Hình 3.16: Bản đồ lưu vực sơng Tam Kỳ
Các tín hiệu đầu vào của mơ hình bao gồm 3 biên trên tại Bàn Thạch, Tam Tiến, Phú Ninh và 2 biên dưới là 2 cửa biển: Cửa Lở và Cửa An Hồ, từ đó để tính tốn được mực nước tại trạm Tam Anh.
Dưới đây là kết quả đường quá trình mực nước thực đo và dự báo tại trạm Tam Anh:
Hình 3.17: Đồ thị mực nước thực đo và dự báo tại trạm Tam Anh năm 2001
Hình 3.18: Đồ thị mực nước thực đo và dự báo tại trạm Tam Anh năm 2017 Nhận xét: Dù tập dữ liệu khơng nhiều nhưng mơ hình sau huấn luyện đã dự báo
tốt cho bộ số liệu năm 2001 và chuỗi giá trị tính tốn bắt được khá tốt chuỗi giá trị thực đo với dao động mực nước biến đổi theo chu kỳ thuỷ triều – khi mơ hình mạng nơron truyền thẳng gặp khó khăn với bài toán này. Đối với năm 2017, các giá trị thuỷ văn đo
-0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 11/7/2001 0:00 11/13/2001 0:00 11/19/2001 0:00 11/25/2001 0:00 Mực n ước ( m ) Thời gian Thực đo Dự báo -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 3/6/2017 0:00 3/11/2017 0:00 3/16/2017 0:00 3/21/2017 0:00 Mực nư ớc (m ) Thời gian Thực đo Dự báo
đạc có được từ đề tài là thiếu (được bổ sung từ giá trị trung bình ước lượng thu thập) và ngắt quãng (các thời điểm đo thủ công không liên tục), nên dẫn đến việc dự báo mực nước là không đạt, cần bổ xung các dữ liệu đo và thực hiện thay đổi cấu trúc cũng như huấn luyện lại mạng để kết quả có độ tin cậy, ứng dụng được dự báo trong thực tiễn.
KẾT LUẬN VÀ KIẾN NGHỊ
Đề tài định hướng nội dung nghiên cứu vào mạng nơron nhân tạo hồi tiếp, xây dựng cơ sở dữ liệu lớn, kết hợp giữa ứng dụng công nghệ WebGIS với mạng nơron nhân tạo hồi tiếp ứng dụng vào bài toán dự báo thủy lực, thủy văn, mơi trường,...
Các đóng góp khoa học của đề tài
• Hệ thống hóa các nội dung cơ bản về mạng nơron nhân tạo hồi tiếp, cơ sở dữ liệu thuỷ văn và hệ thống thông tin địa lý trực tuyến WebGIS.
• Kết quả huấn luyện và dự báo trạm Hà Nội của lưu vực đồng bằng châu thổ sơng Hồng có độ chính xác đạt Tốt (NSE > 0,9),
• Kết quả dự báo cho mực nước trạm Ba Thá trên lưu vực sơng Tích Bùi cho thấy mơ hình mạng nơron hồi tiếp LSTMs xây dựng đã bước đầu dự báo được bài toán với các chuỗi dữ liệu có đầu vào liên kết với đầu ra theo thời gian (mơ hình mạng nơron truyền thẳng chưa làm được), tuy nhiên kết quả chỉ mới chỉ ở mức khá, còn sai số tại các giá trị chân và đỉnh lũ, cần tiếp tục nghiên cứu thêm cải tiến về mơ hình,
• Mơ hình sau huấn luyện đã được kiểm định và chuỗi giá trị tính tốn bắt được khá tốt chuỗi giá trị thực đo với dao động mực nước biến đổi theo chu kỳ thuỷ triều – khi mơ hình mạng nơron truyền thẳng gặp khó khăn với bài tốn này tại lưu vực sơng Tam Kỳ.
• Nội dung của đề tài đã được đăng tại tuyển tập cơng trình khoa học “Hội nghị Cơ học kỹ thuật toàn quốc kỷ niệm 40 năm thành lập Viện Cơ học” có chỉ số ISBN:978-604-913-937-6.
Hướng phát triển
• Áp dụng phương thức dự báo cho toàn bộ 16 lưu vực lớn và các lưu vực nhỏ tuỳ theo nhu cầu, đối với mỗi lưu vực, áp dụng dự báo cho nhiều trạm quan trắc cùng lúc.
• Tiến hành song song sử dụng mơ hình thuỷ lực, thuỷ văn truyền thống để dự báo, các kết quả được đánh giá cùng kết quả mơ hình mạng thần kinh nhân tạo, kết hợp cùng với hệ tri thức chuyên gia nhằm đưa ra các dự báo mang tính tổng hợp, chính xác hơn.
• Ngoài yếu tố mực nước, hệ thống sẽ mở rộng để dự báo các yếu tố khác như mưa, lưu lượng,…
TÀI LIỆU THAM KHẢO
[1] Nguyễn Chính Kiên,Thử nghiệm ứng dụng mạng neuron nhân tạo trong dự báo thủy văn và thủy lực, Hội nghị Cơ học toàn quốc lần thứ X, Hà Nội, (12-2017).
[2] Đặng Văn Đức, Hệ thống thông tin địa lý (GIS), Nhà xuất bản khoa học và kỹ thuật, Hà Nội, (2001).
[3] Jurgen Schmidhuber, Deep Learning in Nơron Networks: An Overview,
Switzerland, (2014).
[4] Alex Graves, Generating Sequences With Recurrent Nơron Networks, University of Toronto, (2014).
[5] http://colah.github.io/posts/2015-08-Understanding-LSTMs/ [6] https://apaszke.github.io/lstm-explained.html
[7] https://gisvn.edu.vn/webgis [8] http://quangnam.gov.vn