Bài viết đã thiết lập mạng EBN gồm 1 lớp neuron đầu vào, 1 lớp neuron đầu ra và 2 lớp ẩn. Lớp đầu vào là chuỗi giá trị mực nước, lưu lượng trung bình thời đoạn trước và lượng mưa thời đoạn sau tương ứng với giá trị lượng mưa dự báo theo thời đoạn. Lớp đầu ra là lưu lượng trung bình thời đoạn dự báo.
Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 Transport and Communications Science Journal APPLICATION OF EBN TO PREDICT THE DRY DISCHARGE IN TA TRACH RIVER, THUA THIEN HUE PROVINCE, VIETNAM Hoang Nam Binh, Le Thi Viet Ha University of Transport and Communications, No Cau Giay Street, Hanoi, Vietnam ARTICLE INFO TYPE: Research Article Received: 28/5/2020 Revised: 17/8/2020 Accepted: 9/9/2020 Published online: 28/10/2020 https://doi.org/10.47869/tcsj.71.8.10 * Corresponding author Email: binhhn@utc.edu.vn Abstract Predicting dry season flows play an important role in distributing and managing water resources Hydrological models can predict the flow with good quality results for the flow in large basins, mainly affected by rainfall and buffer surface properties The discharge is usually very small flow in the dry season and influenced by many factors But, none of them has a strong weight, so it is difficult for experts to predict the flow The article presents the results of the application of artificial neural network (ANN) with error backpropagation networks (EBN) for predicting the dry season discharge for Thuong Nhat station on Ta Trach river, Thua Thien Hue province, Vietnam The structure of ANN is similar to the human brain, so it is possible to find the relationship between inputs and outputs data by "learning" from existing data EBNs have been established with an input and output neuron layer and two hidden layers The input layer includes the water level, discharge in the previous period and rainfall in the later period corresponding to the predicted rainfall The output layer is predicting discharge The results of sort and mid-term prediction have good quality with more than 80% output neuron satisfy the target error The 24-hour prediction has the best accuracy with good pattern rate reaches 98.4% in July The 30-day prediction showed the lowest quality with good pattern rate of 81.3% Keywords: Artificial Neural Network, Error backpropagation networks, Dry season flow, Huong river basin, Discharge prediction © 2020 University of Transport and Communications 1000 Tạp chí Khoa học Giao thông vận tải, Tập 71, Số (10/2020), 1000-1015 Tạp chí Khoa học Giao thơng vận tải ỨNG DỤNG MẠNG SAI SỐ LAN TRUYỀN NGƯỢC DỰ BÁO DÒNG CHẢY KIỆT TRÊN SƠNG TẢ TRẠCH TỈNH THỪA THIÊN HUẾ Hồng Nam Bình, Lê Thị Việt Hà Trường Đại học Giao thơng vận tải, Số Cầu Giấy, Hà Nội, Việt Nam THƠNG TIN BÀI BÁO CHUN MỤC: Cơng trình khoa học Ngày nhận bài: 28/5/2020 Ngày nhận sửa: 17/8/2020 Ngày chấp nhận đăng: 9/9/2020 Ngày xuất Online: 28/10/2020 https://doi.org/10.47869/tcsj.71.8.10 * Tác giả liên hệ Email: binhhn@utc.edu.vn Tóm tắt Dự báo dịng chảy kiệt đóng vai trị quan trọng việc điều phối sử dụng hợp lý nguồn nước Các mơ hình thủy văn dự báo tốt cho dòng chảy lưu vực lớn, chịu chi phối chủ yếu yếu tố mưa tình hình mặt đệm Lưu lượng dòng chảy mùa kiệt thường nhỏ, chịu chi phối nhiều yếu tố Nhưng yếu tố chiếm ưu nên việc dự báo gặp nhiều khó khăn Bài báo trình bày kết ứng dụng mạng neuron nhân tạo (ANN) thuật toán sai số lan truyền ngược (EBN) dự báo lưu lượng dòng chảy mùa kiệt áp dụng cho trạm thủy văn Thượng Nhật sông Tả Trạch, tỉnh Thừa Thiên Huế ANN hệ thống mạng neuron nhân tạo có cấu trúc gần giống cấu trúc não người, tìm mối quan hệ chuỗi đầu vào với đầu việc "học" từ số liệu có Nghiên cứu thiết lập mạng EBN gồm lớp neuron đầu vào, lớp neuron đầu lớp ẩn Lớp đầu vào chuỗi giá trị mực nước, lưu lượng trung bình thời đoạn trước lượng mưa thời đoạn sau tương ứng với giá trị lượng mưa dự báo theo thời đoạn Lớp đầu lưu lượng trung bình thời đoạn dự báo Các kết dự báo hạn ngắn hạn vừa đạt 80% số lần dự báo thỏa mãn sai số mục tiêu so