Đang tải... (xem toàn văn)
Bài viết Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải trình bày việc xây dựng một mô hình toán dựa trên mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) để dự báo mực nước sông vùng triều và ứng dụng nó phục vụ việc dự báo mực nước ở thượng lưu cống – âu thuyền Cầu Cất trong hệ thống thủy lợi Bắc Hưng Hải.
Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 ỨNG DỤNG MẠNG NƠ-RON LSTM (LONG SHORT-TERM MEMORY NEURAL NETWORKS) DỰ BÁO MỰC NƯỚC TẠI CỐNG - ÂU THUYỀN CẦU CẤT TRONG HỆ THỐNG BẮC HƯNG HẢI Hồ Việt Hùng Trường Đại học Thủy lợi, email: hohung.thuyluc@tlu.edu.vn GIỚI THIỆU CHUNG Trí tuệ nhân tạo (Artificial Intelligence) học máy (Machine Learning - ML) ngày ứng dụng rộng rãi nhiều lĩnh vực khác đời sống ML áp dụng ngành Thủy lợi để dự báo mực nước, lưu lượng dòng chảy sông nhằm cảnh báo lũ lụt, dự báo mực nước cống tưới tiêu kết hợp nhằm giúp cho quy trình vận hành cống an tồn hiệu [3] Trên giới Việt Nam, mơ hình mạng nơ-ron nhân tạo ngày thu hút ý nhà khoa học ứng dụng nhiều nghiên cứu khác khơng u cầu nhiều số liệu đầu vào mà độ xác cao [1], [4] Bài báo trình bày việc xây dựng mơ hình toán dựa mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) để dự báo mực nước sông vùng triều ứng dụng phục vụ việc dự báo mực nước thượng lưu cống – âu thuyền Cầu Cất hệ thống thủy lợi Bắc Hưng Hải Mơ hình sử dụng liệu đầu vào mực nước sông Kim Sơn đo trạm thượng lưu trạm cần dự báo (âu thuyền Cầu Cất) viện Numpy, Pandas, Keras với ngơn ngữ lập trình Python 3.6 sử dụng để thiết lập mô hình mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks), dạng đặc biệt RNN [2] 2.1 Mạng nơ-ron LSTM liệu Mạng nơ-ron LSTM giải tốn có phụ thuộc dài hạn (long-term dependency) Các mơ hình LSTM xuất lần vào năm 1997, sau cải tiến phổ biến rộng rãi [2], [3] Tác giả báo thiết kế mơ hình LSTM để dự báo mực nước sông cống ngăn mặn, chịu ảnh hưởng thủy triều Dữ liệu thu thập phục vụ cho việc dự báo mực nước thực đo lần thượng lưu cống: Tranh, Bá Thủy, Cầu Cất thời gian 19 năm, từ ngày 1/1/2000 đến ngày 30/11/2018 Số liệu đo đạc xử lý đánh giá hệ số tương quan r, đối chiếu mực nước trạm đo với mực nước thượng lưu cống Cầu Cất (xem Bảng 1) Hệ số tương quan mực nước hạ lưu cống Cầu Cất không cao nên chuỗi số liệu không sử dụng cho dự báo PHƯƠNG PHÁP NGHIÊN CỨU Bảng Hệ số tương quan (r) liệu TT Các mơ hình RNN dựa mối quan hệ liệu đầu vào đầu để học quy luật khứ từ đưa dự báo tương lai Trong nghiên cứu này, thư viện phần mềm mã nguồn mở, thư 305 Tên trạm đo Hệ số r Thượng lưu cống Cầu Cất Hạ lưu cống Cầu Cất 0,41 Thượng lưu cống Tranh 0,96 Thượng lưu cống Bá Thủy 0,98 Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 Tác giả sử dụng chuỗi liệu mực nước thực đo bước thời gian gần (48 giờ) để dự báo mực nước thượng lưu cống Cầu Cất cho giờ, 12 giờ, 18 24 tương lai, 48 gần tác động tới kết dự báo nhiều Các số liệu trước bổ sung thêm thơng tin Tập liệu đầu vào chia thành phần với mục đích khác Phần thứ chuỗi 26056 số liệu đo đạc 18 năm (từ 01/1/2000 đến 31/10/2017), dùng để hiệu chỉnh mơ hình nhằm chọn thông số tốt Phần thứ hai chuỗi số liệu đo năm, từ ngày 01/11/2017 đến ngày 31/10/2018 dùng để kiểm định mô hình Phần thứ ba chuỗi số liệu từ ngày 01/11/2018 đến ngày 4/11/2018 sử dụng làm liệu đầu vào để chạy thử mơ hình nhằm kiểm tra lần cm cho tất trường hợp dự báo, dự báo 6h sai số nhỏ cm Thời gian xuất đỉnh lũ dự báo trùng với thực đo Kết kiểm định mơ hình tương đối tốt Mơ hình sẵn sàng cho việc dự báo mực nước Bảng Kết kiểm định mơ hình dự báo mực nước (MN) Thời Số Số Số MAE gian trạm lượng lần lặp (m) dự báo đo MN unit NSE (%) 30 322 0,045 94,9 12 35 344 0,065 89,5 18 35 302 0,076 