Bài viết nghiên cứu ứng dụng mạng thần kinh nhân tạo xây dựng mô hình lún của điểm quan trắc bề mặt đập dựa vào số liệu đo của các chu kỳ trước đó, từ đó dự báo lún cho một số chu kỳ tiếp theo.
Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 60, Kỳ (2019) 59 - 66 59 Ứng dụng mạng thần kinh nhân tạo dự báo độ lún cơng trình thủy điện Phạm Quốc Khánh 1*, Nguyễn Văn Mạnh Khoa Trắc địa Bản đồ Quản lý Đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam Công ty Cổ phần Trắc địa thiết bị MP, Việt Nam THƠNG TIN BÀI BÁO TĨM TẮT Quá trình: Nhận 03/05/2019 Chấp nhận 10/08/2019 Đăng online 30/08/2019 Không Việt Nam, với số nước phát triển cơng trình thủy điện Lào, Campuchia, công tác dự báo chuyển dịch biến dạng đập thủy điện chưa trọng nên việc cảnh báo tình trạng đập khơng cập nhật gây thảm họa đập bị vỡ Quan trắc chuyển dịch biến dạng đập thủy điện chia thành hai dạng quan trắc bề mặt quan trắc lõi đập, quan trắc bề mặt đập thực chủ yếu phương pháp trắc địa đo theo chu kỳ, xây dựng hệ thống quan trắc liên tục phức tạp tốn Việc dự báo chuyển dịch biến dạng đập dựa số liệu quan trắc theo chu kỳ có vai trò quan trọng, góp phần cảnh báo nguy đập xảy cố, giảm thiểu thiệt hại cải người hạ lưu Bài báo nghiên cứu ứng dụng mạng thần kinh nhân tạo xây dựng mơ hình lún điểm quan trắc bề mặt đập dựa vào số liệu đo chu kỳ trước đó, từ dự báo lún cho số chu kỳ Kết thực nghiệm xây dựng mơ hình lún cho đập thủy điện Yaly rằng, mơ hình mạng thần kinh nhân tạo có độ xác tốt, giá trị dự báo sát với giá trị đo, điều chứng tỏ sử dụng mơ hình dự báo độ lún đập thủy điện Từ khóa: ANN - BP Quan trắc lún Dự báo lún Đập thủy điện © 2019 Trường Đại học Mỏ - Địa chất Tất quyền bảo đảm Mở đầu Các đập thủy điện lớn nước ta coi cơng trình trọng điểm quốc gia, an tồn đập thủy điện ln đặt lên vị trí hàng đầu xảy cố ảnh hưởng lớn đến đời sống, tính mạng, kinh tế người dân khu vực hạ lưu Việc quan trắc chuyển dịch đập phương _ *Tác giả liên hệ E - mail: phamquockhanh@humg.edu.vn pháp trắc địa phi trắc địa nhiệm vụ bắt buộc trở nên phổ biến cơng trình (Trần Khánh, 2003) Đối với quan trắc bề mặt đập phương pháp trắc địa, chủ yếu quan trắc theo chu kỳ xử lý số liệu sau Công tác dự báo chuyển dịch biến dạng ý tương đối đơn giản sử dụng hàm tốn học có sẵn để mơ chuyển dịch Các phương pháp dự báo động mới, đại phương pháp tự hồi quy, lọc Kalman (Phạm Quốc Khánh, Nguyễn Việt Hà, 2015; Phạm Quốc Khánh, Nguyễn Quốc Long, 2015) 60 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 nghiên cứu gần chưa phổ biến rộng rãi Các nghiên cứu bước đầu đạt số kết tương đối khả quan có hạn chế độ xác dự báo chưa cao xử lý với liệu đầu vào Ứng dụng mạng thần kinh nhân tạo (Artificial Neural Network - ANN) xây dựng mơ hình chuyển dịch dự báo chuyển dịch biến dạng quan tâm nhiều giới gần (Pantazis and Alevizakou, 2013; Fuyang and Yayun, 2014; Narayanakumar and Raja, 2016; Xiaoyu, 2017) Ở Việt Nam, ứng dụng ANN đề cập vài hướng nghiên cứu dự báo động đất, dự