với thực đo Phương án dự báo trước 24 có độ xác tốt nhất, tỷ lệ dự báo lên tới 98,4% với dòng chảy tháng VII Dự báo hạn vừa trước 30 ngày cho kết thấp với tỷ lệ dự báo đạt 81,3% Từ khóa: Mạng neuron nhân tạo, Mạng sai số lan truyền ngược, Dòng chảy kiệt, Lưu vực sơng Hương, Dự báo dịng chảy © 2020 Trường Đại học Giao thông vận tải 1001 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 ĐẶT VẤN ĐỀ Từ trước đến nay, mơ hình thủy văn thủy lực áp dụng rộng rãi Việt Nam giới để tính tốn dịng chảy sông phục vụ công tác dự báo, quy hoạch phòng chống lũ hay hạn hán xâm nhập mặn [1] Tuy nhiên, mơ hình thường u cầu lượng lớn liệu đầu vào địa hình, lượng mưa, lưu lượng hay mực nước Các thơng số mơ hình phải hiệu chỉnh kiểm định chi tiết nhiều điểm khác hệ thống số liệu thực đo Hiện nay, với phát triển thuật tốn cơng nghệ thơng tin, nhiều mơ hình đời, có mơ hình mạng neuron nhân tạo ứng dụng nhiều lĩnh vực Trường hợp khơng có đủ tài liệu địa hình, địa mạo tùy theo nhu cầu thực tế, mơ hình mạng neuron nhân tạo (ANN) áp dụng để dự báo yếu tố thủy văn, thủy lực Lê Văn Nghị [2] thống kê phân tích nghiên cứu dự báo dịng chảy ngồi nước, có nghiên cứu nước ứng dụng mạng neuron nhân tạo Lê Xuân Cầu cs., Trần Thục nnk., Lê Văn Nghinh cs., Hồng Nam Bình, Nguyễn Thế Hùng cs Các tác giả thực nghiên cứu dự báo cho dòng chảy lũ lưu vực sông Cầu, Trà Khúc, Vệ, Dinh, Tả Trạch, Hồng Long, Vu Gia - Thu Bồn sơng Bình Định, Quảng Trị Lưu vực sơng Hương thuộc tỉnh Thừa Thiên Huế hình thành từ sơng lớn sông Bồ, sông Hữu Trạch sông Tả Trạch Sông Tả xuất phát từ vùng núi huyện Nam Đông, chảy theo hướng Nam, Đông Nam - Bắc Đông Bắc nhập lưu với sông Hữu Trạch Ngã Ba Tuần [3-5] Hàng năm lưu vực sông Hương thường đón nhận trận bão lũ gây ngập lụt hạ du thành phố Huế điển trận lũ lịch sử năm 1999 [4] Với việc quẩn thể di tích cố đô Huế UNESCO công nhận Di sản văn hóa giới vào năm 1993 [6] việc nghiên cứu giải pháp giảm thiểu thiệt hại lũ cho hạ du sông Hương nhận nhiều quan tâm nhà khoa học quản lý Hiện nay, thực trạng biến đổi khí hậu gây nắng hạn kéo dài khiến mùa kiệt lưu vực thường xảy tình trạng thiếu nước cho hạ du Thời điểm từ tháng XII đến tháng IV hàng năm, toàn tỉnh Thừa Thiên Huế gặp hạn hán, thiếu nước cho sản xuất vụ Đông Xuân Hè Thu [7-8] Do đó, việc dự báo dịng chảy mùa kiệt trở nên cấp thiết nhằm phục vụ công tác điều hành hồ chứa lưu vực làm hài hòa cấp nước, phát điện, giao thơng dịch vụ Dịng chảy mùa kiệt thường nhỏ, chịu chi phối nhiều yếu tố, mang tính ngẫu nhiên lớn [1] Do phương pháp dự báo mơ hình thủy văn tất định thông dụng NAM, TANK, SSARR chưa mô đẩy đủ chất tượng, kết dự báo gặp sai số lớn khiến việc vận hành điều tiết hồ chứa gặp nhiều bất lợi, gây thiệt hại cho chủ hồ ngành kinh tế dùng nước hạ lưu [5] Bài báo trình bày kết ứng dụng mạng neuron nhân tạo thuật toán sai số lan truyền ngược dự báo dòng chảy mùa kiệt hạn ngắn hạn vừa cho sông Tả Trạch thuộc lưu vực sông Hương, tỉnh Thừa Thiên Huế ĐẶC ĐIỂM DỊNG CHẢY KIỆT SƠNG TẢ TRẠCH Lưu vực Hương có hệ thống sơng đa dạng, phần lớn sơng nhỏ có lưu vực từ vài chục đến gần 3.000km2 Sơng ngịi phân bố đồng hầu hết ngắn, dốc, đa phần bắt nguồn từ sườn Đơng dải Trường Sơn điều hịa hệ thống đầm phá chảy dọc bờ biển trước đổ biển thông qua hai cửa Thuận An Tư Hiền Các sơng hoạt động kiến tạo, mài mịn, tạo dịng tự nhiên, có biến đổi nhỏ hướng chảy, xói lở giữ nguyên hình thái từ hình thành Hương có nhánh cấp I, 16 nhánh cấp II, nhánh cấp III phân lưu, không kể sông suối có độ dài nhỏ 10km [2] 1002 Tạp chí Khoa học Giao thông vận tải, Tập 71, Số (10/2020), 1000-1015 Sơng Tả Trạch nhánh phía thượng nguồn sông Hương thuộc địa phận huyện Nam Đông, xuất phát từ vùng núi huyện Nam Đông, chảy theo hướng Nam, Đông Nam - Bắc Đông Bắc nhập lưu với sông Hữu Trạch Ngã Ba Tuần Phần miền núi cao có độ dốc lớn, sơng cắt sâu vào địa hình đến sau trạm thủy văn Thượng Nhật thềm sông hạ thấp mở rộng tạo cho khu vực xã Dương Hịa thung lũng sơng Tại đoạn lịng sơng mở rộng, nơng chảy cuội sỏi Sau