Variabilité du temps de séjour, du chlore et dessous-produits chlorés de la désinfection à l’échelle

d’un quartier résidentiel

Thèse

Simon Rochette

Doctorat en génie des eauxPhilosophiæ doctor (Ph.D.)

Québec, Canada

© Simon Rochette, 2016

Résumé

Cette thèse porte sur la variabilité spatio-temporelle de sous-produits chlorés de ladésinfection (SPD), plus spécifiquement les trihalométhanes (THM) et les acideshaloacétiques (AHA), ainsi que du temps de séjour (TDS) dans un réseau de distribution eneau potable (RDEP) à l’échelle du quartier résidentiel. La réalisation de cette thèse anécessité l’étude d’un secteur résidentiel du RDEP de la ville de Québec ayant une aired’environ 2 km2 et habitée par près de 6000 citoyens. Le premier chapitre est une revue delittérature abordant le chlore résiduel libre ainsi que les concentrations en SPD dans lesRDEP, le suivi de la qualité de l’eau, la modélisation des TDS et l’impact du vieillissementet de la réhabilitation des conduites des RDEP sur le TDS et la qualité de l’eau. Le deuxièmechapitre porte spécifiquement sur l’analyse de la variabilité spatio-temporelle du chlorerésiduel libre, des THM, des AHA et du TDS. Une dimension dominante est identifiée entreles aspects spatial et temporel de la variabilité pour le chlore et les SPD à l’aide de modèleslinéaires mixtes généralisés. Ensuite, le potentiel du TDS comme indicateur de la qualité del’eau au niveau du chlore résiduel libre, des THM et des AHA est analysé par un test desrangs signés de Wilcoxon. Dans le troisième chapitre, une analyse de sensibilité des TDS esteffectuée en considérant différents scénarios hydrauliques. Les scénarios considérés sont unvieillissement additionnel ainsi que la réhabilitation des conduites afin d’évaluer leur effetsur le TDS par rapport à un scénario de référence représentant le meilleur état deconnaissance du secteur étudié. Une mise en perspective de ces effets sur le TDS parrapport à la concentration en chlore résiduel libre est aussi effectuée. Finalement, l’impactde l’incertitude des paramètres hydrauliques (diamètre, coefficient de rugosité, demandesen eau) sur les TDS est étudié par des simulations Monte-Carlo.

iii

Abstract

The objective of this thesis is to evaluate the spatial and temporal variability of chlorinateddisinfection by-products (DBPs), more specifically trihalomethanes (THM) and haloaceticacids (HAA), and the residence time of water (RT) in a water distribution network (DN) onthe scale of a residential neighborhood. A specific residential area in the DN of Quebec Citywas chosen in order to conduct this study. This area covers approximately 2 km2 and isinhabited by nearly 6000 citizens. The first chapter of this thesis is a literature reviewaddressing free residual chlorine as well as THMs and HAAs concentrations in DNs,monitoring of water quality, modeling of RT and the impact of aging and rehabilitation ofpipes on RT and water quality. The second chapter focuses specifically on the analysis ofthe spatial and temporal variability of free residual chlorine, THMs, HAAs and RT. Thisvariability is studied and a dominant dimension between the spatial and temporal aspect isidentified for residual chlorine, THMs and HAAs using generalized linear mixed models.Then, the potential of RT as a water quality indicator for residual chlorine, THMs andHAAs is analyzed by a Wilcoxon signed ranks test. In the third chapter, a sensitivityanalysis of RT is performed with different hydraulic scenarios. The scenarios consideredare additional aging and rehabilitation of pipes to assess the effect on RT relative to areference scenario representing the best state of knowledge of the studied area. The effectson RT are also studied in the context of their potential impact on free residual chlorineconcentrations. Finally, the impact of the uncertainty of hydraulic parameters (diameter,roughness factor, water demand) on RT is investigated with Monte-Carlo simulations.

v

Table des matières

Résumé iii

Abstract v

Liste des tableaux xi

Liste des figures xiii

Liste des acronymes xv

Remerciements xvii

Avant-propos xix

Introduction générale 1Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1 Revue de littérature 131.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131.2 Chlore résiduel libre dans les réseaux de distribution en eau potable . . . 14

1.2.1 Dégradation du chlore résiduel libre . . . . . . . . . . . . . . . . . . 161.3 Sous-produits chlorés de la désinfection . . . . . . . . . . . . . . . . . . . . 17

1.3.1 Facteurs affectant la formation des THM et des AHA . . . . . . . . 191.3.2 Portrait de la variabilité spatio-temporelle des THM et des AHA . 22

1.4 Suivi de la qualité de l’eau dans les réseaux de distribution . . . . . . . . . 231.4.1 Identification d’emplacements représentatifs ou vulnérables . . . . 25

1.5 Modélisation hydraulique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281.6 Temps de séjour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311.7 Vieillissement et réhabilitation des conduites . . . . . . . . . . . . . . . . . 321.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2 Caractérisation de la variabilitédu temps de séjour, du chlore résiduel et des sous-produits chlorés de ladésinfectionà l’échelle d’un quartier résidentiel 492.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492.2 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.2.1 Étude de cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532.2.2 Caractérisation hydraulique . . . . . . . . . . . . . . . . . . . . . . . 55

vii

2.2.3 Évaluation de la qualité de l’eau . . . . . . . . . . . . . . . . . . . . 562.2.3.1 Collecte des échantillons, mesures sur le terrain et en

laboratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . 582.2.3.2 Méthodes analytiques . . . . . . . . . . . . . . . . . . . . . 58

2.2.4 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . 592.3 Résultats et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

2.3.1 Simulation des temps de séjour . . . . . . . . . . . . . . . . . . . . . 602.3.2 Portrait de la qualité de l’eau . . . . . . . . . . . . . . . . . . . . . . 622.3.3 Variabilité spatiale de la qualité de l’eau . . . . . . . . . . . . . . . . 642.3.4 Variabilité temporelle de la qualité de l’eau . . . . . . . . . . . . . . 68

2.3.4.1 Variabilité intra-journalière de la qualité de l’eau . . . . . 682.3.4.2 Variabilité temporelle entre les campagnes

d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . 692.3.5 Corrélation entre les TDS et la qualité de l’eau . . . . . . . . . . . . 722.3.6 Dimension dominante de variabilité de la qualité de l’eau :

temporelle ou spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . 752.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

3 Évaluation des impacts du vieillissement et de la réhabilitation des conduitessur le temps de séjour de l’eau potable en réseau de distribution 833.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 833.2 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

3.2.1 Étude de cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 873.2.2 Caractérisation hydraulique . . . . . . . . . . . . . . . . . . . . . . . 883.2.3 Scénarios de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 90

3.2.3.1 Scénarios de vieillissement . . . . . . . . . . . . . . . . . . 913.2.3.2 Scénarios de réhabilitation . . . . . . . . . . . . . . . . . . 93

3.2.4 Chlore résiduel libre et constantes cinétiques de dégradation . . . . 933.2.5 Incertitudes des paramètres hydrauliques . . . . . . . . . . . . . . . 95

3.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 963.3.1 Scénarios hydrauliques et TDS . . . . . . . . . . . . . . . . . . . . . 96

3.3.1.1 Vieillissement des infrastructures . . . . . . . . . . . . . . 973.3.1.2 Réhabilitation des infrastructures et stratégie d’économie

en eau potable . . . . . . . . . . . . . . . . . . . . . . . . . 993.3.2 Effets de la variation du TDS sur le chlore résiduel libre . . . . . . 1013.3.3 Incertitudes des paramètres hydrauliques et simulation des TDS . 105

3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Conclusion 115

Bibliographie générale 121

A Articles publiés en tant que co-auteur 137

B Données des campagnes de prélèvement 165

C Scénarios hydrauliques : simulation du TDS et chemins hydrauliques 181

viii

Liste des tableaux

2.1 Valeurs moyennes mesurées sur le terrain et à l’UTE durant la période à l’étude(Mai à Septembre 2012) et écart-type entre parenthèses . . . . . . . . . . . . . 63

2.2 Coefficient de variation spatiale des concentrations mesurées aux points deprélèvements (𝑛𝐶𝐶𝑅𝐿 = 1313, 𝑛𝑇𝐻𝑀 = 1301, 𝑛𝐴𝐻𝐴 = 1281) . . . . . . . . . 66

2.3 Coefficient de variation temporelle des concentrations mesurées aux points deprélèvements (𝑛𝐶𝐶𝑅𝐿 = 1313, 𝑛𝑇𝐻𝑀 = 1301, 𝑛𝐴𝐻𝐴 = 1281) . . . . . . . . . 71

2.4 Corrélations entre la demande en chlore, les SPD et d’autres paramètresd’intérêt (n= 438) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

2.5 Paramètres de covariance et comparaison de la variabilité associée à ladimension spatiale (point) et temporelle (campagne) . . . . . . . . . . . . . . . 76

3.1 Cinétiques de dégradation à 15 °C et effets du vieillissement global et de laréhabilitation de l’ossature sur les CCRL . . . . . . . . . . . . . . . . . . . . . . 104

B.1 Concentration en chlore résiduel libre (mg/L)(A) . . . . . . . . . . . . . . . . . 166B.2 Concentration en chlore résiduel libre (mg/L)(M) . . . . . . . . . . . . . . . . 167B.3 Concentration en chlore résiduel libre (mg/L)(S) . . . . . . . . . . . . . . . . . 168B.4 THM (μg/L)(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169B.5 THM (μg/L)(M) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170B.6 THM (μg/L)(S) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171B.7 AHA (μg/L)(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172B.8 AHA (μg/L)(M) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173B.9 AHA (μg/L)(S) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174B.10 Paramètres physico-chimiques à l’entrée du réseau . . . . . . . . . . . . . . . . 175B.11 Absorptivité UV à 254 nm (cm−1) . . . . . . . . . . . . . . . . . . . . . . . . . . 176B.12 pH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177B.13 Conductivité (𝜇S/cm) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178B.14 Turbidité (UTN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

ix

Liste des figures

1.1 Représentativité et vulnérabilité dans un RDEP . . . . . . . . . . . . . . . . . . 251.2 Conservation de la masse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291.3 Conservation de l’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.1 Emplacement des points d’échantillonnage, des chambres de vannes (CDV),point de connexion vers l’UTE (TDS estimé à 6 h pour ce point) et distributionde la population (2011) dans la zone à l’étude. . . . . . . . . . . . . . . . . . . 55

2.2 Variation intrajournalière des débits aux CDV lors des campagnes deprélèvement de juin 2012 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

2.3 Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6heures) de chacun des points pour l’ensemble des campagnes . . . . . . . . . 60

2.4 Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6heures) lors de chaque campagne et répartition des débits aux deux chambresde vannes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

2.5 Distribution des CCRL mesurées à chacun des points d’échantillonnage pourl’ensemble des campagnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

2.6 Distribution des THM4 mesurés à chacun des points d’échantillonnage pourl’ensemble des campagnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

2.7 Distribution des AHA5 mesurés à chacun des points d’échantillonnage pourl’ensemble des campagnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

2.8 CCRL moyenne des campagnes de prélèvements pour la matin (A), le midi (M)et le soir (S) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

2.9 Distribution des demandes en chlore et évolution de la CCRL à l’UTE et de latempérature de l’eau lors de chaque campagne . . . . . . . . . . . . . . . . . . 70

2.10 SUVA (L/mg*m) à l’entrée du secteur étudié . . . . . . . . . . . . . . . . . . . 722.11 Distribution des THM4 mesurées et évolution de la température de l’eau lors

de chaque campagne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 732.12 Distribution des AHA5 mesurées et évolution du COD lors de chaque campagne 73

3.1 Emplacement des points d’échantillonnage, des chambres de vannes (CDV),point de connexion vers l’UTE (TDS estimé à 6 h pour ce point) et distributionde la population (2011) dans la zone à l’étude. . . . . . . . . . . . . . . . . . . 88

3.2 Débits moyens journaliers mesurés aux CDVs . . . . . . . . . . . . . . . . . . . 903.3 Temps de séjour pour le scénario de référence . . . . . . . . . . . . . . . . . . . 913.4 Nombre de chemins hydrauliques de la connexion à l’UTE vers les nœuds du

modèle pour le scénario de référence . . . . . . . . . . . . . . . . . . . . . . . . 92

xi

3.5 Effet des scénarios de vieillissement global sur le temps de séjoura) augmentation des débits de 10% b) augmentation des débits de 20%) . . . . 98

3.6 Effet des scénarios de vieillissement des conduites locales sur le temps deséjour a) augmentation des débits de 10% b) augmentation des débits de 20% 98

3.7 Effet des scénarios de vieillissement des conduites locales sur le nombre dechemins hydrauliques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

3.8 Effet des scénarios de réhabilitation sur le temps de séjoura) globale b) locale) c) ossature . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

3.9 Effet des scénarios de réhabilitation sur le nombre de chemins hydrauliquesa) globale b) locale) c) ossature . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

3.10 CCRL des scénarios hydrauliques a) référence b) réhabilitation de l’ossature c)vieillissement global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

3.11 Simulations Monte Carlo - Incertitude d’un paramètre hydraulique . . . . . . 1063.12 Simulations Monte Carlo - Incertitude de deux paramètres hydrauliques . . . 1073.13 Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6

heures) de chacun des points pour l’ensemble des campagnes . . . . . . . . . 108

C.1 Temps de séjour des scénarios de vieillissement global a) augmentation desdébits de 10% b) augmentation des débits de 20% . . . . . . . . . . . . . . . . 182

C.2 Chemins hydrauliques des scénarios de vieillissement global a) augmentationdes débits de 10% b) augmentation des débits de 20% . . . . . . . . . . . . . . 182

C.3 Temps de séjour des scénarios de vieillissement local a) augmentation desdébits de 10% b) augmentation des débits de 20% . . . . . . . . . . . . . . . . 183

C.4 Chemins hydrauliques des scénarios de vieillissement local a) augmentationdes débits de 10% b) augmentation des débits de 20% . . . . . . . . . . . . . . 183

C.5 Temps de séjour des scénarios de réhabilitation a) totale b) locale c) ossature . 184C.6 Chemins hydrauliques des scénarios de réhabilitation a) totale b) locale c)

ossature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184

xii

Liste des acronymes

ABCA acide bromochloroacétiqueADBA acide dibromoacétiqueADCA acide dichloroacétiqueAHA acides haloacétiquesAMBA acide monobromoacétiqueAMCA acide monochloroacétiqueATCA acide trichloroacétiqueBDCM bromodichlorométhaneCCRL concentration en chlore résiduel libreCDV chambre de vannesCOD carbone organique dissousCV coefficient de variationDBCM dibromochlorométhaneMON matière organique naturelleRDEP réseau de distribution en eau potableRQEP règlement sur la qualité de l’eau potableSPD sous-produits chlorés de la désinfectionSUVA absorbance UV spécifiqueTBM bromoformeTCM trichlorométhaneTDS temps de séjourTHM trihalométhanesUSEPA United States Environmental Protection AgencyUTE usine de traitement des eauxUV-254 absorptivité UV à 254 nm

xiii

Remerciements

Je tiens à remercier toutes les personnes qui ont participé directement et indirectement à laréalisation de ce projet tout au long des cinq dernières années.

Geneviève Pelletier, ma directrice de recheche,

Manuel Rodriguez, mon co-directeur de recherche,

François Proulx, mon co-directeur de recherche à la maîtrise et personne ressource auprès dela Ville de Québec,

Les examinateurs et membres du jury pour leurs critiques et leurs questions lors desdifférentes étapes de la maîtrise jusqu’au doctorat.

Les partenaires de la chaire de recherche en eau potable de l’Université Laval,

L’équipe du laboratoire d’environnement : Sabrina Simard et Michel Bisping,

Les étudiants : Guillaume Blanchet-Chouinard, Marie-Ève Bourque, Cindy Beaulieu, KarlLambert, Julien Boehler, Keven Turgeon,

Le personnel de la Ville de Québec : Pierre Baillargeon, Guillaume Drolet, SébastienDesmeules, le personnel du CRAD, les citoyens échantillonnés.

Ma famille, plus particulièrement mes parents, Gaétan et Pierrette pour leur supportindéfectible.

Hawa

Mes chums : Charles, Dominique, Guillaume, Jean-Philippe, Keven, Louis-Philippe, Mathieu,

Le groupe du lundi : Anne, Guillaume, Michelle, Patrick, P-E.

xv

Avant-propos

Cette thèse est composée de trois chapitres. Le premier chapitre est une revue de littératureprésentant une introduction de notions abordées ainsi que la nécessité des travauxprésentés dans les chapitres suivants. Les Chapitres 2 et 3 feront l’objet d’articlesscientifiques à soumettre à des revues avec comité de lecture. L’ordre de présentation deschapitres suit la réalisation des travaux effectués dans le cadre de cette thèse. Le lien entreles Chapitres 2 et 3 est abordé dans le premier chapitre. Cette thèse contient un résumé enfrançais et en anglais de l’ensemble des travaux effectués. L’introduction ainsi que les troischapitres sont suivis d’une bibliographie. Des annexes sont insérées à la fin de la thèse. Leurobjectif est de présenter les données recueillies sur le terrain lors du programme deprélèvement effectué de mai à septembre 2012 ainsi que les résultats de simulations descénarios hydrauliques associées au Chapitre 3. Deux articles dont l’auteur de cette thèseest co-auteur sont aussi insérés en annexe. Les travaux associés à ces deux articles ontpermis de supporter les travaux effectués pour la réalisation de cette thèse.

CHAPITRE 1Revue de littérature

CHAPITRE 2Variabilité des temps de séjour, du chlore et des sous-produits chlorés de la désinfection à l’échelle d’unquartier résidentiel

CHAPITRE 3Évaluation des impacts du vieillissement et de la réhabilitation des conduites sur le temps de séjour del’eau potable en réseau de distribution

xvii

Introduction générale

La révolution industrielle voit la taille grandissante des villes et les besoins de l’industrieoutrepasser la capacité des sources d’eau locales à suffire à la demande en eau. Dès 1804,l’ingénieur John Gibb développe un système de filtration fournissant de l’eau potable à uneville entière tout en fournissant sa blanchisserie (Nkwonta et Ochieng, 2009). Depuis,plusieurs avancements ont permis de démocratiser l’accès à l’eau potable par les réseaux dedistribution. Du point de vue des infrastructures, environ 125 kilomètres de conduites enfer forgé alimentaient la ville de San Francisco en Californie dès 1892 (Sanks, 2005).L’utilisation de nouveaux matériaux tels que la fonte et le PVC a permis l’élaboration desréseaux de distribution en eau potable (RDEP) sur des surfaces plus étendues. Quant aumaintien de la qualité de l’eau dans les RDEP, la première utilisation continue du chlorepour la désinfection a été réalisée en 1908 pour l’alimentation de Jersey City aux États-Unis(Leal et coll., 1909).

Il faut maintenant considérer que depuis 2008, plus de 50% de la population mondialeréside dans les villes et a un accès à l’eau courante (World Health Organization, 2010). Ledéveloppement résidentiel, commercial et industriel ajoute une pression sur les autoritésmunicipales pour un apport suffisant en eau tout en conservant une qualité nécessaire à laconsommation et le maintien de l’état des infrastructures vieillissantes composant lesRDEP. Pour le maintien de la qualité de l’eau jusqu’à l’ensemble des utilisateurs des RDEP,des directives et réglementations ont été développées notamment par des autoritésgouvernementales (USEPA, 2011 ; Santé Canada, 2012 ; MDDELCC, 2012). Ces directives etguides visent un maintien d’un certain niveau de qualité de l’eau en posant des objectifs à lasortie d’une usine de traitement en eau potable (UTE), mais aussi à sa qualité en tout pointet en tout temps à l’intérieur des RDEP.

La notion de qualité de l’eau au niveau des RDEP peut se définir par différents aspectsmicrobiologiques, physico-chimiques et esthétiques et chacun de ces aspects peut êtrecaractérisé par différents indicateurs ou paramètres. L’aspect microbiologique de la qualité,habituellement caractérisé par les coliformes thermotolérants et de type Escherichia coli etles bactéries hétérotrophes, est une dimension primordiale de la qualité de l’eau étantdonné les conséquences potentielles liées à la consommation d’eau contaminée. Le cas de

1

Walkerton, Canada, où plus de 2000 personnes malades et 7 décès ont été répertoriés suite àune contamination de l’eau par une souche dangereuse de l’E. Coli (Ontario Ministry of theAttorney General, 2002) témoigne des conséquences liées à cette dimension de la qualité del’eau dans les RDEP. L’aspect esthétique de la qualité de l’eau que l’on peut associer à lacouleur ainsi qu’aux goûts et odeurs est intimement lié à la fois à la qualité des eaux brutes,au traitement de l’eau par la réaction des désinfectants avec des molécules organiques dansl’eau brute, et aux réseaux de distribution notamment par la présence de chlore résiduel, larecroissance microbienne et l’effet des parois des conduites (Proulx et coll., 2010).

L’aspect physico-chimique de la qualité de l’eau peut être lié à différents paramètres telsque la présence d’un désinfectant résiduel comme le chlore résiduel libre, les sous-produitsde la désinfection (SPD) dont les trihalométhanes (THM) et les acides haloacétiques (AHA),la température de l’eau, l’absorptivité UV à 254 nm, le pH, la turbidité ainsi que le carboneorganique dissous (COD). L’absorptivité UV à 254 nm est généralement utilisée commeindicateur de la matière organique naturelle (MON) dans l’eau, plus particulièrement auniveau de composés aromatiques organiques. Le COD donne une indication générale ducontenu de l’eau en matière organique résultant de la décomposition de végétaux, animauxet de micro-organismes. Le pH joue un rôle dans la corrosion des conduites notamment enaccélérant la formation de tubercules de corrosion sur les parois internes pour une eau aupH supérieur à 7 (McNeill et Edwards, 2001) et a aussi un impact important dans la stabilitéet l’efficacité de la désinfection. Une valeur plus faible de pH (< 7.6) entraîne une formationplus grande de l’acide hypochloreux (HOCl) au potentiel désinfectant plus important encomparaison à l’ion hypochlorite (OCl-) (Santé Canada, 2015). Le pH affecte aussi laformation et la spéciation des SPD avec, de manière générale, une augmentation de laformation des THM de 20 à 40% entre les valeurs de pH 5 et 8,5 et un effet inverse au niveaudes AHA (Santé Canada, 2015). La turbidité est un indicateur de l’efficacité du procédé detraitement au niveau de l’enlèvement de pathogènes potentiels par la mesure de l’effet desparticules en suspension dans l’eau sur la lumière. Des normes sont habituellement établiesafin de limiter la valeur de turbidité maximale suite au traitement, soit une absence dedépassement de la valeur maximale de 0,3 UTN pour 5% des mesures effectuées sur 30jours consécutifs à la sortie de chacun des filtres suite à la coagulation (MDDELCC, 2012).Une augmentation de la turbidité peut indiquer une réduction de la qualité du point de vuedu traitement ou une problématique à l’intérieur du réseau de distribution (Santé Canada,2013).

La présence de chlore résiduel dans les RDEP permet d’assurer un certain niveau deprotection des citoyens contre une contamination microbienne de l’eau et d’éviter unerecroissance bactérienne en réseau (Trussell, 1999). Le maintien d’une concentration enchlore résiduel suffisante en tout point et en tout temps dans les RDEP est donc visé afind’assurer ce niveau de protection (Santé Canada, 2012). Le chlore résiduel libre subit une

2

dégradation dont la cinétique est affectée à la fois par le contenu organique de l’eau brute,la concentration initiale en chlore, la température de l’eau, les propriétés des conduites ainsique l’hydraulique en réseau (Hallam et coll., 2003 ; Al-Jasser, 2007 ; Clark, 2011). Unecertaine dichotomie découle donc du maintien d’une concentration en chlore résiduel libredans l’ensemble des réseaux étant donné que la chloration de l’eau entraîne la formation deSPD par la réaction de la matière organique naturelle (MON) avec le chlore.

Les SPD représentent près de 700 composés présents en différentes proportions dans l’eaunotamment selon le type de désinfectant utilisé (Krasner et coll., 2006). De ce nombre, lesTHM et les AHA regroupent différents composés et la somme de leurs concentrationsrespectives représente une proportion dominante des concentrations en SPD dans l’eaupotable (Singer, 1994 ; Richardson et Postigo, 2012). Les risques chroniques engendrés par lepotentiel cancérigène et génotoxique des SPD (Richardson et coll., 2007 ; Villanueva et coll.,2014) font en sorte que les concentrations des THM et des AHA font l’objet de diversesréglementations visant à contrôler l’exposition de la population à ces composés (USEPA,1998 ; MDDELCC, 2012 ; Santé Canada, 2012). Des concentrations moyennes maximalespour les THM et les AHA sont établies pour le respect des normes, et des prélèvementssporadiques sont effectués dans les RDEP afin d’évaluer ces concentrations (USEPA, 2006).La variabilité spatio-temporelle des THM et des AHA à l’intérieur des RDEP complexifietoutefois l’atteinte d’un portrait représentatif de leurs concentrations étant donné que leursniveaux sont affectés par les propriétés de l’eau brute et les conditions de désinfection(Singer, 1994 ; Rodriguez et Sérodes, 2001 ; Hua et Reckhow, 2008) ainsi que par leurparcours dans les RDEP. Les concentrations en THM sont habituellement maximales pourdes zones présentant des valeurs élevées de temps de séjour de l’eau (TDS) telles que desextrémités de réseau (Rodriguez et coll., 2004 ; Simard et coll., 2011) tandis que ces mêmeszones peuvent présenter des concentrations plus faibles en AHA puisque certaines espècesde AHA sont biodégradées par le biofilm présent sur les parois des conduites (Pluchonet coll., 2013).

Lorsque l’eau traitée quitte l’UTE, sa qualité évolue dans le temps et au fil de son parcoursdans le réseau du point de vue des concentrations de chlore résiduel et de SPD. L’évolutionde ces paramètres est donc liée au temps de séjour de l’eau dans le réseau et à son contactavec les parois des conduites. Afin d’obtenir un portrait de la qualité de l’eau en réseau, lesgestionnaires effectuent des suivis par le prélèvement d’échantillons, mais le choix desemplacements pour le prélèvement est souvent effectué de façon arbitraire sans considérerune démarche scientifique étant donné le manque d’informations et d’outils appropriés(Francisque, 2009). La modélisation hydraulique permet maintenant de supporterl’élaboration de systèmes de suivi notamment par la simulation du TDS étant donné qu’ilest un facteur important de la dégradation de la qualité de l’eau dans les RDEP et peut agircomme un indicateur de la qualité générale de l’eau (Machell et Boxall, 2011). Des valeurs

3

élevées de TDS peuvent être liées à la réduction de la concentration en chlore résiduel libreet à des concentrations plus élevées en SPD (USEPA, 2002). La modélisation des TDS peuts’effectuer en se basant sur des informations accessibles aux gestionnaires des RDEP. Cesinformations peuvent se limiter aux propriétés des conduites composant les réseaux telsque leur diamètre, leur âge et leur matériau ainsi qu’aux débits entrants et à la répartitionde la population. La construction d’un modèle hydraulique offrant un portrait approximatifde la qualité de l’eau, tel qu’un portrait des concentrations en chlore résiduel libre, nenécessite pas une calibration élaborée ni la représentation de la totalité des conduites d’unréseau tant que les limitations du modèle soient considérées dans l’analyse des résultats(Khanal et Speight, 2008). La simulation des TDS peut donc s’effectuer avec desinformations et un coût limités. Par contre, l’obtention d’un portrait représentatif doit tenircompte de l’état réel du réseau puisque le vieillissement et la réhabilitation desinfrastructures peuvent engendrer des effets sur le TDS. Du point de vue du vieillissement,l’augmentation des pertes par les fuites est directement liée à la dégradation des conduitesdue à leur âge (Giustolisi et coll., 2008). Ces pertes résultent en une augmentation des débitstransitant dans les RDEP et peuvent donc réduire les TDS. Près du quart des conduitescomposant les RDEP aux États-Unis présentent un âge avancé et sont sujettes à la corrosion(Baird, 2011), cette réalité peut être transposée au Canada. La corrosion des parois internesdes conduites peut résulter en une augmentation de la rugosité des parois et en unediminution des diamètres internes réduisant l’aire d’écoulement et entraînant desréductions du TDS. La réhabilitation de conduites âgées peut aussi entraîner des effets surle TDS notamment par la réduction des fuites. Le remplacement de conduites corrodées pardes conduites neuves peut aussi résulter en une augmentation de l’aire d’écoulementréduisant les vitesses d’écoulement et provocant des hausses du TDS.

Cette thèse de doctorat s’intéresse donc plus spécifiquement à la variabilitéspatio-temporelle du chlore et des SPD (THM et AHA) couplée à la modélisation des TDS àl’échelle d’un quartier résidentiel. La mise à jour des calculs et des résultats de lamodélisation hydraulique pour l’aide à la rédaction de Delisle et coll. (2015a,b) (Annexe A)ont permis d’explorer une perspective prometteuse dans la simulation des TDS. Laconcordance des résultats d’une étude au traceur et de la simulation des temps de séjour àl’aide du logiciel EPANET en considérant une information limitée aux débits mesurés auxchambres de vannes et à la répartition des demandes selon la population a mis en lumièrele potentiel d’une simulation représentative des TDS avec une information limitée. Lepotentiel de la simulation des TDS avec une information limitée comme indicateur de laqualité de l’eau demeurait toutefois à être établi, particulièrement à une échelle plus petite.Les réseaux de distribution peuvent se décomposer selon différentes échelles. Le réseau enentier alimenté par les conduites principales quittant l’UTE représente une échelle en soi.Ensuite, des conduites secondaires connectées aux conduites principales permettentl’alimentation de secteurs en périphérie du tronc principal du réseau. Ces conduites

4

secondaires sont ensuite connectées à différents quartiers. La qualité de l’eau ainsi que leTDS évoluent dans ces différentes échelles des réseaux, mais peu d’études considèrent lavariabilité de la qualité de l’eau à une échelle réduite alors que des zones présentant unefaible densité de population peuvent résulter en des augmentations significatives du TDSsur de faibles distances étant donné les débits peu élevés transitant dans les conduites. Laconsidération de l’échelle d’un quartier résidentiel et le choix d’une zone ayant fait l’objetd’une étude au traceur (Delisle et coll., 2015b) et de la cinétique de dégradation du chlore(Binet, 2010) a donc permis d’étudier la variabilité de la qualité de l’eau en parallèle à lamodélisation des TDS sur des bases solides. Peu d’informations sont disponibles dans lalittérature au niveau de la variabilité des concentrations en THM et en AHA d’un point devue intra-journalier et à une échelle réduite. Des écarts significatifs de concentrations enTHM et en AHA pour des points éloignés spatialement et caractérisés par des différencesde TDS ont été observés par Rodriguez et coll. (2004, 2007). La considération d’un quartierrésidentiel pouvant présenter une évolution significative du TDS sur une échelle réduitepourrait permettre de mieux identifier l’échelle à laquelle des écarts significatifs deconcentrations en SPD peuvent être obtenus afin d’obtenir un meilleur portrait de leurvariabilité dans les RDEP. La littérature scientifique offre peu d’information quant auxeffets du vieillissement et de la réhabilitation des conduites sur le TDS de l’eau dans lesRDEP. En considérant que le taux de rénovation et de réhabilitation des RDEP ne suffitgénéralement pas à compenser le vieillissement des infrastructures (Selvakumar et Tafuri,2012) et que la priorisation de zones pour la réhabilitation devient de plus en plusnécessaire (Tscheikner-Gratl et coll., 2014), une meilleure connaissance des effets duvieillissement et de la réhabilitation de conduites sur les TDS s’avère nécessaire. Laconsidération de scénarios hydrauliques de vieillissement et de réhabilitation des conduitescomposant les RDEP pourrait donc permettre de mettre en perspective leur effet sur lesTDS et les impacts potentiels sur la qualité de l’eau.

L’objectif principal de cette thèse était donc d’approfondir les connaissances au niveau dela variabilité spatio-temporelle du chlore résiduel et des SPD, plus spécifiquement les THMet les AHA, ainsi que du TDS simulé à l’échelle d’un quartier résidentiel. Cet objectif a étéatteint grâce à cinq objectifs spécifiques :

1. Construire une base de données exhaustive au niveau de la qualité de l’eau (chlore,THM et AHA) et du TDS simulé dans un quartier résidentiel. Cet objectif est atteintpar l’entremise de campagnes intensives d’échantillonnage et de mesures de débits enentrée afin d’établir un portrait de la qualité de l’eau et du TDS dans le quartier étudié(Chapitre 2).

2. Évaluer la variabilité spatio-temporelle de la qualité de l’eau (chlore, THM et AHA)et du TDS à l’échelle du quartier étudié. Cette évaluation est réalisée par l’étude de labase de données appuyée par un modèle statistique permettant d’estimer la dimension

5

dominante de la variabilité entre la dimension spatiale (point de prélèvement) et ladimension temporelle (campagne de prélèvement) (Chapitre 2).

3. Examiner le potentiel du TDS simulé comme indicateur de la qualité de l’eau (chlore,THM et AHA) pour appuyer le choix d’emplacements pour effectuer des prélèvements(Chapitre 2).

4. Déterminer l’impact du vieillissement et de la réhabilitation des conduites sur le TDSau niveau de l’échelle d’un quartier résidentiel. Cet objectif est réalisé par l’étude descénarios de vieillissement et de réhabilitation modifiant les paramètres des conduites(diamètre, coefficient de rugosité) et les demandes en eau afin de quantifier leur impactsur le TDS par rapport à un scénario de référence. Ces impacts sur le TDS sont misen perspective par rapport à leur effet envisageable sur les concentrations en chlorerésiduel libre (Chapitre 3).

5. Étudier l’impact de l’incertitude des paramètres hydrauliques (diamètre, coefficientde rugosité, demandes en eau) sur les TDS à l’échelle d’un quartier résidentiel. Cetobjectif est réalisé par des simulations hydrauliques visant à évaluer l’impact devariations locales de paramètres hydrauliques sur le portait du TDS pour différentsemplacements dans la zone étudiée (Chapitre 3).

Découlant des objectifs présentés précédemment, les hypothèses suivantes seront testées :

• Le TDS est lié à la qualité de l’eau (chlore, THM et AHA) à l’échelle du quartierrésidentiel (Chapitre 2).

• Une dimension dominante entre le spatial et le temporel peut être observée à la foispour le chlore résiduel et les SPD à l’échelle d’un quartier résidentiel et cettedimension dominante peut renseigner sur la stratégie d’échantillonnage à effectuerpour l’obtention d’un portrait adéquat de la variabilité de la qualité de l’eau (Chapitre2).

• Le TDS est affecté significativement par le vieillissement et la réhabilitation desconduites à l’échelle d’un quartier résidentiel (Chapitre 3)

• Les TDS sont influencés significativement par l’incertitude des paramètreshydrauliques (diamètre, coefficient de rugosité, demandes en eau) à l’échelle d’unquartier résidentiel (Chapitre 3).

L’originalité de cette thèse est ancrée dans l’étude de la variabilité des THM et des AHA pardes campagnes intensives d’un point de vue spatial et temporel en liant ces valeurs à lasimulation des TDS. Le potentiel du TDS comme indicateur de la qualité de l’eau du pointde vue des SPD a fait l’objet de peu d’études dans la littérature. L’originalité de cette thèseréside aussi dans la considération de l’échelle du quartier résidentiel. L’utilisation demodèles mixtes linéaires généralisés afin d’évaluer la dimension dominante (spatiale ou

6

temporelle) de la variabilité du chlore, des THM et des AHA contribue aussi à l’originalitéde ces travaux. Les effets du vieillissement, de la réhabilitation et de l’incertitude desparamètres hydrauliques sur les TDS n’ont pas fait l’objet d’études dans la littératurescientifique. L’analyse de scénarios hydrauliques de vieillissement et de réhabilitation desconduites permettra de quantifier leur effet envisageable sur le TDS. L’étude de l’effet del’incertitude des paramètres hydrauliques sur le TDS mettra en perspective les impacts dumanque d’information quant aux variations de ces paramètres.

Les contributions attendues suite à la réalisation de cette thèse sont au niveau d’unemeilleure connaissance de la variabilité des THM et des AHA à une échelle réduite desRDEP et du potentiel du TDS simulé avec une information limitée comme indicateur de laqualité de l’eau. La connaissance de la variabilité du chlore, des THM et des AHA àl’échelle d’un quartier résidentiel et du potentiel du TDS simulé comme indicateur de laqualité de l’eau permettra donc de supporter les gestionnaires des RDEP dans l’élaborationde systèmes de suivi notamment au niveau du choix de points de prélèvements ens’appuyant sur la modélisation des TDS. La méthodologie appliquée dans l’étude de lavariabilité spatio-temporelle de la qualité de l’eau et du potentiel du TDS comme indicateurest applicable à d’autres RDEP et son application dans un autre contexte d’un point de vuehydraulique (p. ex. densité de population, maillage des conduites, emplacement de la zoneen réseau, présence d’un réservoir) et au niveau des propriétés de l’eau traitée (p. ex. typede traitement, charge organique de l’eau brute) est une avenue à explorer. Également,l’étude de l’impact sur le TDS pour le vieillissement et la réhabilitation des conduites ainsique pour l’incertitude des paramètres hydrauliques permettra d’acquérir une meilleureappréciation des limites de la modélisation des TDS en considérant le niveau d’informationdisponible aux gestionnaires de RDEP. Ceci permettra donc de mettre en perspectivel’impact envisageable du manque d’information du point de vue de l’état réel des conduitessur la modélisation des TDS.

Tel qu’indiqué précédemment, trois chapitres composent cette thèse. Le premier chapitreconsiste en une revue de la littérature au niveau du chlore résiduel libre et des SPD dans lesRDEP. L’échantillonnage pour le suivi de la qualité de l’eau appuyé par la modélisationhydraulique, les hypothèses et relations inhérentes à la modélisation hydraulique, lasimulation des TDS ainsi que l’impact du vieillissement et de la réhabilitation des conduitessur les TDS sont aussi abordés dans ce chapitre.

Le deuxième chapitre consiste en l’étude de la variabilité spatio-temporelle du TDS, duchlore résiduel libre, des THM et des AHA à l’échelle d’un quartier résidentiel parl’entremise de campagnes intensives d’échantillonnage et de la modélisation hydraulique.À notre connaissance, il s’agit de la première fois qu’une étude approfondie de la variabilitéspatio-temporelle du chlore résiduel libre et à la fois des THM et des AHA par descampagnes intensives des points de vue spatial et temporel est effectuée à l’échelle d’un

7

quartier résidentiel en considérant des simulations du TDS en parallèle. La réalisation desimulations du TDS liées à chacun des prélèvements lors de chacune des campagnes afind’évaluer le potentiel du TDS comme indicateur au niveau du chlore résiduel libre, desTHM et des AHA ajoute donc à l’originalité de ces travaux.

Le troisième chapitre présente l’analyse de l’impact du vieillissement et de la réhabilitationdes conduites sur le TDS. Ensuite, l’impact de l’incertitude des paramètres hydrauliques surle TDS est évalué. Ces analyses sont effectuées en se basant sur des connaissances des TDSet de la dégradation du chlore obtenues par des études antérieures sur la zone à l’étudeainsi qu’avec un portrait hydraulique connu par la mesure des débits entrants. À notreconnaissance, ce type d’analyse n’a pas été rapporté dans la littérature scientifique.

8

Références

Al-Jasser, A. 2007. Chlorine decay in drinking-water transmission and distribution systems :Pipe service age effect. Water Research, 41(2) :387–396.

Baird, G. M. 2011. The epidemic of corrosion, part 1 : Examining pipe life. Journal AmericanWater Works Association, pages 14–19.

Binet, G. Mieux prédire la dégradation du chlore en réseau de distribution : cas d’étude : laville de québec. 2010. Master’s thesis, Université Laval, 2010.

Clark, R. M. 2011. Chlorine fate and transport in drinking water distribution systems : Resultsfrom experimental and modeling studies. Frontiers of Earth Science, 5(4) :334–340.

Delisle, F.-J., Rochette, S., Pelletier, G., Asadzadeh, M., Tolson, B. A., et Rodriguez, M. J. 2015a.Minimizing water residence time in quebec city’s main distribution network using hybriddiscrete dynamically dimensioned search (hd-dds) : Part ii. Journal of Water Supply : Researchand Technology—AQUA, 64(3) :378–390.

Delisle, F.-J., Rochette, S., Pelletier, G., et Rodriguez, M. J. 2015b. Tracer study to verifyhydraulic limits and determine water residence times in a distribution system : Part i.Journal of Water Supply : Research and Technology—AQUA, 64(3) :365–377.

Francisque, A. 2009. Strategies for improving the surveillance of drinking water quality indistribution networks : application of emerging modeling approaches. PhD thesis, UniversitéLaval.

Giustolisi, O., Savic, D., et Kapelan, Z. 2008. Pressure-driven demand and leakage simulationfor water distribution networks. Journal of Hydraulic Engineering, 134(5) :626–635.

Hallam, N. B., Hua, F., West, J. R., Forster, C. F., et Simms, J. 2003. Bulk decay of chlorinein water distribution systems. Journal of Water Resources Planning and Management, 129(1) :78–81.

Hua, G. et Reckhow, D. A. 2008. DBP formation during chlorination and chloramination :effect of reaction time, ph, dosage, and temperature. Journal American Water WorksAssociation, pages 82–95.

Khanal, N. et Speight, V. 2008. Increasing application of water quality models. In WorldEnvironmental and Water Resources Congress 2008, pages 1–10. ASCE.

Krasner, S. W., Weinberg, H. S., Richardson, S. D., Pastor, S. J., Chinn, R., Sclimenti, M. J.,Onstad, G. D., et Thruston, A. D. 2006. Occurrence of a new generation of disinfectionbyproducts. Environmental Science & Technology, 40(23) :7175–7185.

9

Leal, J. L., Fuller, G. W., et Johnson, G. A. 1909. The Sterilization Plant of the Jersey City WaterSupply Company at Boonton, NJ. 1909.

Machell, J. et Boxall, J. 2011. Field studies and modeling exploring mean and maximum waterage association to water quality in a drinking water distribution network. Journal of WaterResources Planning and Management, 138(6) :624–638.

McNeill, L. S. et Edwards, M. 2001. Iron pipe corrosion in distribution systems. JournalAmerican Water Works Association, pages 88–100.

MDDELCC. Règlement sur la qualité de l’eau potable. Ministère du Développement Durable, del’Environnement et de la Lutte contre les Changements Climatiques (MDDELCC), 2012.

Nkwonta, O. et Ochieng, G. e. c. 2009. Roughing filter for water pre-treatment technology indeveloping countries : A review. International Journal of Physical Sciences, 4(9) :455–463.

Ontario Ministry of the Attorney General. 2002. Report of the walkerton inquiry : the eventsof may 2000 and related issues : a summary.

Pluchon, C., Sérodes, J., Berthiaume, C., Charette, S., Gilbert, Y., Filion, G., Fournier-Larente,J., Rodriguez, M., et Duchaine, C. 2013. Haloacetic acid degradation by a biofilm in asimulated drinking water distribution system. Water Science & Technology : Water Supply, 13(2) :447–461.

Proulx, F., Rodriguez, M., et Sérodes, J.-B. 2010. Les goûts et les odeurs dans l’eau potable :revue des composés responsables et des techniques de mesure. Revue des sciences del’eau/Journal of Water Science, 23(3) :303–323.

Richardson, S. D. et Postigo, C. Drinking water disinfection by-products. In Emerging organiccontaminants and human health, pages 93–137. Springer, 2012.

Richardson, S. D., Plewa, M. J., Wagner, E. D., Schoeny, R., et DeMarini, D. M. 2007.Occurrence, genotoxicity, and carcinogenicity of regulated and emerging disinfection by-products in drinking water : a review and roadmap for research. Mutation Research/Reviewsin Mutation Research, 636(1) :178–242.

Rodriguez, M. J. et Sérodes, J.-B. 2001. Spatial and temporal evolution of trihalomethanes inthree water distribution systems. Water Research, 35(6) :1572–1586.

Rodriguez, M. J., Sérodes, J.-B., et Levallois, P. 2004. Behavior of trihalomethanes andhaloacetic acids in a drinking water distribution system. Water Research, 38(20) :4367–4382.

Rodriguez, M. J., Sérodes, J.-B., Levallois, P., et Proulx, F. 2007. Chlorinated disinfectionby-products in drinking water according to source, treatment, season, and distributionlocation. Journal of Environmental Engineering and Science, 6(4) :355–365.

10

Sanks, R. 2005. Water transport section. Water Storage, Transport, and Distribution.

Santé Canada, 2012. Guidelines for canadian drinking water quality, 2012. http://www.hc-sc.gc.ca/ewh-semt/pubs/water-eau/sum_guide-res_recom/index-eng.php[Consulté en 2014].

Santé Canada, 2013. Guidelines for canadian drinking water quality - turbidity, 2013.http://www.hc-sc.gc.ca/ewh-semt/alt_formats/hecs-sesc/pdf/pubs/water-eau/turbidity/turbidity-eng.pdf [Consulté en 2014].

Santé Canada, 2015. ph of drinking water, 2015. http://www.hc-sc.gc.ca/ewh-semt/alt_formats/pdf/consult/_2015/ph/consult-eng.pdf [Consulté en 2014].

Selvakumar, A. et Tafuri, A. N. 2012. Rehabilitation of aging water infrastructure systems :key challenges and issues. Journal of Infrastructure Systems, 18(3) :202–209.

Simard, A., Pelletier, G., et Rodriguez, M. 2011. Water residence time in a distribution systemand its impact on disinfectant residuals and trihalomethanes. Journal of Water Supply :Research and Technology—AQUA, 60(6) :375–390.

Singer, P. C. 1994. Control of disinfection by-products in drinking water. Journal ofEnvironmental Engineering, 120(4) :727–744.

Trussell, R. R. 1999. Safeguarding distribution system integrity. Journal American Water WorksAssociation, 91(1) :46–54.

Tscheikner-Gratl, F., Sitzenfrei, R., Hammerer, M., Rauch, W., et Kleidorfer, M. 2014.Prioritization of rehabilitation areas for urban water infrastructure. a case study. ProcediaEngineering, 89 :811–816.

USEPA. 1998. National primary drinking water regulations : disinfectants and disinfectionbyproducts-final rule.

USEPA. 2002. Effects of water age on distribution system water quality.

USEPA. 2006. National primary drinking water regulations : Stage 2 disinfectants anddisinfection byproducts rule.

USEPA. 2011. National primary drinking water regulations.

Villanueva, C. M., Kogevinas, M., Cordier, S., Templeton, M. R., Vermeulen, R., Nuckols,J. R., Nieuwenhuijsen, M. J., Levallois, P., et coll. 2014. Assessing exposure and healthconsequences of chemicals in drinking water : current state of knowledge and researchneeds. Environ Health Perspect, 122(3) :213–221.

World Health Organization. 2010. Progress on sanitation and drinking-water : 2010 update.geneva : World health organization.

11

Chapitre 1

Revue de littérature

1.1 Introduction

Dans ce chapitre, une revue de la littérature scientifique touchant les différents sujetsabordés dans le cadre de cette thèse est présentée. Plus spécifiquement, les mécanismesrégissant la dégradation du chlore résiduel libre en réseau, la formation et la spéciation desSPD sont abordés et une emphase est mise sur les études réalisées sur la variabilitéspatio-temporelle des THM et des AHA. Ensuite, le suivi de la qualité de l’eau dans lesRDEP est abordé par la présentation de diverses méthodes développées dans la littératurepour le choix de points de prélèvements appuyé par la modélisation hydraulique.Finalement, la modélisation hydraulique et du temps de séjour de l’eau en réseau (TDS)ainsi que les impacts envisageables du vieillissement et de la réhabilitation des conduitessur le TDS sont aussi présentés.

Tel que présenté dans cette revue de littérature, la variabilité spatio-temporelle des THM etdes AHA dans les RDEP a fait l’objet de plusieurs études, mais la variabilité est considéréeavec des fréquences de prélèvements limitées et un nombre restreint de points deprélèvements dans des zones étendues. Du point de vue de la simulation des TDS, peud’informations sont présentes dans la littérature scientifique en ce qui a trait à l’impact duvieillissement et de la réhabilitation des conduites sur le TDS. Les travaux effectués dans lecadre de cette thèse visent donc à combler cette lacune dans la recherche.

13

1.2 Chlore résiduel libre dans les réseaux de distribution en eaupotable

L’objectif de la désinfection secondaire est de maintenir une certaine concentrationrésiduelle de désinfectant dans les réseaux de distribution en eau potable (RDEP) pourassurer la protection des consommateurs en diminuant les risques d’infections (Crittendenet coll., 2012). Les désinfectants secondaires généralement utilisés sont le chlore libre, lesmono-chloramines et le bioxyde de chlore. Le choix du désinfectant doit être effectué entenant compte de différents critères dont les exigences en inactivation de pathogènes, lepotentiel de formation de sous-produits de la désinfection, les propriétés de l’eau brute, lesconditions de distribution ainsi que le type de traitement en place (USEPA, 2006a).L’injection de chlore entraîne la formation de chlore combiné et de chlore résiduel libre. Àcourt terme, le chlore libre se lie avec des ions de fer et de manganèse présents dans l’eau,est consommé par la matière organique pour former des SPD et se combine avecl’ammoniaque pour former des chloramines (mono, di, trichloramines). L’obtention d’uneconcentration en chlore résiduel libre (CCRL) suffisante réside en l’atteinte d’un pointcritique, soit lorsque la demande de chlore est satisfaite. Ce point est caractérisé par uneaugmentation de la CCRL proportionnelle à la quantité de chlore ajoutée. Certains réseauxutilisent les mono-chloramines pour la désinfection secondaire, mais l’agent de désinfectionle plus utilisé est l’hypochlorite. L’emphase sera donc mise sur le chlore résiduel libre.

Une CCRL minimale est normalement fixée à la sortie de l’usine de traitement des eaux(UTE) afin de maintenir une concentration suffisante dans l’ensemble du réseau. AuQuébec, le Règlement sur la qualité de l’eau potable fixe cette limite à 0,3 mg/L(MDDELCC, 2012). Une CCRL de 0,2 mg/L est considérée un niveau minimal afin delimiter la recroissance dans les RDEP (LeChevallier et coll., 1996). Ainsi, le maintien d’uneconcentration supérieure à cette valeur en tout point et en tout temps est nécessaire pour lemaintien du niveau de protection apporté par la désinfection secondaire. La concentrationminimale à maintenir à la sortie de l’UTE varie selon les différentes agences ouorganisations réglementant la désinfection secondaire en réseau, mais le même ordre degrandeur est conservé. Par exemple, la United States Enviromental Protection Agency(USEPA) fixe la concentration minimale à 0,2 mg/L pour une eau de surface traitée quittantl’UTE et une concentration supérieure à la limite de détection pour tout point du réseau(USEPA, 2011).

Les avantages de la désinfection secondaire sont multiples. Tout d’abord, on considère quele maintien d’une concentration résiduelle en désinfectant procure une certaine protectioncontre les risques d’infections (Propato et Uber, 2004). Ainsi, si l’intégrité du système n’estpas parfaite, que ce soit au niveau des bassins de stockage, lors de travaux, de bris ou dedépressurisation du réseau, une certaine protection du système est assurée. La présence

14

d’une concentration résiduelle mesurable permet aussi d’observer des variations quipeuvent indiquer une modification dans le cheminement de l’eau ou une contaminationdans le réseau (USEPA, 2006a). Le maintien d’une concentration résiduelle en désinfectantpermet aussi de freiner la recroissance bactérienne dans les conduites du réseau et permetde diminuer la formation de biofilms sur leur paroi interne (Trussell, 1999 ; USEPA, 2006a).Une recroissance de certains microorganismes peut être observée à l’intérieur de réseaux dedistribution en eau potable (Zhang et DiGiano, 2002) et cette recroissance peut être liée àdifférentes problématiques en réseau notamment le risque de maladies et l’accélération dela corrosion des conduites (Geldreich, 1996 ; Payment et coll., 1997). La présence d’unbiofilm sur la surface interne des conduites des RDEP est une source importante debactéries retrouvées dans l’eau transitant dans les réseaux (LeChevallier et coll., 1988). Laformation de biofilms sur les parois des conduites, soit l’établissement de structures demicroorganismes par l’adhésion sur les parois internes est influencée par divers facteurs.Tel que résumé par Makris et coll. (2014), ces facteurs sont principalement liés à laconcentration résiduelle en désinfectant, la présence de nutriments, les conditionshydrauliques, le matériel des conduites et certaines propriétés physico-chimiques de l’eautelles que son pH et sa température (Norton et LeChevallier, 2000 ; Van der Kooij etVeenendaal, 2001). La nature des communautés bactériennes composant les biofilms estaussi affectée par le matériel des conduites composant les réseaux. Le rinçage de conduitesafin de provoquer un détachement de particules logées sur les parois des conduites résulteen l’observation de communautés bactériennes significativement différentes entre desconduites en fonte et des conduites en plastique (Douterelo et coll., 2014). Le type deconduites composant les réseaux joue un rôle important dans le potentiel de recroissancebactérienne en réseau particulièrement lorsque les parois internes sont sujettes à lacorrosion (Chowdhury, 2012) et la présence de chlore résiduel dans l’eau traitée accentue lacorrosivité de l’eau en contact avec les parois des conduites (Cantor et coll., 2003). Parcontre, si la corrosion est d’origine microbienne, une concentration plus élevée en chlorepeut réduire la corrosion (LeChevallier et coll., 1993).

Les désavantages associés à la désinfection secondaire sont principalement la génération desous-produits de la désinfection (SPD) ainsi que de goûts et odeurs. En effet, la présencede matière organique naturelle et d’ions bromures dans l’eau vont favoriser la formation desous-produits pouvant être potentiellement néfastes pour la santé à de faibles concentrationsde par leur toxicité élevée (Crittenden et coll., 2012). Les SPD sont abordés plus en détail dansla prochaine section. Les plaintes rapportées aux gestionnaires de réseaux quant aux goûtset odeurs de l’eau potable sont principalement associées à la chloration (Proulx, 2009).

15

1.2.1 Dégradation du chlore résiduel libre

Le maintien d’une concentration résiduelle de chlore résiduel libre dans l’ensemble d’unRDEP réside dans une connaissance de sa dégradation en réseau.

La dégradation du chlore résiduel libre dans l’eau après l’ajout d’une dose de chlore a étédécrite en deux phases (Zhang et coll., 1992 ; Bhat et coll., 1996 ; Kiene et coll., 1998), unepremière d’une durée limitée de 2 à 4 heures (Jadas-Hecart et coll., 1992) que l’on associe àdes réactions avec des composés facilement oxydés. La seconde phase de dégradation duchlore est caractérisée par une cinétique plus lente associée à la matière organique présentedans l’eau (bulk) ainsi qu’aux parois des conduites (wall) (Vasconcelos et Boulos, 1996 ;Kiene et coll., 1998). Cette phase peut être décrite normalement par une cinétique dupremier ordre (Rossman et coll., 1994 ; Hua et coll., 1999). On peut considérer que dans lesRDEP, la dégradation du chlore résiduel libre se retrouve habituellement à sa deuxièmephase. La phase de la dégradation décrite par l’équation présentée ci-dessous illustre doncla dégradation du chlore résiduel libre à l’intérieur des RDEP.

𝐶𝑖 = 𝐶0.𝑒(𝑘𝑖.𝑡0→𝑖) (1.1)

où 𝐶𝑖 : Concentration au point i (mg/L) ;𝐶0 : Concentration initiale (mg/L) ;𝑘𝑖 : Coefficient de dégradation associé au parcours entre le point 0 et le point i (ℎ−1) ; et𝑡0→𝑖 : Temps de parcours entre le point 0 et le point i (h).

La cinétique de dégradation peut se décomposer en deux aspects principaux, soit ladégradation liée à l’eau et à ses propriétés (bulk) et la dégradation liée au contact avec lesparois des conduites du RDEP (wall). La somme de ces deux aspects résulte en unecinétique globale de dégradation du chlore. La cinétique de dégradation associée à l’eaupeut être mesurée en laboratoire. Il suffit d’effectuer un échantillonnage et de mesurer laconcentration en chlore au fil du temps en maintenant une température constante afin depouvoir établir une cinétique de dégradation représentant l’évolution des concentrationsmesurées. Différentes caractéristiques de l’eau peuvent affecter cette valeur. Comme laquasi-totalité des réactions chimiques, la cinétique de dégradation du chlore augmente avecla température de l’eau et cet effet peut être approximé par la loi d’Arrhenius. Des lienspeuvent aussi être établis entre le contenu organique de l’eau en terme de carboneorganique total (COT) et d’absorbance UV ainsi que la concentration initiale en chlore(Powell et coll., 2000 ; Hallam et coll., 2003). La variabilité du contenu en matière organiqueprésent dans l’eau est liée principalement aux variations saisonnières pour des RDEPalimentés par une eau de surface (Pace et Cole, 2002).

L’évaluation de la cinétique globale de dégradation du chlore dans un réseau s’avère toutefois

16

plus difficile étant donné que la cinétique de dégradation associée aux parois des conduites(wall) ne peut être mesurée directement. L’effet des conduites sur la cinétique de dégradationest affecté par une multitude de facteurs, tels que le diamètre des conduites, leur matériau,leur âge, la vitesse d’écoulement et le cheminement de l’eau. Le rapport de la surface desparois sur le volume d’eau est un facteur important dans la cinétique de dégradation duchlore puisqu’une augmentation de ce ratio, soit une réduction du diamètre d’une conduite,entraîne une augmentation de la demande en chlore attribuable aux parois (Kowalska et coll.,2006). La demande en chlore liée à des conduites en plastique est négligeable par rapportà l’effet de l’eau (Lu et coll., 1999) et même une présence modérée de biofilm n’influencepas la cinétique attribuable aux parois de ce type de conduite (Hallam et coll., 2002). Parcontre, l’effet de conduites en fonte sur la cinétique de dégradation du chlore est dominantpar rapport à l’effet de l’eau puisque la dégradation est attribuable à la réaction du chloreavec les parois des conduites (Kiene et coll., 1998 ; Binet, 2010). Pour ce type de conduite,l’âge est un facteur non négligeable et peut résulter en une augmentation de l’ordre de 400%du coefficient de dégradation attribuable aux parois des conduites pour des conduites enfonte (Al-Jasser, 2007). La présence de biofilm sur les parois des conduites joue aussi un rôledans la dégradation du chlore attribuable aux parois. La cinétique de dégradation liée aubiofilm augmente avec la concentration en carbone organique dissous (COD) et diminue avecl’augmentation du diamètre des conduites, mais cet effet représente une faible partie de lacinétique de dégradation liée aux parois pour des conduites sujettes à la corrosion (Lu et coll.,1999).