báo lượng nước hồ thủy điện (Cao Đình Trọng nnk., 2011); nhiên, chưa thấy tác giả đề cập đến lĩnh vực dự báo độ lún đập thủy điện Chính thế, báo nghiên cứu ứng dụng ANN xây dựng mơ hình dự báo độ lún cho đập thủy điện dựa kết đo lún theo chu kỳ Kết tính tốn sử dụng thuật tốn lan truyền ngược so sánh với liệu đo thực tế để đánh giá độ xác mơ hình với kết dự báo Phương pháp nghiên cứu 2.1 Cấu trúc ANN ANN mơ hình tính tốn mơ theo khả nhận biết người để xử lý thông tin ANN bao gồm nhiều Neural (còn gọi nút hay đơn vị xử lý thông tin) độc lập liên kết với theo cấu trúc định để giải vấn đề cụ thể ANN giống người, huấn luyện (Training) lưu trữ hiểu biết sau huấn luyện để sử dụng tình phù hợp sau Để xây dựng ANN cần xác định thông tin cấu trúc mạng thông tin trọng số neural mạng (Wusheng, 2006) 2.1.1 Cấu trúc Neural Mỗi Neural có chức nhận tín hiệu vào, tổng hợp xử lý tín hiệu vào để tính tín hiệu ra, Hình miêu tả cấu trúc Neural Trong đó: - Tập đầu vào: Là tín hiệu vào (input signals) Neural, tín hiệu thường đưa vào dạng vector N chiều - Tập liên kết: Mỗi liên kết thể trọng số (gọi trọng số liên kết - Synaptic Hình Cấu trúc Neural weight) Trọng số liên kết tín hiệu vào thứ j với Neural k thường kí hiệu wkj Thơng thường, trọng số khởi tạo cách ngẫu nhiên thời điểm khởi tạo mạng cập nhật liên tục trình học mạng - Hàm tổng (Summing function): Thường dùng để tính tổng tích đầu vào với trọng số liên kết - Ngưỡng (còn gọi độ lệch - bias): Ngưỡng thường đưa vào thành phần hàm truyền - Hàm truyền (hay gọi hàm kích hoạt Transfer function): Hàm dùng để giới hạn phạm vi đầu Neural Nó nhận đầu vào kết hàm tổng ngưỡng cho Thông thường, phạm vi đầu Neural giới hạn đoạn [0, 1] [- 1, 1] Các hàm truyền đa dạng, hàm tuyến tính phi tuyến Việc lựa chọn hàm truyền tuỳ thuộc vào toán kinh nghiệm người thiết kế mạng - Đầu ra: Là tín hiệu đầu Neural, với Neural có tối đa đầu 2.1.2 ANN truyền thẳng sử dụng thuật toán lan truyền ngược (Back Propagation - BP) ANN có nhiều loại khác tùy thuộc vào việc phân loại, phân loại theo liên kết lớp có mạng truyền thẳng mạng hồi quy Trong lĩnh vực dự báo chuyển dịch biến dạng cơng trình thường sử dụng mạng lan truyền thẳng nhiều lớp với thuật toán lan truyền ngược (ANN BP) Cấu trúc ANN - BP gồm lớp lớp vào (input layer), lớp (output layer) lớp ẩn (hidden layer) Hình Lớp ẩn kết nối lớp vào lớp ra, thành phần nội mạng, ANN dùng nhiều lớp ẩn có nghiên cứu cần sử dụng lớp ẩn đủ để mô hình hóa hàm (Fuyang and Yayun, Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 61 2014) Mặt khác, chưa có nguyên tắc hướng dẫn lớp ẩn có Neural, việc xác định dựa kinh nghiệm sử dụng phép thử để xác định sai số yếu tố ảnh hưởng đến chuyển dịch biến dạng, liệu đầu ti (Target value) kết mong muốn Để thực việc học, giải thuật thực qua bước: - Đầu vào xi sau nhập vào mạng lan truyền để thu đầu yi; - Sai số (ei=ti - yi) lan truyền ngược lại đầu vào nhằm cập nhật trọng số mạng Để thu mơ hình sát với thực tế nhất, mạng