Dương Hịa lịng sơng lại bó hẹp triền đồi đến Ngã ba Tuần [3-4] Trên tồn vùng nghiên cứu lân cận có trạm khí tượng: Huế (đồng bằng), Nam Đơng, A Lưới (miền núi), Đông Hà (đồng - Quảng Trị), 11 trạm đo mưa hàng ngày có trạm thủy văn, trạm đo mực nước lưu lượng, lại đo mực nước Đến năm 2002 trạm thủy văn cấp I trạm Thượng Nhật sơng Tả Trạch (Hình 1) [2] Hình Sơ đồ vị trí trạm khí tượng thủy văn tỉnh Thừa Thiên Huế Diện tích lưu vực sơng Tả Trạch tính đến trạm thủy văn Thượng Nhật 186km2 với module dòng chảy năm 81,7ℓ/s/km2 hệ số dòng chảy 0,73 Lượng dòng chảy năm Thừa Thiên Huế nói chung lưu vực sơng Tả Trạch nói riêng lớn phân bố khơng theo không gian thời gian nên mùa khô thường thiếu nguồn nước để sử dụng Lượng nước tập chung chủ yếu vào tháng mùa lũ (tháng X - XII) chiếm 70 - 75% tổng lượng dòng chảy năm Mùa kiệt kéo dài tháng, lượng dòng chảy chiếm 25 - 30% lượng dòng chảy năm kể thời kỳ có lũ tiểu mãn vào tháng V, VI Lưu lượng trung bình tháng mùa kiệt chênh lệch nhau, tháng I tháng chuyển tiếp từ mùa lũ sang mùa kiệt tháng V, VI thời kỳ tiểu mãn có lưu lượng tương đối lớn Tháng IV có lưu lượng bình qn nhỏ 3,71m3/s Lưu lượng bình quân ngày nhỏ 1,42m3/s [2] MẠNG SAI SỐ LAN TRUYỀN NGƯỢC Mô hình tốn thủy văn nhà khoa học nghiên cứu liên hệ chặt chẽ với sở toán - lý tạo thành mơ hình tốn hàng loạt trình thủy văn từ năm đầu kỷ XX Theo Nguyễn Hữu Khải [9], nhà khoa học điển hình đặt móng cho lĩnh vực mơ hình tốn thủy văn Green-Amp, Sherman, Linsley, Chow, Sugawara, Fleming, Tonidi, Singh với dạng mơ hình thủy văn tất định ngẫu nhiên 1003 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 Mơ hình mạng neuron nhân tạo nghiên cứu, phát triển ứng dụng nhiều lĩnh vực, có lĩnh vực dự báo dịng chảy Năm 1943, khoa học trí tuệ nhân tạo đặt cột mốc hình thành với phát triển mạng neuron Warren McCulloch Walter Pitts đưa Hệ thống mạng neuron nhân tạo (Artificial Neural Network - ANN) có cấu trúc gần giống cấu trúc não người đời Neuron nhân tạo mô bốn chức neuron sinh học tự nhiên, đơn giản Giá trị đầu vào mạng biểu diễn biểu tượng toán học xi Mỗi đầu vào nhân với trọng số liên kết, trọng số biểu diễn Trong trường hợp đơn giản nhất, sản phẩm phép tính tổng sau thơng qua hàm chuyển đổi cho kết cuối (Hình 2) Để có hệ thống mạng neuron nhân tạo theo ý muốn người sử dụng phải trải qua công việc công phu tốn nhiều thời gian - việc xây dựng mạng phương pháp th sai (Trial and Error method) [1,9] Đầu vào Lớp đầu vào Hỡnh S neuron nhõn to Lớp ẩn Lớp ẩn n Lớp đầu Hỡnh Mạng neuron lan truyền ngược Mạng neuron nhân tạo phát triển với nhiều dạng thuật toán khác Mạng hàm tâm sở (Radial Basis Function network - RBF), Mạng neuron hồi quy (Recurrent neural networks - RNN), Mạng Kohonen xây dựng phát triển Tuevo Kohonen năm 1977 mạng sai số lan truyền ngược (Error backpropagation networks - EBN) Mạng sai số lan truyền ngược EBN (Hình 3) loại mạng sử dụng rộng rãi số lĩnh vực chúng phản ánh tập số liệu xác [10] Mạng có ba nhiều ba lớp, có lớp đầu vào, lớp đầu một lớp ẩn Sai số lan truyền ngược cách sử dụng mối quan hệ cặp giá trị đầu vào - đầu mà mối quan hệ biểu thị hàm Mạng sai số lan truyền ngược tìm thơng số để xây dựng hàm số xấp xỉ hàm gốc Mạng thực luyện ("học" - learning) phụ thuộc tập số liệu đầu vào đầu Xét mặt toán học, vectơ đầu z hàm f vectơ đầu vào x Nhiệm vụ mạng sai số lan truyền ngược tìm hàm f [10] Để tìm hàm f mạng thực tìm quy luật mẫu đầu vào ứng với quy luật mẫu đầu Mạng có vectơ thơng số trọng số mà giá trị thay đổi để làm cho hàm tính tốn f' xấp xỉ hàm f thực Sai số hàm tính tốn f' với hàm f nhỏ tốt Mạng EBN sử dụng số hàm chuyển đổi f(x) = x (hàm linear); f(x) = sgn(x) (hàm step); f(x) = tanh(x) (hàm tan-hyperbol) đặc biệt hàm sigmoid (1) sử dụng nhiều mô (1) f (x) = + ex Sai số quân phương tiêu đánh giá cân đối số liệu, xác định theo (2): 1004 Tạp chí Khoa học Giao thơng vận tải, Tập 71, Số (10/2020), 1000-1015 N E= K ( zkn − t kn ) n =1k =1 2NK (2) đó: N - số tập số liệu; K - số giá trị đầu mạng; zkn - giá trị đầu