ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA ppsx

Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 137 ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA APPLYING ARTIFICIAL NEURAL NETWORKS SOFTWARE FOR FLOODING PREDICTION IN THU BON – VU GIA RIVERS SVTH: PHAN TẤN PHÁT Lớp: 03X2C, Khoa XDTLTĐ, Trường ĐHBK,ĐHĐN DHKH: GS.TS NGUYỄN THẾ HÙNG. Khoa XDTLTĐ, Trường Đại học Bách khoa, ĐHĐN TÓM TẮT: Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo (ANNs) để dự báo lũ ở hạ lưu sông Thu Bồn – Vu Gia. Phầ n mề m ANNs có thể đượ c sử dụ ng tố t như mộ t công cụ trong việ c dự bá o lũ mà căn nguyên củ a kỹ thuậ t nà y đượ c m ô phng theo hoạt đng ca b no con ngườ i chứ a hà ng tỉ neurons v ới các mi quan h ni liền nhau ; khả năng dự báo, mô phng ca mô hình là dựa vào khả năng học những kinh nghim trong quá khứ. Đề tài so sánh s liu tính toán và dự báo lũ trên hạ lưu sông Thu Bồn – Vu Gia cho thấy có sự phù hợp tt; và đề nghị áp dụng phần mềm ANNs trong vic dự báo lũ trên các sông ca khu vực miền Trung. ABSTRACT: In this paper, author applly Artificial Neural Networks (ANNs) software to simulate and predict flood in downstream Thu Bon – Vu Gia Rivers. ANNs softwares can be used as a good tool to predict flood in rivers that the origin of this technique can be traced to the functioning of the human brain which contains billions of neurons and their interconnection based on learning abilities from past experiences. This paper compare the calculation results by data collections in downstream Thu Bon – Vu Gia rivers with a best agreement; and author suggest to use ANNs software for predicting flood in many other rivers of central Viet Nam. 1. Đặt vấn đề 1.1. Tổng quan các phương pháp dự báo lũ trên sông hiện nay Hiện nay có nhiều mô hình dự báo lũ trên mạng lưới sông; trong số đó có thể chia làm hai nhóm chính là: - mô hình thuỷ lực thường chính xác hơn, nhưng cần phải có đầy đủ các số liệu đầu vào như địa hình, độ nhám lòng dẫn - mô hình thuỷ văn không đòi hỏi số liệu đầu vào đầy đủ như mô hình thuỷ lực, nhưng bị hạn chế khi có sự thay đổi địa hình, độ nhám lòng dẫn mà mô hình chưa thể hiệu chỉnh về ảnh hưởng của nó; cũng như tác động của biên hạ lưu. 1.2. Lựa chọn mô hình toán dự báo Nhiều lúc trong tính toán dự báo, không có được đầy đủ các số liệu địa hình, nên không thể áp dụng các mô hình thuỷ lực. Do đó phải sử dụng các mô hình thuỷ văn để dự báo. Trong bài báo nầy, tác giả thử áp dụng mạng ANNs để dự báo mực nước lũ hạ lưu sông. Với mô hình mạng thần kinh nhân tạo có một số ưu điểm và nhược điểm như sau: a. Ưu Điểm: - ANNs có khả năng “họ c” cá c mố i quan hệ giữ a cá c biế n đầ u và o và đầ u ra khi cá c quy luậ t tự nhiên đượ c ưu tiên là không đượ c biế t đế n hoặ c không đượ c biế t mộ t cá ch chính xác. - ANNs là mộ t công cụ hữ u í ch trong việ c mô phỏ ng cá c quá trình phc tạp. Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 138 - Các thut toán thì đơn giản và không cần giải các phương trình vi phân tng phần phứ c tạ p vớ i cá c bà i toá n kè m theo giố ng như tính không ổ n định củ a cá c thuậ t toá n. - ANNs là m việ c tố t mộ t khi cá c tậ p hợ p luyệ n là không đầ y đủ hoặ c chứ a nhiễ u. - ANNs có khả năng phỏ ng theo cá c giả i phá p vượ t thờ i gian. - Mộ t khi mạ ng đã đượ c luyệ n thì nó đượ c sử dụ ng mộ t cá ch dể dà ng. b. Nhược Điểm: - ANNs yêu cầ u dữ liệ u phả i đầ y đủ cả về số lượ ng lẫ n chấ t lượ ng . Đây là yêu cầ u quan trọ ng vớ i tấ t cả kỹ thuậ t mô phỏ ng và ANNs không thể bị loạ i bỏ . - Các cách hướng dẫn để chn cấu trúc mạng cho ph hợp với các bài toá n cũ ng không đượ c tìm thấ y. 2. Cơ sở lý thuyết của mô hình 2.1. Lan truyề n tiế n củ a ANNs Quá trình lan truyền tiến tính giá trị các nút xuất t mẫu nhp vào mạng. Tiế n trình nà y đượ c sử dụ ng trong hai tình huố ng: khi luyệ n mạ ng và khi sử dụ ng mạ ng. Khi luyệ n mạ ng, lan truyề n tiế n đượ c sử dụ ng lặ p đi lặ p lạ i từ mẫ u nà y đế n mẫ u khá c từ thế hệ nà y sang thế hệ khác cho đến khi trng số đạt đến giá trị thích hợp . Trái lại, khi sử dụ ng mạ ng lan tru yề n tiế n chỉ được thực thi một lần cho tng mẫu nhp Tuy nhiên, d trong trạng thái luyện mạng hay sử dụ ng mạ ng, các thao tác trong thủ tục lan truyến tiến là như nhau. Một mạng lan truyền tiến của ANNs có một lớp nhp (lớp input), một lớp xuất (lớp output) và một hoặc nhiều lớp ẩn ở giữa lớp nhp và lớp xuất. Mỗi neuron trong một lớp thì kết nối đến tất cả các neuron của lớp kế tiếp ngay sau nó và các neuron trong cng một lớp không liên kết với nhau. Một neuron đặc trưng được thể hiện trong hình 2. Mỗi neuron nhn tín hiệu t mỗi neuron trong lớp liền trước. Mỗi neuron trong lớp ẩn và lớp xuất, mỗi nút nhp thì được nhân với các trng số của cung liên kết giữa nút nhp và nút ẩn, tích số của chúng được cộng dồn lại. Kế tiếp, một hàm truyền được áp dụng trên tổng trng hóa này cng với một ngưỡng của nút ẩn đó để cho ra giá trị thực của nút ẩn. Các trng số được đưa đến neuron th J th trong một lớp có dạng vectơ trng W j = (w 1j ,…w ij ,…,w nj ), với w ij là trng số của cung liên kết t neuron th i th trong lớp liền trước đến neuron trong lớp hiện tại. Sau khi nén tổng trng hóa của nó, đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả các nút xuất. Output Variables Output Layer Hidden Layer Input Layer Input Variables j y j b j Xn Xi X 2 X 1 Hình 1 Hình 2 Hình 1: Biểu đồ thể hiện mạng lan truyền tiến 3 lớp của ANNs Hình 2: Quá trình hoạt động của một nút đặc trưng của ANNs Mỗi nút xuất thực hiện các thao tác tương tự như đã thực hiện trong nút ẩn để cho ra giá trị kết xuất của nút xuất. Gía trị của các nút xuất chính là giá trị thực, nghĩa là giá trị của các biến phụ thuộc cần xác định. Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 139 Hầu hết người ta thường sử dụng hàm truyền mà về mặt hình hc, đồ thị của nó có dạng đường cong dạng chữ S tăng đều đặn, được gi là hàm Sigmoid hay hàm logistic. Hàm logistic có các đặc điểm sau: + Hàm truyền là hàm bị chặn. + Hàm truyền là hàm đơn điệu tăng. + Hàm truyền là hàm liên tục và trơn. Về mặt toán hc, hàm logistic được định nghĩa như sau: 1 y 1 1 j z e   (1) Với z = w ij Chàûn dæåïi Chàûn trãn 0.5 f(x) 1 0 -15 -10 -5 15105 Hình 3 : Hàm logistic 2.2. Sự chuẩn hóa dữ liệu Trước khi áp dụng ANNs, dữ liệu đầu vào phải được chuẩn hóa rơi vào trong khoảng [0,1]. Một biến tượng trưng là lưu lượng Q, biên này có thể thay đổi t 0 đến một vài giá trị lớn nhất Q max có thể được chuẩn hóa bởi công thưc sau : Q s = Q/Q max Với Q s là lưu lượng chuẩn hóa. 2.3. Thuật toán lan truyền ngược sai số Thut toán lan truyền ngược sai số (BP) dựa vào việc khái quát các quy lut delta đã được đưa ra bởi Rumelhart (1986) để hiệu chỉnh các trng số của các cung liên kết trong quá trình luyện mạng. Lan truyền ngược là một phương pháp cho phép xác định tp trng tốt nhất của mạng giải một bài toán