Đang tải... (xem toàn văn)
Mô hình thống kê hồi quy bội, chuỗi thời gian theo mùa và mạng nơ-ron lan truyền ngược được ứng dụng để phân tích và dự báo chuyển dịch ngang của đập thủy điện Hoà Bình ở giai đoạn vận hành. Dữ liệu thực nghiệm là kết quả quan trắc chuyển dịch ngang, mực nước hồ và nhiệt độ không khí trong 137 chu kỳ quan trắc.
VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 Original Article Application of Statistic Model and Backpropagation Neural Network to Analyzing and Forecasting Hydropower Dam Displacement Bui Thi Kien Trinh1,*, Xiao Yangxuan2, Chinh Van Doan3, Do Xuan Khanh1, Tran The Viet1, Mai Dinh Sinh3 Thuyloi University, 175 Tay Son, Hanoi, Vietnam School of Geodesy and Geomatics, Wuhan University, 129 Louyu Road, Wuhan, Hubei Province, P.R China, 430079 Military Technical Academy, 236 Hoang Quoc Viet, Hanoi, Vietnam Received 23 December 2019 Revised 16 January 2020; Accepted 18 January 2020 Abstract: Horizontal displacement of Hoa Binh dam in operation phase was analyzed and then forecasted by using three methods: the multi-regression model (MTR), the Seasonal Integrated Auto-regressive Moving Average (SARIMA) and the Back-propagation Neural Network (BPNN) The monitoring data of the Hoa Binh Dam in 137 periods, including horizontal displacement, time, reservoir water level and air temperature were used for the experiments The results indicated that all of these three methods could describe the real trend of dam deformation and achieve the required accuracy in short-term forecast up to months In addition, forecast results of BPNN had the highest stability and accuracy Keywords: Horizontal displacement, Multi-regression model, Seasonal ARIMA, Back-propagation neural network.* * Corresponding author E-mail address: bktrinh@tlu.edu.vn https://doi.org/10.25073/2588-1094/vnuees.4529 44 B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 45 Ứng dụng mơ hình thống kê mạng nơ-ron lan truyền ngược phân tích dự báo chuyển dịch đập thủy điện Bùi Thị Kiên Trinh1,*, Xiao Yangxuan2, Đoàn Văn Chinh3, Đỗ Xuân Khánh1, Trần Thế Việt1, Mai Đình Sinh3 Trường Đại học Thủy lợi, 175 Tây Sơn, Hà Nội, Việt Nam School of Geodesy and Geomatics, Wuhan University, 129 Louyu Road, Wuhan, Hubei Province, P.R China, 430079 Học viện Kỹ thuật Quân sự, 236 Hoàng Quốc Việt, Hà Nội, Việt Nam Nhận ngày 23 tháng 12 năm 2019 Chỉnh sửa ngày 16 tháng 01 năm 2020; Chấp nhận đăng ngày 18 tháng 01 năm 2020 Tóm tắt: Mơ hình thống kê hồi quy bội, chuỗi thời gian theo mùa mạng nơ-ron lan truyền ngược ứng dụng để phân tích dự báo chuyển dịch ngang đập thủy điện Hồ Bình giai đoạn vận hành Dữ liệu thực nghiệm kết quan trắc chuyển dịch ngang, mực nước hồ nhiệt độ khơng khí 137 chu kỳ quan trắc Kết cho thấy mơ hình hồn tồn phù hợp với chuyển dịch thực tế đập đạt yêu cầu độ xác dự báo theo tiêu sai số trung phương sai số trung bình với khoảng thời gian dự báo tháng Thêm vào đó, mạng nơ-ron lan truyền ngược có độ xác cao ổn định loại mơ hình thống kê hồi quy bội chuỗi thời gian theo mùa phân tích, dự báo chuyển dịch đập Từ khố: Chuyển dịch ngang, mơ hình hồi quy bội, chuỗi thời gian theo mùa, mạng nơ-ron lan truyền ngược Mở đầu* Thủy điện đóng vai trị chủ lực hệ thống điện tồn quốc, góp phần khơng nhỏ thành tựu phát triển kinh tế xã hội Việt Nam Do việc quan trắc giám sát an tồn đập thủy điện vơ thiết yếu [1-4].1 Những chuyển dịch bề mặt đập theo phương thẳng đứng nằm ngang thường quan trắc phương pháp trắc địa tuân thủ tiêu chuẩn quốc gia TCVN 9399-2012 [5], TCVN 8215-2009 [6], TCVN 9360-2012 [7], TCVN 9400-2012 [8] Sau đó, giá trị chuyển * Tác giả liên hệ Địa email: bktrinh@tlu.edu.vn https://doi.org/10.25073/2588-1094/vnuees.4529 dịch so sánh với chu kỳ để xác định yếu tố [5]: - Độ lớn hướng chuyển dịch; - Độ chuyển dịch trung bình tồn cơng trình, độ chênh lệch chuyển dịch theo trục định (đặc trưng cho độ xoay cơng trình); - Tốc độ chuyển dịch tốc độ trung bình điểm theo thời gian; - Chuyển dịch khơng gian tồn cơng trình trọng tâm cơng trình theo đường thẳng mặt phẳng xác suất Dựa vào yếu tố nêu trên, số nghiên cứu nước vể xây dựng mơ hình phân tích dự báo chuyển dịch đập công bố tập trung 46 B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 vào mối tương quan tuyến tính chuỗi kết quan trắc với mực nước hồ chứa có tính ảnh hưởng độ trễ sử dụng hàm số sin cos [9,10] Tuy nhiên, nghiên cứu giới chuyển dịch đập trình phi tuyến điển hình nên khó để dự báo với độ xác cao [1] Theo loại mơ hình nghiên cứu phân thành nhóm chính: nhóm mơ hình tất định (deterministic method), nhóm mơ hình thống kê (statistical method) nhóm mơ hình trí tuệ nhân tạo (artificial intelligence method) Các mơ hình tất định thường sử dụng thiết kế giai đoạn đầu vận hành chưa có nhiều số liệu quan trắc nên kết dự báo hạn chế Trong nghiên cứu này, loại mơ hình thống kê mơ hình hồi quy bội, mơ hình chuỗi thời gian theo mùa mơ hình trí tuệ nhân tạo mạng nơ-ron lan truyền ngược chọn để nghiên cứu khả phân tích dự báo chuyển dịch cho đập thủy điện Hồ Bình Các mơ hình nghiên cứu 2.1 Mơ hình hồi quy bội MTR Các nguyên nhân tác động đến chuyển dịch biến dạng đập khẳng định [14] bao gồm: - Mực nước thượng hạ lưu đập, áp lực gây hồ chứa; - Sự giãn nở nhiệt đập; - Tuổi đập tính theo thời gian vận hành thực tế Mơ hình hồi quy bội MTR (Multiregression) tổng quát thể mối quan hệ chuyển dịch đập