thực tế thứ k ứng với giá trị đầu vào thứ n; tkn - giá trị đầu thứ k mạng ứng với giá trị đầu vào thứ n Mạng EBN thực thuật tốn "học" từ sở liệu có sẵn để tìm mối quan hệ giá trị đầu vào với đầu Các trọng số thay đổi trình "học" để sai số quân phương giảm dần đến sai số mục tiêu KẾT QUẢ MÔ PHỎNG 4.1 Yếu tố dự báo 4.1.1 Lựa chọn yếu tố dự báo Mục tiêu nghiên cứu dự báo dòng chảy mùa kiệt nên yếu tố dự báo lưu lượng dòng chảy (Q, m3/s) EBN thiết lập với neuron lớp đầu Theo kết phân kỳ lũ [7,8], mùa lũ vụ lưu vực diễn từ 15/IX đến 30/XI lũ muộn từ 01/XII đến 31/XII Do yếu tố dự báo thuộc thời đoạn từ tháng I đến tháng VIII hàng năm 4.1.2 Hạn dự báo Tại Điều Thông tư số 06/2016/TT-BTNMT Bộ Tài nguyên Môi trường ban hành ngày 16/5/2016 quy định loại tin thời hạn dự báo, cảnh báo khí tượng, thủy văn có nêu hạn dự báo nguồn nước sau: Hạn ngắn: dự báo đến 07 ngày; Hạn vừa: dự báo từ 07 ngày đến 30 ngày; Hạn mùa: dự báo từ 01 tháng đến 06 tháng; Hạn năm: dự báo từ 06 tháng đến 12 tháng Căn vào số liệu thu thập được, nghiên cứu thử nghiệm thời đoạn dự báo: 24 giờ, 07 ngày 30 ngày với yếu tố dự báo lưu lượng trung bình thời đoạn 4.1.3 Vị trí dự báo Mạng EBN sử dụng mối quan hệ số liệu đầu vào đầu để xây dựng hàm mơ phỏng, lớp đầu vào có nhiều thơng tin (neuron) Với tình hình số liệu nhánh sơng Tả Trạch có trạm thủy văn trạm Thượng Nhật đo lưu lượng nên nghiên cứu lựa chọn vị trí dự báo trạm thủy văn Thượng Nhật 4.2 Dự báo trước 24 Sau nhiều lần thử sai, mơ hình mạng dự báo trước 24 (DB1ngay) lựa chọn có lớp neuron gồm lớp đầu vào, lớp đầu 02 lớp ẩn Lớp ẩn có neuron, lớp ẩn có neuron (Hình 4) Lớp đầu vào gồm neuron mực nước trung bình ngày Hngày_i, lưu lượng trung bình ngày Qngày_i ngày thứ i (thời điểm tại) lượng mưa Xngày_i+1 ngày thứ i + (thời điểm dự báo) Lớp đầu gồm neuron lưu lượng trung bình ngày Qngày_i+1 ngày thứ i + (thời điểm dự báo) Nghiên cứu thực dự báo cho tháng mùa kiệt, từ tháng I đến tháng VIII Chuỗi số liệu thu thập từ 1979 - 2017 chia thành chuỗi gồm: chuỗi sử dụng cho mạng "học" quy luật phụ thuộc biến đầu vào với biến đầu (chuỗi phụ thuộc); chuỗi dùng để đánh giá kết "học" mạng (chuỗi độc lập - đánh giá kết dự báo) Để kết đầu mạng có độ xác tốt tập sở liệu cho mạng "học" cần phải 1005 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 lớn, đồng nghĩa chuỗi phụ thuộc cần đủ dài bao quát thời kỳ chu kỳ Theo kịch biến đổi khí hậu Bộ Tài nguyên Môi trường thực năm 2016 [11], yếu tố biến đổi dự báo cho tương lai so sánh với chuỗi thời kỳ sở (1986 - 2005) Căn mốc năm cuối chuỗi thời kỳ sở, nghiên cứu thực thành lập chuỗi phụ thuộc có độ dài chuỗi 27 năm từ 1979 đến 2005 chuỗi độc lập 12 năm từ 2006 đến 2017 Nếu kết "học" cho sai số giá trị thực đo tính tốn phạm vi cho phép mơ hình mạng sử dụng để dự báo dịng chảy cho trạm Thượng Nhật Kết "học" mạng thiết lập trọng số liên kết neuron lớp Giá trị trọng số mơ hình mạng khác nhau, phụ thuộc vào trình "học" mạng từ tập số liệu đầu vào đầu chuỗi phụ thuộc Hình thể số neuron lớp trọng số liên kết lớp neuron phương án dự báo trước 24 cho mơ hình dịng chảy kiệt tháng I Các mơ hình dự báo cho tháng có sơ đồ lớp neuron tương tự tháng I giá trị trọng số thay đổi để phù hợp với đặc điểm ràng buộc giá trị đầu vào với giá trị đầu Sơ đồ lớp neuron Trọng số liên kết neuron lớp Hình Sơ đồ lớp neuron trọng số liên kết neuron lớp mạng DB1ngay tháng I Các kết mơ giá trị lưu lượng dịng chảy mùa kiệt phương án dự báo trước 24 cho tháng I đến tháng VIII thể Hình đến Hình 12 Giá trị tính tốn (Net-1) mạng xác so với giá trị thực đo (Target-1) Đường q trình thực đo tính tốn bám sát tất mơ hình dự báo Kết "học" mạng cho tỷ lệ 90% giá trị tính tốn đạt sai số mục tiêu so với giá trị thực đo, mơ hình mạng có tỷ lệ đạt nhỏ 92% lớn 99% (Bảng 1) Hình Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng I Hình Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng II 1006 Tạp chí Khoa học Giao thơng vận tải, Tập 71, Số (10/2020), 1000-1015 Hình Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng III Hình Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng IV Hình Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng V Hình 10 Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng VI Hình 11 Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng VII Hình 12 Lưu lượng thực đo tính tốn với mơ hình mạng DB1ngay tháng VIII TT Tháng I II III IV V VI VII VIII Bảng Đánh giá kết DB1ngay Tỷ lệ đạt (Good pattern) % Sai số mục tiêu (Target Error) Chuỗi phụ thuộc (1979 - 2005) Chuỗi độc lập (2006 - 2017) 0,05 94 93,2 0,05 92 82,3 0,05 99 97,6 0,05 96 92,7 0,05 98 97,6 0,05 98 94,4 0,05 99 98,4 0,05 98 95,2 Với giá trị đầu mạng xác so với giá trị lưu lượng thực đo, coi mạng "học" phụ thuộc biến đầu vào với biến đầu Nghiên cứu tiến hành dự báo lưu lượng dòng chảy kiệt từ chuỗi liệu độc lập Chuỗi giá trị 12 năm từ 2006 2017 không đưa vào sở liệu cho mạng "học", kết đầu mạng từ biến đầu vào chuỗi độc lập xem kết dự báo Chuỗi giá trị tính tốn từ đầu mạng ứng với thời điểm dự báo so sánh với chuỗi lưu lượng dòng chảy mùa kiệt thực đo thời điểm để đánh giá độ xác kết dự báo Bảng cho thấy tỷ lệ mẫu đạt sai số mục tiêu chuỗi độc lập có thấp chuỗi phụ thuộc đánh giá tốt với tỷ lệ đạt hầu hết 90%, ngoại trừ tháng II 82,3% 1007 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 Hình 13 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng I Hình 14 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng II Hình 15 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng III Hình 16 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng IV Hình 17 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng V Hình 18 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng VI Hình 19 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng VII Hình 20 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB1ngay tháng VIII Kết dự báo lưu lượng dòng chảy mùa kiệt (Net-1) tháng I đến VIII so sánh với giá trị thực đo (Target-1) đồ thị (Hình 13 - Hình 20) cho thấy xu đường trình dự báo tương đối phù hợp với thực đo Trong mơ hình mạng dự báo trước 24 giờ, mơ hình mạng dự báo cho tháng II có số mẫu dự báo đạt sai số mục tiêu thấp với 102/124 lần dự báo có sai số 5% tương ứng tỷ lệ dự báo đạt 82,26%, 6/124 lần dự báo có sai số lớn 10% tương ứng 4,84%, sai số tuyệt đối lớn 2,33m3/s (dự báo 28,33m3/s, thực đo 26m3/s) sai số tương đối lớn 11,2% (dự báo 17,41m3/s, thực đo 19,60m3/s) (Hình 21) Mơ hình mạng dự báo tháng VII có số mẫu dự báo đạt sai số mục tiêu cao với 122/124 lần dự báo đạt tương ứng 98,39%, 1/124 lần dự báo có sai số lớn 10% tương ứng tỷ lệ 0,81% (dự báo 4,52m3/s, thực đo 5,15m3/s) (Hình 22) 1008 Tạp chí Khoa học Giao thông vận tải, Tập 71, Số (10/2020), 1000-1015 Hình 21 Sai số dự báo mơ hình mạng DB1ngay tháng II Hình 22 Sai số dự báo mơ hình mạng DB1ngay tháng VII 4.3 Dự báo trước ngày Phương án dự báo trước ngày (DB7ngay) xây mạng sau nhiều lần thử sai Mạng lựa chọn có lớp gồm lớp đầu vào, lớp đầu 02 lớp ẩn Lớp ẩn có neuron, lớp ẩn có neuron tương tự DB1ngay Lớp đầu vào gồm neuron mực nước H7ngày_i, lưu lượng Q7ngày_i trung bình ngày thời đoạn trước tổng lượng mưa ngày X7ngày_i+1 thời đoạn sau Lớp đầu gồm neuron lưu lượng trung bình ngày Q7ngày_i+1 thời đoạn sau Chuỗi số liệu chia thành chuỗi phụ thuộc (1979 - 2005) chuỗi độc lập (2006 - 2017) tương tự DB1ngay Kết "học" mạng cho trọng số liên kết neuron ứng với mơ hình dự báo DB7ngay cho tháng mùa kiệt Đồ thị thể kết "học" mạng (Hình 23 - Hình 30) cho thấy giá trị tính tốn (Net-1) thực đo (Target-1) có tương quan tốt, đường q trình tính tốn lưu lượng dịng chảy kiệt tháng sát với đường trình thực đo Kết mơ hình dự báo DB7ngay cho thấy khơng có điểm sai khác lớn giá trị thực đo tính tốn Tỷ lệ tính tốn đạt sai số mục tiêu mơ hình mạng 90% (Bảng 2), tỷ lệ đạt thấp 92% mơ hình mạng tháng IV, VII tỷ lệ đạt cao 98% mơ hình mạng tháng VI Hình 23 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng I Hình 24 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng II Hình 25 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng III Hình 26 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng IV 1009 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 Hình 27 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng V Hình 28 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng VI Hình 29 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng VII Hình 30 Lưu lượng thực đo tính tốn với mơ hình mạng DB7ngay tháng VIII Bảng Đánh giá kết DB7ngay Tỷ lệ đạt (Good pattern) % Sai số mục tiêu (Target Error) Chuỗi phụ thuộc (1979 - 2005) Chuỗi độc lập (2006 - 2017) TT Tháng I 0,05 97 96,0 II 0,05 97 96,0 III 0,05 97 95,2 IV 0,05 92 85,5 V 0,05 96 92,7 VI 0,05 98 96,8 VII 0,05 92 83,9 VIII 0,05 94 91,1 Với kết đạt sau trình "học" mạng, nhận định mơ hình mạng DB7ngay nhận diện quy luật phụ thuộc biến đầu vào với biến đầu Mơ hình mạng thu nhận đạt độ tin cậy để tiến hành dự báo lưu lượng dòng chảy tháng mùa kiệt với chuỗi số liệu độc lập (2006 - 2017) Hình 31 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng I Hình 32 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng II 1010 Tạp chí Khoa học Giao thơng vận tải, Tập 71, Số (10/2020), 1000-1015 Hình 33 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng III Hình 34 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng IV Hình 35 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng V Hình 36 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng VI Hình 37 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng VII Hình 38 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB7ngay tháng VIII Kết dự báo trước ngày yếu tố lưu lượng dòng chảy (Net-1) tháng mùa thể đồ thị (Hình 31 - Hình 38) cho thấy giá trị dự báo phù hợp với giá trị thực đo (Target1) không xuất điểm có sai khác lớn Tương tự mơ hình mạng DB1ngay, thông số đánh giá thể Bảng cho thấy tỷ lệ mẫu đạt sai số mục tiêu chuỗi độc lập thấp chuỗi phụ thuộc đánh giá tốt với tỷ lệ đạt hầu hết 90%, ngoại trừ tháng IV 85,5% tháng VII 83,9% Đối với mơ hình mạng dự báo cho tháng IV, số mẫu dự báo đạt sai số mục tiêu với 106/124 lần dự báo có sai số 5% tương ứng tỷ lệ dự báo đạt 85,48%, 4/124 lần dự báo có sai số lớn 10% tương ứng 3,23%, sai số lớn 13,51% (dự báo 2,77m3/s, thực đo 2,44m3/s) (Hình 39) Mơ hình mạng dự báo tháng VII có số mẫu dự báo đạt sai số mục tiêu cao với 104/124 lần dự báo đạt tương ứng 83,87%, 4/124 lần dự báo có sai số lớn 10% tương ứng tỷ lệ 3,23%, sai số lớn 13,01% (dự báo 4,51m3/s, thực đo 5,19m3/s) (Hình 40) Đối với mơ hình mạng dự báo cho tháng VI, kết số lần dự báo đạt sai số mục tiêu tốt mơ hình mạng DB7ngay Số lần dự báo đạt 120/124 tương ứng tỷ lệ 96,77% (Bảng 2), 1/124 lần dự báo có sai số lớn 10% tương ứng tỷ lệ 0,81%, tuyệt đối lớn 1,41m3/s (dự báo 24,66m3/s, thực đo 26,07m3/s), sai số tương đối lớn 14,78% (dự báo 6,54m3/s, thực đo 5,70m3/s) 1011 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 Hình 39 Sai số dự báo mơ hình mạng DB7ngay tháng IV Hình 40 Sai số dự báo mơ hình mạng DB7ngay tháng VII 4.4 Dự báo trước 30 ngày Đối với phương án dự báo trước 30 ngày (DB30ngay), nghiên cứu không chia thành trường hợp dự báo ứng với tháng phương án dự báo Vì liệu tháng trước đầu vào để mạng "học" mơ dịng chảy cho tháng sau, chuỗi phụ thuộc 27 năm (1979 - 2005) nên chia thành tháng tập mẫu có 27 phần tử Điều khiến sở liệu luyện cho mạng nhỏ, đầy đủ mối quan hệ yếu tố đầu vào với đầu Do nghiên cứu thiết lập tập số liệu liên hệ yếu tố khí tượng thủy văn 30 ngày trước với 30 ngày sau liên tục 27 năm nhằm đảm bảo bao hàm hầu hết đặc tính ngẫu nhiên chuỗi Vì thời gian dự báo lớn nên mối quan hệ biến đầu vào với biến đầu phức tạp Qua nhiều thử nghiệm, nghiên cứu lựa chọn mơ hình mạng phù hợp cho phương án dự báo trước 30 ngày Mơ hình mạng cụ thể sau: Hình 41 Sơ đồ lớp neuron với mơ hình mạng DB30ngay3n Hình 42 Lưu lượng thực đo tính tốn với mơ hình mạng DB30ngay3n Hình 43 Sơ đồ lớp neuron với mơ hình mạng DB30ngay2n Hình 