Nghiên Cứu Ứng Dụng Mạng Nơ-Ron Nhân Tạo Trong Dự Báo Lưu Lượng Nước

Luận văn thạc sĩ kỹ thuật phân tích nghiên cứu ứng dụng các phương pháp học máy tiên tiến trong công tác dự báo vận hành hồ hòa bình, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Phạm Thị Hoàng Nhung
• Người hướng dẫn: GS. Hà Quang Thọ
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Ứng Dụng Mạng Nơ-Ron Nhân Tạo Trong Dự Báo Lưu Lượng Nước
• Loại tài liệu: luận văn thực sự
• Năm xuất bản: 2007
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MẠNG NƠ-RON NHÂN TẠO TRUYỀN THẲNG NHIỀU LỚP
• 1.1. Giới thiệu về mạng nơ-ron nhân tạo
• 1.1.1. Khái niệm cơ bản
• 1.1.2. Mô hình mạng nơ-ron nhân tạo
• 1.1.3. Khả năng ứng dụng của mạng nơ-ron nhân tạo
• 1.2. Mạng nơ-ron lan truyền thẳng nhiều lớp
• 1.2.1. Mạng perceptron một lớp
• 1.2.2. Mạng perceptron nhiều lớp
• 1.2.3. Một số vấn đề cần chú ý khi sử dụng mạng MLP
• 1.3. Kết luận chương
• 2. CHƯƠNG 2: KẾT HỢP GIẢI THUẬT DI TRUYỀN VỚI GIẢI THUẬT LAN TRUYỀN NGƯỢC SAI SỐ ĐỂ TỐI ƯU HOÁ TRỌNG SỐ MẠNG NƠ-RON NHÂN TẠO
• 2.1. Giới thiệu giải thuật di truyền
• 2.1.1. Tư tưởng chính của giải thuật di truyền
• 2.1.2. Giải thuật di truyền đơn giản
• 2.2. Ứng dụng giải thuật di truyền vào bài toán tối ưu hoá trọng số của mạng nơ-ron nhân tạo
• 2.2.1. Xây dựng hàm giá
• 2.2.2. Mã hoá nhiễm sắc thể
• 2.2.3. Giải thuật đề xuất
• 2.2.4. Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số để tối ưu hoá trọng số mạng nơ-ron nhân tạo
• 2.3. Kết luận chương
• 3. CHƯƠNG 3: ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO VÀO VIỆC DỰ BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒ HOÀ BÌNH
• 3.1. Điều kiện địa lý, tự nhiên, khí tượng thuỷ văn lưu vực sông Đà
• 3.1.1. Vị trí địa lý
• 3.1.2. Điều kiện địa chất
• 3.1.3. Điều kiện thổ nhưỡng
• 3.1.4. Đặc điểm khí hậu
• 3.1.5. Đặc điểm chế độ thuỷ văn
• 3.1.6. Thống kê dữ liệu thu thập được
• 3.2. Các phương pháp dự báo
• 3.2.1. Dựa trên mô hình vật lý
• 3.2.2. Dựa trên mô hình toán
• 3.2.3. Hướng tiếp cận mới
• 3.3. Một số chỉ tiêu đánh giá kết quả dự báo
• 3.4. Dự báo lưu lượng đến hồ Hoà Bình trước 10 ngày
• 3.4.1. Phần mềm xây dựng
• 3.4.2. Số liệu sử dụng
• 3.5. Các phương án dự báo
• 3.6. Kết luận chương
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A - GIỚI THIỆU VỀ PHẦN MỀM DỰ BÁO
• PHỤ LỤC B - MẪU HỌC THỬ NGHIỆM SO SÁNH CÁC PHƯƠNG PHÁP LAI GHÉP VÀ ĐỘT BIẾN
• PHỤ LỤC C - SỐ LIỆU HỌC VÀ KIỂM TRA TRONG BÀI TOÁN DỰ BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒ HOÀ BÌNH

Tóm tắt

I. Tổng Quan Ứng Dụng Mạng Nơ Ron Dự Báo Lưu Lượng Nước

Dự báo thủy văn là một lĩnh vực quan trọng, giúp dự đoán trạng thái biến đổi của các yếu tố thủy văn trong tương lai. Việc dự báo chính xác lưu lượng nước có vai trò then chốt trong quản lý tài nguyên nước, phòng chống lũ lụt và nhiều ứng dụng khác. Hiện nay, có nhiều phương pháp dự báo được sử dụng, từ mô hình vật lý đến mô hình toán học. Tuy nhiên, việc áp dụng các phương pháp học máy, đặc biệt là mạng nơ-ron nhân tạo (ANN), đang trở thành xu hướng nổi bật. Mạng nơ-ron có khả năng học và xử lý các mối quan hệ phức tạp giữa các yếu tố đầu vào và đầu ra, mang lại kết quả dự báo đầy hứa hẹn. Theo các nghiên cứu, ứng dụng mạng nơ-ron vào dự báo thủy văn đã đạt được những thành công đáng kể, mở ra hướng đi mới cho ngành dự báo này. Luận văn này tập trung khảo sát một số phương pháp học máy tiên tiến, thực hiện việc kết hợp giữa phương pháp học máy s ử d ụng mạng n ơ - ron nh â n t ạo [5 - 7,9 - 20] với gi ải thu ật di truy ền [4,8,21] và ứng dụng vào bài toán dự báo lưu lượng nước đến hồ Hòa Bình.