được cho. Việc áp dụng phương pháp lan truyền ngược là một quá trình lặp đi lặp lại nhiều lần hai tiến trình chính: lan truyền tiến để thực hiện ánh xạ và lan truyền ngược sai số để cp nht các trng. Các trng của mạng là các hệ số của mô hình. Phương pháp giảm gradient được dng để cp nht những hệ số này sao cho giảm thiểu sai số của mô hình. Sai số được đo bằng phương pháp sai số trung bình bình phương là phương pháp thường được sử dụng để xây dựng các mô hình. Sai số trung bình bình phương thường được sử dụng để đo lường sự trng khớp giữa ánh xạ cần xây dựng với hàm đích được cho trước (qua tp mẫu). Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 140 2 11 () Nm pn pn pn E T O    (3) Với T pn là giá trị đích của neuron th n th của mẫu th p th ; O pn là giá trị đầu ra của neuron th n th của mẫu th p th ; N là tổng số mẫu ; m là tổng số neuron đầu ra. Tăng trng số của các nút kết nối t i đến j ở bước lan truyền th n, Δw ij (n) được tính bởi công thc: ** ij ij ij w ( ) w ( 1) w E nn          (4) Với α và ε là hệ số momen và tốc độ hc. * Bắt đầu tính toán với giá trị ban đầu của các trng số.Các bước của thut toán như sau: + Bước 1: Thực hiện các bước t 2-9 cho đến khi ngng các điều kiện là ph hợp. + Bước 2: Đối với mỗi cặp luyện của tp dữ liệu, tiến hành các bước t 3-8. (1) Lan truyền tiến: + Bước 3: Mỗi neuron đầu vào (X i , I = 1, 2, …, n) nhn tín hiệu đầu vào x i và gửi nó đến tất cả các nút trong lớp kế tiếp (lớp ẩn). + Bước 4: Mỗi neuron trong lớp ẩn (Z j, j = 1, 2, …, p) cộng tổng các trng số của tín hiệu đầu vào. Zin j = v oj + ∑x i v ij với i = 1, 2, ….,n (5) Với v ij các trng số của cung liên kết V oj là giá trị nghiêng Hàm hoạt động thì được áp dụng để tính giá trị đầu ra. Z j = f(Zin j ) (6) + Bước 5: Mỗi neuron trong lớp xuất (Y k , k = 1, 2, ….,m) cộng tổng các trng số của tín hiệu đầu vào. Yin k = w ok + ∑z i w ij với j = 1, 2, , p (7) Tiếp tục hàm hoạt động được áp dụng để tính giá trị đầu ra. Y k = f(Yin k ) (8) (2) Lan truyền ngược sai số + Bước 6: Mỗi neuron trong lớp xuất (Y k , k = 1, 2, …, m) tính sai số sử dụng mẫu đích ph hợp với các mẫu luyện đầu vào. δ k = (t k – y k ).f(Yin k ) (9) Tính số hạng hiệu chỉnh trng số (để cp nht w ij ) w jk k j Z     (10) Tính số hạng hiệu chỉnh độ dốc (để cp nht w ok cuối cng) w. ok k     (11) Và gửi δ k đến các nút trong lớp liền trước. + Bước 7: Mỗi nút trong lớp ẩn (Z j , j = 1, 2, …, p) cộng tổng delta đầu vào (t các nút trong lớp kế tiếp) Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 141 w j k jk in    với k = 1, 2, …, m (12) Được nhân bởi đạo hàm của hàm hoạt động để tính số hạng sai số. . ( ) j j j in f Zin   (13) Tính số hạng hiệu chỉnh trng số (được sử dụng để cp nht v ij sau): ij . jj vx     (14) Và tính số hạng hiệu chỉnh độ giảm dốc (được sử dụng để cp nht v j sau): oj . j v   (15) (3) Cp nht các trng số và độ dốc: + Bước 8: Mỗi neuron trong lớp xuất, Y k , k = 1, 2, …, m, cp nht độ giảm dốc và trng số (j = 0, 1, …, p): w ( ) w ( ) w jk jk ik new old   (16) Mỗi nút ẩn (Z j , j = 1, 2, …, p) cp nht độ giảm dốc và trng số (i = 1, 2, …, n): ij ij ( ) ( ) ij new v old vv    (17) + Bước 9. Kiểm tra lại nếu các điều kiện ngng là an toàn 2.4. Các yêu cầu chung cho các file đầu vào Nhóm tài liệu thủy văn: 1. Thời đoạn tính toán: liệt tài liệu thu thp được và thời gian đo đạt mực nước hạ lưu sông cần dự báo. 2. Các điều kiện biên gồm: a. Các điều kiện biên trên: - Lưu lượng