với tác nhân nêu thể dạng sau: 𝛿 = 𝛿𝐻 + 𝛿𝑇 + 𝛿𝑡 (1) đó: 𝛿𝐻 = ∑𝑛𝑖=0 𝑎𝑖 𝐻 𝑖 tác nhân áp lực hồ chứa, H mực nước thượng lưu; 𝛿𝑇 = ∑𝑚 𝑗=1 𝑏𝑗 𝑇𝑗 tác nhân giãn nở nhiệt đập, T nhiệt độ môi trường; 𝛿𝑡 = 𝑐1 + 𝑐2 √𝑡 + 𝑐2 √𝑡 + 𝑐4 ln(𝑡) tác nhân thời gian, t tuổi đập tính theo ngày Các hệ số 𝑎𝑖 , 𝑏𝑗 , 𝑐1−4 xác định từ cặp giá trị chuyển dịch đập tác nhân tương ứng chu kỳ quan trắc theo ngun lý số bình phương nhỏ Mơ hình (1) với tham số sử dụng để dự báo chuyển dịch đập tương lai 2.2 Mơ hình chuỗi thời gian theo mùa SARIMA Mơ hình chuỗi thời gian dựa vào phân tích giá trị khứ để nhận dạng tập hợp yếu tố biến đổi theo thời gian, từ dự báo giá trị tương lai Chuỗi thời gian có thành phần đặc trưng xu hướng dài hạn, mùa vụ, chu kỳ biến đổi ngẫu nhiên [11,12] Mơ hình chuỗi thời gian theo mùa tích hợp yếu tố mùa vụ (Seasonal – S) mơ hình: - Tự hồi quy (AutoRegressive – AR) số liệu; - Trung bình trượt hay bình quân di động (Moving Average – MA) phần sai số số liệu mang tính ngẫu nhiên; - Tích hợp sai phân (Integrated – I) nhằm biến đổi chuỗi không dừng thành chuỗi dừng trước thực thao tác phân tích dự báo khác Áp dụng phương pháp Box-Jenkins [11,12] để thành lập mô hình chuỗi thời gian theo mùa 𝑌𝑡 bao gồm bước: 2.2.1 Kiểm tra tính ổn định chuỗi Chuỗi 𝑌𝑡 coi ổn định (hay chuỗi dừng) có tất đặc điểm sau: 𝐸(𝑌𝑡 ) = 𝜇 (2) 𝑉𝑎𝑟(𝑌𝑡 ) = 𝐸(𝑌𝑡 − 𝜇)2 = 𝜎 (3) 𝐶𝑜𝑣(𝑌𝑡 , 𝑌𝑡+𝑘 ) = 𝛾𝑘 = 𝐸[(𝑌𝑡 − 𝜇)(𝑌𝑡+𝑘 − 𝜇)] (4) Trong E, Var, Cov kỳ vọng, phương sai hiệp phương sai Kiểm định ADF (Augmented Dickey-Fuller) sử dụng phổ biến để kiểm tra tính ổn định chuỗi thời gian 2.2.2 Xử lý chuỗi không ổn định Trong thực tế hầu hết số liệu thu chuỗi không ổn định, cần biến đổi chuỗi cách lấy sai phân 𝑊𝑡 : B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 𝑊𝑡 = 𝑌𝑡 − 𝑌𝑡−1 (5) Nếu sai phân bậc d chuỗi 𝑌𝑡 thỏa mãn điều kiện ổn định (2), (3) (4) chuỗi gọi ổn định bậc d 47 2.3 Mơ hình mạng nơ-ron lan truyền ngược BPNN 2.2.3 Chọn bậc AR(p) MA(q) tối ưu Mơ hình AR(p): 𝑌𝑡 = 𝑎0 + 𝑎1 𝑌𝑡−1 + 𝑎2 𝑌𝑡−2 + ⋯ + 𝑎𝑝 𝑌𝑡−𝑝 + 𝑒𝑡 (6) Mơ hình MA(q): 𝑌𝑡 = 𝑏0 + 𝑒𝑡 + 𝑏1 𝑒𝑡−1 + 𝑏2 𝑒𝑡−2 + ⋯ + 𝑏𝑞 𝑒𝑡−𝑞 (7) đó: 𝑎0 , 𝑎1 , … , 𝑎𝑝 tham số phân tích hồi quy, thỏa mãn: 𝑎0 + 𝑎1 + ⋯ + 𝑎𝑝 < (8) 𝑏0 , 𝑏1 , … , 𝑏𝑞 giá trị trung bình 𝑌𝑡 hệ số bình quân di động, thỏa mãn: 𝑏1 + 𝑏2 + ⋯ + 𝑏𝑞 < (9) 𝑒𝑡 , 𝑒𝑡−1 , 𝑒𝑡−2 , … , 𝑒𝑡−𝑞 sai số ngẫu nhiên tương ứng 𝑌𝑡 , 𝑌𝑡−1 , 𝑌𝑡−2 , … , 𝑌𝑡−𝑞 Sử dụng hàm tự tương quan ACF (Autocorrelation Function) để chọn bậc q cho mơ hình MA hàm tự tương quan phần PACF (Partial Auto-correlation Function) để chọn bậc p cho mơ hình AR (là giá trị nằm khoảng tin cậy, giảm đột ngột) Ngoài yếu tố mùa vụ s thể rõ biểu đồ ACF PACF 2.2.4 Ước lượng mô hình ARIMA(p,d,q) chọn mơ hình tối ưu Mơ hình