1.1. Tầm quan trọng của dự báo lưu lượng nước chính xác

Dự báo lưu lượng nước chính xác đóng vai trò then chốt trong nhiều lĩnh vực. Thứ nhất, nó hỗ trợ quản lý tài nguyên nước hiệu quả, đảm bảo nguồn cung cấp nước ổn định cho sinh hoạt, sản xuất nông nghiệp và công nghiệp. Thứ hai, dự báo chính xác giúp phòng chống và giảm thiểu thiệt hại do lũ lụt, một trong những thiên tai thường xuyên xảy ra ở Việt Nam. Thứ ba, thông tin dự báo được sử dụng để vận hành các công trình thủy điện, đảm bảo an toàn và hiệu quả. Ngoài ra, dự báo lưu lượng nước còn có ý nghĩa quan trọng trong quy hoạch đô thị, xây dựng cơ sở hạ tầng và bảo vệ môi trường.

1.2. Xu hướng ứng dụng học máy trong dự báo thủy văn

Trong những năm gần đây, các phương pháp học máy (Machine Learning), đặc biệt là mạng nơ-ron nhân tạo (ANN), đang được ứng dụng rộng rãi trong dự báo thủy văn. Ưu điểm của các phương pháp này là khả năng học từ dữ liệu quá khứ, tự động điều chỉnh tham số và xử lý các mối quan hệ phi tuyến phức tạp. Các nghiên cứu đã chứng minh rằng ANN có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống trong một số trường hợp. Hơn nữa, sự phát triển của công nghệ Deep Learning và các thuật toán tiên tiến khác đang mở ra những tiềm năng mới cho dự báo lưu lượng nước.

II. Thách Thức Độ Chính Xác Dữ Liệu Trong Dự Báo Nước

Mặc dù có nhiều tiềm năng, việc ứng dụng mạng nơ-ron nhân tạo (ANN) vào dự báo lưu lượng nước vẫn đối mặt với nhiều thách thức. Một trong những thách thức lớn nhất là đảm bảo độ chính xác dự báo, đặc biệt trong điều kiện thời tiết và khí hậu biến đổi. Các yếu tố như lượng mưa, nhiệt độ, độ ẩm, và các hoạt động của con người đều có thể ảnh hưởng đến lưu lượng nước. Thêm vào đó, việc thu thập và xử lý dữ liệu thủy văn cũng là một vấn đề nan giải. Dữ liệu thường không đầy đủ, không chính xác hoặc không đồng nhất, gây khó khăn cho việc huấn luyện và đánh giá mô hình dự báo. Để giải quyết những thách thức này, cần có sự kết hợp giữa các phương pháp học máy tiên tiến, dữ liệu chất lượng cao và kiến thức chuyên sâu về thủy văn.

2.1. Các yếu tố ảnh hưởng đến độ chính xác dự báo

Độ chính xác của dự báo lưu lượng nước chịu ảnh hưởng bởi nhiều yếu tố. Thời tiết và khí hậu đóng vai trò quan trọng nhất, với lượng mưa, nhiệt độ, độ ẩm và gió là những yếu tố chính. Các yếu tố địa hình như độ dốc, loại đất và thảm thực vật cũng ảnh hưởng đến quá trình dòng chảy. Ngoài ra, các hoạt động của con người như khai thác nước ngầm, xây dựng đập và thay đổi sử dụng đất cũng có thể tác động đáng kể đến lưu lượng nước.

2.2. Vấn đề về dữ liệu và xử lý dữ liệu thủy văn

Việc thu thập và xử lý dữ liệu thủy văn là một thách thức lớn trong dự báo lưu lượng nước. Dữ liệu thường không đầy đủ, không liên tục, hoặc bị nhiễu do sai sót trong quá trình đo đạc. Hơn nữa, dữ liệu từ các nguồn khác nhau có thể có định dạng và đơn vị khác nhau, gây khó khăn cho việc tích hợp. Để đảm bảo chất lượng dữ liệu, cần có các quy trình kiểm soát chất lượng nghiêm ngặt, cũng như các phương pháp tiền xử lý dữ liệu hiệu quả.

