Bối cảnh và vấn đề nghiên cứu

Đề tài tốt nghiệp của tác giả Nguyễn Hải Nam tập trung vào bài toán dự báo lưu lượng dòng chảy đổ về hồ chứa thủy điện, một thành phần trọng yếu trong công tác quản lý tài nguyên nước, điều tiết hồ chứa và giảm thiểu rủi ro thiên tai. Bối cảnh thực tiễn được đặt tại công trình Thủy điện An Khê - Ka Nak, nằm trên lưu vực sông Ba thuộc địa phận huyện Kbang, thị xã An Khê (tỉnh Gia Lai) và huyện Tây Sơn (tỉnh Bình Định). Khu vực này có địa hình rừng núi hiểm trở và chịu tác động trực tiếp của khí hậu nhiệt đới gió mùa Tây Nguyên với hai mùa tương phản rõ rệt: mùa khô gây cạn kiệt nguồn nước dẫn đến hạn hán kéo dài, trong khi mùa mưa thường xuyên xuất hiện lũ ống và lũ quét gây đe dọa an toàn công trình hồ đập cũng như đời sống nhân dân vùng hạ du.

Hệ thống thủy điện này gồm hai hồ chứa bậc thang là hồ Ka Nak (thượng lưu) và hồ An Khê (hạ lưu). Hoạt động điều tiết xả lũ hoặc tích nước của hồ Ka Nak kết hợp với lượng mưa trên lưu vực trung gian tạo ra độ trễ dòng chảy phức tạp, mang đặc tính phi tuyến tính cao và biến động mạnh theo thời gian. Do đó, việc xây dựng một hệ thống khai thác dữ liệu và ứng dụng các thuật toán học máy để dự báo lưu lượng nước về hồ An Khê trước các khoảng thời gian nhất định là yêu cầu cấp thiết phục vụ vận hành an toàn hồ đập.

Căn cứ theo văn bản đề tài, các mục tiêu và nhiệm vụ nghiên cứu được xác định cụ thể như sau:

  1. Mục tiêu 1: Khai thác, phân tích dữ liệu liên quan đến lưu lượng nước chảy về hồ An Khê. Từ đó, xây dựng mô hình dự báo theo chuỗi thời gian để dự báo lưu lượng nước về hồ An Khê.
  2. Mục tiêu 2: Xây dựng hệ thống tích hợp dữ liệu từ trang thông tin hồ thủy điện và áp dụng mô hình đã xây dựng để dự báo lưu lượng nước về hồ An Khê.
  • Đối tượng nghiên cứu: Chuỗi dữ liệu thủy văn thời gian thực và lịch sử, bao gồm lưu lượng xả của hồ Ka Nak, lượng mưa tại các trạm đo trung gian và lưu lượng nước chảy về hồ An Khê.
  • Phạm vi không gian: Lưu vực công trình thủy điện An Khê - Ka Nak trên hệ thống sông Ba, thuộc địa bàn tỉnh Gia Lai và Bình Định.
  • Phạm vi thời gian và dữ liệu: Dữ liệu chuỗi thời gian liên tục được thu thập theo từng giờ ($t$), với các khoảng dự báo đầu ra tại thời điểm $t+1, t+2, t+3, t+4$ tương ứng với các bước nhảy thời gian chảy truyền dòng nước là 2 giờ, 4 giờ và 6 giờ.

Cơ sở lý thuyết và phương pháp

Đồ án tiếp cận bài toán dự báo thủy văn dưới góc độ của quy trình Khai phá tri thức từ dữ liệu (Knowledge Discovery in Databases - KDD) và học máy giám sát đối với bài toán hồi quy chuỗi thời gian phi tuyến.

Khung lý thuyết và mô hình toán học

Tác giả sử dụng các phương pháp hồi quy phi tuyến tính kết hợp giải thuật tiến hóa tối ưu hóa siêu tham số:

  • Hồi quy vector hỗ trợ (Support Vector Regression - SVR): Mở rộng từ máy vector hỗ trợ (SVM) theo lý thuyết học thống kê của Vapnik. SVR ánh xạ không gian dữ liệu đầu vào phi tuyến sang không gian đặc trưng nhiều chiều thông qua hàm nhân bán kính (Radial Basis Function - RBF): $$K(x, x_i) = \exp\left(-\frac{|x - x_i|^2}{2\gamma^2}\right)$$ Bài toán tối ưu hóa của SVR hướng tới cực tiểu hóa hàm mục tiêu có ràng buộc biên độ lỗi $\varepsilon$ (epsilon-insensitive loss function) cùng các biến chùng $\xi_i, \xi_i^$ và hệ số phạt $C$: $$\min \frac{1}{2} |w|^2 + C \sum_{i=1}^{l} (\xi_i + \xi_i^)$$
  • Giải thuật di truyền (Genetic Algorithm - GA): Thuật toán tìm kiếm tối ưu hóa toàn cục phỏng sinh học dựa trên cơ chế chọn lọc tự nhiên, lai ghép (crossover) và đột biến (mutation) của Darwin. GA được sử dụng để tự động tìm kiếm bộ ba siêu tham số tối ưu ($C, \varepsilon, \gamma$) cho mô hình SVR thay cho các phương pháp tìm kiếm lưới (Grid Search) thủ công.
  • Mô hình lai kết hợp SVR-GA: Khởi tạo quần thể cá thể biểu diễn bộ tham số, đánh giá thích nghi dựa trên sai số bình phương trung bình (MSE) qua kiểm định chéo $k$-fold cross-validation trên tập huấn luyện, sau đó huấn luyện mô hình SVR với bộ tham số tốt nhất.
  • Hồi quy rừng ngẫu nhiên (Random Forest Regression - RF) và mô hình RF-GA: Phương pháp học kết hợp (ensemble learning) dựa trên kỹ thuật đóng bao (bagging) của tập hợp các cây quyết định, kết hợp với GA để tinh chỉnh tham số nhằm nâng cao độ chính xác dự báo.

Quy trình tiền xử lý và nguồn dữ liệu

  • Nguồn dữ liệu: Dữ liệu lịch sử vận hành hồ chứa thu thập theo chuỗi thời gian theo giờ từ 3 nguồn: hồ chứa Ka Nak, hồ chứa An Khê và các trạm đo mưa trung gian giữa hai hồ chứa.
  • Tiền xử lý dữ liệu:
    • Làm sạch dữ liệu (Data cleaning): Kiểm tra tính liên tục của chuỗi thời gian; xóa các bản ghi chứa giá trị sai định dạng ở các trường thuộc tính; điền các giá trị thiếu bằng số liệu trung bình của ngày phát sinh lỗi.
    • Biến đổi và trích chọn đặc trưng: Tính toán ma trận tương quan giữa 3 thuộc tính đầu vào để phân tích mức độ phụ thuộc; thực hiện chuẩn hóa dữ liệu về cùng phạm vi giá trị để loại bỏ sai lệch đơn vị đo lường.
  • Độ đo đánh giá mô hình: Tác giả sử dụng 4 chỉ số thống kê tiêu chuẩn để so sánh hiệu năng dự báo:
    • Sai số trung bình tuyệt đối: $\text{MAE} = \frac{1}{n}\sum_{i=1}^n |y_i - \hat{y}_i|$
    • Lỗi bình phương trung bình: $\text{MSE} = \frac{1}{n}\sum_{i=1}^n (y_i - \hat{y}_i)^2$
    • Căn bậc hai của sai số bình phương trung bình: $\text{RMSE} = \sqrt{\text{MSE}}$
    • Hệ số xác định: $R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}$

Thiết kế và triển khai hệ thống

Vì đây là đồ án tốt nghiệp ngành Công nghệ thông tin có sản phẩm phần mềm thực tế, tác giả đã thiết kế và triển khai một hệ thống mô phỏng, dự báo có khả năng khai thác dữ liệu từ nguồn thông tin vận hành hồ và tích hợp mô hình AI qua giao diện ứng dụng.

Kiến trúc công nghệ và thư viện

Hệ thống được phát triển trên nền tảng ngôn ngữ lập trình Python với hệ sinh thái thư viện chuyên dụng cho khoa học dữ liệu và học máy:

  • Scikit-learn: Cung cấp lớp thuật toán SVR, RandomForestRegressor, các hàm chia tập dữ liệu train_test_split và hàm tính sai số mean_squared_error.
  • DEAP (Distributed Evolutionary Algorithms in Python): Định nghĩa cấu trúc cá thể, toán tử di truyền (lai ghép, đột biến, chọn lọc) và quản lý tiến hóa quần thể để tối ưu siêu tham số.
  • Pandas: Quản lý dữ liệu chuỗi thời gian thông qua cấu trúc DataFrame và Series, xử lý đọc/ghi các định dạng bảng tính CSV, Excel.
  • NumPy: Xử lý tính toán đại số ma trận, mảng nhiều chiều và tính toán số học tốc độ cao.
  • Matplotlib: Kết xuất biểu đồ trực quan hóa dữ liệu lịch sử, biểu đồ ma trận tương quan và đồ thị so sánh chuỗi giá trị dự báo so với số liệu đo đạc thực tế.
  • Time: Module đo lường thời gian chạy (tính bằng giây) của các thuật toán trong quá trình thực nghiệm.

Các phân hệ chức năng và giao diện người dùng

Hệ thống cung cấp giao diện trực quan hỗ trợ công tác quản lý và vận hành thông qua các chức năng chính:

  • Xem thông tin vận hành hồ chứa Ka Nak - An Khê: Hiển thị trực quan dữ liệu thủy văn cập nhật của hai công trình (mực nước hồ, lưu lượng nước về, lưu lượng xả).
  • Xem thông tin số liệu mưa An Khê: Trực quan hóa dữ liệu đo mưa tại các trạm nằm giữa hai hồ chứa.
  • Dự đoán trên số liệu nhập tay: Cho phép người dùng nhập trực tiếp bộ 3 tham số thời điểm $t$ (lưu lượng xả Ka Nak, số liệu mưa trung gian, lưu lượng đến An Khê) để nhận kết quả dự báo dòng chảy tức thời. Giao diện tích hợp logic hiển thị trạng thái cảnh báo tự động:
    • Trạng thái bình thường: Khi lưu lượng tính toán nằm trong ngưỡng an toàn vận hành.
    • Trạng thái cảnh báo: Kích hoạt cảnh báo thị giác khi lưu lượng dự báo đổ về hồ An Khê tăng cao bất thường, hỗ trợ ra quyết định ứng phó lũ.
  • Dự báo trên dữ liệu file Excel: Cho phép nạp hàng loạt bảng tính dữ liệu đầu vào chuỗi thời gian, hệ thống tự động xử lý và xuất giao diện biểu đồ/bảng số liệu dự báo tương ứng.
  • Tích hợp API mô hình AI: Cung cấp giao diện lập trình ứng dụng (API) đóng gói mô hình dự báo phục vụ việc tích hợp vào các hệ thống giám sát thủy văn sẵn có của nhà máy.

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán dự báo lưu lượng nước

Chương 1 thiết lập bức tranh tổng thể về lý thuyết và thực tiễn của đề tài. Tác giả phân tích chi tiết đặc thù địa hình rừng núi hiểm trở và khí hậu của lưu vực sông Ba thuộc hệ thống thủy điện An Khê - Ka Nak. Bài toán kỹ thuật được mô tả cụ thể về mặt biến số:

  • Đầu vào thời điểm $t$: Tổng lưu lượng xả hồ Ka Nak ($m^3/s$), số liệu mưa giữa 2 hồ ($mm$), và lưu lượng nước đến hồ An Khê ($m^3/s$).
  • Đầu ra cần dự báo: Lưu lượng nước đến hồ An Khê tại các thời điểm tương lai $t+1, t+2, t+3, t+4$ tương ứng bước trễ 2 giờ.

Phần tổng quan nghiên cứu chỉ ra rằng các nghiên cứu quốc tế đã ứng dụng rộng rãi mạng nơ-ron (ANN), SVR, ELM hay Random Forest trong dự báo dòng chảy sông tại Ý hay Pakistan; trong khi tại Việt Nam, phần lớn ứng dụng vẫn dựa trên mô hình thủy văn truyền thống (MIKE SHE, MIKE NAM, HEC-HMS) và việc ứng dụng học máy kết hợp còn hạn chế. Tiếp đó, chương 1 trình bày có hệ thống quy trình KDD (từ dữ liệu thô, trích chọn, tiền xử lý, biến đổi, khai phá đến biểu diễn tri thức), các phương pháp phân tích hồi quy (tuyến tính, phi tuyến), nguyên lý phân tích chuỗi thời gian (xu hướng, mùa vụ, chu kỳ) và lý do lựa chọn ngôn ngữ Python cùng hệ sinh thái thư viện hỗ trợ.

Chương 2: Mô hình khai phá dữ liệu để dự đoán lưu lượng nước đến hồ

Chương 2 trình bày chi tiết cơ sở toán học và thuật toán của các mô hình dự báo. Tác giả xây dựng sơ đồ quy trình tổng quát gồm các bước tuần tự: nạp dữ liệu, kiểm tra định dạng và tính toàn vẹn chuỗi thời gian, phân tích tương quan đặc trưng, xây dựng kiến trúc mô hình, tối ưu hóa siêu tham số bằng giải thuật tiến hóa và đánh giá sai số.

Nội dung trọng tâm đi sâu vào hai họ mô hình học máy:

  1. Hồi quy vector hỗ trợ (SVR) và mô hình SVR-GA: Trình bày lý thuyết hàm mục tiêu tối ưu hóa lồi, cấu trúc hàm nhân RBF và tác động của bộ siêu tham số ($C, \varepsilon, \gamma$). Tác giả thiết kế chi tiết giải thuật di truyền GA với hàm thích nghi svr_fitness (nghịch đảo hoặc hàm lỗi MSE qua kiểm định chéo), cấu trúc gen mã hóa các tham số thực, cùng các toán tử lai ghép và đột biến để tìm lời giải tối ưu.
  2. Hồi quy rừng ngẫu nhiên (RF) và mô hình RF-GA: Phân tích nguyên tắc hoạt động của thuật toán Ensemble dựa trên cơ chế ghép cây quyết định và cách thức GA can thiệp để tối ưu hóa các tham số của rừng (như số lượng cây n_estimators, độ sâu của cây).

Chương 3: Cài đặt thực nghiệm

Chương 3 tập trung vào công tác triển khai thử nghiệm trên dữ liệu thực tế và xây dựng hệ thống phần mềm. Tác giả mô tả chi tiết 3 bộ dữ liệu thành phần (hồ Ka Nak, hồ An Khê, trạm mưa trung gian), phân tích ma trận tương quan giữa 3 thuộc tính và tiến hành so sánh lỗi MSE khi sử dụng độc lập từng thuộc tính hoặc kết hợp đồng thời cả ba thuộc tính.

Các thực nghiệm được cấu hình trên cùng một môi trường phần cứng để kiểm thử 4 thuật toán: SVR đơn lẻ, SVR-GA, RF đơn lẻ và RF-GA. Mô hình được đánh giá đa chiều với 3 mốc thời gian chảy truyền dòng nước về hồ An Khê là 2 giờ, 4 giờ và 6 giờ, đồng thời ghi nhận chi tiết thời gian thực thi tính bằng giây. Cuối chương, tác giả trình bày kiến trúc hoạt động tổng thể của ứng dụng phần mềm, minh họa chi tiết các giao diện nhập liệu thủ công, nạp file Excel, hiển thị cảnh báo mức nước và kết xuất biểu đồ kết quả.

Kết quả và đóng góp

Kết quả thực nghiệm và đối sánh số liệu

Đồ án đã chứng minh trên số liệu thực nghiệm rằng việc sử dụng đồng thời cả 3 thuộc tính đầu vào (xả Ka Nak, mưa trung gian, lưu lượng hiện tại An Khê) cho sai số MSE thấp hơn đáng kể so với việc chỉ sử dụng một hoặc hai thuộc tính riêng lẻ.

Hiệu quả của việc kết hợp giải thuật di truyền (GA) để tối ưu hóa siêu tham số so với các mô hình gốc được thể hiện rõ nét qua các bảng số liệu thực nghiệm trong văn bản:

Thuộc tính / Mô hình SVR thông thường SVR-GA RF thông thường RF-GA
Cơ chế tối ưu tham số Thiết lập thủ công / cố định GA tự động tối ưu ($C, \varepsilon, \gamma$) Mặc định GA tối ưu tham số rừng cây
Kịch bản độ trễ dòng chảy Thử nghiệm tại 2h, 4h, 6h Thử nghiệm tại 2h, 4h, 6h Thử nghiệm tại 2h, 4h, 6h Thử nghiệm tại 2h, 4h, 6h
Tiêu chí đánh giá MAE, MSE, RMSE, $R^2$ MAE, MSE, RMSE, $R^2$ MAE, MSE, RMSE, $R^2$ MAE, MSE, RMSE, $R^2$
Thời gian thực thi Ghi nhận theo giây ($s$) Ghi nhận theo giây ($s$) Ghi nhận theo giây ($s$) Ghi nhận theo giây ($s$)

Mô hình SVR-GA và RF-GA đạt được các chỉ số cải thiện rõ rệt về độ chính xác (giảm giá trị MAE, MSE, RMSE và tăng hệ số xác định $R^2$) tại cả 3 kịch bản thời gian truyền lũ (2 giờ, 4 giờ và 6 giờ). Đổi lại, thời gian chạy tính bằng giây của các mô hình kết hợp GA cao hơn mô hình gốc do chi phí lặp qua các thế hệ tiến hóa của thuật toán di truyền.

Đóng góp của đề tài

  • Về mặt học thuật: Ứng dụng thành công phương pháp học máy lai kết hợp giải thuật tối ưu hóa tiến hóa (SVR-GA, RF-GA) cho bài toán dự báo chuỗi thời gian thủy văn tại Việt Nam, chứng minh khả năng giải quyết quan hệ phi tuyến phức tạp của dòng chảy liên hồ chứa tốt hơn các phương pháp cấu hình tham số truyền thống.
  • Về mặt thực tiễn: Xây dựng hoàn chỉnh chương trình phần mềm demo có khả năng khai thác số liệu vận hành, dự báo linh hoạt (nhập tay hoặc import Excel), phát tín hiệu cảnh báo thị giác khi lưu lượng bất thường và cung cấp API sẵn sàng cho việc tích hợp vào hệ thống điều hành thủy điện thực tế.
  • Công bố khoa học: Nghiên cứu trong đồ án đã đóng góp vào bài báo khoa học được chấp nhận và xuất bản tại Kỷ yếu Hội nghị Quốc gia lần thứ 26 về một số vấn đề chọn lọc của Công nghệ thông tin và Truyền thông (VNICT2023).

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo nội dung thuyết minh và phạm vi nghiên cứu thực nghiệm của đồ án:

  • Hạn chế về không gian và dữ liệu: Mô hình mới chỉ được huấn luyện và kiểm thử trên tập dữ liệu thủy văn cụ thể của hệ thống hồ An Khê - Ka Nak thuộc lưu vực sông Ba; tính tổng quát hóa trên các lưu vực sông có cấu trúc địa hình và chế độ thủy văn khác chưa được đánh giá sâu.
  • Giới hạn thời gian dự báo: Thực nghiệm hiện dừng lại ở các bước nhảy ngắn (2 giờ, 4 giờ và 6 giờ); việc dự báo dài hạn hơn (12 giờ đến 24 giờ) gặp thách thức lớn do sai số tích lũy của chuỗi thời gian.
  • Yếu tố khí tượng bổ trợ: Dữ liệu đầu vào chủ yếu phụ thuộc vào số liệu mưa cục bộ giữa 2 hồ và lưu lượng xả thượng lưu, chưa tích hợp đầy đủ các biến số khí tượng diện rộng phức tạp khác như độ ẩm đất, bốc thoát hơi nước hoặc dữ liệu dự báo mưa định lượng theo radar thời tiết.
  • Hướng nghiên cứu tiếp: Mở rộng nghiên cứu áp dụng các mô hình học sâu (Deep Learning) chuyên biệt cho chuỗi thời gian, cải tiến thuật toán tối ưu hóa đa mục tiêu và kết nối dữ liệu trực tuyến thời gian thực liên tục từ các trạm quan trắc tự động về hệ thống.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các nhóm đối tượng sau:

  • Sinh viên và học viên ngành Công nghệ thông tin, Khoa học dữ liệu: Tham khảo cấu trúc hoàn chỉnh của một đề tài ứng dụng khai phá dữ liệu và học máy giải quyết bài toán chuỗi thời gian; cách sử dụng thư viện DEAP kết hợp Scikit-learn để tối ưu hóa siêu tham số mô hình.
  • Người làm đề tài kỹ thuật tài nguyên nước, quản lý thủy điện: Tham khảo cách thức mô hình hóa dòng chảy truyền liên hồ chứa (Ka Nak về An Khê), phân tích ma trận tương quan giữa lượng mưa trung gian và lưu lượng xả thượng nguồn.
  • Kỹ sư phát triển phần mềm ứng dụng: Tham khảo mô hình thiết kế hệ thống dự báo tích hợp API từ mô hình AI sang ứng dụng có giao diện cảnh báo mức nước bất thường và tính năng xử lý tập tin Excel.

Câu hỏi thường gặp

1. Ba thuộc tính đầu vào chính được mô hình sử dụng tại thời điểm $t$ là gì?

Mô hình sử dụng chính xác 3 thuộc tính đầu vào tại thời điểm $t$ gồm: Tổng lưu lượng xả của hồ chứa Ka Nak ($m^3/s$), Số liệu mưa giữa 2 hồ Ka Nak và An Khê ($mm$), và Lưu lượng nước đổ về hồ chứa An Khê ($m^3/s$).

2. Mô hình SVR sử dụng hàm kernel nào và giải thuật di truyền GA dùng để tối ưu các tham số nào?

Mô hình SVR trong đồ án sử dụng hàm nhân bán kính xuyên tâm RBF (Radial Basis Function). Giải thuật di truyền GA được tích hợp để tối ưu hóa bộ ba siêu tham số của SVR gồm: tham số điều chỉnh sai số vi phạm $C$, ngưỡng sai số không nhạy $\varepsilon$ (epsilon) và tham số độ rộng hàm nhân $\gamma$ (gamma).

3. Thư viện Python nào được tác giả sử dụng riêng cho giải thuật di truyền?

Tác giả sử dụng thư viện DEAP (Distributed Evolutionary Algorithms in Python) để khởi tạo cấu trúc dữ liệu gen, đăng ký các phép toán lai ghép, đột biến, chọn lọc và điều hành quá trình tiến hóa tối ưu hóa tham số.

4. Hệ thống phần mềm của đề tài hỗ trợ những phương thức dự báo nào trên giao diện?

Phần mềm cung cấp hai phương thức dự báo: dự báo tức thời bằng cách nhập số liệu thủ công qua bàn phím trên giao diện ("Dự đoán trên số liệu nhập tay" có hiển thị trạng thái cảnh báo bình thường/bất thường) và dự báo hàng loạt theo chuỗi thời gian từ bảng tính ("Dự báo trên dữ liệu file excel").

5. Thực nghiệm của đồ án đánh giá mô hình trên các khoảng thời gian chảy truyền nào và dùng những chỉ số nào?

Mô hình được thử nghiệm đánh giá với 3 khoảng thời gian chảy truyền nước về hồ An Khê là 2 giờ, 4 giờ và 6 giờ. Các chỉ số thống kê dùng để đo lường độ chính xác và hiệu năng bao gồm: MAE (sai số tuyệt đối trung bình), MSE (lỗi bình phương trung bình), RMSE (căn sai số bình phương trung bình), $R^2$ (hệ số xác định) và thời gian thực thi tính bằng giây.

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Hải Nam đã hoàn thành trọn vẹn hai mục tiêu nghiên cứu đề ra thông qua việc kết hợp cơ sở lý thuyết khai phá dữ liệu với bài toán quản lý thủy văn thực tế tại hồ thủy điện An Khê - Ka Nak. Bằng cách áp dụng giải thuật di truyền GA để tối ưu hóa siêu tham số cho các mô hình hồi quy phi tuyến SVR và Random Forest, nghiên cứu đã nâng cao độ chính xác dự báo lưu lượng dòng chảy về hồ chứa theo các kịch bản thời gian truyền lũ 2h, 4h và 6h. Đồng thời, tác giả đã hiện thực hóa giải pháp thành hệ thống phần mềm hoàn chỉnh có giao diện giám sát, hỗ trợ nạp dữ liệu bảng tính, cảnh báo tự động và cung cấp API sẵn sàng cho việc ứng dụng vận hành an toàn hồ đập.