. : Modeling of a Water Flow Over
Stepped Spillways. Machine Dynamics Research, 37(1):47–64, 2013.
Kirkpatrick S., Gelatt C. D. et Vecchi M. P. : Optimization by simulated annealing. Science,

220:671–680, 1983.
107
Bibliographie
Kositgittiwong D., Chinnarasri C. et Julien Pierre Y. : Two-phase flow over stepped and
smooth spillways : Numerical and physical models. Civil Engineering, (14):147–154, 2013.
Launder B. E. et Spalding D. B. : The Numerical Computation of Turbulent Flows. Computer

Methods in Applied Mechanics and Engineering, 3:269–289, 1974.
Ljubičić R., Zindović B., Vojt P., Pavlović D., Kapor R. et Savić L. : Hydraulic jumps in
adverse-slope stilling basins for stepped spillways. Water, 10(460):1–17, 2018.
Madiouni R. : Contribution à la synthèse et l’optimisation multi-objectif par essaims particulaires

de lois de commande robuste RST de systèmes dynamiques. Thèse de doctorat, Université
Paris-Est, Informatique, 151, 2016.
Manninen M. et Taivassalo V. : On the mixture model for multiphase flow. VTT Publications
228, Technical Research Centre of Finland, 1996.
Marchesse Y. : Modélisation de la turbulence. Rapport technique, Ecole Catholique d’Arts et

Métiers - Lyon, Département de mécanique et énergétique, 2010.
Mazière F. : Modèles de parallelisme pour les métaheuristiques multi-objectifs. Thése de doctorat,

Université de Reims Companie-Ardenne, Informatique,169, 2018.
Merrouche D. : Application des Methodes de Suivi d’Interface à la Simulation Numérique des

Ecoulements Diphasiques Gaz-Liquide. Thèse de doctorat, Université M’hamed Bougara,
Boumerdes, Écoulement Diphasique, 166, 2010.
Minoux M. : Programmation Mathématique : Théories et Algorithmiques. Dunod, Paris, 1983.
Monaghan J. J. : Simulating free surface flows with SPH. Journal of Computational Physics,
110(2):399–406, 1994.
Mooselu M. G., Nikoo M. R., Rayani N. B. et Izady A. : Fuzzy Multi-Objective Simulation-

Optimization of Stepped Spillways Considering Flood Uncertainty. Water Resources Mana-
gement, 33(7):2261–2275, 2019.
Novakoski C., Conterato E., Marques M., Teixeira E., Lima G. et Mees A. : Macro-turbulent
characteristcs of pressures in hydraulic jump formed downstream of a stepped spillway. Bra-
zilian Journal ofWater Resources(RBRH), 22, 01 2017a.
Novakoski C., Hampe R., Conterato E., Marques M. et Teixeira E. : Longitudinal distribution
of extreme pressures in a hydraulic jump downstream of a stepped spillway. Brazilian Journal
ofWater Resources(RBRH), 22, 01 2017b.
Olsson E. et Kreiss G. : A conservative level set method for two phase flow. Journal of
Computational Physics, 210(1):225–246, 2005.
Osher S. et Sethian J. A. : Fronts propagating with curvature-dependent speed : Algorithms

based on Hamilton-Jacobi formulations. Journal of Computational Physics, 79:12–49, 1988.
Parsaie A., Haghiabi A. H., Saneie M. et Torabi H. : Applications of soft computing techniques
for prediction of energy dissipation on stepped spillways. Neural Computing and Applications,
29(12):1393–1409, 2016a.
108
Bibliographie
Parsaie A., Haghiabi A. H., Saneie M. et Torabi H. : Prediction of energy dissipation on the
stepped spillway using the multivariate adaptive regression splines. ISH Journal of Hydraulic
Engineering, 22(3):281–292, 2016b.
Peng Z. : Optimisation par essaims particulaires pour la logistique urbaine. Thése de doctorat,
Université de Technologie de Belfort-Montbéliard, Automatique, 157, 2019.
Peterka A. J. : Hydraulic design of stilling basins and energy dissipators. Water resources
technical publication - US department of the interior, (25):240, 1984.
Peyras L., Royet P. et Degoutte G. : Ecoulement et dissipation sur les déversoirs en gradins
de gabions. Journal La Houille Blanche, (1):37–47, 1991.
Peyras L., Royet P. et Degoutte G. : Flow and Energy Dissipation over Stepped Gabion Weirs.
Journal of Hydraulic Engineering, 118(5):707–717, 1992. ISSN 0733-9429.
Philippe S. : Développement d ’ une formulation arbitrairement lagrangienne eulérienne pour

la simulation tridimensionnelle du laminage de produits plats , 2009.
Rahal M. : Extension de certaines méthodes de recouvrement en optimisation globale. Thèse de

doctorat, Université Ferhat Abbas de Setif, Mathématique Appliquée, 122, 2009.
Rajaratnam N. : Skimming Flow in Stepped Spillways. Journal of Hydraulic Engineering, 116