III. Phương Pháp Xây Dựng Mô Hình Mạng Nơ Ron Dự Báo Nước

Để xây dựng một mô hình mạng nơ-ron nhân tạo (ANN) hiệu quả cho dự báo lưu lượng nước, cần tuân thủ một quy trình chặt chẽ. Đầu tiên, cần xác định rõ mục tiêu dự báo và lựa chọn các yếu tố đầu vào phù hợp. Tiếp theo, cần thu thập và tiền xử lý dữ liệu thủy văn, bao gồm làm sạch, chuẩn hóa và chia dữ liệu thành các tập huấn luyện, kiểm tra và đánh giá. Sau đó, cần lựa chọn kiến trúc mạng nơ-ron phù hợp, ví dụ như mạng truyền thẳng nhiều lớp (MLP), mạng hồi quy (RNN) hoặc mạng bộ nhớ dài ngắn hạn (LSTM). Cuối cùng, cần huấn luyện mô hình, đánh giá hiệu suất và tinh chỉnh tham số để đạt được độ chính xác dự báo tối ưu.

3.1. Lựa chọn kiến trúc mạng nơ ron ANN phù hợp

Việc lựa chọn kiến trúc mạng nơ-ron phù hợp là rất quan trọng để đạt được kết quả dự báo tốt. Mạng truyền thẳng nhiều lớp (MLP) là một lựa chọn phổ biến cho các bài toán dự báo chuỗi thời gian. Mạng hồi quy (RNN) có khả năng xử lý các chuỗi thời gian dài và phụ thuộc vào quá khứ. Mạng bộ nhớ dài ngắn hạn (LSTM) là một biến thể của RNN, khắc phục được nhược điểm biến mất gradient và có khả năng học các mối quan hệ dài hạn trong dữ liệu.

3.2. Huấn luyện và đánh giá hiệu suất mô hình dự báo

Quá trình huấn luyện mô hình mạng nơ-ron bao gồm việc điều chỉnh các trọng số và độ lệch của các nơ-ron để giảm thiểu sai số dự báo trên tập huấn luyện. Sau khi huấn luyện, cần đánh giá hiệu suất của mô hình trên tập kiểm tra để đảm bảo khả năng khái quát hóa. Các chỉ số đánh giá phổ biến bao gồm sai số bình phương trung bình (RMSE), hệ số tương quan (R) và sai số tuyệt đối trung bình (MAE).

IV. Giải Pháp Tối Ưu Thuật Toán Kết Hợp Mô Hình Dự Báo

Để nâng cao độ chính xác dự báo, có thể áp dụng nhiều kỹ thuật tối ưu thuật toán và kết hợp mô hình. Một trong những kỹ thuật phổ biến là sử dụng các thuật toán tối ưu hóa như giải thuật di truyền (GA) để tìm kiếm các tham số mạng nơ-ron tối ưu. Ngoài ra, có thể kết hợp mạng nơ-ron với các mô hình truyền thống khác, ví dụ như mô hình toán học hoặc mô hình vật lý, để tận dụng ưu điểm của cả hai phương pháp. Việc kết hợp mô hình có thể giúp cải thiện độ chính xác và độ tin cậy của dự báo.

4.1. Ứng dụng giải thuật di truyền GA tối ưu mạng nơ ron

Giải thuật di truyền (GA) là một phương pháp tối ưu hóa dựa trên quá trình tiến hóa tự nhiên. Trong bài toán tối ưu hóa mạng nơ-ron, GA có thể được sử dụng để tìm kiếm các trọng số và độ lệch tối ưu, giúp cải thiện độ chính xác dự báo. GA hoạt động bằng cách tạo ra một quần thể các giải pháp tiềm năng (nhiễm sắc thể), sau đó áp dụng các phép toán di truyền như lai ghép và đột biến để tạo ra các thế hệ giải pháp mới tốt hơn.

4.2. Kết hợp mạng nơ ron với mô hình toán học vật lý

Việc kết hợp mạng nơ-ron với các mô hình toán học hoặc mô hình vật lý có thể mang lại hiệu quả dự báo cao hơn so với việc sử dụng một phương pháp duy nhất. Ví dụ, có thể sử dụng mô hình vật lý để mô phỏng quá trình dòng chảy, sau đó sử dụng mạng nơ-ron để học và hiệu chỉnh các sai số của mô hình vật lý. Hoặc có thể sử dụng mô hình toán học để ước tính các yếu tố đầu vào cho mạng nơ-ron.

V. Ứng Dụng Dự Báo Lưu Lượng Nước Hồ Hòa Bình Kết Quả

Luận văn đã ứng dụng mạng nơ-ron nhân tạo (ANN) vào dự báo lưu lượng nước đến hồ Hòa Bình. Dữ liệu được thu thập từ hệ thống đo đạc thủy văn dọc sông Đà. Kết quả cho thấy mô hình dự báo có độ chính xác khá cao, với chỉ số R (hệ số tương quan) lên tới 0.8737 và sai số quân phương là 72. Các kết quả này chứng minh tiềm năng của mạng nơ-ron trong việc dự báo lưu lượng nước và hỗ trợ quản lý tài nguyên nước hiệu quả.

