Le SIG parfait n’existe pas mais ce n’est pas un problème
Dans l’eau potable, on parle souvent du SIG comme d’un idéal inaccessible : la couche parfaite, complète, homogène… que personne n’a.
Transfert de compétence, héritage de DSP, SIG incomplet, matériaux inconnus, historiques lacunaires… c’est la norme.
En réalité, la plupart des collectivités vivent avec des “photos incomplètes” de leur réseau : années de pose manquantes, matériaux hétérogènes, historiques de fuites partiels.
Et pourtant : on reconnaît très bien la “forme du réseau” derrière ces zones vides.
Exemple : lorsque l’on montre la photo de la Tour Eiffel masquée à moitié : même incomplète, on reconnaît l’essentiel.
C’est pareil pour un réseau d’eau potable :
➡️ vous n’avez pas besoin d’une donnée parfaite pour agir,
➡️ vous avez besoin d’un modèle capable de compléter le reste.
C’est ce qu’ont démontré les collectivités que nous accompagnons : on peut planifier et améliorer son rendement avec des trous dans la raquette.
Pourquoi les méthodes classiques de renouvellement présentent leurs limites ?
Lorsqu’il s’agit de décider quoi rénover en premier, la collectivité à besoin de se baser sur l’état réel de ses canalisations.
Quand on veut prioriser ses renouvellements, on pense naturellement aux canalisations “à risque” : vétusté, fuites répétées, matériaux vulnérables…
Sauf que ces critères supposent de connaître :
- l’année de pose,
- les matériaux,
- les diamètres,
- l’historique des interventions,
- les fuites avérées.
Si ces données sont manquantes ou incorrectes, il devient compliqué pour la collectivité d'avoir une approche multicritère lorsqu’elle réalise son plan pluriannuel.
Alors comment mieux planifier et rénover malgré tout ?
L’IA de Leakmited vient combler ces absences de données
Chez Leakmited, on refuse l’idée qu’il faille “attendre la donnée parfaite” pour décider.
La première chose que la collectivité peut donc effectuer dans le cas où certaines données seraient manquantes ou erronées c’est de s’appuyer sur l’IA.
L’IA est capable de proposer un plan de rénovation basé sur des hypothèses.
Un plan qui pourra naturellement être révisé dès que la donnée s’améliorera.
Comment cette IA fonctionne concrètement et comment offre-t-elle des résultats ?
Grâce à nos missions de recherches de fuites
Arpenter le territoire et trouver des fuites c’est notre dada.
Depuis nos débuts nos chercheurs de fuites
- ont parcouru plus de 400 000 km de réseaux,
- trouvé des dizaines de milliers de fuites,
- enrichi une base de plus d’un million de fuites réelles.
en travaillant aux collectivités de plus d'une centaine de collectivités en Europe.
Chaque fois qu’un de chercheurs de fuites part trouver des fuites ces données sont recensées. Elles viennent enrichir notre connaissance du territoire.
À mesure que notre IA est déployée sur le terrain, nous recueillons de nouvelles données qui enrichissent constamment notre base.
Grâce à d’autres paramètres qui constituent les territoires
La collectivité connaît une partie du réseau.
Nous ajoutons tout ce qui manque à travers :
- la morphologie du territoire,
- le contexte géotechnique,
- l’environnement de pose,
- l’hydrométrie,
- la densité du bâti,
- le trafic,
- les contraintes de voirie,
- les usages du territoire,
- etc.
Ce sont des données indépendantes du SIG.
Elles permettent au modèle de fonctionner même lorsque les données internes sont lacunaires.
➡️ Vos données locales sont utiles, mais ce n’est pas elles qui portent le modèle.
En les renseignant et en les couplant à notre algorithme précédemment décrit, on peut générer un scénario multicritère environnemental + IA leakmited qui vient simuler la priorisation réelle.
Améliorer le rendement : ce que montrent les chiffres
Même avec des données partielles, les campagnes Sprint montrent une constance remarquable :
📉 –30 à –35 % de pertes en moyenne
sur des réseaux où :
- l’année de pose manque,
- les matériaux sont incohérents,
- l’historique des fuites est incomplet,
- une partie du réseau n’est pas tracée précisément.
Comme nous l’avons vu la prédiction ne se construit pas uniquement sur le SIG. Elle s’appuie sur notre algorithme détaillé précédemment : des millions de fuites réelles analysées, des milliers de kilomètres de réseaux différents, plus de 100 paramètres externes
Notre CEO, Hubert Baya Toda le résume très bien : « Notre algorithme nous permet d’agir même dans des situations où la connaissance du réseau est partielle pour assurer une intervention pertinente. Là où les réseaux de canalisation se définissent habituellement au travers de 3 ou 4 variables basiques, nous en ajoutons une centaine (nature du sol, température, etc.), qui viennent ainsi affiner la base de données. Cela permet de resserrer le champ d’investigation et de détecter plus rapidement les zones susceptibles de générer des fuites »
Quelques preuves terrain
Réduire les pertes avec le Syndicat d’Ambérieu-en-Bugey
Le Syndicat d’Ambérieu-en-Bugey malgré un niveau de données manquantes on pu réduire de –30 % avec nous.
Retrouvez l’ensemble des nos casclients ici.
Réaliser un PPI évolutif avec des données partielles
Twin fonctionne même lorsque :
- les attributs du réseau sont partiels,
- les SIG proviennent de sources mixtes,
- certains tronçons sont mal renseignés.
Ce que nos clients observent :
- une priorisation vivante,
- une cohérence entre risque, fuites et CVM,
- des scénarios chiffrés fiables grâce à la matrice de coûts.
SERPN le résume : "Leakmited nous permet de réaliser plusieurs scénarios chiffrés en quelques clics. Nous priorisons nos travaux en croisant risque CVM, fuites et caractéristiques réelles du réseau.”
"Leakmited nous permet de réaliser plusieurs scénarios chiffrés en quelques clics. Nous priorisons nos travaux en croisant risque CVM, fuites et caractéristiques réelles du réseau"
Céline Leroux, Directrice Générale SERPN
Conclusion
Le SIG parfait n’existe pas.
Les données complètes non plus.
Chez Leakmited, on parle souvent du cycle vertueux de la donnée : une première aide à la décision permet d’agir rapidement, chaque action génère une donnée plus fiable, et cette meilleure donnée améliore à son tour les décisions suivantes.
C’est exactement ce que nous voyons sur le terrain : même avec un SIG incomplet, erroné ou hétérogène, les collectivités peuvent prioriser, détecter et réduire leurs pertes.
