Le laboratoire virtuel d'iFLUX pour mesurer la dynamique des eaux souterraines

Publié le mercredi 10 mars 2021

La détection en temps réel des flux d'eaux souterraines dépend d'une connaissance approfondie de nombreuses conditions différentes qui ont un impact sur la dynamique des eaux souterraines, des spécificités des piézomètres ainsi que des paramètres affectant les performances des capteurs au fil du temps. Pensez à tous les différents types de sols et à leur conductivité. Cependant, les tests que nous pouvons réaliser en laboratoire sont limités. C'est pourquoi chez iFLUX, nous avons non seulement notre laboratoire physique, mais aussi un laboratoire virtuel !

Bino - the iFLUX Data Engineer

Rencontrez Bino

Bino est responsable de la science des données et de l'ingénierie autour de notre capteur numérique. Il est également à l'origine de notre laboratoire virtuel pour les simulations CFD (Computational Fluid Dynamics) et il s'assure que les données sont bien organisées en mettant en place l'architecture et le flux de données.

Que faisons-nous dans notre laboratoire virtuel ?

La CFD est couramment utilisée pour la recherche et l'ingénierie dans les sciences naturelles, l'ingénierie environnementale, la simulation météorologique, l'analyse aérospatiale, etc.

La Computational Fluid Dynamics (CFD) permet de simuler la conception de nos capteurs et l'environnement dans lequel ils peuvent être installés. Grâce à ces simulations, nous pouvons jouer avec les paramètres de conception environnementale et mécanique pour voir comment ils influencent les résultats mesurés. On peut comparer cela à l'expérimentation d'un capteur numérique en plaçant plusieurs versions de celui-ci dans différents types de sols ou de piézomètres. Sauf que nous n'avons pas besoin d'installer réellement des centaines de capteurs. Nous pouvons simplement simuler les différents modèles, les différents types de sol, etc. et ainsi améliorer progressivement la conception du capteur. 

Ce laboratoire virtuel nous permet d'améliorer la conception mécanique du produit sans avoir à réaliser des milliers d'installations. Nous pouvons par exemple simuler différents types de sols, et des packs de filtres, chacun avec sa propre conductivité, pour estimer l'impact de la conductivité sur les mesures de flux avec le capteur numérique.

La CFD permet même de réaliser des expériences avec des types de sol spécifiques qui ne sont pas possibles dans un laboratoire physique.

À partir de ces simulations, nous pouvons construire une base de données de corrections pour les données de flux et d'optimisations de la conception du capteur. Ces corrections sont cruciales pour fournir des résultats de flux qualitatifs dans un tableau de bord au lieu des données brutes. Ces corrections peuvent en fait être comparées au facteur alpha de nos échantillonneurs passifs.

Le facteur alpha est le rapport entre le flux mesuré dans le piézomètre et le flux effectif dans le sol. Le calcul de alpha tient compte de la perméabilité et de l'épaisseur de chacun des milieux traversés par le flux (cartouche, tranchées du puits de surveillance, massif filtrant et aquifère).


Des données mesurées brutes dans le capteur numérique aux résultats de flux qualitatifs dans un tableau de bord

Ces corrections ne sont toutefois qu'une partie du parcours que suivent les données de notre capteur, du capteur au client final. L'architecture et le flux de données jouent un rôle important pour que notre capteur numérique puisse fournir des résultats qualitatifs.

Le flux de données ne contient donc pas seulement des composants pour collecter, stocker et visualiser les données transmises sans fil par les capteurs, mais il nécessite également un contrôle de qualité spécifique. 

 C'est là que notre laboratoire virtuel entre en jeu. Les corrections résultant des simulations CFD sont effectuées sur les données du capteur numérique avant qu'elles ne soient visualisées dans un tableau de bord pour nos clients. 

Ainsi, nos clients peuvent voir les résultats réels de l'écoulement continu des eaux souterraines en temps réel.


Quelques exemples

Tout cela peut sembler assez abstrait, voici donc quelques exemples de ce que nous avons trouvé et corrigé dans nos données.

Il va sans dire que l'écoulement des eaux souterraines autour d'un piézomètre peut présenter un comportement complexe.  

Le modèle CFD ci-dessous illustre l'accélération par rapport à la vitesse réelle de l'eau souterraine. Le rouge indique une accélération de l'eau souterraine par rapport au débit réel de l'eau souterraine. Le bleu indique que l'eau souterraine est ralentie dans ces zones par rapport à la vitesse réelle de l'eau souterraine. Après avoir modélisé et calculé ces accélérations, nous corrigeons les résultats du flux mesuré pour ces influences.

CFD model around monitoring well

Ce deuxième exemple concerne ce qui se passe lorsqu'il y a une partie aveugle au-dessus ou en dessous du capteur, cela crée un flux plus important à travers le capteur lui-même. Cette simulation nous permet de corriger ce flux accru ou même de créer une conception de piézomètre optimale spécifique aux mesures de flux. En corrigeant ces influences, nous sommes en mesure de rapporter le flux réel des eaux souterraines au lieu du flux accéléré causé par la conception du capteur ou le piézomètre spécifique.

Effect of blind zone above and below iFLUX sensor

Une autre découverte intéressante concerne les fentes horizontales des piézomètres. Ces types de piézomètres ont des parties "aveugles" sans ouverture. Pour mesurer le débit des eaux souterraines, le capteur mesure mieux à l'endroit où le puits est fendu qu'au niveau d'une partie aveugle où le débit des eaux souterraines est moindre. L'incertitude du placement exact du capteur par rapport à ces parties aveugles du piézomètre est donc mesurée par des simulations.

D'autres simulations ont calculé l'alpha des flux d'eau souterraine en fonction du facteur k.


Si vous avez en tête un pilote intéressant pour notre tout nouveau capteur numérique, contactez-nous à l'adresse projects@ifluxsampling.com.