5.1. Mô tả dữ liệu sử dụng và quy trình thực nghiệm

Dữ liệu sử dụng trong nghiên cứu được thu thập từ hệ thống đo đạc thủy văn dọc sông Đà, bao gồm các thông tin về lượng mưa, mực nước, lưu lượng nước và các yếu tố khí tượng khác. Dữ liệu được chia thành các tập huấn luyện, kiểm tra và đánh giá. Quy trình thực nghiệm bao gồm việc lựa chọn kiến trúc mạng nơ-ron, huấn luyện mô hình, đánh giá hiệu suất và so sánh với các phương pháp dự báo khác.

5.2. Phân tích kết quả dự báo và so sánh với phương pháp khác

Kết quả dự báo cho thấy mạng nơ-ron có khả năng dự đoán lưu lượng nước khá chính xác, đặc biệt là trong khoảng thời gian ngắn hạn. Mô hình đạt được chỉ số R cao (0.8737) và sai số quân phương thấp (72). So sánh với các phương pháp dự báo truyền thống, mạng nơ-ron cho thấy hiệu suất tốt hơn trong việc nắm bắt các mối quan hệ phi tuyến và biến động phức tạp của lưu lượng nước.

VI. Tương Lai Phát Triển Ứng Dụng AI Trong Thủy Văn

Trong tương lai, việc ứng dụng trí tuệ nhân tạo (AI) và học máy trong thủy văn sẽ tiếp tục phát triển mạnh mẽ. Các nghiên cứu sẽ tập trung vào việc cải thiện độ chính xác dự báo, mở rộng phạm vi ứng dụng và tích hợp AI với các hệ thống quản lý tài nguyên nước thông minh. Ngoài ra, việc khai thác dữ liệu lớn (Big Data) và sử dụng các thuật toán Deep Learning tiên tiến sẽ mở ra những tiềm năng mới cho dự báo lưu lượng nước và quản lý rủi ro thiên tai.

6.1. Hướng phát triển của AI trong dự báo thủy văn

Hướng phát triển của AI trong dự báo thủy văn bao gồm việc sử dụng các thuật toán Deep Learning tiên tiến, tích hợp dữ liệu từ nhiều nguồn khác nhau (vệ tinh, cảm biến, mạng xã hội), và phát triển các mô hình dự báo thời gian thực. Ngoài ra, việc ứng dụng AI trong quản lý rủi ro thiên tai (lũ lụt, hạn hán) và quản lý tài nguyên nước bền vững cũng là một hướng đi quan trọng.

6.2. Ứng dụng AI trong quản lý tài nguyên nước thông minh

AI có thể được ứng dụng để xây dựng các hệ thống quản lý tài nguyên nước thông minh, có khả năng giám sát, dự báo và điều phối nguồn nước một cách hiệu quả. Các hệ thống này có thể sử dụng AI để tối ưu hóa việc phân phối nước, dự đoán nhu cầu sử dụng nước, và phát hiện sớm các sự cố liên quan đến nguồn nước.

Nội dung chính

Tổng quan nghiên cứu

Dự báo thủy văn đóng vai trò sống còn trong việc điều tiết nguồn nước, phòng chống thiên tai và tối ưu hóa hiệu suất phát điện của các công trình thủy điện lớn. Tại lưu vực sông Đà, nơi cung cấp nguồn nước chủ lực cho nhà máy thủy điện Hòa Bình với dung tích hồ chứa hàng tỷ mét khối, lưu lượng đỉnh lũ lịch sử từng dao động mạnh từ 4.630 m³/s đến 22.700 m³/s tại Tạ Bú và có thể lên tới 21.000 m³/s tại Hòa Bình. Trong khi đó, vào mùa kiệt kéo dài từ tháng 12 năm trước đến tháng 5 năm sau, lưu lượng bình quân tháng thấp nhất chỉ đạt khoảng 346 m³/s. Biến động dòng chảy phức tạp cùng địa hình núi cao hiểm trở khiến các mô hình thủy lực truyền thống gặp nhiều thách thức lớn về độ chính xác do thiếu hụt thông số lòng dẫn.

Luận văn tập trung nghiên cứu ứng dụng các phương pháp học máy tiên tiến nhằm giải quyết bài toán dự báo lưu lượng nước đến hồ Hòa Bình trước 10 ngày trong mùa kiệt. Mục tiêu cụ thể của công trình là xây dựng mô hình mạng nơ-ron nhân tạo truyền thẳng nhiều lớp kết hợp với giải thuật di truyền cải tiến, khắc phục triệt để nhược điểm dễ rơi vào cực tiểu cục bộ của thuật toán lan truyền ngược sai số cổ điển.