phải thực nhiều vòng lặp nhằm tìm trọng số tối ưu cho mẫu tương ứng Thuật toán BP sử dụng để điều chỉnh trọng số kết nối cho tổng sai số e nhỏ nhất, tức (1) 𝑒 = ∑𝑛𝑖=1(𝑡(𝑥𝑖 , 𝑤) − 𝑦(𝑥𝑖 ))2 = 𝑚𝑖𝑛 Hình Mơ hình ANN lớp truyền thẳng Trong đó: t(xi, w) giá trị tập mẫu; y(xi) giá trị đầu mạng 2.2 Hàm truyền ANN - BP Neural có n ngõ vào, ngõ vào có trọng số tương ứng W, tổng ngõ vào có trọng số ngưỡng tạo nên tín hiệu vào hàm truyền f Neural sử dụng nhiều loại hàm truyền khác để tạo tín hiệu ngõ Các hàm truyền thường sử dụng với ANN - BP gồm hàm tuyến tính purelin (x) - Hình 3a hàm sigmoid, hàm sigmoid có hai dạng logsig(x) Hình 3b tansig(x) - Hình 3c ANN - BP thường sử dụng hàm truyền sigmoid dạng logsig(x) Hàm giới hạn ngõ mạng vùng nhỏ Nếu sử dụng hàm tuyến tính ngõ mạng lấy giá trị 2.3 Xác định trọng số cho neural ANN với giải thuật lan truyền ngược xem giải thuật học có thầy (supervised learning), nghĩa phải có liệu mẫu để mạng học Dữ liệu mẫu bao gồm liệu đầu vào xi Xây dựng mơ hình dự báo độ lún thủy điện Yaly Để minh chứng cho lý thuyết nghiên cứu trên, mơ hình dự báo độ lún cho điểm quan trắc lún thủy điện Yaly xây dựng sở ứng dụng ANN - BP 3.1 Giới thiệu cơng trình thủy điện Yaly Nhà máy thủy điện Yaly xây dựng sơng Sê San với diện tích 20 km2, nằm giáp ranh hai huyện Chư Păh (tỉnh Gia Lai) huyện Sa Thầy (tỉnh Kon Tum), với công suất 720 MW điện lượng bình quân nhiều năm khoảng 3,68 tỉ KWh/năm Đây cơng trình thủy điện lớn thứ ba nước ta, sau nhà máy thủy điện Hoà Bình nhà máy thủy điện Sơn La sơng Đà Thủy điện Yaly có tổ máy hoạt động từ cuối năm 2001 Tuyến áp lực thủy điện Yaly hạng mục quan trọng nhà máy gồm đập dâng, đập tràn Đập dâng thủy điện Yaly loại đập đá đổ với Hình Hàm truyền ANN 62 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 lõi lớp đất nện dày, dạng hình học loại đập vòm trọng lực với bán kính cong R = 400m Hình Theo mặt cắt ngang, đập chia thành tuyến có tuyến phía thượng lưu tuyến hạ lưu, tuyến có hành lang rộng khoảng - 10m Đập tràn xả lũ có kết cấu bê tông cốt thép đá gồm hai phần phần tràn phần dốc nước với chiều dài 191m chiều rộng 105m (Công ty tư vấn điện 1, 2006) khoảng 522m độ sâu đặt mốc 2m ký hiệu M1, M5, M9, M13, M17, M21, M25, M30 - 24 mốc đặt tuyến: 480m, 500m tuyến tái đập độ cao 518m, tuyến đặt mốc + Tuyến 480m bao gồm: M4, M8, M12, M16, M20, M24, M28, M32 + Tuyến 500m bao gồm: M3, M7, M11, M15, M19, M23, M27, M31 + Tuyến mái đập 518m bao gồm: M2, M6, M10, M14, M18, M22, M26, M29 - Các mốc quan trắc lún đập dâng đặt theo mặt cắt hướng tâm đập, mặt cắt đặt mốc mặt mốc sâu Hình 3.4 Quan trắc lún đập thủy điện Yaly Hình Đập thủy điện Yaly 3.2 Nhiệm vụ quan trắc độ lún đập thủy điện Yaly Công tác quan trắc độ lún tuyến đập thủy điện Yaly với nhiệm vụ đo lớp lún khác lõi sét, đo lún mặt đập nhằm theo dõi, kiểm tra mức độ ổn định hạng mục cơng trình Kết quan trắc lún tài liệu sở để ban quản lý, vận hành cơng trình thiết kế lập kế hoạch cho chế độ vận hành, tu