44 Lưu lượng thực đo tính tốn với mơ hình mạng DB30ngay2n 1012 Tạp chí Khoa học Giao thông vận tải, Tập 71, Số (10/2020), 1000-1015 - DB30ngay3n: Mạng gồm neuron lớp đầu vào mực nước trung bình 30 ngày H30ngày_i, lưu lượng trung bình 30 ngày Q30ngày_i thời đoạn trước tổng lượng mưa 30 ngày X30ngày_i+1 thời đoạn sau Lớp đầu gồm neuron lưu lượng trung bình 30 ngày Q30ngày_i+1 thời đoạn sau Lớp ẩn có lớp, lớp ẩn có neuron lớp ẩn có neuron (Hình 41) - DB30ngay2n: Mạng gồm neuron lớp đầu vào lưu lượng trung bình 30 ngày Q30ngày_i thời đoạn trước tổng lượng mưa 30 ngày X30ngày_i+1 thời đoạn sau Lớp đầu gồm neuron lưu lượng trung bình 30 ngày Q30ngày_i+1 thời đoạn sau Lớp ẩn có lớp, lớp ẩn có neuron lớp ẩn có neuron (Hình 43) Chuỗi số liệu chia thành chuỗi phụ thuộc để mạng "học" quy luật phụ thuộc biến đầu vào với biến đầu chuỗi độc lập để thực kiểm định độ xác kết dự báo Kết "học" mạng thiết lập trọng số liên kết neuron (Hình 41, Hình 43), giá trị đầu mạng thể Hình 42 Hình 44 TT Bảng Đánh giá kết DB30ngay Tỷ lệ mẫu đạt (Good pattern) % Sai số mục tiêu Mơ hình mạng Chuỗi phụ thuộc Chuỗi độc lập (Target Error) (1979 - 2005) (2006 - 2017) neuron lớp đầu vào 0,05 90 81,3 neuron lớp đầu vào 0,05 92 79,2 Đánh giá kết đầu hai mơ hình mạng cho tỷ lệ mẫu đạt sai số mục tiêu từ 90% (Bảng 3) Giá trị đầu mạng phù hợp với đường trình thực đo (Hình 42, Hình 44), tồn điểm tính tốn có sai số vượt gấp lần sai số mục tiêu Tuy nhiên với kết thu nhận mơ hình mạng DB30ngay3n DB30ngay2n có đủ độ tin cậy để thực dự báo lưu lượng dòng chảy trung bình tháng mùa kiệt Bằng hai mơ hình mạng thiết lập, nghiên cứu tiến hành tính toán dự báo từ biến đầu vào chuỗi độc lập Kết cho thấy tỷ lệ dự báo đạt sai số mục tiêu mơ hình mạng DB30ngay3n (81,3%) tốt mơ hình mạng DB30ngay2n (79,2%) (Bảng 3) Đối với thời điểm lưu lượng nhỏ 50m3/s mơ hình mạng DB30ngay2n dự báo tốt mơ hình mạng DB30ngay3n (Hình 45, Hình 46) lưu lượng dịng chảy trung bình tháng mùa kiệt có giá trị nhỏ phụ thuộc chủ yếu vào lưu lượng dịng ngầm lượng mưa khơng có mực nước sơng thay đổi khơng nhiều Do đó, với hai biến đầu vào lưu lượng trung bình tháng thời kỳ trước tổng lượng mưa thời kỳ dự báo giúp cho mạng DB30ngay2n dễ tìm quy luật mạng DB30ngay3n Ngược lại, với thời điểm có lưu lượng lớn 50m3/s mơ hình mạng DB30ngay3n lại dự báo tốt mơ hình mạng DB30ngay2n giá trị lưu lượng thời điểm khơng phụ thuộc vào lưu lượng dòng ngầm mà phụ thuộc vào lượng mưa mực nước sông Hình 45 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB30ngay3n Hình 46 Lưu lượng dịng chảy kiệt dự báo với mơ hình mạng DB30ngay2n 1013 Transport and Communications Science Journal, Vol 71, Issue (10/2020), 1000-1015 4.5 Nhận xét Các phương án dự báo mạng "học" với chuỗi độc lập cho tỷ lệ phần trăm số lần dự báo đạt sai số mục tiêu 90% Mạng tạo hàm ánh xạ sát với hàm thực chuỗi số liệu thực đo Kết đánh giá khả dự báo mơ hình mạng với chuỗi liệu đầu vào độc lập cho tỷ lệ dự báo đạt tương đối tốt, hầu hết phương án dự báo đạt tỷ lệ 80% phần tử tính tốn thỏa mãn sai số mục tiêu Theo khuyến cáo kinh nghiệm từ nhiều người dùng mơ hình mạng thường nên chọn lớp ẩn số neuron lớp ẩn không lần số neuron lớp đầu vào Tuy nhiên, nghiên cứu này, phương án mơ mơ hình mạng lớp ẩn với nhiều thử nghiệm số neuron lớp ẩn thay đổi thơng số mơ hình cho kết "học" mạng có tỷ lệ phần trăm mẫu đạt sai số cho phép thấp thấp Do đó, dịng chảy mùa kiệt lưu vực sông Hương, nghiên cứu khuyến cáo nên sử dụng mơ hình mạng EBN có lớp ẩn Qua thử nghiệm cho thấy, hạn dự báo dài mức độ ngẫu nhiên mối quan hệ biến đầu vào với biến đầu lớn Giá trị lưu lượng dòng chảy mùa kiệt sơng Tả Trạch có quan hệ chặt chẽ với lượng mưa thời đoạn dự báo mực nước, lưu lượng thời điểm thực dự báo kịch dự báo hạn ngắn Số neuron lớp đầu vào mối quan hệ neuron lớp đầu vào với lớp đầu lỏng Ngược lại, số neuron lớp đầu vào nhiều tăng mức ràng buộc, giảm tính ngẫu nhiên làm cho quan hệ neuron lớp đầu vào lớp đầu chặt Tuy nhiên, số neuron nhiều thời gian để mạng "học" lớn, việc lựa chọn số lớp ẩn neuron lớp ẩn gặp nhiều khó khăn Đối với phương án dự báo trước 24 ngày, với số liệu đầu vào gồm mực nước, lưu lượng trung bình thời đoạn thời điểm thực dự báo tổng lượng mưa thời đoạn dự báo cho kết đầu phù hợp với số liệu thực đo Các kết dự báo hầu hết có tỷ lệ số lần đạt sai số mục tiêu 90% ngoại trừ mơ hình mạng DB1ngay tháng II (82,3%) DB7ngay tháng IV (85,5%), tháng VII (83,9%) Tuy nhiên số lần dự báo với sai số 10% không lớn, mơ hình mạng DB1ngay tháng II 6/124 lần DB7ngay tháng IV, tháng VII 4/124 lần Đối với phương án dự báo trước 30 ngày, nghiên cứu tìm mơ hình mạng cho kết "học" tốt, đạt tỷ lệ tính tốn phạm vi sai số cho phép 90% Với mơ hình mạng DB30ngay2n có neuron lớp đầu vào, mạng "học" quy luật phụ thuộc tốt mơ hình mạng DB30ngay3n lưu lượng dự báo 50m3/s Ngược lại, mơ hình mạng DB30ngay3n dự báo tốt DB30ngay2n lưu lượng 50m3/s Xét tổng thể mẫu dự báo DB30ngay3n cho kết số lần dự báo đạt tốt DB30ngay2n KẾT LUẬN Mơ hình mạng neuron nhân tạo thuật tốn sai số lan truyền ngược nghiên cứu ứng dụng thử nghiệm bước đầu việc dự báo dòng chảy mùa kiệt sông Tả Trạch Kết đạt phương án dự báo cho thấy tính khả thi phương pháp Mơ hình dự báo trước 24 ngày hoàn toàn đủ tin cậy, khả dự báo đạt phạm vi sai số mục tiêu lớn Đối với phương án dự báo trước 30 ngày, để giảm sai số dự báo, áp dụng mơ hình mạng DB30ngay3n, kết dự báo cho giá trị lưu lượng nhỏ 50m3/s dự báo lại áp dụng mơ hình mạng DB30ngay2n Trong thực tế nghiệp vụ dự báo, tập số liệu phụ 1014 Tạp chí Khoa học Giao thơng vận tải, Tập 71, Số (10/2020), 1000-1015 thuộc cho mạng "học" thường cập nhật sau chu kỳ tính tốn nhằm tăng hồn thiện mơ hình dự báo, giảm sai số dự báo LỜI CẢM ƠN Tác giả bày tỏ lòng cảm ơn chân thành tới GS TS Lê Văn Nghị - Viện Khoa học Thủy lợi Việt Nam cung cấp số liệu thực nghiên cứu TÀI LIỆU THAM KHẢO [1] Nguyễn Văn Tuần cộng sự, Dự báo thủy văn, NXB Đại học Quốc gia, 2001 [2] Lê Văn Nghị, Nghiên cứu xây dựng quy trình tạm thời vận hành liên hồ chứa Tả Trạch, Bình Điền, Hương Điền A Lưới nhằm giảm lũ mùa mưa cung cấp nước mùa kiệt cho hạ du sông Hương, Đề tài KHCN cấp tỉnh Thừa Thiên Huế, 2013 [3] Hồng Nam Bình cộng sự, Đánh giá khả giảm lũ hệ thống hồ chứa lưu vực sông Hương tỉnh Thừa Thiên Huế, Tạp chí Khoa học Giao thơng vận tải, 51 (2016) [4] Hồ Ngọc Phú, Nước vấn đề quản lý tổng hợp lưu vực sông Hương tỉnh Thừa Thiên Huế, Ban Quản lý dự án sông Hương, 2004 [5] Nguyễn Thám cộng sự, Vai trò hồ chứa nước thượng nguồn việc tính tốn khả cấp nước lưu vực sơng Hương, Tạp chí KH Đại học Sư phạm TP Hồ Chí Minh, 23 (2010) [6] Lê Văn Nghị, Ứng dụng mơ hình MIKE mơ dịng chảy lũ hệ thống sơng Hương - đầm phá - cửa biển phục vụ phát triển kinh tế xã hội ổn định cửa biển Thừa Thiên - Huế - Dự án DANIDA, Viện Khoa học Thủy lợi Việt Nam, 2005 [7] Hồng Nam Bình cộng sự, Tính tốn phân kỳ lũ lưu vực sơng Hương tỉnh Thừa Thiên Huế, Tạp chí Biển Bờ, 1+2 (2015) [8] Hồng Nam Bình cộng sự, Tính tốn phân cấp lũ lưu vực sơng Hương tỉnh Thừa Thiên Huế, Tạp chí Khoa học Giao thông vận tải, 47 (2015) [9] Nguyễn Hữu Khải, Mơ hình tốn thủy văn, NXB Đại học Quốc gia, 2003 [10] Hồng Nam Bình, Thuật tốn mạng thần kinh nhân tạo sai số lan truyền ngược ứng dụng, Tạp chí Khoa học kỹ thuật thủy lợi môi trường, (2004) [11] Bộ Tài nguyên Môi trường, Kịch biến đổi khí hậu nước biển dân cho Việt Nam, Nhà xuất tài nguyên môi trường đồ Việt Nam, 2016 1015 ... Giao thơng vận tải, Tập 71, Số (10/2020), 1000-1015 Tạp chí Khoa học Giao thơng vận tải ỨNG DỤNG MẠNG SAI SỐ LAN TRUYỀN NGƯỢC DỰ BÁO DỊNG CHẢY KIỆT TRÊN SƠNG TẢ TRẠCH TỈNH THỪA THIÊN HUẾ Hồng Nam... Bài báo trình bày kết ứng dụng mạng neuron nhân tạo thuật toán sai số lan truyền ngược dự báo dòng chảy mùa kiệt hạn ngắn hạn vừa cho sông Tả Trạch thuộc lưu vực sông Hương, tỉnh Thừa Thiên Huế. .. hình mạng dự báo cho tháng IV, số mẫu dự báo đạt sai số mục tiêu với 106/124 lần dự báo có sai số 5% tương ứng tỷ lệ dự báo đạt 85,48%, 4/124 lần dự báo có sai số lớn 10% tương ứng 3,23%, sai số