L’hydraulique en réseau joue aussi un rôle dans la dégradation du chlore. Uneaugmentation de la demande en chlore par les parois de conduites sujettes à la corrosionpeut résulter de l’augmentation des débits transitant par ces conduites (Clark, 2011). Un liena été établi dans la littérature entre le nombre de Reynolds et l’effet des parois des conduitessur la cinétique de dégradation du chlore pouvant s’expliquer par une augmentation de laconcentration en sous-produits de la corrosion retrouvés dans l’eau pour des vitesses plusélevées (Mutoti et coll., 2007). De plus, comme l’eau transite par plusieurs conduites auxpropriétés différentes et que des mélanges s’effectuent aux jonctions lorsque plusieursconduites se rencontrent, l’établissement d’une valeur associée à l’effet des parois desconduites est particulièrement difficile. L’ensemble de ces phénomènes affectant lescinétiques de dégradation du chlore en réseau du point de vue spatial et temporel témoignedonc de la complexité de la dégradation du chlore dans les RDEP.

1.3 Sous-produits chlorés de la désinfection

La présence de certains sous-produits de la désinfection (SPD) dans les RDEP découle de lachloration suivie de réactions entre le chlore et la matière organique naturelle (MON). Cesréactions entre l’acide hypochloreux et la MON engendrent la formation de sous-produits

17

organochlorés dont les trihalométhanes (THM) et les acides haloacétiques (AHA). Les THMet les AHA font l’objet de diverses réglementations dans plusieurs pays au niveau de laqualité de l’eau dans les RDEP étant donné qu’ils sont les SPD présents en concentrationsplus élevées dans les RDEP (Singer, 1994 ; Richardson et Postigo, 2012). Les THMreprésentent un groupe de composés dont le trichlorométhane ou chloroforme (TCM), lebromodichlorométhane (BDCM), le dibromochlorométhane (DBCM) et le tribromométhane(TBM) (Sadiq et Rodriguez, 2011). Les AHA sont aussi présents sous neuf formes distinctes,mais seulement cinq d’entre elles font l’objet d’une réglementation dont l’acidemonochloroacétique (AMCA), l’acide dichloroacétique (ADCA), l’acide trichloroacétique(ATCA), l’acide monobromoacétique (AMBA) et l’acide dibromoacétique (ADBA) (USEPA,1998).

Une défaillance au niveau de la désinfection secondaire assurant un maintien d’uneconcentration résiduelle en chlore en tout point des RDEP se veut un risque aigu tandis quela présence de SPD dans l’eau potable est liée à des risques chroniques. Les risqueschroniques liés à l’exposition des utilisateurs aux SPD peuvent se caractériser de diversesfaçons étant donné les différents mécanismes d’exposition qui sont liés à la volatilité desSPD, mais la principale voie d’exposition pour l’eau potable est l’ingestion orale(Richardson et coll., 2007). Puisque les THM sont particulièrement volatils, l’exposition à cegroupe de SPD doit tenir compte de l’inhalation et de l’absorption cutanée (Richardsonet coll., 2007 ; Villanueva et coll., 2007). Par contre, les AHA ont un caractère moins volatil etleur voie d’exposition se limite davantage à l’ingestion orale (Richardson et coll., 2007 ;Villanueva et coll., 2007). Ces risques chroniques découlent du potentiel cancérigène etgénotoxique des THM et des AHA (Richardson et coll., 2007 ; Villanueva et coll., 2014). Lepotentiel mutagène et cancérigène des différentes espèces de THM et de AHA a été révélépar différentes études toxicologiques sur des animaux (Melnick et coll., 2007 ; Richardsonet coll., 2007 ; Bull et coll., 2009 ; Villanueva et coll., 2014). L’effet des THM et des AHA sur ledéveloppement des fœtus a aussi fait l’objet de plusieurs études démontrant un lienpossible entre la présence de THM et de AHA dans l’eau potable et des retards decroissance ainsi que des risques de naissance avant terme (Wright et coll., 2003 ;Rivera-Núñez et Wright, 2013).

Ainsi, les risques engendrés par la présence de ces SPD dans l’eau potable ont mené àl’élaboration de réglementations visant à contrôler l’exposition maximale desconsommateurs. La réglementation de la concentration en THM et en AHA retrouvée dansl’eau potable est généralement basée sur une moyenne annuelle (Sadiq et Rodriguez, 2004).Des concentrations moyennes maximales de 80 μg/L pour les THM et de 60 μg/L pour lesAHA ont donc été établies pour les RDEP par la USEPA (1998). La réglementation sur laqualité de l’eau potable au Canada est sous juridiction provinciale. Ainsi, certainesprovinces, dont le Québec, ont établi des normes quant à la présence de SPD dans l’eau

18

potable avec une concentration annuelle moyenne maximale de 80 μg/L pour les THM etde 60 μg/L pour les AHA (MDDELCC, 2012). Au Québec, le nombre d’échantillons àrecueillir par trimestre pour le suivi des THM est proportionnel à la population desservietandis que le suivi des AHA ne fait pas encore l’objet d’une obligation. Le suivi des THMnécessite l’identification de la concentration maximale obtenue lors d’un trimestre ainsi quela moyenne des concentrations maximales pour 4 trimestres consécutifs (MDDELCC, 2012).Le gouvernement du Canada a aussi établi des recommandations quant aux concentrationsen THM et en AHA dans les RDEP avec une concentration moyenne maximale trimestriellede 100 μg/L pour les THM et de 80 μg/L pour les AHA (Santé Canada, 2012).

1.3.1 Facteurs affectant la formation des THM et des AHA

La variabilité des concentrations en THM et en AHA dans l’eau des RDEP peutcomplexifier l’obtention d’un portrait représentatif puisque plusieurs facteurs peuventaffecter les concentrations retrouvées en réseau. Ces facteurs entraînent une variabilité dansles concentrations retrouvées dans les RDEP qui peut se caractériser par des dimensionsspatiales et temporelles. La variabilité spatiale est attribuable à l’évolution desconcentrations en SPD dans les conduites des RDEP tandis que la variabilité temporelle estplus particulièrement liée aux propriétés de l’eau brute, à la température de l’eau et auxvariations dans le traitement tel que le dosage en chlore.

Les propriétés de l’eau brute, notamment la nature des composés de la matière organiquenaturelle (MON), peuvent affecter la formation et la spéciation des SPD (Singer, 1994). Uneeau de surface sujette à une présence plus élevée et à une plus grande variabilité de la MONaura donc un plus grand impact sur les SPD en comparaison à une eau souterraine (Moulyet coll., 2010). Puisque la MON représente une somme de composés organiques auxcaractéristiques et origines distinctes, différents indicateurs sont utilisés afin de lareprésenter dont le carbone organique dissous (COD) (Volk et coll., 2002). La variabilité duCOD pour des eaux de surface est majoritairement liée aux conditions climatiquessaisonnières (ex. : fonte des glaces, précipitations sur le bassin versant) (Pace et Cole, 2002)qui se répercutent sur les caractéristiques de l’eau brute avant son traitement à l’UTE. Unautre indicateur de la composition de la MON dans l’eau est l’absorbance UV spécifique(SUVA), soit le rapport entre l’absorptivité UV à 254 nm et le COD. Ce rapport permet uneestimation du contenu en substances humiques et aromatiques de la MON qui sontconsidérées comme étant des précurseurs de plusieurs SPD dont les THM et les AHA(Reckhow et coll., 1990). Ce paramètre est utilisé dans différents modèles empiriques pourévaluer la formation de SPD et de bonnes corrélations ont été obtenues dans la littératureentre la formation de SPD et le SUVA (Hua et coll., 2015). Par contre, le potentiel du SUVAcomme indicateur de formation des SPD pour des eaux présentant un faible contenu ensubstances humiques et aromatiques est limité (Ates et coll., 2007). Les relations à établir

19

entre cet indicateur et la formation des SPD pourraient dépendre des SPD considéréspuisque de fortes corrélations entre le SUVA et les concentrations en TCAA et de faiblescorrélations avec les concentrations en THM et en acides dihaloacétiques (ADBA, ADCA)ont été obtenues par Hua et coll. (2015). Différents précurseurs peuvent donc contrôler laformation de différentes formes de AHA. Par contre, il est important de rappeler que cen’est pas l’eau brute qui est chlorée. Les propriétés de l’eau brute engendrent des impactssur la formation de SPD dans la mesure où la variation de ces propriétés se répercute surl’eau traitée avant la chloration. Ainsi, la MON présente dans l’eau brute a un impactindirect sur les propriétés de l’eau traitée avant sa chloration et ce sont les propriétés del’eau traitée qui auront un impact direct sur la formation de SPD.

La température a un effet direct sur les cinétiques chimiques et joue aussi un rôle quant aucontenu en MON dans l’eau étant donné qu’une température plus élevée peut accélérer ladécomposition organique et résulter en une augmentation du COD (Ouyang et coll., 2006).Le contenu de l’eau brute en composés inorganiques tels que les ions bromures peut aussiaffecter la formation et la spéciation des SPD (Hua et Reckhow, 2008). La présence d’ionsbromures dans l’eau brute peut être liée à la fois à la nature des sols ou à des sourcesanthropiques telles que l’utilisation de fertilisants et de pesticides pour l’agriculture et laconcentration de ces ions retrouvés dans l’eau peut aussi varier selon les saisons (Flury etPapritz, 1993 ; Hua et Reckhow, 2008). La variation saisonnière des propriétés de l’eau brutese répercute donc sur la formation des SPD et peut résulter en des concentrations en THMplus élevées en été et en automne et plus faibles en hiver et au printemps (Rodriguez etSérodes, 2001).

La formation des SPD pendant la chloration dépend donc des caractéristiques de l’eau brute,mais les conditions de désinfection jouent aussi un rôle important dans leur formation etleur spéciation (Hua et Reckhow, 2008). Ces conditions incluent notamment le dosage endésinfectant, le temps de réaction du désinfectant ainsi que le pH de l’eau. L’augmentationdu dosage en chlore résulte en une augmentation des concentrations en THM et en AHA,mais l’augmentation des concentrations en THM est plus importante par rapport aux AHApour une même augmentation du dosage (Hua et Reckhow, 2008). Une augmentation dutemps de réaction du désinfectant peut aussi être liée à une augmentation des concentrationsen THM et en AHA (Singer, 1994 ; Rodriguez et coll., 2004). La présence de réservoirs dans lesRDEP dans lesquelles une rechloration est effectuée peut aussi résulter en une augmentationdes concentrations en THM et en AHA due au temps de séjour dans le réservoir (Rodriguezet coll., 2004). L’effet du pH de l’eau est variable selon le type de SPD considéré : un pH plusélevé peut favoriser la formation de THM et réduire la formation de AHA (Singer et coll.,1995).

Le contrôle des concentrations en SPD est donc nécessairement influencé par le traitementde l’eau et certaines étapes du traitement affectant le contenu en MON dans l’eau avant la

20

chloration peuvent limiter la formation de SPD dont la coagulation (Mitch, 2009), la filtrationpar charbon actif ou la filtration biologique (Lauderdale, 2011). L’ozonation peut aussi réduiresignificativement la formation de certaines espèces de THM et de AHA par l’élimination deprécurseurs à la formation de ces composés et l’utilisation de rayonnement UV combiné àl’ozonation entraîne des effets encore plus significatifs (Chin et Bérubé, 2005). L’utilisationde la chloramination en désinfection secondaire plutôt que la chloration peut aussi limiter laformation de THM et de AHA (Lu et coll., 2009).

Suite au traitement, l’eau quitte l’UTE et circule dans les conduites du réseau dedistribution. Le transport de l’eau en réseau et son contact avec les parois des conduitesentraînent aussi des effets sur les concentrations en SPD et donc sur l’exposition desutilisateurs à ces substances. Des tests réalisés en laboratoire par Zhong et coll. (2012)révèlent que la formation des THM est influencée à la fois par le type de conduite, lesvitesses d’écoulement et le temps de séjour de l’eau en réseau. Leurs résultats démontrentque pour une même concentration initiale en chlore, la formation de THM est plus élevéepour des conduites de PVC par rapport à des conduites sujettes à la corrosion étant donnéla plus faible dégradation du chlore attribuable aux parois des conduites de PVC. Ceci peuts’expliquer par la réaction dominante du chlore avec les tubercules de corrosion et le biofilmpar rapport à la réaction avec les précurseurs de la formation des THM pour des conduitescorrodées et cet effet est accentué pour des conduites de plus petit diamètre (Zhong et coll.,2012). Une faible augmentation des concentrations en THM est aussi observée par Zhonget coll. (2012) pour des vitesses d’écoulement plus élevées et peut s’expliquer en partie parune réaction plus importante du chlore et des précurseurs de la formation des THM dansles conduites, mais l’impact du temps de séjour de l’eau sur les concentrations en THM estplus important. Du point de vue des THM, des concentrations plus élevées sonthabituellement retrouvées aux extrémités des réseaux étant donné les temps de séjour(TDS) élevés associés à ces emplacements (Rodriguez et coll., 2004 ; Semerjian et coll., 2007 ;Simard et coll., 2011). Contrairement aux THM, les concentrations en AHA diminuent dansles extrémités de réseau et ce phénomène est lié à la biodégradation (Rodriguez et coll.,2004). En effet, la formation des THM et des AHA continue dans le RDEP en présence d’uneconcentration résiduelle en chlore, mais l’absence d’une concentration résiduelle entraîne labiodégradation de certaines espèces de AHA, telles que l’ADCA (Baribeau et coll., 2005). Labiodégradation est engendrée par la présence d’un biofilm sur les parois des conduites cequi entraîne une diminution des concentrations en extrémité de réseau et pour des zones auTDS plus élevé (Pluchon et coll., 2013). L’effet de la biodégradation des AHA est doncvariable selon les espèces et n’est pas significatif au niveau de l’ATCA (Bayless et Andrews,2008). Des zones propices à la biodégradation des AHA ont aussi été liées à de faiblesconcentrations en chlore résiduel libre (< 0,3 mg/L) et à un niveau élevé de bactérieshétérotrophes (>10 000 HPC /mL) (Tung et Xie, 2009). Certaines conditions en réseau (p.ex.conduites neuves, diamètre important limitant le contact avec les parois des conduites) et

21

les propriétés de l’eau traitée peuvent toutefois résulter en une formation additionnelle deAHA dans le temps qui peut s’avérer plus importante que l’effet de la biodégradation par lebiofilm des conduites (Serrano et coll., 2015).

1.3.2 Portrait de la variabilité spatio-temporelle des THM et des AHA

Étant donné les nombreux paramètres pouvant influencer la formation et la spéciation desTHM et des AHA dans les RDEP, l’obtention d’un portrait tenant compte de leur variabilitéspatio-temporelle est particulièrement complexe. La prise en compte de la variabilité spatialedes THM et des AHA dans les RDEP nécessite notamment le choix de plusieurs points deprélèvements représentant différentes zones auxquelles différentes valeurs de TDS peuventêtre associées. Plusieurs études présentées dans les paragraphes suivants ont été réaliséespour l’évaluation de la variabilité spatio-temporelle des THM et des AHA dans les RDEP avecune prise en compte directe ou indirecte des TDS. Certaines études considèrent uniquementla couverture géographique ou utilisent des bases de données élaborées lors du suivi desSPD par les municipalités sans considérer spécifiquement le TDS pour les emplacements depoints de prélèvements (Parvez et coll., 2011 ; Summerhayes et coll., 2011 ; Siddique et coll.,2012 ; Uyak et coll., 2014).

La prise en compte indirecte des TDS est effectuée par l’estimation d’une distance en réseauentre l’UTE (ou un réservoir) et les points de prélèvements ainsi qu’en réalisant descampagnes intensives de mesure du chlore résiduel libre agissant comme indicateur duTDS (Garcia-Villanova et coll., 1997 ; Rodriguez et Sérodes, 2001 ; Nissinen et coll., 2002 ;Rodriguez et coll., 2003 ; Toroz et Uyak, 2005 ; Wong et Mok, 2008 ; Tung et Xie, 2009 ; Zhanget coll., 2010 ; Serrano et coll., 2015 ; Zimoch et coll., 2015 ; Charisiadis et coll., 2015). La priseen compte directe des TDS nécessite la modélisation hydraulique du réseau ou la réalisationd’une étude au traceur. Plusieurs études ont été réalisées en ce sens et ont résulté enl’observation d’une variabilité spatiale significative des THM et des AHA à l’échelle duRDEP pour des points ou des groupes de points représentant différents TDS (Rodriguezet coll., 2004, 2007 ; Mouly et coll., 2010 ; Shanks et coll., 2013). Par contre, la prise en comptedirecte du TDS lors de ces études est effectuée en considérant une seule valeur du TDS pourchacun des points. Cette valeur représente l’emplacement de chacun des points, mais unevaleur spécifique du TDS pour l’ensemble des points et chacune des campagnes deprélèvements n’est pas considérée. La considération d’une valeur spécifique du TDS àchacun des prélèvements pourrait permettre une évaluation plus approfondie du potentieldu TDS comme indicateur au niveau des concentrations en THM et en AHA en tenantcompte des variations du TDS découlant des modifications des débits de consommation.

Jusqu’à aujourd’hui, les études considérant le TDS dans l’analyse de la variabilitéspatio-temporelle des THM et des AHA ont été effectuées avec un nombre restreint depoints ou une faible fréquence des prélèvements tout en analysant des zones étendues d’un

22

RDEP. L’étude approfondie de zones plus restreintes en considérant une fréquencehebdomadaire et plusieurs prélèvements intrajournaliers pourrait permettre de développerdes connaissances quant à la variabilité des THM et des AHA dans les RDEP. La réalisationde campagnes de prélèvements intensives de THM et AHA des points de vue spatial ettemporel est une avenue qui n’a pas encore été étudiée dans la littérature. De plus, lavariabilité intrajournalière des SPD a fait l’objet de peu d’études, mais une faible variationdes THM a été observée par Zimoch et coll. (2015) au cours de prélèvementsintra-journaliers effectués en période de forte et de faible consommation en eau. Par contre,la zone étudiée par Zimoch et coll. (2015) présentait de faibles concentrations en THM (< 15μg/L) et la variation intrajournalière des AHA n’a pas été étudiée. Les fréquences deprélèvements pour l’évaluation de la variabilité spatio-temporelle des THM et des AHA ontété, dans la plupart des études, saisonnières (Nissinen et coll., 2002 ; Zhang et coll., 2010 ;Parvez et coll., 2011 ; Siddique et coll., 2012 ; Uyak et coll., 2014 ; Charisiadis et coll., 2015),mensuelles (Wong et Mok, 2008 ; Tung et Xie, 2009 ; Shanks et coll., 2013 ; Summerhayeset coll., 2011 ; Serrano et coll., 2015), bimensuelles (Rodriguez et coll., 2004, 2007 ; Zimochet coll., 2015) et hebdomadaires dans certains cas (Rodriguez et Sérodes, 2001 ; Rodriguezet coll., 2003 ; Toroz et Uyak, 2005 ; Mouly et coll., 2010). Cette avenue pourrait doncpermettre de mieux caractériser les dimensions spatiales et temporelles de la variabilité desTHM et des AHA en réseau à une plus petite échelle et d’évaluer s’il y a un impact associé àl’heure de prélèvements d’échantillons sur les concentrations en SPD.

1.4 Suivi de la qualité de l’eau dans les réseaux de distribution

Le suivi de la qualité de l’eau dans les RDEP est effectué en considérant différents objectifs.Le respect des normes en vigueur par les gestionnaires de réseau est à la base de l’élaborationde systèmes de suivi de la qualité de l’eau, mais la correction de problématiques localisées,l’appui à la planification de travaux de réfection ou de réhabilitation ainsi que le suivi deplaintes de citoyens amènent les gestionnaires à aller au-delà d’un suivi basé uniquementsur la réglementation en vigueur (Kirmeyer, 2002).

Il faut noter qu’une distinction doit être faite entre le suivi de la qualité de l’eau d’un pointde vue de la détection rapide d’évènements (p.ex. présence d’un contaminant) et un suivipar échantillonnage manuel visant le respect des normes en vigueur. La littérature présenteune multitude de méthodes ayant pour but le choix de points pour l’élaboration d’unsystème d’alerte (Ostfeld et Salomons, 2004 ; Sudol et Kwietniewski, 2005 ; Krause et coll.,2008 ; Ostfeld et coll., 2008 ; Hart et Murray, 2010). Ces méthodes visent généralement unaspect de sécurité en mettant de l’avant différentes considérations telles que la rapidité dedétection d’un contaminant et la quantité de contaminant consommée avant la détection,mais l’utilisation de ces méthodes requiert un système de suivi en temps réel de la qualitéen réseau. Un nombre appréciable de RDEP municipaux ne sont pas munis de systèmes de

23

mesures en continu permettant d’obtenir un portrait adéquat de la qualité de l’eau en touttemps, mais se basent plutôt sur un échantillonnage de qualité routinier par la collectemanuelle d’échantillons. De plus, les municipalités n’ont pas nécessairement les fondsnécessaires pour le déploiement d’un système de senseurs et les données nécessaires àl’élaboration d’un tel système ne sont pas forcément disponibles (Berry et coll., 2006).

Le suivi réglementaire de la qualité de l’eau revêt donc différents objectifs liés à laprotection de la santé publique. Au Québec, un contrôle bactériologique est effectué enanalysant la présence de bactéries coliformes totales et fécales (/textitE. Coli) et ce contrôleest effectué par un nombre de prélèvements proportionnel à la population desservie. Unemesure du chlore résiduel libre est effectuée pour chacun des prélèvements (MDDELCC,2012) et ceci permet d’obtenir un portrait des concentrations en désinfectant résiduel dans leréseau. Un contrôle physico-chimique est aussi effectué par l’analyse de substancesinorganiques dont les concentrations en métaux tels le cuivre et le plomb, la présence denitrites et de nitrates ainsi que la turbidité. Différentes substances organiques sont aussianalysées dont les THM (MDDELCC, 2012). D’autres objectifs de suivi sont présentés parKirmeyer (2002), tels qu’au niveau de l’opération des réseaux par l’optimisation del’opération des réservoirs, l’évaluation de l’impact de l’âge de l’eau ou l’évaluation deseffets de changements effectués dans la filière de traitement sur la qualité de l’eau enréseau. Des objectifs liés à l’entretien dont la priorisation du remplacement de certainesconduites, le rinçage ou le diagnostic de problèmes en réseau peuvent aussi être supportéspar un suivi de la qualité en réseau et des systèmes de suivi peuvent aussi être élaboréspour la calibration de modèles hydrauliques qui permettront d’appuyer la gestion de laqualité de l’eau en réseau (Kapelan et coll., 2003).

Le suivi réglementaire de la qualité de l’eau nécessite donc le choix de points deprélèvements, mais le choix de ces points de suivi est souvent effectué sans appliquer unedémarche scientifique systématique (Francisque, 2009). Deux types de points deprélèvements sont habituellement identifiés, soit des points en extrémité de réseau et despoints en centre de réseau. Les points en extrémité peuvent être liés à l’observation d’unevulnérabilité et les autres points visent à obtenir une qualité moyenne représentative d’unezone donnée. La vulnérabilité peut être décrite de différentes façons selon l’aspect de lavulnérabilité considéré. Du point de vue du chlore résiduel libre, la vulnérabilité dans unRDEP est associée à une absence de concentration résiduelle et peut être liée à un risqueaigu étant donné l’absence de la protection apportée par la désinfection secondaire telle quedécrite précédemment. Par contre, du point de vue des SPD, la vulnérabilité est associée àune concentration plus élevée menant à une plus forte exposition des utilisateurs. La Figure1.1 schématise les principes de représentativité et de vulnérabilité d’un RDEP. Au Québec,la moitié des points de prélèvements pour le contrôle bactériologique doit se situer auxextrémités du réseau et le suivi des THM s’effectue aussi pour des points en extrémité

24

(MDDELCC, 2012). L’aspect vulnérabilité est donc considéré avec autant d’importance quel’aspect représentativité.

F 1.1 – Représentativité et vulnérabilité dans un RDEP

Pour le suivi des SPD, la USEPA a établi une norme visant à cibler des points associés à uneconcentration plus élevée afin d’évaluer l’exposition maximale des utilisateurs (USEPA,2006b). Pour ce faire, les gestionnaires de réseaux doivent établir des points pour le suivides THM et des AHA et effectuer des campagnes de prélèvements intensives au coursd’une année avec un nombre de points et une fréquence dépendant du type de source d’eauutilisée (surface ou souterraine) et du nombre de personnes desservies par le RDEP. Cetexercice permet de cibler des points présentant des concentrations maximales et ces pointsferont l’objet d’un suivi réglementaire par la suite (USEPA, 2006b). Tel qu’énoncé dans laSection 1.3, le Canada et certaines provinces se sont aussi dotés de recommandations et deréglementations avec ou sans obligation de suivi quant aux concentrations annuellesmaximales en THM et en AHA. Par contre, aucune province ne s’est dotée d’une méthodespécifique visant à identifier des points présentant des concentrations maximales afind’évaluer l’exposition maximale des utilisateurs (Guilherme, 2014).

1.4.1 Identification d’emplacements représentatifs ou vulnérables

Plusieurs études présentées dans les paragraphes suivants ont développé des méthodespour le choix de points de prélèvements pour le suivi de la qualité basé sur des critères dereprésentativité ou de vulnérabilité à l’aide de la modélisation hydraulique et de la qualitéde l’eau.

Le choix des emplacements pour des prélèvements qui pourront donner un portaitreprésentatif de la qualité de l’eau d’une zone donnée peut s’avérer difficile étant donné les

25

volumes recueillis et analysés vis-à-vis les débits transitant dans les conduites. Le principede couverture des débits élaboré par Lee et Deininger (1992) permet d’évaluer un certainniveau de représentativité pour différents points d’un RDEP. Lorsqu’un échantillon estobtenu et analysé, la qualité de l’eau en un seul point est obtenue. Il est toutefois possible delier la qualité en un point à celle d’autres points en déterminant le cheminement de l’eau enréseau. Le développement de modèles hydrauliques permet d’établir un cheminement del’eau de la source en amont vers les nœuds en aval par une simulation hydraulique. Enconsidérant que la qualité de l’eau se détériore dans le réseau alors que le TDS en réseauaugmente, si la qualité de l’eau d’un point en aval est jugée satisfaisante, il est possible dedéduire que la qualité de l’eau en amont le sera aussi. L’augmentation du TDS en réseau del’amont vers l’aval peut être lié à la détérioration de la qualité de l’eau étant donné son lienavec : la formation de certains SPD, la dégradation du désinfectant résiduel, la formation degoûts et odeurs, la coloration de l’eau ainsi que la limitation de l’efficacité du contrôle de lacorrosion (USEPA, 2002). Ainsi, le suivi de l’eau passant par un nœud en aval permet uncertain suivi de la qualité de l’eau de nœuds en amont. La modélisation hydraulique permetde faire un traçage de source, soit l’identification des nœuds en amont par lesquels l’eautransite vers l’aval et dans quelle proportion. Par exemple, en posant un critère decouverture voulant qu’au moins 50% de l’eau atteignant un nœud aval passe par un nœuden amont, le suivi du nœud aval assure une couverture du nœud amont.

Plusieurs méthodes ont été développées pour le choix de points de prélèvementsreprésentatifs d’un point de vue hydraulique en se basant sur le principe de couverture desdébits notamment pour la considération de plusieurs scénarios de demandes en eau(Kumar et coll., 1997 ; Al-Zahrani et Moied, 2003 ; Liu et coll., 2010). L’ajout de la simulationde la dégradation du chlore résiduel libre en réseau à la couverture des débits a aussi étéexploré par Woo et Kim (2003). Harmant et coll. (1999) ont présenté les limites de lacouverture des débits, soit l’obtention de points ayant des temps de séjour élevés et donnantune faible représentativité de la qualité de l’eau dans l’ensemble du réseau. D’autresméthodes ont donc été développées en ajoutant la considération du temps de séjour simulépar la modélisation hydraulique à la couverture des débits. La méthode développée parHarmant et coll. (1999) ajoute des considérations au principe de couverture de débits tellesque le temps de séjour maximal ainsi que le diamètre moyen des conduites avoisinant lepoint de prélèvements choisi. La considération du diamètre moyen dans cette méthodepermet de cibler des points desservis par des conduites locales ou par des conduites degrand diamètre selon les objectifs établis pour le choix des points de prélèvements. Tryby etUber (2001) utilisent un principe dérivé de la couverture des débits en générant unhistogramme de fréquences associées aux temps de séjour obtenus par modélisation. Lestemps de séjour sont divisés en différentes catégories et le choix de points d’échantillonnagedoit représenter chacune d’elles selon une proportion déterminée par l’utilisateur.

26

Pour le choix de points de prélèvements caractérisés par leur vulnérabilité du point de vuede la qualité de l’eau, des points associés à une faible concentration en désinfectant résiduelou une forte concentration en THM ou en AHA doivent être identifiés. La vulnérabilité dezones d’un réseau peut aussi être associée au type de population desservie (p.ex. personnesvulnérables aux contaminants pouvant être présents dans l’eau : personnes âgées ouenfants). Francisque (2009) introduit le concept de risque afin d’établir des zones devulnérabilité dans un réseau de distribution. Le concept joint à la fois les principes de risquestructural (bris) ainsi que de conséquences sur la population suite au bris. Une combinaisond’évaluation synthétique floue, de hiérarchie multicritère et la base de règle floue avec dessimulations Monte-Carlo sont à la base de l’approche développée. Quinze caractéristiqueshydrauliques, associées à la qualité physico-chimique et microbiologique de l’eau et à lasusceptibilité des consommateurs sont utilisées. Une analyse de sensibilité révèle que deuxfacteurs de susceptibilité, soit le pourcentage de population ayant un âge inférieur à 5 ansou au-delà de 75 ans, et deux facteurs de vulnérabilité, soit le chlore résiduel et les bris deconduites, expliquent 85% de la variabilité de l’indice de risque développé. Cette approcheest prometteuse, mais ne considère pas suffisamment le potentiel de la modélisationhydraulique et des TDS.

Un certain lien peut être établi entre le choix de points vulnérables souvent associés auxextrémités de réseau et le TDS puisque la vulnérabilité associée au chlore résiduel libre et àla présence de THM est accentuée par un TDS élevé. Thompson et coll. (2007) décrivent lavulnérabilité comme la probabilité que la concentration en désinfection secondaire seretrouve sous un niveau prédéterminé lors d’une simulation de l’évolution de laconcentration dans un réseau de distribution en eau potable par le logiciel EPANET. Uneanalyse des incertitudes quant aux différents paramètres associés à cette simulation estréalisée. Les paramètres sont la cinétique de dégradation associée à l’eau (bulk) ainsi qu’auxparois des conduites (wall), les demandes en eau et la rugosité des parois des conduites.Une analyse par simulations de Monte-Carlo est réalisée en tenant compte des gammes devaleurs envisageables pour ces paramètres et permet d’évaluer la probabilité qu’un nœudsoit soumis à une concentration en chlore résiduel libre sous un seuil prédéterminé. Pour cequi est des THM, la province de Québec a établi des normes pour leur suivi en spécifiantune fréquence de suivi selon la population desservie variant d’un à huit prélèvements partrimestre pour des points en extrémité de réseau (MDDELCC, 2012). Étant donné l’absenced’obligation pour le suivi des AHA, aucune méthode n’est présentée pour le suivi de leurconcentration dans les RDEP (MDDELCC, 2012). Tel que mentionné précédemment, laUSEPA a développé une méthode visant à identifier des points de prélèvements pour uneconcentration maximale en THM et en AHA (USEPA, 2006b). Le choix de ces pointsnécessite toutefois une connaissance de l’hydraulique en réseau et des TDS obtenus par lamodélisation hydraulique ou une étude au traceur afin de maximiser le potentield’identification de points associés à des concentrations maximales.

27

Tel que mentionné à la Section 1.3, le développement de connaissances s’avère toujoursnécessaire quant à la variabilité spatio-temporelle des THM et des AHA dans les RDEPainsi que le lien à établir entre ces composés et le TDS. Diverses méthodes visant à choisirdes points de prélèvement représentatifs et vulnérables peuvent donc s’appuyer sur lamodélisation hydraulique et du TDS et cet appui repose sur un certain niveau deconnaissance des caractéristiques du RDEP modélisé. L’évolution des caractéristiques desconduites au fil de leur vie utile doit donc être prise en compte dans la modélisation afin des’approcher de la réalité en réseau. Les notions liées à la modélisation hydraulique et desTDS ainsi que les effets du vieillissement et de la réhabilitation des conduites sont doncabordés dans les sections suivantes.

1.5 Modélisation hydraulique

Le développement de modèles hydrauliques couplés à des études sur le terrain dans lesRDEP a débuté dans les années 80 (Grayman, 2006). Todlini et Pilati (1987) développent unalgorithme de gradients formulant des équations d’énergie pour chaque nœud et chaqueconduite d’un réseau de distribution. Cet algorithme est ensuite adopté par l’USEPA etentraînera le développement du logiciel EPANET (Rossman, 2000). La dimension opensource ainsi que l’appui de la USEPA dans le développement de ce modèle ont permis dedémocratiser son usage pour la recherche scientifique (Grayman, 2006).

Le logiciel EPANET résout donc itérativement un ensemble d’équations non linéaires en sebasant sur les informations connues, soit les propriétés des conduites (diamètre, coefficientde rugosité, longueur) et les demandes en eau aux différents nœuds de modélisation. Cetterésolution permet d’obtenir les pertes de charge et les débits associés à chacune desconduites. Pour ce faire, plusieurs relations sont considérées afin de permettre la résolutiondes équations présentées ci-dessous pour chaque nœud et chaque conduite d’un réseau.

La première relation est la conservation de la masse qui doit s’appliquer aux nœuds demodélisation. La somme des débits entrants et sortants pour un nœud donné et à un tempsdonné doit toujours être nulle (Figure 1.2).

28

1

𝐷1

𝑄1 𝑄3

𝑄2

F 1.2 – Conservation de la masse

𝑄1 + 𝑄2 − 𝑄3 − 𝐷1 = 0 (1.2)

𝐷1 : Demande en eau au noeud 1 (𝑚3/ℎ) ;𝑄1 et 𝑄2 : Débits entrant au noeud 1(𝑚3/ℎ) ; et

𝑄3 : Débit sortant au noeud 1(𝑚3/ℎ).

L’équation de la conservation de l’énergie entre deux nœuds peut être exprimée parl’équation de Bernoulli. La différence entre les sommes des diverses formes d’énergiereprésente la somme des pertes de charge.

𝑣21

2 ⋅ 𝑔 + 𝑧1 + 𝑃1𝜌 ⋅ 𝑔 − 𝑣2

22 ⋅ 𝑔 − 𝑧2 − 𝑃2

𝜌 ⋅ 𝑔 = ℎ𝐿 (1.3)

𝑣22⋅𝑔 : énergie cinétique (𝑚) ; et𝑃𝜌⋅𝑔 : énergie de pression (𝑚) ; et

𝑧 : énergie potentielle (𝑚) ; etℎ𝐿 : pertes de charge (𝑚).

Les pertes de charge le long d’une conduite connectant deux nœuds sont donc équivalentes àla différence de pression si son diamètre est constant (𝑣1 = 𝑣2) et que la différence d’élévationest nulle (𝑧1 = 𝑧2). Le calcul des pertes de charge peut s’effectuer par différentes méthodes,mais il est normalement effectué à l’aide de l’équation de Hazen-Williams pour les systèmessous-pression.

𝑣 = 0.849𝐶𝐻𝑊𝑅0.63ℎ 𝑠0.54 (1.4)

𝑣 : Vitesse (𝑚/𝑠) ;𝐶𝐻𝑊 : Coefficient de rugosité de Hazen-Williams (sans unité) ;𝑅ℎ : Rayon hydraulique (𝑚) ; et𝑠 : Pente de friction (𝑚/103𝑚).

Le principe de conservation de l’énergie est aussi lié à la résolution des calculs hydrauliquesen conservant une somme des pertes de charge nulle pour une boucle, soit une seule valeur

29

d’énergie associée un nœud donné (Figure 1.3). La somme des pertes de charge attribuablesaux conduites coulant dans le sens horaire est donc égale à la somme des pertes de chargeattribuable aux conduites coulant dans le sens antihoraire.

+

1

2 3

4

ℎ1−2

ℎ3−2

ℎ4−1

ℎ4−3

F 1.3 – Conservation de l’énergie

ℎ1−2 + ℎ4−1 − ℎ3−2 − ℎ4−3 = 0 (1.5)

ℎ𝑖−𝑗 : Perte de charge entre le noeud i et le noeud j (𝑚)

La résolution de l’aspect hydraulique de la modélisation des RDEP permet aussi l’ajout deconsidérations de qualité au niveau des simulations notamment la propagation decomposés réactifs ou conservatifs, dont le chlore résiduel libre. Le développement d’unmodèle basé sur le transfert de masse par Rossman et coll. (1994) et son application aulogiciel de modélisation hydraulique EPANET permet de simuler la dégradation du chlorerésiduel libre dans les RDEP. Ce modèle considère à la fois la cinétique associée à l’eau(bulk) et aux parois des conduites (wall) tout considérant l’effet du diamètre des conduites etdu régime d’écoulement. Le raffinement des modèles permet maintenant de considérerplusieurs espèces interdépendantes pour la modélisation de la qualité de l’eau dans lesRDEP (Shang et coll., 2007 ; Uber et coll., 2010). Par exemple, la dégradation du chlorerésiduel libre dans les RDEP par le contenu en MON présent dans l’eau peut être simuléeen considérant uniquement une cinétique de dégradation associée au chlore. Ceci nécessitetoutefois l’hypothèse d’un contenu constant en MON dans l’eau alors que la réaction entrele chlore et la MON aura une incidence sur le contenu en MON dans l’eau au fil du temps.Ce type de réaction est aussi associé à la formation des SPD dans les RDEP (réaction entre lechlore et une partie de la MON) et la prise en compte de ces réactions complexes impliquantplusieurs espèces peut réduire certaines limitations associées à la modélisation considérantl’évolution d’un seul paramètre.

L’utilisation du plein potentiel de la modélisation de la qualité de l’eau repose toutefois surl’obtention d’un niveau d’information détaillé quant aux caractéristiques de l’eau, aux

30

réactions simulées ainsi qu’aux caractéristiques des conduites tandis que la simulation desTDS permet d’obtenir un portrait général de la qualité de l’eau avec une information plusrestreinte.

1.6 Temps de séjour

Les liens entre la modélisation des TDS et la qualité de l’eau dans les RDEP font en sortequ’un certain débat sémantique demeure au niveau de l’appartenance de la simulation desTDS à la modélisation de la qualité de l’eau ou à la modélisation hydraulique (Grayman,2006). Ceci s’explique par le fait que le TDS de l’eau en réseau peut être lié à la qualitégénérale de l’eau étant donné que différentes caractéristiques de l’eau évoluent au fil dutemps dans les RDEP. L’importance de connaître et de limiter les TDS en réseau est liée auxeffets découlant d’une augmentation du TDS et de leurs impacts potentiels du point de vuede la santé publique. Les travaux effectués par Brandt et coll. (2004, 2006) pour neuf casd’études ont démontré qu’un contrôle du temps de séjour de l’eau en réseau peut améliorerla qualité de l’eau étant donné son impact sur différentes caractéristiques : désinfectantrésiduel, SPD, goûts et odeurs, qualité microbiologique et coloration de l’eau. La corrosiondes conduites, la nitrification (pour des RDEP utilisant les mono-chloramines commedésinfectant résiduel) et la déposition de sédiments sont aussi des problématiques associéesà une augmentation du TDS de l’eau en réseau (USEPA, 2002).

Puisque le TDS ne peut être mesuré directement, diverses méthodes peuvent être utiliséesafin de l’évaluer. D’une part, des études au traceur peuvent être réalisées par l’injectiond’un composé non réactif tel que le fluorure ou le chlorure de calcium (USEPA, 2002). Laréalisation d’études au traceur permet aussi d’identifier les limites hydrauliques dedifférents secteurs ainsi que les zones présentant un mélange de différentes eaux (Simardet coll., 2011 ; Delisle et coll., 2015). La réalisation d’études au traceur nécessite toutefois descampagnes de prélèvements intensives afin d’établir l’évolution des concentrations dutraceur pour différents points lors de la période d’étude. L’analyse de l’ensemble d’unRDEP étendu à l’aide d’une étude au traceur nécessite donc d’importantes ressources et leportrait des TDS découlant de cette étude ne représente que les conditions hydrauliqueslors de la réalisation de l’étude au traceur.

Le TDS peut aussi être évalué à l’aide de la modélisation hydraulique. Le modèle EPANETconsidère le TDS comme étant un paramètre évoluant selon une cinétique positive d’ordrezéro dont le coefficient est égal à 1. Ceci résulte en une augmentation du TDS égale au tempsde simulation. Chacune des parcelles d’eau dans le modèle a un TDS qui lui est associé etqui évolue au fil de son parcours à travers les conduites. La valeur maximale de TDS qu’ilest possible d’obtenir pour une simulation donnée est donc équivalente à la durée totale dela simulation. L’utilisation d’une durée totale de simulation plus élevée que le TDS maximal

31

attendu s’avère donc nécessaire pour simuler adéquatement l’évolution du TDS en réseau.

L’hypothèse de mélange total de l’eau aux nœuds de modélisation est généralement utiliséepour la modélisation hydraulique et peut avoir des répercussions sur la simulation des TDS(Machell et coll., 2009). Lorsque plusieurs conduites se rencontrent à un nœud, un mélangetotal est effectué en proportion du débit associé à chacune des conduites. Ainsi, une nouvelleeau ayant des propriétés assimilables au mélange est créée. Cette hypothèse peut engendrerdes impacts au niveau de la modélisation de la qualité de l’eau et de la simulation des TDS,notamment la sous-estimation de zones caractérisées par des TDS élevés.

Les modèles hydrauliques calculent donc généralement un temps de séjour à un nœuddonné en déterminant la moyenne selon la proportion du volume de l’eau attitrée à chaquevaleur de TDS entrant au nœud, ce qui peut limiter l’observation de composantes de l’eauprésentant un âge particulièrement élevé (Machell et coll., 2009). L’utilisation du modèledéveloppé par Machell et Boxall (2011) pourrait s’avérer une avenue intéressante à explorer,mais le modèle EPANET demeure l’outil de modélisation le plus utilisé étant donné sonaccessibilité. La modélisation hydraulique et des TDS réalisée dans le cadre de cette thèse sebase donc sur l’utilisation du modèle EPANET.

L’obtention d’un portrait des TDS par la modélisation hydraulique permet aussil’élaboration de stratégies afin de réduire les TDS en réseau pour des zones vulnérables. Lamodification des limites hydrauliques entre différents secteurs, la purge, la modification del’opération de réservoirs ainsi que de l’état d’ouverture de vannes sont les principalesstratégies permettant de réduire les TDS en réseau et de potentiellement améliorer laqualité de l’eau (Brandt et coll., 2006 ; Simard et coll., 2011 ; Delisle et coll., 2015).

Afin d’obtenir un portrait représentatif de l’état réel du TDS en réseau pour appuyer lechoix de points de prélèvements ainsi que d’élaborer des stratégies pour améliorer laqualité de l’eau dans les RDEP, une information de base est nécessaire quant auxcaractéristiques des conduites et aux demandes en eau. L’information au niveau descaractéristiques des conduites est souvent connue pour des conduites neuves, mais ne l’esthabituellement pas pour des conduites âgées. L’obtention d’un portrait représentatif desTDS en réseau est donc complexifiée par l’évolution de la rugosité des parois des conduites,de leur diamètre interne et des pertes en eau au fil de la vie utile des infrastructurescomposant les RDEP. Cette problématique est abordée à la section suivante.

1.7 Vieillissement et réhabilitation des conduites

Les effets du vieillissement et de la réhabilitation des conduites des RDEP sur le TDSpeuvent se décomposer en termes d’effet sur les parois et d’effet sur les débits. D’une part levieillissement des conduites entraîne une modification des propriétés des parois pouvant

32

affecter l’écoulement en réseau ainsi qu’une augmentation des pertes en eau par les fuites,et d’autre part, la réhabilitation des infrastructures des RDEP modifie les propriétés desconduites et réduit les pertes en eau, ce qui peut aussi résulter en des effets sur le TDS enréseau.

Une problématique importante reliée au vieillissement des conduites des RDEP est lavulnérabilité à la corrosion. Trois problèmes principaux sont liés à la corrosion desconduites, soit une perte de matériel par oxydation, une accumulation de tuberculesdiminuant la capacité d’écoulement et la présence de particules solubles de fer ou desous-produits de la corrosion pouvant colorer l’eau (McNeill et Edwards, 2001). La présencede tubercules de corrosion entraîne à la fois une augmentation de la rugosité des paroisainsi qu’une réduction du diamètre interne des conduites et ces deux phénomènesaccentuent les pertes de charge des écoulements en conduite (Colebrook et White, 1937). Lacorrosion des parois internes des conduites entraîne donc des modifications au niveau duprofil des parois résultant en une augmentation des pertes de charge par la friction limitantla capacité d’écoulement des conduites notamment par la réduction du diamètre effectif.L’évolution de ces effets au fil du temps n’est pas uniforme et ceci entraîne des incertitudesdu point de vue de la modélisation hydraulique (Christensen, 2009). L’évolution de larugosité des parois des conduites et son effet sur les pertes de charge peuvent aussi résulteren une modification des patrons d’écoulement en réseau puisque le cheminement de l’eaus’effectue en balançant les pertes de charge. La modification des patrons d’écoulement peutentraîner des effets sur les TDS en réseau, mais à notre connaissance, ces effets ne sont pasdocumentés dans la littérature scientifique.

La réduction des diamètres internes due à la formation de tubercules de corrosion n’estgénéralement pas considérée dans la calibration de modèles hydrauliques alors qu’elle peutavoir un effet sur les profils de vitesses dans les conduites et donc nécessairement sur lasimulation des TDS et de l’évolution de la qualité de l’eau dans les RDEP (Boxall et coll.,2004 ; Christensen, 2009). La réduction des diamètres des conduites est principalement liéeà des conduites sujettes à la corrosion, mais la présence de manganèse dans l’eau peut aussirésulter en des effets comparables par l’entartrage des parois des conduites lors de laprécipitation d’oxydes de manganèse (Santé Canada, 1987). Cette réduction du diamètreinterne des conduites résulte nécessairement en une augmentation des vitessesd’écoulement qui se répercute sur les TDS en réseau. Ainsi, la simulation du TDS doitprendre en compte la réduction des diamètres afin de s’approcher de la réalité en réseau.Par contre, très peu d’informations sont disponibles dans la littérature quant à l’ordre degrandeur de la réduction du diamètre interne de conduites susceptibles à la corrosion au filde leur vie utile ainsi qu’aux effets sur le TDS associés à cette réduction.

L’analyse de sections de conduites âgées suite à leur retrait du réseau pourrait permettred’établir des connaissances plus approfondies sur ce phénomène étant donné que l’étude

33

de cette relation sans une mesure directe effectuée sur les conduites peut s’avérer difficile.Christensen (2009) a mesuré la rugosité ainsi que la réduction du diamètre interne pour onzeconduites de diamètre variant de 25 à 100 mm et âgées de 25 à 50 ans. Une relation a été établieentre la rugosité des parois et la réduction des diamètres, mais ces résultats sont basés surun échantillon restreint et des diamètres inférieurs à la limite minimale de 150 mm établie auQuébec. Christensen (2009) a ensuite effectué des tests quant à l’impact de la réduction desdiamètres sur la simulation des TDS en comparant les résultats de simulation d’un réseauayant subi un vieillissement artificiel par la modification des coefficients de rugosité. Ensuite,une réduction des diamètres est appliquée et les résultats démontrent un impact de l’ordre de10% sur les TDS. Par contre, le réseau étudié par Christensen (2009) est très peu maillé et estalimenté par des conduites dont le diamètre est supérieur à ceux étudiés pour l’établissementde la relation entre la rugosité et la réduction des diamètres. L’augmentation des pertes eneau liées à l’âge des conduites n’a pas été considérée dans cette analyse. Une relation entrela rugosité des parois et la réduction du diamètre peut être établie pour une conduite insitu telle que présentée par Boxall et coll. (2004), mais cette relation dépend du débit et uneinfinité de combinaisons de rugosité et de réduction du diamètre peuvent être utilisées afinde reproduire la perte de charge mesurée sur le terrain (Walski, 2004). Étant donné que prèsde 25% des conduites composant les RDEP aux États-Unis sont âgées et sujettes à la corrosion(Baird, 2011), l’étude de l’effet de la réduction des diamètres internes sur le TDS demeure uneproblématique d’intérêt.

Les pertes en eau sont aussi une dimension importante à considérer au niveau des TDS. Cespertes peuvent atteindre près de 50% du débit total consommé dans les RDEP pour desréseaux âgés (Tucciarelli et coll., 1999 ; Araujo et coll., 2006 ; Maskit et Ostfeld, 2014).L’augmentation des pertes en eau est principalement liée au vieillissement des conduites(Candelieri et coll., 2014), mais différents facteurs peuvent l’influencer tels que l’opérationdu RDEP, le type de sol dans lequel les conduites sont enfouies ou les charges liées au traficroutier (Islam et coll., 2012). Les pertes peuvent à la fois être occasionnées par des bris deconduites ou par des pertes en étanchéité associées aux parois et aux jonctions entre lesconduites, mais une proportion importante peut être liée à de petites pertes localisées(Adachi et coll., 2014). Plusieurs méthodes visant l’identification de fuites dans les réseauxont été développées dans la littérature en s’appuyant sur la modélisation hydraulique(Almandoz et coll., 2005 ; Candelieri et coll., 2014 ; Adachi et coll., 2014). Par contre,l’information quant aux effets de l’augmentation ou de la réduction des fuites sur les TDSdans les RDEP et leur impact envisageable sur la qualité de l’eau n’est pas présente dans lalittérature.

Le vieillissement des conduites des RDEP et son effet envisageable sur les TDS ont étéabordés dans les paragraphes précédents. Comme le vieillissement, la réhabilitation desconduites peut aussi entraîner des impacts sur le TDS. La modification de la rugosité des

34

conduites lors de leur remplacement ou de leur réhabilitation peut entraîner deschangements dans les patrons hydrauliques. Comme l’écoulement s’effectue en balançantles pertes de charge, la diminution des pertes de charge associée à la réhabilitation favorisel’écoulement dans les conduites réhabilitées. Une réduction des débits transitant par lesconduites non réhabilitées peut donc potentiellement entraîner des effets sur le TDS par laréduction des vitesses d’écoulement et accélérer la corrosion de conduites âgées puisqu’uneconduite dans laquelle séjourne une eau stagnante peut être davantage affectée par lacorrosion (Burlingame et coll., 2006). Étant donné les coûts importants liés aux pertes en eaudans les RDEP, des stratégies visant à réduire la consommation en eau et les taux de fuitesdans les RDEP ont été développées par les autorités gouvernementales (CaliforniaDepartment of Water Resources, 2009 ; U.S. Federal Government, 2009 ; Governement ofOntario, 2010 ; MAMOT, 2011). La réduction des débits de consommation et des fuitesentraînera nécessairement des effets sur le TDS et la qualité de l’eau dans les RDEP. Desdébits plus faibles transitant dans les conduites des RDEP diminueront les vitessesd’écoulement et entraîneront une augmentation du TDS et potentiellement desconséquences sur la qualité de l’eau notamment sur les concentrations en désinfectantrésiduel en réseau. L’évaluation de ces effets par l’analyse de scénarios hydrauliques deréhabilitation des conduites n’a pas été considérée à ce jour dans la littérature scientifique.

Finalement, les incertitudes sur la simulation des TDS découlant de l’évolution des pertesen eau et des caractéristiques des conduites au fil de leur vie utile ont fait l’objet de peud’études. Tel que présenté par Pasha et Lansey (2005, 2010), l’effet de l’incertitude deparamètres hydrauliques a principalement été étudié en terme d’effet sur la pression et lafiabilité des RDEP (Bao et Mays, 1990 ; Xu et Goulter, 1998 ; Babayan et coll., 2007) sansconsidérer l’effet de l’incertitude sur la qualité de l’eau. Les travaux effectués par Pasha etLansey (2005, 2010) considèrent l’effet de l’incertitude de paramètres hydrauliques (débit,rugosité, diamètre) et de la cinétique de dégradation du chlore associée aux parois desconduites (wall) et à l’eau (bulk) sur la simulation de la CCRL. Un réseau fictif ainsi qu’unréseau réel peu maillé ont été étudiés et ce sont les coefficients de dégradation quiprésentent le plus grand effet sur la simulation des CCRL en réseau. Par contre, l’effet del’incertitude des paramètres hydrauliques sur la simulation des TDS n’est pas considérédans cette étude et l’analyse n’est pas effectuée en considérant un réseau maillé. De plus,l’incertitude des diamètres considérée par Pasha et Lansey (2005, 2010) est limitée à 25 mmalors que la réduction du diamètre interne par la corrosion peut être plus importante. L’effetde l’incertitude des paramètres hydrauliques sur le TDS pour un RDEP réel maillé reste uneavenue à explorer.

35

1.8 Conclusion

Cette revue de littérature a donc abordé la qualité de l’eau dans les RDEP en considérantplus spécifiquement le chlore résiduel libre, les THM et les AHA ainsi que le suivi de laqualité de l’eau dans les RDEP. La modélisation hydraulique incluant les TDS et l’évolutiondes caractéristiques des conduites suite au vieillissement et à la réhabilitation ont étéabordées dans le contexte de leur impact sur les TDS. Étant donné la multidisciplinaritéassociée aux travaux effectués dans cette thèse, ce chapitre n’est pas une revue exhaustivede la littérature pour l’ensemble des sujets abordés, mais plutôt une vue d’ensemble pourintroduire les travaux effectués dans les prochains chapitres. Le portrait découlant de cetterevue est que le développement de connaissances en ce qui a trait à la variabilitéspatio-temporelle des THM et des AHA et de leur lien avec le TDS est toujours nécessaire.Un manque d’information quant à l’impact du vieillissement et de la réhabilitation desconduites des RDEP sur le TDS et la qualité de l’eau a aussi été identifié.

L’objectif de cette thèse est donc d’approfondir les connaissances au niveau de la variabilitéspatio-temporelle du chlore résiduel et des SPD, plus spécifiquement les THM et les AHA,ainsi que du TDS simulé. Le TDS est abordé principalement en ce qui a trait à son lien avecle chlore résiduel et les SPD ainsi qu’au niveau de l’impact du vieillissement et de laréhabilitation des conduites sur la simulation du TDS. Les travaux permettant d’atteindreces objectifs sont présentés dans les deux prochains chapitres.

36

Références

Adachi, S., Takahashi, S., Kurisu, H., et Tadokoro, H. 2014. Estimating area leakage in waternetworks based on hydraulic model and asset information. Procedia Engineering, 89 :278–285.

Al-Jasser, A. 2007. Chlorine decay in drinking-water transmission and distribution systems :Pipe service age effect. Water Research, 41(2) :387–396.

Al-Zahrani, M. A. et Moied, K. 2003. Optimizing water quality monitoring stations usinggenetic algorithms. Arabian Journal for Science and Engineering, 28(1) :57–75.

Almandoz, J., Cabrera, E., Arregui, F., Cabrera Jr, E., et Cobacho, R. 2005. Leakage assessmentthrough water distribution network simulation. Journal of Water Resources Planning andManagement, 131(6) :458–466.

Araujo, L., Ramos, H., et Coelho, S. 2006. Pressure control for leakage minimisation in waterdistribution systems management. Water Resources Management, 20(1) :133–149.

Ates, N., Kitis, M., et Yetis, U. 2007. Formation of chlorination by-products in waters withlow suva—correlations with suva and differential uv spectroscopy. Water Research, 41(18) :4139–4148.

Babayan, A. V., Savic, D. A., et Walters, G. A. 2007. Multiobjective optimization of waterdistribution system design under uncertain demand and pipe roughness. Topics on systemanalysis and integrated water resources management.

Baird, G. M. 2011. The epidemic of corrosion, part 1 : Examining pipe life. J. American waterworks Association, pages 14–19.

Bao, Y. et Mays, L. W. 1990. Model for water distribution system reliability. Journal of HydraulicEngineering, 116(9) :1119–1137.

Baribeau, H., Krasner, S. W., Chinn, R., et Singer, P. C. 2005. Impact of biomass on the stabilityof HAAs and THMs. Journal American Water Works Association, 97 :69–81.

Bayless, W. et Andrews, R. 2008. Biodegradation of six haloacetic acids in drinking water.Journal of Water and Health, 6(1) :15–22.

Berry, J., Hart, W. E., Phillips, C. A., Uber, J. G., et Watson, J.-P. 2006. Sensor placement inmunicipal water networks with temporal integer programming models. Journal of WaterResources Planning and Management, 132(4) :218–224.

Bhat, D. K., Prakash, T., Gowda, B. T., Sherigara, B., et Khader, A. 1996. Studies on chlorinedemand and its decay kinetics on the waters of kali river around kaiga project area. IndianJournal of Chemical Technology, 3(1) :58–60.

37

Binet, G. 2010. Mieux prédire la dégradation du chlore en réseau de distribution : cas d’étude : la villede Québec. PhD thesis, Université Laval.

Boxall, J., Saul, A., et Skipworth, P. 2004. Modeling for hydraulic capacity. Journal AmericanWater Works Association, 96(4) :161–169.

Brandt, M., Clement, J., Powell, J., Casey, R., Holt, D., Harris, N., et Tuan Ta, C. 2004. Managingdistribution retention time to improve water quality—phase i. AWWARF.

Brandt, M., Clement, J., Powell, J., Casey, R., Holt, D., Harris, N., et Tuan Ta, C. 2006. Managingdistribution retention time to improve water quality . phase ii. AWWARF.

Bull, R. J., Rice, G., et Teuschler, L. K. 2009. Determinants of whether or not mixtures ofdisinfection by-products are similar. Journal of Toxicology and Environmental Health, Part A,72(7) :437–460.

Burlingame, G. A., Lytle, D. A., Snoeyink, V. L., et coll. 2006. Why red water ? understandingiron release in distribution systems (pdf). Opflow, 32(12) :12–16.

California Department of Water Resources, 2009. Water conservation act, 2009. http://www.water.ca.gov/wateruseefficiency/sb7/ [Consulté en 2015].

Candelieri, A., Soldi, D., Conti, D., et Archetti, F. 2014. Analytical leakages localization inwater distribution networks through spectral clustering and support vector machines. theicewater approach. Procedia Engineering, 89 :1080–1088.

Cantor, A. F., Park, J. K., et Vaiyavatjamai, P. 2003. Effect of cholorine on corrosion in drinkingwater systems. Journal American Water Works Association, pages 112–123.