85,9 24 35 293 0,086 82,2 2.2 Thiết kế mơ hình dự báo Tác giả cho mơ hình chạy với nhiều thông số khác đạt kết tốt nhất, từ lựa chọn thơng số mơ hình dự báo, tóm tắt sau: - Số lượng unit mô đun: 30; 35 - Hệ số học (Learning rate): 0,001 - Bộ tối ưu hóa (Optimizer): Adam - Số lần lặp tối đa (Epoch): 5000 - Các kỹ thuật: Early Stopping, Regularizer Hình So sánh mực nước thực đo năm 2018 với kết dự báo 2.3 Phương pháp đánh giá kết Tác giả báo sử dụng hai trị số: NSE (Nash Sutcliffe Efficiency – hệ số Nash) MAE (Mean Absolut Error – sai số tuyệt đối trung bình) để đánh giá mức độ xác kết dự báo KẾT QUẢ NGHIÊN CỨU 3.1 Kết kiểm định mơ hình Mơ hình kiểm định phần liệu thứ hai Tổng hợp số liệu trường hợp dự báo có kết kiểm định tốt thể Bảng 2, Hình Hình Bảng cho thấy rằng, Hệ số Nash dao động từ 94,9% (dự báo 6h) đến 82,2% (dự báo 24h); Sai số tuyệt đối trung bình 8,6 306 Hình Kết kiểm định mơ hình: dự báo 12 (trái) 24 (phải) Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 Bảng Kết dự báo mực nước kiểm nghiệm mơ hình MN thực đo MN dự báo Số liệu đầu vào (số) (m) (m) Sai số (m) Ngày, Tháng, Năm đo MN Giờ đo MN Thời gian dự báo 3-Nov-2018 1:00 1,39 1,43 0,04 3-Nov-2018 7:00 12 1,33 1,40 0,07 3-Nov-2018 13:00 18 1,36 1,42 0,06 3-Nov-2018 19:00 24 1,40 1,43 0,03 3.2 Kết dự báo kiểm nghiệm TÀI LIỆU THAM KHẢO Nhằm mục đích chạy thử mơ hình, tác giả sử dụng số liệu mực nước ngày 01/11/2018 02/11/2018 để dự báo mực nước thượng lưu cống Cầu Cất lúc 1h, 7h, 13h 19h ngày 03/11/2018 Kết dự báo so sánh với số liệu thực đo nhằm kiểm nghiệm mơ hình lần Bảng cho thấy: sai số tuyệt đối dao động từ cm đến cm, nhỏ; sai số lớn xảy xuất chân triều, lúc 7h Mực nước dự báo có xu lớn thực đo KẾT LUẬN Trong báo này, tác giả trình bày việc xây dựng mơ hình LSTM ứng dụng để dự báo mực nước thượng lưu cống Cầu Cất với liệu đầu vào mực nước sông Kim Sơn hệ thống Bắc Hưng Hải Sản phẩm nghiên cứu files, người sử dụng chạy file để dự báo mực nước thượng lưu cống Cầu Cất cho giờ, 12 giờ, 18 24 giờ, sau nhập số liệu mực nước 48 trước Mơ hình mà tác giả đề xuất cho kết có độ xác cao ổn định, dự báo mực nước cống bị ảnh hưởng thủy triều, giúp cho việc vận hành cống hiệu quả, an toàn [1] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018) “Ứng dụng mạng thần kinh nhân tạo dự báo lưu lượng dòng chảy sông Hồng Sơn Tây dựa liệu thượng lưu” Tuyển tập cơng trình Hội nghị Khoa học Cơ học Thủy khí tồn quốc lần thứ 21, trang 292-301 [2] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018) “Xây dựng mơ hình mạng nơ-ron hồi quy dựa phần mềm mã nguồn mở để dự báo lưu lượng dòng chảy” Tuyển tập Hội nghị Khoa học thường niên năm 2018, Đại học Thủy lợi, trang 560-562 [3] Hồ Việt Tuấn, Hồ Việt Hùng (2019) “Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng thủy triều” Tạp chí Khoa học công nghệ Thủy lợi, Viện Khoa học Thủy lợi Việt Nam, số 52, trang 108-116 [4] Xuan-Hien Le, Hung Viet Ho, Giha Lee, Sungho Jung (2019) “Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting” Water, MDPI, 11, 1387; doi:10.3390/w11071387 https://doi.org/10.3390/w11071387 307 ... lúc 7h Mực nước dự báo có xu lớn thực đo KẾT LUẬN Trong báo này, tác giả trình bày việc xây dựng mơ hình LSTM ứng dụng để dự báo mực nước thượng lưu cống Cầu Cất với liệu đầu vào mực nước sông... 97 8-6 0 4-8 2-2 98 1-8 Tác giả sử dụng chuỗi liệu mực nước thực đo bước thời gian gần (48 giờ) để dự báo mực nước thượng lưu cống Cầu Cất cho giờ, 12 giờ, 18 24 tương lai, 48 gần tác động tới kết dự. .. sông Kim Sơn hệ thống Bắc Hưng Hải Sản phẩm nghiên cứu files, người sử dụng chạy file để dự báo mực nước thượng lưu cống Cầu Cất cho giờ, 12 giờ, 18 24 giờ, sau nhập số liệu mực nước 48 trước