Phạm vi nghiên cứu bao quát dữ liệu quan trắc thủy văn và khí tượng kéo dài 38 năm (1964–2002) tại trạm Tạ Bú trên sông Đà. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi nâng hệ số xác định $R^2$ lên mức 0.8742 và giảm sai số căn quân phương RMSE xuống còn 72.87 m³/s, cung cấp cơ sở khoa học tin cậy giúp các kỹ sư thủy điện chủ động vận hành hồ chứa an toàn và đạt hiệu quả kinh tế cao nhất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và giải thuật di truyền (Genetic Algorithm - GA), kết hợp các định lý nền tảng trong học máy và tối ưu hóa toán học:

• Mô hình Mạng Perceptron nhiều lớp (Multilayer Perceptron - MLP): Dựa trên định lý xấp xỉ liên tục Kolmogorov, mạng truyền thẳng ba lớp với hàm kích hoạt phi tuyến sigmoid $g(x) = \frac{1}{1 + e^{-x}}$ có khả năng xấp xỉ bất kỳ hàm liên tục đa biến nào với độ chính xác tùy ý. Mô hình cấu trúc mạng bao gồm lớp đầu vào tiếp nhận các chuỗi thủy văn, một lớp ẩn xử lý phi tuyến và một nơ-ron đầu ra biểu diễn lưu lượng dự báo $Q(t+10)$.
• Thuật toán lan truyền ngược sai số (Backpropagation - BP): Cơ chế học có giám sát sử dụng phương pháp giảm gradient để điều chỉnh ma trận trọng số $W$ nhằm cực tiểu hóa hàm tổng bình phương sai số $E(w) = \frac{1}{2}\sum (d_i - y_i)^2$.
• Giải thuật di truyền cải tiến (GA): Mô phỏng chọn lọc tự nhiên và tiến hóa qua các toán tử tái tạo (bánh xe roulette), lai ghép nút và đột biến kép. Cải tiến cốt lõi của nghiên cứu là kết hợp đột biến có định hướng (BIASED mutation) với xác suất 0.1 và đột biến ngẫu nhiên (UNBIASED mutation) với xác suất nhỏ 0.03, giúp quần thể 100 cá thể thoát khỏi các bẫy cực tiểu địa phương trong không gian tìm kiếm đa chiều.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm mô hình hóa dữ liệu chuỗi thời gian dựa trên nguồn số liệu khí tượng thủy văn chuẩn mực của sông Đà. Toàn bộ chuỗi số liệu đo đạc thực tế trong mùa cạn từ năm 1964 đến năm 2002 được phân chia khoa học thành hai tập độc lập:

• Cỡ mẫu và phương pháp chọn mẫu: Tập mẫu huấn luyện (training set) gồm 480 mẫu thu thập trong 31 mùa kiệt từ năm 1964 đến năm 1995. Tập mẫu kiểm tra độc lập (test set) gồm 90 mẫu thu thập trong 7 mùa kiệt từ cuối năm 1995 đến đầu năm 2002. Phương pháp chọn mẫu theo lát cắt thời gian liên tục giúp kiểm chứng trung thực khả năng tổng quát hóa của mạng nơ-ron mà không làm rò rỉ dữ liệu tương lai.
• Lý do lựa chọn phương pháp phân tích: Phương pháp lai ghép GA-BP được lựa chọn vì giải quyết được bài toán tối ưu phi tuyến NP-đầy đủ. GA đảm nhận vai trò tìm kiếm toàn cục để xác định vùng trọng số tiềm năng ban đầu, sau đó BP thực hiện tối ưu hóa cục bộ với tốc độ học thích nghi $\eta = 0.3$. Dữ liệu đầu vào được chuẩn hóa tuyến tính về miền $[0, 1]$ nhằm tránh hiện tượng bão hòa sớm của hàm sigmoid.
• Hệ thống chỉ tiêu đánh giá: Độ chính xác dự báo được định lượng thông qua hai thước đo chuẩn quốc tế là sai số căn quân phương (RMSE) và hệ số xác định ($R^2$), đảm bảo đánh giá toàn diện cả về độ lệch tuyệt đối lẫn xu hướng tương quan.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm 3 phương án đầu vào dự báo lưu lượng dòng chảy đến hồ Hòa Bình trước 10 ngày đã mang lại các kết quả định lượng cụ thể:

• Phương án 1 (Chỉ sử dụng lưu lượng quá khứ): Đầu vào gồm 3 biến trễ $Q(t)$, $Q(t-10)$, $Q(t-20)$. Kết quả trên tập kiểm tra đạt hệ số xác định $R^2 = 0.7703$ và sai số $RMSE = 102.75$ m³/s.
• Phương án 2 (Bổ sung lượng mưa trung bình 10 ngày): Đầu vào gồm 6 biến trễ $Q(t), Q(t-10), Q(t-20)$ và $X(t), X(t-10), X(t-20)$. Kết quả ghi nhận sự cải thiện rõ nét khi sai số RMSE giảm xuống 99.51 m³/s (giảm 3.15% so với Phương án 1) và $R^2$ tăng lên 0.7902.
• Phương án 3 (Tích hợp thêm thông số ngày hiện tại): Bổ sung lưu lượng ngày hiện tại $Q_{ng}(t)$ và lượng mưa ngày hiện tại $X_{ng}(t)$ tạo thành véc-tơ 8 đầu vào. Mô hình đạt hiệu năng vượt trội với $R^2 = 0.8742$ và RMSE giảm sâu xuống còn 72.87 m³/s. So với Phương án 1, sai số RMSE giảm tới 29.08% và hệ số tương quan tăng thêm 13.48%.