Charisiadis, P., Andra, S. S., Makris, K. C., Christophi, C. A., Skarlatos, D., Vamvakousis,V., Kargaki, S., et Stephanou, E. G. 2015. Spatial and seasonal variability of tap waterdisinfection by-products within distribution pipe networks. Science of The Total Environment,506 :26–35.

Chin, A. et Bérubé, P. 2005. Removal of disinfection by-product precursors with ozone-uvadvanced oxidation process. Water Research, 39(10) :2136–2144.

Chowdhury, S. 2012. Heterotrophic bacteria in drinking water distribution system : a review.Environmental Monitoring and Assessment, 184(10) :6087–6137.

Christensen, R. T. 2009. Age effects on iron-based pipes in water distribution systems.Graduate Theses and Dissertations, page 505.

Clark, R. M. 2011. Chlorine fate and transport in drinking water distribution systems : Resultsfrom experimental and modeling studies. Frontiers of Earth Science, 5(4) :334–340.

38

Colebrook, C. F. et White, C. 1937. The reduction of carrying capacity of pipes with age.Journal of the ICE, 7(1) :99–118.

Crittenden, J. C., Trussell, R. R., Hand, D. W., Howe, K. J., et Tchobanoglous, G. 2012. MWH’sWater Treatment : Principles and Design. John Wiley & Sons, 2012.

Delisle, F.-J., Rochette, S., Pelletier, G., et Rodriguez, M. J. 2015. Tracer study to verifyhydraulic limits and determine water residence times in a distribution system : Part i.Journal of Water Supply : Research and Technology—AQUA, 64(3) :365–377.

Douterelo, I., Husband, S., et Boxall, J. 2014. The bacteriological composition of biomassrecovered by flushing an operational drinking water distribution system. Water Research,54 :100–114.

Flury, M. et Papritz, A. 1993. Bromide in the natural environment : occurrence and toxicity.Journal of Environmental Quality, 22(4) :747–758.

Francisque, A. 2009. Strategies for improving the surveillance of drinking water quality indistribution networks : application of emerging modeling approaches. PhD thesis, UniversitéLaval.

Garcia-Villanova, R. J., Garcia, C., Gomez, J. A., Garcia, M. P., et Ardanuy, R. 1997. Formation,evolution and modeling of trihalomethanes in the drinking water of a town : Ii. in thedistribution system. Water Research, 31(6) :1405–1413.

Geldreich, E. E. 1996. Microbial quality of water supply in distribution systems. CRC Press, 1996.

Governement of Ontario, 2010. Water opportunities and water conservation act, 2010.http://www.ontla.on.ca/bills/bills-files/39_Parliament/Session2/b072ra.pdf[Consulté en 2014].

Grayman, W. M. 2006. A quarter of a century of water quality modeling in distributionsystems. In Proceedings of the 8th Annual Water Distribution Systems Analysis Symposium.

Guilherme, S. 2014. Sous-produits de la désinfection dans l’eau potable des petits réseauxmunicipaux : variabilité spatio-temporelle, modélisation et stratégies de suivi. PhD thesis,Université Laval.

Hallam, N., West, J. R., Forster, C., Powell, J., et Spencer, I. 2002. The decay of chlorineassociated with the pipe wall in water distribution systems. Water Research, 36(14) :3479–3488.

Hallam, N. B., Hua, F., West, J. R., Forster, C. F., et Simms, J. 2003. Bulk decay of chlorinein water distribution systems. Journal of Water Resources Planning and Management, 129(1) :78–81.

39

Harmant, P., Nace, A., Kiene, L., et Fotoohi, F. 1999. Optimal supervision of drinkingwater distribution network. In Proc., 26th Annual Water Resources Planning and ManagementConf.’99—Preparing for the 21st Century.

Hart, W. E. et Murray, R. 2010. Review of sensor placement strategies for contaminationwarning systems in drinking water distribution systems. Journal of Water Resources Planningand Management, 136(6) :611–619.

Hua, F., West, J., Barker, R., et Forster, C. 1999. Modelling of chlorine decay in municipalwater supplies. Water Research, 33(12) :2735–2746.

Hua, G. et Reckhow, D. A. 2008. DBP formation during chlorination and chloramination :effect of reaction time, ph, dosage, and temperature. Journal American Water WorksAssociation, pages 82–95.

Hua, G., Reckhow, D. A., et Abusallout, I. 2015. Correlation between SUVA and DBPformation during chlorination and chloramination of nom fractions from different sources.Chemosphere, 130 :82–89.

Islam, M. S., Sadiq, R., Rodriguez, M. J., Francisque, A., Najjaran, H., Naser, B., et Hoorfar,M. 2012. Evaluating leakage potential in water distribution systems : a fuzzy-basedmethodology. Journal of Water Supply : Research and Technology—AQUA, 61(4) :240–252.

Jadas-Hecart, A., El Morer, A., Stitou, M., Bouillot, P., et Legube, B. 1992. Modélisation de lademande en chlore d’une eau traitée. Water Research, 26(8) :1073–1084.

Kapelan, Z. S., Savic, D. A., et Walters, G. A. 2003. Multiobjective sampling design for waterdistribution model calibration. Journal of Water Resources Planning and Management, 129(6) :466–479.

Kiene, L., Lu, W., et Levi, Y. 1998. Relative importance of the phenomena responsible forchlorine decay in drinking water distribution systems. Water Science and Technology, 38(6) :219–227.

Kirmeyer, G. J. 2002. Guidance manual for monitoring distribution system water quality.

Kowalska, B., Kowalski, D., et Musz, A. 2006. Chlorine decay in water distribution systems.Environment Protection Engineering, 32(2) :5–16.

Krause, A., Leskovec, J., Guestrin, C., VanBriesen, J., et Faloutsos, C. 2008. Efficient sensorplacement optimization for securing large water distribution networks. Journal of WaterResources Planning and Management, 134(6) :516–526.

Kumar, A., Kansal, M., et Arora, G. 1997. Identification of monitoring stations in waterdistribution system. Journal of Environmental Engineering, 123(8) :746–752.

40

Lauderdale, C. V. 2011. Engineered biofiltration for enhanced hydraulic and water treatmentperformance. PhD thesis, University of Florida.

LeChevallier, M. W., Cawthon, C. D., et Lee, R. G. 1988. Factors promoting survival of bacteriain chlorinated water supplies. Applied and Environmental Microbiology, 54(3) :649–654.

LeChevallier, M. W., Lowry, C. D., Lee, R. G., et Gibbon, D. L. 1993. Examining therelationship between iron corrosion and the disinfection of biofilm bacteria. JournalAmerican Water Works Association, pages 111–123.

LeChevallier, M. W., Welch, N. J., et Smith, D. B. 1996. Full-scale studies of factors related tocoliform regrowth in drinking water. Applied and Environmental Microbiology, 62(7) :2201–2211.

Lee, B. H. et Deininger, R. A. 1992. Optimal locations of monitoring stations in waterdistribution system. Journal of Environmental Engineering, 118(1) :4–16.

Liu, S., Li, Z., Chen, J., Wang, Q., et Meng, F. 2010. Flaw of demand coverage based methodfor optimal locations of monitoring stations and modification. Huan Jing Ke Xue, 31(1) :88–92.

Lu, J., Zhang, T., Ma, J., et Chen, Z. 2009. Evaluation of disinfection by-products formationduring chlorination and chloramination of dissolved natural organic matter fractionsisolated from a filtered river water. Journal of Hazardous Materials, 162(1) :140–145.

Lu, W., Kiéné, L., et Lévi, Y. 1999. Chlorine demand of biofilms in water distribution systems.Water Research, 33(3) :827–835.

Machell, J. et Boxall, J. 2011. Field studies and modeling exploring mean and maximum waterage association to water quality in a drinking water distribution network. Journal of WaterResources Planning and Management, 138(6) :624–638.

Machell, J., Boxall, J., Saul, A., et Bramley, D. 2009. Improved representation of water agein distribution networks to inform water quality. Journal of Water Resources Planning andManagement.

Makris, K. C., Andra, S. S., et Botsaris, G. 2014. Pipe scales and biofilms in drinking-waterdistribution systems : undermining finished water quality. Critical Reviews in EnvironmentalScience and Technology, 44(13) :1477–1523.

MAMOT. 2011. Stratégie québécoise d’économie d’eau potable. http://www.mamrot.gouv.qc.ca/pub/grands_dossiers/strategie_eau/strategie_eau_potable.pdf [Consultéen 2014].

41

Maskit, M. et Ostfeld, A. 2014. Leakage calibration of water distribution networks. ProcediaEngineering, 89 :664–671.

McNeill, L. S. et Edwards, M. 2001. Iron pipe corrosion in distribution systems. JournalAmerican Water Works Association, pages 88–100.

MDDELCC. Règlement sur la qualité de l’eau potable. Ministère du Développement Durable, del’Environnement et de la Lutte contre les Changements Climatiques (MDDELCC), 2012.

Melnick, R. L., Nyska, A., Foster, P. M., Roycroft, J. H., et Kissling, G. E. 2007. Toxicity andcarcinogenicity of the water disinfection byproduct, dibromoacetic acid, in rats and mice.Toxicology, 230(2) :126–136.

Mitch, W. A. 2009. Occurrence and formation of nitrogenous disinfection by-products. WaterResearch Foundation, 2009.

Mouly, D., Joulin, E., Rosin, C., Beaudeau, P., Zeghnoun, A., Olszewski-Ortar, A., Munoz,J. F., Welte, B., Joyeux, M., Seux, R., et coll. 2010. Variations in trihalomethane levels inthree french water distribution systems and the development of a predictive model. WaterResearch, 44(18) :5168–5179.

Mutoti, G., Dietz, J. D., Arevalo, J., et Taylor, J. S. 2007. Combined chlorine dissipation : Pipematerial, water quality, and hydraulic effects. Journal American Water Works Association,pages 96–106.

Nissinen, T., Miettinen, I., Martikainen, P., et Vartiainen, T. 2002. Disinfection by-products infinnish drinking waters. Chemosphere, 48(1) :9–20.

Norton, C. D. et LeChevallier, M. W. 2000. A pilot study of bacteriological population changesthrough potable water treatment and distribution. Applied and Environmental Microbiology,66(1) :268–276.

Ostfeld, A. et Salomons, E. 2004. Optimal layout of early warning detection stations for waterdistribution systems security. Journal of Water Resources Planning and Management, 130(5) :377–385.

Ostfeld, A., Uber, J. G., Salomons, E., Berry, J. W., Hart, W. E., Phillips, C. A., Watson, J.-P., Dorini, G., Jonkergouw, P., Kapelan, Z., et coll. 2008. The battle of the water sensornetworks (bwsn) : A design challenge for engineers and algorithms. Journal of WaterResources Planning and Management, 134(6) :556–568.

Ouyang, Y., Nkedi-Kizza, P., Wu, Q., Shinde, D., et Huang, C. 2006. Assessment of seasonalvariations in surface water quality. Water Research, 40(20) :3800–3810.

42

Pace, M. L. et Cole, J. J. 2002. Synchronous variation of dissolved organic carbon and colorin lakes. Limnology and Oceanography, 47(2) :333–342.

Parvez, S., Rivera-Núñez, Z., Meyer, A., et Wright, J. M. 2011. Temporal variability intrihalomethane and haloacetic acid concentrations in massachusetts public drinking watersystems. Environmental Research, 111(4) :499–509.

Pasha, M. et Lansey, K. 2010. Effect of parameter uncertainty on water quality predictions indistribution systems-case study. Journal of Hydroinformatics, 12(1) :1–21.

Pasha, M. et Lansey, K. 2005. Analysis of uncertainty on water distribution hydraulics andwater quality. In Proceedings of the ASCE world Water and Environmental Resources Congress,pages 15–19.

Payment, P., Siemiatycki, J., Richardson, L., Renaud, G., Franco, E., et Prevost, M. 1997. Aprospective epidemiological study of gastrointestinal health effects due to the consumptionof drinking water. International Journal of Environmental Health Research, 7(1) :5–31.

Pluchon, C., Sérodes, J., Berthiaume, C., Charette, S., Gilbert, Y., Filion, G., Fournier-Larente,J., Rodriguez, M., et Duchaine, C. 2013. Haloacetic acid degradation by a biofilm in asimulated drinking water distribution system. Water Science & Technology : Water Supply, 13(2) :447–461.

Powell, J. C., Hallam, N. B., West, J. R., Forster, C. F., et Simms, J. 2000. Factors which controlbulk chlorine decay rates. Water Research, 34(1) :117–126.

Propato, M. et Uber, J. G. 2004. Vulnerability of water distribution systems to pathogenintrusion : How effective is a disinfectant residual ? Environmental science & technology, 38(13) :3713–3722.

Proulx, F. 2009. Goûts, odeurs et perception relatifs à la qualité de l’eau potable : une perspectivespatio-temporelle. PhD thesis, Université Laval.

Reckhow, D. A., Singer, P. C., et Malcolm, R. L. 1990. Chlorination of humic materials :byproduct formation and chemical interpretations. Environmental science & technology, 24(11) :1655–1664.

Richardson, S. D. et Postigo, C. Drinking water disinfection by-products. In Emerging organiccontaminants and human health, pages 93–137. Springer, 2012.

Richardson, S. D., Plewa, M. J., Wagner, E. D., Schoeny, R., et DeMarini, D. M. 2007.Occurrence, genotoxicity, and carcinogenicity of regulated and emerging disinfection by-products in drinking water : a review and roadmap for research. Mutation Research/Reviewsin Mutation Research, 636(1) :178–242.

43

Rivera-Núñez, Z. et Wright, J. M. 2013. Association of brominated trihalomethane andhaloacetic acid exposure with fetal growth and preterm delivery in massachusetts. Journalof Occupational and Environmental Medicine, 55(10) :1125–1134.

Rodriguez, M. J. et Sérodes, J.-B. 2001. Spatial and temporal evolution of trihalomethanes inthree water distribution systems. Water Research, 35(6) :1572–1586.

Rodriguez, M. J., Vinette, Y., Sérodes, J.-B., et Bouchard, C. 2003. Trihalomethanes indrinking water of greater quebec region (canada) : occurrence, variations and modelling.Environmental monitoring and assessment, 89(1) :69–93.

Rodriguez, M. J., Sérodes, J.-B., et Levallois, P. 2004. Behavior of trihalomethanes andhaloacetic acids in a drinking water distribution system. Water Research, 38(20) :4367–4382.

Rodriguez, M. J., Sérodes, J.-B., Levallois, P., et Proulx, F. 2007. Chlorinated disinfectionby-products in drinking water according to source, treatment, season, and distributionlocation. Journal of Environmental Engineering and Science, 6(4) :355–365.

Rossman, L. A. 2000. Epanet 2 : users manual.

Rossman, L. A., Clark, R. M., et Grayman, W. M. 1994. Modeling chlorine residuals indrinking-water distribution systems. Journal of Environmental Engineering, 120(4) :803–820.

Sadiq, R. et Rodriguez, M. J. 2004. Disinfection by-products (DBPs) in drinking water andpredictive models for their occurrence : a review. Science of the Total Environment, 321(1) :21–46.

Sadiq, R. et Rodriguez, M. J. 2011. Empirical models to predict disinfection by-products(DBPs) in drinking water. Encyclopedia of Environmental Health, pages 282–295.

Santé Canada, 1987. Le manganèse, 1987. http://www.hc-sc.gc.ca/ewh-semt/pubs/water-eau/manganese/index-fra.php [Consulté en 2015].

Santé Canada, 2012. Guidelines for canadian drinking water quality, 2012. http://www.hc-sc.gc.ca/ewh-semt/pubs/water-eau/sum_guide-res_recom/index-eng.php[Consulté en 2014].

Semerjian, L., Dennis, J., et Ayoub, G. 2007. Practical papers-spatial and seasonal evolutionof trihalomethanes in water distribution systems in lebanon. Aqua-Journal of Water Supply,56(4) :263–274.

Serrano, M., Montesinos, I., Cardador, M., Silva, M., et Gallego, M. 2015. Seasonal evaluationof the presence of 46 disinfection by-products throughout a drinking water treatment plant.Science of The Total Environment, 517 :246–258.

44

Shang, F., Uber, J. G., et Rossman, L. A. 2007. Modeling reaction and transport of multiplespecies in water distribution systems. Environmental science & technology, 42(3) :808–814.

Shanks, C. M., Sérodes, J.-B., et Rodriguez, M. J. 2013. Spatio-temporal variability of non-regulated disinfection by-products within a drinking water distribution network. WaterResearch, 47(9) :3231–3243.

Siddique, A., Saied, S., Zaigham, N. A., Mumtaz, M., Mahar, G. A., et Mohiuddin, S.2012. Temporal variability of disinfection by-products concentration in urban public watersystem. Global NEST Journal, 14(4) :393–398.

Simard, A., Pelletier, G., et Rodriguez, M. 2011. Water residence time in a distribution systemand its impact on disinfectant residuals and trihalomethanes. Journal of Water Supply :Research and Technology—AQUA, 60(6) :375–390.

Singer, P. C. 1994. Control of disinfection by-products in drinking water. Journal ofEnvironmental Engineering, 120(4) :727–744.

Singer, P. C., Obolensky, A., et Greiner, A. 1995. DBPs in chlorinated north carolina drinkingwaters. Journal American Water Works Association, 87(10) :83–92.

Sudol, M. et Kwietniewski, M. 2005. One criterion optimization of location of water qualityconstant measuring points within monitoring system. In Wilga-DL Tentative, pages 494–501.International Society for Optics and Photonics.

Summerhayes, R. J., Morgan, G. G., Lincoln, D., Edwards, H. P., Earnest, A., Rahman, M. B.,Byleveld, P., Cowie, C. T., et Beard, J. R. 2011. Spatio-temporal variation in trihalomethanesin new south wales. Water Research, 45(17) :5715–5726.

Thompson, S. L., Casman, E., Fischbeck, P., Small, M. J., et VanBriesen, J. M. 2007.Vulnerability assessment of a drinking water distribution system : implications for publicwater utilities. In World Environmental and Water Resources Congress 2007, pages 1–12.

Todlini, E. et Pilati, S. 1987. A gradient method for the analysis of pipe networks.In Proceedings of the international conference on computer applications for water supply anddistribution, Leicester Polytechnic, UK.

Toroz, I. et Uyak, V. 2005. Seasonal variations of trihalomethanes (THMs) in waterdistribution networks of istanbul city. Desalination, 176(1) :127–141.

Trussell, R. R. 1999. Safeguarding distribution system integrity. Journal American Water WorksAssociation, 91(1) :46–54.

Tryby, M. E. et Uber, J. G. 2001. Representative water quality sampling in water distributionsystems. In Bridging the gap : Meeting the world’s water and environmental resources challenges,State of the Practice—Proc., World Water and Environmental Resources Congress.

45

Tucciarelli, T., Criminisi, A., et Termini, D. 1999. Leak analysis in pipeline systems by meansof optimal valve regulation. Journal of Hydraulic Engineering, 125(3) :277–285.

Tung, H.-h. et Xie, Y. F. 2009. Association between haloacetic acid degradation andheterotrophic bacteria in water distribution systems. water research, 43(4) :971–978.

Uber, J., Boxall, J., et coll. 2010. Multi-species network water quality modeling : currentexamples, future potential, and research needs. In Integrating water systems. Proceedingsof the Tenth International Conference on Computing and Control for the Water Industry, CCWI2009-’Integrating Water Systems’, Sheffield, UK, 1-3 September 2009., pages 13–19. CRCPress/Balkema.

U.S. Federal Government, 2009. Executive order (eo) 13514 federal leadership inenvironmental, energy, and economic performance, 2009. http://www.epa.gov/greeningepa/practices/eo13514.htm [Consulté en 2015].

USEPA. 1998. National primary drinking water regulations : disinfectants and disinfectionbyproducts-final rule. Federal Register, 63(241) :69390.

USEPA. 2002. Effects of Water Age on Distribution System Water Quality. United StatesEnvironmental Protection Agency, Washington., 2002.

USEPA. 2006a. The effectiveness of disinfectant residuals in the distribution system.

USEPA. 2006b. National primary drinking water regulations : Stage 2 disinfectants anddisinfection byproducts rule. 71 :387–493.

USEPA. 2011. National primary drinking water regulations.

Uyak, V., Soylu, S., Topal, T., Karapinar, N., Ozdemir, K., Ozaydin, S., et Avsar, E. 2014. Spatialand seasonal variations of disinfection byproducts (DBPs) in drinking water distributionsystems of istanbul city, turkey. Environmental Forensics, 15(2) :190–205.

Van der Kooij, D. et Veenendaal, H. 2001. Biomass production potential of materials in contactwith drinking water : method and practical importance. Water Science & Technology : WaterSupply, 1(3) :39–45.

Vasconcelos, J. J. et Boulos, P. F. 1996. Characterization and modeling of chlorine decay indistribution systems. American Water Works Association, 1996.

Villanueva, C. M., Gagniere, B., Monfort, C., Nieuwenhuijsen, M. J., et Cordier, S. 2007.Sources of variability in levels and exposure to trihalomethanes. Environmental Research,103(2) :211–220.

46

Villanueva, C. M., Kogevinas, M., Cordier, S., Templeton, M. R., Vermeulen, R., Nuckols,J. R., Nieuwenhuijsen, M. J., Levallois, P., et coll. 2014. Assessing exposure and healthconsequences of chemicals in drinking water : current state of knowledge and researchneeds. Environ Health Perspectives, 122(3) :213–221.

Volk, C., Wood, L., Johnson, B., Robinson, J., Zhu, H. W., et Kaplan, L. 2002. Monitoringdissolved organic carbon in surface and drinking waters. Journal of EnvironmentalMonitoring, 4(1) :43–47.

Walski, T. 2004. Modeling for hydraulic capacity (with respond). Journal American WaterWorks Association, 96(10) :104–108.

Wong, H. et Mok, K. 2008. Formation of HAAs and THMs in the water treatment anddistribution system of macau. Water Practice & Technology, 3(3).

Woo, H. et Kim, J.-H. 2003. Optimal location of water quality monitoring sites inwater distribution systems. In Advances in Water Supply Management : Proceedings of theInternational Conference on Computing and Control for the Water Industry, 15-17 September 2003,London, UK, page 471. Taylor & Francis.

Wright, J., Schwartz, J., et Dockery, D. 2003. Effect of trihalomethane exposure on fetaldevelopment. Occupational and Environmental Medicine, 60(3) :173–180.

Xu, C. et Goulter, I. C. 1998. Probabilistic model for water distribution reliability. Journal ofWater Resources Planning and Management, 124(4) :218–228.

Zhang, G., Kiene, L., Wable, O., Chan, U., et Duguet, J. 1992. Modelling of chlorine residualin the water distribution network of macao. Environmental Technology, 13(10) :937–946.

Zhang, W. et DiGiano, F. A. 2002. Comparison of bacterial regrowth in distribution systemsusing free chlorine and chloramine : a statistical study of causative factors. Water Research,36(6) :1469–1482.

Zhang, Y., Collins, C., Graham, N., Templeton, M. R., Huang, J., et Nieuwenhuijsen, M. 2010.Speciation and variation in the occurrence of haloacetic acids in three water supply systemsin england. Water and Environment Journal, 24(3) :237–245.

Zhong, D., Yuan, Y., Ma, W., Cui, C., et Wu, Y. 2012. Influences of pipe materials andhydraulic conditions on the process of trihalomethanes formation in water distributionnetwork. Desalination and Water Treatment, 49(1-3) :165–171.

Zimoch, I., Szymura, E., et Moraczewska-Majkut, K. 2015. Changes of trihalomethanes(THMs) concentration in water distribution system. Desalination and Water Treatment,(ahead-of-print) :1–10.

47

Chapitre 2

Caractérisation de la variabilitédu temps de séjour, du chlore résiduel

et des sous-produits chlorés de ladésinfection

à l’échelle d’un quartier résidentiel

2.1 Introduction

Les gestionnaires de réseaux de distribution en eau potable (RDEP) tentent de contrôler, aumieux de leurs connaissances, les risques aigus et chroniques liés à la qualité de l’eaudistribuée aux consommateurs. Les risques aigus, liés à la transmission de maladies parl’eau attribuable en partie à la recroissance bactérienne et microbienne dans les RDEP(LeChevallier et coll., 1996 ; Zhang et DiGiano, 2002), sont limités par le maintien d’uneconcentration résiduelle de chlore en réseau. Les risques chroniques sont principalementliés à la présence de sous-produits de la désinfection (SPD) engendrée par la réaction duchlore avec la matière organique naturelle (MON). Les espèces habituellement retrouvées àde plus grandes concentrations sont les trihalométhanes (THM) et les acides halocétiques(AHA) (Singer, 1994). Ainsi, du point de vue de la gestion de la qualité de l’eau en réseau, ily a une dichotomie dans le maintien d’une concentration en chlore résiduel libre suffisanteen tout point et le maintien d’une concentration minimale pour limiter la formation desSPD.

L’évolution de la qualité de l’eau en réseau est affectée par une multitude de facteursspatio-temporels, tels que les caractéristiques de l’eau brute et le temps de séjour (TDS) del’eau traitée séjournant dans les conduites combiné à l’effet des parois de ces conduites

49

(Hallam et coll., 2002 ; Al-Jasser, 2007). Cette évolution de la qualité de l’eau peut engendrerl’apparition de zones vulnérables. Du point de vue des concentrations en chlore résiduellibre (CCRL), la vulnérabilité est associée à une absence de concentration résiduelle endésinfectant et donc une absence de protection contre la recroissance bactérienne. Auniveau des THM et des AHA, la vulnérabilité se situe davantage au niveau de zonesprésentant des concentrations plus élevées entraînant un plus haut taux d’exposition desconsommateurs et accentuant les risques chroniques liés à leur présence dans l’eau. Lavérification du non-dépassement de la limite permise est généralement calculée par unemoyenne annuelle de concentrations (Sadiq et Rodriguez, 2004) sur plusieurs échantillonsselon la population alimentée par le RDEP. Dans le cadre de ce chapitre, la vulnérabilitédans les RDEP sera donc définie comme une faible CCRL et une concentration élevée enTHM et en AHA.

Le temps de séjour de l’eau dans les RDEP est directement lié à la dégradation de la qualitéde l’eau (vulnérabilité) dans les RDEP étant donné son effet sur les CCRL et la formationdes SPD (Nakache et coll., 1996). Le chlore résiduel se dégrade dans le temps au fil duparcours de l’eau dans les conduites et les zones présentant un TDS plus élevé telles que lesextrémités de réseau sont associées à des concentrations plus élevées en THM (Simardet coll., 2011 ; Rodriguez et coll., 2004). Par contre, certaines espèces de AHA sontbiodégradées par le biofilm présent sur les parois des conduites, ce qui entraîne unediminution des concentrations dans les extrémités des réseaux et les zones présentant untemps de séjour plus élevé (Pluchon et coll., 2013 ; Rodriguez et coll., 2004). Des zonesproblématiques (vulnérabilité élevée) au niveau des concentrations en chlore résiduel ou enSPD peuvent donc potentiellement être identifiées étant donné les liens établis dans lalittérature entre ces paramètres et le TDS (El-Shafy et Grünwald, 2000 ; Farren, 2003 ;Rodriguez et coll., 2007 ; Simard et coll., 2011).

L’évolution de la qualité de l’eau peut donc se caractériser par sa dimension spatiale et sadimension temporelle. La dimension temporelle est liée à la variation des propriétés del’eau brute (matière organique naturelle, température, turbidité, pH, etc.). Certaines de cespropriétés telles que la nature de la matière organique naturelle retrouvée dans l’eaupeuvent affecter la formation des SPD (Singer, 1994). La variation des propriétés de l’eaubrute entraîne la nécessité d’adapter le traitement, notamment par la modification dudosage en chlore. Cette variation se répercute sur les propriétés de l’eau traitée et a donc unimpact sur la dégradation du chlore résiduel ainsi que sur la formation et la biodégradationdes SPD. La dimension spatiale est associée au parcours de l’eau traitée dans le RDEP et àson TDS étant donné que des liens entre la qualité générale de l’eau et le TDS peuvent êtreétablis (Machell et Boxall, 2011, 2014). Le TDS aura aussi un plus grand impact sur la qualitéde l’eau pour des zones desservies par des conduites de petit diamètre, notamment auniveau de la dégradation du chlore résiduel (Binet, 2010), et cet impact sera accentué si ces

50

conduites sont sujettes à la corrosion ou à la formation d’un biofilm. Ceci peut s’expliquernotamment par le fait qu’un contact plus important de l’eau avec les parois des conduites,la présence de biofilm ou la corrosion des parois entraînent une dégradation plus rapide duchlore dans le temps (Sharp et coll., 1991 ; Kiene et coll., 1998 ; Lu et coll., 1999 ; Mutotiet coll., 2007).

Différentes études présentées dans les paragraphes suivants ont été réalisées afin d’évaluerla variabilité spatio-temporelle des THM et des AHA en prenant en compte directement ouindirectement le TDS de l’eau dans le choix de points de prélèvements. D’autres étudesconsidèrent uniquement une couverture géographique ou utilisent des bases de donnéesconstruites par des municipalités sans considérer spécifiquement le TDS dansl’emplacement de points de prélèvements (Parvez et coll., 2011 ; Summerhayes et coll., 2011 ;Siddique et coll., 2012 ; Uyak et coll., 2014).

La prise en compte indirecte des TDS est réalisée en considérant la distance entre l’usine detraitement des eaux ou un réservoir et les points de prélèvements pour l’identificationd’emplacements à prélever ou encore en effectuant des campagnes intensives de mesure duchlore résiduel libre pour obtenir un indicateur du TDS (Garcia-Villanova et coll., 1997 ;Rodriguez et Sérodes, 2001 ; Rodriguez et coll., 2003 ; Toroz et Uyak, 2005). Lorsque le TDSest pris en compte directement pour le choix de points de prélèvements, une estimation duTDS est effectuée par modélisation ou par la réalisation d’une étude au traceur. Cette priseen compte des TDS a résulté en l’observation d’une variabilité spatiale significative auniveau des THM et des AHA entre des points ou groupes de points représentant différentsTDS à l’échelle du RDEP (Rodriguez et coll., 2004, 2007 ; Shanks et coll., 2013). Par contre, laprise en compte du TDS est réalisée en considérant une seule valeur de TDS pour chacundes points de prélèvements plutôt qu’une valeur de TDS par point et par campagne.

À notre connaissance, aucune étude ne considère une valeur de TDS propre à chacun despoints pour chacune des campagnes de prélèvements effectuées alors que la simulation desTDS peut générer une information quant à la qualité générale de l’eau, notamment auniveau du chlore résiduel, en utilisant une modélisation basée sur une information limitée(Khanal et Speight, 2008). Une information limitée au niveau de la modélisationhydraulique est représentée par l’utilisation d’un modèle hydraulique non calibré construità l’aide d’informations normalement accessibles aux gestionnaires de réseaux telles que lediamètre, le matériel et l’âge des conduites, la quantité d’eau totale consommée dans unezone donnée ainsi que la répartition de la population afin d’établir le portrait des demandesen eau dans le modèle. L’information accessible aux gestionnaires de réseaux présentenormalement des lacunes au niveau des conditions locales telles que la répartition réelle desdébits de consommation et des fuites ainsi que le mélange des eaux comportant un âgedifférent aux intersections de conduites, l’état de l’ouverture des vannes et l’état réel desparois des conduites. L’information limitée quant à ces conditions locales génère des

51

incertitudes dans la simulation des TDS et doit être prise en compte dans l’analyse desrésultats de simulation. L’originalité de la présente étude réside dans la considération de lavariabilité à une échelle géographique réduite étant donné que l’échelle à laquelles’effectuent les études évaluant la variabilité spatio-temporelle des SPD est habituellementcelle du réseau.

Les RDEP sont composés de trois types de conduites, soit les conduites de l’ossatureprincipale connectant l’usine de traitement des eaux (UTE) et les différentes zones oupaliers de pression, les conduites secondaires connectées aux conduites de l’ossatureprincipale et les conduites locales présentant les plus faibles diamètres. Des zonesprésentant de plus faibles consommations en eau et alimentées par des conduites locales,telles que des quartiers résidentiels, peuvent potentiellement entraîner une évolutionsignificative de la qualité de l’eau sur une plus courte distance en réseau qui ne peut êtreobservée en considérant l’échelle d’un réseau en entier. Les particularités de l’échelle duquartier résidentiel sont aussi au niveau du contact avec les parois des conduites étantdonné les plus faibles diamètres nécessaires à l’alimentation de ce type de secteur.

Les fréquences de prélèvements utilisées lors d‘études évaluant la variabilitéspatio-temporelle des SPD sont habituellement hebdomadaires (Rodriguez et Sérodes,2001 ; Rodriguez et coll., 2003 ; Toroz et Uyak, 2005), bimensuelles (Rodriguez et coll., 2004,2007), mensuelles (Shanks et coll., 2013 ; Summerhayes et coll., 2011) ou saisonnières (Parvezet coll., 2011 ; Siddique et coll., 2012 ; Uyak et coll., 2014). Ceci limite la considération de lavariabilité intra-journalière des SPD qui pourrait avoir un impact au niveau desconcentrations mesurées. La réalisation de campagnes de prélèvements plus intensives d’unpoint de vue spatial, soit la considération de davantage de points dans une zone plusrestreinte, et d’un point de vue temporel, en ayant une fréquence d’échantillonnagehebdomadaire couplée à plusieurs échantillons intra-journaliers, pourrait permettred’identifier une dimension dominante entre la variabilité spatiale et temporelle pour lechlore résiduel et les SPD. La réalisation d’un programme intensif de prélèvements peutaussi permettre l’évaluation du TDS comme indicateur de qualité de l’eau du point de vuedu chlore résiduel et des SPD pour une échelle réduite en estimant une valeur de TDSassociée à chacun des points échantillonnés et pour chacune des campagnes deprélèvements.

Le développement d’une meilleure connaissance de la variabilité spatio-temporelle du TDS,du chlore résiduel et des SPD (THM, AHA) à l’échelle d’un quartier résidentiel afind’élaborer des suivis représentatifs de cette variabilité est crucial pour une amélioration ducontrôle de la qualité de l’eau en réseau et pour une réduction de la vulnérabilité associée àson évolution dans le temps et dans l’espace. L’objectif principal de cette étude est doncd’évaluer la variabilité spatio-temporelle des TDS et de la qualité de l’eau (CCRL, THM etAHA) à l’échelle d’un quartier résidentiel afin de développer les connaissances permettant

52

l’élaboration de meilleurs suivis de la qualité de l’eau appuyés par la modélisation des TDStout en tenant compte de la variabilité spatio-temporelle spécifique au chlore résiduel et auxSPD. Les objectifs spécifiques sont :

1. Évaluer la variabilité intra-journalière de la CCRL et des SPD ;

2. Identifier la dimension de variabilité dominante pour la CCRL et les SPD entre l’aspectspatial (emplacement d’un point) et temporel (période de prélèvement) ;

3. Évaluer le potentiel des TDS simulés comme indicateurs de la qualité de l’eau à l’échelled’un quartier résidentiel.

Pour atteindre ces objectifs, un programme d’échantillonnage à fréquence hebdomadaireincluant la collecte de trois prélèvements par journée d’échantillonnage a été réalisé dans unquartier résidentiel. Vingt emplacements ont été choisis selon les caractéristiqueshydrauliques de la zone à l’étude. Un modèle hydraulique a été utilisé afin de simuler leTDS pour l’ensemble des points de prélèvements ainsi que pour chacune des campagnes.Le choix de l’emplacement des points a été basé sur un objectif de couverture du quartierétudié pour obtenir un portrait appréciable des différents TDS dans la zone d’étude.

2.2 Méthodologie

2.2.1 Étude de cas

Le cas du RDEP de la Ville de Québec alimenté en eau par la rivière Saint-Charles, maisplus particulièrement une zone circonscrite de ce réseau, le quartier Duberger, est étudiéeet modélisée dans un objectif de caractérisation de la qualité de l’eau et des TDS. Ce RDEPest situé dans une région nordique et est donc sujet à d’importantes variations saisonnièresde la température et de la qualité de l’eau brute au cours d’une année principalement duesaux précipitations sur le bassin versant alimentant la source. Les variations de la qualité del’eau brute au cours d’une année engendrent des ajustements fréquents du traitement de l’eauaffectant les cinétiques de dégradation du chlore résiduel et la formation de sous-produits dela désinfection (SPD) dans l’eau traitée. Par exemple, une température plus élevée entraînedes variations plus importantes de ces paramètres et une charge plus importante en MONpeut engendrer une formation additionnelle de SPD (Singer, 1994).

Le quartier résidentiel de Duberger a été intégré à la Ville de Québec en 1970. Il est habitépar près de 6000 citoyens et a une superficie de près de 2 km2. Il est alimenté par deuxchambres de vannes (CDV-A et CDV-B) reliées par une conduite connectée aux troisconduites principales du réseau de distribution. En effet, trois conduites principalesquittent l’UTE pour atteindre un réservoir situé à près de 13 kilomètres. Le cheminparcouru par ces conduites principales permet des connexions à des conduites secondaires

53

alimentant différents quartiers divisés en paliers de pression, dont le quartier à l’étude. LaFigure 2.1 présente la zone à l’étude, la connexion du quartier à UTE, les chambres devannes, l’emplacement des points d’échantillonnage et la distribution de la population. Lazone à l’étude est desservie par environ 50 km de conduites de diamètres variant de 75 à600 millimètres. Les conduites desservant le quartier sont principalement en fonte et ont étéinstallées en majorité il y a plus de 30 ans. Leur âge avancé fait en sorte qu’elles ont étésoumises à la corrosion et que leur diamètre réel n’est pas nécessairement équivalent audiamètre d’installation. Les conduites ayant un diamètre inférieur à 150 mm témoignent del’âge des infrastructures dans la zone à l’étude. Au Québec, les normes en vigueur nepermettent plus l’installation de conduites de distribution en eau potable ayant un diamètreinférieur à 150 mm dans une optique de protection contre les incendies (MDDELCC, 2002).

Les chambres de vannes sont munies de débitmètres permettant l’évaluation des débitsentrant dans le quartier et les débits mesurés à la CDV-A sont équivalents à 9% des débitsde la CDV-B en moyenne lors de la période d’étude. La CDV-A entre directement dans lequartier près de la connexion aux conduites principales alors que l’eau acheminée à laCDV-B doit parcourir près de 1,5 km dans une conduite de 600 mm. Le quartier estcaractérisé par son occupation en forte majorité résidentielle. Quelques industries,commerces et institutions (ICI) sont présents et sont munis de compteurs permettantd’évaluer leurs consommations moyennes respectives. Selon les données recueillies, les ICIreprésentent approximativement 1% de la consommation totale du secteur. Autrement, lesecteur à l’étude est principalement constitué de maisons unifamiliales ne possédant pasdes compteurs d’eau. La distribution de la population permet d’illustrer la répartition desdébits de consommation (Figure 2.1). La présence de plusieurs bâtiments à logementsmultiples explique la densité plus élevée dans la section sud de la zone à l’étude.

Ce secteur du RDEP de la Ville de Québec a été sélectionné pour diverses raisons. Toutd’abord l’information disponible au niveau des débits entrants par les deux chambres devanne permet une modélisation plus éclairée de l’hydraulique du réseau en plus du fait quece secteur a déjà fait l’objet d’une étude au traceur et de campagnes de prélèvements (Binet,2010 ; Delisle et coll., 2015). Le choix d’un réseau maillé résidentiel permet aussi d’observerdes variations plus importantes du TDS sur une échelle réduite par la présence de bouclesisolées dans le maillage du RDEP et par une densité de population relativement faible.L’état des conduites de ce secteur est aussi un facteur qui a motivé sa sélection étant donnéque leur âge avancé a permis d’observer un effet maximal au niveau des parois desconduites sur le chlore résiduel et les SPD. De plus, l’étalement des banlieues fait en sorteque ce type de secteur représente une part non négligeable des RDEP.

54

F 2.1 – Emplacement des points d’échantillonnage, des chambres de vannes (CDV),point de connexion vers l’UTE (TDS estimé à 6 h pour ce point) et distribution de lapopulation (2011) dans la zone à l’étude.

2.2.2 Caractérisation hydraulique

La modélisation des temps de séjour pour la zone à l’étude a été effectuée à l’aide du logicielEPANET 2.0 v.2.00.12 (Rossman, 2000) en mettant à profit l’outil d’analyse Age. L’outil Agedans le module qualité de l’eau du modèle permet l’évaluation du TDS pour les différentsnœuds et conduites formant le modèle de la zone étudiée. Les demandes en eau associées auxdifférents nœuds du modèle ont été distribuées au prorata de la population associée à chacundes nœuds et modifiées proportionnellement au débit d’entrée total mesuré aux chambresdes vannes à l’entrée du modèle qui varie de 4600 à 5900 m3/j. Ceci permet d’obtenir unevaleur de TDS pour l’ensemble du quartier selon le débit d’entrée mesuré. Des précisionsadditionnelles au niveau de la modélisation des TDS sont présentées à la section 3.2.2.

L’analyse des courbes de débit obtenues aux CDV a mené au choix de réaliser dessimulations en état stationnaire étant donné les faibles variations des débits obtenues pourles heures durant lesquelles les campagnes d’échantillonnage ont été réalisées. Certainesvariations sont observables (Figure 2.2), mais les incertitudes liées à la distribution de cesvariations à l’ensemble des nœuds du modèle font en sorte que le portrait des TDS simulésne sera pas nécessairement plus représentatif de la réalité en réseau. L’absence de patron deconsommation utilisé lors des simulations du TDS entraîne une stabilisation des valeurs deTDS obtenues lors des simulations et les valeurs de TDS retenues sont les valeursmaximales. Des vannes de contrôle de débit ont été ajoutées au modèle afin de mieuxrépartir les débits d’entrée pour s’approcher de la réalité au niveau du patron hydrauliqueet donc de la simulation des TDS en limitant les débits entrants aux valeurs mesurées in situpar des débitmètres.

L’UTE n’est pas représentée dans le modèle. Ainsi, les temps de séjour simulés correspondent

55

8:0

08

:30

9:0

09

:30

10:0

010

:30

11:0

011

:30

12:0

012

:30

13:0

013

:30

14:0

014

:30

15:0

015

:30

16:0

016

:30

17:0

017

:30

18:0

0

0

50

100

150

200

Campagnes

Déb

it(𝑚

3 /j)

5 juin CDV-B12 juin CDV-B19 juin CDV-B26 juin CDV-B5 juin CDV-A12 juin CDV-A19 juin CDV-A26 juin CDV-A

F 2.2 – Variation intrajournalière des débits aux CDV lors des campagnes de prélèvementde juin 2012

à la connexion à la conduite principale menant au quartier et aux différents nœuds du modèle.Le TDS entre l’UTE et l’entrée de la zone étudiée a été estimé lors d’une étude au traceur etune valeur de 6 heures a été obtenue (Delisle, 2009 ; Delisle et coll., 2015). Ainsi, l’ajout decette période de 6 heures aux TDS simulés permet une valeur s’approchant du TDS entrel’UTE et les nœuds du modèle.

Les caractéristiques du quartier à l’étude permettent de réaliser une modélisation des TDS enlimitant les sources d’incertitudes. Le débit entrant est connu et permet une distribution dudébit selon la population : l’occupation relativement homogène du quartier limite les erreursliées à la distribution des débits. Étant donné l’emplacement de la zone dans l’ossature duréseau, un mélange des eaux de différentes sources est peu envisageable et aucun réservoirn’est présent à proximité. Certaines informations quant aux conditions locales en réseau nesont toutefois pas connues telles que la rugosité réelle des parois des conduites, le diamètreréel des conduites corrodées ou la distribution des débits de fuite.

2.2.3 Évaluation de la qualité de l’eau

Un programme d’échantillonnage intensif a été effectué pour évaluer la qualité de l’eau dansla zone étudiée. La campagne s’est échelonnée entre mai et septembre 2012 afin d’observer

56

la variabilité de la qualité de l’eau attribuable aux saisons et aux conditions hydrauliques duréseau de distribution étant donné que cette période de l’année présente la variabilité la plusimportante et les concentrations en SPD les plus élevées. La fin de la campagne concorde avecla fermeture de l’alimentation en eau des robinets résidentiels extérieurs où étaient prélevésles échantillons, ce qui se fait au début de l’automne.

Vingt points de prélèvements de l’eau ont été sélectionnés chez des particuliers. Les vingtpoints ont été suivis sur une base hebdomadaire. À chaque campagne et pour chaque point,trois échantillons ont été prélevés à différents moments de la journée, soit le matin (8h-10h),le midi (12h-14h) et le soir (16h-18h) afin d’évaluer également la variabilité intra-journalièrede la qualité de l’eau.

L’emplacement des points dans la zone à l’étude est présenté à la Figure 2.1. La numérotationdes points a été établie selon un ordre décroissant de la concentration moyenne en chlorerésiduel libre obtenue lors des campagnes. Les emplacements ont été choisis sur une base decouverture du quartier en terme de conduites locales et secondaires suivant une campagne deporte-à-porte afin d’obtenir l’autorisation de prélever les échantillons sur le terrain privé departiculiers. La couverture de conduites secondaires et de conduites locales vise à obtenir unportrait plus étendu de la qualité de l’eau et une représentation géographique plus complètedes TDS retrouvés dans la zone à l’étude. Le choix de points d’échantillonnage dans desboucles isolées et sur des conduites secondaires permet d’atteindre cet objectif.

Il est important de noter qu’il a été impossible d’accéder directement aux chambres devannes étant donné leur emplacement en milieu de chaussée et les impacts envisageablessur la circulation routière. Ainsi, la résidence la plus près de la CDV-A représente le premierpoint d’échantillonnage (point 1) et les résultats obtenus pour ce point ont été considéréscomme étant ceux de l’entrée du réseau dans la zone étudiée. Par contre, la collecte dedonnées lors des campagnes a démontré que la qualité de l’eau à l’entrée du quartier prèsde la CDV-B pourrait davantage être assimilable aux résultats des points 2 ou 3 selon lescampagnes étant donné que la CCRL pour ces points s’est avérée plus élevée qu’au point 1lors de certaines campagnes. Ceci peut s’expliquer par le fait que les prélèvements n’ont paspu être effectués en simultané aux différents points. Le point 1 est le point le plus près de laconnexion aux conduites principales du réseau, mais l’alimentation du quartier esteffectuée principalement par la CDV-B. Le patron d’alimentation fait en sorte que levieillissement de l’eau et la dégradation du chlore résiduel s’effectuent principalement enquittant la CDV-B et en cheminant à travers le quartier tandis que la CDV-A alimente unezone limitée à la conduite secondaire à laquelle elle est directement connectée. Cette zonealimentée par la CDV-A subit aussi un mélange d’eau plus âgée provenant de la CDV-B etayant transité par les conduites locales du quartier.

57

2.2.3.1 Collecte des échantillons, mesures sur le terrain et en laboratoire

Deux équipes sur le terrain ont effectué l’échantillonnage en suivant un ordre prédéterminéd’échantillonnage pour les différents points. L’utilisation de deux équipes en simultané a éténécessaire pour effectuer les prélèvements dans les délais requis. Les robinets ont été ouvertspour une durée de cinq minutes avant la collecte des échantillons afin d’assurer que l’eauprélevée représente celle des conduites du réseau plutôt que celle de la plomberie interne dela résidence.

Pour chacune des visites aux différents points lors de chaque campagne, la température del’eau a été mesurée, des échantillons ont été prélevés pour l’analyse des concentrations enSPD et des tests de chlore résiduel libre et de chlore total ont été réalisés in situ. À chaquecampagne, un seul échantillon par point a été collecté en matinée dans le but de réaliser uneanalyse physico-chimique de l’eau, soit une analyse de la turbidité, de l’absorptivité UV à 254nm, du pH et de la conductivité. L’analyse du COD dans l’eau a été faite seulement pour lepoint 1, soit le point représentant l’eau entrant dans la zone étudiée (Figure 2.1). Ce choix a étéfait suite à une analyse du COD pour l’ensemble des points pendant les premières campagnesayant démontré une faible variabilité de ce paramètre entre les points.

2.2.3.2 Méthodes analytiques

Les mesures de chlore résiduel libre et total ont été effectuées sur le terrain par la méthodeDPD à l’aide d’un colorimètre portatif Hach DR890. L’analyse des paramètresphysico-chimiques a été réalisée à l’intérieur de 24 heures après le prélèvement. L’analysedes AHA a été effectuée dans les deux semaines suivant le prélèvement et le délai maximalavant l’analyse des THM a été d’un mois. Les échantillons pour la mesure du COD ont étéanalysés à l’aide d’un analyseur de COT Sievers 5310C en accord avec la méthode 5310Caprès filtration sur des filtres de taille 2 µm préalablement carbonisés pendant 2 heures à550 °C. L’absorptivité UV à 254 nm a été mesurée par un spectrophotomètre Hach DR5000avec des cellules en quartz de 5 cm. La turbidité a été mesurée avec un turbidimètre Hach2100N, la conductivité avec un multimètre WTW multi 340i et le pH à l’aide d’un pH-mètreAP15 de Denver Instruments.

Les quatre THM analysés dans cette étude sont le trichlorométhane ou chloroforme (TCM),le bromodichlorométhane (BDCM), le dibromochlorométhane (DBCM) et le bromoforme(TBM). Ces espèces ont été quantifiées par une extraction en phase solide (SPME) suivied’une analyse par chromatographie gazeuse combinée à une spectrométrie de masse àpiégeage d’ions. Les appareils utilisés pour ces analyses sont un échantillonneur automatiséCTC-Combipal, un chromatographe gazeux Varian 3900 avec un injecteur 1177 et unspectromètre de masse à trappe ionique (MS Varian 2100T). Les limites de détection de laméthode (LDM) pour chacune des quatre espèces de THM analysées sont pour le TCM, leBDCM, le DBCM et le TBM de 1,1 μg/L ; 0,6 μg/L ; 1,0 μg/L et 0,8 μg/L, respectivement.

58

L’incertitude pour l’analyse de ces composés est d’environ 25% (Mercier-Shanks, 2012).

Les six espèces d’AHA suivantes ont été analysées : les acides monochloroacétique(AMCA), dichloroacétique (ADCA), trichloroacétique (ATCA), monobromoacétique(AMBA), dibromoacétique (ADBA) et bromochloroacetique (ABCA). Les concentrations deces espèces ont été analysées en se basant sur la méthode EPA 552.2 (Hodgeson et coll.,1995). Après extraction, des volumes de 1 ml ont été analysés par un chromatographe enphase gazeuse (injecteur PSS, colonne capillaire DB-1701 :30 m x 0,32 mm DI, film de 0,25μm, J&W # cat. 123-0732) muni d’un détecteur à capture d’électrons (Autosystem XL dePerkin Elmer avec source radioactive au 63Ni). La limite de quantification de tous les AHAanalysés est de 1,0 μg/L pour cette méthode (LQM). Les incertitudes pour la mesure de cescomposés varient selon les espèces avec : 15% pour l’AMBA, l’AMCA et l’ADCA, 25% pourl’ATCA et 30% pour l’ADBA (Mercier-Shanks, 2012).

2.2.4 Traitement des données

Des analyses statistiques sur les données obtenues ont été réalisées à l’aide du logiciel SAS(SAS Institute, 2014). Une analyse de variabilité a été réalisée pour déterminer s’il y a unedimension significativement dominante entre la dimension spatiale et la dimensiontemporelle dans la variabilité des CCRL et des SPD. Cette analyse de variabilité est réaliséeen utilisant des modèles mixtes linéaires généralisés et permet de comparer la variabilitéspatiale attribuable à l’emplacement de points d’échantillonnage et la variabilité temporelleassociée à la journée au cours de laquelle les échantillons sont collectés. Ceci a pour objectifde déterminer si une différence statistiquement significative (p< 0,05) est observable entreces composantes de la variabilité à l’aide de la procédure PROC GLIMMIX sur le logicielSAS.

Les corrélations de Pearson (r) mesurant les relations linéaires entre le TDS et laconsommation de CRL (dCCRL) entre l’UTE et les différents points (CCRL𝑈𝑇𝐸-CCRL𝑚𝑜𝑦)ainsi qu’entre le TDS et les SPD ont été calculées. Ces corrélations avec le TDS sontcomparées avec celles obtenues pour la température de l’eau et le COD afin d’évaluer lepotentiel du TDS simulé avec une information limitée comme indicateur de la qualitégénérale de l’eau. Les calculs sont effectués à l’aide du logiciel SAS en utilisant la procédurePROC CORR.

Un test des rangs signés de Wilcoxon a aussi été effectué afin d’évaluer s’il y a une différencesignificative entre les valeurs des paramètres de la qualité de l’eau pour des points présentantun temps de séjour faible ou élevé (TDS inférieurs au 25𝑒 percentile et TDS supérieurs au 75𝑒

percentile de la distribution). Pour effectuer ce test, la procédure NPAR1WAY est utilisée surle logiciel SAS.

59

1 3 2 5 4 20 19 7 11 6 16 9 12 14 10 8 13 18 15 170

10

20

30

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

F 2.3 – Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6 heures)de chacun des points pour l’ensemble des campagnes

2.3 Résultats et discussion

2.3.1 Simulation des temps de séjour

La Figure 2.3 présente l’étendue des valeurs des TDS maximaux simulés pour l’ensembledes points d’échantillonnage. L’étendue des valeurs de TDS couvre les différentesconditions présentes dans le quartier à l’étude avec des résultats variant de huit heures àprès de trente heures pour différents points. Ces résultats prennent en compte le délai de sixheures entre l’UTE et l’entrée du quartier. Le temps de parcours de l’eau entre la CDV-A etla CDV-B est estimé à près de deux heures. Excepté pour le point 1, l’eau atteignant lesdifférents points d’intérêt de la présente étude a séjourné pendant plus de la moitié de sonâge dans les conduites desservant le quartier à l’étude.

Dans le cas présent, les débits mesurés aux chambres de vannes A et B varient respectivementde 123 à 798 m3/j et de 4260 à 5232 m3/j et le rapport entre la valeur mesurée en A et celleen B varie de 3% à 15% au fil des campagnes (Figure 2.4). L’ajout de vannes fictives pour lecontrôle des débits entrant par les deux chambres de vannes résulte en une erreur maximalede 0,05% entre les valeurs de débit mesurées et simulées.

La variabilité des temps de séjour s’avère particulièrement faible pour la majorité des points(Figure 2.3). L’écart entre le TDS maximal et minimal pour l’ensemble des campagnes estinférieur à 2 heures pour 18 des 20 points. Seuls les points 18 et 20 présentent un écart de 9et de 14 heures, respectivement. La variabilité du TDS pour ces deux points s’explique parleur emplacement en réseau. La variabilité attribuable au point 18 est associée au patrond’alimentation menant à ce point. En période de plus forte consommation, la conduite

60

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/120

10

20

30

Campagnes

TDS

sim

ulé

(h)

25%-75%MédianeTDS𝑚𝑜𝑦

MaxMin

Q𝐶𝐷𝑉 −𝐴Q𝐶𝐷𝑉 −𝐵

0

1000

2000

3000

4000

5000

Déb

it(m

3 /j)

F 2.4 – Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6 heures)lors de chaque campagne et répartition des débits aux deux chambres de vannes

alimentant ce point coule en direction sud avec un débit supérieur à la consommationattribuable uniquement aux nœuds de consommation sur la conduite. Ceci résulte en unfaible TDS. Par contre, en période de plus faible consommation, l’alimentation au point 18provient à la fois du nord et du sud de la conduite. Seul le débit de consommationattribuable au point 18 transite par la conduite, ce qui résulte en une augmentationimportante du TDS. La variabilité des résultats du point 20 est associée au faible débittransitant par la conduite desservant la boucle isolée sur laquelle est située ce point. Le débittransitant par cette boucle se limite au débit de consommation ainsi qu’à une proportion dudébit entrant par la CDV-A. La faible variabilité spatiale obtenue au niveau des TDS simuléspour les différents points porte à croire que le cheminement de l’eau dans les conduites duquartier subit peu de changements lors de la variation des débits de consommation.

Les résultats de simulation de TDS maximaux pour les différentes campagnes ainsi que lesdébits simulés aux deux chambres de vannes à l’entrée de la zone sont présentés à la Figure2.4. Les débits entrants mesurés aux chambres de vannes résultent en une consommation de450 à 600 L/personne/jour au fil des campagnes. Cet ordre de grandeur est attendu étantdonné l’inclusion des fuites ainsi que des ICI.

La distribution des TDS subit peu de changements entre les campagnes d’échantillonnage(Figure 2.4). Toutefois, les campagnes du 17 juillet et du 25 septembre présentent desvaleurs maximales plus élevées. Ces valeurs sont associées aux points 18 et 20 pour descampagnes présentant les valeurs les plus faibles au niveau du débit de la CDV-A :123 et129 m3/j par rapport à une moyenne de 424 m3/j. Le débit total entrant dans le quartierlors de la campagne du 17 juillet est le deuxième plus faible des 22 campagnes tandis que le

61

débit total entrant lors de la campagne du 25 septembre est le douzième plus faible. Larépartition des débits d’entrée dans la zone a donc un impact direct sur la simulation desTDS. La zone du réseau se situant près de la CDV-B qui présente une proportion dominantedu débit d’entrée aura des valeurs de TDS plus faibles étant donné le débit importanttransitant par les conduites pour atteindre des zones plus éloignées du réseau.

Des incertitudes découlent nécessairement des hypothèses de la modélisation telles qu’auniveau de la variabilité locale des débits et la répartition des débits de fuite. Ces incertitudespeuvent se répercuter sur les patrons hydrauliques en réseau, soit la proportion del’alimentation d’une zone par ses différentes entrées et le sens d’écoulement des conduites.Les profils de TDS sont donc obtenus en tenant compte de l’ensemble de l’informationdisponible, soit la distribution de la population et la répartition des débits aux entrées duquartier.

2.3.2 Portrait de la qualité de l’eau

Les valeurs moyennes lors des différentes campagnes sont présentées mensuellement auTableau 2.1. En plus des informations au niveau du chlore, des THM et des AHA, desparamètres additionnels sont présentés étant donné leur impact potentiel dans la formationdes SPD et l’information qu’ils peuvent apporter quant aux caractéristiques de l’eau traitéedans le réseau. Dans ce tableau, on observe que les CCRL présentent une augmentation àpartir du mois de juillet avec l’augmentation de la température. Ceci peut être associé à desajustements à l’UTE du dosage de chlore pour compenser la dégradation additionnelle duchlore résiduel lorsque la température de l’eau augmente. Ces ajustements au dosage enchlore ainsi que les variations de qualité de l’eau produite par l’UTE pourraient expliqueren partie la variation des CCRL.