thượng nguồn sông - Lượng mưa thượng nguồn sông b. Các điều kiện biên dưới: mực nước tại vị trí cần dự báo 2.5. Kiểm soát kết quả đầu ra của mô hình Đầu ra của mô hình là mực nước dự báo lũ do mô hình tính tại hạ lưu sông Thu Bồn và sông Vu Gia 3. Áp dụng mô hình mạng thần kinh nhân tạo (ANNs) để dự báo lũ trên sông Thu Bồn – Vu Gia 3.1. Điều kiện địa lý tự nhiên lưu vực sông Thu Bồn và sông Vu Gia Lưu vực hệ thống sông Thu Bồn – Vu Gia có vị trí địa lý nằm trong khoảng 14 o 56 đến 16 o 05, 107 o 13 đến 108 o 28 kinh độ Đông, diện tích lưu vực khoảng 10350km 2 , hệ thống sông có hai cửa là Cửa Đại ở Hội An thuộc Quảng Nam và Của Hàn ở Đà Nẵng. Địa hình chủ yếu là đồi núi chiếm 2/3 diện tích, phần còn lại là đồng bằng nhỏ hẹp chạy dc ven biển. Điah hình thấp dần t Tây sang Đông. 3.2. Dự báo lũ trên sông Thu Bồn và sông Câu Lâu bằng mô hình mạng thần kinh nhân tạo 3.2.1. Điều kiện biên a. Biên lưu lượng Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 142 Lưu lượng nước thượng nguồn sông Thu Bồn và sông Câu Lâu tại trạm đo Nông Son và trạm Thành Mỹ. b. Biên lượng mưa Lượng mưa thượng nguồn sông Thu Bồn và sông Câu Lâu tại trạm đo Thành Mỹ và trạm Nông Sơn trong thời đoạn tính toán. c. Biên mực nước Mực nước hạ lưu sông tại vị trí cần dự báo tương ng với lưu lượng và lượng mưu ở thượng nguồn sông. Hình 7:Cột nước đo tại hạ lưu sông Vu Gia Hình 8:Cột nước đo tại hạ lưu sông Thu Bồn 3.2.2. Kết quả chạy mô hình Hình 9 Hình 10 Hình 9: Cột nước giữa thực đo và mô hình tính tại hạ lưu sông Vu Gia; Hình 10: Cột nước giữa thực đo và mô hình tính tại hạ lưu sông Thu Bồn. 4. Kết luận và kiến nghị 4.1. Kết luận Việc ng dụng phần mềm ANNs vào trong dự báo lũ gặp rất nhiều thun lợi. Nó có khả năng dự báo lũ ở hạ lưu sông tương đối chính xác chỉ dựa vào tài liệu thủy văn mà không cần tài liệu về địa hình địa chất. Qua kết quả chạy mô hình ta thấy, đường quá trình mực nước lên xuống tại hạ lưu sông Thu Bồn và sông Vu Gia giữa thực đo và tính toán là tương đối ph hợp. 4.2. Kiến nghị Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 143 Nước ta là một nước nông nghiệp, luôn chịu ảnh hưởng của thiên tai, hạn hán, lũ lụt liên tục; vì vy “thủy lợi” là vấn đề quan trng trong sự nghiệp phát triển của đất nước. Trong những năm qua ngành Thủy Lợi đã có những thành tích đáng kể trong nghiên cu và áp dụng các tiến bộ khoa hc kỹ thut trong xây dựng công trình. Tuy nhiên, một số lĩnh vực tính toán vẫn còn yếu. Công nghệ khảo sát, dự báo lũ của ta còn nhiều hạn chế. Vì vy cần đưa phần mềm ANNs vào dự báo lũ trong điều kiện thiếu các tài liệu về địa hình, độ nhám lòng sông… để phục vụ cho công tác xây dựng công trình và phòng chống thiên tai. TÀI LIỆU THAM KHẢO [1] TS Nguyễn Đình Thúc, Hoàng Đc Hải, Giáo trình mạng trí tuệ nhân tạo mạng Nơron phương pháp và ứng dụng, Nhà xuất bản giáo dục năm 2000 [2] Trung tâm quân đội Mỹ, Water resources systems planning and management . kinh nhân tạo (ANNs) để dự báo lũ trên sông Thu Bồn – Vu Gia 3.1. Điều kiện địa lý tự nhiên lưu vực sông Thu Bồn và sông Vu Gia Lưu vực hệ thống sông Thu Bồn – Vu Gia có vị trí địa lý nằm. Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 137 ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA APPLYING. cần dự báo 2.5. Kiểm soát kết quả đầu ra của mô hình Đầu ra của mô hình là mực nước dự báo lũ do mô hình tính tại hạ lưu sông Thu Bồn và sông Vu Gia 3. Áp dụng mô hình mạng thần kinh nhân tạo