Tổng quan luận án
Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu xây dựng thuật toán tối ưu bộ thông số cho mô hình thủy văn MARINE" được thực hiện bởi nghiên cứu sinh Bùi Đình Lập, thuộc chuyên ngành Thủy văn học (mã số: 9440224) tại Trường Đại học Thủy Lợi, dưới sự hướng dẫn khoa học của GS. Phạm Thị Hương Lan và GS. Trần Hồng Thái vào năm 2023.
Tính cấp thiết và khoảng trống nghiên cứu
Biến đổi khí hậu cùng sự biến động của nguồn nước và các hiện tượng thiên tai cực đoan như bão, lũ, ngập úng, hạn hán đặt ra yêu cầu cấp bách trong công tác dự báo và quản lý tài nguyên nước. Tính toán dòng chảy lũ trên lưu vực là bài toán phức tạp do tính bất định cao của các yếu tố khí tượng và mặt đệm. Tại Việt Nam, nghiệp vụ dự báo thủy văn phần lớn vẫn dựa vào các mô hình thông số tập trung, tiêu biểu là mô hình TANK và Mike-NAM. Hai mô hình này tồn tại hai hạn chế lớn:
- Chưa khai thác hiệu quả mạng lưới hơn 2000 trạm đo mưa mặt đất và số liệu mưa vệ tinh do chỉ tiếp nhận chuỗi số liệu mưa trung bình lưu vực;
- Bỏ qua sự phân bố mưa theo không gian cũng như vai trò điều tiết dòng chảy của mặt đệm lưu vực.
Để khắc phục nhược điểm trên, một số mô hình thủy văn thông số phân bố hiện đại như WEB-DHM, MARINE và WETSPA đã được đưa vào nghiên cứu tại các đơn vị thuộc Tổng cục Khí tượng Thủy văn (KTTV). Tuy nhiên, hầu hết các mô hình phân bố ứng dụng tại Việt Nam đều chưa được tích hợp công cụ điều khiển tối ưu thông số tự động. Việc dò tìm thông số hoàn toàn tiến hành thủ công bằng phương pháp thử sai, gây tiêu tốn thời gian, nhân lực và mang nặng tính chủ quan của người hiệu chỉnh. Đồng thời, cấu trúc toán học của các mô hình phân bố có tính phi tuyến mạnh với số lượng thông số rất lớn, khiến các thuật toán tối ưu đơn mục tiêu hoặc phương pháp gộp mục tiêu truyền thống dễ rơi vào điểm tối ưu cục bộ hoặc giả hội tụ. Do đó, việc nghiên cứu xây dựng giải thuật tối ưu toàn cục đa mục tiêu tích hợp trực tiếp vào mô hình thủy văn phân bố là yêu cầu khoa học cấp thiết.
Mục tiêu nghiên cứu
Luận án xác định 3 mục tiêu nghiên cứu cụ thể:
- Đề xuất được một giải thuật tối ưu toàn cục, đa mục tiêu mới dựa trên nền tảng tích hợp các ưu điểm của các giải thuật đang được đánh giá cao trên thế giới.
- Tích hợp được thuật toán tối ưu đề xuất vào mô hình thủy văn thông số phân bố MARINE.
- Áp dụng thử nghiệm thuật toán đề xuất mới cho lưu vực sông Nậm Mu (vùng hồ Bản Chát).
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Thuật toán tối ưu toàn cục, đa mục tiêu và cấu trúc mô hình thủy văn thông số phân bố.
- Phạm vi nghiên cứu: Bộ thông số của mô hình thủy văn MARINE (thông số thấm theo lý thuyết Green-Ampt và hệ số nhám Manning). Về không gian, nghiên cứu thử nghiệm trên lưu vực sông Nậm Mu dẫn dòng đến hồ Bản Chát (thuộc lưu vực sông Đà). Về thời gian, luận án sử dụng chuỗi số liệu quan trắc KTTV kéo dài 19 năm (2001 - 2019).
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trước trong và ngoài nước
Trên thế giới, các mô hình thủy văn thông số phân bố theo hướng tiếp cận vật lý - toán phát triển mạnh mẽ nhờ năng lực tính toán máy tính và dữ liệu viễn thám. Luận án đã khảo sát 12 mô hình phân bố tiêu biểu gồm: TOPMODEL (Beven & Kirkby, 1979), SHE (Abbott et al., 1986), MIKE SHE, GBHM, WEB-DHM (Wang et al., 2009), MARINE (Estupina-Borrell, 2005; Roux et al., 2012; Garambois et al., 2015), IFAS, WaSiM-ETH, DIMOSOP, WETSPA, KsEdgeFC2D và SWAT. Trong đó, mô hình MARINE do Viện Cơ học chất lỏng Toulouse (IMFT - Pháp) phát triển đã được ứng dụng trong dự án PACTES cảnh báo lũ quét thời gian thực tại vùng Pyrenees (Pháp) và chứng minh hiệu quả cao trên các lưu vực sông miền núi.