Les niveaux de THM et de AHA présents dans la zone à l’étude demeurent sous la valeurmaximale normée de 80 et de 60 μg/L pour la moyenne annuelle (MDDELCC, 2012) et ce,pour l’ensemble du programme d’échantillonnage. Pour les THM, les espèces présentes enconcentration mesurable sont le TCM et le BDCM tandis que pour les AHA, seuls le AMCA,le ADCA et le ATCA sont présents en concentrations mesurables étant donné les faiblesconcentrations en bromures retrouvées dans l’eau de la zone à l’étude. Les valeursmoyennes présentées dans le Tableau 2.1 confirment un ordre de grandeur comparable auxobservations faites lors d’études précédentes effectuées pour le même réseau (Rodriguezet coll., 2003, 2004 ; Sadiq et Rodriguez, 2004 ; Shanks et coll., 2013).

L’ensemble des données recueillies lors des campagnes de prélèvements sont présentées sousforme de tableau dans l’Annexe B.

62

TABLEAU 2.1 – Valeurs moyennes mesurées sur le terrain et à l’UTE durant la période àl’étude (Mai à Septembre 2012) et écart-type entre parenthèses

Paramètre Mai Juin Juillet Août Septembre

Temp.(°C)(n=1295) 10,8(3,1) 16,0(2,0) 19,4(1,0) 20,4(0,4) 17,5(1,6)

pH (n=438) 7,25(0,19) 7,36(0,10) 7,32(0,09) 7,11(0,18) 7,35(0,21)

Cond.(μS/cm)(n=438) 149(16) 153(25) 187(26) 195(16) 192(17)

Turb.(NTU)(n=438) 0,23(0,06) 0,19(0,02) 0,21(0,06) 0,16(0,01) 0,20(0,02)

UV254(cm−1)(n=438) 0,026(0,004) 0,025(0,000) 0,022(0,003) 0,022(0,004) 0,020(0,001)

COD(mg/L)(n=22) 1,46(0,11) 1,76(0,15) 1,62(0,20) 1,87(0,23) 1,70(0,28)

CCRL𝑈𝑇𝐸(mg/L)(n=22) 1,20(0,05) 1,30(0,03) 1,60(0,02) 1,47(0,17) 1,64(0,03)

CCRL(mg/L)(n=1312) 0,53(0,22) 0,49(0,2) 0,67(0,26) 0,57(0,24) 0,77(0,24)

THM(μg/L)(n=1273) 19,4(7,8) 27,4(8,6) 32,9(8,9) 29,5(14,3) 23,7(7,6)

AHA(μg/L)(n=1282) 17,2(3,4) 20,9(2,9) 20,7(3,7) 22,2(4,3) 18,5(12,1)

Les valeurs moyennes sont calculées en prenant l’ensemble des valeurs mesurées.CCRL𝑈𝑇𝐸/COD/UV-254/Turb/Cond/pH : Une valeur par journée d’échantillonnage.CCRL/THM/AHA/Température : Une valeur matin, midi et soir pour chacun des points et chacunedes campagnes.

63

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200.00

0.20

0.40

0.60

0.80

1.00

1.20

Points d’échantillonnage

CC

RL(m

g/L)

25%-75%MédianeMoyenne

MaxMin

F 2.5 – Distribution des CCRL mesurées à chacun des points d’échantillonnage pourl’ensemble des campagnes

2.3.3 Variabilité spatiale de la qualité de l’eau

Les variations du temps de séjour de l’eau et des caractéristiques des conduites peuventexpliquer en partie la variabilité spatiale de la qualité de l’eau au sein du quartier. La Figure2.5 présente l’étendue des valeurs de la CCRL pour l’ensemble des points échantillonnésdans le but d’illustrer la variabilité de chacun de ces points. Le point 1 a été considérécomme étant la qualité en entrée de la zone étant donné qu’il s’agit du point se situant leplus près des conduites principales alimentant le quartier. Par contre, on peut observerqu’une concentration en chlore résiduel moyenne plus élevée est associée aux points 2 et 3.Cette différence peut s’expliquer par le plus faible débit associé à la chambre de vanne A etpotentiellement au fait que les échantillons ne peuvent être collectés exactement au mêmemoment. Ainsi, les paramètres d’entrée pour la zone à l’étude sont assimilables aux points1, 2 et 3.

Le coefficient de variation, soit le ratio entre l’écart-type et la moyenne, permet de représenterla variabilité ou l’étendue d’une série de valeurs. Il a été calculé spécifiquement pour chacundes points de prélèvements en considérant l’ensemble des données mesurées tel qu’indiquéau Tableau 2.2. Les valeurs plus élevées sont associées aux points présentant les plus faiblesCCRL. Ces points plus vulnérables du point de vue de la CCRL sont donc caractérisés pardes écarts plus importants des concentrations mesurées par rapport à la valeur moyenne aufil des campagnes. Le point 11 présente aussi un coefficient de variation plus élevé (0,43) etle plus grand écart entre le 25𝑒 percentile et le 75𝑒 percentile, soit 0,5 mg/L alors que cetécart est inférieur à 0,2 mg/L pour les autres points. Une attention particulière doit donc êtreportée aux points 11, 19 et 20. Le point 11 présente donc une étendue de valeurs de CCRLplus grande que celle de la majorité des points considérés. Une explication envisageable pour

64

cette variabilité est que le cheminement de l’eau atteignant ce point est variable. Le point 11est situé à proximité d’une conduite secondaire de plus grand diamètre dans lequel un débitimportant transite. Une hypothèse pour expliquer les variations de concentration à ce pointest qu’il est parfois alimenté par les conduites locales à faible diamètre du quartier et parfoispar la conduite secondaire. L’eau cheminant dans la conduite secondaire est caractérisée parune eau au TDS moins élevé étant donné le débit important qui y transite ainsi qu’un plusfaible contact avec les parois des conduites étant donné le diamètre de la conduite. Par contre,ceci n’est pas reflété dans les simulations du TDS (Figure 2.3).

Les points 19 et 20 présentent les gammes de CCRL les plus faibles avec des concentrationssous la limite de détection pour le point 20. Il faut noter que ces deux points sont situés prèsdes entrées de la zone à l’étude, mais chacun dans une conduite locale à faible diamètre (150mm) formant une boucle isolée. Les résultats révèlent qu’il est possible d’observer des CCRLavoisinants la limite de détection à une relativement faible distance (près de 500 mètres) d’uneentrée présentant des concentrations avoisinant 1 mg/L. Ces faibles concentrations sont aussiretrouvées au niveau des analyses en chlore total. Les données mesurées portent à croire qu’iln’est donc pas nécessaire de considérer des extrémités de réseau ou une distance importantepour l’observation de zones vulnérables par l’absence de résiduel en chlore. La simulation duTDS pour ces points n’aurait pas nécessairement permis d’identifier leur caractère vulnérable,particulièrement au niveau du point 19 qui présente un faible TDS.

La variabilité des CCRL concorde en grande majorité avec le comportement attendu desdifférents points selon leur TDS simulé. En effet, certains des points associés auxconcentrations en chlore résiduel les plus faibles (Figure 2.5) sont associés à des temps deséjour plus élevés. Par contre, les points de prélèvements associés aux plus faibles CCRL (19et 20) ne présentent pas des valeurs élevées au niveau du TDS. Les valeurs de TDS obtenuesne peuvent pas être liées directement au portrait du CCRL pour l’ensemble des points.Plusieurs facteurs peuvent expliquer ces résultats tels qu’une cinétique de dégradation duchlore attribuable aux parois particulièrement élevée dû à l’état de corrosion avancé desconduites. D’un point de vue hydraulique, l’état d’ouverture de certaines vannes, laréduction du diamètre réel de certaines conduites par la corrosion, ou un changement localdans les consommations en eau affectant les sens d’écoulement peuvent aussi expliquer cesrésultats. Certaines tendances dans les CCRL sont donc observables au niveau de lasimulation des TDS à l’échelle d’un quartier résidentiel, mais le niveau d’informationdisponible ne permet pas de tenir compte de certains effets locaux dans les simulations.

La Figure 2.6 illustre la distribution des concentrations en THM pour chacun des pointséchantillonnés. Les concentrations moyennes en THM varient spatialement de 24 à 34 μg/Là l’échelle du quartier. On peut observer une variabilité comparable entre chacun des pointsau fil des campagnes avec un coefficient de variation s’échelonnant entre 0,24 et 0,35(Tableau 2.2). Toutefois, des concentrations légèrement supérieures sont observables au

65

TABLEAU 2.2 – Coefficient de variation spatiale des concentrations mesurées aux points deprélèvements (𝑛𝐶𝐶𝑅𝐿 = 1313, 𝑛𝑇𝐻𝑀 = 1301, 𝑛𝐴𝐻𝐴 = 1281)

Point CCRL THM AHA

1 0.14 0.33 0.22

2 0.15 0.27 0.18

3 0.15 0.31 0.21

4 0.14 0.29 0.19

5 0.13 0.30 0.19

6 0.14 0.31 0.17

7 0.19 0.26 0.17

8 0.18 0.24 0.21

9 0.20 0.29 0.18

10 0.16 0.30 0.19

11 0.43 0.28 0.17

12 0.18 0.35 0.16

13 0.27 0.27 0.15

14 0.27 0.26 0.13

15 0.37 0.24 0.15

16 0.30 0.25 0.15

17 0.30 0.31 0.23

18 0.48 0.30 0.17

19 0.58 0.26 0.15

20 0.90 0.32 0.28

66

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

20

40

60

80

Points d’échantillonnage

THM

4(μ

g/L)

25%-75%MédianeMoyenne

MaxMin

F 2.6 – Distribution des THM4 mesurés à chacun des points d’échantillonnage pourl’ensemble des campagnes

niveau des points 17 à 20, soit les points présentant les CCRL les plus faibles. Lesconcentrations maximales en THM se retrouvent généralement en extrémité de réseau oudes zones présentant un TDS élevé. Ces résultats concordent avec les attentes au niveau ducomportement des THM en réseau (Simard et coll., 2011 ; Rodriguez et coll., 2004).

La Figure 2.7 illustre l’ensemble des concentrations mesurées en AHA pour chacun despoints échantillonnés. Les concentrations aux différents points échantillonnés ont un ordrede grandeur comparable avec une moyenne variant de 15 à 23 μg/L. Le coefficient devariation spécifique à chacun des points de prélèvements est plus faible que pour les THMavec une valeur minimale de 0,14 et une valeur maximale de 0,28 (Tableau 2.2). L’évolutiondes concentrations en AHA entre les différents points de prélèvements s’avère donc limitéeà l’échelle du quartier.

Par contre, les points 17 et 20 présentent des concentrations respectivement plus élevées etplus faibles. Une hypothèse pouvant expliquer les concentrations plus élevées en AHAretrouvées au point 17 est que ce point est alimenté par un chemin composé de conduitesayant un diamètre plus élevé, mais présentant un débit plus faible. Ainsi, le TDS estsuffisamment élevé pour une dégradation du chlore résiduel, mais le diamètre de conduiterelativement élevé ne favorise pas le contact de l’eau avec la paroi de la conduite etn’entraîne pas une biodégradation des AHA par le biofilm. Le point 20 présente desconcentrations de AHA légèrement inférieures aux autres points (Figure 2.7). Sachant quecertaines espèces de AHA peuvent subir une biodégradation par le biofilm présent sur lesconduites (Pluchon et coll., 2013 ; Rodriguez et coll., 2004) et que ce point présente desconcentrations en chlore plus faibles, ce comportement est attendu. L’effet associé aux

67

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

20

40

60

80

Points d’échantillonnage

AH

A5

(μg/

L)25%-75%MédianeMoyenne

MaxMin

F 2.7 – Distribution des AHA5 mesurés à chacun des points d’échantillonnage pourl’ensemble des campagnes

parois des conduites couplé à un TDS potentiellement plus élevé peut expliquer cetteobservation.

De faibles différences sont donc observables au point de vue de l’étendue desconcentrations pour les différents points échantillonnés, mais certains points ayant subi unedégradation plus grande du chlore résiduel libre présentent une concentration plus faibleen AHA et une concentration légèrement plus élevée en THM. Afin d’évaluer un niveaud’exposition maximal, certains emplacements sont donc à éviter au niveau des AHA et cesmêmes emplacements ont potentiellement avantage à être favorisés au niveau des THM.

2.3.4 Variabilité temporelle de la qualité de l’eau

2.3.4.1 Variabilité intra-journalière de la qualité de l’eau

Tel que présenté précédemment, trois échantillons ont été prélevés par campagne pour lamesure du chlore, des THM et des AHA avec un intervalle de quatre heures permettantd’obtenir un portrait de leur variabilité au fil de la journée. Pour une campagne et un pointdonné, l’écart entre chacune des mesures a été calculé. Cet exercice a été repris pourchacune des campagnes et pour chacun des 20 points échantillonnés.

L’écart moyen entre deux mesures effectuées pour un même point lors d’une même journéeest de 0,08 mg/L (médiane de 0,05 mg/L). Les écarts de concentrations en chlore résiduelau fil d’une même journée sont donc faibles. Conséquemment, la collecte d’un seuléchantillon semble suffisante pour obtenir une information adéquate. La Figure 2.8 illustreles concentrations moyennes en chlore résiduel libre des trois moments de la journée pour

68

l’ensemble des campagnes. Elle est générée à l’aide du logiciel ArcMap 10 et de la fonctionNatural Neighbor du module Spatial Analyst (ESRI, 2011). Cette figure illustre la similitudedes concentrations pour les trois moments de la journée. Pour les SPD, l’écart moyen est de5,5 μg/L (médiane de 3,8 μg/L) pour les THM et de 2,0 μg/L (médiane de 1,3 μg/L) pourles AHA. Alors que la moyenne de l’ensemble des mesures est de 27,6 μg/L pour les THMet de 19,7 μg/L pour les AHA, la variabilité intra journalière s’avère donc particulièrementfaible pour un même point d’échantillonnage.

F 2.8 – CCRL moyenne des campagnes de prélèvements pour la matin (A), le midi (M)et le soir (S)

La faible variabilité de CCRL et des SPD au fil d’une même journée permet de conclure quepour le quartier étudié, l’impact du moment de la journée durant lequel l’échantillon d’eauest collecté a un effet négligeable sur les résultats obtenus, et ce, malgré la variation dans lesdébits au fil d’une journée. Il faut toutefois noter qu’aucun échantillon n’a été collecté aucours de la nuit alors qu’une stagnation accrue de l’eau a lieu durant la nuit étant donné lesplus faibles consommations en eau pour cette période de la journée. La prise deprélèvements durant la nuit pourrait donc potentiellement permettre d’observer unevariabilité intra-journalière plus importante.

2.3.4.2 Variabilité temporelle entre les campagnes d’échantillonnage

La Figure 2.9 présente les consommations en chlore entre l’UTE et les différents points pourl’ensemble des campagnes. Le coefficient de variation a été calculé pour les données dedemandes en chlore, THM et AHA relatives à chacune des campagnes tel qu’illustré auTableau 2.3. Tel qu’attendu, les campagnes durant lesquelles la température de l’eau était laplus faible présentent les plus faibles demandes en chlore étant donné la réduction descinétiques de réaction. Par contre, les campagnes réalisées au mois de mai présentent à lafois les températures les plus faibles et les coefficients de variation les plus élevés (Tableau2.3). Cette plus grande variabilité pourrait s’expliquer par les propriétés de l’eau (Tableau

69

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/120.00

0.50

1.00

1.50

Campagnes

CC

RL(m

g/L)

25%-75%Médiane

dCCRL𝑚𝑜𝑦CCRL𝑈𝑇𝐸

MaxMin

Température

0.0

5.0

10.0

15.0

20.0

Tem

péra

ture

(∘ C)

F 2.9 – Distribution des demandes en chlore et évolution de la CCRL à l’UTE et de latempérature de l’eau lors de chaque campagne

2.1) étant donné que le mois de mai présente la moyenne de turbidité et d’absorptivité UV à254 nm la plus élevée. Tel qu’illustré à la Figure 2.10, la valeur de l’absorbance UVspécifique (SUVA) obtenue, soit l’absorptivité UV à 254 nm divisée par le COD, est aussi laplus élevée en moyenne pour le mois de mai et une valeur plus élevée est un indicateurd’une concentration plus grande de composés aromatiques dans l’eau et ceux-ci peuventengendrer une demande plus forte en chlore (Abdullah et coll., 2009). Par contre, lamoyenne plus élevée du mois de mai s’explique par deux pointes associées aux campagnesdu 3 et du 22 mai. Ainsi, ce résultat n’explique pas nécessairement la variabilité plusimportante des demandes en chlore observée durant les premières campagnes effectuées aumois de mai.

Les Figures 2.11 et 2.12 présentent l’ensemble des concentrations en THM et en AHAobtenues par campagne. Pour les THM, une valeur de 3 à 11 μg/L sépare le 25𝑒 du 75𝑒

percentile lors des différentes campagnes, soit de 10 à 30% de la concentration moyenne etla médiane des coefficients de variation est de 0,16. Au niveau des AHA, une valeur variantde 1 à 3 μg/L sépare le 25𝑒 du 75𝑒 percentile pour l’ensemble des campagnes, soit environ10% de la valeur moyenne mesurée lors d’une campagne et la médiane des coefficients devariation est de 0,10. La variabilité des concentrations mesurées lors des différentescampagnes s’avère donc plus importante au niveau des THM que des AHA à l’échelle duquartier, mais cette variabilité demeure relativement faible en comparaison aux incertitudesdécoulant de l’analyse de ces composés. Selon les Figures 2.11 et 2.12, la distribution desconcentrations en AHA demeure plus centrée sur la valeur médiane obtenue pour chacunedes campagnes que les THM. L’échelle du quartier et les TDS qui en découlent permettent

70

TABLEAU 2.3 – Coefficient de variation temporelle des concentrations mesurées aux pointsde prélèvements (𝑛𝐶𝐶𝑅𝐿 = 1313, 𝑛𝑇𝐻𝑀 = 1301, 𝑛𝐴𝐻𝐴 = 1281)

Campagne THM AHA dCCRL

3/5/12 0.24 0.15 0.36

8/5/12 0.17 0.12 0.39

15/5/12 0.19 0.13 0.30

22/5/12 0.12 0.08 0.31

29/5/12 0.17 0.09 0.28

5/6/12 0.17 0.09 0.26

12/6/12 0.19 0.08 0.23

19/6/12 0.17 0.06 0.21

26/6/12 0.12 0.09 0.23

3/7/12 0.12 0.10 0.26

10/7/12 0.15 0.10 0.24

17/7/12 0.15 0.14 0.29

24/7/12 0.12 0.12 0.30

31/7/12 0.15 0.10 0.24

7/8/12 0.11 0.10 0.22

14/8/12 0.15 0.13 0.35

21/8/12 0.14 0.11 0.22

28/8/12 0.19 0.11 0.25

4/9/12 0.24 0.33 0.30

11/9/12 0.18 0.20 0.25

18/9/12 0.12 0.06 0.26

25/9/12 0.19 0.07 0.25

71

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/12

0.8

1

1.2

1.4

1.6

1.8

2

Campagnes

𝑆𝑈𝑉𝐴

(𝐿/𝑚

𝑔⋅𝑚

)

F 2.10 – SUVA (L/mg*m) à l’entrée du secteur étudié

donc une formation additionnelle de THM entraînant une variabilité plus importante lorsde certaines campagnes. Au niveau des AHA, un équilibre entre la formation et labiodégradation pourrait expliquer la faible variabilité observée au fil des campagnes. Ainsi,un portrait représentatif de la variabilité temporelle des AHA à l’échelle du quartierpourrait être obtenu par l’échantillonnage d’un point en entrée du quartier, mais le choixd’un point d’entrée pourrait entraîner un biais dû à l’évolution des THM à l’échelle duquartier.

2.3.5 Corrélation entre les TDS et la qualité de l’eau

Une analyse des corrélations a été effectuée pour déterminer l’importance de la relationlinéaire entre le TDS et les concentrations moyennes en THM et AHA ainsi que laconsommation de CRL moyenne entre l’UTE (dCCRL= CCRL𝑈𝑇𝐸-CCRL𝑚𝑜𝑦) et lesdifférents points. Les concentrations moyennes sont calculées pour chacun des points etchacune des campagnes en déterminant la moyenne des concentrations mesurées lors d’unecampagne. Au niveau de la CCRL, ceci permet de déterminer si une simulation des TDSavec une information limitée à l’échelle d’un quartier résidentiel peut permettre d’identifierdes zones vulnérables de par une concentration plus faible en chlore résiduel. Du point devue des THM et des AHA, la corrélation avec le TDS est comparée à celle de la dCCRL, duCOD et de la température de par leur potentiel d’indicateur de formation de SPD. LeTableau 2.4 illustre ces corrélations.

La corrélation entre les THM et la consommation de CRL (0,52) est attendue étant donné

72

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/120

20

40

60

80

Campagnes

THM

4(μ

g/L)

25%-75%Médiane

THM4𝑚𝑜𝑦MaxMin

Température

0.0

5.0

10.0

15.0

20.0

Tem

péra

ture

(∘ C)

F 2.11 – Distribution des THM4 mesurées et évolution de la température de l’eau lorsde chaque campagne

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/120

20

40

60

80

Campagnes

AH

A5

(μg/

L)

25%-75%Médiane

AHA5𝑚𝑜𝑦MaxMinCOD

0.00

0.50

1.00

1.50

2.00

2.50CO

D(m

g/L)

F 2.12 – Distribution des AHA5 mesurées et évolution du COD lors de chaque campagne

73

TABLEAU 2.4 – Corrélations entre la demande en chlore, les SPD et d’autres paramètresd’intérêt (n= 438)

ParamètredCCRL THM𝑚𝑜𝑦 AHA𝑚𝑜𝑦

r p r p r p

dCCRL - - 0,52 <0,0001 0,11 0,0271

THM𝑚𝑜𝑦 0,52 <0,0001 - - 0,57 <0,0001

AHA𝑚𝑜𝑦 0,11 0,0271 0,57 <0,0001 - -

COD 0,16 <0,0001 0,50 <0,0001 0,62 <0,0001

Temp 0,39 <0,0001 0,64 <0,0001 0,38 <0,0001

TDS 0,32 <0,0001 0,20 <0,0001 0,26 <0,0001

que les concentrations maximales en THM sont associées à des zones au TDS élevé et doncnécessairement à une forte consommation de CRL (Rodriguez et coll., 2004). La corrélationentre la dCCRL et les AHA (0,11) est positive et particulièrement faible. Ceci pourraits’expliquer pas la relation entre la formation et la biodégradation des AHA à l’échelle duquartier, soit une faible formation entre l’entrée et les différents points diminuée par l’effetdu biofilm sur les conduites. La corrélation entre la moyenne journalière des SPD mesuréset le COD (0,50 et 0,62) s’avère positive et modérée et se compare aux résultats obtenus pourd’autres études (Toroz et Uyak, 2005 ; Ates et coll., 2007).

La corrélation entre les TDS simulés et la dCCRL mesurée (0,32) est significative, maisrelativement faible et a un ordre de grandeur comparable à la corrélation établie avec latempérature. Ceci peut s’expliquer par les incertitudes de la modélisation, mais aussi l’effetdes conditions locales. La variabilité locale de la cinétique de dégradation du chlorerésiduel attribuable aux parois des conduites qui est l’aspect dominant de la cinétique dedégradation pour le contexte du quartier étudié (Binet, 2010) peut aussi expliquer cerésultat.

Une corrélation positive est attendue entre les THM et les TDS (0,20) puisqu’ils présententdes concentrations maximales en extrémité de réseau. Par contre, la corrélation positive entrele TDS est les AHA (0,26) n’est pas nécessairement attendue. L’âge avancé des conduites duquartier à l’étude pourrait porter à croire qu’une biodégradation de certaines espèces de AHApar le biofilm sur les parois des conduites pourrait entraîner une diminution des AHA lorsdu parcours de l’eau dans le quartier. Une formation additionnelle des AHA à l’échelle duquartier pourrait expliquer ce résultat. Ces corrélations avec le TDS s’avèrent inférieures àcelles établies avec le COD (0,62) et la température (0,64). Ces deux paramètres sont associésà un état global du réseau tandis que le TDS peut être lié spécifiquement à différents pointsdu réseau. Ainsi, la simulation des TDS pourrait donner une indication quant à des points à

74

favoriser ou à éviter pour le prélèvement d’échantillons pour l’analyse des SPD.

Un test des rangs signés de Wilcoxon a été effectué en séparant les valeurs de TDS extrêmes,soit les valeurs de TDS sous le 25𝑒 percentile et supérieures au 75𝑒 percentile. Ceci permetd’évaluer si une différence significative de la qualité de l’eau est observable entre ces deuxgroupes et si la considération des TDS à l’échelle du quartier peut renseigner sur l’évolutionde la qualité en réseau à cette échelle. Une différence significative a été obtenue entre lesdeux groupes de TDS pour la consommation de CRL (dCCRL) (Z=8,738, 𝜌=<0,0001), lesTHM (Z=4,530, 𝜌=<0,0001) et les AHA (Z=5,130, 𝜌=<0,0001). Ceci indique la pertinence del’information générée par une simulation des TDS à l’échelle du quartier avec un niveaud’information limité. En effet, la simulation des TDS peut aider à cibler des pointsprésentant une concentration maximale ou minimale en chlore résiduel ou en SPD. Parcontre, il faut noter que ceci représente un comportement général et que certains points, telque les points 19 et 20 identifiés précédemment, ne présentent pas le comportement attenduau niveau du lien entre le TDS simulé et les données de qualité prélevées sur le terrain.

2.3.6 Dimension dominante de variabilité de la qualité de l’eau : temporelle ouspatiale

Finalement, une analyse statistique de la variabilité spatiale et de la variabilité temporelledes CCRL, des THM et des AHA a été réalisée dans l’objectif de déterminer une dimensiondominante. Dans une optique de suivi de la qualité de l’eau par une municipalité, une telleanalyse permet de déterminer s’il vaut mieux avoir un plus grand nombre de points deprélèvements ou plutôt une fréquence de prélèvements plus élevée afin de mieuxreprésenter la variabilité. Cette analyse a été réalisée à l’aide de modèles mixtes linéairesgénéralisés à l’aide logiciel SAS 9.4 (PROC GLIMMIX). Le nombre de mesures considéréainsi que les paramètres de covariance obtenus et leur erreur respective sont présentés auTableau 2.5. Les paramètres de covariance permettent de tirer des conclusions quant à ladimension dominante, qu’elle soit spatiale (point) ou temporelle (campagne), et le test du𝜒2 permet de valider que cet écart entre les paramètres de covariance est statistiquementsignificatif.

Pour ce qui est des CCRL, la variabilité spatiale (point) (0,0407) est significativement plusimportante que la variabilité temporelle (campagne) (0,0123). Ainsi, pour obtenir unportrait adéquat de la variabilité de la CCRL à l’échelle d’un quartier résidentiel, le choix dedifférents points d’échantillonnage aurait avantage à être favorisé plutôt que la répétition demesures aux mêmes points pour différentes semaines. Même si la dimension spatiale estl’aspect dominant de la variabilité de la CCRL, les conditions à l’UTE influencent lavariabilité des concentrations à un point donné. Le maintien de concentrations suffisantesen chlore résiduel dans les RDEP est directement associé au risque aigü posé par l’absenced’une concentration minimale de désinfectant résiduel. Ce risque est en partie contrôlé à

75

TABLEAU 2.5 – Paramètres de covariance et comparaison de la variabilité associée à ladimension spatiale (point) et temporelle (campagne)

Param. Cov.CCRL (n=1312) THM (n=1276) AHA (n=1284)

Estimé Erreur-type Estimé Erreur-type Estimé Erreur-type

Point 0,0407 0,1327 6,6937 2,3689 2,2868 0,7750

Campagne 0,0123 0,0039 53,1165 16,5940 9,8303 3,0685

AMS 0,0003 0,0004 0,3252 0,4169 0,1339 0,1491

Résiduel 0,0134 0,0005 38,6452 1,5564 6,5231 0,2619

Pr>Chi Sq.Spatial(Point) vs Temporel(Campagne)

0,0092 <0,01 0,0001 < 0,01 0,0025 < 0,01

l’UTE et évalué sur le terrain par le suivi de la qualité de l’eau. Ainsi, la variabilité desCCRL pour un point donné est influencée en partie par les conditions à la sortie de l’usine,notamment en termes de concentrations en désinfectant et de température (Figure 2.9 etTableau 2.4)

Les concentrations de SPD mesurées lors des campagnes présentent une variabilitétemporelle significativement plus importante (53,1165 pour les THM et 9,8303 pour lesAHA) que la variabilité attribuable à la dimension spatiale (6,6937 pour les THM et 2,2868pour les AHA). Ainsi, l’obtention d’un portrait représentatif de la variabilité des THM etdes AHA à l’échelle d’un quartier résidentiel réside en la prise en compte de la variabilitétemporelle des conditions à la sortie de l’UTE, telle que le COD ou la température (Figures2.10 et 2.11, Tableau 2.4), plutôt que l’emplacement en réseau au niveau de l’échelle d’unquartier résidentiel. Malgré des écarts importants des CCRL illustrant des écartsappréciables de TDS, les niveaux de SPD retrouvés en réseau demeurent peu variables d’unpoint à l’autre lors d’une campagne d’échantillonnage. Dans l’objectif de caractériser lesconcentrations des SPD à l’échelle du quartier, une fréquence d’échantillonnage plus élevéedoit donc être considérée plutôt que plusieurs points échantillonnés à une fréquenceréduite.

Étant donné les coûts en temps et en ressources pour effectuer des analyses desconcentrations en SPD, le nombre d’échantillons analysés par les municipalités pourassurer la conformité aux normes demeure limité. Il faut prendre en compte que le suivi desSPD est une vérification de non-dépassement de la limite permise en calculant unemoyenne annuelle de concentrations (Sadiq et Rodriguez, 2004). Cette moyenne a pourobjectif de représenter le niveau d’exposition aux SPD des citoyens. Ainsi, l’obtention d’unemoyenne représentative doit nécessairement prendre en compte la variabilité desconcentrations en SPD et, selon nos résultats, à l’échelle du quartier cette variabilité est

76

principalement liée à la dimension temporelle, soit la variabilité des caractéristiques del’eau brute et de l’eau traitée à la sortie de l’UTE.

Il faut noter que les résultats présentés ici découlent de campagnes de prélèvements qui necouvrent pas une année complète, mais la période considérée dans la présente étude (mai àseptembre) est généralement caractérisée par une variabilité plus importante des propriétésde l’eau traitée par rapport à la période hivernale. De plus, il faut noter que les résultatsobtenus ici ne sont pas nécessairement généralisables à l’ensemble des RDEP. Étant donnél’état des conduites en place, l’effet des parois des conduites est non-négligeable encomparaison à un secteur desservi par des conduites neuves. L’occupation du territoiredans le secteur à l’étude fait aussi en sorte que les résultats obtenus ne sont pasnécessairement applicables à des zones de plus forte densité de population.

2.4 Conclusion

Dans ce chapitre, nous avons évalué la variabilité spatio-temporelle du TDS, du chlorerésiduel libre, des THM et des AHA dans un quartier résidentiel de la ville de Québec. Lesinformations obtenues de cette évaluation pourront être utilisées pour développer demeilleurs suivis de la qualité de l’eau dans les réseaux de distribution permettant ainsi unemeilleure gestion de la qualité de l’eau en réseau. L’obtention d’un portrait plusreprésentatif du chlore et des SPD en réseau offrira un appui à l’optimisation du dosage enchlore dans l’objectif de maintenir une concentration résiduelle en désinfectant tout enlimitant la présence de SPD. Les principales conclusions découlant de cette étude sontdonc :

• Les résultats obtenus indiquent que les suivis de la qualité de l’eau en réseau réalisés parla collecte d’un prélèvement au cours d’une journée ne limitent pas la représentativitéde la variabilité étant donné la faible variabilité intra-journalière au niveau de la CCRL,des THM et des AHA.

• À l’échelle d’un quartier résidentiel, la représentativité de la variabilité du chlorerésiduel libre réside en des prélèvements pour plusieurs points alors que la variabilitédes THM et des AHA est mieux représentée par une fréquence de prélèvements plusélevée pour tenir compte de la variabilité temporelle associée aux propriétés de l’eau àla sortie de l’UTE.

• Le gain d’information obtenu par les simulations des TDS demeure limité à l’échelled’un quartier résidentiel. Certains points (19 et 20) ne présentent pas le comportementattendu au niveau des TDS mais certaines tendances attendues sont présentes dans lesrésultats de simulation. Globalement, la prise en compte de la simulation des TDS avecune information limitée permet de générer une information additionnelle quant aux

77

emplacements à favoriser pour les prélèvements en absence de données de qualité, etce, même à l’échelle d’un quartier résidentiel.

• Certains paramètres pouvant indiquer des concentrations en SPD plus élevées (TDS,COD, ajustement du dosage en chlore, température, etc.) devraient être pris en comptedans le choix des moments à cibler pour l’échantillonnage des SPD afin d’inclure desconcentrations maximales. Par exemple, la collecte d’échantillons pourrait être imposéelors de la période présentant le plus fort dosage en chlore ou la température la plusélevée dans la période de l’année représentée par ces échantillons. Ceci pourrait éviter lechoix délibéré d’un moment présentant des concentrations plus faibles afin de diminuerla valeur de la moyenne annuelle.

• Cette étude présente certaines limitations. Une seule zone dans un RDEP a fait l’objetd’un programme de prélèvements pour l’analyse du chlore et des SPD. Cependant, dupoint de vue hydraulique, cette zone ne présente pas de caractéristiques particulièreset peut s’apparenter à d’autres zones résidentielles. Les résultats au niveau de lavariabilité spatio-temporelle de la qualité de l’eau ne peuvent pas nécessairement êtregénéralisés pour d’autres types d’eau et d’autres désinfectants, mais l’étude d’unezone de faible densité desservie par des conduites âgées a permis la considérationd’un cas d’étude où l’effet des conduites est maximal. Malgré l’installationpréférentielle de conduites de plastique suite au renouvellement d’infrastructures ouà l’expansion des RDEP, des zones importantes des réseaux de grandes villes sontdotées de conduites âgées possédant des caractéristiques semblables à cellesretrouvées dans le quartier à l’étude. La considération de zones desservies par desconduites âgées demeure donc d’actualité.

78

Références

Abdullah, M. P., Yee, L. F., Ata, S., Abdullah, A., Ishak, B., et Abidin, K. N. Z. 2009. Thestudy of interrelationship between raw water quality parameters, chlorine demand andthe formation of disinfection by-products. Physics and Chemistry of the Earth, Parts A/B/C, 34(13) :806–811.

Al-Jasser, A. 2007. Chlorine decay in drinking-water transmission and distribution systems :Pipe service age effect. Water Research, 41(2) :387–396.

Ates, N., Kaplan, S. S., Sahinkaya, E., Kitis, M., Dilek, F. B., et Yetis, U. 2007. Occurrence ofdisinfection by-products in low doc surface waters in turkey. Journal of Hazardous Materials,142(1) :526–534.

Binet, G. Mieux prédire la dégradation du chlore en réseau de distribution : cas d’étude : laville de québec. 2010. Master’s thesis, Université Laval, 2010.

Delisle, F.-J. Amélioration de la connaissance des temps de séjour en réseau de distributionen vue de l’amélioration de la qualité de l’eau potable. 2009. Master’s thesis, UniversitéLaval, 2009.

Delisle, F.-J., Rochette, S., Pelletier, G., et Rodriguez, M. J. 2015. Tracer study to verifyhydraulic limits and determine water residence times in a distribution system : part i.Journal of Water Supply : Research and Technology – AQUA, 64(3) :365–377.

El-Shafy, M. A. et Grünwald, A. 2000. THM formation in water supply in south bohemia,czech republic. Water Research, 34(13) :3453–3459.

ESRI, R. 2011. Arcgis desktop : release 10. Environmental Systems Research Institute, CA.

Farren, E. A. 2003. Reducing trihalomethane concentrations by using chloramines as a disinfectant.PhD thesis.

Garcia-Villanova, R. J., Garcia, C., Gomez, J. A., Garcia, M. P., et Ardanuy, R. 1997. Formation,evolution and modeling of trihalomethanes in the drinking water of a town : Ii. in thedistribution system. Water Research, 31(6) :1405–1413.

Hallam, N., West, J. R., Forster, C., Powell, J., et Spencer, I. 2002. The decay of chlorineassociated with the pipe wall in water distribution systems. Water Research, 36(14) :3479–3488.

Hodgeson, J., Collins, J., Barth, R., Munch, D., Munch, J., et Pawlecki, A. 1995. Method552.2 determination of haloacetic acids and dalapon in drinking water by liquid-liquidextraction, derivatization and gas chromatography with electron capture detection.

79

Methods for the Determination of Organic Compounds in Drinking Water, Supplement III, USEnvironmental Protection Agency, Cincinnati, OH, 45268.

Khanal, N. et Speight, V. 2008. Increasing application of water quality models. In WorldEnvironmental and Water Resources Congress 2008, pages 1–10. ASCE.

Kiene, L., Lu, W., et Levi, Y. 1998. Relative importance of the phenomena responsible forchlorine decay in drinking water distribution systems. Water Science and Technology, 38(6) :219–227.

LeChevallier, M. W., Welch, N. J., et Smith, D. B. 1996. Full-scale studies of factors related tocoliform regrowth in drinking water. Applied and Environmental Microbiology, 62(7) :2201–2211.

Lu, W., Kiéné, L., et Lévi, Y. 1999. Chlorine demand of biofilms in water distribution systems.Water Research, 33(3) :827–835.

Machell, J. et Boxall, J. 2011. Field studies and modeling exploring mean and maximum waterage association to water quality in a drinking water distribution network. Journal of WaterResources Planning and Management, 138(6) :624–638.

Machell, J. et Boxall, J. 2014. Modeling and field work to investigate the relationship betweenage and quality of tap water. Journal of Water Resources Planning and Management, 140(9).

MDDELCC. Directive 001 Captage et distribution de l’eau. Ministère du DéveloppementDurable, de l’Environnement et de la Lutte contre les Changements Climatiques(MDDELCC), 2002. http://www.mddelcc.gouv.qc.ca/eau/potable/installation/documents/Directive001.pdf [Consulté en 2014].

MDDELCC. Règlement sur la qualité de l’eau potable. Ministère du Développement Durable, del’Environnement et de la Lutte contre les Changements Climatiques (MDDELCC), 2012.

Mercier-Shanks, C. Variations spatio-temporelles des sous-produits de la désinfectionémergents dans l’eau potable. 2012. Master’s thesis, Université Laval, 2012.

Mutoti, G., Dietz, J. D., Arevalo, J., et Taylor, J. S. 2007. Combined chlorine dissipation : Pipematerial, water quality, and hydraulic effects. Journal American Water Works Association,pages 96–106.

Nakache, F., Deguin, A., et Kerneis, A. 1996. Évolution dans un réseau de distribution desmicro-organismes et d’un nutriement, le codb. incidence du temps de transit. Revue dessciences de l’eau/Journal of Water Science, 9(4) :499–521.

Parvez, S., Rivera-Núñez, Z., Meyer, A., et Wright, J. M. 2011. Temporal variability intrihalomethane and haloacetic acid concentrations in massachusetts public drinking watersystems. Environmental Research, 111(4) :499–509.

80

Pluchon, C., Sérodes, J., Berthiaume, C., Charette, S., Gilbert, Y., Filion, G., Fournier-Larente,J., Rodriguez, M., et Duchaine, C. 2013. Haloacetic acid degradation by a biofilm in asimulated drinking water distribution system. Water Science & Technology : Water Supply, 13(2) :447–461.

Rodriguez, M. J. et Sérodes, J.-B. 2001. Spatial and temporal evolution of trihalomethanes inthree water distribution systems. Water Research, 35(6) :1572–1586.

Rodriguez, M. J., Vinette, Y., Sérodes, J.-B., et Bouchard, C. 2003. Trihalomethanes indrinking water of greater quebec region (canada) : occurrence, variations and modelling.Environmental monitoring and assessment, 89(1) :69–93.

Rodriguez, M. J., Sérodes, J.-B., et Levallois, P. 2004. Behavior of trihalomethanes andhaloacetic acids in a drinking water distribution system. Water Research, 38(20) :4367–4382.

Rodriguez, M. J., Sérodes, J.-B., Levallois, P., et Proulx, F. 2007. Chlorinated disinfectionby-products in drinking water according to source, treatment, season, and distributionlocation. Journal of Environmental Engineering and Science, 6(4) :355–365.

Rossman, L. A. 2000. Epanet 2 : users manual.

Sadiq, R. et Rodriguez, M. J. 2004. Disinfection by-products (DBPs) in drinking water andpredictive models for their occurrence : a review. Science of the Total Environment, 321(1) :21–46.

SAS Institute. 2014. Base sas 9.4 procedures guide : Statistical procedures.

Shanks, C. M., Sérodes, J.-B., et Rodriguez, M. J. 2013. Spatio-temporal variability of non-regulated disinfection by-products within a drinking water distribution network. WaterResearch, 47(9) :3231–3243.

Sharp, W., Pfeffer, J., et Morgan, M. 1991. In situ chlorine decay rate testing. In Proceedings ofAWWARF and USEPA conference on water quality modelling in distribution systems. Cincinatti,Ohio, pages 4–5.

Siddique, A., Saied, S., Zaigham, N. A., Mumtaz, M., Mahar, G. A., et Mohiuddin, S.2012. Temporal variability of disinfection by-products concentration in urban public watersystem. Global NEST Journal, 14(4) :393–398.

Simard, A., Pelletier, G., et Rodriguez, M. 2011. Water residence time in a distribution systemand its impact on disinfectant residuals and trihalomethanes. Journal of Water Supply :Research and Technology—AQUA, 60(6) :375–390.

Singer, P. C. 1994. Control of disinfection by-products in drinking water. Journal ofEnvironmental Engineering, 120(4) :727–744.

81

Summerhayes, R. J., Morgan, G. G., Lincoln, D., Edwards, H. P., Earnest, A., Rahman, M. B.,Byleveld, P., Cowie, C. T., et Beard, J. R. 2011. Spatio-temporal variation in trihalomethanesin new south wales. Water Research, 45(17) :5715–5726.

Toroz, I. et Uyak, V. 2005. Seasonal variations of trihalomethanes (THMs) in waterdistribution networks of istanbul city. Desalination, 176(1) :127–141.

Uyak, V., Soylu, S., Topal, T., Karapinar, N., Ozdemir, K., Ozaydin, S., et Avsar, E. 2014. Spatialand seasonal variations of disinfection byproducts (DBPs) in drinking water distributionsystems of istanbul city, turkey. Environmental Forensics, 15(2) :190–205.

Zhang, W. et DiGiano, F. A. 2002. Comparison of bacterial regrowth in distribution systemsusing free chlorine and chloramine : a statistical study of causative factors. Water Research,36(6) :1469–1482.

82

Chapitre 3

Évaluation des impacts duvieillissement et de la réhabilitation

des conduites sur le temps de séjour del’eau potable en réseau de distribution

3.1 Introduction

La variabilité spatiale et temporelle de la qualité de l’eau en réseau fait partie intégrante desproblématiques auxquelles font face les gestionnaires de réseaux de distribution en eaupotable (RDEP). Cette variabilité est liée autant à l’activité biologique qu’aux réactionschimiques dans l’eau distribuée et au contact de l’eau avec les parois des conduites. Lavariabilité de la qualité de l’eau potable est caractérisée par sa dimension spatiale, soit letemps de séjour (TDS) de l’eau en réseau (USEPA, 2002) et par sa dimension temporelleattribuable aux variations saisonnières des propriétés de l’eau brute qui peuvent serépercuter dans les propriétés de l’eau traitée (Pace et Cole, 2002 ; Mouly et coll., 2010).

La variabilité de la qualité de l’eau requiert un suivi en réseau afin d’assurer qu’une eausécuritaire est en tout temps distribuée à l’ensemble des consommateurs. Ce suivi esteffectué au moyen de prélèvements et doit habituellement considérer des emplacementsreprésentatifs d’une qualité moyenne de l’eau ainsi que des emplacements en extrémité deréseau dans le but de représenter les endroits les plus vulnérables à la détérioration de laqualité de l’eau (MDDELCC, 2012 ; USEPA, 2007). La vulnérabilité à la détérioration peutêtre liée à l’absence d’une concentration résiduelle en chlore libre (CCRL), soit une absencede protection face à la détérioration microbiologique de la qualité de l’eau en réseau. UneCCRL de 0,2 mg/L est considérée comme un niveau minimal afin de limiter cettedétérioration (LeChevallier et coll., 1996). La vulnérabilité peut aussi être liée à la présence

83

de sous-produits de la désinfection (SPD) découlant de la réaction de la matière organiquedans l’eau avec le chlore (Singer, 1994) dont les trihalométhanes (THM) et les acideshaloacéatiques (AHA). La vulnérabilité liée aux SPD est associée à une concentrationmaximale entraînant une plus forte exposition des utilisateurs. Par exemple, le prélèvementd’échantillons pour l’analyse des THM doit s’effectuer en extrémité de réseau ou dans deszones au TDS maximal afin d’évaluer le niveau d’exposition maximal des consommateurs àces substances (Clark et Sivaganesan, 1998 ; El-Shafy et Grünwald, 2000 ; Sadiq etRodriguez, 2004 ; Rodriguez et coll., 2007 ; Simard et coll., 2011).

L’élaboration de stratégies de suivi de la qualité de l’eau en réseau requiert un portraithydraulique afin d’identifier les points d’échantillonnage représentant une gamme devaleurs de TDS (USEPA, 2006). Ce portrait peut être obtenu au moyen de modèles quipermettent l’analyse des réseaux et de leurs diverses composantes (pompes, réservoirs,vannes). L’utilisation de modèles hydrauliques de réseaux de distribution est de plus enplus accessible pour les municipalités grâce à des supports informatiques puissants et à ladisponibilité de systèmes d’information géographique (SIG). En 2002, le gouvernement duQuébec a adopté la Politique nationale de l’eau (MDDELCC, 2012) qui contient unengagement pour lequel toute demande d’aide financière pour la réalisation de travauxd’infrastructures municipales, incluant les RDEP, doit être appuyée par un pland’intervention pour la mise en priorité des travaux à effectuer. Pour les RDEP, ce plan estbasé sur la collecte des données sur les conduites des réseaux telles que leur localisation,leur diamètre, leur année d’installation et le débit de fuite. Ces informations peuvent doncpermettre l’élaboration de modèles hydrauliques des RDEP à moindre coût.

Des simulations effectuées à l’aide de ces modèles peuvent donner un portrait des TDS enréseau et apporter un support pour le choix d’emplacements des points de prélèvement envue de l’évaluation de la qualité de l’eau ou pour la prise de décision en gestionhydraulique du réseau (p. ex. ouverture/fermeture de vannes pour limiter les zones destagnation de l’eau) (Simard et coll., 2011). Les simulations hydrauliques comportenttoutefois plusieurs paramètres sujets à des incertitudes et à une évolution dans le tempsdont les caractéristiques des conduites et les débits. Cette évolution est liée notamment auvieillissement et à la réhabilitation des conduites et elle peut influencer l’écoulement del’eau dans les RDEP. Elle doit donc être prise en compte dans l’élaboration de modèleshydrauliques.

Par contre, l’impact du vieillissement sur l’état des conduites des RDEP est habituellementpeu documenté et une méconnaissance de la rugosité des parois et du diamètre réel desconduites peut potentiellement influencer les résultats de la modélisation hydraulique. Destests de borne-fontaine pour l’évaluation des pertes de charge dues à la rugosité des paroisde conduites et la calibration subséquente des modèles peuvent permettre d’obtenir unportrait plus réaliste des pertes de charge et de la distribution des débits dans les conduites.

84

Seule l’évolution de la rugosité des parois des conduites est habituellement considérée dansles paramètres des modèles hydrauliques, mais le vieillissement des conduites en fonte peutaussi entraîner la réduction des diamètres par la corrosion interne des parois (Christensen,2009). La calibration de modèles hydrauliques basée sur la rugosité des parois desconduites peut toutefois s’avérer insuffisante pour obtenir un portrait réaliste sansconsidérer la réduction des diamètres par la corrosion (Boxall et coll., 2004). Des conduitesau diamètre réduit par l’action de la corrosion peuvent engendrer de plus grandes vitessesétant donné la réduction de l’aire d’écoulement et l’effet de la réduction du diamètre sur lacapacité hydraulique des conduites est accentué au fil de la réduction du diamètre (Boxallet coll., 2004). La réduction de l’aire d’écoulement entraîne aussi un contact plus étroit entrel’eau séjournant dans les conduites et les parois. Un contact plus important peut engendrerune dégradation plus grande du chlore (Sharp et coll., 1991 ; Kiene et coll., 1998 ; Lu et coll.,1999 ; Mutoti et coll., 2007). De plus, l’effet des parois (wall) au niveau de la constantecinétique de dégradation du chlore résiduel s’avère plus important que celui associé à l’eau(bulk) seule pour des conduites de petit diamètre et particulièrement pour des conduites enfonte âgée (Binet, 2010 ; Ekeng, 2011).

L’augmentation des pertes en eau par les fuites est une autre conséquence du vieillissementdes infrastructures composant les RDEP. Au Québec, la Stratégie d’économie d’eau potable(MAMOT, 2011) adoptée en 2011 vise à sensibiliser la population et les entreprises afin deréduire la consommation en eau pour atteindre la moyenne canadienne, soit une réductionde la consommation de 20% par rapport à la quantité moyenne distribuée par personne auQuébec lors de l’élaboration de la stratégie. L’atteinte de cet objectif de réduction des débitsest planifiée pour la fin de l’année 2016. Des efforts quant à la réduction des taux de fuitessont aussi mis de l’avant avec pour objectif de limiter le taux de fuites à un maximum de20% de l’eau distribuée et à un maximum de 15 m3/j par kilomètre de conduite. D’autresstratégies comparables sont adoptées ailleurs, notamment le Water Opportunities and WaterConservation Act (Governement of Ontario, 2010) adopté en Ontario qui vise à encourager lesOntariens à utiliser l’eau de façon plus efficace ainsi qu’à apporter du support pour la gestionet la planification des infrastructures municipales. Comme la consommation en eau tend àdiminuer avec la sensibilisation de la population et l’utilisation d’appareils et d’unités deplomberie plus efficaces et que des efforts sont aussi mis par les gestionnaires de réseaux pourréduire le taux de fuites, l’effet de la réduction des débits sur l’hydraulique des réseaux doitêtre maîtrisé. Ces réductions peuvent potentiellement engendrer des effets sur la qualité del’eau en réseau par la réduction des vitesses d’écoulement et l’augmentation des TDS menantpotentiellement à une dégradation additionnelle du chlore et des concentrations plus élevéesen THM. L’évolution des caractéristiques des RDEP dans le temps peut donc entraîner deseffets sur les TDS. Comme ces effets sur le TDS peuvent entraîner des conséquences sur laqualité de l’eau en réseau, la gestion des réseaux supportée par la modélisation hydrauliquedoit en tenir compte.

85

L’impact du vieillissement et de la réhabilitation des conduites sur le TDS a fait l’objet depeu d’études dans la littérature. Pasha et Lansey (2005) et Pasha et Lansey (2010) ontprésenté l’effet de l’incertitude de paramètres hydrauliques et des constantes cinétiques dedégradation sur la simulation des CCRL pour les cas d’un réseau théorique et d’un réseauréel peu maillé. Leurs résultats démontrent que les plus grandes variations au niveau de laCCRL sont liées à l’incertitude sur la constante cinétique de dégradation (bulk et wall) plutôtqu’à l’incertitude des paramètres hydrauliques. Par contre, aucune emphase n’est mise surla variation des TDS découlant de l’incertitude des paramètres hydrauliques. L’effetdominant de l’incertitude des constantes cinétiques de dégradation peut potentiellements’expliquer par un impact limité sur le TDS, mais l’utilisation de réseaux peu maillés limitel’applicabilité de ces résultats à des réseaux présentant un maillage plus important. L’effetde l’incertitude des paramètres hydrauliques sur la simulation de la CCRL a aussi étéabordé par Thompson et coll. (2007) en évaluant la vulnérabilité du point de vue de laCCRL. Ces études ont considéré l’échelle du RDEP alors que des variations significatives duTDS pourraient être observées à une échelle réduite en considérant une zone présentant unedensité de population peu élevée tel qu’un quartier résidentiel. Le choix d’une zonecirconscrite dont le portrait hydraulique est maîtrisé (débits entrants mesurés) permettrad’analyser les impacts du vieillissement, de la réhabilitation et des incertitudes desparamètres hydrauliques en s’approchant davantage de la réalité en réseau. À notreconnaissance, les impacts de scénarios hydrauliques de vieillissement et de réhabilitationdes conduites ainsi que l’effet de l’incertitude des paramètres hydrauliques sur le TDS pourune zone circonscrite d’un RDEP réel et maillé n’ont pas été abordés dans la littératurescientifique.

Une meilleure connaissance de l’effet de l’évolution des paramètres hydrauliques et desdébits suite au vieillissement et à la réhabilitation des réseaux sur les TDS pourra doncpermettre de mieux évaluer les limites de la modélisation des TDS avec une informationlimitée du point de vue des caractéristiques réelles des conduites. Cette analyse permettraaussi d’appuyer le choix d’emplacements de points de prélèvements par la modélisationhydraulique ainsi que de mettre en perspective les impacts potentiels du vieillissement etde la réhabilitation des conduites sur la qualité de l’eau en réseau. L’objectif principal decette étude est donc d’évaluer l’impact du vieillissement, de la réhabilitation et del’application d’une stratégie d’économie d’eau potable sur les TDS simulés à l’échelle d’unquartier résidentiel. Les objectifs spécifiques sont :

1. D’évaluer l’effet sur la simulation des TDS du vieillissement des conduites enconsidérant la réduction du diamètre (due aux tubercules de corrosion) etl’augmentation des débits de fuite ;

2. D’évaluer l’effet sur la simulation des TDS de la réhabilitation des conduites et de lamise en place d’une stratégie d’économie d’eau potable (réduisant les débits de

86

consommation et de fuite) ;

3. D’évaluer l’impact de l’incertitude des paramètres considérés (diamètre, rugosité,débit) sur les résultats de simulations des TDS ; et finalement,

4. D’évaluer l’impact potentiel des scénarios de réhabilitation et de vieillissement sur laCCRL en réseau.

3.2 Méthodologie

3.2.1 Étude de cas

Le cas d’un quartier résidentiel du réseau de la Ville de Québec, le quartier Duberger, a étéétudié et modélisé dans un objectif de simulation des TDS et d’étude de la variabilité spatio-temporelle de la qualité de l’eau du point de vue de la CCRL et des SPD (Chapitre 2). Lequartier résidentiel de Duberger a été intégré à la Ville de Québec en 1970. Il est habité parprès de 6000 citoyens et a une superficie de près de 2 km2. La consommation par habitant enincluant les fuites est estimée à environ 500 L/p/j pour ce secteur et le taux de fuites globaldu RDEP de la ville de Québec est estimé à 22% en 2012 (Ville de Québec, 2012). Ce secteur estalimenté par deux chambres de vannes (CDV-A et CDV-B) reliées par une conduite connectéeaux conduites principales du réseau de distribution. La connexion aux conduites principalesest située à approximativement 8 kilomètres de l’UTE.

La Figure 3.1 présente la zone à l’étude, la connexion du quartier à l’UTE, les chambres devannes, la distribution de la population ainsi que l’emplacement de 20 points considérésdans l’analyse des TDS et ayant fait l’objet de campagnes de prélèvement de la CCRL et desSPD (Chapitre 2). La zone à l’étude est desservie par environ 50 km de conduites dediamètres variant de 75 à 600 millimètres. Les conduites desservant le quartier sont en fonteet ont été installées en majorité il y a plus de 30 ans. Leur âge fait en sorte qu’elles ont étésoumises à la corrosion et que leur diamètre réel n’est pas nécessairement équivalent audiamètre d’installation. Les conduites ayant un diamètre inférieur à 150 mm témoignent del’âge des infrastructures dans la zone à l’étude. Au Québec, les normes en vigueur nepermettent plus l’installation de conduites de distribution en eau potable ayant un diamètreinférieur à 150 mm dans une optique de protection incendie (MDDELCC, 2002).

Les chambres de vannes sont munies de débitmètres permettant l’évaluation des débitsentrant dans le quartier et les débits mesurés à la CDV-A varient de 2 à 15% (médiane de9%) des débits de la CDV-B. La CDV-A entre directement dans le quartier près de laconnexion aux conduites principales alors que le débit acheminé à la CDV-B transite dansune conduite de 600 mm sur près de 1,5 km.

Le quartier est caractérisé par son occupation en forte majorité résidentielle. Quelquescommerces et institutions sont présents et quelques-uns sont munis de compteurs

87

F 3.1 – Emplacement des points d’échantillonnage, des chambres de vannes (CDV),point de connexion vers l’UTE (TDS estimé à 6 h pour ce point) et distribution de lapopulation (2011) dans la zone à l’étude.

permettant d’évaluer leur consommation d’eau. Par contre, les compteurs en service sontdes totalisateurs mesurant le volume total consommé entre deux prises de mesureeffectuées par des employés municipaux. Ceci limite l’information à une consommationmoyenne dans le temps. Autrement, le secteur à l’étude est principalement constitué demaisons unifamiliales. La distribution de la population permet d’illustrer la répartition desdébits de consommation et elle présente une zone plus densément peuplée dans la sectionsud du quartier. Des immeubles à logements multiples sont présents dans cette zone, ce quiexplique cette concentration de population.

3.2.2 Caractérisation hydraulique

Le modèle hydraulique utilisé consiste en 308 nœuds présentant des consommations, 549conduites, une source et deux chambres de vannes comprenant des vannes de réduction depression et des vannes de contrôle du débit. L’étude des données sur les débits pour les deuxchambres de vanne démontre de faibles changements dans la consommation au cours d’unejournée. Étant donné l’absence d’information quant à la distribution de ces variations intra-journalières de consommation en eau, le choix d’une consommation moyenne journalière aété retenu. Ainsi, les analyses ont été réalisées en régime permanent. Pour ces simulations,les demandes en eau demeurent constantes et un contrôle du débit est appliqué aux deuxvannes d’entrée afin de répartir les débits tels qu’ils ont été mesurés par les débitmètres enplace.

La modélisation des TDS a été effectuée à l’aide du logiciel EPANET 2.0 v.2.00.12 (Rossman,2000) en mettant à profit l’outil Age. L’outil Age dans le module qualité de l’eau du modèlepermet l’évaluation de TDS pour les différents nœuds et conduites formant le modèle de

88

la zone étudiée. L’UTE n’est pas représentée dans le modèle. Ainsi, les TDS sont simulésà partir de l’entrée du quartier. Une étude au traceur réalisée dans le RDEP de la ville deQuébec incluant le quartier à l’étude a démontré que le TDS entre l’UTE et l’entrée du quartierest d’environ six heures (Delisle, 2009 ; Delisle et coll., 2015). Les résultats d’intérêt sont lesvaleurs du TDS maximal, soit lorsqu’un équilibre est atteint dans le modèle. La durée dessimulations de 100 heures permet l’atteinte de cet équilibre et le pas de temps hydrauliqueutilisé est d’une heure.