sửa, bảo dưỡng cơng trình cách tối ưu Hơn nữa, tài liệu dự báo độ lún có tác dụng lớn cảnh báo để ngăn ngừa cố cơng trình khơng ổn định gây 3.3 Phân bố mốc quan trắc lún thủy điện Yaly Để xác định độ lún đập trình xây dựng vận hành cơng trình, người ta lắp đặt thân đập cao trình khác hệ thống mốc quan trắc lún Theo yêu cầu nhiệm vụ kỹ thuật, số lượng mốc quan trắc lún tuyến đập thủy điện Yaly gồm 40 mốc loại phân bố mốc quan trắc đập dâng gồm: - mốc sâu đặt đỉnh lõi đập, cao độ mặt mốc Để đảm bảo tính chặt chẽ độ xác cần thiết cho việc xác định độ cao mốc lún, cần thành lập mạng lưới độ cao liên kết điểm lún điểm khống chế sở mạng lưới thống Mạng lưới độ cao đo lún cơng trình thường gồm hai bậc bậc lưới khống chế sở bậc lưới quan trắc Đối với thủy điện Yaly, lưới sở lưới quan trắc phải đảm bảo độ xác Bảng Bảng Chỉ tiêu độ xác lưới quan trắc lún thủy điện Yaly Bậc lưới Lưới sở Lưới quan trắc Đỉnh đập (ms = mm) 0.94mm 1.9mm 3.4.1 Lưới khống chế sở Là hệ thống mốc khống chế ổn định, không bị dịch chuyển trình quan trắc Các mốc sở phải có kết cấu thích hợp đặt bên phải ngồi phạm vi ảnh hưởng chuyển dịch, biến dạng công trình đặt tầng đá gốc Mốc sở nên bố trí thành cụm ba mốc một, mốc đo nối liên kết với tạo thành mạng lưới chặt chẽ, có độ xác cao, kiểm tra thường xuyên chu kỳ quan trắc Lưới khống chế sở có tác dụng sở độ cao để thực đo nối độ cao đến điểm quan trắc gắn cơng trình suốt trình theo dõi 3.4.2 Bậc lưới quan trắc Lưới quan trắc thành lập cách liên kết mốc quan trắc đến cơng trình Lưới quan trắc tạo thành mạng lưới thủy chuẩn Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 khép kín với nhiều vòng đo nối với điểm khống chế độ cao nhằm mục đích xác định độ cao điểm lún thời điểm đo khác Lưới khống chế sở lưới quan trắc thiết kế Hình 3.5 Ứng dụng ANN- BP xây dựng mơ hình độ lún Lưới sở lưới quan trắc lún đập thủy điện Yaly đo phương pháp đo cao hình học tia ngắm ngắn độ xác cao Từ tháng 11 năm 1998 đến tháng 11 năm 2005 thực 14 chu kỳ đo lún cho tất mốc đập Trong báo sử dụng độ lún 13 63 chu kỳ, ứng dụng ANN - BP xây dựng mơ hình lún cho điểm M30 nằm đỉnh đập (độ cao 522 m) điểm M26 tuyến 518m, đồng thời dự báo độ lún chu kỳ 14 Thời gian quan trắc chu kỳ độ lún tích lũy điểm đo lún ghi Bảng Ứng dụng modul ANN - BP chương trình Matlab R2016a xây dựng mạng neural lớp, lớp ẩn gồm có neural Sơ đồ mạng, q trình huấn luyện kiểm tra mơ tả Hình 7, Hình Hình Kết xây dựng mơ hình ANN - BP qua 13 chu kỳ đo lún, dự báo cho chu kỳ thứ 14 sai số mô hình trình bày Bảng Bảng Hình Sơ đồ bố trí mốc lún Hình Sơ đồ lưới quan trắc lún đập thủy điện Yaly 64 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 Bảng Độ lún đo thực tế điểm M26 M30 Chu Khoảng thời Độ lún điểm Độ lún điểm Chu kỳ kỳ gian (ngày) M26 (mm) M30 (mm) 0.0 0.0 120 - 9.1 - 14.0 113 - 13.6 - 44.3 10 109 - 19.6 - 57.2 11 137 - 23.3 - 76.8 12 152 - 26.5 - 81.2 13 225 - 30.8 - 88.3 14 Khoảng thời gian (ngày) 200 193 192 260 194 180 188 Độ lún điểm