Abstract :
[en] Fluvial dikes are structures built along watercourses to protect humans and infrastructures from flooding. The risk of dike breaching is increasing due to more frequent extreme weather events, urbanization near these structures, and aging existing dikes. Among the causes of breaching, overtopping is the most common. Accurate prediction of the breaching dynamics and resulting flooding is crucial for effective emergency planning in floodplains.
This thesis focuses on developing a numerical model for homogeneous non-cohesive fluvial dike breaching induced by overtopping. While various models exist for dam breaching, these structures differ fundamentally from fluvial dikes. Embankment dams, which are perpendicular to the main flow, tend to breach symmetrically, whereas fluvial dikes mainly expand in the downstream direction due to the river momentum.
Building on an existing lumped model primarily designed for dam breaching, this work developed a new lumped model dedicated to fluvial dikes. A global sensitivity analysis and an uncertainty analysis applied on the initial dam model identified model parameters whose uncertainty had a critical impact on the variability of the model outputs, namely the breach discharge and expansion. Laboratory tests further clarified the influence of dike geometry and main channel width on breaching dynamics, suggesting that erosion at the downstream breach extremity is dictated by higher velocities than assumed in the initial dam model. This led to the introduction of an “effective breach width”, representing the fraction of the breach width conveying most of the water. Incorporating this concept considerably improved the model’s ability to predict the breach discharge and expansion.
However, accuracy on the breach discharge prediction remained limited, as it relied on simplified formulas borrowed from frontal weirs, which do not satisfactorily predict dike breach discharge. Various empirical or semi-empirical side weir formulations performed well for simplified side breach configurations but proved insufficient for dike breaching cases. Machine learning was then employed to better capture the breach hydrodynamics. A new analytical model was introduced and coupled to a decision-tree-based machine learning technique. This approach demonstrated strong performance in predicting the breach discharge from dike breaching laboratory tests.
The thesis also compared the adapted lumped model with its dynamic coupling to a 2D hydrodynamic model. Based on experimental observations and the global sensitivity analysis we conducted, the model parametrization was adjusted to further enhance breach erosion predictions. The adapted dike model outperformed the original dam model in predicting discharge and expansion for fluvial dike breach. It also provided more conservative flood extent predictions, as demonstrated for a hypothetical breach scenario along Belgium’s Albert Canal, making it particularly valuable for supporting evacuation planning in floodplains.
Future work should focus on additional test campaigns to refine the model structure and parametrization, enabling even greater accuracy in predicting fluvial dike breaching dynamics.
[fr] Les digues fluviales, construites le long des cours d'eau, protègent les populations et les infrastructures contre les crues. Leur risque de rupture est en augmentation en raison du dérèglement climatique, de l'urbanisation croissante et du vieillissement des structures existantes. Prédire avec précision la dynamique de rupture et les inondations associées est essentiel pour une planification d'urgence efficace dans les zones inondables.
Cette thèse développe un modèle numérique dédié aux ruptures de digues fluviales homogènes et non cohésives induites par surverse. Contrairement aux barrages en remblai, qui sont perpendiculaires à l'écoulement principal et se rompent symétriquement, les brèches des digues s'étendent principalement dans la direction aval en raison de la quantité de mouvement importante de l’écoulement dans la rivière.
Dans cette thèse, un nouveau modèle non discrétisé spatialement et dédié aux digues fluviales a été mis au point à partir d’un modèle de rupture de barrages existant. Une analyse de sensibilité appliquée au modèle de rupture de barrage a permis d'identifier les paramètres dont l'incertitude a un impact important sur la variabilité du débit et de l'expansion de la brèche. Des essais en laboratoire ont permis de mieux comprendre l'influence de la géométrie de la digue et de la largeur du canal principal sur la dynamique de rupture. Il a également été mis en évidence que la vitesse de l’écoulement à proximité de l’extrémité aval de la brèche est sensiblement plus importante que la vitesse moyenne à travers la brèche. Cela a conduit à l'introduction d'une « largeur de brèche efficace », représentant la fraction de la brèche par laquelle transite la majeure partie du débit. L’utilisation de ce concept a considérablement amélioré les prédictions du modèle.
Cependant, la formulation du débit de brèche devait être revue car elle reposait sur des formules adaptées aux déversoirs frontaux, alors que la configuration étudiée correspond davantage à un déversoir latéral. Diverses formules empiriques de déversoirs latéraux ont été appliquées à des essais expérimentaux de rupture, mais leur précision s’est révélée insuffisante. Un nouveau modèle analytique a alors été introduit et couplé à une technique de machine learning basée sur les arbres de décision. Cette nouvelle approche a permis des prédictions du débit de brèche nettement plus précises.
Enfin, le nouveau modèle de rupture de digue a été comparé à son couplage avec un modèle hydrodynamique 2D. Avec une paramétrisation ajustée sur base d’observations expérimentales et de tests numériques, il s’est révélé plus fiable que le modèle de barrage, avec des prédictions plus conservatives, comme démontré dans un scénario de rupture hypothétique le long du canal Albert en Belgique.
De futurs travaux de recherche devraient inclure davantage d'essais expérimentaux, sur base desquels il serait possible d’affiner la structure et la paramétrisation du modèle et ainsi renforcer la précision des prévisions de rupture de digues fluviales.