Les demandes en eau associées aux différents nœuds du modèle ont été distribuées auprorata de la population associée à chacun des nœuds et modifiées proportionnellement audébit d’entrée total mesuré aux chambres des vannes à l’entrée du modèle qui varie de 4600à 5900 m3/j. Cette valeur inclus la consommation additionnelle attribuable à un quartierrésidentiel connexe qui n’est pas à l’étude. La population est distribuée aux différentsnœuds selon la distance euclidienne minimale entre la base de données de la ville deQuébec au niveau de la répartition de la population développée à l’aide du Rôlesd’évaluation foncière et les nœuds du modèle tel qu’effectué par Simard et coll. (2009). Lesvannes de contrôle de débit ont été ajoutées au modèle afin de répartir les débits d’entréepour s’approcher de la réalité au niveau du patron hydraulique. Le débit entrant attribuableà chacune des chambres de vannes a été obtenu sur une période s’échelonnant du mois demai au mois de septembre 2012 inclusivement tel qu’illustré à la Figure 3.2. Ceci a permisd’établir un portrait du débit entrant ainsi qu’un portrait du rapport du débit entre les deuxCDV. La caractérisation hydraulique est effectuée en se basant sur un scénario de référencede débit moyen présenté à la Section 3.2.3.

Une analyse des chemins hydrauliques a aussi été effectuée en se basant sur les valeurs dedébits simulés dans les conduites du modèle. La notion de graphe est utilisée pour cetteanalyse, soit un ensemble de sommets (nœuds) relié par des arêtes (conduites) formant unefigure comparable à un réseau. Dans le cas présent, les arêtes sont orientées. Ainsi, le lienentre deux nœuds ne peut se faire que dans un sens établi par le sens d’écoulement obtenupar la modélisation hydraulique. Les arêtes sont donc considérées comme des arcs (arêtesorientées) (Diestel, 2005). La notion de chemin simple est aussi utilisée, soit une suited’arêtes (conduites) entre deux sommets (nœuds) qui ne présente pas de doublons ni decycles. Le sens d’écoulement des conduites permet donc d’établir le nombre de cheminshydrauliques simples et orientés entre la source et l’ensemble des nœuds du modèle. Seulsles nœuds ayant une demande en eau supérieure à 0 sont considérés. Ces notionss’appliquent donc au niveau des RDEP en considérant le sens d’écoulement de l’eau dansune conduite comme étant fixe et en supposant qu’un chemin hydraulique ne peut passerdeux fois par le même nœud du modèle. L’établissement des chemins hydrauliques esteffectué à l’aide de Python 2.7 (Van Rossum et Drake Jr, 1995). Ce type de calcul peuts’effectuer aisément étant donné le type de simulation effectué dans le présent article, soit la

89

3/5/

128/

5/12

15/5

/12

22/5

/12

29/5

/12

5/6/

1212

/6/1

219

/6/1

226

/6/1

23/

7/12

10/7

/12

17/7

/12

24/7

/12

31/7

/12

7/8/

1214

/8/1

221

/8/1

228

/8/1

24/

9/12

11/9

/12

18/9

/12

25/9

/12

0500

1,0001,5002,0002,5003,0003,5004,0004,5005,0005,500

Campagnes

Déb

it(𝑚

3 /j)

CDV-ACDV-B

F 3.2 – Débits moyens journaliers mesurés aux CDVs

considération d’un régime permanent et les hypothèses de modélisation d’EPANET. Laconsidération d’un régime permanent résulte en un seul sens d’écoulement pour chacunedes conduites et l’hypothèse d’intérêt au niveau de la modélisation à l’aide d’EPANET est lemélange des eaux à un nœud donné. EPANET considère qu’un mélange total des eaux à unnœud est effectué lorsque des conduites se rencontrent et l’âge de l’eau à ce nœud estapproximé par une somme pondérée des âges par la proportion du débit entrant d’uneconduite par rapport au débit entrant total. Ce mélange engendre une nouvelle eau ayantun âge différent de ses composantes et ce mélange ne représente pas nécessairement lescaractéristiques des eaux à l’origine de ce mélange (Machell et Boxall, 2011). Le logicielEPANET est le modèle utilisé pour la caractérisation hydraulique et de la qualité de l’eaudans ce chapitre étant donné qu’il s’agit de l’outil de modélisation le plus utilisé et quel’objectif est d’obtenir un portrait général du TDS.

3.2.3 Scénarios de simulation

Tel que mentionné précédemment, le quartier à l’étude est desservi par des conduites enfonte âgées. Le scénario de référence du quartier, soit les conditions représentant l’état réeldu réseau au mieux des connaissances des gestionnaires du réseau, comprend une variationdu coefficient de Hazen-Williams entre 50 et 140. Des tests de borne-fontaine pour la mesurede la rugosité des conduites ont été effectués par la Ville de Québec dans un quartier connexeafin d’établir ces valeurs. Les conduites de plus grands diamètres présentent les coefficients

90

F 3.3 – Temps de séjour pour le scénario de référence

les plus élevés. Le diamètre nominal des conduites est utilisé plutôt que le diamètre réel étantdonné que cette information n’est pas disponible. Le scénario de référence est caractérisé parune valeur moyenne des débits mesurés par les débitmètres à l’entrée de la zone pour lapériode considérée (Figure 3.2). La Figure 3.3 présente les TDS maximaux simulés (Chapitre2) et la Figure 3.4 présente le nombre de chemins hydrauliques entre la source et les différentsnœuds du modèle pour le scénario de référence. Les résultats présentés pour les différentsscénarios de simulation sont illustrés en termes d’écart par rapport au scénario de référenceet sont divisés en deux catégories, soit les scénarios de vieillissement sans intervention et lesscénarios de réhabilitation. Les figures présentant les TDS sont générées à l’aide du logicielArcMap 10 et de la fonction Natural Neighbor du module Spatial Analyst (ESRI, 2011).

3.2.3.1 Scénarios de vieillissement

Les scénarios de vieillissement considèrent les conséquences hydrauliques duvieillissement des infrastructures. La modification de la rugosité des parois des conduites adéjà été effectuée dans le scénario de référence. Ainsi, les deux dimensions à considérerpour les scénarios de vieillissement sont la réduction des diamètres des conduites par lacorrosion et l’augmentation des débits par les fuites. Un ajustement à la baisse du diamètredes conduites a été effectué pour représenter l’apparition de tubercules de corrosionréduisant l’aire d’écoulement. L’effet de la réduction globale du diamètre des conduites et laréduction sélective des diamètres inférieurs ou égaux à 150 mm ont été évalués. La vitessede corrosion des parois des conduites est accentuée pour une eau stagnante (Imran et coll.,2005) et dans le contexte d’un quartier résidentiel, les conduites présentant les diamètres lesplus faibles sont sujettes à un TDS plus élevé, particulièrement au niveau des boucles

91

F 3.4 – Nombre de chemins hydrauliques de la connexion à l’UTE vers les nœuds dumodèle pour le scénario de référence

isolées. La réduction du diamètre est limitée à 25% du diamètre initial, ce qui représente laréduction moyenne obtenue lors du calage du modèle du RDEP de la Ville de Québeceffectué par Delisle et coll. (2015) en optimisant les diamètres pour reproduire les débits etles pressions mesurés aux chambres de vanne du réseau. Des mesures effectuées parChristensen (2009) sur onze conduites de diamètres variant de 20 à 100 mm ont résulté enune réduction maximale de 13% par rapport au diamètre initial. La valeur de 25% estchoisie afin d’observer les conséquences d’une réduction importante des diamètres et étantdonné que ce type de réduction peut être observé dans la pratique (Delisle, 2009). Lemanque d’information dans la littérature scientifique quant à la réduction du diamètre desconduites de fonte au fil de leur vie utile n’a pas permis d’obtenir un ordre de grandeurplus précis. Parallèlement à la réduction des diamètres, une augmentation des débits a étéconsidérée pour représenter une hausse des pertes d’eau par les fuites. Comme le scénariode référence considère déjà la présence de fuites étant donné que le débit total entrant dansle quartier est considéré, une augmentation des débits de 10% et de 20% est considérée etcette augmentation est distribuée à l’ensemble des nœuds du modèle. Ceci équivaut à uneaugmentation de 50% à 100% du débit de fuite estimé par la ville de Québec pourl’ensemble de son RDEP (Ville de Québec, 2012). Cette augmentation substantielle desfuites présente un ordre de grandeur comparable à la borne supérieure des pertes en eauestimées lors du Rapport annuel de l’usage de l’eau potable des municipalités québécoisesen 2012 (MAMOT, 2012).

92

3.2.3.2 Scénarios de réhabilitation

Les scénarios de réhabilitation considèrent le renouvellement des conduites, soit lamodification de la rugosité des parois ainsi que la réduction des débits de fuite. Laréhabilitation par le remplacement des conduites existantes par des conduites en PVCrésulte en une valeur de 140 pour le coefficient de Hazen-Williams (Rossman, 2000). Troisscénarios de réhabilitation sont considérés, soit la réhabilitation de l’ensemble desconduites, la réhabilitation des conduites locales de diamètre inférieur ou égal à 150 mm etla réhabilitation de l’ossature composée des conduites de diamètre supérieur ou égal à 200mm. La réduction des débits par l’application d’une stratégie d’économie d’eau potableréduisant les débits de consommation ainsi que les débits de fuites est aussi considérée encombinaison avec la réhabilitation des conduites. Une réduction de 20% des débits estconsidérée pour l’ensemble des nœuds du modèle. Comme la répartition des débits de fuiten’est pas connue, l’option choisie a été de réduire uniformément l’ensemble des demandesen eau afin de représenter une réduction de la consommation et des fuites. La valeur de20% est fixée en se basant sur les objectifs de la Stratégie québécoise d’économie en eaupotable (MAMOT, 2011).

3.2.4 Chlore résiduel libre et constantes cinétiques de dégradation

La dégradation du chlore résiduel libre dans l’eau après l’ajout d’une dose de chlore a étédécrite en deux phases (Zhang et coll., 1992 ; Bhat et coll., 1996 ; Kiene et coll., 1998). Lapremière phase est d’une durée limitée de 2 à 4 heures (Jadas-Hecart et coll., 1992) et l’onassocie à des réactions avec des composés facilement oxydables. La seconde phase dedégradation du chlore est caractérisée par une cinétique plus lente associée à la matièreorganique plus complexe présente dans l’eau ainsi qu’aux parois des conduites(Vasconcelos et Boulos, 1996 ; Kiene et coll., 1998). Cette phase peut être décritenormalement par une cinétique du premier ordre (Rossman et coll., 1994). On peutconsidérer que dans la zone d’étude, la dégradation du chlore résiduel libre se retrouve à sadeuxième phase puisque le TDS est d’approximativement six heures entre l’usine detraitement et l’entrée de l’eau dans la zone à l’étude sans qu’il n’y ait un ajoutsupplémentaire de chlore.

Des programmes de prélèvements visant à étudier les constantes cinétiques de dégradationdu chlore ont été réalisés entre mai et novembre 2009 par Binet (2010) dans une zonecouvrant le quartier à l’étude. Ces campagnes ont permis de mesurer la constante cinétiquede dégradation du chlore attribuable à l’eau par des analyses en laboratoire. La méthodeutilisée par Binet (2010) nécessite une concentration initiale en chlore résiduel libre àl’entrée de la zone et pour différents points. Deux variables inconnues demeurent, soit k𝐺et le TDS entre l’entrée et les différents points. En posant les valeurs de TDS simulées àl’aide de la modélisation hydraulique, il est donc possible d’estimer une valeur de (k𝐺)

93

pour chacun des points. La cinétique de dégradation du chlore peut être définie selon uneloi exponentielle de premier ordre décroissant (Hua et coll., 1999) et la constante cinétiquede dégradation peut se diviser en une fraction attribuable à l’effet de l’eau et une autrefraction attribuable à l’effet des parois des conduites. La somme de ces deux fractionsrésulte en un coefficient de dégradation global (k𝐺) (Powell et coll., 2000). Les valeurs de laconstante cinétique attribuable à l’effet de l’eau obtenues en laboratoire par Binet (2010)sont de 0,016 et de 0,033 h−1 (0,011 et 0,027 h−1 à 15 °C) pour un pH de 7,67 et de 7,66mesuré à l’entrée du secteur. Ces valeurs concordent avec l’ordre de grandeur attendu pourune eau ayant une charge en matière organique naturelle et une CCRL initiale comparables(Hua et coll., 1999). La mesure des CCRL et la simulation des TDS ont aussi permisd’estimer des valeurs de la constante cinétique de dégradation attribuable aux parois (wall)et ces valeurs varient de 0,014 à 0,7 h−1 (0,01 et 0,516 h−1 à 15 °C) pour les différents pointsde prélèvements. Les k𝐺 pour 12 points de prélèvement lors de trois programmes deprélèvement présentent donc des valeurs variant de 0,1 à 0,73 h−1 (0,082 et 0,596 h−1 à 15°C). L’effet attribuable aux parois représente donc de 50 à 90% de k𝐺 estimée lors descampagnes de prélèvement effectuées par Binet (2010). Cet effet est donc particulièrementdominant au niveau du quartier à l’étude étant donné l’âge, le diamètre et le matériel desconduites composant le réseau.

Des programmes de prélèvement dans le secteur à l’étude ont aussi été réalisés duprintemps à l’automne 2012 incluant vingt points sélectionnés chez des particuliers. Lesvingt points ont été échantillonnés sur une base hebdomadaire. À chaque programme etpour chaque point, trois échantillons ont été prélevés à différents moments de la journée,soit le matin (8h-10h), le midi (12h-14h) et le soir (16h-18h) pour un total de 1313échantillons. Les emplacements ont été choisis sur une base de couverture de la zone entermes de conduites locales et secondaires suivant une campagne de porte-à-porte afind’obtenir l’autorisation de collecter les échantillons à partir d’un robinet extérieur. Lesconduites locales sont assimilées à des conduites présentant les plus faibles diamètres etdesservant un nombre restreint de personnes, tel qu’au niveau de boucles isolées, tandisque les conduites secondaires représentent l’ossature principale du quartier résidentiel etprésentent des diamètres plus grands. La couverture de conduites secondaires et deconduites locales vise à obtenir un portrait plus étendu de la qualité, soit une représentationgéographique plus complète des différents TDS retrouvés dans la zone à l’étude. Deuxéquipes ont effectué les prélèvements en suivant un ordre prédéterminé. Les robinets ontété ouverts pour une durée de cinq minutes avant les prélèvements afin d’assurer que l’eaurecueillie est celle des conduites du réseau plutôt que celle de la plomberie interne de larésidence. Pour chacune des visites aux différents points lors de chaque campagne, latempérature de l’eau a été mesurée et une mesure de la CCRL a été effectuée sur place. Lesmesures de la CCRL ont été effectuées par la méthode DPD à l’aide d’un colorimètreportatif Hach DR890 (Methode standard 4500-Cl-G) (APHA, 2007).

94

Le calcul des k𝐺 a ensuite été effectué à l’aide de la méthode utilisée par Binet (2010). LaCCRL mesurée au point 1 (Figure 3.1) est considérée comme étant la concentration initiale àl’entrée de la zone, mais la concentration la plus élevée lors de chacune des campagnes deprélèvement n’est pas toujours associée à ce point étant donné que l’échantillonnage n’a paspu s’effectuer simultanément pour l’ensemble des points. Seules les campagnes deprélèvement présentant une concentration maximale au point 1 ont donc été considérées,soit un total de 11 campagnes. La concentration au point 1 est considérée comme étant laconcentration initiale en entrée et le TDS simulé aux autres points permet de calculer uneconstante cinétique de dégradation globale du chlore pour chacun des points et chacunedes campagnes de prélèvement considérées. La CCRL initiale mesurée varie de 0,8 à 1,0mg/L au fil des campagnes de prélèvement. Les scénarios hydrauliques de réhabilitationprésentés à la Section 3.2.3.2 ont ensuite été appliqués en considérant les TDS liés auxcampagnes et les concentrations en chlore mesurées sur le terrain comme étant l’état deréférence. La considération des modifications du TDS par les scénarios hydrauliques estparticulièrement d’intérêt du point de vue des scénarios de réhabilitation étant donné qu’ilssont associés à une hausse des TDS. L’application des scénarios hydrauliques résulte en unemodification des TDS et l’effet de cette modification est appliqué aux CCRL en conservantles constantes cinétiques de dégradation calculées aux différents points. Les constantescinétiques de dégradation du chlore résiduel libre estimées par Binet (2010) ont doncpermis de mettre en perspective l’effet des scénarios hydrauliques de vieillissement et deréhabilitation sur la CCRL en réseau en conservant un ordre de grandeur basé sur desdonnées obtenues dans le même secteur.

3.2.5 Incertitudes des paramètres hydrauliques

Des simulations Monte-Carlo ont été réalisées pour évaluer l’impact des incertitudes desparamètres hydrauliques sur la simulation des TDS. Ces simulations ont nécessité lacréation d’ensembles de nombres aléatoires pour chacun des paramètres étudiés. Lesvaleurs des paramètres hydrauliques ont ensuite été modifiées selon les ensembles généréset la distribution des probabilités attribuée aux différents paramètres. Finalement, lessimulations hydrauliques ont été effectuées et les résultats des simulations ont été analysés.Les simulations ont été possibles par l’utilisation des outils de programmation d’EPANET(EPANET Toolkit) (Rossman, 1999) qui permettent de modifier les paramètres du modèle,soit les diamètres et la rugosité des conduites ainsi que les demandes en eau. Un total de5000 simulations sont effectuées pour chacun des paramètres et chacune des combinaisonsde paramètres. Une dépendance est attendue entre la rugosité des parois et la réduction desdiamètres, mais peu d’informations sont présentes dans la littérature quant à cette relation.Christensen (2009) a établi une relation entre le coefficient de Hazen-Williams et lepourcentage de réduction du diamètre intérieur pour onze conduites, mais les conduitesétudiées (20 à 100 mm) présentent un diamètre inférieur au diamètre minimal normalement

95

retrouvé dans les RDEP (150 mm) (MDDELCC, 2002). En absence d’information quant à ladépendance entre les paramètres, une hypothèse de covariance nulle entre les paramètres aété appliquée.

Les choix quant à la distribution des probabilités des différents paramètres considérés ontété effectués en se basant sur les travaux de Pasha et Lansey (2010). Ceux-ci visaient àévaluer l’effet de l’incertitude des paramètres hydrauliques et des constantes cinétiques dedégradation du chlore attribuables à l’eau (bulk) et aux parois des conduites (wall) sur lesrésultats de modélisation de la CCRL à l’aide de simulations de Monte-Carlo. Leurs travauxont été réalisés en analysant les cas d’un réseau fictif et d’un réseau réel peu maillés. Dans lecas présent, seuls les paramètres hydrauliques sont considérés. L’incertitude du diamètredes conduites est représentée par une distribution normale tronquée entre les valeurs de 0,7et de 1. La valeur obtenue est multipliée par le diamètre nominal de la conduite etreprésente les diamètres effectifs suite à la corrosion des parois. Les coefficients de rugositéont été considérés comme suivant une distribution normale tronquée avec une moyenneégale à la valeur initiale attribuée à la conduite en considérant une valeur maximale de 140et une valeur minimale de 50. Le coefficient de Hazen-Williams pour une conduite neuvepeut être approximé à 140 (Rossman, 2000) alors que des valeurs approximant 50 peuventêtre obtenues pour des conduites âgées et corrodées (Christensen, 2009). Une distributionnormale a été utilisée pour la variation des demandes en eau avec une moyenne égale à lavaleur initiale de demande en eau appliquée au nœud. Un coefficient de variation d’unevaleur de 0,1 est utilisé pour les différentes distributions.

L’impact des incertitudes de chacun des paramètres sur les TDS a été considéréindividuellement, pour l’ensemble des combinaisons de deux paramètres et pourl’ensemble des paramètres. Le portrait des résultats du TDS soumis à l’incertitude de cesparamètres a été étudié pour l’ensemble des vingt points présentés à la Figure 3.1. Cespoints présentent une couverture géographique de la zone et des différents TDS du quartierl’étude. Certains points sont situés sur des conduites isolées tandis que d’autres sont situéssur les chemins préférentiels de la zone. Cette répartition permet d’obtenir une informationgénérale quant à l’effet des incertitudes sur le TDS pour différents emplacements d’unréseau maillé.

3.3 Résultats

3.3.1 Scénarios hydrauliques et TDS

La simulation des TDS à l’échelle d’un quartier résidentiel connecté au réseau principal a étéeffectuée pour le scénario de référence. Diverses simulations caractérisées par la modificationdes propriétés des conduites et des demandes en eau ont ensuite été effectuées et l’effet de cesmodifications sur les TDS simulés a été quantifié. Ces simulations représentent une évolution

96

des paramètres hydrauliques du réseau au fil de sa vie utile. Les simulations considèrent desmodifications du TDS à l’échelle d’un quartier résidentiel sans considérer l’effet sur des zonesdu réseau situées en aval. Une zone située en aval d’un quartier subira des changements plusimportants de ses TDS étant donné que les modifications du TDS sont plus marquées aufil du parcours des conduites puisqu’elles sont proportionnelles à la longueur de conduiteparcourue. Toutefois, l’intérêt de la présente recherche est d’observer des changements aucœur d’un quartier résidentiel maillé.

Les résultats des simulations de TDS et le calcul des chemins hydrauliques sans lacomparaison effectuée avec le scénario de référence sont présentés sous forme de figuredans l’Annexe C.

3.3.1.1 Vieillissement des infrastructures

L’effet de la réduction du diamètre effectif des conduites par l’effet de la corrosion combinéà l’augmentation des débits sur la simulation des TDS a été étudié pour différents scénarios.Une baisse des TDS est attendue étant donné qu’une réduction des diamètres résulte en uneaugmentation des vitesses d’écoulement.

Le scénario de vieillissement global combiné à une augmentation des débits de 10 à 20% a étéévalué quant à son effet sur les TDS. Les résultats sont présentés à la Figure 3.5. Une baissedu TDS d’une heure est observable pour l’ensemble du modèle et est attribuable au tempsde parcours entre l’entrée du modèle et la CDV-B. Des baisses du TDS variant de 2 à 8 heuressont observables pour des boucles isolées et des zones en périphérie tandis que des baissesplus importantes sont associées aux extrémités. Globalement, les baisses du TDS observéessont de l’ordre de 10% par rapport au scénario de référence. Les extrémités de réseau ainsique les boucles isolées présentent les baisses les plus importantes du TDS. L’augmentationdes débits de 20% résulte en un faible accroissement de l’étendue des zones subissant unebaisse du TDS au niveau des boucles et des zones en périphérie tel qu’illustré à la Figure 3.5.

Le scénario de vieillissement des conduites locales (dont le diamètre initial est inférieur ouégal à 150 mm) a aussi été évalué quant à son impact sur le TDS. Les résultats sont illustrésà la Figure 3.6. L’effet attendu est une baisse des TDS. Par contre, la réduction du diamètreeffectif des conduites à petit diamètre engendre aussi une hausse du TDS pour certaineszones localisées. Les baisses de TDS sont de l’ordre de 2 à 6 heures et elles sont plus faiblesen comparaison au scénario de réduction global des diamètres. L’étendue des zones dehausse du TDS est limitée à un ou deux nœuds et les résultats obtenus tendent à démontrerqu’une zone de hausse du TDS peut être à proximité d’une zone de baisse du TDS. L’effetde l’augmentation des débits de 20% entraîne des effets comparables au scénario deréduction global des diamètres, mais cette augmentation des débits a aussi pour effet deréduire l’étendue ou d’éliminer les zones de hausse du TDS.

97

F 3.5 – Effet des scénarios de vieillissement global sur le temps de séjoura) augmentation des débits de 10% b) augmentation des débits de 20%)

F 3.6 – Effet des scénarios de vieillissement des conduites locales sur le temps de séjoura) augmentation des débits de 10% b) augmentation des débits de 20%

98

F 3.7 – Effet des scénarios de vieillissement des conduites locales sur le nombre dechemins hydrauliques

L’analyse des chemins hydrauliques entre l’entrée du modèle et les différents points duréseau a été effectuée pour les scénarios de réduction globale et locale des diamètres etensuite comparée au scénario de référence initial. La réduction globale des diamètresn’entraîne pas de modification dans les patrons hydrauliques. Ainsi, aucune conduite nesubit de changement de direction de l’écoulement. Les baisses du TDS observées sont doncdirectement liées aux changements de vitesse et à la distribution des débits entre lesconduites. Par contre, une modification des patrons hydrauliques est observée pour laréduction sélective des diamètres (Figure 3.7). Cette figure est obtenue en soustrayant lenombre de chemins hydrauliques obtenu pour le scénario de référence (𝐶ℎ𝑅𝐸𝐹 ) au nombreobtenu pour les scénarios de vieillissement des conduites locales(𝐶ℎ). Une augmentationdu nombre de chemins hydrauliques transitant par les conduites secondaires est obtenue etceci concorde avec les attentes étant donné que la réduction des diamètres des conduiteslocales entraîne une augmentation des pertes de charge associées à ces conduites. Laconsidération d’une non-uniformité dans la réduction du diamètre des conduites par lacorrosion peut donc avoir des effets importants sur les patrons hydrauliques en réseau etentraîner des effets localisés sur les TDS.

3.3.1.2 Réhabilitation des infrastructures et stratégie d’économie en eau potable

L’effet du renouvellement des conduites sur les TDS simulés en fonction de la modificationde la rugosité des parois des conduites et de la réduction des débits a été étudié. Trois typesde scénarios ont été considérés, soit la réhabilitation de l’ensemble des conduites, laréhabilitation des conduites locales de diamètre inférieur ou égal à 150 mm et laréhabilitation des conduites de l’ossature de diamètre supérieur ou égal à 200 mm. La

99

réhabilitation consiste en un remplacement des conduites existantes par des conduitesayant un coefficient de Hazen-Williams de 140 (les diamètres initiaux étant conservés). Lesscénarios de réhabilitation sont combinés à une réduction globale des débits de 20% afin dereprésenter la réduction des débits de consommation par l’application d’une stratégied’économie en eau potable et les pertes par les fuites.

Les résultats du scénario de réhabilitation globale et de réduction des débits sont présentésà la Figure 3.8a. Le résultat attendu d’un renouvellement global des conduites combiné à laréduction des débits est une hausse des TDS et une modification des patrons hydrauliques.Comme le scénario de référence ne présente pas un état homogène au niveau de la rugositédes conduites, l’effet du renouvellement n’est pas uniforme. Contrairement aux attentes, deszones localisées de baisse du TDS sont obtenues à proximité des points 7 et 18 et 20 (Figure3.1). Étant donné qu’une réduction des débits est appliquée, les hausses les plus importantesdu TDS sont présentes en extrémité de réseau ainsi que pour des boucles isolées et sont del’ordre de 2 à 8 heures. L’effet sur les TDS présente donc un ordre de grandeur comparable àcelui des scénarios de vieillissement.

Les résultats du scénario de réhabilitation des conduites locales au diamètre inférieur ou égalà 150 mm sont aussi présentés à la Figure 3.8b. Les effets de ce scénario sur les TDS sont unehausse du TDS dans la zone située près de la CDV-A. En effet, cette zone subit une hausse duTDS pour l’ensemble des scénarios de réhabilitation. La réhabilitation des conduites localescombinée à la réduction des débits entraîne des effets les moins importants au niveau duTDS. Deux zones localisées de baisse du TDS sont aussi présentes à proximité des points 18et 20 (Figure 3.1) et peuvent s’expliquer par une augmentation des débits passant par cesconduites suite à leur réhabilitation.

La réhabilitation des conduites de l’ossature ayant un diamètre supérieur ou égal à 200 mmcombiné à la réduction des débits entraîne des hausses plus généralisées du TDS tellesqu’illustrées à la Figure 3.8c. Des hausses du TDS plus importantes sont obtenues au niveaude certaines boucles isolées à proximité des points 13, 19 et 20 (Figure 3.1).

L’analyse des chemins hydrauliques pour les trois scénarios de réhabilitation des conduitesa été également effectuée (Figure 3.9). Concernant la réhabilitation globale des conduites,seule la section du quartier située à l’opposé de la CDV-B subit des modifications dans lespatrons hydrauliques (Figure 3.9a). Un mélange accru dans cette zone résulte de l’effet de laréhabilitation des conduites locales dont la rugosité est plus importante par rapport à leurétat de référence. La réhabilitation des conduites locales résulte en un portrait comparableavec la même zone présentant davantage de chemins hydrauliques (Figure 3.9b). Laréhabilitation des conduites de l’ossature au cœur du quartier présente une réduction dunombre de chemins les atteignant ce qui peut s’expliquer par une favorisation des conduiteslocales réhabilitées dans l’écoulement en réseau (Figure 3.9c). Finalement, la réhabilitation

100

des conduites de l’ossature résulte en un portrait comparable au scénario de vieillissementspécifique des conduites locales, soit une augmentation de chemins hydrauliques pourl’ossature au cœur du quartier (Figures 3.7 et 3.9c). Globalement, les scénarios deréhabilitation entraînent notamment des variations dans les chemins hydrauliques enréseau notamment par la non-uniformité des effets étant donné que l’état de référence desconduites du quartier n’est pas uniforme. Ceci affecte aussi la distribution des débitstransitant dans les conduites. Le mélange d’eaux de différents âges entraîné par lechangement des patrons hydrauliques ainsi que la proportion attribuable aux différentsdébits mélangés aux nœuds pourraient expliquer les modifications observées du TDS.

3.3.2 Effets de la variation du TDS sur le chlore résiduel libre

Des constantes cinétiques de dégradation ont été calculées selon la méthode utilisée parBinet (2010) pour les points de prélèvement lors du programme de prélèvement réalisé en2012. Le Tableau 3.1 présente les constantes globales cinétiques de dégradation (k𝐺)estimées aux différents points pour la campagne présentant un débit moyen durant lapériode du programme de prélèvement (Figure 3.2, 29 Septembre) ainsi que les effets duscénario de réhabilitation de l’ossature et de vieillissement global sur la CCRL. Ces deuxscénarios sont présentés étant donné qu’ils résultent en un impact maximal sur le TDS etdonc sur les CCRL.

La Figure 3.10 illustre les CCRL du scénario de référence ainsi que les CCRL suite àl’application de ces deux scénarios. La forme des résultats de la Figure 3.10 s’explique parune interpolation dans le secteur délimité par les points de prélèvements. En réutilisant cesvaleurs de constantes cinétiques de dégradation, l’effet sur la CCRL pour les scénarios devieillissement et de réhabilitation a pu être estimé. Les scénarios de vieillissement ontpermis d’établir un effet de la réduction des diamètres en parallèle à l’augmentation desdébits par les fuites sur les CCRL et les scénarios de réhabilitation ont permis d’évaluer unediminution de la CCRL suite à l’augmentation des TDS par la réduction des fuites et lamodification des patrons hydrauliques. La conservation des constantes cinétiques dedégradation globale estimées en se basant sur l’état de référence du quartier à l’étude (quiprésente un âge avancé) et leur application à des scénarios de réhabilitation a pour objectifd’observer des effets maximaux sur la CCRL. Les constantes cinétiques globales dedégradation (k𝐺) obtenues sont relativement faibles en comparaison à celles obtenues parBinet (2010). Ceci peut s’expliquer par l’utilisation d’un modèle hydraulique différent, soitune conservation des diamètres initiaux des conduites plutôt qu’une réduction desdiamètres basée sur les résultats de l’étude au traceur effectuée par citetdelisle2015tracerainsi que la fermeture d’une connexion à une zone adjacente du secteur à l’étude entre lescampagnes de prélèvement effectuées par Binet (2010) et celles réalisées en 2012.

L’effet du scénario de vieillissement global entraîne des augmentations de CCRL de 0,11

101

mg/L en moyenne tandis que des réductions de 0,08 mg/L sont obtenues en moyenne pourle scénario de réhabilitation. L’absence d’une prise en compte des débits de fuite et de laréduction des diamètres suite au vieillissement des conduites pourrait donc engendrer unesous-estimation des CCRL. Les effets associés aux scénarios de réhabilitation pourraientoccasionner une réduction suffisante de la CCRL pour entraîner une concentrationinférieure à 0,2 mg/L (seuil minimal pour limiter la détérioration microbiologique) ouencore atteindre la limite de détection en extrémité du réseau. Il est important de rappelerque les constantes cinétiques de dégradation utilisées sont supérieures à celles associées àun réseau réhabilité. D’un point de vue du maintien de la CCRL à l’échelle d’un quartierrésidentiel, une augmentation des TDS résultant des scénarios de réhabilitation ne devraitdonc pas engendrer de problématique importante.

102

F 3.8 – Effet des scénarios de réhabilitation sur le temps de séjoura) globale b) locale) c) ossature

F 3.9 – Effet des scénarios de réhabilitation sur le nombre de chemins hydrauliquesa) globale b) locale) c) ossature

103

TABLEAU 3.1 – Cinétiques de dégradation à 15 °C et effets du vieillissement global et de la réhabilitation de l’ossature sur les CCRL

Point 2 3 4 5 6 7 8 9 10 11 12 13 15 16 17 18 19 20

CCRL𝑟𝑒𝑓 (mg/L) 0.99 0.91 0.92 0.88 0.92 0.86 0.83 0.80 0.92 0.78 0.76 0.77 0.75 0.72 0.67 0.70 0.41 0.08

k𝐺 (1/h) 0.06 0.07 0.08 0.04 0.03 0.03 0.04 0.04 0.03 0.05 0.04 0.05 0.04 0.08 0.05 0.02 0.43 0.25

pH 7.52 7.44 7.40 7.45 7.52 7.44 7.46 7.49 7.46 7.55 7.49 7.54 7.51 7.56 7.48 7.46 7.49 7.49

ΔCCRL𝑟𝑒ℎ𝑎𝑏 (mg/L) -0.06 -0.08 -0.10 -0.06 -0.03 -0.05 -0.07 -0.06 -0.04 -0.09 -0.08 -0.12 -0.08 -0.16 -0.05 -0.08 -0.15 -0.07

ΔCCRL𝑣𝑖𝑒𝑖𝑙 (mg/L) 0.08 0.07 0.09 0.04 0.04 0.03 0.04 0.05 0.03 0.10 0.07 0.10 0.07 0.20 0.07 0.12 0.49 0.28

F 3.10 – CCRL des scénarios hydrauliques a) référence b) réhabilitation de l’ossature c) vieillissement global

104

3.3.3 Incertitudes des paramètres hydrauliques et simulation des TDS

Tel que présenté aux Figures 3.11 à 3.13, l’incertitude sur les paramètres hydrauliques(diamètre, demande en eau et rugosité des parois) entraîne des effets de faible intensitépour une majorité de points de prélèvements du secteur à l’étude. Par contre certains pointssont particulièrement affectés par l’incertitude sur les paramètres hydrauliques.

L’incertitude sur la rugosité des parois (Figure 3.11a) a peu d’effet sur les résultats desimulation des TDS pour une majorité de points considérés, l’écart entre le 25𝑒 et 75𝑒

percentiles pour l’ensemble des points présente une médiane de 0,096 h. Par contre, lespoints 18 et 20 présentent des écarts importants, soit des écarts de 5 et de 7 heures entre lepremier et le troisième quartiles. L’incertitude au niveau des diamètres (Figure 3.11b)entraîne aussi des effets comparables à ceux obtenus lors des simulations considérant uneincertitude sur la rugosité des parois. Les points 18 et 20 présentent aussi des variationsimportantes, mais l’ensemble des points est plus affecté par l’incertitude sur les diamètresavec un écart entre le 25𝑒 et 75𝑒 percentiles présentant une médiane de 0,37 h. L’incertitudeau niveau des demandes en eau (Figure 3.11c) présente le plus faible effet sur les TDS. Uneplus faible variation des TDS est associée aux points 9 et 17 et une médiane de 0,048 h estobtenue pour l’écart entre le 25𝑒 et 75𝑒 percentiles. Les différentes combinaisonsd’incertitudes pour les trois paramètres hydrauliques considérés présentent des résultatscomparables tels qu’illustrés aux Figures 3.12 et 3.13. L’inclusion de l’incertitude des troisparamètres entraîne les plus grandes variations du TDS d’un point de vue global, maisl’écart médian entre le 25𝑒 et 75𝑒 percentiles se compare aux résultats lorsque l’incertitudeest appliquée uniquement au diamètre avec une valeur de 0,41 h. L’effet du maillage duréseau peut possiblement limiter l’effet cumulatif des incertitudes sur les résultats obtenus.Le TDS pour les points 1, 18 et 20 présente une sensibilité plus importante à l’incertitudedes paramètres hydrauliques. L’effet sur le TDS observé pour le point 1 peut s’expliquer parun apport en eau au TDS plus élevé provenant d’une conduite adjacente tandis que leportrait des TDS pour les points 18 et 20 indique que, pour un réseau maillé, l’incertitudedes paramètres hydrauliques peut entraîner des effets significatifs pour des boucles isolées.

Pour l’ensemble des scénarios considérant l’incertitude des différents paramètreshydrauliques, la variation du TDS engendrée par ces incertitudes peut s’avérerparticulièrement importante pour certains points précis sans entraîner des effets significatifspour une majorité de points. La nature maillée du réseau étudié est une explicationprobable de ces résultats. Le diamètre est le paramètre hydraulique entraînant le plus grandeffet sur la simulation des TDS lorsqu’il est considéré incertain, mais l’application présentéeici se limite à des conduites subissant une réduction du diamètre par l’action de lacorrosion, soit des conduites en fonte. Contrairement aux résultats obtenus par Pasha etLansey (2010) pour des réseaux peu maillés, la distance parcourue n’entraîne pasnécessairement un effet plus important des incertitudes sur les résultats de modélisation.

105

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(a) Incertitude du coefficient de rugosité

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(b) Incertitude des diamètres

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(c) Incertitude des demandes en eau

F 3.11 – Simulations Monte Carlo - Incertitude d’un paramètre hydraulique

106

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(a) Incertitude du coefficient de rugosité et des diamètres

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(b) Incertitude du coefficient de rugosité et des demandes en eau

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

(c) Incertitude des diamètres et des demandes en eau

F 3.12 – Simulations Monte Carlo - Incertitude de deux paramètres hydrauliques

107

1 3 2 5 4 20 19 7 11 6 16 9 12 14 10 8 13 18 15 170

10

20

30

40

50

Points d’échantillonnage

TDS

sim

ulé

(h)

25%-75%MédianeMoyenne

MaxMin

F 3.13 – Distribution des temps de séjour simulés à partir de l’UTE (TDS simulé +6heures) de chacun des points pour l’ensemble des campagnes

3.4 Conclusion

L’impact du vieillissement et de la réhabilitation ainsi que des stratégies d’économie d’eaupotable sur les TDS a été évalué dans un réseau de distribution maillé à l’échelle d’unquartier résidentiel. La méthodologie utilisée fait appel à la modélisation hydraulique ainsiqu’à des programmes de prélèvement sur le terrain. Un scénario de référence représentantle meilleur état de connaissance de la zone étudiée a été choisi et des scénarios ont étéappliqués afin d’évaluer l’impact du vieillissement et de la réhabilitation des conduites surle TDS. La modélisation a été effectuée en régime permanent et ce choix a été effectué en sebasant sur la mesure des débits entrants dans la zone étudiée. Les débits entrants ont étédistribués selon la répartition de la population. L’impact envisageable des scénarioshydrauliques sur les CCRL a ensuite été étudié en se basant sur des prélèvements effectuéssur le terrain. Finalement, une analyse de l’impact de l’incertitude des paramètreshydrauliques (diamètre, rugosité, demande en eau) sur les TDS a été réalisée à l’aide desimulations de Monte-Carlo.

Les résultats ont montré que le vieillissement des infrastructures en considérant la corrosiondes conduites et l’augmentation de pertes par les fuites entraînerait des réductions du TDS, telqu’attendu. La considération d’un vieillissement non uniforme résulte en des effets localiséset des modifications dans les patrons hydrauliques en réseau. La considération de scénariosde réhabilitation de conduites couplés à la réduction des débits entraîne des augmentationsdu TDS et la réhabilitation de conduites locales entraîne les plus faibles effets sur les TDS.

Les scénarios hydrauliques de vieillissement et de réhabilitation engendrent donc des

108

impacts sur le TDS et ces impacts sont de l’ordre de 10% du TDS obtenu pour le scénario deréférence. Les impacts les plus importants sur les TDS sont associés à des extrémités deréseau et à des boucles isolées, soit lorsqu’une demande en eau est attribuée à un nœudsitué à l’extrémité d’une conduite ou une conduite en périphérie du réseau alimentant unnombre limité de consommateurs. Ce type d’emplacement dans les RDEP est déjà soumis àdes TDS élevés et l’impact sur le TDS pour les scénarios analysés est plus important pources emplacements.

L’ordre de grandeur de l’impact des scénarios hydrauliques sur le TDS ne permet pasd’observer des effets importants au niveau des CCRL, mais la problématique associée à deszones présentant déjà de faibles CCRL peut être accentuée. Globalement, les résultatssuggèrent que l’ordre de grandeur des hausses du TDS liées à la réhabilitation des réseauxn’a pas d’effet significatif sur la variabilité de la CCRL à l’échelle d’un quartier résidentiel.

L’effet de l’incertitude associée aux paramètres hydrauliques sur les TDS a aussi été évalué. Laconsidération de l’incertitude de plusieurs paramètres entraîne des effets plus importants, telqu’attendu. À l’échelle d’un quartier résidentiel, l’effet des incertitudes sur la simulation desTDS est relativement faible pour une majorité de points du secteur étudié. Dans le cas d’unréseau maillé, une variation importante des TDS due à l’incertitude peut être observée à unefaible distance d’un point d’entrée du réseau pour des boucles isolées. L’effet de l’incertitudedes paramètres hydrauliques sur le TDS ne peut donc pas être lié uniquement à une distancepar rapport aux points d’entrée pour un réseau maillé.

Malgré l’originalité de cette étude, elle comporte quelques limitations : le cas d’un seulréseau a été étudié. Par contre, la similarité des RDEP fait en sorte que des résultatscomparables devraient être obtenus pour des quartiers résidentiels de dimension semblabledont la répartition des débits entrants est connue. Seules les variations du TDS et leur effetsur la CCRL ont été considérés, mais l’effet sur les concentrations en SPD est une avenue quin’a pas été explorée. Les analyses ont été effectuées en régime permanent, mais laconsidération de patrons de consommation en parallèle aux scénarios hydrauliquespourrait permettre d’analyser l’effet des scénarios hydrauliques sur le TDS en tenantcompte de la variabilité journalière de la consommation en eau. D’autres scénariospourraient aussi être étudiés tels que la considération d’un vieillissement non uniforme desconduites ainsi que l’effet de la réhabilitation localisé de certaines conduites sur les TDS.L’impact du vieillissement et de la réhabilitation des conduites sur le TDS à une plus grandeéchelle et pour des RDEP présentant différentes configurations sera évalué dans des travauxfuturs. La méthodologie et les données présentées dans ce chapitre apporteront un supportà la réalisation de ces travaux.

109

Références

APHA. 2007. Wef (2005) standard methods for the examination of water and wastewater.American Public Health Association, American Water Works Association, and Water EnvironmentFederation.

Bhat, D. K., Prakash, T., Gowda, B. T., Sherigara, B., et Khader, A. 1996. Studies on chlorinedemand and its decay kinetics on the waters of kali river around kaiga project area. IndianJournal of Chemical Technology, 3(1) :58–60.

Binet, G. Mieux prédire la dégradation du chlore en réseau de distribution : cas d’étude : laville de québec. 2010. Master’s thesis, Université Laval, 2010.

Boxall, J., Saul, A., et Skipworth, P. 2004. Modeling for hydraulic capacity. Journal AmericanWater Works Association, 96(4) :161–169.

Christensen, R. T. 2009. Age effects on iron-based pipes in water distribution systems.Graduate Theses and Dissertations, page 505.

Clark, R. M. et Sivaganesan, M. 1998. Predicting chlorine residuals and formation of TTHMsin drinking water. Journal of Environmental Engineering.

Delisle, F.-J. Amélioration de la connaissance des temps de séjour en réseau de distributionen vue de l’amélioration de la qualité de l’eau potable. 2009. Master’s thesis, UniversitéLaval, 2009.

Delisle, F.-J., Rochette, S., Pelletier, G., et Rodriguez, M. J. 2015. Tracer study to verifyhydraulic limits and determine water residence times in a distribution system : Part i.Journal of Water Supply : Research and Technology—AQUA, 64(3) :365–377.

Diestel, R. 2005. Graph theory. 2005. Grad. Texts in Math.

Ekeng, E. E. 2011. The effect of pipe ageing of different diameter and pressure on residualchlorine. Journal of International Academic Research, 11(3).

El-Shafy, M. A. et Grünwald, A. 2000. THM formation in water supply in south bohemia,czech republic. Water Research, 34(13) :3453–3459.

ESRI, R. 2011. Arcgis desktop : release 10. Environmental Systems Research Institute, CA.

Governement of Ontario, 2010. Water opportunities and water conservation act, 2010.http://www.ontla.on.ca/bills/bills-files/39_Parliament/Session2/b072ra.pdf[Consulté en 2014].

Hua, F., West, J., Barker, R., et Forster, C. 1999. Modelling of chlorine decay in municipalwater supplies. Water Research, 33(12) :2735–2746.

110

Imran, S. A., Dietz, J. D., Mutoti, G., Taylor, J. S., Randall, A. A., et Cooper, C. 2005. Red waterrelease in drinking water distribution systems. Journal American Water Works Association,pages 93–100.

Jadas-Hecart, A., El Morer, A., Stitou, M., Bouillot, P., et Legube, B. 1992. Modélisation de lademande en chlore d’une eau traitée. Water Research, 26(8) :1073–1084.

Kiene, L., Lu, W., et Levi, Y. 1998. Relative importance of the phenomena responsible forchlorine decay in drinking water distribution systems. Water Science and Technology, 38(6) :219–227.

LeChevallier, M. W., Welch, N. J., et Smith, D. B. 1996. Full-scale studies of factors related tocoliform regrowth in drinking water. Applied and Environmental Microbiology, 62(7) :2201–2211.

Lu, W., Kiéné, L., et Lévi, Y. 1999. Chlorine demand of biofilms in water distribution systems.Water Research, 33(3) :827–835.

Machell, J. et Boxall, J. 2011. Field studies and modeling exploring mean and maximum waterage association to water quality in a drinking water distribution network. Journal of WaterResources Planning and Management, 138(6) :624–638.

MAMOT. 2011. Stratégie québécoise d’économie d’eau potable. http://www.mamrot.gouv.qc.ca/pub/grands_dossiers/strategie_eau/strategie_eau_potable.pdf [Consultéen 2014].

MAMOT. 2012. Rapport annuel de l’usage de l’eau potable des municipalitésquébécoises. http://www.mamrot.gouv.qc.ca/fileadmin/publications/grands_dossiers/strategie_eau/rapport_annuel_SEEP.xls [Consulté en 2014].

MDDELCC. DIRECTIVE 001 Captage et distribution d’eau. Ministère du DéveloppementDurable, de l’Environnement et de la Lutte contre les Changements Climatiques(MDDELCC), 2002. http://www.mddelcc.gouv.qc.ca/eau/potable/installation/documents/Directive001.pdf [Consulté en 2014].

MDDELCC. Réglement sur la qualité de l’eau potable. Ministère du Développement Durable,de l’Environnement et de la Lutte contre les Changements Climatiques (MDDELCC),2012. http://www.mddelcc.gouv.qc.ca/eau/potable/brochure/parties-1-2-3.htm[Consulté en 2014].

Mouly, D., Joulin, E., Rosin, C., Beaudeau, P., Zeghnoun, A., Olszewski-Ortar, A., Munoz,J. F., Welte, B., Joyeux, M., Seux, R., et coll. 2010. Variations in trihalomethane levels inthree french water distribution systems and the development of a predictive model. WaterResearch, 44(18) :5168–5179.

111

Mutoti, G., Dietz, J. D., Arevalo, J., et Taylor, J. S. 2007. Combined chlorine dissipation : Pipematerial, water quality, and hydraulic effects. Journal American Water Works Association,pages 96–106.

Pace, M. L. et Cole, J. J. 2002. Synchronous variation of dissolved organic carbon and colorin lakes. Limnology and Oceanography, 47(2) :333–342.

Pasha, M. et Lansey, K. 2010. Effect of parameter uncertainty on water quality predictions indistribution systems-case study. Journal of Hydroinformatics, 12(1) :1–21.

Pasha, M. et Lansey, K. 2005. Analysis of uncertainty on water distribution hydraulics andwater quality. In Proceedings of the ASCE world Water and Environmental Resources Congress,pages 15–19.

Powell, J. C., Hallam, N. B., West, J. R., Forster, C. F., et Simms, J. 2000. Factors which controlbulk chlorine decay rates. Water Research, 34(1) :117–126.

Rodriguez, M. J., Sérodes, J.-B., Levallois, P., et Proulx, F. 2007. Chlorinated disinfectionby-products in drinking water according to source, treatment, season, and distributionlocation. Journal of Environmental Engineering and Science, 6(4) :355–365.

Rossman, L. A. 1999. The epanet programmer’s toolkit for analysis of water distributionsystems. In ASCE 29th Annual Water Resources Planning and Management Conference, pages39–48.

Rossman, L. A. 2000. Epanet 2 : users manual.

Rossman, L. A., Clark, R. M., et Grayman, W. M. 1994. Modeling chlorine residuals indrinking-water distribution systems. Journal of Environmental Engineering, 120(4) :803–820.

Sadiq, R. et Rodriguez, M. J. 2004. Disinfection by-products (DBPs) in drinking water andpredictive models for their occurrence : a review. Science of the Total Environment, 321(1) :21–46.

Sharp, W., Pfeffer, J., et Morgan, M. 1991. In situ chlorine decay rate testing. In Proceedings ofAWWARF and USEPA conference on water quality modelling in distribution systems. Cincinatti,Ohio, pages 4–5.

Simard, A., Pelletier, G., et Rodriguez, M. 2009. Using a tracer to identify water supply zonesin a distribution network. Journal of Water Supply : Research and Technology—AQUA, 58(6) :433–442.

Simard, A., Pelletier, G., et Rodriguez, M. 2011. Water residence time in a distribution systemand its impact on disinfectant residuals and trihalomethanes. Journal of Water Supply :Research and Technology—AQUA, 60(6) :375–390.

112

Singer, P. C. 1994. Control of disinfection by-products in drinking water. Journal ofEnvironmental Engineering, 120(4) :727–744.

Thompson, S. L., Casman, E., Fischbeck, P., Small, M. J., et VanBriesen, J. M. 2007.Vulnerability assessment of a drinking water distribution system : implications for publicwater utilities. In Proceedings of the World Environmental and Water Resources Congress. Tampa,USA, pages 1–12.

USEPA. 2002. Effects of water age on distribution system water quality.

USEPA. 2006. Drinking water priority rulemaking : Microbial and disinfection byproductrules.

USEPA. 2007. A review of distribution system monitoring strategies under total coliformrule.

Van Rossum, G. et Drake Jr, F. L. 1995. Python reference manual. Centrum voor Wiskunde enInformatica Amsterdam, 1995.

Vasconcelos, J. J. et Boulos, P. F. 1996. Characterization and modeling of chlorine decay indistribution systems. American Water Works Association, 1996.

Ville de Québec. Audit sur l’Aquaresponsabilité municipale, 2012. https://www.ville.quebec.qc.ca/grandsprojetsverts/eau/docs/Aquaresponsabilite_ResultatsAuditQuebec_20120912.pdf [Consulté en 2015].

Zhang, G., Kiene, L., Wable, O., Chan, U., et Duguet, J. 1992. Modelling of chlorine residualin the water distribution network of macao. Environmental Technology, 13(10) :937–946.

113

Conclusion générale

Cette thèse a été consacrée à l’étude de la variabilité du temps de séjour (TDS), du chlorerésiduel et des sous-produits chlorés de la désinfection (THM et AHA) à l’échelle d’unquartier résidentiel. Pour la réalisation de l’étude, une zone résidentielle du réseau dedistribution en eau potable (RDEP) de la Ville de Québec a été sélectionnée comme casd’étude. Des connaissances au niveau de la dégradation du chlore résiduel libre et du tempsde séjour obtenues lors d’études antérieures dans le secteur sélectionné ont pu appuyer lamodélisation hydraulique et l’analyse des résultats.

La réalisation de cette thèse a nécessité des campagnes de prélèvement intensivess’échelonnant du printemps à l’automne 2012 dans le quartier Duberger. La mesure desdébits entrants dans la zone étudiée par des débitmètres ainsi que la répartition de lapopulation et les caractéristiques des conduites du RDEP ont permis d’élaborer un modèlehydraulique et de réaliser des simulations du TDS. L’analyse de la variabilitéspatio-temporelle du TDS, du chlore et des SPD a donc pu être effectuée en se basant sur lesdonnées collectées sur le terrain ainsi que sur la modélisation hydraulique.

Résultats et originalité de la thèse

Le Chapitre 1 a permis d’établir le fil conducteur au niveau de la qualité de l’eau dans lesRDEP et la modélisation des TDS. Les phénomènes affectant notamment la dégradation duchlore résiduel libre ainsi que la formation et la spéciation des THM et des AHA ont étéabordés. La variabilité spatio-temporelle des THM et des AHA dans les RDEP à une échelleréduite ayant fait l’objet de peu d’études dans la littérature scientifique, l’acquisition deconnaissances dans ce domaine s’avère toujours nécessaire notamment pour l’obtention deportraits plus représentatifs de leur variabilité dans les RDEP. Le suivi de la qualité de l’eaudans les RDEP a aussi été abordé notamment en ce qui a trait à l’appui de la modélisationhydraulique pour le choix de points de prélèvement représentatifs ou vulnérables. Plusspécifiquement, les liens pouvant être établis entre la qualité générale de l’eau et le TDS ontété décrits et ces liens font en sorte que la simulation des TDS peut supporter le choix depoints de prélèvements dans les RDEP. En parallèle, les paramètres hydrauliques affectantles TDS dans les RDEP ont été abordés du point de vue du vieillissement et de la

115

réhabilitation des conduites ainsi que de l’impact de l’incertitude associée à ces paramètressur le TDS. L’évolution des caractéristiques des conduites au fil de leur vie utile peutengendrer des effets sur le TDS et peu d’informations sont disponibles quant à l’ordre degrandeur de ces effets et de leur impact sur la qualité de l’eau.

L’analyse de la variabilité spatio-temporelle du chlore, des THM et des AHA en parallèle àla simulation des TDS a ensuite été effectuée au Chapitre 2. Vingt points de prélèvementsont été choisis et 22 campagnes hebdomadaires ont été réalisées pour obtenir un portrait dela variabilité des paramètres d’intérêt à l’échelle d’un quartier résidentiel. Ce type de suivides THM et des AHA n’a pas été rapporté dans la littérature scientifique du point de vue del’intensité de la fréquence des prélèvements et du nombre de points d’échantillonnage pourla taille de la zone à l’étude. Une dimension dominante de la variabilité du chlore, des THM etdes AHA a pu être identifiée à l’aide de modèles linéaires mixtes généralisés. Pour l’échelled’un quartier résidentiel, l’obtention d’un portrait représentatif de la variabilité du chlorerésiduel libre nécessite donc un accent sur le nombre de points prélevés tandis que l’obtentiondu portrait de la variabilité des SPD est liée davantage à une fréquence de prélèvement plusélevée.

Des liens entre le TDS et les concentrations en THM et en AHA ont déjà été établis dans lalittérature scientifique. Par contre, une analyse plus approfondie des liens à établir entre leTDS et les SPD à une échelle plus petite des RDEP par la simulation du TDS pour chacundes points et chacune des campagnes de prélèvements a été réalisée pour une première foisdans cette étude. Le couplage des données de qualité et de la simulation des TDS obtenuesà l’aide de la modélisation hydraulique a permis d’analyser le potentiel du TDS commeindicateur de la qualité de l’eau. L’analyse statistique effectuée à l’aide d’un test des rangssignés de Wilcoxon a permis d’observer un écart significatif au niveau du chlore, des THMet des AHA pour des prélèvements associés à des valeurs de TDS inférieures au 25𝑒 etsupérieures au 75𝑒 percentile des valeurs simulées. Les résultats de la simulation des TDSavec une information limitée aux caractéristiques des conduites, aux débits entrants et à larépartition de la population peuvent donc être liés au portait de la qualité de l’eau (chlorerésiduel libre, THM et AHA) dans les RDEP pour l’échelle réduite d’un quartier résidentiel.

Finalement, le Chapitre 3 visait à établir l’impact du vieillissement et de la réhabilitationdes conduites sur le TDS à l’échelle d’un quartier résidentiel. La considération d’un état deréférence représentant les conditions actuelles de la zone à l’étude et l’application descénarios hydrauliques a permis d’analyser les impacts du vieillissement et de laréhabilitation sur les TDS. À notre connaissance, ce type d’analyse n’a pas encore été réalisédans la littérature scientifique. La modification des diamètres, des coefficients de rugosité etdes demandes en eau pour des ordres de grandeur représentatifs de la réalité des RDEP arésulté en des modifications de l’ordre de 10% du TDS par rapport au scénario de référence.Les résultats obtenus démontrent que ces modifications du TDS liées au vieillissement ou à

116

la réhabilitation des conduites n’entraîneront pas d’impacts significatifs du point de vue dela concentration en chlore résiduel libre pour l’échelle d’un quartier résidentiel.

L’étude de l’effet de l’incertitude des paramètres hydrauliques sur la simulation des TDS arésulté en l’observation d’impacts limités sur les TDS pour la majorité des points considérés,mais certains points situés sur des boucles isolées présentent une sensibilité particulièrementimportante à l’incertitude. Le choix de ces points pourrait donc avoir un effet sur le portrait dela qualité de l’eau obtenu à l’aide de la simulation des TDS puisque les résultats de simulationdes TDS pour ces points ne représentent pas nécessairement la réalité en réseau.

L’originalité des travaux effectués dans les Chapitres 2 et 3 a été évoquée ci-haut, mais laconsidération de l’échelle du quartier résidentiel pour ces travaux contribue aussi àl’originalité. L’intérêt porté à cette échelle particulière des RDEP découle notamment desfaibles débits transitant dans ce type de secteur ainsi que de l’alimentation par desconduites locales de faible diamètre. Ces caractéristiques permettent donc une variationsignificative des TDS à une échelle spatiale réduite. Les considérations liées à cette échelledes RDEP a fait l’objet de peu d’études à notre connaissance.