M26 (mm) - 36.7 - 44.3 - 46.3 - 52.6 - 53.2 - 58.5 - 63.6 Độ lún điểm M30 (mm) - 101.1 - 112.4 - 117.6 - 127.9 - 130.5 - 139.2 - 149.8 Bảng So sánh giá trị mơ hình trị đo điểm quan trắc M26 (mm) Chu kỳ Trị đo 0.0 - 9.1 - 13.6 - 19.6 - 23.3 - 26.5 - 30.8 - 36.7 Mơ hình ANN - BP 0.4 - 9.5 - 13.6 - 20.3 - 23.2 - 27.0 - 31.7 - 36.8 Độ lệch - 0.4 0.4 0.0 0.7 - 0.1 0.5 0.9 0.1 Chu kỳ 10 11 12 13 Trị đo - 44.3 - 46.3 - 52.6 - 53.2 - 58.5 Mơ hình ANN - BP - 44.3 - 46.3 - 52.6 - 53.2 - 58.8 Độ lệch 0.0 0.0 0.0 0.0 0.3 Giá trị dự báo 14 - 63.6 - 63.9 0.3 Hình Sơ đồ mạng ANN - BP Chu kỳ Bảng So sánh giá trị mô hình trị đo điểm quan trắc M30 (mm) Trị đo Mơ hình ANN - BP Độ lệch Chu kỳ Trị đo Mơ hình ANN - BP 0.0 4.2 - 4.2 - 112.4 - 112.4 - 14.0 - 18.2 4.2 10 - 117.6 - 117.6 - 44.3 - 44.3 0.0 11 - 127.9 - 127.9 - 57.2 - 57.4 0.2 12 - 130.5 - 130.5 - 76.8 - 76.8 0.0 13 - 139.2 - 139.2 - 81.2 - 81.3 0.1 Giá trị dự báo - 88.3 - 88.3 0.0 - 101.1 - 101.1 0.0 14 - 149.8 - 146.6 Độ lệch 0.0 0.0 0.0 0.0 0.0 - 3.2 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 Hình Quá trình huấn luyện mạng Nhận xét: - Kết tính từ mơ hình ANN - BP tương đối sát với độ lún thực tế Mơ hình lún điểm quan trắc M26 tốt so với điểm M30 - Giá trị dự báo độ lún điểm M26 tốt điểm M30 Thảo luận kết luận - Cơng tác dự báo đập cơng trình thủy điện cần ý phải đưa vào quy định quy phạm quan trắc độ lún, thực việc dự báo tốt giảm thiểu thiệt hại có cố xảy Tuy nhiên, dù thực dự báo theo mơ hình nữa, nên dự báo cho chu kỳ - Số liệu quan trắc cần cập nhật liên tục đầy đủ cơng tác dự báo đạt độ xác tốt Khi xây dựng mơ hình ANN - BP, số chu kỳ quan trắc không nên nhỏ 10, yếu tố ảnh hưởng đến chuyển dịch số liệu đầu vào chu kỳ nhiều, chi tiết mơ hình thu sát thực tế - Dự báo lún đập thủy điện theo mơ hình ANN 65 Hình Kiểm tra kết huấn luyện - BP phương pháp dự báo động, cho phép mô xu lún không theo quy luật Với thực nghiệm trên, cần xác định rõ thời gian dự báo chu kỳ giá trị dự báo đáng tin cậy - Kết thực nghiệm dự báo độ lún đập thủy điện Yaly theo ANN - BP cho kết tương đối tốt, sai số dự báo nhỏ 10% so với độ lún thực tế Tuy nhiên, cần nghiên cứu với nhiều thực nghiệm nhiều dạng số liệu để có kết luận xác, từ đưa vào áp dụng thực tế sản xuất Tài liệu tham khảo Cao Đình Trọng, Cao Đình Triều, Nguyễn Đức Vinh, 2011 Ứng dụng mạng Nơrol dự báo độ lớn (Magnitude) động đất khu vực Tây Bắc Việt Nam Tạp chí Khoa học Trái đất 151 - 163 Công ty tư vấn điện 1, 2006 Báo cáo công tác quan trắc đập thủy điện Yaly Fuyang, K., Yayun, L., 2014 The forecasting method of landslides based n improved BP neural network Geotechnical Investigation and 66 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 Surveying Pantazis, G and Alevizakou, E G., 2013 The use of artificial neural networks in predicting vertical displacements of structures Internationnal Journal of applied Science and Technology Narayanakumar, S., Raja, K., 2016 A BP artificial neural network model for