ARIMA(p,d,q) mơ hình hỗn hợp AR(p) MA(q) sai phân hoá bậc d thỏa mãn điều kiện (8), (9) Kết hợp yếu tố mùa vụ s tổ hợp giá trị {0, 1, , p}, {1, 2, , d}, {0, 1, , q} xác định bước để thành lập mô hình SARIMA(𝑝, 𝑑, 𝑞)𝑠 Mơ hình tối ưu lựa chọn dựa tiêu chí: - Là nhiễu trắng - Có giá trị AIC (Akaike Information Criterion) nhỏ Tính tham số cho mơ hình tối ưu chọn q trình lặp, kiểm định độ xác phù hợp mơ hình với chuỗi liệu ban đầu 2.2.5 Dự báo Sử dụng mơ hình thiết lập bước để tiến hành dự báo ngắn hạn giá trị 𝑌𝑡+1 , 𝑌𝑡+2 , … giai đoạn Hình Cấu trúc BPNN Mạng nơ-ron lan truyền ngược BPNN (Backpropagation Neural Network) mạng thần kinh nhân tạo phổ biến Về nguyên lý, hệ thống tính tốn mơ hoạt động nơ-ron hệ thần kinh, bao gồm lớp bản: Số lớp ẩn số nơ-ron lớp thường chọn dựa vào mơ hình có sẵn theo kinh nghiệm Giải thuật lan truyền ngược mơ hình mạng nơ-ron cơng cụ tính tốn mạnh mẽ, dễ dàng thực thi với trình (i) lan truyền tiến (ii) lan truyền ngược bao gồm bước sau [13]: 2.3.1 Tính tốn lan truyền tiến Giá trị nơ-ron lớp ẩn lớp đầu tính theo cơng thức sau: 𝑠𝑢𝑚𝑗 = ∑𝑛𝑖=1 𝑊𝑖𝑗 𝑋𝑖 (10) 𝑂𝑗 = 𝑓(𝑠𝑢𝑚𝑗 ) (11) đó: 𝑊𝑖𝑗 trọng số liên kết nơ-ron i lớp trước với nơ-ron j lớp thời; 𝑋𝑖 giá trị đầu nơ-ron i lớp trước; 𝑂𝑗 giá trị đầu nơ-ron j lớp thời; 𝑓 hàm kích hoạt, thường sử dụng hàm Sigmoid với số c chọn tuỳ ý [2,13]: 𝑓(𝑥) = 1+𝑒 −𝑐𝑥 (12) 48 B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 Theo đó, giá trị nơ-ron lớp ẩn lớp đầu xác định từ giá trị nơ-ron lớp đầu vào 2.3.2 Lan truyền ngược lớp đầu Tính sai số giá trị nơ-ron lớp đầu theo công thức: 𝜀𝑗 = 𝑂𝑗 (1 − 𝑂𝑗 ) (𝑑𝑗 − 𝑂𝑗 ) (13) đó: 𝜀𝑗 sai số nơ-ron j lớp đầu ra; 𝑑𝑗 giá trị mong muốn nơ-ron j lớp đầu Sai số lan truyền ngược lớp ẩn trọng số cập nhật theo công thức: ∆𝑊𝑖𝑗 = η𝜀𝑗 𝑋𝑖 (14) 𝑊𝑖𝑗𝑘+1 = 𝑊𝑖𝑗𝑘 + Δ𝑊𝑖𝑗𝑘 + 𝛼𝛿𝑊𝑖𝑗𝑘 2.3.4 Cập nhật trọng số Điều quan trọng cần lưu ý đến bước này, trọng số vòng huấn luyện sau cập nhật Nói cách khác, khơng cập nhật trọng số dù tính sai số tất nơ-ron mạng tính tốn xong, kết không hợp lệ trọng số kỳ huấn luyện sau sử dụng để tính sai số kỳ huấn luyện thời Giá trị sai số xác định từ trọng số cập nhật chu trình tính lặp theo bước nêu thực giá trị sai số nhỏ ngưỡng mong muốn, thường bé xấp xỉ (15) ∆𝑊𝑖𝑗 số cải 𝑊𝑖𝑗 ; Thực nghiệm 3.1 Giới thiệu liệu thực nghiệm η 0.01 tỷ số huấn luyện; 𝑊𝑖𝑗𝑘+1 trọng số sử dụng vòng huấn luyện thứ k+1; 𝑊𝑖𝑗𝑘 Δ𝑊𝑖𝑗𝑘 trọng số số cải vòng huấn luyện thứ k; 0.9 hệ số động lượng sử dụng để giảm xu hướng bất ổn [13]; W thay đổi số cải chính: 𝛿𝑊𝑖𝑗𝑘 = Δ𝑊𝑖𝑗𝑘 − Δ𝑊𝑖𝑗𝑘−1 lớp ẩn cập nhật theo công thức (14-16) (16) 2.3.3 Lan truyền ngược lớp ẩn Bước tính sai số nơ-ron lớp ẩn phức tạp hơn: 𝜀𝑖 = 𝑂𝑖 (1 − 𝑂𝑖 ) ∑𝑛𝑗=1 𝑊𝑖𝑗 𝜀𝑗 (17) đó: 𝜀𝑖 𝑂𝑖 tương ứng sai