Contributions de la thèse

Les contributions de cette thèse sont donc au niveau de l’établissement de meilleuresconnaissances et du développement d’une méthodologie permettant d’évaluer la variabilitéspatio-temporelle des THM et des AHA pour une zone donnée d’un RDEP. L’analyse de lavariabilité spatio-temporelle des THM et des AHA a été effectuée dans un secteurprésentant des conduites en fonte âgées. Les résultats témoignent donc d’un impactmaximal associé aux parois des conduites. Les résultats du Chapitre 2 illustrentl’importance de la considération de l’aspect temporel de la variabilité des concentrations enSPD dans les RDEP. L’observation de concentrations maximales afin d’évaluer le niveaud’exposition maximal des utilisateurs ne peut donc pas se limiter à déterminer desemplacements pour la collecte d’échantillons. L’observation de concentrations maximalesdoit considérer des conditions propices à une formation plus importante de THM et deAHA en réseau telles que les caractéristiques de l’eau traitée et le dosage en désinfectant. Laméthodologie appliquée pour évaluer une dimension dominante de la variabilitéspatio-temporelle du chlore, des THM et des AHA pourra aussi être utilisée pour d’autressecteurs et RDEP afin d’appuyer l’obtention d’un portrait représentatif de leur variabilité entenant compte des particularités locales du secteur.

L’analyse effectuée au Chapitre 3 a permis d’obtenir un ordre de grandeur attendu pourl’effet du vieillissement et de la réhabilitation de conduites sur le TDS à l’échelle d’unquartier résidentiel. Les effets observés sur le TDS et le lien établi avec le chlore résiduellibre démontrent des impacts limités qui ne devraient pas nécessiter d’ajustements

117

significatifs pour le maintien d’une concentration suffisante en chlore résiduel libre pourl’échelle considérée. L’étude de l’effet de l’incertitude des paramètres hydrauliques sur lasimulation des TDS a démontré une sensibilité importante de certains emplacements, maiscet effet est limité pour une majorité d’emplacements. L’incertitude des paramètreshydrauliques n’affecte donc pas significativement le portait des TDS à l’échelle d’unquartier résidentiel. Finalement, la démarche méthodologique appliquée pourra aussi êtreutilisée pour des secteurs de RDEP présentant des caractéristiques différentes notammentau niveau de la distribution des consommations en eau et du maillage des conduites.

Limites de la thèse et perspectives

Les travaux effectués lors de cette thèse présentent certaines limitations, dont laconsidération d’une seule zone d’étude dans un RDEP donné. Le désinfectant secondaireutilisé dans le RDEP ayant fait l’objet des campagnes de prélèvements est le chlore résiduellibre. Certes, ce désinfectant est le plus utilisé, mais le portrait de la variabilitéspatio-temporelle des SPD pourrait s’avérer fort différent pour un autre RDEP utilisant leschloramines en désinfection secondaire, par exemple. La zone étudiée est résidentielle enquasi-totalité, mais la variabilité observée peut toutefois s’apparenter à d’autres zones ayantune vocation comparable et l’étalement des banlieues fait en sorte que ce type de secteurreprésente une partie non négligeable de la superficie des RDEP municipaux. Le matériel etl’âge des conduites alimentant la zone à l’étude sont aussi à considérer au niveau desrésultats obtenus. Puisqu’elles sont en fonte et ont atteint la fin de leur vie utile, les paroisdes conduites ont nécessairement une influence sur les concentrations en chlore, en THM eten AHA mesurées sur le terrain. Par contre, des zones importantes des RDEP sont toujoursalimentées par ce type de conduites et cette étude a permis d’observer un impact maximalassocié aux parois des conduites.

L’étude des impacts du vieillissement et de la réhabilitation des conduites sur le TDS pourla même zone comporte aussi certaines limitations. L’analyse effectuée considère l’effet surle TDS lié à l’écoulement dans les conduites, mais cet effet pour un cas incluant un réservoirn’a pas été étudié. La maîtrise du patron hydraulique au niveau de la répartition des débitsentrants a permis d’obtenir un portrait s’approchant de la réalité des TDS dans la zoneétudiée, mais l’information quant aux débits entrants dans une zone donnée n’est pasnécessairement disponible pour l’ensemble des RDEP. La considération d’un écoulementen régime permanent peut aussi avoir limité l’observation de certains effets sur le TDS, maisla zone étudiée présentait une faible variabilité du point de vue des consommations en eau.Une analyse pour une zone présentant une variabilité importante des consommations eneau pourrait donc nécessiter la considération de patrons de consommation afin d’obtenir unportrait plus représentatif des TDS maximaux pour différents scénarios hydrauliques.

Différentes perspectives sont envisageables suite aux travaux effectués dans le cadre de

118

cette thèse. Le développement de connaissances est toujours nécessaire quant à la variabilitéspatio-temporelle des SPD émergents dans les RDEP ainsi que leur lien avec le TDS enréseau. Du point de vue de l’impact du vieillissement et de la réhabilitation des conduitessur le TDS, l’étude de RDEP présentant différentes configurations du point de vue dumaillage des conduites et la considération d’une plus grande échelle est aussi une avenue àexplorer.

119

Bibliographie générale

Abdullah, M. P., Yee, L. F., Ata, S., Abdullah, A., Ishak, B., et Abidin, K. N. Z. 2009. Thestudy of interrelationship between raw water quality parameters, chlorine demand andthe formation of disinfection by-products. Physics and Chemistry of the Earth, Parts A/B/C, 34(13) :806–811.

Adachi, S., Takahashi, S., Kurisu, H., et Tadokoro, H. 2014. Estimating area leakage in waternetworks based on hydraulic model and asset information. Procedia Engineering, 89 :278–285.

Al-Jasser, A. 2007. Chlorine decay in drinking-water transmission and distribution systems :Pipe service age effect. Water Research, 41(2) :387–396.

Al-Zahrani, M. A. et Moied, K. 2003. Optimizing water quality monitoring stations usinggenetic algorithms. Arabian Journal for Science and Engineering, 28(1) :57–75.

Almandoz, J., Cabrera, E., Arregui, F., Cabrera Jr, E., et Cobacho, R. 2005. Leakage assessmentthrough water distribution network simulation. Journal of Water Resources Planning andManagement, 131(6) :458–466.

APHA. 2007. Wef (2005) standard methods for the examination of water and wastewater.American Public Health Association, American Water Works Association, and Water EnvironmentFederation.

Araujo, L., Ramos, H., et Coelho, S. 2006. Pressure control for leakage minimisation in waterdistribution systems management. Water Resources Management, 20(1) :133–149.

Ates, N., Kaplan, S. S., Sahinkaya, E., Kitis, M., Dilek, F. B., et Yetis, U. 2007a. Occurrence ofdisinfection by-products in low doc surface waters in turkey. Journal of Hazardous Materials,142(1) :526–534.

121

Ates, N., Kitis, M., et Yetis, U. 2007b. Formation of chlorination by-products in waters withlow suva—correlations with suva and differential uv spectroscopy. Water Research, 41(18) :4139–4148.

Babayan, A. V., Savic, D. A., et Walters, G. A. 2007. Multiobjective optimization of waterdistribution system design under uncertain demand and pipe roughness. Topics on systemanalysis and integrated water resources management.

Baird, G. M. 2011. The epidemic of corrosion, part 1 : Examining pipe life. J. American waterworks Association, pages 14–19.

Bao, Y. et Mays, L. W. 1990. Model for water distribution system reliability. Journal of HydraulicEngineering, 116(9) :1119–1137.

Baribeau, H., Krasner, S. W., Chinn, R., et Singer, P. C. 2005. Impact of biomass on the stabilityof HAAs and THMs. Journal American Water Works Association, 97 :69–81.

Bayless, W. et Andrews, R. 2008. Biodegradation of six haloacetic acids in drinking water.Journal of Water and Health, 6(1) :15–22.

Berry, J., Hart, W. E., Phillips, C. A., Uber, J. G., et Watson, J.-P. 2006. Sensor placement inmunicipal water networks with temporal integer programming models. Journal of WaterResources Planning and Management, 132(4) :218–224.

Bhat, D. K., Prakash, T., Gowda, B. T., Sherigara, B., et Khader, A. 1996. Studies on chlorinedemand and its decay kinetics on the waters of kali river around kaiga project area. IndianJournal of Chemical Technology, 3(1) :58–60.

Binet, G. Mieux prédire la dégradation du chlore en réseau de distribution : cas d’étude : laville de québec. 2010. Master’s thesis, Université Laval, 2010.

Blokker, E., Vreeburg, J., et Van Dijk, J. 2009. Simulating residential water demand with astochastic end-use model. Journal of Water Resources Planning and Management, 136(1) :19–26.

Boxall, J., Saul, A., et Skipworth, P. 2004. Modeling for hydraulic capacity. Journal AmericanWater Works Association, 96(4) :161–169.

Brandt, M., Clement, J., Powell, J., Casey, R., Holt, D., Harris, N., et Tuan Ta, C. 2004. Managingdistribution retention time to improve water quality—phase i. AWWARF.

Brandt, M., Clement, J., Powell, J., Casey, R., Holt, D., Harris, N., et Tuan Ta, C. 2006. Managingdistribution retention time to improve water quality . phase ii. AWWARF.

Bull, R. J., Rice, G., et Teuschler, L. K. 2009. Determinants of whether or not mixtures ofdisinfection by-products are similar. Journal of Toxicology and Environmental Health, Part A,72(7) :437–460.

122

Burlingame, G. A., Korntreger, G., et Lahann, C. 1995. The configuration of standpipesin distribution affects operations and water quality. Journal of New England Water WorksAssociation, 109(4) :281–289.

Burlingame, G. A., Lytle, D. A., Snoeyink, V. L., et coll. 2006. Why red water ? understandingiron release in distribution systems (pdf). Opflow, 32(12) :12–16.

California Department of Water Resources, 2009. Water conservation act, 2009. http://www.water.ca.gov/wateruseefficiency/sb7/ [Consulté en 2015].

Candelieri, A., Soldi, D., Conti, D., et Archetti, F. 2014. Analytical leakages localization inwater distribution networks through spectral clustering and support vector machines. theicewater approach. Procedia Engineering, 89 :1080–1088.

Cantor, A. F., Park, J. K., et Vaiyavatjamai, P. 2003. Effect of cholorine on corrosion in drinkingwater systems. Journal American Water Works Association, pages 112–123.

Charisiadis, P., Andra, S. S., Makris, K. C., Christophi, C. A., Skarlatos, D., Vamvakousis,V., Kargaki, S., et Stephanou, E. G. 2015. Spatial and seasonal variability of tap waterdisinfection by-products within distribution pipe networks. Science of The Total Environment,506 :26–35.

Chin, A. et Bérubé, P. 2005. Removal of disinfection by-product precursors with ozone-uvadvanced oxidation process. Water Research, 39(10) :2136–2144.

Chowdhury, S. 2012. Heterotrophic bacteria in drinking water distribution system : a review.Environmental Monitoring and Assessment, 184(10) :6087–6137.

Christensen, R. T. 2009. Age effects on iron-based pipes in water distribution systems.Graduate Theses and Dissertations, page 505.

Clark, R. M. 2011. Chlorine fate and transport in drinking water distribution systems : Resultsfrom experimental and modeling studies. Frontiers of Earth Science, 5(4) :334–340.

Clark, R. M. et Sivaganesan, M. 1998. Predicting chlorine residuals and formation of TTHMsin drinking water. Journal of Environmental Engineering.

Colebrook, C. F. et White, C. 1937. The reduction of carrying capacity of pipes with age.Journal of the ICE, 7(1) :99–118.

Crittenden, J. C., Trussell, R. R., Hand, D. W., Howe, K. J., et Tchobanoglous, G. 2012. MWH’sWater Treatment : Principles and Design. John Wiley & Sons, 2012.

Delisle, F.-J. Amélioration de la connaissance des temps de séjour en réseau de distributionen vue de l’amélioration de la qualité de l’eau potable. 2009. Master’s thesis, UniversitéLaval, 2009.

123

Delisle, F.-J., Rochette, S., Pelletier, G., Asadzadeh, M., Tolson, B. A., et Rodriguez, M. J. 2015a.Minimizing water residence time in quebec city’s main distribution network using hybriddiscrete dynamically dimensioned search (hd-dds) : Part ii. Journal of Water Supply : Researchand Technology—AQUA, 64(3) :378–390.

Delisle, F.-J., Rochette, S., Pelletier, G., et Rodriguez, M. J. 2015b. Tracer study to verifyhydraulic limits and determine water residence times in a distribution system : Part i.Journal of Water Supply : Research and Technology—AQUA, 64(3) :365–377.

Diestel, R. 2005. Graph theory. 2005. Grad. Texts in Math.

Douterelo, I., Husband, S., et Boxall, J. 2014. The bacteriological composition of biomassrecovered by flushing an operational drinking water distribution system. Water Research,54 :100–114.

Ekeng, E. E. 2011. The effect of pipe ageing of different diameter and pressure on residualchlorine. Journal of International Academic Research, 11(3).

El-Shafy, M. A. et Grünwald, A. 2000. THM formation in water supply in south bohemia,czech republic. Water Research, 34(13) :3453–3459.

ESRI, R. 2011. Arcgis desktop : release 10. Environmental Systems Research Institute, CA.

Farren, E. A. 2003. Reducing trihalomethane concentrations by using chloramines as a disinfectant.PhD thesis.

Flury, M. et Papritz, A. 1993. Bromide in the natural environment : occurrence and toxicity.Journal of Environmental Quality, 22(4) :747–758.

Francisque, A. 2009. Strategies for improving the surveillance of drinking water quality indistribution networks : application of emerging modeling approaches. PhD thesis, UniversitéLaval.

Garcia-Villanova, R. J., Garcia, C., Gomez, J. A., Garcia, M. P., et Ardanuy, R. 1997. Formation,evolution and modeling of trihalomethanes in the drinking water of a town : Ii. in thedistribution system. Water Research, 31(6) :1405–1413.

Geldreich, E. E. 1996. Microbial quality of water supply in distribution systems. CRC Press, 1996.

Giustolisi, O., Savic, D., et Kapelan, Z. 2008. Pressure-driven demand and leakage simulationfor water distribution networks. Journal of Hydraulic Engineering, 134(5) :626–635.

Governement of Ontario, 2010. Water opportunities and water conservation act, 2010.http://www.ontla.on.ca/bills/bills-files/39_Parliament/Session2/b072ra.pdf[Consulté en 2014].

124

Grayman, W. M. 2006. A quarter of a century of water quality modeling in distributionsystems. In Water Distribution Systems Analysis Symposium, number 46.

Guilherme, S. 2014. Sous-produits de la désinfection dans l’eau potable des petits réseauxmunicipaux : variabilité spatio-temporelle, modélisation et stratégies de suivi. PhD thesis,Université Laval.

Hallam, N., West, J. R., Forster, C., Powell, J., et Spencer, I. 2002. The decay of chlorineassociated with the pipe wall in water distribution systems. Water Research, 36(14) :3479–3488.

Hallam, N. B., Hua, F., West, J. R., Forster, C. F., et Simms, J. 2003. Bulk decay of chlorinein water distribution systems. Journal of Water Resources Planning and Management, 129(1) :78–81.

Harmant, P., Nace, A., Kiene, L., et Fotoohi, F. 1999. Optimal supervision of drinkingwater distribution network. In Proc., 26th Annual Water Resources Planning and ManagementConf.’99—Preparing for the 21st Century.

Hart, W. E. et Murray, R. 2010. Review of sensor placement strategies for contaminationwarning systems in drinking water distribution systems. Journal of Water Resources Planningand Management, 136(6) :611–619.

Hodgeson, J., Collins, J., Barth, R., Munch, D., Munch, J., et Pawlecki, A. 1995. Method552.2 determination of haloacetic acids and dalapon in drinking water by liquid-liquidextraction, derivatization and gas chromatography with electron capture detection.Methods for the Determination of Organic Compounds in Drinking Water, Supplement III, USEnvironmental Protection Agency, Cincinnati, OH, 45268.

Hua, F., West, J., Barker, R., et Forster, C. 1999. Modelling of chlorine decay in municipalwater supplies. Water Research, 33(12) :2735–2746.

Hua, G. et Reckhow, D. A. 2008. DBP formation during chlorination and chloramination :effect of reaction time, ph, dosage, and temperature. Journal American Water WorksAssociation, pages 82–95.

Hua, G., Reckhow, D. A., et Abusallout, I. 2015. Correlation between SUVA and DBPformation during chlorination and chloramination of nom fractions from different sources.Chemosphere, 130 :82–89.

Imran, S. A., Dietz, J. D., Mutoti, G., Taylor, J. S., Randall, A. A., et Cooper, C. 2005. Red waterrelease in drinking water distribution systems. Journal American Water Works Association,pages 93–100.

125

Islam, M. S., Sadiq, R., Rodriguez, M. J., Francisque, A., Najjaran, H., Naser, B., et Hoorfar,M. 2012. Evaluating leakage potential in water distribution systems : a fuzzy-basedmethodology. Journal of Water Supply : Research and Technology—AQUA, 61(4) :240–252.

Jadas-Hecart, A., El Morer, A., Stitou, M., Bouillot, P., et Legube, B. 1992. Modélisation de lademande en chlore d’une eau traitée. Water Research, 26(8) :1073–1084.

Kapelan, Z. S., Savic, D. A., et Walters, G. A. 2003. Multiobjective sampling design for waterdistribution model calibration. Journal of Water Resources Planning and Management, 129(6) :466–479.

Khanal, N. et Speight, V. 2008. Increasing application of water quality models. In WorldEnvironmental and Water Resources Congress 2008, pages 1–10. ASCE.

Kiene, L., Lu, W., et Levi, Y. 1998. Relative importance of the phenomena responsible forchlorine decay in drinking water distribution systems. Water Science and Technology, 38(6) :219–227.

King, W. D., Dodds, L., Armson, B. A., Allen, A. C., Fell, D. B., et Nimrod, C. 2004. Exposureassessment in epidemiologic studies of adverse pregnancy outcomes and disinfectionbyproducts. Journal of Exposure Science and Environmental Epidemiology, 14(6) :466–472.

Kirmeyer, G. J. 2002. Guidance manual for monitoring distribution system water quality.

Kowalska, B., Kowalski, D., et Musz, A. 2006. Chlorine decay in water distribution systems.Environment Protection Engineering, 32(2) :5–16.

Krasner, S. W., Weinberg, H. S., Richardson, S. D., Pastor, S. J., Chinn, R., Sclimenti, M. J.,Onstad, G. D., et Thruston, A. D. 2006. Occurrence of a new generation of disinfectionbyproducts. Environmental Science & Technology, 40(23) :7175–7185.

Krause, A., Leskovec, J., Guestrin, C., VanBriesen, J., et Faloutsos, C. 2008. Efficient sensorplacement optimization for securing large water distribution networks. Journal of WaterResources Planning and Management, 134(6) :516–526.

Kumar, A., Kansal, M., et Arora, G. 1997. Identification of monitoring stations in waterdistribution system. Journal of Environmental Engineering, 123(8) :746–752.

Lauderdale, C. V. 2011. Engineered biofiltration for enhanced hydraulic and water treatmentperformance. PhD thesis, University of Florida.

Leal, J. L., Fuller, G. W., et Johnson, G. A. 1909. The Sterilization Plant of the Jersey City WaterSupply Company at Boonton, NJ. 1909.

LeChevallier, M. W., Cawthon, C. D., et Lee, R. G. 1988. Factors promoting survival of bacteriain chlorinated water supplies. Applied and Environmental Microbiology, 54(3) :649–654.

126

LeChevallier, M. W., Lowry, C. D., Lee, R. G., et Gibbon, D. L. 1993. Examining therelationship between iron corrosion and the disinfection of biofilm bacteria. JournalAmerican Water Works Association, pages 111–123.

LeChevallier, M. W., Welch, N. J., et Smith, D. B. 1996. Full-scale studies of factors related tocoliform regrowth in drinking water. Applied and Environmental Microbiology, 62(7) :2201–2211.

Lee, B. H. et Deininger, R. A. 1992. Optimal locations of monitoring stations in waterdistribution system. Journal of Environmental Engineering, 118(1) :4–16.

Lenntech Water Treatment, 2010. History of drinking water treatment, 2010.

Liu, S., Li, Z., Chen, J., Wang, Q., et Meng, F. 2010. Flaw of demand coverage based methodfor optimal locations of monitoring stations and modification. Huan Jing Ke Xue, 31(1) :88–92.

Lu, J., Zhang, T., Ma, J., et Chen, Z. 2009. Evaluation of disinfection by-products formationduring chlorination and chloramination of dissolved natural organic matter fractionsisolated from a filtered river water. Journal of Hazardous Materials, 162(1) :140–145.

Lu, W., Kiéné, L., et Lévi, Y. 1999. Chlorine demand of biofilms in water distribution systems.Water Research, 33(3) :827–835.

Machell, J., Boxall, J., et Saul, A. 2006. Improving the representation of age of water in drinkingwater distribution networks to inform water quality. In 8th Annual Water Distribution systemsAnalysis Symposium, Cincinnati, Ohio, USA.

Machell, J. et Boxall, J. 2011. Field studies and modeling exploring mean and maximum waterage association to water quality in a drinking water distribution network. Journal of WaterResources Planning and Management, 138(6) :624–638.

Machell, J. et Boxall, J. 2014. Modeling and field work to investigate the relationship betweenage and quality of tap water. Journal of Water Resources Planning and Management, 140(9).

Machell, J., Boxall, J., Saul, A., et Bramley, D. 2009. Improved representation of water agein distribution networks to inform water quality. Journal of Water Resources Planning andManagement.

Makris, K. C., Andra, S. S., et Botsaris, G. 2014. Pipe scales and biofilms in drinking-waterdistribution systems : undermining finished water quality. Critical Reviews in EnvironmentalScience and Technology, 44(13) :1477–1523.

Malliarou, E., Collins, C., Graham, N., et Nieuwenhuijsen, M. J. 2005. Haloacetic acids indrinking water in the united kingdom. Water research, 39(12) :2722–2730.

127

MAMOT. 2011. Stratégie québécoise d’économie d’eau potable. http://www.mamrot.gouv.qc.ca/pub/grands_dossiers/strategie_eau/strategie_eau_potable.pdf [Consultéen 2014].

MAMOT. 2012. Rapport annuel de l’usage de l’eau potable des municipalitésquébécoises. http://www.mamrot.gouv.qc.ca/fileadmin/publications/grands_dossiers/strategie_eau/rapport_annuel_SEEP.xls [Consulté en 2014].

Maskit, M. et Ostfeld, A. 2014. Leakage calibration of water distribution networks. ProcediaEngineering, 89 :664–671.

McNeill, L. S. et Edwards, M. 2001. Iron pipe corrosion in distribution systems. JournalAmerican Water Works Association, pages 88–100.

MDDELCC. DIRECTIVE 001 Captage et distribution d’eau. Ministère du DéveloppementDurable, de l’Environnement et de la Lutte contre les Changements Climatiques(MDDELCC), 2002. http://www.mddelcc.gouv.qc.ca/eau/potable/installation/documents/Directive001.pdf [Consulté en 2014].

MDDELCC. Règlement sur la qualité de l’eau potable. Ministère du Développement Durable, del’Environnement et de la Lutte contre les Changements Climatiques (MDDELCC), 2012.

Melnick, R. L., Nyska, A., Foster, P. M., Roycroft, J. H., et Kissling, G. E. 2007. Toxicity andcarcinogenicity of the water disinfection byproduct, dibromoacetic acid, in rats and mice.Toxicology, 230(2) :126–136.

Mercier-Shanks, C. Variations spatio-temporelles des sous-produits de la désinfectionémergents dans l’eau potable. 2012. Master’s thesis, Université Laval, 2012.

Mitch, W. A. 2009. Occurrence and formation of nitrogenous disinfection by-products. WaterResearch Foundation, 2009.

Mouly, D., Joulin, E., Rosin, C., Beaudeau, P., Zeghnoun, A., Olszewski-Ortar, A., Munoz,J. F., Welte, B., Joyeux, M., Seux, R., et coll. 2010. Variations in trihalomethane levels inthree french water distribution systems and the development of a predictive model. WaterResearch, 44(18) :5168–5179.

Mutoti, G., Dietz, J. D., Arevalo, J., et Taylor, J. S. 2007. Combined chlorine dissipation : Pipematerial, water quality, and hydraulic effects. Journal American Water Works Association,pages 96–106.

Nakache, F., Deguin, A., et Kerneis, A. 1996. Évolution dans un réseau de distribution desmicro-organismes et d’un nutriement, le codb. incidence du temps de transit. Revue dessciences de l’eau/Journal of Water Science, 9(4) :499–521.

128

Nissinen, T., Miettinen, I., Martikainen, P., et Vartiainen, T. 2002. Disinfection by-products infinnish drinking waters. Chemosphere, 48(1) :9–20.

Nkwonta, O. et Ochieng, G. e. c. 2009. Roughing filter for water pre-treatment technology indeveloping countries : A review. International Journal of Physical Sciences, 4(9) :455–463.

Norton, C. D. et LeChevallier, M. W. 2000. A pilot study of bacteriological population changesthrough potable water treatment and distribution. Applied and Environmental Microbiology,66(1) :268–276.

Ontario Ministry of the Attorney General. 2002. Report of the walkerton inquiry : the eventsof may 2000 and related issues : a summary.

Ormsbee, L. E. 2006. The history of water distribution network analysis : the computer age.In 8th Annual Water Distribution Systems Analysis Symposium.

Ostfeld, A. et Salomons, E. 2004. Optimal layout of early warning detection stations for waterdistribution systems security. Journal of Water Resources Planning and Management, 130(5) :377–385.

Ostfeld, A., Uber, J. G., Salomons, E., Berry, J. W., Hart, W. E., Phillips, C. A., Watson, J.-P., Dorini, G., Jonkergouw, P., Kapelan, Z., et coll. 2008. The battle of the water sensornetworks (bwsn) : A design challenge for engineers and algorithms. Journal of WaterResources Planning and Management, 134(6) :556–568.

Ouyang, Y., Nkedi-Kizza, P., Wu, Q., Shinde, D., et Huang, C. 2006. Assessment of seasonalvariations in surface water quality. Water Research, 40(20) :3800–3810.

Pace, M. L. et Cole, J. J. 2002. Synchronous variation of dissolved organic carbon and colorin lakes. Limnology and Oceanography, 47(2) :333–342.

Parvez, S., Rivera-Núñez, Z., Meyer, A., et Wright, J. M. 2011. Temporal variability intrihalomethane and haloacetic acid concentrations in massachusetts public drinking watersystems. Environmental Research, 111(4) :499–509.

Pasha, M. et Lansey, K. 2010. Effect of parameter uncertainty on water quality predictions indistribution systems-case study. Journal of Hydroinformatics, 12(1) :1–21.

Pasha, M. et Lansey, K. 2005. Analysis of uncertainty on water distribution hydraulics andwater quality. In Proceedings of the ASCE world Water and Environmental Resources Congress,pages 15–19.

Payment, P., Siemiatycki, J., Richardson, L., Renaud, G., Franco, E., et Prevost, M. 1997. Aprospective epidemiological study of gastrointestinal health effects due to the consumptionof drinking water. International Journal of Environmental Health Research, 7(1) :5–31.

129

Pelletier, G., Mailhot, A., et Villeneuve, J.-P. 2003. Modeling water pipe breaks-three casestudies. Journal of Water Resources Planning and Management, 129(2) :115–123.

Pluchon, C., Sérodes, J., Berthiaume, C., Charette, S., Gilbert, Y., Filion, G., Fournier-Larente,J., Rodriguez, M., et Duchaine, C. 2013. Haloacetic acid degradation by a biofilm in asimulated drinking water distribution system. Water Science & Technology : Water Supply, 13(2) :447–461.

Powell, J. C., Hallam, N. B., West, J. R., Forster, C. F., et Simms, J. 2000. Factors which controlbulk chlorine decay rates. Water Research, 34(1) :117–126.

Propato, M. et Uber, J. G. 2004. Vulnerability of water distribution systems to pathogenintrusion : How effective is a disinfectant residual ? Environmental science & technology, 38(13) :3713–3722.

Proulx, F. 2009. Goûts, odeurs et perception relatifs à la qualité de l’eau potable : une perspectivespatio-temporelle. PhD thesis, Université Laval.

Proulx, F., Rodriguez, M., et Sérodes, J.-B. 2010. Les goûts et les odeurs dans l’eau potable :revue des composés responsables et des techniques de mesure. Revue des sciences del’eau/Journal of Water Science, 23(3) :303–323.

Rao, T., Sairam, T., Viswanathan, B., et Nair, K. 2000. Carbon steel corrosion by iron oxidisingand sulphate reducing bacteria in a freshwater cooling system. Corrosion Science, 42(8) :1417–1431.

Reckhow, D. A., Singer, P. C., et Malcolm, R. L. 1990. Chlorination of humic materials :byproduct formation and chemical interpretations. Environmental science & technology, 24(11) :1655–1664.

Richardson, S. D. et Postigo, C. Drinking water disinfection by-products. In Emerging organiccontaminants and human health, pages 93–137. Springer, 2012.

Richardson, S. D., Plewa, M. J., Wagner, E. D., Schoeny, R., et DeMarini, D. M. 2007.Occurrence, genotoxicity, and carcinogenicity of regulated and emerging disinfection by-products in drinking water : a review and roadmap for research. Mutation Research/Reviewsin Mutation Research, 636(1) :178–242.

Rivera-Núñez, Z. et Wright, J. M. 2013. Association of brominated trihalomethane andhaloacetic acid exposure with fetal growth and preterm delivery in massachusetts. Journalof Occupational and Environmental Medicine, 55(10) :1125–1134.

Rodriguez, M. J. et Sérodes, J.-B. 2001. Spatial and temporal evolution of trihalomethanes inthree water distribution systems. Water Research, 35(6) :1572–1586.

130

Rodriguez, M. J., Vinette, Y., Sérodes, J.-B., et Bouchard, C. 2003. Trihalomethanes indrinking water of greater quebec region (canada) : occurrence, variations and modelling.Environmental monitoring and assessment, 89(1) :69–93.

Rodriguez, M. J., Sérodes, J.-B., et Levallois, P. 2004. Behavior of trihalomethanes andhaloacetic acids in a drinking water distribution system. Water Research, 38(20) :4367–4382.

Rodriguez, M. J., Sérodes, J.-B., Levallois, P., et Proulx, F. 2007. Chlorinated disinfectionby-products in drinking water according to source, treatment, season, and distributionlocation. Journal of Environmental Engineering and Science, 6(4) :355–365.

Rossman, L. A. 1999. The epanet programmer’s toolkit for analysis of water distributionsystems. In ASCE 29th Annual Water Resources Planning and Management Conference, pages39–48.

Rossman, L. A. 2000. Epanet 2 : users manual.

Rossman, L. A., Clark, R. M., et Grayman, W. M. 1994. Modeling chlorine residuals indrinking-water distribution systems. Journal of Environmental Engineering, 120(4) :803–820.

Sadiq, R. et Rodriguez, M. J. 2004. Disinfection by-products (DBPs) in drinking water andpredictive models for their occurrence : a review. Science of the Total Environment, 321(1) :21–46.

Sadiq, R. et Rodriguez, M. J. 2011. Empirical models to predict disinfection by-products(DBPs) in drinking water. Encyclopedia of Environmental Health, pages 282–295.

Saidan, M., Rawajfeh, K., et Fayyad, M. 2015. Determination of trihalomethanes levels in aselected area of amman’s drinking water distribution system : case study. Desalination andWater Treatment, 54(3) :642–653.

Sanks, R. 2005. Water transport section. Water Storage, Transport, and Distribution.

Santé Canada, 1987. Le manganèse, 1987. http://www.hc-sc.gc.ca/ewh-semt/pubs/water-eau/manganese/index-fra.php [Consulté en 2015].

Santé Canada, 2012. Guidelines for canadian drinking water quality, 2012. http://www.hc-sc.gc.ca/ewh-semt/pubs/water-eau/sum_guide-res_recom/index-eng.php[Consulté en 2014].

Santé Canada, 2013. Guidelines for canadian drinking water quality - turbidity, 2013.http://www.hc-sc.gc.ca/ewh-semt/alt_formats/hecs-sesc/pdf/pubs/water-eau/turbidity/turbidity-eng.pdf [Consulté en 2014].

Santé Canada, 2015. ph of drinking water, 2015. http://www.hc-sc.gc.ca/ewh-semt/alt_formats/pdf/consult/_2015/ph/consult-eng.pdf [Consulté en 2014].

131

SAS Institute. 2014. Base sas 9.4 procedures guide : Statistical procedures.

Selvakumar, A. et Tafuri, A. N. 2012. Rehabilitation of aging water infrastructure systems :key challenges and issues. Journal of Infrastructure Systems, 18(3) :202–209.

Semerjian, L., Dennis, J., et Ayoub, G. 2007. Practical papers-spatial and seasonal evolutionof trihalomethanes in water distribution systems in lebanon. Aqua-Journal of Water Supply,56(4) :263–274.

Serrano, M., Montesinos, I., Cardador, M., Silva, M., et Gallego, M. 2015. Seasonal evaluationof the presence of 46 disinfection by-products throughout a drinking water treatment plant.Science of The Total Environment, 517 :246–258.

Shang, F., Uber, J. G., et Rossman, L. A. 2007. Modeling reaction and transport of multiplespecies in water distribution systems. Environmental science & technology, 42(3) :808–814.

Shanks, C. M., Sérodes, J.-B., et Rodriguez, M. J. 2013. Spatio-temporal variability of non-regulated disinfection by-products within a drinking water distribution network. WaterResearch, 47(9) :3231–3243.

Sharp, W., Pfeffer, J., et Morgan, M. 1991. In situ chlorine decay rate testing. In Proceedings ofAWWARF and USEPA conference on water quality modelling in distribution systems. Cincinatti,Ohio, pages 4–5.

Siddique, A., Saied, S., Zaigham, N. A., Mumtaz, M., Mahar, G. A., et Mohiuddin, S.2012. Temporal variability of disinfection by-products concentration in urban public watersystem. Global NEST Journal, 14(4) :393–398.

Simard, A., Pelletier, G., et Rodriguez, M. 2009. Using a tracer to identify water supply zonesin a distribution network. Journal of Water Supply : Research and Technology—AQUA, 58(6) :433–442.

Simard, A., Pelletier, G., et Rodriguez, M. 2011. Water residence time in a distribution systemand its impact on disinfectant residuals and trihalomethanes. Journal of Water Supply :Research and Technology—AQUA, 60(6) :375–390.

Singer, P. C. 1994. Control of disinfection by-products in drinking water. Journal ofEnvironmental Engineering, 120(4) :727–744.

Singer, P. C., Obolensky, A., et Greiner, A. 1995. DBPs in chlorinated north carolina drinkingwaters. Journal American Water Works Association, 87(10) :83–92.

Sudol, M. et Kwietniewski, M. 2005. One criterion optimization of location of water qualityconstant measuring points within monitoring system. In Wilga-DL Tentative, pages 494–501.International Society for Optics and Photonics.

132

Summerhayes, R. J., Morgan, G. G., Lincoln, D., Edwards, H. P., Earnest, A., Rahman, M. B.,Byleveld, P., Cowie, C. T., et Beard, J. R. 2011. Spatio-temporal variation in trihalomethanesin new south wales. Water Research, 45(17) :5715–5726.

Thompson, S. L., Casman, E., Fischbeck, P., Small, M. J., et VanBriesen, J. M. 2007.Vulnerability assessment of a drinking water distribution system : implications for publicwater utilities. In Proceedings of the World Environmental and Water Resources Congress. Tampa,USA, pages 1–12.

Todlini, E. et Pilati, S. 1987. A gradient method for the analysis of pipe networks.In Proceedings of the international conference on computer applications for water supply anddistribution, Leicester Polytechnic, UK.

Toroz, I. et Uyak, V. 2005. Seasonal variations of trihalomethanes (THMs) in waterdistribution networks of istanbul city. Desalination, 176(1) :127–141.

Trussell, R. R. 1999. Safeguarding distribution system integrity. Journal American Water WorksAssociation, 91(1) :46–54.

Tryby, M. E. et Uber, J. G. 2001. Representative water quality sampling in water distributionsystems. In Bridging the gap : Meeting the world’s water and environmental resources challenges,State of the Practice—Proc., World Water and Environmental Resources Congress.

Tscheikner-Gratl, F., Sitzenfrei, R., Hammerer, M., Rauch, W., et Kleidorfer, M. 2014.Prioritization of rehabilitation areas for urban water infrastructure. a case study. ProcediaEngineering, 89 :811–816.

Tucciarelli, T., Criminisi, A., et Termini, D. 1999. Leak analysis in pipeline systems by meansof optimal valve regulation. Journal of Hydraulic Engineering, 125(3) :277–285.

Tung, H.-h. et Xie, Y. F. 2009. Association between haloacetic acid degradation andheterotrophic bacteria in water distribution systems. water research, 43(4) :971–978.

Tuovinen, O., Mair, D., et Banovic, J. 1984. Chlorine demand and trihalomethane formationby tubercles from cast iron water mains. Environmental Technology Letters, 5(1-11) :97–108.

Uber, J., Boxall, J., et coll. 2010. Multi-species network water quality modeling : currentexamples, future potential, and research needs. In Integrating water systems. Proceedingsof the Tenth International Conference on Computing and Control for the Water Industry, CCWI2009-’Integrating Water Systems’, Sheffield, UK, 1-3 September 2009., pages 13–19. CRCPress/Balkema.

U.S. Federal Government, 2009. Executive order (eo) 13514 federal leadership inenvironmental, energy, and economic performance, 2009. http://www.epa.gov/greeningepa/practices/eo13514.htm [Consulté en 2015].

133

USEPA. 1998. National primary drinking water regulations : disinfectants and disinfectionbyproducts-final rule.

USEPA. 2002. Effects of water age on distribution system water quality.

USEPA. 2006a. The effectiveness of disinfectant residuals in the distribution system.

USEPA. 2006b. National primary drinking water regulations : Stage 2 disinfectants anddisinfection byproducts rule. Fed. Regist., 71 :387–493.

USEPA. 2006c. Drinking water priority rulemaking : Microbial and disinfection byproductrules.

USEPA. 2007. A review of distribution system monitoring strategies under total coliformrule.

USEPA. 2011. National primary drinking water regulations.

Uyak, V., Soylu, S., Topal, T., Karapinar, N., Ozdemir, K., Ozaydin, S., et Avsar, E. 2014. Spatialand seasonal variations of disinfection byproducts (DBPs) in drinking water distributionsystems of istanbul city, turkey. Environmental Forensics, 15(2) :190–205.

Van der Kooij, D. et Veenendaal, H. 2001. Biomass production potential of materials in contactwith drinking water : method and practical importance. Water Science & Technology : WaterSupply, 1(3) :39–45.

Van Rossum, G. et Drake Jr, F. L. 1995. Python reference manual. Centrum voor Wiskunde enInformatica Amsterdam, 1995.

Vasconcelos, J. J. et Boulos, P. F. 1996. Characterization and modeling of chlorine decay indistribution systems. American Water Works Association, 1996.

Villanueva, C. M., Kogevinas, M., et Grimalt, J. O. 2003. Haloacetic acids and trihalomethanesin finished drinking waters from heterogeneous sources. Water Research, 37(4) :953–958.

Villanueva, C. M., Gagniere, B., Monfort, C., Nieuwenhuijsen, M. J., et Cordier, S. 2007.Sources of variability in levels and exposure to trihalomethanes. Environmental Research,103(2) :211–220.

Villanueva, C. M., Kogevinas, M., Cordier, S., Templeton, M. R., Vermeulen, R., Nuckols,J. R., Nieuwenhuijsen, M. J., Levallois, P., et coll. 2014. Assessing exposure and healthconsequences of chemicals in drinking water : current state of knowledge and researchneeds. Environ Health Perspect, 122(3) :213–221.

Ville de Québec. Audit sur l’Aquaresponsabilité municipale, 2012. https://www.ville.quebec.qc.ca/grandsprojetsverts/eau/docs/Aquaresponsabilite_ResultatsAuditQuebec_20120912.pdf [Consulté en 2015].

134

Volk, C., Wood, L., Johnson, B., Robinson, J., Zhu, H. W., et Kaplan, L. 2002. Monitoringdissolved organic carbon in surface and drinking waters. Journal of EnvironmentalMonitoring, 4(1) :43–47.

Walski, T. 2004. Modeling for hydraulic capacity (with respond). Journal American WaterWorks Association, 96(10) :104–108.

Wong, H. et Mok, K. 2008. Formation of HAAs and THMs in the water treatment anddistribution system of macau. Water Practice & Technology, 3(3).

Woo, H. et Kim, J.-H. 2003. Optimal location of water quality monitoring sites inwater distribution systems. In Advances in Water Supply Management : Proceedings of theInternational Conference on Computing and Control for the Water Industry, 15-17 September 2003,London, UK, page 471. Taylor & Francis.

World Health Organization. 2010. Progress on sanitation and drinking-water : 2010 update.geneva : World health organization.

Wright, J., Schwartz, J., et Dockery, D. 2003. Effect of trihalomethane exposure on fetaldevelopment. Occupational and Environmental Medicine, 60(3) :173–180.

Xu, C. et Goulter, I. C. 1998. Probabilistic model for water distribution reliability. Journal ofWater Resources Planning and Management, 124(4) :218–228.

Zhang, G., Kiene, L., Wable, O., Chan, U., et Duguet, J. 1992. Modelling of chlorine residualin the water distribution network of macao. Environmental Technology, 13(10) :937–946.

Zhang, W. et DiGiano, F. A. 2002. Comparison of bacterial regrowth in distribution systemsusing free chlorine and chloramine : a statistical study of causative factors. Water Research,36(6) :1469–1482.

Zhang, Y., Collins, C., Graham, N., Templeton, M. R., Huang, J., et Nieuwenhuijsen, M. 2010.Speciation and variation in the occurrence of haloacetic acids in three water supply systemsin england. Water and Environment Journal, 24(3) :237–245.

Zhong, D., Yuan, Y., Ma, W., Cui, C., et Wu, Y. 2012. Influences of pipe materials andhydraulic conditions on the process of trihalomethanes formation in water distributionnetwork. Desalination and Water Treatment, 49(1-3) :165–171.

Zimoch, I., Szymura, E., et Moraczewska-Majkut, K. 2015. Changes of trihalomethanes(THMs) concentration in water distribution system. Desalination and Water Treatment,(ahead-of-print) :1–10.

135

Annexe A

Articles publiés en tant que co-auteur

Les travaux effectués pour la mise à jour des calculs et de la modélisation hydraulique ainsique la rédaction de ces articles ont permis de mettre en lumière une nouvelle perspective pourla simulation des TDS. Les résultats de l’étude au traceur réalisée dans le cadre de ces articlesont démontré une concordance appréciable au niveau de la simulation des temps de séjour(TDS) simulés à l’aide du logiciel EPANET. Cette concordance basée sur une informationlimitée à l’obtention des débits entrants et à la répartition des débits selon la population aillustré la pertinence d’effectuer davantage de travaux en ce sens. Les travaux effectués dansle cadre de cette thèse ont donc pu s’appuyer sur des bases solides quant à la simulation desTDS dans la zone étudiée.

Article 1 : Delisle, F.-J., Rochette, S., Pelletier, G. & Rodriguez, M.J. 2014. Tracer study toverify hydraulic limits and determine water residence times in a distribution system : Part I.Journal of Water Supply : Research and Technology- AQUA.

Article 2 : Delisle, F.-J., Rochette, S., Pelletier, G., Asadzadeh, M., Tolson, B.A. & Rodriguez,M.J. 2014. Minimizing water residence time in Quebec City’s main distribution networkusing hybrid discrete dynamically dimensioned search (HD-DDS) : Part II.Journal of Water Supply : Research and Technology- AQUA.

137

Tracer study to verify hydraulic limits and determine

water residence times in a distribution system: Part I

François-Julien Delisle, Simon Rochette, Geneviève Pelletier and

Manuel J. Rodriguez

ABSTRACT

This study introduces a methodology for assessing the residence times of drinking water in

distribution systems using a tracer. The injection of a tracer followed by an intensive sampling

campaign was used to evaluate the residence times of water in Quebec City’s main system, which is

supplied by the St Charles River. Samples were also analysed to determine the hardness and

conductivity of the water in order to identify interconnections with a neighbouring system supplied

by the St Lawrence River, a source with different properties. To validate the assumptions of

interconnectivity, a complementary conductivity campaign was carried out. The tracer campaign

allowed us to obtain the mean residence times (MRTs) within the study area and to target areas with

low and high MRTs between 6 and 33 h. The mixing zones between water from the various sources

and with longer MRTs following a stay in a reservoir were also identified. Results of this study were

used to develop strategies to minimise MRT in order to improve water quality. These strategies are

presented in the ‘companion paper’ (Part II) in this issue.

François-Julien DelisleRoche Ltd Consulting Group,Quebec City, Quebec,Canada

Simon RochetteDepartment of Civil and Water Engineering,Université Laval,Quebec City, Quebec,Canada

Geneviève Pelletier (corresponding author)Department of Civil and Water Engineering,Faculty of Science and Engineering, Université

Laval, Pavillon Adrien Pouliot, 1065, avenue dela Médicine,

Quebec City, Quebec G1V 0A6,CanadaE-mail: genevieve.pelletier@gci.ulaval.ca

Manuel J. RodriguezESAD, Université Laval,Quebec City, Quebec,Canada

Key words | conductivity, hardness, tracer study, water distribution systems, water quality,

water residence time

ABBREVIATIONS

DS water distribution system

DBP disinfection by-product

LT Lower Town

MRT mean residence time

S1 Sillery

S2 Saint-Sacrement

UL Université Laval

UT Upper Town

WTP water treatment plant

INTRODUCTION

It is important for operators, managers and especially consu-

mers that drinking water quality is excellent, safe, and

exempt from unwanted taste and odour. A physicochemical

treatment suited to the characteristics of the water source is

typically used to reduce the various microbiological con-

taminants liable for its colour, taste and odour and to

inactivate or remove pathogenic organisms responsible for

waterborne diseases. A secondary disinfectant is usually

injected into the water at the entrance of the water distri-

bution system (DS) to prevent the growth of pathogenic

organisms throughout the residence-life of water in the

pipes (Prévost et al. ).

For over a century, chlorine has been the most com-

monly used secondary disinfectant because of its

effectiveness and low cost (Crittenden et al. ; Gopal

et al. ). Injected at the end of the treatment process, it

acts as a chemical barrier to prevent microbiological

growth in the DS. However, this disinfectant reacts with

the organic matter naturally found in water to produce dis-

infection by-products (DBPs) (Gallard & von Gunten ;

Rodriguez et al. ). Chlorine’s response to organic and

365 © IWA Publishing 2015 Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

doi: 10.2166/aqua.2014.050

inorganic substances in the water leads to a decrease in the

concentration of free residual chlorine, thus weakening

the barrier preventing the regrowth of microorganisms in

the DS. For Quebec City’s DS, located in a northern climate,

strong seasonal variations and significant spatial variations

in residual chlorine concentrations, DBP concentrations

and microbiological quality were observed by Rodriguez

et al. () and Francisque ().

Since it is widely accepted that water quality

decreases over time (e.g., Zhang & DiGiano ;

Hallam et al. ; Al-Jasser ), it is useful for system

operators to know the mean residence time (MRT) at

different locations in the DS in order to consider various

strategies to reduce it. This study aims to develop a meth-

odology to determine the hydraulic limits of the system

and to evaluate the MRT in the DS in order to improve

the quality of the water distributed to consumers. A

better understanding of these factors would help identify

strategies to ensure greater residual chlorine concen-

trations in vulnerable areas and reduce the formation of

DBPs. This methodology is developed and tested on the

main DS of Quebec City, supplied by its main drinking

water treatment plant (WTP). To achieve this objective,

experimental MRTs were evaluated using a tracer study.

Verification of the actual limits of the studied DS was

also performed, as they may vary due to possible intercon-

nections with adjacent DS.

EVALUATION OF MEAN RESIDENCE TIMES

Tracer studies

Tracers can be of great use for a better understanding of the

behaviour of a real DS. They can be used to estimate MRT

(DiGiano et al. ), to identify the limits of differently sup-

plied areas (Simard et al. ) and to estimate unknown

water demands (Al-Omari & Abdulla ), among other

things. DiGiano et al. () proposed an interesting tech-

nique to assess MRT using a tracer. Their method takes

into account the mixing between the ‘old’ water that is

already in the pipes and the ‘new’ water introduced during

a tracer study. It involves following the decrease of tracer

concentration in the pipe after the injection is completed

at the WTP. The MRT is expressed as follows:

MRT ¼Xn

i¼0

tiΔFiðtÞ (1)

where i is the ith sample of water, ti is the time elapsed since

the tracer injection was stopped, ΔFi(t) is the change in the

fractional concentration Fi of the tracer over time which is

defined as follows:

FiðtÞ ¼ Cbefore � Cti

Cbefore � Cafter(2)

where Cbefore and Cafter refer to the tracer concentration

before and after the tracer injection was stopped. Cafter is,

in fact, the natural concentration of the tracer in the water.

DiGiano et al. () compared theMRT calculated from

the tracer concentrations observed in the field (MRTfield) with

MRT calculated from the tracer concentrations simulated

using an EPANET model (MRTmodel). These MRT values

were also compared with the average age of water

(AAEPANET) predicted by the EPANET model (Rossman

). The MRTmodel obtained in the study fitted well with

the AAEPANET, with nine out of the twelve sampling stations

having less than a 3-h difference between the two. However,

major differences in simulated and measured tracer concen-

trations were observed, resulting in large gaps between

MRTfield and MRTmodel. MRTfield ranged from 21 to 75 h

and MRTmodel ranged from 8 to 28 h, resulting in a mean

absolute error of approximately 28 h between observations

and simulations. These differences were explained by the

insufficient number of pipes in the model (less than 35% of

the real system, since only 12-inch diameter pipes or more

were included in themodel), an inadequatemodel calibration

and an inaccuracy regarding water demands.

Furthermore, it is essential to consider the chemical be-

haviour regarding its degradation and its potential to react

with other substances found in water in order to properly con-

duct a tracer campaign. In some cases, the type of material

used for the pipes (walls) seems to play a role in the various

tracer behaviours (Tamminen et al. ). A tracer must there-

fore be chosen carefully. Fluorides, for example, do not

degrade or react easily with other substances with which

they come into contact in the DS (Tzatchkov et al. ).

366 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Advection, diffusion and dispersion are the most likely

means of transportation for a tracer in water pipes (Tzatch-

kov et al. ). Advection is the transport of a solute (tracer)

following the movement of a solvent (water). Diffusion is

better defined as the tendency of the solute to travel in the

solvent under the influence of a concentration gradient. Dis-

persion is due to the lack of uniformity of the velocity field,

resulting in a random dispersion of the solute in the solvent

(Tzatchkov et al. ). When the flow is laminar, dispersion

appears to be the predominant mode of transport (Axworthy

& Karney ; Tzatchkov et al. ). Low velocities associ-

ated with laminar flows are only observed during times of

low consumption (at night) and in hydraulic dead-ends,

namely the extremities of the system. In the transitional

flow regime, which is the most common in DS, transport

by advection largely dominates. Diffusion, being slower

than dispersion, can be neglected.

Simard et al. () used calcium chloride (CaCl2) as a

tracer to determine the supply patterns for a Quebec City

neighbourhood. This neighbourhood has the particularity

of being supplied by water coming directly from the WTP

and by water from the same WTP but that had spent up to

3–5 days in a reservoir. The tracer study allowed the identi-

fication of those areas of the neighbourhood directly

supplied by the plant, those supplied by the reservoir and

those in the mixing zones.

Uncertainties about water demands

Uncertainties about water consumption (and its variation

over time), as well as the lack of knowledge regarding the

state of the pipes (real roughness, effective diameter, etc.),

are the main sources of error associated with measured

and simulated data (pressure, flow, tracer concentration,

etc.) (Ormsbee ; Ormsbee & Lingireddy ; Al-Omari

& Abdulla ). To these must be added communication

problems between different city departments about specific

events that can affect water demand and hydraulics (e.g.,

open/close state of the valves, water main leakage, fire-

related site specific water demand, seasonal street cleaning,

etc.).

A method for determining the water consumption using

tracers was suggested by Al-Omari & Abdulla (). These

authors believe that the lack of knowledge on water

demand is the largest source of error between observations

and simulations. Their technique is to identify unknown

flows based on fluoride concentrations. When tested with

EPANET models, they obtained good results when the

number of observation sites is greater than the number of

junctions where the demands are unknown. In this case,

the percentage error between the actual flows and those

determined by their technique varied between 0% and 2%.

In the case where the number of observations is lower than

the number of junctions, the percentage error was overall

much larger; varying between 1% and 26%. This situation is

by far the most common. In addition, to obtain good results,

the authors suggest selecting junctions that are more sensitive

to changes in flows for data collection. Since the sensitivity of

the junctions is not necessarily known when a sampling cam-

paign is planned, it would not be surprising to find percentage

errors greater than 26% on real DS.

METHODOLOGY

Case study

The current methodology tests one DS from Quebec City

(Canada). Although the various sub-systems that supply

the city are usually independent, interconnections increase

during periods of high demand in order to better balance

hydraulic requirements. The study area (Figure 1) corre-

sponds to several sectors of the main DS of Quebec City:

the Lower Town (LT), the Upper Town (UT), Sillery (S1)

and Saint-Sacrement (S2). Université Laval (UL) manages

its own system. Drinking water comes from the WTP of

Quebec, located north of the city. It is supplied by the

St Charles River, a few kilometres downstream of

St Charles Lake, which is used as a raw water reservoir.

Once the water is treated, it is transported by three water

mains of 750, 1,015 and 1,070 mm in diameter. The natural

drop between the WTP and study area enables supply by

gravity. Along the way, water is withdrawn from the

mains, via valve chambers, to supply the different neigh-

bourhoods on both sides of the primary and secondary

pipe systems. Within this DS, there is also the Plains of

Abraham reservoir, which can hold up to 130,000 m³ of

water and is supplied directly by the WTP. The water,

367 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

which stays there for 3–5 days, supplies most of sub-sector

LT (Figure 1) (see also Simard et al. ).

These sub-sectors have been selected to develop the

methodology for evaluating MRT because they are located

relatively far from the WTP and the probability of observing

high MRTs is important. Moreover, challenges in maintain-

ing adequate concentrations of free residual chlorine are

known in sector S1 (Figure 1). Finally, population density

is higher compared to other areas of Quebec City, which

is an important factor in the prioritisation of monitoring

water quality in DS.

Sampling campaigns

Two intensive sampling campaignswere conducted: thefirst to

assessMRT and identify the origin of thewater and the second

to confirm the limits of DS. As part of the first campaign, a

fluorosilicic acid solution (25% w/w) was injected (∼0.5 mg/L)

at the WTP as a tracer. This molecule instantly dissociates into

tetrafluorosilane (SiF4) and hydrogen fluoride. After a full

review of long-term series of flow rates at the valve chambers

at the entrance of the sector, it was found that the flow rates

did not vary much between the week days and the weekend.

For logistical reasons, weekend dates were chosen. The injec-

tion started at 3:00 a.m. on Saturday, 24 May 2008, and

stopped at 5:00 a.m. on Sunday, 25 May 2008, lasting a

total of 26 h. Water samples were collected in 60 sampling

sites (865 total samples) across the entire study area. These

samples, collected between 9:00 a.m. and 11:00 p.m. on 24

May and from 9:00 a.m. to 5:00 p.m. on 25 May, at a rate of

one sample every 2 h, were analysed for fluoride concen-

tration colorimetrically using an Astoria auto-analyser. It

should be noted that the beginning and end times of sampling,

and frequency, varied from one site to another.

Water samples were also collected at the Venturi build-

ing (122 samples), located approximately 2 km downstream

of the WTP. These samples were used to draw the fluoride

concentration curves for water coming out of the WTP,

given that there is no water consumption between the

WTP and Venturi site on any of the three main pipes from

the WTP. The sampling there was carried out between

4:00 a.m. and 9:00 p.m. on 24 May and between 7:00 a.m.

and 5:00 p.m. on 25 May. The frequency of sampling

varied from one sample every 15 min up to one sample

every 2 h. The higher sampling frequency better monitors

the initial progression of fluoride from the WTP. Sampling

Figure 1 | Fluoride sampling sites.

368 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

times were evaluated taking into account the preliminary

results of MRT obtained from the hydraulic model, using

the daily average demands for the year.

Fluoride concentration curves were used to evaluate

MRT but also to formulate a hypothesis about the origin

of the water. A curve whose fluoride concentration evolves

slowly may be characteristic of an area where MRT is

high, but could also mean that it was mixed with water

that does not contain a tracer (e.g., from a neighbouring

DS or a reservoir with high MRT). This is why it is important

to validate the origin of the water using a parameter that

differs from one DS to another.

Isolating valves that link two DS are normally closed.

This physical barrier prevents water from flowing from one

DS to another, which simplifies monitoring. A theoretical

limit between two DS can be drawn according to the location

of the closed valves. Given the extent of the system, the hard-

ness of the water at each sampling site was measured to

identify possible interconnections between the Quebec DS

and the neighbouring DS of Sainte-Foy. The hardness is

determined by measuring the divalent cations found in

water (mainly Caþ2 and Mgþ2) in terms of CaCO3 (Critten-

den et al. ). The characteristic hardness of the water in

Quebec, supplied by the St Charles River, varies between

30 and 50 mg/L of CaCO3, while the characteristic hardness

of the water in Sainte-Foy, supplied by the St Lawrence River,

varies between 70 and 90 mg/L of CaCO3. CaCO3 can build

up a protection layer on the pipe walls creating a barrier

against corrosion in metallic pipes but also changing the

effective hydraulic diameters of the pipes. Difference in hard-

ness between the waters of Sainte-Foy and Quebec may lead

to different levels of protection from corrosion and different

impacts on the effective hydraulic diameters, but these

impacts have not been explored in this study.

The second sampling campaign was conducted during

the months of June, July and August of 2008. The conduc-

tivity measurement was used to validate the hypotheses

based on the results of the first campaign regarding intercon-

nections, but also to pinpoint the limits between the two DS,

as samples were taken from both sides of the theoretical

limit, which had not been done during the first campaign.

The water conductivity is defined as a measurement of the

ionic activity in terms of capacity to transmit electric current

(Crittenden et al. ). The water conductivity of Quebec

varies between 130 and 160 μS/cm and that of Sainte-Foy

varies between 225 and 240 μS/cm.

Evaluation of mean residence times

MRT was estimated at different locations in the study area

based on the tracer evolution in time. A tracer injection

can be either started (the tracer concentration will increase,

e.g., calcium chloride) or stopped (an existing tracer injec-

tion is stopped, e.g., fluorides), depending on the case

study. MRT can be measured using the MRT technique

developed by DiGiano et al. (), as defined previously.

To properly assess MRT using this method, sampling must

be done long enough before and after stopping the tracer

injection to obtain good initial and final concentrations. In

addition, it is more difficult to properly control the tracer

concentration by injecting than by stopping an injection.

For these reasons, it is harder to apply DiGiano et al.’s

() method by injecting a tracer than by ceasing the injec-

tion (e.g., when there are fluorides at all times).

A simpler and more common technique, used when a

tracer is injected (Liem et al. ; Mainville et al. ; Rodri-

guez et al. ), is to determine the amount of time it takes for

the tracer to reach each sampling site at a concentration level

equal to 50% of the maximum concentration measured at the

WTP. It is important not to neglect the natural tracer concen-

tration inwater. If the natural concentration is high, 50%of the

difference between the source and the natural concentrations

should be considered. Although this method does not ade-

quately take into account the mixing of ‘old’ and ‘new’ water,

it still allows the proper characterisation of the MRT between

different areas. Because of the difficulties mentioned above

regarding the MRT method developed by DiGiano et al.

(), only the method based on 50% of the maximum con-

centration was used to assess MRTs across all sample sites.

RESULTS AND DISCUSSION

Identification of MRT: injection and detection of

fluorides

Fluoride concentration curves drawn from samples col-

lected at the 60 sites (as seen in Figure 1, not numbered

369 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

consecutively) can be used to identify the origin of the water

sample and also to evaluate the MRT when water comes

directly and strictly from Quebec’s WTP. Curves were

divided into three categories according to variations in fluor-

ide concentrations. Examples of curves are shown in

Figure 2 and are described below:

• In Category 1 are those curves whose progression of flu-

oride concentration is zero for the whole sampling

period, such as at Site 6, located in the west part of LT

in Figure 1. Sites associated with Category 1 may be sup-

plied by the Sainte-Foy WTP, the reservoir (MRT in the

reservoir is estimated at between 3 and 5 days) or the

Quebec WTP, but their MRT would be much higher

than the duration of the sampling period (from 36 to

40 h).

• In Category 2 are the curves whose progression of fluor-

ide concentration is rather slow, such as at Site 82,

located to the west in S1. This category may be associated

with low water consumption in the area where the

sampling site is located or may be the result of a mixing

with water containing no tracer, either from the reservoir

or from the Sainte-Foy DS.

• Category 3 curves are those in which the fluoride con-

centration increased rapidly to reach the maximum

level of concentration during sampling, such as at Site

72, located in LT, close to the water mains. Sites associ-

ated with this type of curve have the characteristic of

being strictly and directly fed by water from the

Quebec WTP, without any mixing with water from the

reservoir or the Sainte-Foy DS.

The curve categories associated with each of the

sampling sites are shown in Figure 3. Sectors S1 and S2

are likely to have high MRT associated with Category 2, par-

ticularly in the west part of these areas, further away from

the water mains. Curves associated with Sites 62, 91, 63

and 82 are, indeed, a Category 2 in the western sector of

S1, with the exception being Site 97, listed as Category

3. This site is not located directly on a water main, but it is

still located near a water main, which may explain the

rapid increase of fluorides.

Sites in the western part of sector S2 (Sites 48, 60, 81

and 86), however, seem to be supplied by the WTP of

Sainte-Foy, as demonstrated by the zero progression of fluor-

ide concentrations associated with Category 1. The slow

progression of fluoride concentrations moving eastward

(Site 88) suggests that an interconnection is open, allowing

a water intrusion from the Sainte-Foy DS, where pressure

Figure 2 | Examples of fluoride curves for the three categories of fluoride progression.

370 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

levels are higher than in Quebec. This was later confirmed

after a verification by the Department of Public Works.

Two areas also have unusual behaviours. Area A

(Figure 3) is usually supplied by Quebec’s WTP, as

suggested by the systems’ limits. However, the zero pro-

gression of fluoride concentrations in all the sampled

sites of this area (Sites 4, 5, 6, 20, 30, 40, 44 and 56)

shows that it is, at this time, strictly supplied by the WTP

of Sainte-Foy. Upon verification, it was determined that

work took place in this area during the period of sampling:

a change in the opening and closing of the valves allowed

this area to be supplied by the Sainte-Foy DS during this

period.

Normally, sites in area B of LT, to the east of the water

mains, are supplied by a mixture of water directly from the

WTP and the reservoir, while the sites in UT are fed directly

by the WTP and without mixing. Sites 75, 76 and 77 showed

an increase in fluoride concentration (very slightly for Sites

76 and 77 at the end of the campaign), revealing that water

from the WTP reached these sites, taking much longer to

reach Sites 76 and 77. However, surprisingly, a few sites in

UT (54 and 85) could also be supplied by the reservoir,

whereas, according to the system configuration, the reser-

voir should only feed sites that are located in LT.

Finally, all other sites seem, at first sight, to be supplied

by the WTP of Quebec without any kind of mixing with

water from the reservoir or from the Sainte-Foy DS. From

our knowledge of the City’s land use and DS, we noticed

that most sites associated with Category 2 are located in

low water consumption areas, which would explain the

higher MRT.

Determination of the hydraulic limits: water hardness

Total hardness (mg/L of CaCO3) was measured at every

sampling site for fluorides during the campaign on 24 and

25 May 2008. This analysis was performed to verify the pres-

ence of interconnections between the DS of Quebec and

Sainte-Foy. Given that the hardness of the water of

Quebec varies between 30 and 50 mg/L of CaCO3 and

that Sainte-Foy’s water varies between 70 and 90 mg/L of

CaCO3, it is easy to figure out the origin of the drinking

water at that sampled site. Results presented in Figure 4

help to identify two zones (A and S2) of the system of

Figure 3 | Fluoride curve categories for all sampling sites.

371 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Quebec that are partially or totally supplied by water from

the Sainte-Foy system and to confirm the original hypoth-

eses about the origins of water from the analysis of the

curves of fluoride concentrations.

Hardness measured in zone A (Sites 4, 5, 20, 30, 40 and

44) is indeed characteristic of the water of Sainte-Foy, as is

the one measured in the western part of area S2 (Sites 81

and 86). Hardness measured in the eastern part of area S2

(Site 94) is characteristic of the usual hardness of the

water from the Quebec WTP, while the hardness measured

in the middle of area S2 (Site 88) suggests a mix between the

two waters.

Evaluation of the spatiotemporal variation of the

hydraulic limits: water conductivity

This sampling campaign, carried out as part of a comp-

lementary study, was conducted from June to August of

2008, at a rate of one sampling per month on 27 sites located

on both sides of the theoretical limit between the Quebec

and Sainte-Foy DS (Figure 5(a), 5(b) and 5(c)). Results

were used to verify the spatiotemporal variability of this

limit, knowing that the conductivity of the water of

Quebec varies between 130 and 160 μS/cm and that

Sainte-Foy’s water varies between 225 and 240 μS/cm.

A first analysis was performed on samples collected

on 19 June 2008, at sites on both sides of the theoretical

limit between the systems in sectors S1 and S2. Results

presented in Figure 5(a) allow us to conclude, without

any doubt, that there was indeed an open interconnection

between Sainte-Foy and Quebec at the time of this

sampling. Sites located on either side of this limit respect

the characteristic conductivity of their DS, with the excep-

tion of seven sites (9, 11, 18, 21, 22, 23 and 24). Six of

these sites, one located in the far western part of sector

S1 (9), another east of UL (18) and four in the western

part of sector S2 (21, 22, 23 and 24) have a conductivity

that is characteristic of Sainte-Foy even though they are

theoretically located in the DS of Quebec. In addition, a

site (11) located in the south-eastern part of Sainte-Foy

has a conductivity that is characteristic of the DS of

Quebec. This finding is somewhat surprising and suggests

a shifting of the limit rather than the opening of an inter-

connection, since all the other sites have a conductivity

Figure 4 | Water hardness at different sampling sites.

372 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

that is characteristic of their respective DS with no sign of

mixing.

It is therefore possible that the real limit is somewhat

different from the theoretical limit, but without necessarily

implying any kind of interconnections open between the

two DS. In light of these results, it seemed interesting to

check how far the waterfront from Sainte-Foy progressed

within the sector S2 around 16 July (Figure 5(b)) and 11

August (Figure 5(c)). Figure 5(b) allows us to visually evalu-

ate the progress of the waterfront from the Sainte-Foy DS as

well from the mixing zone between Quebec and Sainte-Foy.

The water conductivity measured at sites in the western part

of sector S2 (33, 34 and 28) is characteristic of the Sainte-

Foy WTP, while the water conductivity measured at sites

in the eastern part of sector S2 (32, 35, 36, 37, 38, 39, 40,

41 and 42) is characteristic of the Quebec WTP. Between

these two areas is a mixing zone: a site in the eastern part

of sector S2 (31) has the characteristic conductivity of a mix-

ture between the two DS. This observation is not surprising

and can be explained by the location of the sampling site

(water main vs. local pipe), by open or closed valves, by

different head losses in each pipe, etc. Results presented in

Figure 5 | Water conductivity: (a) 19 June 2008; (b) 16 July 2008; and (c) 11 August 2008.

373 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Figure 5(c) lead us to believe that the interconnections

between Quebec and Sainte-Foy’s DS were closed during

that sampling period (11 August 2008), highlighting the

spatiotemporal variability of the theoretical limit.

Real hydraulic limits of the study area

From the curves of fluoride concentrations, hardness and

conductivity (Figures 3, 4, 5(a), 5(b) and 5(c)), it was possible

to identify the supply patterns and the limits of the DS.

These supply patterns and limits are shown in Figure 6. LT

is divided into three areas: (1) zone LT1 is supplied strictly

by the WTP of Sainte-Foy; (2) zone LT2 is, as expected, sup-

plied strictly and directly by the WTP of Quebec; and (3)

zone LT3 is supplied by the reservoir, with or without

mixing with water from the WTP of Quebec. UT is divided

into two areas: (1) zone UT1, where the water seems to

come entirely from the WTP of Quebec; and (2) zone

UT2, where there is mixing between water from the reser-

voir and water directly from the WTP of Quebec.

Moreover, we found a mixture in sector S2. An open

interconnection let in a significant amount of water from

the Sainte-Foy DS. The western part of sector S2 is supplied

entirely by the WTP of Sainte-Foy, the eastern part is sup-

plied entirely by the WTP of Quebec while a mixing zone

is located halfway. The sampling campaign on conductivity

revealed that the interconnection was closed between 17

July and 12 August 2008.

In sector S1, we see two areas where there is a possible

mixing between water from the WTP of Quebec and Sainte-

Foy. These areas do not appear to extend very far into S1. It

could be a movement of the limit between the DS rather

than the presence of an open interconnection.

Mean residence times

In order to evaluate MRT, the tracer must be at least 50% of

the maximum concentration measured at the exit of the

WTP, at the sampling site during the sampling period. In

addition, mixing with water from the reservoir or the neigh-

bouring DS has the effect of diluting the fluoride

concentrations from the Quebec WTP. It has therefore

been possible to assess the MRT only from the fluoride con-

centrations of samples collected at sites strictly and directly

Figure 6 | Water DS limits.

374 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

supplied by the Quebec WTP (see Figure 6). These residence

times are shown in Figure 7 and range from 6 to 33 h from

the exit of the WTP (Table 1). As expected, the sites associ-

ated with Category 2 generally exhibit higher MRT. Water

travels quickly in the water mains but once in the neighbour-

hoods, it flows much more slowly, especially in residential

areas where there is less demand. MRTs are thus higher at

the extremities of the system, but also in some central neigh-

bourhoods where there are no large consumers. It can

therefore be difficult to predict MRT solely by the distance

travelled from the WTP. A hydraulic model is thus very

useful once calibrated with a measurement campaign.

CONCLUSION

This study presents a methodology to determine the resi-

dence times of drinking water in DS in order to improve

water managers’ knowledge on the quality of water deliv-

ered to consumers. The selected area is part of the DS

supplied by Quebec City’s main WTP. A tracer sampling

campaign was conducted to estimate MRT in different

sampling sites. In addition, sampling campaigns to evaluate

the conductivity and hardness were carried out to deter-

mine the origin of the water. This verification is

necessary because some interconnections may allow

water intrusion from a neighbouring DS. Fluoride concen-

trations obtained from the tracer campaign were used to

assess MRT and to identify areas with high and low resi-

dence times. These sampling campaigns have helped to

clearly identify the different areas where there is a mixing

of water between the nearby DS and water from the reser-

voir, as well as areas supplied strictly by Quebec’s DS or

Sainte-Foy’s and to highlight the temporal variation of the

limits of these areas. Besides improving knowledge about

the hydraulic system for operational purposes, the identifi-

cation of the limits ensures that the sampling sites used

for regulatory monitoring effectively represent water from

the system whose standards’ compliance is evaluated.

Results were used to calibrate and validate a hydraulic

model used to design strategies to minimise MRT in

order to enhance water quality in the studied

Figure 7 | Observed MRTs.

375 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

neighbourhoods. The model and hydraulic strategies are

found in the ‘companion paper’ (Part II) in this issue

(Delisle et al. ).

REFERENCES

Al-Jasser, A. O. Chlorine decay in drinking-watertransmission and distribution systems: pipe service age effect.Water Res. 41 (2), 387–396.

Al-Omari, A. S. & Abdulla, F. A. A model for thedetermination of residential water demand by the use oftracers. Adv. Eng. Software 40 (2), 85–94.

Axworthy, D. H. & Karney, B. W. Modeling low velocity/high dispersion flow in water distribution systems. J. WaterResour. Plann. Manage. 122 (3), 218–221.

Crittenden, J. C., Trussel, R. R., Hand, D. W., Howe, K. J. &Tchobanoglous, G. Water Treatment Principles andDesign. John Wiley & Sons, Hoboken, NJ.

Delisle, F.-J., Rochette, S., Pelletier, G., Asadzadeh, M., Tolson, B.A. & Rodriguez, M. J. Minimizing water residence timein Quebec City’s main distribution network using hybriddiscrete dynamically dimensioned search (HD-DDS): Part II.J. Water Supply Res. Technol.-AQUA 64 (3), 378–390.

DiGiano, F. A., Zhang, W. & Travaglia, A. Calculation of themean residence time in distribution systems from tracerstudies and models. J. Water Supply Res. Technol.-AQUA 54(1), 1–14.

Francisque, A. Modeling of heterotrophic bacteria counts ina water distribution system. Water Res. 43 (4), 1075–1087.

Gallard, H. & von Gunten, U. Chlorination of naturalorganic matter: kinetics of chlorination and of THMformation. Water Res. 36 (1), 65–74.

Gopal, K., Tripathy, S. S., Bersillon, J. L. & Dubey, S. P. Chlorination byproducts, their toxicodynamics and removalfrom drinking water. J. Hazard. Mater. 140 (1–2), 1–6.

Hallam, N. B., West, J. R., Forster, C. F., Powell, J. C. & Spencer, I. The decay of chlorine associated with the pipe wall inwater distribution systems. Water Res. 36 (14), 3479–3488.

Liem, L. E., Stanley, S. J. & Smith, D. W. Residence timedistribution analysis as related to the effective contact time.Can. J. Civil Eng. 26 (2), 135–144.

Mainville, É., Gauthier, V., Lavallée, D. & Marche, C. Nouvelle approche pour déterminer la distribution des tempsde séjour dans les réservoirs d’eau potable en régime nonpermanent (New approach to determine the distribution ofdrinking water residence time in tanks under unsteady flowconditions). Can. J. Civil Eng. 29 (4), 612–621.

Ormsbee, L. E. Implicit network calibration. J. Water Resour.Plann. Manage. 115 (2), 243–257.

Ormsbee, L. E. & Lingireddy, S. Calibrating hydraulicnetwork models. J. Am. Water Works Assoc. 89 (2), 42–50.

Table 1 | Category of fluoride curve, water hardness and observed MRTs at the sampling

sites

Samplingsite

Category offluoride curve

Water hardness(mg/L CaCO3)

Observed MRT(h)

39 3 44 6.8

100 3 39 7.0

26 3 36 8.6

58 3 44 9.5

32 3 38 9.9

33 3 34 10.8

66 3 32 10.9

25 3 42 11.1

73 3 34 11.1

35 3 38 11.2

59 3 38 11.2

61 3 42 11.4

64 3 34 11.4

34 3 40 11.9

74 3 48 12.0

49 3 40 12.2

72 3 32 12.3

78 3 42 12.5

14 3 54 12.7

51 3 42 12.7

53 3 48 12.7

71 3 40 13.1

68 3 36 13.2

36 3 42 13.4

89 3 46 14.1

94 3 48 14.1

55 3 46 14.9

50 3 N/A 15.0

65 3 36 15.3

18 2 42 17.7

97 3 38 18.1

7 2 38 19.7

79 3 48 20.9

19 2 48 21.5

62 2 43 22.8

69 2 35 23.5

91 2 46 23.9

42 2 38 26.9

82 2 42 32.7

376 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Prévost, M., Rompré, A., Coallier, J., Servais, P., Laurent, P.,Clément, B. & Lafrance, P. Suspended bacterial biomassand activity in full-scale drinking water distribution systems:impact of water treatment. Water Res. 32 (5), 1393–1406.

Rodriguez, M. J., Serodes, J.-B. & Levallois, P. Behavior oftrihalomethanes and haloacetic acids in a drinking waterdistribution system. Water Res. 38 (20), 4367–4382.

Rodriguez, M. J., Serodes, J.-B., Levallois, P. & Proulx, F. Chlorinated disinfection by-products in drinking wateraccording to source, treatment, season and distributionlocation. J. Environ. Eng. Sci. 6, 355–365.

Rossman, L. A. EPANET 2 User Manual. EnvironmentalProtection Agency, Cincinnati, Ohio.

Simard, A., Pelletier, G. & Rodriguez, M. J. Using a tracer toidentify water supply zones in a distribution network. J.Water Supply Res. Technol.-AQUA 58 (6), 433–442.

Tamminen, S., Ramos, H. & Covas, D. Water supply systemperformance for different pipe materials part I: water qualityanalysis. Water Resour. Manage. 22 (11), 1579–1607.

Tzatchkov, V. G., Aldama, A. A. & Arreguin, F. I. Advection-dispersion-reaction modeling in water distributionnetworks. J. Water Resour. Plann. Manage. 128 (5), 334–342.

Zhang, W. & DiGiano, F. A. Comparison of bacterialregrowth in distribution systems using free chlorine andchloramine: a statistical study of causative factors.Water Res.36 (6), 1469–1482.

First received 16 April 2014; accepted in revised form 17 November 2014. Available online 30 December 2014

377 F.-J. Delisle et al. | Tracer study and water residence times Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Minimizing water residence time in Quebec City’s main

distribution network using hybrid discrete dynamically

dimensioned search (HD-DDS): Part II

François-Julien Delisle, Simon Rochette, Geneviève Pelletier,

Masoud Asadzadeh, Bryan A. Tolson and Manuel J. Rodriguez

ABSTRACT

This paper presents a methodology to assess and reduce water residence times in a water

distribution system in order to improve water quality. The methodology was developed and validated

on Quebec City’s main distribution system. A tracer study was conducted to evaluate real residence

times and results are presented in the ‘companion paper’ (Part I) in this issue. A hydraulic model was

then built to simulate the mean residence times (MRT) and develop strategies to reduce them. An

optimization algorithm (hybrid discrete dynamically dimensioned search, HD-DDS) was used to

calibrate the model using flows and pressures measured in the distribution system. Results show

that the suggested methodology can lead to significant reductions in MRT (25.6%) in parts of the

distribution system, but could also lead to significant loss in pressure, which should be monitored

closely.

François-Julien DelisleRoche Ltd, Consulting Group,Quebec City, Quebec,Canada

Simon RochetteDepartment of Civil and Water Engineering,Université Laval, Quebec City, Quebec,Canada

Geneviève Pelletier (corresponding author)Department of Civil and Water Engineering,Université Laval, Pavillon Adrien-Pouliot, 1065,

avenue de la Médecine,Quebec City, Quebec G1V 0A6,CanadaE-mail: genevieve.pelletier@gci.ulaval.ca

Masoud AsadzadehDepartment of Civil Engineering,University of Guelph, Kitchener, Ontario,Canada

Bryan A. TolsonDepartment of Civil Engineering,University of Waterloo, Waterloo, Ontario,Canada

Manuel J. RodriguezESAD, Université Laval,Quebec City, Quebec,Canada

Key words | HD-DDS, hydraulic modelling, optimization, water distribution systems, water quality,

water residence time

ABBREVIATIONS

DS water distribution system

DBP disinfection by-product

GIS geographic information system

HD-DDS hybrid discrete dynamically dimensioned search

MAE mean absolute error

MRT mean residence time

RMSE root mean square error

S1 Sillery

UL Université Laval

UT Upper Town

WTP water treatment plant

INTRODUCTION

In the literature, there is a consensus that water quality in a

water distribution system (DS) varies over time, with shorter

water residence times in a system being associated with high

concentrations of free residual chlorine and low concen-

trations of disinfection by-products (DBPs) (Rodriguez

et al. ). Knowledge of water residence times contributes

to a better understanding of the biological and chemical

phenomena at work inside a system. Hydraulic modelling

of DS enables the simulation of water residence times in

an entire system, allowing operators, managers and engin-

eers to take decisions to improve water quality where

378 © IWA Publishing 2015 Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

doi: 10.2166/aqua.2014.054

needed. This information can be useful to determine

locations for re-chlorination stations, sampling points, etc.

(DiGiano et al. ). Uncertainties about water demands,

their variations in time and the lack of information about

the real physical characteristics of the pipe (roughness, effec-

tive diameter, etc.) are the main sources of error when

modelling and simulating the behaviour of a DS (Ormsbee

; Ormsbee & Lingireddy ; Al-Omari & Abdulla

).

Calibration of a model is non-negligible to ensure its

accuracy for pressure, flow and water quality simulations

(Rodriguez et al. ; Al-Omari & Jamrah ; DiGiano

et al. ; Jonkergouw et al. ). Calibration involves

changing physical characteristics (such as pipe diameters

and their roughness coefficients, water demands and their

daily patterns) and modelling parameters to reduce the

difference between simulation results and observations.

These adjustments can be done manually, but this can be

a difficult and time-consuming task for distribution systems

of significant size. An optimization algorithm is, thus, very

useful to calibrate a model.

Using a well-calibrated model, it is possible to verify

strategies to reduce water residence times. In general, this

consists of changing some elements of the model to force

water to take different paths in order to reduce mean resi-

dence times (MRTs), thus promoting higher levels of

residual chlorine and reducing the formation of DBPs

(Simard et al. ). One strategy is to test the impact of clos-

ing valves on large diameter pipes to force water flow in

smaller diameter pipes. This results in an increase in water

velocities since the flow area is reduced, thus reducing

MRTs. However, this strategy increases head losses, so

monitoring pressures is required.

Modulating valves may also be used. This strategy also

forces water into smaller diameter pipes without being as

restrictive as fully closing valves. These modulating valves

can control flow circulating in a specific pipe in real time.

When the water demand is lower (e.g., night, weekend,

winter season), water could be diverted from the water

mains to smaller diameter local pipes to increase velocities

and thus reduce MRTs. During times of higher water

demand (e.g., mornings, summer season), directing water

flows to larger diameter water mains would be a better

choice to avoid excessive head losses. Evaluating such a

strategy would quantify its benefits and also allow managers

to plan, during rehabilitation works on the system, the set-up

of modulating valves on water main access chambers

(Prasad & Walters ).

This study was designed to develop a methodology to

reduce water residence times in a DS in order to ensure

greater concentrations of residual chlorine and reduce the

formation of DBPs. To achieve this objective, experimental

MRTs were first evaluated using a tracer study, which is

presented in the ‘companion paper’ (Part I) in this issue

(Delisle et al. ). Then, a hydraulic model was built to

simulate these MRTs. The model, calibrated using obser-

vations (measured flows and pressures) and validated

with the measured MRTs, was used to verify hydraulic

strategies to reduce MRTs. The methodology is developed

and verified on the main drinking water DS in Quebec

City (Canada). The study also highlights the inevitable

conflict between MRT and hydraulic performance in a

real-life DS.

LITERATURE REVIEW

First, DS hydraulic model calibration and the criteria used

for testing the quality of model calibration are presented.

Then, different optimization algorithms used in the field of

drinking DSs are revised.

Calibration

This research used an implicit model for calibration in

which an optimization program is linked with a hydraulic

model to optimize hydraulic model parameters. Ormsbee

(), among many others, provides guidelines on conduct-

ing implicit DS model calibration.

Data collected during fire flow tests were the most valu-

able for calibrating the roughness values in pipes because

they generate the highest head losses (Walski ). The

advent of real-time monitoring and wireless reporting

technologies has created expansive databases that are avail-

able for calibration; however, a large proportion of DS data

are not suitable for calibration (Walski ) due to

measurement inaccuracy. As pressure monitoring accuracy

improves and more real-time data are collected, the

379 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

importance and potential of utilizing many types of data in

model calibration is increasingly evident. However, rigorous

investigations assessing the effect of various field data on

model calibration are lacking (Ostfeld et al. ). A review

of DS calibration emphasized that investigations of model

prediction uncertainty are particularly scant (Savic et al.

).

Jonkergouw et al. () studied the use of residual

chlorine concentrations to calibrate a DS model, whose

demands are unknown or uncertain, by adjusting the con-

sumption factors, as well as adjusting, by sector, the decay

constant of chlorine linked to reactions with pipe walls

and, finally, the concentration of chlorine at the source.

They used a modified version of the shuffled complex evol-

ution algorithm, developed by Duan et al. (). Their

methodology was tested on three variants of a DS model

previously studied by Vasconcelos et al. (). A maximum

relative error of 2.2% was obtained for the consumption fac-

tors, 2.3% for the decay constant of chlorine linked to pipe

walls and 1.3% for the chlorine concentration at the

source. The authors found that, to achieve good results in

terms of simulation of water quality, the model has to accu-

rately simulate average flows and that daily variations have

little influence.

There are several criteria to check the quality of a cali-

bration. The most commonly used are the mean absolute

error (MAE) (Maidment ; Jonkergouw et al. ) and

the root mean square error (RMSE) (Maidment ).

These criteria, largely used in the field of hydraulics and

hydrology, are respectively, defined as follows:

MAE ¼ 1N

XNi¼1

yi � ~yij j (1)

RMSE ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi1N

XNi¼1

yi � ~yið Þ2vuut (2)

where yi is an observation and ~yi is an estimation and N is

the total number of observations.

In any case, for the same data set, the MAE is always

smaller or equal to the RMSE. The RMSE criterion is signifi-

cantly influenced by large errors, due to the squared power.

For both criteria, a perfect adjustment generates a value of

zero.

Optimization

In the field of drinking water distribution, optimization is

mainly used to reduce costs, often those associated with

the choice of pipe diameters, while maximizing efficiency

(often pressures) when designing new distribution systems

or for rehabilitation works. For water distribution hydraulic

models, heuristic optimization methods are most often

used. Noteworthy, heuristic optimization methods are gen-

etic algorithms (Simpson et al. ; Savic & Walters ;

Wu & Simpson ; Tolson et al. ; Dandy & Engel-

hardt ), simulated annealing (Cunha & Sousa ),

ant colony optimization (Maier et al. ; Zecchin et al.

, ), shuffled frog leaping algorithm (Eusuff &

Lansey ) and particle swarm optimization (Suribabu

& Neelakantan ), among others. Although, all of

these algorithms attain a good solution, sometimes after

some tweaking, they require a large number of parameters

to control their search strategy. The choice of these

parameters can have a significant impact on their

performance.

Tolson et al. () presented the hybrid discrete

dynamically dimensioned search (HD-DDS) algorithm.

HD-DDS is a single-objective optimization algorithm for

solving problems with discrete decision variables. It was

originally developed for solving water distribution net-

work design problems. However, as shown in Matott

et al. (), HD-DDS can efficiently solve other discrete

problems such as sorptive barrier design problems. For

DS problems, it is linked to EPANET for resolving

hydraulics and water quality. Unlike conventional algor-

ithms, it does not require parameter adjustments. A test

bench on three case studies was conducted by the authors

to compare the performance of HD-DDS with those of

ant colony optimization, genetic algorithms and particle

swarm optimization. Results indicate that, in all cases, a

better solution was found using HD-DDS, with only

50% of the computing time required by the others. This

time saving is mainly due to the fact that HD-DDS

does not necessarily perform a hydraulic simulation

(EPANET) at each evaluation of the objective function.

For one of the studied cases, the worst result obtained

by HD-DDS was better than the best result obtained by

genetic algorithms, although the latter used 100 times

380 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

more evaluations of the objective function. These

encouraging results led us to choose HD-DDS to do the

calibration of our hydraulic model from measurements

of pressures and flows carried out in the field.

METHODOLOGY

The methodology developed in this research has been tested

on one of the drinking DS in Quebec City. The city is sup-

plied with drinking water through many independent

distribution systems. However, interconnections can be

opened during periods of high demand or when work is

being done on one of the networks to ensure adequate

supply and pressures. The study area corresponds to several

sectors of the main DS and is presented in Figure 1 of the

‘companion paper’ (Part I) in this issue (Delisle et al. ).

A hydraulic model of the study area was built and data col-

lected during sampling campaigns were used to calibrate the

model. Strategies to reduce MRTs were evaluated using the

calibrated model. Model development followed the steps

described in Figure 1. These steps are adapted from those

suggested by Ormsbee & Lingireddy ().

Building the model

There are several hydraulic models available to perform

hydraulic calculations for pressurized flows. EPANET

(V2.00.12) was chosen for the current study (Rossman

). This model, widely used in the scientific community,

is available from the US Environmental Protection Agency.

A hydraulic model of the water mains was made available to

our research team and was completed by the addition of all

the local pipes and by associating appropriate water

demands at the different model nodes. The choice of the

initial physical characteristics and simulation parameters

(e.g., diameter, roughness, elevation, water demand) was

based on the data available at the time in the city and our

research group databases: distribution network plans,

flows and pressures acquired by telemetry, ‘Real Estate

Assessment Roles’ (Gouvernement du Québec ), ‘Drink-

ing Water Operation Scheme’ (Girard et al. ), etc.

Based on the location of valve chambers equipped

with flowmeters, the total water consumption in a sector

(Qcons) can be estimated. In addition, one city database

lists the average daily and annual consumption for impor-

tant drinking water users. Average water demands from

Figure 1 | Methodology.

381 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

these industries, businesses and institutions can, therefore,

be associated with a particular node of the hydraulic

model. Given that there are very few residential water

meters, water demands at the nodes of the model were

estimated using information from the ‘Real Estate Assess-

ment Roles’ database (Gouvernement du Québec ).

Since nodes are geo-referenced, it was possible to link

all the buildings in the study area, whose centroid coordi-

nates are contained in the database, to the closest (in

Euclidean distance) node, using a geographic information

system. The shortest Euclidean distance facilitates this

operation, but may result in some association errors.

Thus, land uses that generate larger water demands

should be validated. This quick association method,

despite its drawbacks, is more accurate than other tech-

niques (e.g., even distribution of consumption at each

node).

Flow and pressure data

Flow and pressure data, necessary for model calibration,

were obtained in two steps: (1) sampling campaigns to

assess MRTs in the DS and to identify the limits of the DS

(presented in the ‘companion paper’; Delisle et al. );

and (2) from the permanent meters installed in valve

chambers. Valve chambers are usually located where

water mains supply the various neighbourhoods (Figure 2).

The data are transmitted by telemetry and stored in one of

the city databases.

Model calibration

In general, calibration in a steady state (average water

demand) is more responsive to changes in pipe diameter

or roughness, while calibration in a non-steady state is

more responsive to changes in peak factors associated

with water demands at nodes (Ormsbee ). Calibration

is often performed in a two-step process. In this case

study, local variation of water demand (in local pipes or

linked to residences) was not available, so calibration was

only performed in a steady state, although simulation tests

were realized in a non-steady state with various hourly

demand patterns.

The steady-state calibration was performed using two

sets of calibration parameters for comparison purposes.

First, diameters were adjusted (a decrease in value to rep-

resent smaller effective diameters with time) to fit

simulation results with average observed pressures and

flows. Second, roughness coefficients (a decrease in

Hazen–Williams coefficients to represent increased pipe

wall roughness with time) were adjusted. Tests were also

realized in a non-steady state by modifying peak factors

Figure 2 | Location of valve chambers.

382 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

associated with water demands at each node to fit variations

in flows and pressures and tracer concentrations over time.

The HD-DDS algorithm for water DS design optimization

(Tolson et al. ) was adapted to perform the steady-

state calibration. The algorithm seeks to minimize the fol-

lowing objective function:

f(x) ¼XDd¼1

~vd(x)� vdj j ∀d ¼ 1, 2, . . . , D (3)

where x is the suggested solution, ~vd a simulated result based

on the suggested solution, vd an observation made in the

field, d a control point where observations were made and

D the total number of control points.

In an iterative process, the algorithm seeks to generate

scenario x, which corresponds to a combination of diameters

(or roughness coefficients, the calibration parameters) that

minimizes the sum of errors between simulated and observed

pressures and flow rates (the criteria to meet).

All pipe diameters (or roughness coefficients) can be

changed globally or independently of each other. It is also

possible to group pipes by class and change parameters by

class. Each pipe parameter to be changed is assigned an

upper bound, corresponding to the initial and maximum

theoretical value of the parameter, and a lower bound, cor-

responding to a fraction of the initial theoretical value,

between which the algorithm chooses the new value for

the parameter. As mentioned previously, the effective pipe

diameter decreases over time and the roughness coefficient

increases, due to the formation of tubercles on cast iron pipe

walls, for example.

Once the parameters are changed, the criteria for

pressure and/or flow are checked. In theory, it is possible

to combine these two criteria to formulate the objective

function. However, it is suggested to check a single criterion

at a time because, in order to combine them, it is necessary

to standardize the data, since these are different physical

measures. This heuristic optimization algorithm was devel-

oped to find good overall solutions rather than an optimal

solution, like most other algorithms. It was designed to

adjust its search horizon throughout the process, starting

with overall changes then gradually moving to local

changes, mimicking the steps of manual calibration. The

number of decision variables therefore decreases as the

maximum number of iterations is reached.

This optimization is performed under certain con-

straints. The solution scenario suggested by the algorithm

must meet the minimal and maximal pressures (P) defined

by sector or globally. The suggested solution (~P) is rejected

otherwise. These constraints are formulated as follows:

Pmini � ~Pi(x) � Pmax

i ∀i ¼ 1, 2, . . . , N (4)

where Pi is the pressure at node i and N the total number of

nodes where the constraints (pressures) must be respected.

The iterative process ends when the goal f(x) ¼ 0 or the maxi-

mumnumber of iterations defined beforehand is reached. It is

unlikely that the objective function reaches 0 in a complex

optimization problem. It is therefore very important to

define a maximum number of iterations that must not be

exceeded, since the calculation time can become very high.

Finally, it is important to conduct a validation of the

calibrated hydraulic model. A series of validation data was

used to assign new water demands to nodes and perform a

new hydraulic balance. Success of the validation is checked

using the quality adjustment criteria (MAE and RMSE),

defined above, in terms of flow and pressure.

Hourly fluctuations in water demands can influence not

only the water paths within the network and therefore the

tracer concentrations, but also the MRT. Since the only

flow data available were those obtained at the valve chambers

supplying entire neighbourhoods (where the observed flow

rate variations are much less important than locally), tests

were realized with demand patterns constructed following

trends commonly observed (important peaks in the morning

and/or evening) to assess the impact on MRTs.

Observed and simulated MRTs

Observed MRTs at different locations in the case study area

were obtained with a tracer study. The methodology and

results of this study are presented in the ‘companion paper’

(Part I) in this issue (Delisle et al. ). Tracer studies can

also be useful in identifying the limits of areas supplied by

more than one source (‘companion paper’ (Delisle et al.

) and Simard et al. ).

EPANET has a simulation module for water quality,

including simulation tools for various types of tracers and

to calculate water age (time spent in the network from the

383 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

source which can be the exit of the treatment plant or a

reservoir). According to Rossman (), these calculations,

established on the principles of mass and energy conserva-

tion, use a time-based Lagrangian approach to track the

movement of each water element through the pipes, includ-

ing mixing at nodes. In addition to the transport of

chemicals by advection, dispersion and diffusion can also

be considered. It is also possible to take into account

reaction kinetics (increasing or decreasing), of first- or

second-order, between the various water constituents

(contaminants, tracer, etc.), and also with the pipe walls.

Therefore, it is possible to validate the simulated MRTs

based on a simulated tracer injection and the techniques

described above or by directly using the tool to calculate

the water age in EPANET.

RESULTS AND DISCUSSION

Model calibration

The model behaviour is first checked based on readings of

pressure and flow at various valve chambers located on

the outskirts of, and inside, the study area (Figure 2). The

hydraulic head at the water treatment plant (WTP) from

the ‘Drinking Water Operation Scheme’ (Girard et al.

) was set in the model at 150 m. Flow rates and press-

ures obtained with the uncalibrated model differed from

measured values depending on the valve chambers. Simu-

lated and observed flow rates are shown in Figure 3, while

simulated and observed pressures are shown in Figure 4.

There is no pressure measurement at the Venturi. A major

discrepancy is observed for flow rates in the three Venturi

water mains (750, 1,015 and 1,070 mm) as well as at valve

chambers P-107 and P-113 (Figure 3). At the Venturi, flow

rates predicted by the model are much higher than those

observed in the field. Since, flow rates passing through the

Venturi are equal to the one exiting the WTP (no water

demand between these two points) and water demands at

all nodes are equal to the water production at the WTP,

water produced in excess, in the model, can only go to a

reservoir, the one on the Plains of Abraham in this case.

The reservoir actually fills up much more than it empties,

resulting in excessive water production at the WTP. This is

due to poor modelling of the reservoir behaviour in the

uncalibrated model. Simulated flow rates for valve chamber

P-107 located downstream of the reservoir and P-113 are

much lower than the observed flows. Valve chamber P-113

represents a connection between the UT1 and UT2 sectors;

a local modelling problem is suspected in this case.

The lack of data on the Venturi pressures may be largely

responsible for the poor pressure simulation at all valve

Figure 3 | Observed, uncalibrated model and QD-100 k model flow rates.

384 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

chambers shown in Figure 4. Pressures were underestimated

by the uncalibrated model in most valves chambers, except

for chambers P-107, P-261 and P-271, where they were

greatly overestimated. It could be that the hydraulic head

at the WTP was not set correctly in the model. Different

hydraulic heads were tested but no major improvement

was noted. The facts that water is distributed by three

pipes with different diameters, that these pipes supply sec-

tors in different proportions and that there are

connections between the pipes, make it difficult to adjust

the model properly. To improve the hydraulic balance of

flows and pressures in the model, a micro-calibration,

using the HD-DDS optimization algorithm, was made.

Different combinations of criteria (pressure and flow) and

calibration parameters (diameter and roughness coefficient)

resulted in the five scenarios shown in Table 1. Because the

model has to accurately simulate the injection of fluoride in

the DS, the model was calibrated using the data set from 9

May 2008. Once the optimization was done, water demands

at nodes were replaced by those from 24 and 25 May 2008

(the fluoride sampling campaign) for validation.

Hydraulic balances of flows and pressures, for the five

scenarios presented in Table 1, were tested using the two

error criteria (MAE and RMSE) described before. Results

are shown in Table 2 for all scenarios using 10,000

(10 k), 100 k and 1,000 k iterations as a stopping criterion

for the optimization algorithm. Hydraulic balances of

flows are always improved by changing either diameters

(QD) or roughness coefficients (QC) compared to the unca-

librated model (UC) but, with these two scenarios, all three

error criteria for pressures deteriorate compared to the UC

model.

Pressure measurements used for optimizing the DS are

obtained upstream of pressure reducing valves and are

mainly dependent on the pressure at the WTP and head

losses in the water mains. Pressure measurements immedi-

ately downstream of pressure reducing valves are also

stored in the database, but these pressures depend largely

on the actual calibration of the valves, not on the head

losses in local pipes. Local head losses could be estimated

if pressure readings were performed within the

Figure 4 | Observed, uncalibrated model and QD-100 k model pressures.

Table 1 | Calibration scenarios

Criteria Calibration parameter Scenario

Flow (Q) Diameter (D) QDRoughness coefficient (CHW) QC

Pressure (P) Diameter (D) PDRoughness coefficient (CHW) PC

Uncalibrated UC

385 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

neighbourhoods (downstream of the valves) but no such

readings were available for the case study. Since flow rates

in valve chambers are considered more precise than

pressure measurements, and even if the pressure error cri-

teria in the QC and QD scenarios deteriorate compared to

the uncalibrated model, these scenarios were considered

more reliable than the PD and PC scenarios.

Of all the QC and QD scenarios, the MAE and RMSE

criteria are minimized with the QD-100 k scenario

(Table 2). For an average flow from the WTP equal to

151,941 m³/d, a MAE of 645 m³/d (0.4%) and a RMSE of

922 m³/d (0.6%) are very good. Pipe diameters found by

the optimization algorithm for scenario QD-100 k are on

average 25% smaller than in the uncalibrated model. Such

a diameter reduction represents a cross-section area

reduction of 44%, which has been observed in the field for

pipes from that period.

It may seem surprising that scenarios with 100,000 iter-

ations (QD-100 k) are showing better results than those with

1,000,000 iterations (QD-1,000k). However, the algorithm

randomly generates an initial scenario, better than the unca-

librated scenario, on which the optimization process is

applied. The initial scenario for QD-100 k was probably

much better than the initial scenario for QD-1,000 k,

which explains the better results with less iterations.

Figures 3 and 4 allow the visual assessment of the

improvements resulting from the optimization for scenario

QD-100 k. A much better fit is observed at the five sites

that were off in the uncalibrated model: Venturi’s 750,

1,015 and 1,070 mm water mains and at P-107 and P-113.

Pressures do not fit well for the reasons mentioned above.

Estimation of mean residence times

To evaluate MRTs, the tracer must reach, at the sampling

point, at least 50% of the maximum concentration

measured at the exit of the WTP. In addition, mixing

water from the Plains’ reservoir or the neighbouring DS

has the effect of diluting the fluoride concentrations of

water from the WTP. It has therefore only been possible

to assess the residence times using the fluoride concen-

trations of samples collected in the field at points strictly

and directly supplied by the WTP. The observed MRT iso-

gram created by the natural neighbour tool in

ArcMap10.0 is presented in Figure 7 of the ‘companion

paper’ (Part I) in this issue (Delisle et al. ).

The simulation of residence times is strongly influenced

by the ‘Times Options’ selected by the user in EPANET. The

‘Total Duration and Quality Time Step’ parameters must

therefore be chosen carefully, especially when it comes to

evaluating MRTs using the AGE tool or assessing MRTs

from fluoride injection simulations. Tests were performed

on the QD-100 k scenario to determine the best combi-

nation of time parameters to obtain the smallest

simulation errors for MRTs. A total duration of 100 hours

and a quality time step of 25 minutes gave the best results

(MAE of 2.9 hours and RMSE of 4.3 hours) using the

AGE tool. For the fluoride injection simulation, a total dur-

ation of 38 hours and a quality time step of 11 minutes

yielded the best results with a MAE of 2.8 hours and

RMSE of 4.2 hours. Even though the time parameters are

very different, the AGE tool and fluoride injection simu-

lation gave results whose quality adjustment criteria are

practically the same. DiGiano et al. () also observed

that the MRT estimation made from simulated tracer con-

centrations correctly approximates the MRT estimated by

the AGE tool in EPANET.

A final test was performed by attributing a consumption

pattern to residential nodes. Since, no local consumption

pattern is available, one was created with an evening peak

Table 2 | Appreciation of calibration results on flow or pressure through two adjustment

criteria

Flow Pressure

Number ofiterations Scenario

MAE(m³/d)

RMSE(m³/d)

MAE(m)

RMSE(m)

10 k PD 3,734 5,150 21.1 28.7PC 4,162 6,620 20.5 27.8QD 1,800 2,956 31.5 36.9QC 1,467 2,411 29.7 34.9

100 k PD 3,635 5,081 20.9 28.6PC 3,618 6,066 20.4 27.8QD 645 922 32.3 38.5QC 1,392 2,447 29.7 34.8

1,000 k PD 3,155 4,852 21.0 28.6PC 3,766 5,766 20.7 27.9QD 1,406 2,343 32.0 37.1QC 1,290 2,189 30.6 35.7

UC 9,762 18,182 23.0 30.5

386 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

with a factor of 1.4, which somewhat improves the quality

criteria for MRT (MAE of 2.7 hours and RMSE of 4.1 hours).

The simulated MRT isogram is shown in Figure 5. Com-

pared with observed MRTs (Figure 7 of the ‘companion

paper’; Delisle et al. ), the QD-100 k model correctly

simulates low and high MRT areas. However, the model

does not reproduce MRTs well for some isolated points

(sites 19, 42, 69 and 79), where observed MRTs are high.

Sites 19, 42 and 79 are located in residential areas supplied

by local pipes with low flow rates, thus MRTs are expected

to be high. As for site 69, it is located in the middle of the

industrial area where water consumption may vary signifi-

cantly depending on the day. The model, as constructed,

may have difficulty considering these factors, resulting in

an underestimation of simulated MRTs.

Evaluation of hydraulic strategies

The strategy of closing valves on large diameter pipes was

tested in sector S1, where simulated MRTs are the highest

(21.3 hours on average), while MRTs in most other sectors

are generally under 15 hours. The HD-DDS algorithm was

used to find a combination of opening and closing of

valves to reduce MRTs with the QD-100 k model. At

first, the large-diameter pipes on which the valves could

be closed were identified: only the ones with an effective

diameter (diameter decreased with calibration) greater

than 275 mm were selected (73 pipes). The algorithm

seeks to minimize the following objective function:

f(x) ¼PD

d¼1 MRTd

D∀d ¼ 1, 2, . . . , D (5)

where x is the suggested solution, MRTd the simulated mean

residence time, d a model node where we wish to reduce the

MRT, and D the total number of nodes where we wish to

reduce MRTs. In an iterative process, the algorithm seeks

to generate a scenario corresponding to a combination of

opening and closing valves that minimizes MRT for the

nodes of interest. The algorithm converged to a MRT of

15.8 hours in the S1 sector, a reduction of 5.5 hours com-

pared to the reference model (21.3 hours), by closing the

seven pipes shown in Figure 6.

The variation of MRTs was calculated for each of the

268 nodes of this sector and reduction intervals were deter-

mined. Table 3 shows the number of nodes corresponding to

the different intervals. This classification allows us to assess

the large number of nodes that undergo an important MRT

Figure 5 | Simulated MRTs.

387 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

reduction. The mean reduction of 5.5 hours corresponds to a

mean reduction of 25.6%. Only three nodes saw their MRTs

increase.

Changes in pressures, under this strategy, were verified at

each hydraulic time step of the simulation. Minimum, aver-

age and maximum pressures were verified at each node as

the analysis is done in non-steady state. Table 4 shows the

number of nodes corresponding to the different pressure

intervals. As expected, there were only pressure reductions

due to increased head losses from flow being diverted to

smaller diameter pipes. Minimum pressures decreased on

average by 10.2 m, average pressures and maximum press-

ures decreased by 5.4 m and by 0.9 m, respectively. With

the minimum operating pressure being about 30 m in the

calibrated QD-100 k model, these variations are significant

Figure 6 | Location of targeted valve closings.

Table 3 | Variation of simulated MRTs for the targeted large-diameter valve closings in

sub-sector S1 using the QD-100 k model

Intervals of MRT variation (h) Number of hydraulic nodes

[�20.0; �15.0] 2

[�15.0; �12.5] 0

[�12.5; �10.0] 9

[�10.0; �7.5] 44

[�7.5; �5.0] 101

[�5.0; �2.5] 77

[�2.5; 0.0] 31

[0.0; 2.5] 1

[2.5; 5.0] 2

Table 4 | Variation of simulated pressures for the targeted large-diameter valve closings

in sub-sector S1 for a non-steady state scenario using the QD-100 k model

PressureIntervals of pressurevariation (m)

Number ofhydraulic nodes

Minimum [�12; �11] 22[�11; �10] 199[�10; �9] 28[�9; �8] 18[�8; �7] 1

Average [�7; �6] 9[�6; �5] 223[�5; �4] 35[�4; �3] 1

Maximum [�3; �2] 0[�2; �1] 50[�1; 0] 218

388 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

enough to raise a concern. Minimum pressures are observed

during periods of high consumption, and thus, closed pipes

could be opened to reduce head losses (and thus increase

pressure) in areas most affected by the strategy.

However, this operation is not necessarily easy to do on

an older system, given the physical condition of the valves

(e.g., rust). The addition of new valves, ideally remotely con-

trolled, at targeted locations, to open/close when and where

desired, could be planned along with rehabilitation/renewal

works. These new valves would allow water to be diverted

from water mains to smaller-diameter local pipes in low con-

sumption periods (night, weekend, winter season, etc.), to

increase velocities and thus reduce MRTs. During periods

of high consumption (day, week, summer season, etc.),

water flow in water mains would be encouraged to avoid

excessive head losses. A more holistic economic approach,

including a life-cycle analysis taking into account all hydrau-

lic and water quality aspects, would be needed to determine

the cost–benefit ratio of introducing automatic valves in a

real DS.

CONCLUSION

Different sampling campaigns were carried out on the

studied drinking water DS in order to determine the

residence times and validate the origin of the water at

different points in the studied system. The results and

the protocols of these sampling campaigns are presented

in the ‘companion paper’ (Part I) in this issue (Delisle

et al. ). The hydraulic model was then calibrated

using flow rate and pressure measurements made at var-

ious valve chambers. This task was made possible by

using the HD-DDS optimization algorithm.

Different calibration scenarios were tested and the one

with the best results is a 25% reduction in pipe diameters

so that the simulated flow rates are consistent with those

observed at the various valve chambers. This optimization

required 100,000 iterations to obtain an MAE of 645 m³/d

and a RMSE of 922 m³/d, for a total flow rate leaving the

plant of 151,941 m³/d. The adjustment of pressures is not

as conclusive since pressure measurements are made

upstream of pressure reducing valves. Adding both flow-

meters and pressure gauges on local pipes would be very

useful to improve water quality management with regards

to MRTs.

Fluoride concentrations obtained from the tracer cam-

paign were used to assess MRTs and identify areas of high

and low MRTs. The hydraulic model was used to simulate

MRTs by using EPANET’S AGE tool and by simulating

the tracer injection. This latter technique gave better results,

with a MAE of 2.8 hours and a RMSE of 4.2 hours, for the

steady-state simulation. Adding a local water consumption

pattern in a non-steady-state simulation did not have much

impact (MAE of 2.7 hours and a RMSE of 4.1 hours).

Finally, a strategy to reduce MRTs was evaluated using

the QD-100 k model in the S1 sector where MRTs are the

highest. The HD-DDS algorithm was used to check the

effect on MRTs of closing valves on large-diameter pipes.

This strategy resulted in an average reduction of 5.5 hours

(25.6%) for all points in the sector. Such a MRT reduction

is significant in terms of chlorine decay, simultaneously redu-

cing the formation of DBPs. Less chlorine would need to be

injected for the same protection and this would be even more

beneficial for a system that had chlorine booster stations.

However, this significant decrease in MRTs generated a

considerable decrease in minimum pressures (10.2 m on

average), compared to a minimum operating pressure of

about 30 m. The methodology developed during this

research showed the potential for real-time hydraulic control

strategies to reduce residence times in distribution systems,

but also the challenge of managing pressures in all places

at all times. It is clear that the main objective should be to

have adequate pressures but that water quality, as it changes

in distribution systems, should also be a concern for water

managers. Tools, as developed in this research, are needed

for the integrated management of drinking water.

REFERENCES

Al-Omari, A. S. & Abdulla, F. A. A model for thedetermination of residential water demand by the use oftracers. Adv. Eng. Softw. 40 (2), 85–94.

Al-Omari, A. S. & Jamrah, A. I. Calibration of Hazen-Williams coefficients in pipe networks using tracers. J. WaterSupply Res. Technol.-AQUA 54 (5), 293–311.

Cunha, M. d. C. & Sousa, J. Hydraulic infrastructures designusing simulated annealing. J. Infrastruct. Syst. 7 (1), 32–39.

389 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Dandy, G. C. & Engelhardt, M. O. Multi-objective trade-offsbetween cost and reliability in the replacement of watermains. J. Water Resour. Plann. Manage. 132 (2), 79–88.

Delisle, F.-J., Rochette, S., Pelletier, G. & Rodriguez, M. J. Tracer study to verify hydraulic limits and determine waterresidence times in a distribution system: Part I. J. WaterSupply Res. Technol.-AQUA 64 (3), 365–377.

DiGiano, F. A., Zhang, W. & Travaglia, A. Calculation of themean residence time in distribution systems from tracer studiesand models. J. Water Supply Res. Technol.-AQUA 54 (1), 1–14.

Duan, Q. Y., Gupta, V. K. & Sorooshian, S. Shuffled complexevolution approach for effective and efficient globalminimization. J. Optimiz. Theory App. 76 (3), 501–521.

Eusuff, M. M. & Lansey, K. E. Optimization of waterdistribution network design using the shuffled frog leapingalgorithm. J. Water Resour. Plann. Manage. 129 (3), 210–225.

Girard, P.-L., Baillargeon, P. & Tremblay, C. Schémad’opération du réseau d’eau potable. Ville de Québec, Québec(Operationof the drinkingwater system.QuebecCity,Quebec).

Gouvernement du Québec Rôles d’évaluation foncière.Ministère des affaires municipales, Régions et Occupationsdu territoire, Québec (Property Assessment. Ministry ofMunicipal Affairs, Regions and Land Occupations, Quebec).

Jonkergouw, P. M. R., Khu, S. T., Kapelan, Z. S. & Savic, D. A. Water quality model calibration under unknowndemands. J. Water Resour. Plann. Manage. 134 (4), 326–336.

Maidment, D. R. Handbook of Hydrology. McGraw-Hill,New York.

Maier, H. R., Simpson, A. R., Zecchin, A. C., Foong, W. K., Phang,K. Y., Seah, H. Y. & Tan, C. L. Ant colony optimizationfor design of water distribution systems. J. Water Resour.Plann. Manage. 129 (3), 200–209.

Matott, L. S., Tolson, B. A. & Asadzadeh, M. A benchmarkingframework for simulation-based optimization ofenvironmental models. Environ. Modell. Softw. 35, 19–30.

Ormsbee, L. E. Implicit network calibration. J. Water Resour.Plann. Manage. 115 (2), 243–257.

Ormsbee, L. E. & Lingireddy, S. Calibrating hydraulicnetwork models. J. Am. Water Works Assoc. 89 (2), 42–50.

Ostfeld, A., Salomons, E., Ormsbee, L., Uber, J., Bros, C., Kalungi,P., Burd, R., Zazula-Coetzee, B., Belrain, T., Kang, D., Lansey,K., Shen, H., McBean, E., Yi Wu, Z., Walski, T., Alvisi, S.,Franchini, M., Johnson, J., Ghimire, S., Barkdoll, B., Koppel,T., Vassiljev, A., Kim, J., Chung,G., Yoo,D.,Diao, K., Zhou, Y.,Li, J., Liu, Z., Chang, K., Gao, J., Qu, S., Yuan, Y., Prasad, T.,Laucelli, D., Vamvakeridou Lyroudia, L., Kapelan, Z., Savic,D., Berardi, L., Barbaro, G., Giustolisi, O., Asadzadeh, M.,Tolson, B. & McKillop, R. Battle of the water calibrationnetworks. J. Water Resour. Plann. Manage. 138 (5), 523–532.

Prasad, T. D. &Walters, G. A. Minimizing residence times byrerouting flows to improve water quality in distributionnetworks. Eng. Optim. 38 (8), 923–939.

Rodriguez, M. J., Serodes, J.-B. & Levallois, P. Behaviorof trihalomethanes and haloacetic acids in a drinkingwater distribution system. Water Res. 38 (20), 4367–4382.

Rodriguez, M. J., Sérodes, J. B., Levallois, P. & Proulx, F. Chlorinated DBPs in drinking water according to source,treatment, season and distribution location. J. Environ. Eng.Sci. 6, 355–365.

Rossman, L. A. EPANET 2 Users Manual. EnvironmentalProtection Agency, Cincinnati, OH.

Savic, D. A. & Walters, G. A. Genetic algorithms for least-cost design of water distribution networks. J. Water Resour.Plann. Manage. 123 (2), 67–77.

Savic, D. A., Kapelan, Z. S. & Jonkergouw, P. M. R. Quovadis water distribution model calibration? Urban Water J. 6(1), 3–22.

Simard, A., Pelletier, G. & Rodriguez, M. J. Using a tracer toidentify water supply zones in a distribution network. J.Water Supply Res. Technol.-AQUA 58 (6), 433–442.

Simard, A., Pelletier, G. & Rodriguez, M. J. Water residencetime in a distribution system and its impact on disinfectantresiduals and trihalomethanes. J. Water Supply Res. Technol.-AQUA 60 (6), 375–390.

Simpson, A. R., Dandy, G. C. & Murphy, L. J. Geneticalgorithms compared to other techniques for pipe optimization.J. Water Resour. Plann. Manage. 120 (4), 423–443.

Suribabu, C. R. & Neelakantan, T. R. Design of waterdistribution networks using particle swarm optimization.Urban Water J. 3 (2), 111–120.

Tolson, B. A., Maier, H. R., Simpson, A. R. & Lence, B. J. Genetic algorithms for reliability-based optimization of waterdistribution systems. J. Water Resour. Plann. Manage. 130 (1),63–72.

Tolson, B. A., Asadzadeh, M., Zecchin, A. & Maier, H. R. Hybrid discrete dynamically dimensioned search (HD-DDS)algorithm for water distribution system design optimization.Water Resour. Res. 45 (12), pW12416.

Vasconcelos, J. J., Rossman, L. A., Grayman, W. M., Boulos, P. F.& Clark, R. M. Kinetics of chlorine decay. J. Am. WaterWorks Assoc. 89 (7), 54–65.

Walski, T. Model calibration data: the good, the bad, and theuseless. J. Am. Water Works Assoc. 92 (1), 94–99.

Wu, Z. Y. & Simpson, A. R. Competent genetic-evolutionaryoptimization of water distribution systems. J. Comput. CivilEng. 15 (2), 89–101.

Zecchin, A. C., Simpson, A. R., Maier, H. R., Leonard, M.,Roberts, A. J. & Berrisford, M. J. Application of two antcolony optimisation algorithms to water distribution systemoptimisation. Math. Comput. Modell. 44 (5–6), 451–468.

Zecchin, A. C., Maier, H. R., Simpson, A. R., Leonard, M. &Nixon, J. B. Ant colony optimization applied to waterdistribution system design: comparative study of fivealgorithms. J. Water Resour. Plann. Manage. 133 (1), 87–92.