earthquake magnitude prediction in Himalayas India Scientific Research Publishing Phạm Quốc Khánh, Nguyễn Quốc Long, 2015 Nghiên cứu ứng dụng phương pháp lọc Kalman dự báo chuyển dịch đứng bề mặt Tạp chí Cơng nghiệp Mỏ (5) 23 - 25 Phạm Quốc Khánh, Nguyễn Việt Hà, 2015 Ứng dụng phương pháp tự hồi quy dự báo lún cơng trình Tạp chí Cơng nghiệp Mỏ (1) 57 - 60 Trần Khánh, 2003 Khảo sát so sánh phương pháp giao hội đo chuyển dịch nhà máy đập thủy điện Tạp chí khoa học kỹ thuật Mỏ Địa chất (4) 2003 Wusheng, H., 2006 Lý thuyết ứng dụng mạng thần kinh nhân tạo cơng trình Nhà xuất Trắc Hội Bắc Kinh Trung Quốc (tiếng Trung Quốc) Xiaoyu, W., 2017 Study on MPGA - BP of Gravity Dam Deformation Prediction Mathematical Problems in Engineering 21 - 34 ABSTRACT Application of artificial neural network for forecasting the subsidence of hydropower structure Khanh Quoc Pham 1, Manh Van Nguyen Faculty of Geomatics and Land Administration, Hanoi University of Minning MP equipment and surveying joint, Vietnam and Geology, Vietnam Besides VietNam, there are some countries such as Laos, Cambodia…that care of developing the hydropower works However, forecasting about the displacement and deformation of the hydropower dam has not focused yet, therefore warning of the dam’s status has not updated frequently so it is easy to cause catastrophe in case of the broken-down dam Now deformation and displacement monitoring of hydropower works is divided in two types: surface monitoring and dam core monitoring, surface monitoring is mainly observed by geodetic methods and periodical measurement because it is expensive and complex to estalish a continuous monitoring system Dam displacement forecasting on the basis of the cyclic data is extremely important, it help warning the risks of dam and reducing damages on material and human The article researched the application of artificial neural network on subsidence modeling of the dam surface monitoring points on the base of data that was observed in previous periods, then predict the subsidence of the next ones Results of the experiment on building subsidence model of Yaly hydropower dam demonstrated that the artificial neural network model has good accuracy, forecasting values are the same as measures and then they proved the applicability of this model in predicting the subsidence of the hydropower dam ... để mạng học Dữ liệu mẫu bao gồm liệu đầu vào xi Xây dựng mơ hình dự báo độ lún thủy điện Yaly Để minh chứng cho lý thuyết nghiên cứu trên, mơ hình dự báo độ lún cho điểm quan trắc lún thủy điện. .. Nam, ứng dụng ANN đề cập vài hướng nghiên cứu dự báo động đất, dự báo lượng nước hồ thủy điện (Cao Đình Trọng nnk., 2011); nhiên, chưa thấy tác giả đề cập đến lĩnh vực dự báo độ lún đập thủy điện. .. định rõ thời gian dự báo chu kỳ giá trị dự báo đáng tin cậy - Kết thực nghiệm dự báo độ lún đập thủy điện Yaly theo ANN - BP cho kết tương đối tốt, sai số dự báo nhỏ 10% so với độ lún thực tế Tuy