Abstract:
Ce mémoire s'intéresse à l'application des techniques d’intelligence artificielle pour évaluer et
prédire la qualité de l’eau produite par la station de dessalement de Cap Djinet. Les analyses
physico-chimiques réalisées sur quatre semaines montrent une conformité totale de l’eau traitée
aux normes de l’OMS. Deux modèles de prédiction ont été comparés : la régression linéaire,
efficace avec peu de données, et le perceptron multicouche, dont la performance est limitée par
le faible volume d’entraînement. L’intégration de la data science et de l’analyse conventionnelle
offre une approche novatrice et complémentaire. Ce travail contribue à renforcer la gestion
prédictive et durable des stations de dessalement. Il ouvre la voie à l’utilisation de l’IA pour
anticiper les variations qualitatives et améliorer la prise de décision. L’étude montre que même
avec un jeu de données restreint, des modèles simples peuvent offrir des résultats fiables. Les
résultats obtenus peuvent servir de référence pour d’autres stations similaires
This thesis focuses on applying artificial intelligence techniques to assess and predict the water
quality produced by the Cap Djinet desalination plant. Physico-chemical analyses over four
weeks confirm full compliance with WHO standards. Two predictive models were evaluated:
linear regression, effective with limited data, and multilayer perceptron, whose performance was
hindered by a small dataset. The integration of data science and conventional analysis offers an
innovative and complementary approach. This study contributes to advancing predictive and
sustainable desalination management. It enables anticipation of quality variations and supports
informed decision-making. Even with a limited dataset, simple models proved reliable. Results
may serve as a reference for similar facilities.