số giá trị nơron i lớp ẩn; 𝜀𝑗 sai số nơ-ron lớp đầu j có kết nối với nơ-ron i; 𝑊𝑖𝑗 trọng số cập nhật kết nối từ nơ-ron i đến nơ-ron j Khi sai số xác định theo cơng thức (17), số cải trọng số trọng số nơ-ron lớp đầu vào nơ-ron Đập thủy điện Hồ Bình nằm sông Đà 20048’30” vĩ độ Bắc 105019’26” kinh độ Đơng, khởi cơng vào tháng 11/1979 hồn thành tháng 12/1994 Đây đập đá đổ lõi đất có chiều dài 970m chiều cao 128m, bề rộng mặt đập 20m tạo hồ chứa có dung tích thiết kế khoảng tỷ mét khối, với công suất phát điện thiết kế 1920MW/năm Hệ thống quan trắc chuyển dịch ngang đập bố trí thành tuyến mái hạ lưu độ cao 75m (6 điểm) 123m (11 điểm) Dịch chuyển điểm theo dõi hàng tháng phương pháp trắc địa Hình Đập thủy điện Hồ Bình B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 49 𝑥𝑡 𝑥̂𝑡 giá trị tính từ mơ hình giá trị quan trắc chuyển dịch ngang tương ứng 3.2 Các mơ hình phân tích dự báo 3.2.1 Mơ hình hồi quy bội Áp dụng cơng thức (1) với i = 3, j = {1, 15, 30, 60}, hệ số mơ hình hồi quy xác định theo phương pháp số bình phương nhỏ Kết thu được: 𝛿(𝑡) = −7.6610−2 + 9.3910−4 𝐻 − 2.1610−8 𝐻3 + 9.9710−5 𝑇1 + 1.9610−4 𝑇30 − 7.4010−5 𝑇60 − 8.1210−3 √𝑡 + 1.2710−2 ln 𝑡 (20) Kết dự báo đánh giá độ xác mơ hình (20) trình bày Hình Bảng Hình Sơ đồ bố trí mốc quan trắc 3.2.2 Mơ hình SARIMA Hình Dữ liệu thực nghiệm Trong nghiên cứu này, liệu quan trắc chuyển dịch ngang điểm M12 nằm đập nơi có chuyển dịch lớn nhất, nhiệt độ khơng khí trung bình tháng, mực nước hồ 137 chu kỳ quan trắc, từ tháng 9/1999 đến tháng 12/2010, sử dụng để thiết lập mơ hình phân tích, dự báo (Hình 4) Các mơ hình thiết lập sử dụng để dự báo ngắn hạn chuyển dịch đập tháng, tháng, tháng 12 tháng nhằm đánh giá khả ứng dụng thực tế Độ xác mơ hình MTR, SARIMA BPNN đánh giá thơng qua sai số trung phương RMSE (Root Mean Square Error) sai số trung bình MAE (Mean Absolute Error): ∑𝑁 ̂𝑡 )2 𝑡=1(𝑥𝑡 −𝑥 𝑅𝑀𝑆𝐸 = √ (18) 𝑀𝐴𝐸 = − 𝑥̂𝑡 | đó: N số lượng giá trị dự báo; (19) 𝑁 𝑁 ∑ |𝑥 𝑁 𝑡=1 𝑡 Từ Hình thấy chuỗi giá trị chuyển dịch ngang có xu tăng theo thời gian với quy luật biến đổi mang tính chu kỳ tương ứng với biến động mực nước hồ nhiệt độ khơng khí hàng năm, chọn s = 12 Áp dụng kiểm định ADF với chuỗi liệu quan trắc chuyển dịch ngang ta thấy chuỗi sai phân bậc chuỗi ổn định, d = Lập hàm ACF PACF để xác định bậc cho mơ hình MA AR, kết p = q = Tổ hợp giá trị p={0, 1}, d = 1, q={0, 1} với điều kiện p q không đồng thời thu mơ hình SARIMA(0,1,1)12, SARIMA(1,1,0)12, SARIMA(1,1,1)12 nhiễu trắng Trong số này, mơ hình SARIMA(1,1,1)12 có giá trị AIC nhỏ nên chọn mơ hình tối ưu với công thức sau: (1 − 0.465B)(1 − 0.497B12 )(1 − B)(1 − = (1 + 0.566B)(1 + 0.996B12 )𝑒𝑡 (21) B12 )𝑌𝑡 B tốn tử dịch chuyển