Modèle de transport réactif 3-D

Afin de tester l’influence de la barrière et des pompages sur les flux de contaminants verticaux, un modèle 3-D du bio-traitement a été mis en œuvre. La construction du modèle et les résultats de simulation sont présentés dans ce chapitre.

4.5.9.1 Construction du modèle

Le modèle 3-D est construit de façon identique au modèle de traitement 2-D calibré. Seule la discrétisation spatiale verticale a été modifiée. Le modèle est composé de 5 milieux. La barrière perméable et les puits d’injection situés dans la barrière sont localisés dans le milieu 0. Les puits de pompage et d’injection situés en aval de la barrière sont localisés dans les milieux 2 et 3. Un schéma représentant une coupe verticale du modèle perpendiculaire à la barrière est présenté Figure 4-25.

Figure 4-25 : Schéma en coupe verticale représentant la discrétisation verticale appliquée sur le modèle 3-D et les différentes positions de la zone source testées.

4.5.9.2 Hypothèses de fonctionnement testées

Le modèle 3-D a été établi afin de tester, (1) le rôle d’écran de la barrière et la pertinence des zones sources imposées à l’aval de la barrière dans le modèle 2-D, ainsi que (2) l’hétérogénéité verticale de

la conductivité hydraulique, avec notamment la présence d’une zone de plus forte perméabilité entre 4 et 6 m de profondeur, caractérisée par des passes sableuses.

Les différents scénarios simulés pour tester ces hypothèses de fonctionnements et apprécier leurs impacts sur le bio-traitement sont les suivants :

 Le cas de référence : conductivité hydraulique homogène sur la verticale, géométrie de la zone source identique au modèle calibré 2-D (zones à l’aval de la barrière) et position de la source dans les milieux 0 à 4 ;

 Scénario 1 : présence de la zone source dans les milieux 0 à 4 uniquement en amont de la barrière, et conductivité hydraulique identique au cas de référence ;

 Scénario 2 : présence de la zone source dans les milieux 0 à 4 uniquement en amont de la barrière, et conductivité hydraulique plus forte (𝐾 = 5.10^-4 m/s) dans les milieux 1 et 2. Un résumé des scénarios testés est présenté Tableau 4-15.

𝐾 homogène sur la verticale 𝐾 plus fort milieu 1 et 2 Source aval barrière Source amont barrière Cas de référence    Scénario 1   ^ Scénario 2  

Tableau 4-15 : Scénarios simulés pour tester différentes hypothèses de fonctionnement à partir du modèle 3-D.

4.5.9.3 Résultats

Les résultats de modélisation des scénarios testés avec le modèle du bio-traitement en 3-D sont présentés Figure 4-26 pour le benzène et le toluène.

Le cas de référence, construit à l’identique du modèle 2-D, donne des résultats quasi-équivalents pour les concentrations en BTEX. Dans le cas de référence, il apparait que la zone amendée en oxygène se situe au niveau des milieux 0 et 1. On note l’absence d’oxygène dans les couches inférieures (résultats non présentés). Par ailleurs, les concentrations moyennes en toluène sur la colonne d’eau simulées avant le jour 250 sont sous-estimées, puis surestimées au-delà de 250 jours.

Il apparait qu’en absence de zone source en aval de la barrière hydraulique, il est impossible de simuler les concentrations observées dans l’ouvrage P2. Cela confirme l’hypothèse de la présence d’une zone source en aval de la barrière, même en présence de couche plus perméable entre 4 et 6 m de profondeur. Sur le scénario 2, on remarque que la présence d’une zone de conductivités hydrauliques plus forte dans les milieux 1 et 2 entraine une migration du panache en profondeur (milieu 3 et 4). Sans avoir les moyens de vérifier ces résultats, l’hypothèse d’un horizon plus perméable et la migration du panache de BTEX en profondeur est tout à fait plausible sur ce site.

Figure 4-26 : Résultats de modélisation des différents scénarios de positionnement de la source et d'hétérogénéité du champ de conductivités hydrauliques sur la verticale testés avec le modèle 3-D.

4.6 Conclusion

Dans le cadre de ce travail, un modèle de transport réactif a été développé et calibré de façon à reproduire la contamination des eaux souterraine par des BTEX d’un site, avant la mise en œuvre d’un procédé de traitement. Par la suite, ce modèle a été modifié et la calibration affinée afin de simuler les effets du bio-traitement mis en œuvre. La construction et la calibration de ces modèles ont été réalisées suivant une méthodologie présentée dans les deux premières parties de ce chapitre.