Về phương pháp ước tính thông số trong hệ thống phi tuyến, luận án phân loại thành:
- Phương pháp tất định: Dựa trên đạo hàm gradient như Gauss-Newton, Gauss-Marquardt-Levenberg, tiêu biểu qua các công cụ PEST (Doherty, 2005) hoặc MUSCOD-II (Đại học Heidelberg, 2011). Hướng tiếp cận này nhạy cảm với điểm xuất phát và dễ mắc kẹt ở cực trị địa phương.
- Phương pháp ngẫu nhiên: Giải thuật mô phỏng tôi luyện (SA), giải thuật di truyền (GA), giải thuật tối ưu bầy đàn (PSO), tìm kiếm hài hòa (HSA) và thuật toán tiến hóa xáo trộn phức hợp của Đại học Arizona (SCE-UA; Duan et al., 1992, 1993, 1994). SCE-UA được chứng minh là công cụ hiệu quả cho bài toán tối ưu đơn mục tiêu trong thủy văn.
- Phương pháp tiến hóa đa mục tiêu (MOEAs): Nhằm giải quyết bài toán mâu thuẫn giữa các mục tiêu thủy văn, các thuật toán như MOCOM-UA (Yapo et al., 1998), MOSCEM-UA (Vrugt et al., 2003), MOPSO, MOGA đã được áp dụng. Gần đây, thuật toán SPEA/R (2017) phát triển dựa trên việc sử dụng các hướng tham chiếu (reference directions) đã mở rộng khả năng tối ưu hóa lên tới hàng chục mục tiêu đồng thời.
Tại Việt Nam, các nghiên cứu ứng dụng kỹ thuật tối ưu hóa trong lĩnh vực thủy văn và tài nguyên nước chủ yếu tập trung vào bài toán vận hành hồ chứa và liên hồ chứa:
- Trần Hồng Thái (2000): Ứng dụng kỹ thuật bắn đa điểm trực tiếp kết hợp điều khiển dự đoán mô hình phi tuyến (NMPC) để điều tiết giảm lũ hồ Hòa Bình trên sông Hồng;
- Hà Văn Khối và Lê Bảo Trung: Dùng quy hoạch động hai chiều tối ưu hóa bậc thang phát điện Nậm Nhùn - Sơn La - Hòa Bình;
- Nguyễn Thế Hùng và Lê Hùng: Dùng GA tối ưu sản lượng điện hồ Ea Krông Rou (Khánh Hòa);
- Ngô Lê Long, Henrik Madsen và Dan Rosbjerg: Kết hợp MIKE 11 với SCE tối ưu hóa vận hành hồ Hòa Bình;
- Nguyễn Lan Châu và cộng sự: Ứng dụng GAMS đánh giá dòng chảy hạ lưu sông Hồng;
- Hoàng Thanh Tùng, Hà Văn Khối, Nguyễn Thanh Hải: Dùng phần mềm Crystal Ball xác định chế độ vận hành tối ưu hệ thống hồ chứa Thác Bà, Tuyên Quang, Sơn La, Hòa Bình;
- Nguyễn Hữu Khải và Lê Xuân Cầu: Ứng dụng GA tối ưu đa mục tiêu liên hồ chứa lưu vực sông Ba;
- Về bài toán ước tính thông số mô hình thủy văn: Trần Hồng Thái (2003) xây dựng phần mềm trên nền mã nguồn mở PARFIT (IWR, Heidelberg) để xác định thông số dòng chảy hệ thống sông Hồng. Các mô hình mưa - dòng chảy thông dụng như TANK sử dụng phương pháp tìm kiếm Rosenbrock với hàm mục tiêu tổng bình phương sai số lưu lượng; mô hình Mike-NAM của Viện Thủy lực Đan Mạch (DHI) tích hợp thuật toán SCE tối ưu hàm mục tiêu tổng hợp $F_{agg}$ từ 4 thành phần sai số ($F_1$ sai số tổng lượng, $F_2$ sai số dạng đường quá trình RMSE, $F_3$ sai số đỉnh lũ, $F_4$ sai số dòng chảy ngầm).
Khoảng trống nghiên cứu luận án lựa chọn giải quyết
Tổng quan các công trình cho thấy bài toán ước tính tối ưu thông số cho mô hình thủy văn phân bố phi tuyến tại Việt Nam vẫn là một khoảng trống lớn. Các thuật toán tối ưu hiện hành bộc lộ ba hạn chế cốt lõi:
- Thời gian tính toán và hiệu chỉnh rất lớn khi áp dụng cho mô hình thông số phân bố với hàng nghìn ô lưới;
- Xu hướng rơi vào hiện tượng giả hội tụ (premature convergence) khi số lượng thông số cần tìm lớn hoặc giữa các hàm mục tiêu có mức độ tương quan cao;
- Hiệu quả thuật toán suy giảm rõ rệt khi số lượng hàm mục tiêu tăng lên, trong khi việc kết hợp các mục tiêu thành một hàm tổng hợp bằng trọng số mang nặng tính chủ quan.