Thảo luận kết quả

Sự vượt trội của Phương án 3 khẳng định vai trò then chốt của các yếu tố khí tượng thủy văn tức thời trong bài toán dự báo dòng chảy mùa kiệt. Dù dòng chảy mùa cạn chủ yếu do nước ngầm cung cấp (chiếm hơn 90% dung tích kiệt), những trận mưa cục bộ bất thường ở ngày hiện tại $X_{ng}(t)$ và lưu lượng tức thời $Q_{ng}(t)$ vẫn tạo ra xung lượng bổ sung quan trọng tác động trực tiếp đến dòng chảy sau 10 ngày.

Về mặt trực quan hóa, kết quả dự báo trên 90 mẫu thử nghiệm của Phương án 3 khi biểu diễn trên đồ thị phân tán (scatter plot) cho thấy các điểm tọa độ giữa lưu lượng thực tế và lưu lượng dự báo phân bố bám rất sát đường chuẩn 45 độ ($y = x$). Trên đồ thị đường chuỗi thời gian, đường cong dự báo bám khít từng điểm uốn và phản ánh chính xác các pha suy giảm cũng như các đợt gia tăng lưu lượng đột biến.

So sánh với các phương pháp giải gần đúng phương trình vi phân Saint-Venant vốn đòi hỏi chi tiết mặt cắt ướt và độ dốc đáy sông (những số liệu thường xuyên biến động và thiếu chính xác tại Việt Nam), mô hình học máy lai ghép GA-BP chứng minh tính thực tiễn cao hơn hẳn. Việc kết hợp đột biến BIASED và UNBIASED giúp giải thuật di truyền loại bỏ hoàn toàn tình trạng "học thuộc lòng" (overfitting) hay nghẽn tại cực trị địa phương, mang lại độ ổn định cao hơn 15–20% so với việc chỉ huấn luyện bằng thuật toán lan truyền ngược đơn thuần.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp công nghệ và quản lý vận hành cụ thể:

• Tích hợp mô hình lai ghép GA-BP vào hệ thống vận hành: Tập đoàn Điện lực Việt Nam (EVN) và Công ty Thủy điện Hòa Bình cần triển khai tích hợp thuật toán mạng nơ-ron tối ưu hóa bằng GA vào phần mềm quản lý điều tiết hồ chứa. Mục tiêu duy trì sai số dự báo dòng chảy 10 ngày ở mức dưới 70 m³/s, hoàn thành thử nghiệm vận hành trong vòng 12 tháng tới.
• Hiện đại hóa mạng lưới trạm đo mưa tự động: Tổng cục Khí tượng Thủy văn cần bổ sung và nâng cấp tối thiểu 20 trạm đo mưa tự động truyền dữ liệu thời gian thực trên lưu vực thượng nguồn sông Đà thuộc các tỉnh Lai Châu, Điện Biên và Sơn La. Thời gian triển khai dự kiến trong 18 tháng nhằm nâng cao độ phân giải dữ liệu đầu vào $X_{ng}(t)$.
• Mở rộng nghiên cứu với các thuật toán học máy mới: Viện Khí tượng Thủy văn phối hợp với các trường đại học khối công nghệ tiếp tục thử nghiệm các kiến trúc tiên tiến như Mạng nơ-ron hồi quy (LSTM/GRU) và Máy vector hỗ trợ (SVM) để nâng hệ số xác định $R^2$ vượt mốc 0.90 cho bài toán dự báo trung và dài hạn (15–30 ngày), lộ trình thực hiện trong 24 tháng.
• Tái cấu trúc và phát triển phần mềm dự báo: Đội ngũ kỹ sư công nghệ thông tin cần chuyển đổi module tính toán từ nền tảng Visual Basic 6.0 sang kiến trúc Microservices hiện đại trên nền Python hoặc C#. Hệ thống cần hỗ trợ giao diện Web GIS trực quan, xử lý dữ liệu tự động với thời gian phản hồi dưới 3 giây/lần tính toán, hoàn thành trong 6 tháng.