L’application de cette méthodologie sur le modèle avant la phase de traitement met en évidence que de nombreuses simplifications du modèle conceptuel ont été nécessaires lors de la construction du

modèle numérique en raison du manque de données de conditionnement et/ou des incertitudes sur les erreurs encapsulées dans ces données. Suite aux résultats obtenus, la réalisation de mesures de charges hydrauliques avec une périodicité adaptée aux variations du niveau de nappe et des mesures directes de l’infiltration constitue une piste d’amélioration conséquente pour permettre l’élaboration d’un modèle d’écoulement en condition transitoire et améliorer la structure du modèle. L’autre élément structurel important apparu dans nos travaux est relatif à l’hétérogénéité de la distribution de la phase organique dans les sols. Le découpage de la zone source en quatre sous zones, est apparu insuffisant pour simuler correctement les concentrations observées pour les quatre composés étudiés en aval direct de la zone source. Il apparait que, comme pour les propriétés de l’aquifère, l’estimation de la variabilité spatiale de la distribution des contaminants reste un défi important pour la modélisation d’une contamination par des hydrocarbures pétroliers dans les eaux souterraines. L’utilisation des points pilotes et le découpage de la source en plusieurs zones, comme schéma de paramétrisation, ont introduit un grand nombre de paramètres dans le modèle. La méthodologie de calibration du modèle employée repose sur la résolution du problème inverse par l’algorithme de Gauss-Marquardt-Levemberg (GMLA) fourni dans les logiciels PEST et PEST++. Afin de stabiliser le processus d’inversion, et notamment réduire les problèmes de non-unicité de la solution, une régularisation de Tikhonov et une régularisation par décomposition en valeur singulière (TSVD) ont été imposées au vecteur de paramètres. Ces méthodes et notamment la régularisation de Tikhonov se sont avérés pertinentes, car elles permettent de calibrer le modèle tout en garantissant l’estimation d’un jeu de paramètres vraisemblables. Doherty and Hunt (2010) et Hunt et al. (2007) proposent l’utilisation de « super paramètres » (méthode hybride) pour améliorer la représentation de l’hétérogénéité physique du milieu poreux, tout en limitant la complexité du modèle et en réduisant les temps de calcul inhérent à la résolution du problème inverse. De nombreuses études de modélisation hydrogéologique appliquent cette méthodologie (Glenz, 2013; Keating et al., 2010; Tonkin and Doherty, 2005; White et al., 2014; Yoon et al., 2013). Cependant, dans notre étude l’utilisation de cette méthode n’a pas permis d’obtenir de résultats de calibration satisfaisants. Nous supposons que cela est dû à la forte non-linéarité des modèles de transport réactif. D’ailleurs, nous remarquons que Carniato et al. (2015) qui utilisent PEST pour la calibration d’un modèle de transport réactif de composés organochlorés hautement paramétré (plus de 240 paramètres) n’ont pas appliqué la méthode hybride pour la résolution du problème inverse.

Une transformation de la fonction objectif, exprimée ici comme une fonction pondérée au sens des moindres carrés, a été adoptée afin de rendre « visible » les observations de mesures de concentrations en contaminants dont les valeurs varient d’un facteur 10⁴ dans notre étude. Une transformation racine carrée a permis d’obtenir les meilleurs résultats de calibration. La transformation logarithmique des données, proposée par Doherty and Hunt (2010), ne permet pas de simuler correctement les plus fortes concentrations et donc une bonne définition du terme source.

La quantité de contaminants en zone source est une donnée essentielle (mais souvent inconnue) pour estimer les temps de traitement. Comme le précisent Cardiff et al. (2010), il est difficile d’estimer les paramètres du terme source (quantité de contaminants et cinétique de dissolution) lorsqu’il n’y pas de variation claire du flux de contaminants émis dans la nappe. Les faibles évolutions des concentrations en contaminants, ajoutées aux variations saisonnières, ne permettent pas de contraindre suffisamment le modèle pour l’estimation de ces paramètres.

Le modèle construit et calibré avant la phase de traitement doit dans la démarche proposée constituer un outil d’aide à la décision, pour choisir la technique de bio-remédiation et optimiser son dimensionnement. Face aux résultats obtenus, il semble indispensable de prendre en compte les faiblesses du modèle, notamment comme outil prédictif pour l’estimation du temps de traitement. Pendant la phase de traitement, la dynamique du système entraine une diminution des concentrations (comme en P2 et Pz29) qui permet une meilleure définition du terme source. Par conséquent, l’estimation de la durée du traitement pour atteindre les objectifs de réhabilitation pourra être affinée petit à petit avec l’acquisition de nouvelles données.

Par ailleurs, sur ce site le traitement a conduit à d’importantes modifications des concentrations après sa mise en place. Ce phénomène, assez courant, peut conduire à une durée plus longue d’observation pour une prédiction des temps de traitement : le temps que le système revienne à un comportement de type « historique »

En conclusion, la « qualité » des résultats du modèle dépendra de la phase du projet pour laquelle le modèle sera utilisé, mais aussi de la qualité, de la nature et de la densité des données issues du terrain (ou du monitoring de la dépollution). Plus la modélisation sera menée dans une phase « aval » du projet de bio-traitement in situ plus la confiance que l’on accordera aux informations qu’elle fournit devrait généralement être élevée.

Chapitre 5 Incertitudes paramétriques