First received 16 April 2014; accepted in revised form 17 November 2014. Available online 31 December 2014

390 F.-J. Delisle et al. | Minimizing water residence time using HD-DDS Journal of Water Supply: Research and Technology—AQUA | 64.3 | 2015

Annexe B

Données des campagnes deprélèvement

Les données présentées dans l’annexe B ont été obtenues lors de 22 campagnes deprélèvements hebdomadaires effectuées entre le mois de mai et le mois de septembre 2012inclusivement. Chaque journée de campagne comprend trois moments d’échantillonnagedistincts séparés par un minimum de quatre heures. Les mentions (A), (M) et (S) dans lestitres des tableaux représentent le moment durant lequel les échantillons ont été collectés,soit le matin (A), le midi (M) et le soir (S). Des informations plus détaillées comprenant lesméthodes d’analyse et l’emplacement des points d’échantillonnage sont présentées dans leChapitre 2.

Les paramètres présentés dans cette annexe sont : chlore résiduel libre (mg/L), THM (μg/L),AHA (μg/L), chlore résiduel libre à l’usine de traitement des eaux (mg/L), température (°C),COD (mg/L), absorptivité UV à 254 nm (cm−1), pH, turbidité (UTN), conductivité (𝜇S/cm).

<LD : Sous la limite de détection- : Donnée manquante

165

TABLEAU B.1 – Concentration en chlore résiduel libre (mg/L)(A)Campagne de prélèvement

Point 1 2 3 4 5 6 7 8 9 10 111 - 0.83 0.81 0.85 0.73 0.81 0.82 0.58 0.65 1.02 0.732 0.71 0.82 0.74 0.74 0.73 0.68 0.79 0.63 0.65 0.89 1.003 0.69 0.81 0.77 0.79 0.79 0.78 0.81 0.67 0.72 0.97 0.994 0.78 0.79 0.78 0.69 0.69 0.70 0.78 0.57 0.53 0.90 1.005 0.79 0.64 0.70 0.81 0.59 0.67 0.73 0.61 0.63 0.58 0.966 0.73 0.77 0.76 0.79 0.60 0.69 0.77 0.42 0.59 0.69 0.807 0.68 0.72 0.58 0.54 0.61 0.60 0.72 0.55 0.56 0.90 0.908 0.55 0.68 0.64 0.68 0.53 0.56 0.65 0.50 0.45 0.73 0.719 - 0.62 0.52 0.38 0.56 0.51 0.64 0.42 0.43 0.74 0.8310 0.72 0.68 0.68 0.67 0.56 0.58 0.56 0.50 0.42 0.54 0.7211 0.35 0.13 <LD 0.19 0.29 0.35 0.28 0.35 0.34 0.88 0.7912 0.63 0.68 0.59 0.54 0.52 0.51 0.58 0.44 0.38 0.63 0.6113 0.37 0.33 0.20 0.36 0.40 0.42 0.56 0.35 0.37 0.46 0.6514 0.45 0.41 0.31 0.34 0.42 0.41 0.50 0.34 0.33 0.54 0.5915 0.07 0.17 0.06 0.36 0.39 0.39 0.49 0.31 0.33 0.52 0.5916 0.49 0.46 0.38 0.49 0.23 0.32 0.50 0.27 0.27 0.46 0.4517 0.46 0.51 0.57 0.42 0.32 0.33 0.32 0.23 0.20 0.42 0.4918 0.47 0.55 0.45 0.48 0.37 0.43 0.40 0.35 0.32 0.26 0.3819 0.33 0.21 0.21 0.16 0.12 0.11 0.14 0.11 0.06 0.03 0.1420 0.18 0.10 0.16 0.54 <LD <LD 0.46 <LD <LD <LD 0.42

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 0.62 1.09 1.02 0.83 0.94 0.94 0.96 0.91 1.07 0.58 0.622 0.95 0.95 0.87 0.75 0.57 0.65 0.77 0.96 0.99 1.08 1.003 1.01 1.03 0.89 0.70 0.76 0.72 0.89 0.77 0.62 1.09 1.034 0.74 0.97 0.85 0.79 0.80 0.63 0.85 0.97 0.88 0.91 0.915 0.91 0.82 0.87 0.68 0.77 0.59 0.80 0.72 0.89 0.79 0.856 0.88 0.94 0.68 0.67 0.75 0.55 0.50 0.80 0.89 0.66 0.797 0.71 0.86 0.83 0.72 0.54 0.63 0.75 0.89 0.88 1.00 0.908 0.77 0.84 0.76 0.64 0.61 0.67 0.66 0.89 0.89 0.96 0.799 0.67 0.75 0.54 - 0.57 0.61 0.74 0.80 0.89 0.95 0.8310 0.59 0.60 0.58 0.59 0.47 0.68 0.57 0.76 0.82 0.86 0.8011 0.87 0.91 0.71 0.62 0.67 0.78 0.90 0.67 0.94 0.94 0.8812 0.48 0.63 0.53 0.57 0.46 0.50 0.65 0.78 0.76 0.90 0.7213 0.56 0.65 0.62 0.57 0.47 0.55 0.63 0.78 0.69 0.92 0.7214 0.55 0.68 0.56 0.49 0.47 0.44 0.59 0.70 0.76 0.86 0.7015 0.52 0.62 0.57 0.44 0.44 0.50 0.41 0.71 0.70 0.92 0.7516 0.35 0.54 0.47 0.41 0.23 0.38 0.47 0.67 0.67 0.84 0.6617 0.49 0.35 0.40 0.39 0.30 0.48 0.49 0.65 <LD 0.81 0.6918 0.12 0.54 0.34 0.03 <LD 0.04 0.26 0.04 0.69 0.77 0.7119 0.09 0.16 0.07 0.12 0.08 0.18 0.20 0.33 0.36 0.48 0.4220 <LD <LD 0.54 0.04 0.04 0.12 0.16 0.07 0.03 0.10 0.07

166

TABLEAU B.2 – Concentration en chlore résiduel libre (mg/L)(M)Campagne de prélèvement

Point 1 2 3 4 5 6 7 8 9 10 111 - 0.73 0.78 0.80 0.80 0.72 0.79 0.72 0.66 1.00 0.972 0.73 0.80 0.71 0.77 0.76 0.71 0.76 0.65 0.69 0.95 0.803 0.81 0.81 0.73 0.80 0.56 0.77 0.64 0.72 0.70 0.96 0.974 0.81 0.70 0.70 0.73 0.70 0.69 0.72 0.63 0.68 0.90 1.065 0.78 0.73 0.77 0.68 0.72 0.72 0.70 0.64 0.63 0.58 0.676 0.74 0.73 0.70 0.79 0.63 0.67 0.78 0.63 0.60 0.89 1.087 0.72 0.65 0.49 0.53 0.65 0.65 0.76 0.58 0.60 0.80 0.888 0.59 0.70 0.58 0.67 0.67 0.62 0.62 0.49 0.46 0.70 0.839 0.73 0.67 0.67 0.50 0.60 0.64 0.64 0.51 0.39 0.40 0.7410 0.64 0.62 0.65 0.63 0.50 0.52 0.64 0.53 0.59 0.48 0.7611 0.37 0.36 0.28 0.19 0.27 0.50 0.35 0.42 0.27 0.68 0.9512 0.62 0.65 0.55 0.60 0.55 0.55 0.62 0.46 0.44 0.74 0.6613 0.30 0.40 0.31 0.43 0.47 0.45 0.55 0.38 0.42 0.64 0.5714 0.49 0.48 0.28 0.46 0.43 0.40 0.52 0.31 0.29 0.55 0.6115 0.22 0.35 0.25 0.36 0.42 0.33 0.47 0.36 0.36 0.65 0.6316 0.36 0.51 0.41 0.43 0.33 0.35 0.51 0.39 0.34 0.55 0.5717 0.59 0.57 0.60 0.38 0.34 0.28 0.35 0.38 0.22 0.48 0.3318 0.57 0.37 0.36 0.35 0.26 0.34 0.42 0.28 0.25 0.45 0.4219 0.27 0.18 0.12 0.11 0.06 0.11 0.47 0.03 0.04 0.22 0.6020 0.13 <LD 0.49 0.14 <LD <LD 0.41 0.41 <LD <LD 0.38

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 0.65 0.93 0.81 0.69 0.89 0.75 0.92 1.00 0.95 0.71 0.692 0.94 0.98 0.98 0.81 0.78 0.79 0.88 0.98 0.99 1.13 1.003 0.99 0.99 0.90 0.76 0.83 0.72 0.69 0.76 0.65 1.17 1.014 1.07 1.00 0.85 0.83 0.83 0.79 0.96 0.94 0.76 1.06 0.835 1.06 0.95 0.82 0.73 0.78 0.79 0.72 0.82 0.94 1.06 0.956 0.97 0.98 0.90 0.50 0.77 0.70 0.68 0.89 0.79 1.01 0.927 0.81 0.92 0.85 0.69 0.72 0.72 0.81 0.93 0.91 1.02 0.918 0.78 0.84 0.83 0.67 0.48 0.79 0.83 0.91 0.80 0.91 0.929 0.79 0.79 0.76 - 0.56 0.55 0.76 0.85 0.60 0.86 0.7910 0.66 0.79 0.59 0.54 0.58 0.72 0.39 0.85 0.77 0.74 0.8111 0.60 0.93 0.86 0.60 0.76 0.87 0.97 0.96 0.98 1.05 0.9412 0.62 0.70 0.63 0.50 0.49 0.62 0.61 0.73 0.66 0.88 0.8313 0.65 0.69 0.64 0.51 0.59 0.61 0.54 0.72 0.73 0.89 0.7714 0.55 0.62 0.68 0.46 0.50 0.57 0.50 0.70 0.71 0.88 0.7515 0.59 0.65 0.59 0.47 0.52 0.58 0.69 0.74 0.74 0.82 0.7816 0.52 0.65 0.57 0.40 0.38 0.43 0.61 0.70 0.71 0.90 0.7617 0.42 0.55 0.40 0.07 0.27 0.33 0.46 0.56 0.62 0.80 0.5818 0.31 0.33 0.26 0.15 0.19 0.22 0.26 0.26 0.71 0.83 0.6619 0.04 0.06 0.13 0.12 0.04 0.16 0.22 0.03 0.32 0.48 0.4720 <LD 0.43 0.26 <LD 0.09 0.20 0.26 0.06 0.04 0.52 0.08

167

TABLEAU B.3 – Concentration en chlore résiduel libre (mg/L)(S)Campagne de prélèvement

Point 1 2 3 4 5 6 7 8 9 10 111 - 0.83 0.77 0.82 0.80 0.84 0.85 0.75 0.68 0.75 1.082 0.92 0.81 0.67 - 0.75 0.75 0.82 0.72 0.65 0.94 0.973 0.84 0.84 0.62 0.76 0.81 0.76 0.78 0.71 0.72 1.00 1.094 0.87 0.78 0.74 0.84 0.76 0.79 0.81 0.68 0.66 0.86 1.075 0.79 0.74 0.67 0.82 0.64 0.76 0.75 0.60 0.58 0.83 1.056 0.89 0.77 0.78 0.76 0.69 0.75 0.79 0.53 0.64 0.86 0.897 0.74 0.70 0.32 0.58 0.68 0.63 0.72 0.59 0.61 0.84 0.928 0.75 0.69 0.54 0.68 0.57 0.61 0.60 0.51 0.54 0.77 0.929 0.76 0.67 0.53 0.62 0.62 0.58 0.63 0.30 0.53 0.77 0.5110 0.74 0.66 0.66 0.59 0.66 0.52 0.46 0.53 0.55 0.62 0.6811 0.24 0.22 0.55 0.18 0.33 0.46 0.32 0.33 0.44 0.76 0.9412 0.64 0.66 0.44 0.60 0.55 0.51 0.61 0.45 0.46 0.78 0.6913 0.46 0.42 0.18 0.76 0.50 0.51 0.57 0.41 0.44 0.67 0.7114 0.49 0.50 0.36 0.43 0.47 0.45 0.53 0.36 0.34 0.62 0.7315 0.18 0.23 0.23 0.27 0.46 0.46 0.41 0.24 0.37 0.62 0.6716 0.44 0.48 0.35 0.20 0.27 0.35 0.40 0.30 0.35 0.57 0.6417 0.50 0.53 0.30 0.69 0.37 0.35 0.44 0.25 0.24 0.45 0.6118 0.47 0.50 0.49 0.33 0.23 0.50 0.32 0.32 0.35 0.46 0.3919 0.21 0.37 0.11 0.15 0.10 0.09 0.22 0.11 0.10 0.19 0.1420 0.15 <LD 0.41 <LD <LD <LD 0.52 <LD <LD 0.08 0.34

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 0.47 0.87 0.75 0.58 0.80 0.92 1.07 0.99 1.00 0.84 0.712 0.95 0.97 0.96 0.86 0.80 0.79 0.89 0.94 0.98 1.15 0.973 1.00 0.88 0.99 0.87 0.87 0.93 0.92 0.71 0.67 0.96 1.054 0.83 0.98 0.95 0.64 0.78 0.83 0.57 0.98 1.05 1.11 1.005 0.71 0.92 0.82 0.70 0.75 0.78 0.87 0.92 0.87 1.00 0.976 0.91 0.74 0.84 0.73 0.84 0.68 0.81 0.87 0.86 1.02 0.927 0.77 0.86 0.84 0.65 0.66 0.71 0.86 0.90 0.90 1.07 0.948 0.72 0.84 0.72 0.58 0.68 0.68 0.82 0.92 0.92 0.96 0.869 0.79 0.81 0.76 - 0.54 0.52 0.79 0.84 0.88 0.94 0.8710 0.60 0.65 0.71 0.39 0.55 0.67 0.80 0.89 0.83 0.88 0.8011 0.89 0.96 0.86 0.64 0.72 0.79 0.98 1.00 0.95 1.09 0.9412 0.62 0.72 0.64 0.56 0.55 0.50 0.73 0.78 0.68 0.87 0.8013 0.66 0.69 0.69 0.57 0.55 0.62 0.75 0.65 0.76 0.90 0.8014 0.56 0.67 0.64 0.49 0.50 0.51 0.63 0.67 0.71 0.84 0.8615 0.58 0.68 0.64 0.51 0.51 0.54 0.74 0.75 0.70 0.87 0.7216 0.53 0.60 0.62 0.47 0.45 0.48 0.60 0.66 0.71 0.83 0.7317 0.37 0.57 0.46 0.26 0.39 0.42 0.49 0.58 0.58 0.83 0.7518 0.22 0.43 0.43 0.13 0.19 0.13 0.16 0.30 0.73 0.77 0.7419 0.04 0.15 0.04 0.18 0.10 0.17 0.21 0.21 0.34 0.35 0.3320 <LD <LD 0.36 0.40 0.20 0.21 0.27 <LD 0.04 0.10 0.08

168

TABLEAU B.4 – THM (μg/L)(A)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 13.3 12.0 14.9 20.0 22.5 16.3 22.4 43.0 28.1 34.02 15.2 15.1 13.1 22.8 24.5 21.3 19.3 26.5 23.5 28.5 49.83 14.8 13.6 13.1 16.2 20.6 21.1 15.8 43.0 23.5 28.6 26.74 14.6 9.8 9.9 17.3 28.6 23.2 18.9 25.8 29.7 33.6 28.45 14.4 11.6 13.2 17.9 26.9 22.4 19.8 37.8 38.6 27.7 29.76 15.3 10.2 20.4 15.7 26.0 24.1 20.0 27.5 35.7 27.8 29.07 33.3 15.8 14.1 18.8 31.5 18.0 27.8 26.2 27.4 24.2 29.28 12.3 19.7 14.1 21.2 23.0 22.8 21.6 28.3 39.0 29.1 28.29 - 17.0 17.9 30.7 25.2 5.7 28.2 45.4 30.4 43.0 37.010 12.8 12.2 14.0 18.5 29.9 22.5 20.7 25.6 30.7 36.9 31.311 14.6 15.9 18.5 23.1 32.8 24.7 24.4 28.9 32.1 33.1 27.612 16.2 15.9 15.7 20.3 30.1 26.4 19.7 38.2 33.8 50.2 65.013 22.3 17.4 17.5 21.0 29.7 28.0 38.7 32.0 38.5 36.4 36.014 22.9 17.1 18.8 21.0 25.8 30.2 40.2 32.2 31.8 34.7 49.215 29.5 19.8 20.1 26.3 31.9 26.2 21.2 24.6 26.8 35.0 34.616 18.5 17.6 16.0 18.8 31.6 19.2 21.0 23.8 47.0 31.0 32.917 13.7 12.7 15.7 23.8 31.6 28.6 24.7 32.9 35.9 34.6 40.218 16.9 13.3 15.7 21.9 13.0 25.5 26.5 27.4 25.0 36.7 36.819 20.4 22.4 18.8 20.1 32.6 27.3 25.5 35.1 36.6 37.0 34.220 21.8 19.4 16.2 31.0 34.4 27.3 20.9 41.7 33.6 35.1 36.0

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 40.4 22.6 25.0 31.3 40.3 26.1 20.5 22.3 21.1 14.9 33.82 45.3 23.9 23.0 33.7 34.0 32.4 24.6 27.1 22.0 13.7 26.33 23.9 25.2 29.7 31.8 33.0 24.9 24.2 32.7 36.9 13.5 24.94 34.2 26.5 29.2 32.7 36.2 29.2 25.2 29.2 27.5 13.9 29.35 36.5 - 30.5 34.2 35.7 30.3 25.2 26.6 22.2 14.1 28.06 68.8 24.7 32.8 27.6 39.4 29.5 24.8 32.9 27.4 16.4 29.77 39.2 27.3 31.2 35.4 36.5 27.6 25.0 23.2 23.5 14.2 29.18 37.2 28.5 30.4 23.9 36.2 32.7 24.6 29.9 28.0 17.4 29.49 64.2 26.7 27.1 - 39.8 33.1 25.8 25.7 24.0 15.8 28.110 42.2 31.2 34.6 35.8 37.8 32.0 27.5 22.9 29.5 16.4 30.311 34.5 25.2 31.2 30.2 37.4 31.4 24.8 32.1 24.4 14.5 4.712 53.8 23.0 34.2 34.7 41.3 28.6 26.2 27.7 21.5 17.4 27.513 73.3 28.6 35.1 40.2 40.9 30.9 28.4 47.9 25.0 16.0 32.114 45.4 27.8 37.0 40.4 59.2 34.4 31.1 29.1 26.0 17.0 31.315 75.6 29.7 31.8 35.5 40.5 27.1 25.2 32.3 29.2 16.4 29.116 40.7 27.1 28.8 37.5 42.0 29.7 25.6 26.8 20.2 14.4 29.017 42.7 31.7 54.0 43.1 52.1 42.7 36.1 30.5 - 19.7 27.618 52.9 35.5 37.5 32.0 47.1 41.2 32.2 32.4 20.5 17.3 30.419 48.0 30.0 38.1 46.4 53.1 37.7 33.3 32.3 29.1 19.1 37.720 41.9 29.7 40.4 38.4 - 34.5 50.4 14.3 19.2 22.1 39.6

169

TABLEAU B.5 – THM (μg/L)(M)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 18.4 4.1 32.3 20.8 20.3 16.5 21.8 29.7 25.8 27.22 11.9 19.1 13.1 18.1 24.2 27.6 16.2 21.5 35.0 42.9 24.63 9.3 11.9 13.4 35.9 21.2 46.2 15.3 33.9 31.7 30.3 30.14 13.7 14.9 13.3 21.0 17.1 25.0 20.9 25.6 50.7 23.9 25.95 12.6 11.6 13.8 18.6 24.6 24.5 18.6 26.0 35.1 30.0 26.86 13.4 12.8 14.1 23.1 20.8 23.8 19.7 22.0 30.3 31.5 26.77 13.0 12.8 13.1 23.2 26.5 15.4 17.8 21.1 30.1 29.9 31.58 13.1 17.6 16.4 27.8 26.9 25.9 19.1 30.9 30.0 33.0 26.19 15.4 19.0 14.7 28.8 19.2 28.2 20.2 26.2 31.9 33.2 28.210 13.7 11.9 17.3 23.6 24.1 31.5 19.6 32.0 37.5 32.6 45.611 18.0 15.9 20.5 29.2 27.6 28.8 19.0 23.5 45.9 41.4 34.812 16.5 10.3 3.0 22.7 25.5 30.3 21.7 40.7 50.3 35.8 31.313 19.0 14.8 26.5 25.6 31.1 26.1 32.3 27.4 28.7 40.0 32.014 17.2 16.3 17.3 25.3 29.9 32.1 22.1 56.4 37.0 36.4 32.715 24.7 12.6 24.0 25.0 28.7 12.2 41.0 26.9 51.0 35.5 30.216 6.6 13.3 15.9 22.1 38.0 29.9 17.9 24.2 25.5 35.7 29.517 24.1 16.8 15.0 39.2 28.3 18.2 19.3 29.7 39.0 37.4 37.518 16.9 21.2 16.0 38.2 33.9 15.6 42.3 28.2 33.1 38.0 37.119 17.4 25.0 20.7 25.8 34.8 34.1 28.8 33.9 - 40.7 31.020 21.2 17.1 18.3 24.5 34.0 39.5 22.9 36.1 44.2 37.5 34.4

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 37.0 25.0 29.5 29.5 47.7 23.1 21.3 22.4 11.7 24.3 30.82 26.4 24.5 24.3 33.2 32.7 25.9 21.8 21.5 26.1 12.5 24.13 27.9 25.2 25.6 32.2 33.9 23.9 23.8 27.0 39.4 16.7 18.54 31.2 22.2 38.3 33.4 34.9 26.4 25.5 23.9 20.7 19.8 24.25 30.0 25.2 25.4 33.5 33.4 25.9 23.7 23.3 24.6 16.7 24.46 32.0 24.6 22.6 35.0 43.0 26.5 - 23.4 22.0 17.4 24.97 26.4 24.3 26.4 32.1 38.8 25.9 22.9 20.1 23.0 13.6 32.58 34.7 25.9 24.7 35.6 26.8 28.6 26.7 15.9 23.2 20.7 26.39 29.3 25.2 27.9 - 42.1 30.7 26.8 28.5 25.5 19.8 26.810 34.0 27.6 31.5 36.7 42.5 29.0 29.1 27.8 29.1 19.6 16.911 48.7 25.9 27.9 29.0 49.9 23.9 24.3 21.3 25.8 16.5 26.012 36.4 27.8 36.5 34.4 39.3 28.1 23.9 24.2 22.2 14.7 24.713 37.4 9.4 35.5 33.4 40.5 30.9 25.8 29.3 27.9 22.0 28.814 33.5 25.1 34.6 38.5 45.6 30.4 26.7 28.3 23.3 14.7 30.815 35.2 25.9 20.2 34.0 33.7 27.6 25.0 30.2 36.1 15.4 27.916 38.3 25.4 31.7 34.2 44.1 24.5 25.5 28.0 26.0 15.8 37.417 43.9 34.8 39.1 36.7 53.8 39.1 38.0 33.7 25.6 15.3 19.218 52.0 27.7 33.0 43.0 51.8 35.1 33.3 31.1 23.3 21.9 28.219 48.4 33.8 40.6 46.5 45.8 39.2 53.5 43.0 31.5 18.3 36.020 36.9 8.4 40.1 33.1 58.2 28.7 26.7 11.2 11.8 9.1 40.5

170

TABLEAU B.6 – THM (μg/L)(S)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 9.0 11.8 - 21.0 17.3 16.6 28.5 23.8 32.9 23.42 10.6 13.1 16.4 - 23.1 23.9 21.8 36.0 24.3 30.0 26.13 13.0 10.7 12.8 32.7 20.2 19.4 16.7 42.7 29.3 30.7 30.24 10.6 11.6 13.0 22.1 22.4 21.3 16.0 23.5 30.6 27.7 26.95 11.3 11.2 12.7 37.4 22.7 21.7 15.8 23.2 29.5 31.7 56.96 11.6 10.8 15.2 33.3 20.2 12.2 15.7 25.9 27.3 33.7 25.17 11.7 13.4 18.8 29.9 23.8 25.9 18.6 25.9 44.2 30.0 26.98 13.4 10.1 13.9 - 28.4 23.3 14.2 38.1 27.5 20.0 28.49 11.5 11.8 25.3 25.0 24.2 16.6 17.2 26.9 29.1 39.0 32.810 12.4 14.0 14.3 22.8 19.7 22.9 18.9 30.5 28.6 46.1 33.111 15.1 15.5 19.4 23.6 25.5 23.3 20.5 24.6 30.8 39.4 23.212 12.6 15.2 19.8 24.9 21.7 28.8 18.1 26.6 32.5 31.9 30.713 14.4 15.1 17.0 28.8 26.7 24.1 21.7 28.0 34.8 36.1 40.314 14.4 17.2 16.9 38.5 27.7 28.7 19.7 29.7 55.6 33.7 31.115 29.3 18.8 22.2 44.8 29.9 24.3 17.8 24.9 38.9 32.7 31.216 15.3 17.4 15.9 32.5 24.4 29.4 34.8 29.1 36.8 34.5 29.317 12.0 14.1 17.4 20.8 21.8 26.4 22.7 28.6 34.1 45.6 37.418 12.5 13.9 16.9 28.1 26.0 23.9 18.9 31.5 30.1 43.7 38.019 19.9 19.3 18.9 26.7 51.7 36.2 24.7 46.6 42.6 39.0 38.820 18.2 17.0 18.8 34.2 29.4 28.0 21.4 1.8 44.5 27.3 64.6

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 36.7 26.5 30.7 29.8 41.8 24.4 20.3 - 23.9 21.5 27.92 29.9 26.1 26.3 30.8 32.6 24.9 22.1 24.4 18.4 16.0 25.93 40.9 28.3 26.8 28.7 32.9 26.6 23.3 30.8 30.7 14.0 -4 28.9 26.4 29.4 36.4 39.0 27.8 22.7 23.6 30.3 16.1 25.35 30.6 28.1 28.0 37.0 34.6 26.6 23.0 24.7 23.8 16.0 24.76 28.4 26.8 25.1 44.5 31.8 38.7 25.7 29.1 20.5 15.1 24.97 31.1 26.1 28.4 41.0 32.4 25.6 23.9 - 22.0 19.2 23.88 33.4 24.9 34.8 33.1 36.9 30.0 22.6 20.9 23.8 19.4 26.39 43.3 27.4 29.4 - 35.9 27.0 26.5 25.7 21.0 - 27.710 34.3 26.3 46.0 38.3 37.6 29.3 33.8 26.1 23.0 18.7 26.411 28.7 27.9 25.6 52.8 48.2 27.9 23.8 25.1 20.9 31.1 22.512 47.3 24.3 40.8 67.6 14.4 26.8 25.6 25.0 27.3 18.5 11.213 35.6 31.2 48.6 40.4 47.9 27.3 27.1 32.9 40.0 18.9 29.614 40.8 31.2 33.0 27.0 36.0 30.9 36.5 20.7 29.9 19.6 28.015 34.1 15.1 21.7 37.7 14.9 33.0 24.4 26.8 27.4 19.1 31.916 33.7 29.3 30.0 36.2 35.3 26.3 24.6 28.2 34.4 24.7 25.517 45.6 29.6 6.7 44.0 41.2 40.5 34.9 34.6 26.7 16.6 29.818 39.9 34.6 34.7 39.8 40.9 36.0 29.7 29.4 21.4 18.2 26.019 49.3 37.6 41.0 41.1 43.7 35.3 33.8 34.7 36.1 23.4 33.020 40.6 27.4 34.0 46.0 60.9 25.5 28.7 14.4 16.6 24.6 31.7

171

TABLEAU B.7 – AHA (μg/L)(A)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 16.7 - 19.2 - 22.6 21.4 20.8 21.1 18.7 20.0 16.72 20.1 16.0 17.1 22.3 24.7 23.7 21.1 26.9 20.6 27.7 20.83 12.3 12.4 13.4 17.9 20.7 20.7 17.8 - 19.0 25.8 18.64 15.3 16.4 17.0 22.4 22.3 23.6 19.0 25.0 20.3 27.4 21.65 17.3 20.3 - 21.5 23.8 24.5 21.9 25.3 21.6 27.9 23.56 14.4 15.4 16.3 20.6 21.7 23.8 20.2 24.5 21.0 27.2 23.97 19.8 17.2 22.1 21.6 23.7 25.8 20.5 - 20.4 27.4 22.28 19.0 17.1 19.9 21.0 22.9 24.5 21.9 25.4 22.7 29.2 21.99 14.3 11.4 15.3 20.9 17.5 18.3 19.0 15.3 14.9 17.0 19.010 13.5 11.9 14.0 18.1 19.2 19.0 17.7 22.0 18.6 25.4 17.811 13.7 23.3 15.6 19.1 21.7 21.3 18.0 22.9 20.2 27.5 19.512 12.7 14.5 15.8 18.8 20.6 21.8 18.6 23.8 19.3 26.2 18.113 13.4 11.6 16.1 18.7 21.1 21.5 18.6 - 18.5 26.0 19.214 - 10.4 15.0 15.6 19.4 18.5 15.7 22.3 17.0 23.7 19.315 15.8 12.0 16.2 18.7 21.6 21.8 19.1 25.3 20.6 28.0 20.916 15.9 - 23.8 22.3 22.8 24.5 20.7 24.7 22.2 26.3 19.317 14.5 13.1 16.5 20.3 23.9 23.1 21.0 25.4 20.2 27.3 21.318 - 13.2 17.6 20.1 23.1 23.3 20.0 25.6 20.2 28.4 20.319 14.8 12.3 16.6 20.4 23.7 22.7 19.4 25.3 20.8 26.7 20.920 18.1 14.7 17.2 20.3 - 25.5 21.5 27.5 22.4 30.6 27.7

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 18.3 14.2 16.5 15.6 20.0 19.9 15.2 16.0 14.3 14.8 19.82 21.8 18.5 20.6 20.8 24.9 19.8 17.0 17.9 15.7 16.3 22.23 20.0 17.8 20.7 21.6 - 20.9 17.2 17.2 28.1 14.8 21.24 22.4 18.8 21.7 21.0 29.4 20.2 19.7 17.4 15.6 14.5 17.95 23.4 20.0 25.0 22.9 28.9 20.3 17.9 18.2 17.2 17.1 18.16 24.5 21.2 22.7 21.3 29.4 24.0 18.7 19.8 18.1 16.6 22.77 22.8 18.3 22.4 21.1 27.8 21.9 18.2 19.3 16.6 16.1 21.08 23.4 20.3 22.9 22.0 30.8 22.1 18.9 18.8 17.5 16.5 17.89 9.4 11.4 23.7 12.3 15.2 16.7 15.9 - 1.5 12.2 17.110 18.2 15.6 18.1 20.0 24.7 20.0 16.2 17.5 39.2 15.5 17.411 20.3 17.8 21.9 22.6 29.2 24.4 20.8 18.7 17.6 15.2 20.312 20.4 19.6 24.0 21.4 31.0 23.3 15.6 17.2 18.2 15.6 20.813 20.6 17.0 20.7 21.0 28.2 21.0 17.5 17.3 18.8 15.5 20.514 21.3 15.5 17.9 21.6 25.4 19.2 18.2 16.0 - 16.5 23.915 22.1 18.1 24.0 22.3 30.2 22.8 21.0 17.6 19.9 13.6 22.116 21.2 17.5 22.2 21.5 28.0 22.6 - 19.4 18.8 14.5 20.217 22.9 19.0 19.8 18.4 23.0 20.2 16.6 14.5 18.5 15.6 22.618 21.6 18.2 20.4 - 29.7 21.4 19.0 18.8 24.4 16.1 20.619 21.3 17.9 23.3 21.9 30.5 25.0 17.8 20.0 15.1 - 21.720 26.1 20.6 26.3 22.5 31.4 25.8 21.5 21.5 - 16.4 22.0

172

TABLEAU B.8 – AHA (μg/L)(M)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 19.9 - 19.1 20.1 21.6 21.8 19.1 23.1 17.5 21.3 17.42 17.1 15.9 18.1 20.2 21.9 23.0 19.6 24.8 19.0 26.5 20.53 12.2 13.3 14.7 16.2 17.2 19.4 16.6 21.2 17.1 24.1 17.34 14.0 14.2 20.7 20.5 18.7 21.8 18.5 23.6 18.7 26.9 19.15 15.7 14.3 19.4 21.7 21.1 24.0 20.3 24.8 22.0 26.8 20.36 17.3 13.3 16.7 19.1 19.7 22.4 18.8 23.9 21.8 24.6 21.07 20.5 15.1 19.9 21.3 20.6 23.5 19.4 26.1 19.7 26.1 20.78 17.9 15.3 20.0 20.4 20.8 23.9 19.3 25.0 20.6 28.1 20.19 13.6 12.0 16.2 17.8 17.4 15.5 20.6 23.4 15.7 14.3 -10 12.9 11.9 15.1 16.8 16.7 19.0 17.2 22.5 19.4 22.8 16.911 13.2 11.0 17.9 17.4 17.6 20.6 17.3 21.6 17.4 25.7 18.612 12.0 12.9 14.9 17.4 17.5 19.9 16.9 20.8 17.8 25.2 17.613 13.3 12.0 16.4 17.9 17.7 20.7 16.6 22.5 17.6 26.2 17.514 - 9.4 14.0 16.1 16.0 17.7 15.0 21.9 16.1 22.3 16.315 12.4 12.0 16.3 18.3 19.4 20.7 17.2 23.0 18.3 27.7 20.116 17.8 12.3 19.4 20.7 20.9 22.6 19.8 22.6 20.0 25.3 17.517 15.6 12.1 16.8 19.0 21.0 22.7 18.6 22.8 19.2 26.9 20.618 13.0 12.0 16.5 18.2 20.0 22.0 18.0 22.2 19.5 27.1 19.619 14.1 11.7 16.8 18.8 18.7 21.5 18.7 22.7 18.8 25.4 19.120 14.6 11.4 17.1 20.0 23.3 22.6 20.6 24.8 22.8 29.3 26.8

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 17.1 12.5 14.5 17.3 20.3 18.7 15.2 12.1 16.1 15.4 18.52 21.6 17.7 21.0 21.3 26.9 23.1 15.1 16.1 20.1 15.7 31.33 19.4 17.0 19.3 22.9 25.3 16.6 15.1 15.2 16.6 14.8 19.64 19.9 17.2 19.1 23.0 26.1 19.5 15.7 16.0 16.5 16.0 24.45 20.7 19.5 23.3 21.0 19.1 19.3 16.2 16.7 17.1 16.5 22.16 22.0 21.6 22.2 24.0 29.2 21.7 22.7 17.5 19.1 17.1 -7 21.3 19.7 20.1 23.4 26.9 19.5 15.4 16.8 16.8 15.8 18.48 21.6 19.5 21.1 23.0 27.4 18.8 17.8 19.7 18.5 15.4 18.09 9.1 17.6 22.7 12.1 17.4 16.0 12.3 - 3.1 14.7 16.710 18.0 16.3 19.8 22.8 26.9 20.2 18.6 18.2 24.1 14.1 16.311 19.2 17.7 17.5 22.3 26.3 24.0 19.7 17.2 16.7 16.3 19.512 18.3 16.2 20.6 22.1 27.0 26.8 19.1 15.9 16.4 16.0 19.613 18.3 16.4 - 22.4 25.4 23.3 19.0 17.2 17.4 15.8 18.514 20.0 16.3 17.1 20.4 38.7 21.0 16.4 15.4 16.8 16.8 19.415 20.7 20.1 21.7 24.2 27.4 26.9 18.7 17.0 20.6 17.2 20.016 19.5 17.7 17.8 23.5 26.3 22.3 19.9 8.0 16.5 15.7 19.417 21.1 17.6 19.4 21.2 23.5 19.4 17.2 14.5 17.8 16.5 20.818 20.6 18.9 20.0 - 26.7 24.0 20.6 16.4 16.5 16.2 19.919 20.1 17.8 19.3 23.2 26.5 - 20.5 37.7 - 16.3 19.520 24.1 21.1 25.2 23.7 35.9 25.3 25.7 48.7 17.5 17.5 21.1

173

TABLEAU B.9 – AHA (μg/L)(S)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 18.2 14.9 19.2 20.4 21.6 24.7 21.6 23.0 18.4 23.3 18.02 25.4 14.6 17.3 21.2 21.3 26.0 19.7 23.1 21.7 25.1 18.73 11.8 11.9 16.6 - 16.9 - 17.7 22.7 17.5 22.7 17.44 - 13.9 16.4 18.9 20.0 22.8 19.2 24.4 19.5 25.9 18.35 16.7 14.6 18.8 21.1 20.8 12.3 19.3 22.6 20.4 26.0 19.86 14.0 13.8 17.4 18.5 19.7 22.2 18.3 24.1 18.3 24.9 19.77 19.3 18.3 19.9 18.9 19.9 24.9 19.6 24.0 19.8 26.5 18.58 17.6 15.6 19.1 16.8 20.3 25.4 19.1 23.7 19.7 26.9 19.19 15.5 13.0 16.2 19.7 15.9 16.6 18.1 17.3 13.2 22.7 20.110 14.5 12.7 15.8 17.1 16.8 23.7 15.9 27.8 17.7 23.5 16.411 14.6 13.3 16.0 17.8 17.7 20.8 16.0 23.2 18.2 24.7 17.412 13.8 12.3 16.0 - 18.0 21.0 16.5 22.7 18.4 23.6 17.613 13.9 - 16.0 16.6 18.3 22.5 16.1 23.3 18.4 23.9 17.814 - 11.5 15.7 16.2 16.2 20.6 14.8 26.3 17.3 26.2 16.415 14.8 12.8 16.5 19.0 19.2 23.0 16.7 24.2 19.6 26.9 19.716 18.7 15.5 17.7 21.4 22.2 23.0 17.9 24.3 20.0 26.1 17.517 15.2 13.7 17.7 21.2 19.5 23.9 19.6 24.3 18.9 26.5 19.218 15.6 14.0 16.9 20.2 19.0 24.8 18.5 24.9 20.0 26.7 18.419 14.7 13.8 - 19.8 18.9 23.5 18.1 24.1 20.7 25.4 19.120 15.1 14.6 18.5 19.6 21.8 26.4 20.6 24.2 22.0 30.6 23.6

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 18.0 15.7 16.9 18.3 24.8 19.6 19.2 15.6 14.3 15.6 19.42 19.9 17.9 19.5 22.1 24.7 19.6 18.4 16.1 16.3 16.8 20.33 20.6 17.8 18.3 23.5 26.7 22.9 17.3 15.6 16.0 14.8 18.54 21.0 17.4 18.9 25.5 29.8 21.5 20.3 - 16.3 16.7 20.55 21.3 17.7 18.7 22.6 23.9 20.0 20.5 18.5 19.0 16.2 17.06 22.1 19.1 22.9 24.6 26.8 21.8 21.1 16.6 17.6 18.2 20.37 22.3 17.6 20.4 23.9 24.9 22.3 18.4 16.5 13.8 16.5 20.98 19.8 18.1 19.4 24.7 26.9 20.7 18.6 19.1 20.4 16.7 21.19 10.6 11.9 19.4 20.7 20.3 15.7 14.3 6.1 19.5 12.5 21.110 19.2 16.8 17.0 23.4 28.6 21.3 17.5 19.4 23.3 15.3 22.611 20.6 17.1 17.8 24.7 26.8 20.3 21.3 17.0 14.9 - 18.712 20.1 16.7 17.5 23.8 27.5 23.0 20.4 17.1 17.7 15.1 17.413 19.7 16.5 - 24.7 27.7 27.1 19.8 24.3 17.4 15.6 17.414 20.0 16.5 16.6 22.8 24.6 22.6 18.2 13.4 17.0 17.6 20.715 20.8 18.8 20.4 25.2 27.1 24.6 19.5 17.5 18.6 - 19.516 20.6 17.0 18.5 28.5 28.6 22.1 18.5 17.2 22.3 16.1 18.717 21.0 17.1 17.1 19.8 22.9 19.2 15.5 14.3 17.9 17.4 20.918 21.0 17.4 19.1 - 26.7 25.4 20.0 15.5 17.7 17.0 21.019 19.6 17.2 18.2 25.9 29.1 26.0 18.4 17.7 18.0 14.4 22.620 25.0 30.3 25.6 24.8 39.1 26.2 24.1 - 18.1 17.3 20.9

174

TABLEAU B.10 – Paramètres physico-chimiques à l’entrée du réseau

Paramètre CCRL𝑈𝑇𝐸 T COD (mg/L) UV254 pH Turb. Cond.

Campagne mg/L °C mg/L cm−1 - UTN 𝜇S/cm

1 1.18 6.7 1.36 0.021 7.12 0.43 165

2 1.13 9.1 1.33 0.024 7.17 0.24 143

3 1.18 10.7 1.54 0.027 7.31 0.31 128

4 1.23 13.6 1.48 0.031 7.5 0.19 162

5 1.27 14 1.59 0.023 7.05 0.17 161

6 1.34 13.6 1.97 0.024 7.3 0.19 119

7 1.31 15.4 1.63 0.025 7.39 0.16 155

8 1.27 16.9 1.76 0.024 7.27 0.22 158

9 1.28 18.3 1.69 0.025 7.49 0.18 180

10 1.61 18.1 1.92 0.023 7.28 0.19 157

11 1.63 19.1 1.54 0.018 7.34 0.20 171

12 1.60 19.7 1.72 0.026 7.24 0.32 180

13 1.58 19.7 1.46 0.022 7.27 0.21 222

14 1.58 20.6 1.46 0.020 7.46 0.15 204

15 1.54 21 1.92 0.022 6.87 0.15 201

16 1.23 20 2.17 0.027 7.27 0.17 215

17 1.57 20.1 1.68 0.020 7.22 0.16 182

18 1.56 20.4 1.70 0.018 7.08 0.14 181

19 1.61 19.3 1.60 0.021 7.05 0.18 184

20 1.68 18 1.64 0.020 7.37 0.24 211

21 1.66 17.3 1.46 0.019 7.48 0.19 201

22 1.62 15.6 2.10 0.021 7.48 0.21 172

175

TABLEAU B.11 – Absorptivité UV à 254 nm (cm−1)Campagne de prélèvement

Point 1 2 3 4 5 6 7 8 9 10 111 - 0.014 0.017 0.024 0.016 0.022 0.016 0.020 0.030 0.019 0.0182 0.017 0.017 0.017 0.017 0.019 0.020 0.023 0.019 0.016 0.019 0.0153 0.018 0.016 0.018 0.018 0.018 0.019 0.017 0.018 0.017 0.020 0.0144 0.017 0.014 0.023 0.019 0.018 0.019 0.017 0.019 0.043 0.019 0.0165 0.017 0.015 0.017 0.018 0.017 0.019 0.017 0.019 0.018 0.020 0.0156 0.018 0.016 0.017 0.018 0.017 0.020 0.017 0.020 0.033 0.019 0.0157 0.019 0.018 0.020 0.020 0.019 0.020 0.022 0.020 0.017 0.020 0.0178 0.020 0.016 0.020 0.026 0.019 0.021 0.019 0.021 0.017 0.020 0.0179 0.019 0.017 0.020 0.027 0.021 0.021 0.020 0.022 0.018 0.021 0.01810 0.020 0.017 0.020 0.023 0.022 0.022 0.020 0.023 0.019 0.025 0.00211 0.039 0.051 0.057 0.081 0.023 0.025 0.025 0.025 0.023 0.021 0.01512 0.021 0.019 0.019 0.019 0.019 0.022 0.032 0.022 0.020 0.022 0.02013 0.035 0.036 0.057 0.057 0.022 0.023 0.021 0.023 0.020 0.023 0.02014 0.030 0.028 0.026 0.026 0.023 0.023 0.058 0.024 0.027 0.022 0.02115 0.068 0.048 0.056 0.056 0.023 0.024 0.023 0.030 0.037 0.025 0.02216 0.027 0.025 0.026 0.026 0.029 0.027 0.022 0.025 0.023 0.023 0.02417 0.028 0.024 0.020 0.048 0.024 0.025 0.024 0.025 0.022 0.020 0.01918 0.025 0.022 0.023 0.033 0.022 0.025 0.026 0.025 0.021 0.029 0.02719 0.032 0.038 0.033 0.033 0.034 0.031 0.060 0.034 0.031 0.038 0.03220 0.037 0.036 0.029 0.029 0.052 0.053 0.021 0.053 0.041 0.042 0.020

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 0.022 0.017 0.016 0.021 0.028 0.016 0.015 0.017 0.017 0.019 0.0212 0.035 0.017 0.017 0.021 0.027 0.017 0.016 0.017 0.017 0.015 0.0203 0.016 0.017 0.020 0.022 0.023 0.015 0.014 0.018 0.016 0.018 0.0204 0.016 0.016 0.016 0.021 0.024 0.016 0.015 0.017 0.016 0.016 0.0195 0.017 0.017 0.017 0.021 0.023 0.019 0.016 0.018 0.017 0.016 0.0206 0.018 0.018 0.017 0.022 0.024 0.019 0.018 0.020 0.017 0.018 0.0207 0.019 0.018 0.019 0.021 0.025 0.018 0.016 0.019 0.018 0.016 0.0208 0.019 0.018 0.018 0.022 0.024 0.019 0.017 0.031 0.018 0.021 0.0209 0.019 0.019 0.023 0.000 0.025 0.020 0.017 0.019 0.018 0.018 0.02010 0.022 0.022 0.021 0.023 0.027 0.020 0.018 0.020 0.020 0.021 0.02111 0.017 0.018 0.019 0.021 0.025 0.016 0.015 0.017 0.017 0.017 0.01912 0.023 0.029 0.022 0.021 0.027 0.021 0.017 0.018 0.018 0.018 0.02013 0.022 0.019 0.019 0.023 0.025 0.018 0.016 0.017 0.018 0.018 0.02014 0.021 0.019 0.020 0.021 0.025 0.027 0.016 0.017 0.018 0.019 0.02115 0.023 0.021 0.020 0.027 0.026 0.020 0.017 0.018 0.019 0.019 0.02016 0.026 0.023 0.021 0.022 0.026 0.019 0.017 0.018 0.018 0.018 0.02117 0.021 0.019 0.021 0.021 0.029 0.020 0.017 0.017 0.045 0.019 0.02118 0.037 0.027 0.028 0.027 0.030 0.025 0.024 0.024 0.021 0.020 0.02219 0.033 0.030 0.027 0.030 0.033 0.021 0.021 0.022 0.021 0.021 0.02420 0.094 0.047 0.020 0.040 0.046 0.032 0.031 0.049 0.039 0.036 0.034

176

TABLEAU B.12 – pH

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 7.36 7.33 7.50 7.07 7.38 7.44 7.32 7.42 7.36 7.342 6.70 7.12 7.20 7.51 6.96 7.17 7.39 7.30 7.49 7.26 7.363 7.21 7.15 7.26 7.50 6.94 7.33 7.35 7.23 7.49 7.35 7.414 6.94 7.26 7.37 7.51 7.14 7.36 7.43 7.27 7.52 7.25 7.335 6.80 7.16 7.34 7.53 7.05 7.34 7.43 7.27 7.46 7.02 7.376 7.22 7.21 7.33 7.51 6.97 7.30 7.41 7.18 7.49 6.92 7.397 7.14 7.30 7.29 7.49 7.03 7.24 7.40 7.03 7.44 7.37 7.358 7.18 7.25 7.37 7.50 7.14 7.40 7.31 7.30 7.54 7.39 7.339 7.18 7.30 7.37 7.51 7.04 7.37 7.43 7.34 7.48 7.44 7.3610 7.00 7.25 7.32 7.51 7.05 7.35 7.42 7.23 7.35 7.33 7.3011 7.09 7.25 7.35 7.47 7.11 7.34 7.40 7.28 7.30 7.34 7.3012 7.19 7.22 7.38 7.47 7.24 7.14 7.28 7.32 7.54 7.27 7.2813 7.25 7.25 7.27 7.46 7.01 7.29 7.46 7.28 7.50 7.32 7.3014 7.19 7.19 7.26 7.49 6.92 7.22 7.16 7.16 7.53 7.27 7.2815 7.22 7.24 7.29 7.49 7.12 7.29 7.46 7.27 7.54 7.35 7.2816 7.12 6.72 7.13 7.46 6.95 7.25 7.43 7.40 7.53 7.22 7.4417 7.23 7.25 7.37 7.53 7.14 7.34 7.43 7.23 7.54 7.30 7.3618 7.16 7.25 7.37 7.48 7.03 7.37 7.43 7.27 7.55 7.38 7.2719 7.23 6.48 7.24 7.51 6.92 7.34 7.28 7.40 7.46 7.17 7.3920 7.18 7.13 7.30 7.50 7.10 7.25 7.38 7.34 7.53 7.27 7.35

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 7.14 7.23 7.48 7.30 7.29 7.25 7.09 7.05 7.12 7.55 7.462 7.27 7.27 7.37 7.24 7.34 7.11 7.00 7.04 7.50 7.51 7.523 7.19 7.29 7.53 7.28 7.23 7.30 7.06 7.00 7.21 7.54 7.484 7.17 7.32 7.44 7.21 7.21 7.25 7.05 7.04 7.40 7.50 7.445 7.19 7.30 7.47 7.29 7.20 7.25 7.13 7.04 7.33 7.51 7.406 7.22 7.27 7.48 7.25 7.20 7.29 7.10 7.04 7.33 7.39 7.457 7.27 7.23 7.47 7.25 7.30 7.23 7.18 7.09 7.46 7.56 7.528 7.19 7.36 7.51 7.30 7.31 7.25 7.10 7.11 7.44 7.48 7.449 7.23 7.32 7.48 0.00 7.29 7.25 7.08 7.10 7.43 7.44 7.4610 7.19 7.23 7.43 7.26 7.15 7.25 7.08 7.06 7.36 7.16 7.4911 7.22 7.32 7.46 7.31 7.20 7.20 7.04 7.04 7.36 7.49 7.4612 7.23 7.28 7.50 7.25 7.33 7.24 7.09 7.10 7.43 7.54 7.5513 7.26 7.30 7.43 7.22 7.30 7.24 7.05 7.03 7.34 7.53 7.4914 7.26 7.18 7.48 7.24 7.35 7.24 7.05 7.10 7.43 7.51 7.5415 7.23 7.32 7.45 7.17 7.29 7.28 7.04 7.11 7.38 7.55 7.5116 7.35 7.16 7.35 7.12 7.36 7.10 7.05 7.04 7.48 7.50 7.5617 7.23 7.29 7.48 7.25 7.33 7.33 7.11 7.07 7.32 7.49 7.4818 7.17 7.23 7.48 7.28 7.20 7.20 7.06 7.05 7.44 7.44 7.4619 7.44 7.27 7.24 7.03 7.32 6.95 7.10 7.00 7.62 7.46 7.4920 7.31 7.28 7.59 7.17 7.25 7.25 7.08 6.80 7.10 7.37 7.49

177

TABLEAU B.13 – Conductivité (𝜇S/cm)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 145 129 166 162 117 156 157 184 164 1672 184 142 130 166 161 118 148 162 182 156 1733 184 138 130 166 162 117 156 164 184 156 1634 185 145 129 166 162 118 157 163 182 156 1675 185 145 129 166 162 117 158 157 181 156 1686 184 145 129 165 161 116 157 157 181 161 1697 175 143 126 163 160 118 152 154 181 155 1758 182 144 129 166 161 121 152 157 181 156 1689 180 145 128 165 162 122 155 164 181 156 16910 183 145 129 166 161 118 162 157 181 156 17011 187 149 126 158 161 117 157 163 180 156 16612 175 142 128 166 161 119 154 156 180 156 17013 164 138 127 159 160 117 153 156 179 156 16914 166 143 125 160 160 118 149 156 179 156 16815 159 136 127 159 160 118 163 156 179 156 17016 165 142 126 162 159 120 150 161 179 156 17917 185 146 128 162 159 123 157 156 177 162 17218 185 145 128 165 161 118 156 156 180 157 17219 157 148 127 149 158 123 156 162 175 162 18220 163 142 127 151 160 119 155 154 176 157 174

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 182 224 199 208 214 183 182 184 211 202 1672 186 217 207 208 214 181 180 182 210 198 1773 186 227 201 208 212 184 181 186 209 193 1794 183 223 200 212 215 182 182 184 211 198 1665 184 224 200 212 214 181 181 186 212 199 1676 182 221 203 212 215 182 180 185 210 201 1597 183 223 206 207 215 183 182 184 213 201 1778 183 223 199 210 212 183 180 183 212 196 1789 183 223 198 - 218 183 181 184 208 197 17710 182 223 204 211 215 183 182 182 210 186 16611 186 224 202 208 216 182 180 185 211 196 16612 175 222 204 215 214 181 182 185 209 206 17613 179 222 204 214 215 182 182 185 212 202 17914 174 219 207 221 216 182 181 185 211 205 17615 179 221 205 216 216 183 182 185 210 204 17716 174 214 218 211 217 183 180 180 213 209 17617 175 223 206 212 217 182 181 184 222 200 16718 173 221 198 214 218 182 183 186 213 200 16019 176 217 210 212 216 172 180 180 208 213 17620 170 224 210 209 210 180 182 184 214 215 178

178

TABLEAU B.14 – Turbidité (UTN)

Campagne de prélèvementPoint 1 2 3 4 5 6 7 8 9 10 11

1 - 0.08 0.12 0.12 0.11 0.13 0.13 0.39 0.11 0.12 0.182 0.11 0.08 0.12 0.10 0.11 0.21 0.13 0.14 0.12 0.12 0.133 0.11 0.12 0.12 0.11 0.10 0.14 0.12 0.14 0.16 0.13 0.144 0.13 0.08 0.13 0.13 0.10 0.11 0.13 0.15 0.11 0.11 0.135 0.13 0.11 0.11 0.11 0.10 0.14 0.12 0.17 0.12 0.13 0.146 0.11 0.09 0.13 0.13 0.11 0.12 0.11 0.15 0.15 0.13 0.157 0.13 0.12 0.13 0.18 0.14 0.15 0.14 0.16 0.13 0.14 0.178 0.16 0.13 0.16 0.16 0.13 0.12 0.14 0.17 0.15 0.15 0.169 0.26 0.12 0.16 0.16 0.14 0.14 0.17 0.19 0.17 0.17 0.2110 0.15 0.13 0.15 0.15 0.13 0.15 0.14 0.20 0.15 0.19 0.1911 0.72 0.72 0.57 0.57 0.17 0.17 0.20 0.21 0.22 0.18 0.2112 0.14 0.11 0.12 0.12 0.12 0.15 0.16 0.15 0.14 0.17 0.2113 0.52 0.38 1.62 0.26 0.19 0.21 0.15 0.21 0.16 0.17 0.2114 0.33 0.30 0.17 0.16 0.14 0.14 0.17 0.20 0.15 0.16 0.2115 1.36 0.63 1.23 0.25 0.15 0.23 0.17 0.22 0.18 0.20 0.2316 0.43 0.24 0.18 0.15 0.16 0.19 0.20 0.20 0.17 0.15 0.2417 0.32 0.26 0.16 0.16 0.16 0.16 0.24 0.20 0.21 0.14 0.1818 0.25 0.21 0.17 0.17 0.14 0.14 0.20 0.20 0.20 0.20 0.2919 0.44 0.52 0.31 0.36 0.29 0.26 0.31 0.30 0.29 0.44 0.4020 0.58 0.43 0.26 0.18 0.71 0.68 0.15 0.70 0.47 0.55 0.20

Campagne de prélèvementPoint 12 13 14 15 16 17 18 19 20 21 22

1 0.20 0.16 0.21 0.15 0.14 0.11 0.11 0.13 0.13 0.21 0.182 0.13 0.13 0.13 0.12 0.12 0.11 0.11 0.13 0.12 0.13 0.183 0.12 0.13 0.11 0.12 0.12 0.11 0.12 0.14 0.12 0.15 0.174 0.12 0.12 0.11 0.11 0.12 0.12 0.11 0.11 0.12 0.12 0.155 0.13 0.13 0.13 0.13 0.13 0.12 0.11 0.12 0.13 0.12 0.156 0.13 0.14 0.12 0.11 0.19 0.18 0.20 0.28 1.13 0.29 0.167 0.17 0.14 0.12 0.13 0.14 0.16 0.13 0.14 0.15 0.20 0.168 0.16 0.14 0.13 0.15 0.16 0.14 0.22 0.17 0.14 0.16 0.139 0.15 0.16 0.15 - 0.17 0.14 0.12 0.14 0.14 0.14 0.1610 0.18 0.20 0.15 0.15 0.16 0.15 0.12 0.15 0.18 0.20 0.1911 0.14 0.15 0.13 0.16 0.15 0.12 0.13 0.12 0.12 0.16 0.1612 0.19 0.19 0.15 0.12 0.13 0.15 0.12 0.16 0.12 0.20 0.8713 0.19 0.18 0.16 0.14 0.13 0.14 0.13 0.14 0.13 0.18 0.1714 0.18 0.18 0.15 0.13 0.19 0.15 0.13 0.12 0.14 0.20 0.1715 0.21 0.19 0.16 0.16 0.16 0.24 0.14 0.14 0.20 0.25 0.1816 0.24 0.19 0.17 0.15 0.20 0.22 0.13 0.14 0.15 0.20 0.1717 0.17 0.16 0.23 0.12 0.15 0.25 0.13 0.12 0.74 0.20 0.1418 0.35 0.28 0.20 0.19 0.15 0.20 0.17 0.21 0.15 0.16 0.2119 0.38 0.37 0.23 0.25 0.20 0.16 0.16 0.17 0.18 0.22 0.2220 2.94 0.87 0.15 0.49 0.40 0.32 0.31 0.84 0.47 0.29 0.29

179

Annexe C

Scénarios hydrauliques : simulationdu TDS et chemins hydrauliques

Les figures présentées dans l’annexe C représentent les résultats bruts des simulationsévoquées au chapitre 3 sans la comparaison au scénario de référence établi dans ce chapitre.Ces résultats sont présentés sous forme de figure étant donné le volume important associé àla présentation de l’ensemble des données numériques de ces simulations. Des fichierscontenant l’ensemble des données associées à ces simulations seront mis à la disposition deGeneviève Pelletier et de Manuel Rodriguez lors du dépôt final de cette thèse.

181

F C.1 – Temps de séjour des scénarios de vieillissement global a) augmentation desdébits de 10% b) augmentation des débits de 20%

F C.2 – Chemins hydrauliques des scénarios de vieillissement global a) augmentationdes débits de 10% b) augmentation des débits de 20%

182

F C.3 – Temps de séjour des scénarios de vieillissement local a) augmentation des débitsde 10% b) augmentation des débits de 20%

F C.4 – Chemins hydrauliques des scénarios de vieillissement local a) augmentation desdébits de 10% b) augmentation des débits de 20%

183

F C.5 – Temps de séjour des scénarios de réhabilitation a) totale b) locale c) ossature

F C.6 – Chemins hydrauliques des scénarios de réhabilitation a) totale b) locale c) ossature

184