Đối tượng nên tham khảo luận văn

• Kỹ sư vận hành công trình thủy điện và hồ chứa: Nắm bắt phương pháp dự báo lưu lượng nước trước 10 ngày có độ chính xác cao ($R^2 = 0.8742$), từ đó lập lịch xả lũ an toàn và tối ưu hóa mực nước phát điện trong mùa cạn.
• Các nhà nghiên cứu khí tượng thủy văn: Tham khảo khung phương pháp luận kết hợp giữa mô hình toán thống kê và trí tuệ nhân tạo, ứng dụng giải quyết các bài toán dòng chảy phức tạp trên các lưu vực sông thiếu số liệu hình học.
• Học viên cao học và sinh viên ngành Công nghệ thông tin / Khoa học dữ liệu: Khai thác mã nguồn thuật toán, cách thiết kế cấu trúc mạng MLP, kỹ thuật lập trình giải thuật di truyền từ đầu (from scratch) và phương pháp xử lý dữ liệu chuỗi thời gian thực tế.
• Cơ quan quản lý tài nguyên nước và phòng chống thiên tai: Sử dụng các chỉ số và mô hình dự báo để xây dựng kịch bản cấp nước phục vụ nông nghiệp đồng bằng sông Hồng và điều hòa an ninh nguồn nước quốc gia.

Câu hỏi thường gặp

1. Tại sao thuật toán kết hợp GA-BP lại vượt trội hơn thuật toán lan truyền ngược (BP) truyền thống? Thuật toán BP truyền thống dựa vào phương pháp giảm gradient nên rất dễ bị kẹt tại các điểm cực tiểu địa phương hoặc bão hòa sigmoid khi trọng số khởi tạo lớn. Việc kết hợp giải thuật di truyền GA với đột biến BIASED (xác suất 0.1) và UNBIASED (xác suất 0.03) giúp quét toàn diện không gian lời giải, tìm ra bộ trọng số tối ưu toàn cục trước khi dùng BP tinh chỉnh.

2. Điểm mấu chốt nào giúp Phương án 3 đạt sai số thấp nhất (RMSE = 72.87 m³/s)? Phương án 3 đã bổ sung hai biến tức thời là lưu lượng ngày hiện tại $Q_{ng}(t)$ và lượng mưa ngày hiện tại $X_{ng}(t)$. Sự kết hợp giữa xu thế trung bình 10 ngày và xung lực biến động tức thời giúp mô hình nắm bắt kịp thời các phản ứng thủy văn nhanh của lưu vực sông Đà.

3. Dung lượng tập dữ liệu sử dụng trong luận văn có đảm bảo tính đại diện khoa học không? Tập dữ liệu trải dài suốt 38 năm (1964–2002) tại trạm Tạ Bú với 480 mẫu học và 90 mẫu kiểm tra độc lập trong các mùa cạn. Quy mô này đáp ứng chuẩn Vapnik-Chervonenkis về tỷ lệ giữa số lượng mẫu quan sát và số lượng trọng số mạng nơ-ron, loại bỏ nguy cơ quá khớp.

4. Mô hình xử lý vấn đề quá khớp (overfitting) trong quá trình huấn luyện như thế nào? Nghiên cứu áp dụng đồng thời ba kỹ thuật: chuẩn hóa tuyến tính dữ liệu về khoảng nhỏ, kiểm soát cấu trúc lớp ẩn phù hợp với định lý Kolmogorov và áp dụng cơ chế dừng học đúng lúc (Early Stopping) khi sai số trên tập kiểm tra độc lập có xu hướng tăng.

5. Ứng dụng phần mềm xây dựng trong luận văn có thể triển khai thực tế được không? Phần mềm thử nghiệm được lập trình hoàn chỉnh với đầy đủ các module: nhập dữ liệu dạng tệp .pat và .tst, chuẩn hóa tuyến tính, trực quan hóa cấu trúc nơ-ron, vẽ đồ thị hàm lỗi RMSE và đồ thị scatter theo thời gian thực, hoàn toàn đủ năng lực triển khai thực tế.

Kết luận

• Luận văn đã hệ thống hóa hoàn chỉnh cơ sở lý thuyết về mạng nơ-ron truyền thẳng nhiều lớp MLP và giải thuật di truyền GA trong bài toán dự báo chuỗi thời gian thủy văn.
• Đề xuất cải tiến đột phá trong việc phối hợp hai cơ chế đột biến BIASED và UNBIASED giúp tối ưu hóa trọng số mạng nơ-ron, vượt qua các cực trị địa phương phức tạp.
• Xây dựng thành công phần mềm chuyên dụng thử nghiệm độc lập trên bộ dữ liệu thực tế 38 năm của lưu vực sông Đà.
• Kết quả thực nghiệm Phương án 3 đạt độ chính xác ấn tượng với $R^2 = 0.8742$ và RMSE = 72.87 m³/s cho bài toán dự báo dòng chảy hồ Hòa Bình trước 10 ngày.
• Công trình đã được báo cáo và khẳng định giá trị khoa học tại Hội thảo Khoa học Quốc gia về CNTT&TT lần thứ X tại Đại Lải.