Luận án lựa chọn giải quyết trực tiếp bài toán tối ưu Pareto đa mục tiêu, kết hợp thế mạnh của thuật toán tìm kiếm toàn cục SCE-UA với kỹ thuật phân rã không gian mục tiêu dựa trên hướng tham chiếu của thuật toán SPEA/R, tích hợp mã nguồn trực tiếp vào mô hình MARINE.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và khung phân tích
- Cấu trúc mô hình thủy văn phân bố MARINE: Mô hình phân chia lưu vực thành mạng lưới ô vuông đều. Quá trình tổn thất do thấm được mô tả bằng lý thuyết thấm Green-Ampt suy dẫn từ phương trình liên tục và định luật Darcy: $$f = K \left( 1 + \frac{\psi \cdot \Delta\theta}{F(t)} \right)$$ Trong đó $f$ là tốc độ thấm; $K$ là độ dẫn thủy lực bão hòa; $\psi$ là cột nước mao dẫn tại mặt ướt; $\Delta\theta$ là độ thiếu hụt độ ẩm; $F(t)$ là lượng thấm tích lũy. Thành phần dòng chảy tràn trên bề mặt ô lưới và sườn dốc được tính toán dựa trên phương trình sóng động học hoặc bảo toàn khối lượng kết hợp công thức Manning.
- Lý thuyết tối ưu hóa đa mục tiêu Pareto (MOP): Bài toán tìm vector tham số $x \in \Omega$ nhằm cực tiểu hóa đồng thời $m$ hàm mục tiêu $F(x) = (f_1(x), \dots, f_m(x))^T$. Khái niệm Pareto dominance xác định nghiệm $x^{(1)}$ trội hơn $x^{(2)}$ ($x^{(1)} \ll x^{(2)}$) nếu $x^{(1)}$ không xấu hơn $x^{(2)}$ ở tất cả mục tiêu và tốt hơn ở ít nhất một mục tiêu. Tập hợp các nghiệm không bị trội tạo thành tập Pareto tối ưu (Pareto Optimal Set - PS) và biên Pareto (Pareto Optimal Front - POF).
- Thuật toán đề xuất MSCE_UA: Tích hợp phương chế tiến hóa xáo trộn phức hợp của SCE-UA với thuật toán tiến hóa đa mục tiêu dựa trên hướng tham chiếu SPEA/R. Các khái niệm nền tảng bao gồm: sinh mẫu ngẫu nhiên, phân chia phức hợp, tiến hóa cạnh tranh cải tiến (MCCE), phân rã không gian mục tiêu bằng các vector hướng tham chiếu đều và đánh giá độ thích nghi (fitness) theo SPEA/R.
+-----------------------------------------------------------------------------------+
| Quy trình giải thuật MSCE_UA |
+-----------------------------------------------------------------------------------+
| 1. Khởi tạo: Nạp cấu hình, không gian tham số giới hạn [X_min, X_max] |
| 2. Sinh mẫu: Tạo ngẫu nhiên s cá thể; tính giá trị m hàm mục tiêu cho từng cá thể |
| 3. Hướng tham chiếu: Thiết lập hệ thống vector tham chiếu W (UniformPoint) |
| 4. Đánh giá: Tính hàm thích nghi (fitness) SPEA/R; sắp xếp quần thể |
| 5. Phân chia phức hợp: Chia s cá thể thành p phức hợp độc lập |
| 6. Tiến hóa phức hợp: Áp dụng thuật toán tiến hóa cạnh tranh cải tiến (MCCE) |
| 7. Xáo trộn quần thể: Trộn các phức hợp; cập nhật fitness SPEA/R; sắp xếp lại |
| 8. Kiểm tra dừng: Kiểm tra điều kiện hội tụ hoặc suy giảm phức hợp (p = p - 1) |
+-----------------------------------------------------------------------------------+
Phương pháp nghiên cứu
Luận án áp dụng kết hợp 5 phương pháp và kỹ thuật:
- Phương pháp phân tích và tổng hợp lý thuyết: Thu thập, phân tích có chọn lọc các lý thuyết toán tối ưu và cấu trúc 12 mô hình thủy văn phân bố trên thế giới để xác định khoảng trống khoa học.
- Phương pháp kế thừa: Kế thừa mã nguồn mô hình MARINE từ đề tài cấp Nhà nước "Nghiên cứu xây dựng công nghệ dự báo dòng chảy lũ đến các hồ chứa lớn trên hệ thống sông Hồng"; sử dụng chuỗi số liệu khí tượng thủy văn giai đoạn 2001 - 2016 từ đề tài này và giai đoạn 2017 - 2019 từ cơ sở dữ liệu Trung tâm Dự báo KTTV quốc gia.
- Phương pháp chuyên gia: Tham vấn ý kiến của các chuyên gia trong các hội thảo khoa học chuyên ngành trong và ngoài nước để định hình cấu trúc thuật toán.
- Phương pháp phân tích hệ thống: Phân tích các mối quan hệ tương tác phi tuyến giữa các tiến trình mưa, thấm, bốc hơi, dòng chảy mặt và dòng chảy ngầm bên trong mô hình để xác lập giao thức tích hợp giải thuật tối ưu.
- Kỹ thuật GIS và lập trình tính toán:
- Kỹ thuật GIS: Sử dụng các phần mềm ArcInfo WorkStation, ArcView, ArcEditor, MapInfo, AutoCAD kết hợp ngôn ngữ lập trình Python và mã macro AML (Arc Macro Language) để xử lý bản đồ số độ cao DEM, thổ nhưỡng, thảm phủ; phân chia tiểu lưu vực theo kỹ thuật Pfafstetter và xây dựng phân vùng mưa Thiessen.
- Kỹ thuật lập trình: Sử dụng MATLAB để kiểm định thuật toán MSCE_UA trên các bài toán chuẩn (ZDT1, ZDT6, DTLZ1, DTLZ5). Sử dụng ngôn ngữ Fortran và C++ (biên dịch bằng gfortran và g++ trong môi trường Cygwin) để lập trình tích hợp trực tiếp thuật toán MSCE_UA vào mã nguồn mô hình MARINE.
Nguồn tư liệu và dữ liệu
- Dữ liệu địa hình: Bản đồ mô hình số độ cao (DEM) lưu vực sông Nậm Mu;
- Dữ liệu thổ nhưỡng và thảm phủ: Bản đồ sử dụng đất, thảm thực vật và phân loại đất phát sinh trên lưu vực hồ Bản Chát;
- Dữ liệu khí tượng thủy văn: Chuỗi số liệu lượng mưa đo tại mạng lưới trạm mặt đất, mực nước và lưu lượng dòng chảy đến hồ Bản Chát theo từng giờ trong suốt 19 năm mùa lũ (2001 - 2019).
Nội dung chính theo từng chương
Chương 1: Tổng quan các nghiên cứu về mô hình toán thủy văn thông số phân bố và bài toán ước tính thông số trong hệ thống phi tuyến
Chương 1 đi sâu phân tích cấu trúc vật lý - toán của 12 mô hình thủy văn thông số phân bố và đối chiếu lát cắt ngang trên 5 mô hình điển hình: WEB-DHM, WetSpa, MARINE, TOPMODEL và KsEdgeFC2D.
| Thành phần hệ thống | Mô hình WEB-DHM | Mô hình WetSpa | Mô hình MARINE / TOPMODEL |
|---|---|---|---|
| Khí quyển & Bốc hơi | 11 biến trạng thái; cân bằng năng lượng và nhiệt độ thực vật ($T_c$), mặt đất ($T_g$), tầng sâu ($T_d$); bốc hơi $E_c, E_g$ | Bốc hơi tiềm năng (PET) và thực tế (ES) theo Thornthwaite-Mather; xét bốc hơi tán lá ($EI$) và đất | Bỏ qua quá trình trao đổi năng lượng khí quyển và tổn thất bốc hơi |
| Tổn thất thảm phủ | Phân lớp lỏng/rắn; phương trình cân bằng nước trên từng ô lưới | Cân bằng nước tán lá theo dung tích trữ tiềm năng $I_{i,0}$ | Bỏ qua hoặc xem như một hệ số cố định |
| Dòng sát mặt & ngầm | Phương trình Richards 1 chiều ($q_{vertical}$); dòng sát mặt ($q_{lateral}$) qua lớp rễ cây; đơn vị BHU | Cân bằng ẩm vùng rễ $D_i[\theta_i(t) - \theta_i(t-1)]$; dòng sát mặt $RI_i$; dòng ngầm $RG_i, Q_{Gs}$ | Không xét dòng ngầm; tính dòng sát mặt theo bảo toàn khối lượng và thấm Green-Ampt |
| Diễn toán dòng trong sông | Sóng động học 1 chiều: $\frac{\partial Q}{\partial x} + \frac{\partial A_r}{\partial t} = q_{BHU}$ | Sóng khuếch tán: $\frac{\partial Q}{\partial t} + c_i \frac{\partial Q}{\partial x} - d_i \frac{\partial^2 Q}{\partial x^2} = 0$ | Không tích hợp sẵn trong cấu trúc lõi; cần liên kết mô đun ngoài |
Chương này cũng tổng hợp các bảng thực nghiệm về thuộc tính đất và thảm phủ:
| Loại đất | Độ rỗng $\eta$ | Độ rỗng hiệu quả $\theta_e$ | Lực hút mao dẫn $\psi$ (cm) | Độ dẫn thủy lực $K$ (cm/h) |
|---|---|---|---|---|
| Cát | 0,437 | 0,417 | 4,95 | 11,78 |
| Cát nhiều mùn | 0,437 | 0,401 | 6,13 | 2,99 |
| Mùn cát | 0,453 | 0,412 | 11,01 | 1,09 |
| Mùn | 0,463 | 0,434 | 8,89 | 0,34 |
| Mùn pha bùn | 0,501 | 0,486 | 16,68 | 0,65 |
| Đất sét pha cát | 0,398 | 0,330 | 21,85 | 0,15 |
| Đất sét mùn | 0,464 | 0,309 | 20,88 | 0,10 |
| Sét pha | 0,479 | 0,423 | 29,22 | 0,05 |
| Đất sét | 0,475 | 0,385 | 31,63 | 0,03 |
Phân loại thảm phủ gồm 10 kiểu chính: cây lá rộng quanh năm, cây lá rộng rụng lá theo mùa, cây hỗn giao lá rộng - lá kim, cây lá kim quanh năm, cây lá kim rụng lá theo mùa, thảm thực vật ngắn/cỏ C4, cây bụi lá rộng đồi trọc, cây lùn và bụi, cây nông nghiệp/đồng cỏ C3, và mặt nước.
Về phương pháp tối ưu, tác giả phân tích thuật toán TANK (36 thông số hiệu chỉnh bằng Rosenbrock) và Mike-NAM (hiệu chỉnh bằng hàm tổng hợp $F_{agg}$ trên giải thuật SCE). Tác giả chỉ ra rằng việc gộp các hàm mục tiêu làm mất đi tính cạnh tranh tự nhiên của các thuộc tính thủy văn và chưa có nghiên cứu trong nước nào giải quyết trọn vẹn bài toán ước tính thông số tự động đa mục tiêu cho mô hình phân bố phi tuyến.
Chương 2: Cơ sở khoa học đề xuất giải thuật tối ưu bộ thông số mô hình MARINE
Chương 2 trình bày cơ sở toán học của bài toán tối ưu đa mục tiêu (MOP) và cấu trúc thuật toán đề xuất MSCE_UA.
Thuật toán MSCE_UA khắc phục hiện tượng giả hội tụ của SCE-UA khi số chiều lớn bằng cách thay thế cơ chế sắp xếp mẫu đơn mục tiêu bằng cơ chế đánh giá cá thể dựa trên các vector hướng tham chiếu kế thừa từ SPEA/R. Các bước tiến hành của thuật toán gồm:
- Nạp tệp cấu hình và xác định không gian tìm kiếm thông số $\Omega \in \mathbb{R}^n$;
- Khởi tạo quần thể $s$ cá thể ngẫu nhiên và tính toán giá trị của $M$ hàm mục tiêu;
- Tạo mạng lưới các vector hướng tham chiếu $W$ phân bố đều trên đơn vị đơn hình bằng hàm
UniformPoint; - Tính toán độ thích nghi (fitness) theo thuật toán SPEA/R dựa trên khoảng cách góc và khoảng cách chiếu tới các hướng tham chiếu, sau đó sắp xếp quần thể;
- Phân chia $s$ cá thể vào $p$ phức hợp;
- Tiến hóa từng phức hợp độc lập bằng thuật toán tiến hóa cạnh tranh cải tiến MCCE (
void MCCE(Cx, Cf)); - Xáo trộn các phức hợp đã tiến hóa thành quần thể chung, tính toán lại độ thích nghi SPEA/R và sắp xếp lại;
- Lặp lại chu trình cho đến khi đạt tiêu chuẩn dừng hoặc thực hiện quy trình suy giảm số lượng phức hợp ($p = p - 1$).
Hiệu năng của MSCE_UA được thử nghiệm trên môi trường MATLAB qua các bài toán benchmark chuẩn quốc tế:
- Bộ bài toán ZDT (ZDT1, ZDT6) cho tối ưu 2 mục tiêu;
- Bộ bài toán DTLZ (DTLZ1, DTLZ5) cho tối ưu 3 mục tiêu. Kết quả đánh giá thông qua hai chỉ số chất lượng: khoảng cách thế hệ nghịch đảo (IGD - Inverted Generational Distance) và siêu thể tích (HV - Hypervolume) chứng minh giải thuật MSCE_UA có độ hội tụ cao và đảm bảo tính đa dạng mẫu vượt trội trên toàn bộ mặt biên Pareto front.
Cuối chương, tác giả trình bày việc giải mã mã nguồn mô hình MARINE của IMFT, thiết kế giao tiếp dữ liệu đầu vào/đầu ra và biên dịch tích hợp thuật toán MSCE_UA bằng C++ và Fortran trong môi trường Cygwin, tạo thành một hệ thống dự báo tích hợp hoàn chỉnh.
Chương 3: Kết quả nghiên cứu thử nghiệm và thảo luận
Chương 3 áp dụng giải thuật MSCE_UA và mô hình MARINE trên lưu vực sông Nậm Mu dẫn dòng vào hồ Bản Chát (diện tích lưu vực tính đến tuyến công trình là $3.903\text{ km}^2$).
- Phân chia lưu vực: Ứng dụng kỹ thuật đánh số Pfafstetter thông qua mã lệnh AML trong ArcInfo, phân tách lưu vực hồ Bản Chát thành 9 tiểu lưu vực bộ phận (đánh số từ tiểu lưu vực 1 đến 9). Sử dụng phương pháp Thiessen để phân vùng mưa ảnh hưởng cho toàn bộ mạng lưới ô lưới.
- Hệ thống dữ liệu thử nghiệm: Chuỗi số liệu quan trắc KTTV 19 năm (2001 - 2019) được chia tách thành giai đoạn hiệu chỉnh và giai đoạn kiểm định. Phân tích các trận mưa lũ cho thấy có 3 cấp mưa điển hình với các hình thế synop gây mưa lớn chủ đạo: rãnh áp thấp kết hợp xoáy thấp, dải hội tụ nhiệt đới và hoàn lưu bão.
- Lựa chọn thông số và hàm mục tiêu:
- Thông số hiệu chỉnh: Nhóm thông số thấm của lý thuyết Green-Ampt ($K$, độ dày tầng đất $D$, độ rỗng hiệu quả) và hệ số nhám Manning mặt đệm ($n$) cho 9 tiểu lưu vực.
- Hàm mục tiêu: Luận án thiết lập tối ưu hóa đồng thời 3 hàm mục tiêu độc lập:
- Hệ số hiệu quả Nash-Sutcliffe (NASH) nhằm tối ưu hóa độ trùng khớp tổng thể đường quá trình lưu lượng;
- Sai số căn bậc hai trung bình (RMSE) nhằm kiểm soát độ lệch biên độ sai số dòng chảy;
- Sai số đỉnh lũ tuyệt đối (APD - Absolute Peak Difference) nhằm tối ưu hóa độ chính xác mô phỏng lưu lượng đỉnh lũ.
| Nhóm thông số | Thông số hiệu chỉnh | Giới hạn dưới ($X_{min}$) | Giới hạn trên ($X_{max}$) |
|---|---|---|---|
| Nhóm thấm Green-Ampt | Độ dẫn thủy lực bão hòa $K$ (mm/h) | Giá trị thực nghiệm loại đất | Ngưỡng cận trên thực nghiệm |
| Dung tích trữ ẩm hữu hiệu $\Delta\theta$ | Ngưỡng đất cực hạn | Giá trị bão hòa | |
| Cột nước áp lực mao dẫn $\psi$ (cm) | Theo loại đất thực nghiệm | Theo loại đất thực nghiệm | |
| Nhóm nhám mặt đệm | Hệ số nhám Manning $n$ | Tương ứng thảm phủ thấp nhất | Tương ứng thảm phủ cao nhất |
- Kết quả mô phỏng và so sánh thuật toán:
- Thuật toán MSCE_UA xác định được tập nghiệm tối ưu Pareto thỏa mãn đồng thời cả 3 mục tiêu. Đường quá trình lưu lượng tính toán bám sát thực tế quan trắc trong các mùa lũ điển hình (đặc biệt các năm 2009 và 2019).
- So sánh đối chứng giữa giải thuật mới MSCE_UA và giải thuật gốc SCE_UA:
- SCE_UA (chạy đơn mục tiêu NASH) làm cho các thông số bị dồn cục bộ về sát biên giới hạn, dẫn đến hiện tượng giả hội tụ; tuy chỉ số NASH có thể cao nhưng sai số lưu lượng đỉnh (APD) và dạng chân lũ bị sai lệch lớn.
- MSCE_UA với cơ chế phân rã hướng tham chiếu phân bố các nghiệm đều khắp không gian tham số chuẩn hóa, cân bằng hoàn hảo giữa việc mô phỏng đỉnh lũ, tổng lượng dòng chảy và chân đường quá trình lũ. Chỉ số kiểm định NASH qua các sự kiện lũ kiểm định của MSCE_UA đạt mức "Tốt" và "Rất tốt" ổn định hơn so với nghiệm tìm được từ SCE_UA.
Kết quả và những đóng góp mới
Những đóng góp mới về mặt khoa học và lý luận
- Đề xuất thành công giải thuật tối ưu toàn cục đa mục tiêu mới mang tên MSCE_UA, được xây dựng trên sự lai ghép giữa cấu trúc tiến hóa xáo trộn phức hợp của SCE-UA và cơ chế phân rã không gian mục tiêu dựa trên hướng tham chiếu của SPEA/R.
- Giải thuật MSCE_UA giải quyết được ba hạn chế lớn của các thuật toán tối ưu tham số thủy văn truyền thống: rút ngắn thời gian hiệu chỉnh đối với mô hình phân bố có không gian tham số lớn; khắc phục hiện tượng giả hội tụ; và duy trì độ đa dạng của tập nghiệm Pareto khi giải bài toán tối ưu với nhiều hàm mục tiêu mâu thuẫn.
Những đóng góp mới về mặt thực tiễn và ứng dụng
- Giải mã thành công cấu trúc mã nguồn mô hình MARINE và tích hợp trực tiếp thuật toán MSCE_UA bằng ngôn ngữ C++ và Fortran, tạo ra một công cụ mô hình thủy văn phân bố có khả năng tự động hóa dò tìm bộ thông số tối ưu.
- Thiết lập thành công bộ thông số tối ưu cho mô hình MARINE trên lưu vực sông Nậm Mu (vùng hồ Bản Chát) dựa trên chuỗi số liệu quan trắc thực tế 19 năm (2001 - 2019), hỗ trợ công tác dự báo nghiệp vụ dòng chảy lũ đến hồ chứa.
- Cung cấp quy trình công nghệ kết hợp kỹ thuật GIS (hệ thống đánh số Pfafstetter và đa giác Thiessen) với mô hình toán phân bố, có khả năng chuyển giao và áp dụng cho các lưu vực sông miền núi khác tại Việt Nam.
Kiến nghị và giải pháp đề xuất
- Mở rộng ứng dụng thuật toán MSCE_UA để hiệu chỉnh thông số cho các mô hình thủy văn phân bố khác như WEB-DHM và WETSPA;
- Ứng dụng giải thuật vào bài toán tối ưu hóa điều hành hệ thống liên hồ chứa đa mục tiêu trong mùa lũ và mùa cạn;
- Hoàn thiện giao diện đồ họa người dùng (GUI) cho hệ thống MARINE - MSCE_UA để phục vụ công tác tác nghiệp dự báo thời gian thực tại các Đài KTTV khu vực.
Hạn chế và hướng nghiên cứu tiếp
Căn cứ trên các nội dung văn bản luận án đã nêu:
- Hạn chế:
- Mô hình MARINE không tích hợp sẵn mô đun thủy lực diễn toán dòng chảy trong lòng dẫn sông, mà phải ghép nối liên kết với các phương pháp bên ngoài;
- Nghiên cứu mới chỉ thử nghiệm hiệu chỉnh trên một lưu vực đơn lẻ là lưu vực sông Nậm Mu (hồ Bản Chát);
- Dữ liệu đầu vào thử nghiệm chủ yếu là chuỗi số liệu quan trắc mưa mặt đất lịch sử theo mùa lũ, chưa tích hợp thử nghiệm đồng hóa trực tiếp với nguồn dữ liệu viễn thám ra-đa thời tiết thời gian thực.
- Hướng nghiên cứu tiếp:
- Bổ sung và tích hợp một khối tính toán thủy lực diễn toán lũ trong sông hoàn chỉnh vào mã nguồn mô hình MARINE;
- Triển khai ứng dụng thử nghiệm mô hình MARINE tích hợp MSCE_UA sang các lưu vực sông khác thuộc vùng núi phía Bắc và miền Trung Việt Nam;
- Nghiên cứu ứng dụng kỹ thuật đồng hóa dữ liệu (data assimilation) kết hợp dữ liệu mưa ra-đa và mưa dự báo số trị để nâng cao khả năng cảnh báo sớm lũ quét và lũ quy mô tiểu lưu vực.
Giá trị tham khảo
Luận án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:
- Nghiên cứu sinh, học viên cao học và giảng viên: Chuyên ngành Thủy văn học, Tài nguyên nước, Toán ứng dụng và Tin học môi trường có thể tham khảo phương pháp luận kết hợp giải thuật tiến hóa đa mục tiêu với mô hình thủy văn phân bố phi tuyến (Chương 2).
- Kỹ sư và chuyên gia dự báo khí tượng thủy văn: Các cơ quan thuộc Tổng cục Khí tượng Thủy văn và Trung tâm Dự báo KTTV quốc gia có thể khai thác quy trình xử lý không gian GIS, phân chia lưu vực Pfafstetter và bộ thông số mô hình MARINE trên sông Nậm Mu (Chương 3) để phục vụ công tác nghiệp vụ dự báo lũ hồ Bản Chát.
- Đơn vị quản lý và vận hành công trình hồ chứa thủy điện, thủy lợi: Tham khảo mô hình tính toán dòng chảy đến hồ để tối ưu hóa quy trình điều tiết, cắt giảm lũ hạ du và gia tăng hiệu quả kinh tế phát điện.
Câu hỏi thường gặp
1. Giải thuật MSCE_UA do luận án đề xuất được phát triển dựa trên việc kết hợp những thuật toán nào?
Giải thuật MSCE_UA được xây dựng trên sự lai ghép giữa giải thuật tiến hóa xáo trộn phức hợp SCE-UA (do Duan et al. phát triển tại Đại học Arizona) và giải thuật tiến hóa đa mục tiêu SPEA/R (được đề xuất năm 2017). Thuật toán tận dụng cơ chế phân chia phức hợp và xáo trộn quần thể của SCE-UA kết hợp với kỹ thuật phân rã không gian mục tiêu và đánh giá độ thích nghi dựa trên hệ thống các vector hướng tham chiếu của SPEA/R.
2. Ba hàm mục tiêu nào được lựa chọn để hiệu chỉnh đồng thời mô hình MARINE trong luận án?
Luận án lựa chọn 3 hàm mục tiêu độc lập gồm:
- Hệ số Nash-Sutcliffe (NASH) nhằm tối ưu hóa sự tương đồng tổng thể của đường quá trình dòng chảy;
- Sai số căn bậc hai trung bình (RMSE) nhằm kiểm soát sai số phương sai giữa dòng chảy mô phỏng và thực tế;
- Độ lệch đỉnh lũ tuyệt đối (APD - Absolute Peak Difference) nhằm tối ưu độ chính xác tại thời điểm xuất hiện lưu lượng đỉnh lũ.
3. Mô hình MARINE tính toán tổn thất do thấm theo lý thuyết nào?
Mô hình MARINE mô tả quá trình tổn thất từ mưa do thấm dựa trên lý thuyết thấm Green-Ampt, được xây dựng từ phương trình liên tục và định luật Darcy, với tốc độ thấm $f = K(1 + \frac{\psi \cdot \Delta\theta}{F(t)})$, trong đó $K$ là độ dẫn thủy lực bão hòa, $\psi$ là sức hút mao dẫn của mặt ướt, và $F(t)$ là lượng thấm tích lũy.
4. Kỹ thuật GIS nào được tác giả sử dụng để phân chia các tiểu lưu vực thử nghiệm trên lưu vực hồ Bản Chát?
Tác giả đã ứng dụng kỹ thuật đánh số lưu vực Pfafstetter thông qua mã lệnh ngôn ngữ AML (Arc Macro Language) chạy trên môi trường phần mềm ArcInfo WorkStation để tự động hóa quá trình phân tách và phân cấp mạng lưới sông suối, chia lưu vực hồ Bản Chát thành 9 tiểu lưu vực bộ phận.
5. So với giải thuật gốc SCE_UA, giải thuật MSCE_UA thể hiện ưu thế gì trong bài toán hiệu chỉnh mô hình?
Giải thuật gốc SCE_UA tối ưu đơn mục tiêu (hoặc gộp mục tiêu) thường dẫn đến hiện tượng co cụm nghiệm về sát các biên tham số (giả hội tụ), làm sai lệch lưu lượng đỉnh hoặc dạng đường quá trình. Giải thuật MSCE_UA tìm kiếm trực tiếp trên mặt biên Pareto, cho phân bố nghiệm trải đều trong không gian tham số chuẩn hóa, bảo đảm mô phỏng chính xác đồng thời cả hình dạng đường quá trình lũ, tổng lượng dòng chảy và đỉnh lũ.
Kết luận
Luận án của nghiên cứu sinh Bùi Đình Lập đã giải quyết bài toán ước tính thông số tự động cho mô hình thủy văn phân bố phi tuyến MARINE thông qua việc đề xuất giải thuật tối ưu toàn cục đa mục tiêu MSCE_UA. Bằng cách tích hợp cơ chế phân rã hướng tham chiếu của SPEA/R vào cấu trúc xáo trộn phức hợp của SCE-UA và biên dịch trực tiếp vào mã nguồn C++/Fortran của mô hình MARINE, công trình đã khắc phục hiệu quả hiện tượng giả hội tụ và rút ngắn thời gian tính toán. Kết quả thử nghiệm trên chuỗi số liệu 19 năm tại lưu vực sông Nậm Mu (hồ Bản Chát) với 3 hàm mục tiêu đồng thời khẳng định độ chính xác và tính ứng dụng cao của mô hình trong công tác dự báo khí tượng thủy văn nghiệp vụ.