(3):587–591, 1990.
Rassaei M. et Rahbar S. : Numerical flow model stepped spillways in order to maximize energy
dissipation using FLUENT software. IOSR Journal of Engineering, 4(6):17–25, 2014.
Reyes-Sierra M. et Coello Coello C. A. : Multi-objective particle swarm optimizers : A survey of

the state-of-the-art. International Journal of Computational Intelligence Research, 2(3):287–
308, 2006.
Roushangar K., Akhgar S., Salmasi F. et Shiri J. : Neural networks- and neuro-fuzzy-based
determination of influential parameters on energy dissipation over stepped spillways under
nappe flow regime. ISH Journal of Hydraulic Engineering, 23(1):57–62, 2016.
Roy B. : Procédure d’exploration par séparation et évaluation. RAIRO - Operations Research

- Recherche Opérationnelle, 3(V1):61–90, 1969.
Salmasi F. et Özger M. : Neuro-Fuzzy Approach for Estimating Energy Dissipation in Skimming

Flow over Stepped Spillways. Arabian Journal for Science and Engineering, 39(8):6099–6108,
2014.
Santhanam T. et Velmurugan T. : Computational Complexity between K-Means and KMedoids

Clustering Algorithms for Normal and Uniform Distributions of Data Points. Journal of
Computer Science, 6(3):363–368, 2010.
Scardovelli R. et Zaleski S. : Direct numerical simulation of free-surface and interfacial flow.

Annual Review of Fluid Mechanics, 31:567–603, 1999.
Schiestel R. : Méthodes de modélisation et de simulation des écoulements turbulents. Lavoiser

Paris, 2006.
109
Bibliographie
Schlichting H. et Kestin J. : Boundary-layer Theory. McGraw-Hill classic textbook reissue

series. McGraw-Hill, 1979.
Schwefel H. P. : Numerical optimization of computer models. Wiley, Chichester, WS, UK, 1981.
Sethian J. A. : Level set methods : evolving interfaces in geometry, fluid mechanics, computer
vision, and materials science. 1996.
Sharifi F., Haddad B. O. et Afshar A. : GA in least cost design of stepped spillways. WSEAS
Transactions of Information Science and Applications, 5(2):637–643, 2005.
Sinniger R. O. et Hager W. H. : Constructions hydrauliques : ecoulements stationnaires, vo-

lume 15. Presses polytechniques romandes, Lausanne, Suisse, 1989.
Sorensen R. M. : Stepped spillway hydraulic model investigation. Journal of Hydraulic Engi-

neering, 111(12):1461–1472, 1985.
Stephenson D. : Energy dissipation down stepped spillways. Water Power et Dam Construction,
43(9):27–30, 1991.
Stojnic I. : Stilling basin performance downstream of stepped spillways. Thèse de doctorat,

l’Ecole Polytechnique Fédérale de Lausanne, Génie Civil et Environnement, 254, 2020.
Sussman M. et Puckett E. G. : A Coupled Level Set and Volume-of-Fluid Method for Computing
3D and Axisymmetric Incompressible Two-Phase Flows. Journal of Computational Physics,
162(2):301–337, 2000.
Sussman M., Smereka P. et Osher S. : A level set approach for computing solutions to incom-
pressible two-phase flow. Journal of Computational Physics, 114:146–159, 1994.
Tabbara M., Chatila J. et Awwad R. : Computational simulation of flow over stepped spillways.
Computers and Structures, 83:2215–2224, 2005.
Talbi E. G. : Métaheuristiques pour l’optimisation combinatoire multiobjectif : Etat de l’art.

Technical Report PE : 98-757.33, CNET, page 34, 1999.
Tfaili W. : Conception d’un algorithme de colonie de fourmis pour l’optimisation continue

dynamique. Thése de doctorat, Université Paris 12, Science de l’Ingénieur, 123, 2007.
Toombes L. et Chanson H. : Air-water flow and gas transfer at aeration cascades : A comparative
study of smooth and stepped chutes. Hydraulics of stepped spillways, pages 77–84, 2000.
Toombes L. et Chanson H. : Air-Water Mass Transfer on a Stepped Waterway. Journal of

environmental engineering, 131(10):1377–1386, 2005.
Toutant A. : Modélisation physique des interactions entre interfaces et turbulence. Thèse de

doctorat, l’Institut national polytechnique de toulouse, Énergétique et Transfert, 231, 2006.
Tozzi M. J. : Residual Energy in Stepped Spillways. International Water Power and Dam
Construction, 46(5):32–34, 1994.
110
Bibliographie
Türkyilmaz A., Şenvar Ö., Unal Í. et Bulkan S. : A research survey : Heuristic approaches
for solving multi objective flexible job shop problems. Journal of Intelligent Manufacturing,
31:1949–1983, 12 2020.
Van-Den-Bergh F. : An analysis of Particle Swarm Optimizers. Thése de doctorat, Université

de Pretoria, South Africa, Computer Science, 281, 2001.
Versteeg H. et Malalasekra W. : An Introduction to Computational Fluid Dynamics : The Finite

Volume Method. Prentice Hall, 2nd édition, 2007.
Zhan J., Zhang J. et Gong Y. : Numerical investigation of air-entrainment in skimming flow

over stepped spillways. Theoretical and Applied Mechanics Letters, 6(3):139–142, 2016.
Zhang G. et Chanson H. : Interaction between free-surface aeration and total pressure on a

stepped chute. Experimental Thermal and Fluid Science, 74:368–381, 2016.
111
©CA ¨ r TyWs Aqdt AAm TymC ÐAm r§wW ¤± ºz ¨ ,yysy¶C §z Y m` @¡ sqn§ :PÌl
A rWR³ CAbt³ y` @° k − ε Ðwm Yl dmt`m T§ d` T@mn dmt` . ¤ds «wts Yl AASyf £Ay §rO
P¶AO Yl ACd d ry TF C Ðwmn@¡ dtF .r Ws ry At³ M ixture Ðwm Yl ¤ Tyqdt
|w¤ «rm ACdm ± ymOtl hn rt ,¨A ºz ¨ .ACd Ð ©CA Yl £Aym Aqdt Tyky¤Cdyh
rF Tq§rV Yl rtqm hnm dmt`§ .ºAnb Tflk ¤ TAW d§db d` y XF¤ Y }wt ,|r @h .TAW d§db
¤Ewm ¢bK A`K TCAq ¤ K − means clustering tkt TyEC w A Y (M OP SO) | r± d`t Amys
Tflt A§wtsm ¾® §rK Twm Yl wO ,¢yl¤ .¨qybW A Yl Trtqm Tyhnm CAbt .(P W V )
.TAW d§db Tmy T¯d ¨Am³ ºAnb Tflk As Tyb§rq TyRA§C Ty} rt ,Ahyl Otm ¶Atn Yl ºAn .YRr
.M OP SO , AmtF¯ , AAm ,TAW d§db |w , ACd Ð «r :TyAtfm Amlk

Résumé : Ce travail de recherche est subdivisé en deux parties principales, dans la première, des
modèles numériques ont été mis en œuvre pour simuler les écoulements à surface libre dans les coursiers
d’évacuateurs de crue de barrages. La modélisation numérique adoptée se base sur le modèle k − ε
pour prendre en compte la turbulence et le modèle Mixture pour reproduire l’effet de la surface libre.
Une investigation sur l’effet du nombre de marches sur les caractéristiques hydrauliques des écoulements
dans les coursiers en marches d’escalier a été menée en utilisant les modèles mis en œuvre. Dans la
deuxième partie, une procédure d’optimisation a été proposée pour le dimensionnement du coursier en
marches d’escalier et du bassin de dissipation d’énergie. Le but est de trouver un compromis entre le
taux de dissipation d’énergie et le coût de construction. La procédure proposée est basée sur la méthode
d’optimisation multi-objectifs de l’essaim de particules (MOPSO) couplée avec l’algorithme de Clustering
K-means et l’approche du vecteur de pseudo-poids (PWV). La procédure proposée est appliquée sur un
exemple d’application existant. En conséquence, un ensemble de vingt solutions avec différents niveaux
de satisfaction a été obtenu. Une expression approximative du coût total de construction en fonction du
taux de dissipation d’énergie a été établie sur la base des résultats obtenus.
Mots clés : coursier en marches d’escalier, Bassin de dissipation, Simulation , Optimisation, MOPSO
Abstract : This research work is constitued by two main parts, in the first one, numerical models have
been developed to simulate free surface flows in spillways. The adopted numerical modeling is based on
the k − ε model to account for turbulence and the Mixture model to reproduce the free surface effect.
Steps number effect on the hydraulic characteristics of flows over stepped spillways investigated using the
implemented models. In the second part, an optimization procedure was proposed for stepped spillways
and stilling basin dimensions. To this aim, a compromise between the rate of energy dissipation and the
construction cost has been made. The proposed procedure is based on the multi-objective particle swarm
optimization (MOPSO) method coupled with the K-means clustering algorithm and the pseudo-weight
vector (PWV) approach. The proposed procedure is applied on an existing example. As a result, a set
of twenty solutions with different satisfaction levels of each objective were obtained. An approximate
expression of the total construction cost as function of energy dissipation rate has been derived based on
the obtained results.
Keywords : Stepped spillway, Stilling basin, Simulation, Optimization, MOPSO.