Để tiếp tục nâng cao độ chính xác dự báo trong giai đoạn 2026–2030, việc mở rộng tích hợp các mô hình học sâu hiện đại và tự động hóa thu thập dữ liệu vệ tinh là hướng đi tất yếu. Các tổ chức nghiên cứu và doanh nghiệp quan tâm có thể ứng dụng ngay khung mô hình lai ghép GA-BP này vào thực tiễn quản lý lưu vực sông và vận hành an toàn các nhà máy thủy điện trên toàn quốc.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 - MẠNG NƠ-RON NHÂN TẠO TRUYỀN THẲNG NHIỀU LỚP Mạng nơ-ron nhân tạo được coi là một công cụ mạnh để giải quyết các bài toán có tính phi tuyến, phức tạp và đặc biệt trong các trường hợp mà mối quan hệ giữa các quá trình không dễ thiết lập một cách tường minh. Có nhiều loại mạng nơ-ron khác nhau trong đó mạng nơ-ron truyền thẳng nhiều lớp là một trong những mạng nơ-ron thông dụng nhất. Đã có nhiều nghiên cứu sử dụng mạng nơ-ron truyền thẳng nhiều lớp trong bài toán dự báo [5], [7], [10], [14] và đã chứng tỏ đây là hướng tiếp cận rất hiệu quả. Trong chương này chúng ta sẽ tìm hiểu những kiến thức về mạng nơ-ron nhân tạo, mạng nơ-ron truyền thẳng nhiều lớp và khả năng ứng dụng của chúng trong bài toán dự báo.1 Giới thiệu về mạng nơ-ron nhân tạo 1.1 Khái niệm cơ bản Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con người bao gồm khoảng 100 tỷ tế bào thần kinh, thường gọi là các nơ-ron.

Mỗi tế bào nơ- ron gồm ba phần:  Thân nơ-ron với nhân bên trong (gọi là soma), là nơi tiếp nhận hay phát ra các xung động thần kinh.  Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệu tới nhân nơ-ron. Các dây thần kinh vào tạo thành một lưới dày đặc xung quanh thân nơ-ron, chiếm diện tích khoảng 0,25 mm2  Đầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể dài từ một cm đến hàng mét. Chúng nối với các dây thần kinh vào hoặc trực tiếp với nhân tế bào của các nơ-ron khác thông qua các khớp nối (gọi là synapse).

Thông thường mỗi nơ-ron có thể có từ vài chục cho tới hàng trăm ngàn khớp nối để nối với các nơ-ron khác. Có hai loại khớp nối, khớp nối kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ-ron còn khớp nối ức chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ-ron. Người ta ước tính mỗi nơ-ron trong bộ não của con người có khoảng 104 khớp nối (hình 1.1) Chức năng cơ bản của các tế bào nơ-ron là liên kết với nhau để tạo nên hệ thống thần kinh điều khiển hoạt động của cơ thể sống. Các tế bào nơ-ron truyền tín hiệu cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được tạo ra từ các quá trình phản ứng hoá học phức tạp.

Tại nhân tế bào, khi điện (LUAN.05 TIEU LUAN MOI download : skknchat@gmail.05 14 thế của tín hiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung điện dẫn tới trục dây thần kinh ra. Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các nơ-ron khác.1 Cấu tạo của tế bào nơ-ron sinh học Với mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của nơ-ron trong bộ não con người, vào năm 1943, các tác giả McCulloch và Pitts [15] đã đề xuất một mô hình toán cho một nơ-ron như sau: x w1 1 x  2 .2 Mô hình nơ-ron nhân tạo Trong mô hình này, một nơ-ron sẽ nhận các tín hiệu vào xi với các trọng số m tương ứng là wi , tổng các thông tin vào có trọng số là  w x ij j j 1 Thông tin đầu ra ở thời điểm t+1 được tính từ các thông tin đầu vào như sau:   out (t  1)  g   wij x j (t )  i  (1.1)   Trong đó g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước nhảy, nó đóng vai trò biến đổi từ thông tin đầu vào thành tín hiệu đầu ra 1 Nếu f > 0 g( f )   (1.05 TIEU LUAN MOI download : skknchat@gmail.05 15 Như vậy, out = 1 (ứng với việc nơ-ron tạo tín đầu ra) khi tổng các tín hiệu vào lớn hơn ngưỡng i , còn out = 0 (nơ-ron không tạo tín hiệu ở đầu ra) khi tổng các tín hiệu vào nhỏ hơn ngưỡng i. Trong mô hình nơ-ron của McCulloch và Pitts, các trọng số wij thể hiện ảnh hưởng của khớp nối trong liên kết giữa nơ-ron j (nơ-ron gửi tín hiệu) và nơ-ron i (nơ-ron nhận tín hiệu). Trọng số w ij dương ứng với khớp nối kích thích, trọng số âm ứng với khớp nối ức chế còn wij bằng 0 khi không có liên kết giữa hai nơ-ron.

Hàm chuyển g ngoài dạng hàm bước nhảy còn có thể chọn nhiều dạng khác nhau và sