Décomposition des distributions granulométriques issues des analyses par diffraction laser à des fins de bancarisation des données

La mesure de la distribution granulométrique est un paramètre essentiel à la caractérisation des sédiments et des matières en suspension. La méthode par diffraction laser est de plus en plus utilisée, mais génère des formats de résultats différents (nombre et valeurs des classes de particules) en fonction des granulomètres utilisés. Afin d’uniformiser les résultats, il est proposé de décomposer les distributions granulométriques mesurées en sous-populations gaussiennes dont les caractéristiques (mode, écart-type et proportion) pourront être bancariser de façon homogène avec un nombre restreint de valeurs. Dans cette étude, deux fonctions, normalmixEM du package R Mixtools et peakfit du logiciel Matlab, ont été testées sur des distributions granulométriques issues de simulations numériques, d’expérimentations de mélanges de particules en laboratoire et de MES de rivières collectées dans le cadre de l’Observatoire des Sédiments du Rhône (OSR). L’évaluation des résultats a été réalisée en se basant (i) sur la valeur de l’écart quadratique moyen (RMSE) entre la distribution modélisée (somme des distributions des sous-populations gaussiennes modélisées) et la distribution mesurée, et (ii) sur l’adéquation entre les paramètres (modes, écarte-types et/ou proportions) extraits des distributions modélisées et les paramètres théoriques. Dans la plupart des cas, les deux outils donnent des résultats satisfaisants. L’outil du logiciel Matlab semble le mieux adapté pour réaliser ces décompositions avec une utilisation plus simple, plus fiable et un temps de calcul beaucoup plus restreint que l’outil R. Cette étude montre qu’il est possible de bancariser de façon fiable les distributions granulométriques d’échantillons de MES (voire de sédiments) en un jeu de 13 paramètres (triplets de modes, écart-types et proportions pour 4 sous-population, et un critère de qualité comme le RMSE), et cela indépendamment du nombre de classes mesurées par les granulomètres laser. Pour cela, des améliorations doivent être apportées pour automatiser et fiabiliser l’utilisation de la fonction Matlab, aider à la validation des résultats et rendre l’outil accessible à des personnes non expertes. Enfin, ce rapport présente quelques exemples d'utilisation des résultats de la décomposition pour répondre à des préoccupations plus scientifiques.