Thèse LEBDIRI Corrigée

Transféré par

Droits d'auteur :

Formats disponibles

Thèse LEBDIRI Corrigée

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thèse LEBDIRI Corrigée

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Ecoulements à surface libre dans les coursiers d'évacuateurs de crues

Soutenue le : 18/11/2021 Devant le Jury composé de :

Nom et Prénom Grade

Mr. MAZA Mustapha Professeur Univ. de Bejaia Président

Année Universitaire : 2021/2022

Liste des figures iii

Liste des tableaux vi

Liste des symboles utilisés viii

1 Écoulement dans les coursiers en marches d’escalier 4

2 Modélisation des écoulements à surface libre 24

Conclusion générale et perspectives 102

Figure 1.1 Régime d’écoulement en nappe avec un ressaut complètement dé-

Figure 3.1 Méthode de Tunneling (Berro, 2001) . . . . . . . . . . . . . . . . . 57

Figure 4.1 Géométries et conditions aux limites . . . . . . . . . . . . . . . . . 78

Tableau 1.1 Début de l’écoulement extrêmement turbulent sur un évacuateur

Tableau 4.1 Comparaison des résultats de l’énergie résiduelle obtenue en uti-

b Largeur du bassin de dissipation [m]

La construction des barrages répond à des objectifs multiples, à savoir l’alimentation en

Avec le développement technologique et l’apparition des ordinateurs de hautes perfor-

bassins de dissipations d’énergie. Il relate l’état de connaissance sur les différents

1.2 Aspect historique

1.3 Présentation des écoulements sur les coursiers en marches

1.3.1 Le régime d’écoulement en nappe

L’écoulement en nappe avec formation d’un ressaut complètement développé se présente

1.3.2 Le régime d’écoulement extrêmement turbulent

Ce régime apparait pour des débits importants, contrairement au régime d’écoulement en

1.3.3 Le régime d’écoulement de transition

Figure 1.4 : Régime d’écoulement extrêmement turbulent (Benmamar, 2006).

1.4 Phénomène d’aération de l’écoulement

1.5 Dissipation d’énergie

avec hc la hauteur critique d’écoulement, hs la hauteur des marches et α représente la

Figure 1.6 : Paramétres hydrauliques du coursier en marches d’escalier

Dans ce régime d’écoulement, la dissipation d’énergie se produit par la fragmentation

avec Hdam la hauteur de barrage.

avec fb est le coefficient de frottement et Dh,w le diamètre hydraulique pour l’écoulement

1.6 Début du régime extrêmement turbulent

Tableau 1.1 : Début de l’écoulement extrêmement turbulent sur un évacuateur en marches

1,4 Essery et Horner (1978)

Beitz et Lawless (1992)

0,4 Chanson 1994

1.7 Bassin de dissipation

Les propriétés du ressaut hydraulique et les caractéristiques de l’écoulement peuvent être

d’escalier. La structure de l’écoulement d’un ressaut hydraulique en aval des coursiers

1.8 Aspect économique

La conception des évacuateurs de crues a toujours été un problème important dans la

1.9 Problématique et but de la thèse

La détermination des dimensions du coursier en marches d’escalier et du bassin de dissi-

ce facteur hydraulique. En raison de la complexité des équations de dissipation d’éner-

les pressions dynamiques.

La modélisation physique permet d’étudier et de valider la conception d’ouvrages hydrau-

2.2 Équations de base

∂(ρui ) ∂(ρui uj ) ∂p ∂τij

avec ui la composante de la vitesse suivant la direction i, gi la composante de force de

τij = 2µSij + λδij div(V ) (2.3)

En tenant compte de la relation (2.3) et après quelques arrangements, les équations de

2.2.1 Simulation numérique directe

2.2.2 Simulation à grande échelle