Luận án tiến sĩ Thủy văn học: Nhận dạng lũ lớn lưu vực sông Hồng phục vụ vận hành hệ thống hồ chứa

Luận án khoa học về nhận dạng và dự báo lũ lớn ở lưu vực sông Hồng. Nghiên cứu ứng dụng công nghệ để tối ưu hóa vận hành và quản lý hồ chứa.

• Tác giả: Trịnh Thu Phương
• Người hướng dẫn: PGS. Hoàng Minh Tuyển
• Trường học: Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu
• Chuyên ngành: Thủy văn học
• Đề tài: Nghiên cứu cơ sở khoa học và thực tiễn nhận dạng lũ lớn trên lưu vực sông Hồng góp phần nâng cao hiệu quả điều hành hệ thống liên hồ chứa
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về nhận dạng lũ lớn và hệ thống liên hồ chứa sông Hồng

Lưu vực sông Hồng là vùng kinh tế trọng điểm phía Bắc Việt Nam, chịu ảnh hưởng nặng nề của lũ lụt hàng năm. Hệ thống liên hồ chứa trên lưu vực, bao gồm các hồ lớn như Sơn La, Hòa Bình, Lai Châu, Bản Chát, đóng vai trò then chốt trong việc cắt giảm lũ và điều tiết dòng chảy. Nhận dạng lũ lớn là quá trình xác định sớm khả năng xuất hiện, quy mô và thời gian của các trận lũ nhằm phục vụ công tác vận hành hồ chứa hiệu quả. Trên thế giới, nhiều phương pháp đã được áp dụng từ thống kê truyền thống đến các mô hình học máy như ANN, SARIMA, mô hình khái niệm. Tại Việt Nam, nghiên cứu nhận dạng lũ lớn trên lưu vực sông Hồng vẫn còn nhiều khoảng trống, đặc biệt trong việc liên kết thông tin khí hậu với dự báo dòng chảy ở các thời hạn khác nhau. Luận án tiến sĩ của Trịnh Thu Phương (2021) đã hệ thống hóa cơ sở khoa học và thực tiễn, đề xuất phương pháp nhận dạng lũ lớn từ thời kỳ xa (mùa, tháng) đến gần (5 ngày), phục vụ điều hành liên hồ chứa trên lưu vực sông Hồng.

1.1. Đặc điểm tự nhiên và thủy văn lưu vực sông Hồng

Lưu vực sông Hồng có diện tích khoảng 169.000 km², trải dài trên lãnh thổ Việt Nam và Trung Quốc. Khí hậu nhiệt đới gió mùa với lượng mưa tập trung từ tháng 5 đến tháng 10, chiếm 75-85% tổng lượng mưa năm. Dòng chảy trên sông Hồng biến động mạnh theo mùa, mùa lũ thường từ tháng 6 đến tháng 10 với lưu lượng đỉnh có thể đạt trên 30.000 m³/s tại Hà Nội. Địa hình lưu vực phức tạp, phần thượng lưu dốc đứng khiến nước mưa tập trung nhanh, gây lũ lớn với thời gian ngắn. Các nhánh sông chính như sông Đà, sông Lô, sông Thương hợp lưu tạo nên hệ thống sông ngòi phức tạp, đòi hỏi phương pháp nhận dạng lũ phù hợp cho từng vùng.

1.2. Vai trò của hệ thống liên hồ chứa trong cắt giảm lũ

Hệ thống liên hồ chứa trên lưu vực sông Hồng gồm các hồ lớn: Sơn La (dung tích 9,26 tỷ m³), Hòa Bình (9,05 tỷ m³), Lai Châu, Bản Chát và nhiều hồ chứa vừa, nhỏ khác. Các hồ này thực hiện chức năng cắt giảm đỉnh lũ, điều tiết dòng chảy và phát điện. Trong mùa lũ, các hồ phải dành dung tích phòng lũ để tiếp nhận và cắt giảm lưu lượng nước về hạ du. Việc phối hợp vận hành liên hồ đòi hỏi thông tin chính xác về lũ lớn sắp xảy ra để phân bổ dung tích phòng lũ hợp lý. Khi nhận diện đúng thời điểm lũ lớn, các hồ hạ dần mực nước trước lũ, đảm bảo cắt lũ hiệu quả đồng thời vẫn tích đủ nước phục vụ phát điện và cấp nước.

II. Phân tích cơ sở khoa học nhận dạng lũ lớn trên lưu vực sông Hồng

Cơ sở khoa học nhận dạng lũ lớn trên lưu vực sông Hồng được xây dựng dựa trên phân tích mối quan hệ giữa các nhân tố khí hậu và sự hình thành lũ. Các chỉ số khí hậu như ENSO, PDO, nhiệt độ bề mặt biển ảnh hưởng trực tiếp đến mô hình mưa trên lưu vực. Nghiên cứu chỉ ra rằng trong các năm El Niño hoặc La Niña mạnh, lượng mưa và dòng chảy trên sông Hồng có xu hướng biến đổi rõ rệt. Đường trữ nước của lưu vực là công cụ quan trọng đánh giá khả năng xuất hiện lũ, phản ánh trạng thái bão hòa nước trong đất trước khi mưa lớn xảy ra. Khi đường trữ nước đạt ngưỡng cao, bất kỳ trận mưa nào cũng có thể gây lũ lớn. Phân tích nguyên nhân và mối quan hệ mưa-lũ đặc thù giúp xác định ngưỡng mưa gây lũ theo từng nhánh sông. Từ đó, luận án xây dựng hệ thống chỉ báo sớm cho phép nhận dạng lũ lớn ở các thời hạn khác nhau, từ mùa, tháng đến 5 ngày, phục vụ vận hành hồ chứa chủ động.

2.1. Mối quan hệ giữa nhân tố khí hậu và lũ lớn

Các nhân tố khí hậu lớn như hiện tượng ENSO (El Niño - Southern Oscillation), PDO (Pacific Decadal Oscillation) và nhiệt độ bề mặt biển có mối tương quan chặt chẽ với lượng mưa và dòng chảy trên lưu vực sông Hồng. Trong các năm La Niña, gió mùa tây nam hoạt động mạnh hơn, mang theo lượng hơi nước lớn, thường gây mưa nhiều và lũ lớn. Ngược lại, năm El Niño thường khô hạn. Phân tích dữ liệu nhiều năm cho thấy, các chỉ số khí hậu có thể được sử dụng như tín hiệu sớm để nhận dạng khả năng xuất hiện lũ lớn theo thời kỳ mùa hoặc tháng, giúp chủ động trong công tác vận hành hồ chứa từ xa.

2.2. Đường trữ nước và ngưỡng mưa gây lũ trên lưu vực

Đường trữ nước (antecedent moisture condition) phản ánh trạng thái bão hòa nước trong đất trước khi xảy ra mưa. Đây là yếu tố quyết định lượng mưa có chuyển thành lũ hay không. Trên lưu vực sông Hồng, khi chỉ số trữ nước đạt ngưỡng cao sau nhiều ngày mưa liên tục, ngưỡng mưa gây lũ giảm đáng kể. Ví dụ, cùng một trận mưa 100 mm/ngày nhưng trong điều kiện đất khô có thể không gây lũ, trong khi đất bão hòa nước sẽ tạo ra lũ lớn. Phân tích mối quan hệ giữa trữ nước và ngưỡng mưa theo từng nhánh sông giúp xây dựng hệ thống cảnh báo sớm, xác định thời điểm cần hạ mực nước hồ chứa để đón lũ.

III. Phương pháp và giải pháp nhận dạng lũ lớn phục vụ vận hành hồ chứa

Luận án đề xuất hệ thống phương pháp nhận dạng lũ lớn theo ba thời kỳ: xa (mùa, tháng), trung hạn (10-15 ngày) và gần (5 ngày). Ở thời kỳ xa, mô hình sử dụng các chỉ số khí hậu và dữ liệu dòng chảy quá khứ để dự báo xu hướng lũ theo mùa, áp dụng phương pháp Bayesian Joint Probability và mô hình ANN. Ở thời kỳ trung hạn, phân tích đường trữ nước và mô hình thời tiết số cho phép đánh giá khả năng xuất hiện lũ trong 10-15 ngày tới. Ở thời kỳ gần, mô hình mưa-dòng chảy kết hợp dữ liệu radar và trạm đo mưa thời gian thực cung cấp dự báo chính xác lưu lượng đỉnh lũ. Giải pháp vận hành liên hồ chứa dựa trên kết quả nhận dạng lũ đề xuất phân bổ dung tích phòng lũ linh hoạt. Khi nhận diện lũ lớn, các hồ Sơn La, Hòa Bình, Lai Châu, Bản Chát hạ dần mực nước về mức tính toán để cắt lũ tối ưu. Sau khi lũ qua, các hồ dâng nước trở lại đảm bảo tích nước phát điện.

3.1. Mô hình dự báo dòng chảy sử dụng học máy

Các mô hình học máy như mạng nơ-ron nhân tạo (ANN) và mô hình SARIMA được áp dụng để nhận dạng dòng chảy theo thời hạn tháng và mùa. ANN có ưu điểm vượt trội trong mô phỏng quá trình mưa-dòng chảy, bao gồm cả dòng chảy lớn, nhỏ và trung bình khi có đủ dữ liệu huấn luyện. Mô hình SARIMA kết hợp các nhân tố khí hậu cho phép nhận dạng xu hướng dòng chảy tháng trên nhiều lưu vực. Kết quả đánh giá cho thấy ANN trội hơn trong điều kiện đủ dữ liệu, trong khi mô hình khái niệm cải thiện đáng kể khi thiếu dữ liệu hiệu chỉnh. Sự kết hợp nhiều phương pháp giúp tăng độ tin cậy của kết quả nhận dạng lũ lớn.

3.2. Giải pháp phân bổ dung tích phòng lũ linh hoạt

Mực nước trước lũ của các hồ chứa không nhất thiết duy trì cố định một ngưỡng trong cả thời kỳ lũ chính vụ. Dựa trên kết quả nhận dạng lũ lớn theo các thời kỳ, dung tích phòng lũ được đề xuất điều chỉnh linh hoạt. Trong thời kỳ nhận diện lũ lớn, hồ Sơn La và Hòa Bình hạ mực nước sâu hơn, đồng thời huy động thêm hồ Lai Châu, Bản Chát tham gia cắt lũ. Trong thời kỳ lũ nhỏ, các hồ duy trì mực nước cao hơn để tích nước phát điện. Phương pháp này nâng cao hiệu quả tổng thể của hệ thống liên hồ chứa, vừa cắt lũ hiệu quả vừa tối ưu hóa sản lượng điện.

IV. Kết luận và ứng dụng thực tiễn nâng cao hiệu quả điều hành liên hồ

Nghiên cứu đã xây dựng thành công cơ sở khoa học và thực tiễn nhận dạng lũ lớn trên lưu vực sông Hồng, phục vụ nâng cao hiệu quả điều hành hệ thống liên hồ chứa. Hệ thống nhận dạng lũ theo ba thời kỳ (xa, trung hạn, gần) cung cấp thông tin đa tầng giúp người ra quyết định có cái nhìn toàn diện về nguy cơ lũ. Kết quả nghiên cứu cho thấy mối quan hệ rõ ràng giữa các chỉ số khí hậu, đường trữ nước và sự hình thành lũ lớn trên lưu vực. Giải pháp phân bổ dung tích phòng lũ linh hoạt dựa trên nhận dạng lũ đã được kiểm chứng qua các trận lũ lịch sử, cho thấy khả năng cắt giảm đỉnh lũ hiệu quả hơn so với phương pháp vận hành cố định. Ứng dụng thực tiễn trong vận hành các hồ Sơn La, Hòa Bình giúp giảm nguy cơ ngập lụt cho vùng hạ du, đặc biệt là Hà Nội và các tỉnh đồng bằng sông Hồng. Đồng thời, việc tối ưu hóa tích nước đảm bảo sản lượng điện ổn định, cân bằng giữa an toàn lũ và phát triển kinh tế.

4.1. Đóng góp mới của luận án về nhận dạng lũ lớn

Luận án đã đóng góp mới trên ba phương diện chính. Thứ nhất, xây dựng hệ thống nhận dạng lũ lớn theo thời kỳ từ xa đến gần, lần đầu tiên áp dụng cho lưu vực sông Hồng. Thứ hai, xác định mối quan hệ giữa chỉ số khí hậu, đường trữ nước và ngưỡng mưa gây lũ theo từng nhánh sông, tạo cơ sở khoa học cho dự báo sớm. Thứ ba, đề xuất mô hình phân bổ dung tích phòng lũ linh hoạt cho hệ thống liên hồ chứa, thay thế phương pháp cố định truyền thống. Các kết quả này đã được công bố trên các tạp chí khoa học uy tín và kiểm chứng bằng dữ liệu thực tế.

4.2. Ứng dụng trong thực tế vận hành hệ thống liên hồ sông Hồng

Kết quả nghiên cứu được ứng dụng trực tiếp trong công tác vận hành hệ thống liên hồ chứa trên lưu vực sông Hồng. Trung tâm Điều độ Hệ thống điện quốc gia và các công ty thủy điện sử dụng thông tin nhận dạng lũ để ra quyết định vận hành hồ chứa hàng ngày, hàng tuần và theo mùa. Trong mùa lũ, khi nhận diện khả năng lũ lớn, các hồ hạ mực nước trước lũ và phối hợp cắt lũ liên hoàn. Sau lũ, các hồ dâng nước trở lại đảm bảo tích nước phát điện.Ứng dụng thực tế đã chứng minh hiệu quả cắt giảm đỉnh lũ, giảm ngập lụt hạ du và tối ưu hóa sản lượng điện, góp phần nâng cao an ninh nguồn nước quốc gia.

Trích đoạn nội dung tài liệu

Chương 1 của Luận án tập trung vào tổng quan các nghiên cứu trên thế giới về vấn đề nhận dạng lũ và điều hành hồ chứa về các phương pháp, ưu điểm và nhược điểm từ đó định hướng nghiên cứu Luận án về nhận dạng lũ lớn trên lưu vực sông Hồng tới các hồ chứa và các nhánh sông - Chương 2. Cơ sở khoa học và thực tiễn nhận dạng lũ lớn trên lưu vực sông Hồng phục vụ vận hành hệ thống hồ chứa lớn. Nội dung Chương 2 của Luận án tập trung nghiên cứu các cơ sở, các dấu hiệu hình thành lũ, luận cứ định lượng để nhận dạng lũ dựa trên các mối quan hệ mưa, lũ, đường trữ nước tiềm năng trên các lưu vực hồ chứa trên sông Đà, sông Chảy và sông Gâm và trên các nhánh sông Thao và sông Lô. Từ các luận cứ, cơ sở khoa học đó, Luận án nghiên cứu mô hình thống kê hồi quy đa biến và mô hình mạng thần kinh nhân tạo với dữ kiện đầu vào là các quan hệ hình thành lũ lớn, tạo nên kết quả đầu ra nhận dạng định lượng lũ lớn về đỉnh lũ và lượng lũ trước thời hạn 5 ngày, tháng và mùa - Chương 3.

Phân tích, đánh giá áp dụng nhận dạng lũ lớn phục vụ vận hành hệ thống hồ chứa lớn trong mùa lũ trên lưu vực sông Hồng. Nội dung Chương 3 của Luận án trình bày và phân tích về các kết quả nhận dạng lũ lớn và tính toán đề xuất phương án kết hợp, vận hành linh hoạt phân bổ dung tích phòng lũ của các hồ Sơn La, Lai Châu và Bản Chát trong thời kỳ lũ chính vụ nhằm nâng cao mực nước phát điện nhưng vẫn đảm bảo tổng dung tích phòng lũ hạ lưu. TỔNG QUAN VỀ NHẬN DẠNG LŨ LỚN VÀ VẬN HÀNH HỒ CHỨA 1. Tổng quan nhận dạng lũ và vận hành hồ chứa trên thế giới Nhận dạng lũ là cách thức để nhận biết những dấu hiệu về khả năng hình thành, nhận biết đặc tính của một đợt lũ hay một trận lũ một cách định lượng.

Nhận dạng lũ định lượng quy mô khái quát một đợt lũ có khả năng xẩy ra trên một sông hoặc một hệ thống sông, gồm các đặc trưng chính là đỉnh lũ, tổng lượng lũ và dạng quá trình lũ. Trong đó, việc dự đoán đỉnh lũ, tổng lượng lũ có thể thực hiện trước một khoảng thời gian từ 5-10 ngày (thời hạn vừa) hoặc tháng hoặc mùa (thời hạn dài) được xem như quy mô tổng quát; việc dự đoán cụ thể hình dạng quá trình lũ, diễn biến thay đổi của đợt lũ trong một thời hạn xác định là quy mô chi tiết hay còn gọi là dự báo dòng chảy lũ. Phương pháp nhận dạng lũ Nghiên cứu nhận dạng lũ lớn ở các lưu vực sông trên thế giới đã có quá trình phát triển từ khá lâu ở các nước phát triển. Sự phát triển của các nghiên cứu nhận dạng lũ từng bước dựa trên những thành tựu trong nghiên cứu về khí tượng khí hậu, thủy văn, các mô hình dự báo với sự hỗ trợ của công nghệ tin học.

Các phương pháp nhận dạng lũ lớn trên các lưu vực sông trên thế giới có thể phân ra hai loại như sau: a) Phương pháp thống kê Phương pháp thống kê được sử dụng trong nhận dạng lũ ngay từ thời kỳ đầu và vẫn tiếp tục được sử dụng cho tới nay. Phương pháp này có đặc điểm đơn giản, dễ sử dụng, dựa trên các phương trình tương quan về mối quan hệ giữa các yếu tố khí hậu, mưa và đặc trưng lũ. Tuy nhiên, phương pháp này có nhược điểm là bộ số liệu trong quá khứ phải đủ dài, bao gồm các dữ liệu đặc 11 trưng của lưu vực vực mới có thể xây dựng được các phương trình tương quan, thống kê có độ tin cậy cao. Bắt đầu từ năm 1958, Diệp Đốc Chính (Trung Quốc) phát hiện và phân tích những đột biến trong hoàn lưu khí quyển vào tháng 6 và tháng 10 vùng Đông Á, đó là những cơ sở phôi thai cho lý thuyết thống kê phân kỳ dòng chảy.

Phương pháp thống kê bao gồm các phương pháp sau: - Phân tích diễn biến dòng chảy: Phương pháp này là phương pháp cổ điển nhất nhận dạng lũ lớn. Phân tích diễn biến quá trình dòng chảy tại vị trí quan trắc trên lưu vực biến động so với giá trị trung bình nhiều năm từ đường cong tích lũy sai chuẩn ∑(ki-1) ~ t (Ki =Qi/Qtb Qi, Qi lưu lượng trung bình tại thời điểm i, Qtb là lưu lượng TBNN). Đường cong tích lũy này thể hiện chu kỳ dao động của dòng chảy theo thời gian. Thời kỳ đường cong tích lũy có độ dốc nghiêng lên so với đường nằm ngang và ∑(ki-1)>0 ứng với thời kỳ nhiều nước của chu kỳ giao động và ngược lại ∑(ki-1)<0 ứng với thời kỳ ít nước của chu kỳ.

Từ xu thế của biến trình, người ta có thể dự đoán được xu thế của dòng chảy trong thời gian tiếp theo. Phương pháp này mang tính chất định tính là chủ yếu. - Phương pháp phân tích tương quan: Xây dựng mối quan hệ đa biến giữa yếu tố dòng chảy cần dự báo (lưu lượng trung bình, các giá trị cực trị …) với các nhân tố khí hậu (mưa, bốc hơi, độ ẩm, nhiệt độ, hình thế thời tiết…). - Phương pháp xác suất thống kê: Cơ sở của phương pháp này dựa trên tính chất ngẫu nhiên của các đại lượng dòng chảy.

Mức độ định lượng của chúng theo không gian và thời gian tuân theo các quy luật ngẫu nhiên. Vận dụng phương pháp thống kê xác định mối quan hệ, đánh giá sự xuất hiện cũng như tần suất xuất hiện và đánh giá sự biến động của dòng chảy và các cực trị của chúng theo không gian và thời gian qua các tham số thống kê cơ bản. b) Phương pháp mô hình toán Ứng dụng mô hình toán trong nhận dạng lũ là xu hướng tiếp cận phổ biến hiện nay trên thế giới. Mô hình toán thủy văn gồm có mô hình tất định và mô 12 hình ngẫu nhiên.

Các mô hình thông kê thuộc loại mô hình ngẫu nhiên được sử dụng khá phổ biến trong nhận dạng lũ. Dựa trên các nguồn dữ liệu đầu vào như mưa, yếu tố khí hậu, các mô hình toán sẽ tính toán và đưa ra các kịch bản nhận dạng lũ khác nhau. Tùy theo nguồn dữ liệu đầu vào, tùy thuộc loại mô hình, nhận dạng lũ dựa trên các mô hình toán có thể thực hiện theo các thời hạn từ xa tới gần. Sự phát triển của các mô hình toán thủy văn, thủy lực, mô hình thống kê dự báo lũ có thể điểm lại như sau: i.

Mô hình thống kê: Từ những năm 1960 với các mô hình thống kê phân tích chuỗi thời gian như mô hình ARIMA (tác giả đầu tiên Box và Jenkin- Mỹ), mô hình Thomas- Fiering (tác giả đầu tiên Thomas- Fiering-Mỹ), phân tích dòng chảy theo tần suất được sử dụng nhận dạng lũ với thời gian dự kiến dự báo 5-10 ngày và tháng. Các mô hình thống kê này được ứng dụng ở nhiều nước trên thế giới, nhưng chỉ sử dụng một chuỗi số liệu dòng chảy đủ dài và tự tương quan với chính nó nên chất lượng thường không cao. Ra đời từ những năm 1940, phát triển mạnh vào những năm 1990, mô hình mô hình mạng thần kinh nhân tạo Artificial Neural Network (ANN) đã khắc phục các nhược điểm đó, thực hiện phân tích chuỗi thời gian và tương quan với nhiều yếu tố tác động tới dòng chảy, được sử dụng nhận dạng dài hạn dòng chảy rất phổ biến. Nhiều nghiên cứu cho thấy kết quả các mô hình ANN đã mang lại nhiều kết quả tích cực, có độ chính xác cao hơn các mô hình truyền thống khác.

Trong khoảng hơn một thập kỷ gần đây, rất nhiều nghiên cứu công bố về ứng dụng mô hình ANN và mô hình thống kê trong nhận dạng dòng chảy, nhận dạng lũ nhiều nơi trên thế giới như: * Đối với nhận dạng lũ, nhận dạng dòng chảy thời hạn vừa (5- 10 ngày) và thời hạn ngắn (24-48 giờ): Joorabchi và những người khác (nnk) (2007) [39] đã xây dựng mô hình ANN dựa trên dữ liệu lưu lượng dòng chảy ngày trong 64 năm để nhận dạng 13 dòng chảy của Sông Fitzroy, Úc lên tới trước 4 ngày. Kết quả cho thấy, mô hình ANN có khả năng nhận dạng lũ chính xác trong các trường hợp nước lớn (high flow events). Wang và nnk (2006) [53] đã thử nghiệm ba mô hình ANN lai (hybrid ANN) để nhận dạng dòng chảy ngày. Kết quả cho thấy so với các phương pháp truyền thống, mô hình ANN định kỳ (periodic ANN - PANN) cho kết quả tốt nhất.

Panda và nnk (2010) [48] đã so sánh khả năng nhận dạng mực nước lũ theo giờ bằng mô hình MIKE11 và mô hình ANN sử dụng cấu trúc lan truyền tiến (feedforward) với thuật toán huấn luyện là phản hồi ngược Levenberg– Marquardt (LM back propagation). Nghiên cứu cho thấy mô hình ANN cho kết tốt hơn rất nhiều so với mô hình MIKE11 HD. Aichouri và nnk (2015) [30] ứng dụng mô hình ANN thiết lập mối quan hệ giữa mưa và dòng chảy phục vụ nhận dạng dòng chảy ngày ở lưu vực sông Seybouse, phía bắc Algeria. Dữ liệu đầu vào là giá trị lượng mưa và dòng chảy trong bảy ngày trước đó (t - 1, t - 2, t - 3, t -4, t - 5, t - 6, t - 7) và giá trị lượng mưa dự kiến cho ngày t.

Dữ liệu đầu ra là dòng chảy dự kiến cho ngày t. Kết quả cho thấy khả năng nhận dạng dòng chảy của mô hình ANN vượt trội so với các mô hình hồi quy tuyến tính đa biến.Wang Chen và Chang (2009) [32] đã áp dụng mô hình mạng trí tuệ nhân tạo với thuật toán Thuyết Tiến Hóa - EANN (Evolutionary Algorithms Nueral Network) vào nhận dạng dòng chảy 10 ngày đến hồ chứa Shihmen thuộc lưu vực sông Tanshui, của Đài Loan. Mô hình EANN sử dụng thuật toán Thuyết Tiến Hóa để tìm và xây dựng mạng nơ ron thần kinh, các trọng số kết nối một cách tự động. Mô hình EANN sử dụng thuật toán giải đoán gen (GA - Genetic Algorithm) với thuật toán Leo Dốc - SCGA (Scaled conjugate Gradient Algorithm) để dò tìm và tối ưu hóa mạng nơ ron cùng với việc xác định các 14 trọng số kết nối.

Kết quả nhận dạng dòng chảy của mô hình EANN là tốt hơn nhiều so với mô hình AR và ARMAX (mô hình cải tiến của ARMA). Việc sử dụng mô hình EANN đã một phần nào đó khắc phục được nhược điểm cố hữu của mô hình ANN trong việc tìm ra mạng nơ ron phù hợp và tiết kiệm thời gian tìm kiếm.