lùi định nghĩa: 𝐵𝑌𝑡 = 𝑌𝑡−1 (22) Kết dự báo đánh giá độ xác mơ hình (21) liệt kê Hình Bảng 50 B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 Bảng Sai số dự báo mơ hình 3.2.3 Mơ hình BPNN Cấu trúc mơ hình BPNN: - Số lượng nơ-ron lớp đầu vào 12, bao gồm giá trị dịch chuyển 12 tháng liên tục; - Số lượng nơ-ron lớp đầu 1, tương ứng với giá trị dịch chuyển tháng thứ 13 tiếp theo; - Số lượng nơ-ron lớp ẩn xác định theo thực nghiệm 10 - Các tham số mơ hình BPNN chọn theo kinh nghiệm sau: - = 0.01; - α = 0.9; - Ngưỡng sai số 10-5; - Số lần tính lặp 500 Kết dự báo đánh giá độ xác mơ hình BPNN tổng hợp Hình Bảng 3.3 Kết So sánh với tiêu chuẩn sai số trung phương cho phép quan trắc chuyển dịch ngang đập đất đá chịu áp lực cao 5mm [5], sai số mơ hình thiết lập đạt yêu cầu với quãng thời gian dự báo đến tháng Mơ hình SARIMA cho kết dự báo xác tháng, cịn với tháng tháng kết dự báo mơ hình BPNN tốt Mơ hình BPNN có độ xác dự báo ổn định vịng 12 tháng, độ xác mơ hình cịn lại giảm dần thời gian dự báo tăng lên, riêng mô hình MTR khơng đạt u cầu độ xác với thời gian dự báo 12 tháng Giá trị (mm) Mô hình Sai số tháng tháng tháng 12 tháng MAE 1.92 2.94 3.06 4.12 RMSE 2.19 3.76 3.93 5.06 MAE 1.65 2.51 2.70 2.83 RMSE 1.81 3.18 3.22 3.26 MAE 1.85 1.92 1.90 1.98 RMSE 2.04 2.28 2.46 2.54 MTR SARIMA BPNN Kết luận Kết thu cho thấy mơ hình thiết lập phản ánh xu hướng chuyển dịch ngang điểm quan trắc với độ xác cao dự báo ngắn hạn tháng Mơ hình SARIMA BPNN sử dụng chuỗi liệu quan trắc lại dự báo tốt mơ hình MTR có xét đến ảnh hưởng tác nhân khác Điều địi hỏi nghiên cứu sâu ảnh hưởng áp lực hồ chứa, nhiệt độ môi trường tuổi đập đến chuyển dịch đập Đặc biệt, mơ hình BPNN có độ ổn định tính xác đồng dự báo tới 12 tháng Điều cho thấy mô hình BPNN giải tốt tác động ngẫu nhiên chuyển dịch ngang điểm quan trắc, có tiềm ứng dụng phân tích dự báo chuyển dịch đập thủy điện Hồ Bình Kết thu tạo tiền đề cho nghiên cứu sâu ứng dụng mơ hình trí thơng minh nhân tạo phân tích dự báo chuyển dịch biến dạng đập, phục vụ quản lý an toàn đập nước ta Lời cảm ơn Nghiên cứu tài trợ Quỹ Phát triển khoa học công nghệ Quốc gia (NAFOSTED) đề tài mã số 105.082018.06 Hình Kết xây dựng mơ hình B.T.K Trinh et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 37, No (2021) 44-51 Tài liệu tham khảo [1] B.T.K Trinh et al., A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hydropower dam, Neural Computing and Applications 29(12) (2018) 1495-1506 https://doi.org/10.1007/s00521-016-2666-0 [2] Z Jingui et al., Research on Deformation Analysis of the Hydropower Dam in Vietnam, Journal of Geomatics - Wuhan University 41(3) (2016) 4547 (in Chinese) https://doi.org/10.14188/j.20956045.2016.03.012 [3] D.T Bui et al., Chapter 15 - Hybrid Intelligent Model Based on Least Squared Support Vector Regression and Artificial Bee Colony Optimization for Time Series Modeling and Forecasting Horizontal Displacement of Hydropower Dam, in: P Samui, S.S Roy, and V.E Balas (Eds.), Handbook of Neural Computation, Academic Press, United States of America, 2017, pp 279-293, https://doi.org/10.1016/B978-0-12-8113189.00015-6 [4] J Zou et al., Dam deformation analysis based on BPNN merging models, Geo-spatial Information Science, 21(2) (2017) 49-157 https://doi.org/10.1080/10095020.2017.1386848 [5] Ministry of Science and Technology of Vietnam, TCVN 9399-2012: Buildings and Structures – Measuring Horizontal Displacement by Surveying Method, 2012 (in Vietnamese) 51 [6] Ministry of Science and Technology of Vietnam, TCVN 8215-2009: Hydraulic Structure – Major regulations on installation design observation equipment of water headworks, 2009 (in Vietnamese) [7] Ministry of Science and Technology of Vietnam, TCVN 9360-2012: Technical Process of Settlement Monitoring of Civil and Industrial Building by Geometrical Levelling, 2012 (in Vietnamese) [8] Ministry of Science and Technology of Vietnam, TCVN 9400-2012: Buildings and Tower Structure –Tilt Monitoring by Surveying Methods, 2012 (in Vietnamese) [9] T Khanh and L.D Tinh, Applying a method of correlation analysis to estimate the movement of construction, Journal of Mining and Geology 4, 30 (2010) (in Vietnamese) [10] L D Tinh, Research the solutions to Increase the Effect of Deformation Monitoring in Vietnam (PhD thesis), Hanoi University of Mining and Geology, MS: 62.52.85.01, 2012 (in Vietnamese) [11] J.D Cryer, K.S Chan, Time Series Analysis with Application in R, Springer-Verlag, New York, 2008 [12] N.Q Dong, N.T Minh, Econometric, The Press of National Economics University, 2013 (in Vietnamese) [13] D Graupe, Principles of Artifcial Neural Networks, Advanced Series in Circuits and Systems 3rd Edition, vol 7, World Scientific Publishing Co Pte Ltd., Singapore, 311–325, 2013 ... có tiềm ứng dụng phân tích dự báo chuyển dịch đập thủy điện Hồ Bình Kết thu tạo tiền đề cho nghiên cứu sâu ứng dụng mơ hình trí thơng minh nhân tạo phân tích dự báo chuyển dịch biến dạng đập, phục... gian dự báo tháng Thêm vào đó, mạng nơ-ron lan truyền ngược có độ xác cao ổn định loại mơ hình thống kê hồi quy bội chuỗi thời gian theo mùa phân tích, dự báo chuyển dịch đập Từ khố: Chuyển dịch. .. Environmental Sciences, Vol 37, No (2021) 44-51 45 Ứng dụng mơ hình thống kê mạng nơ-ron lan truyền ngược phân tích dự báo chuyển dịch đập thủy điện Bùi Thị Kiên Trinh1,*, Xiao Yangxuan2, Đoàn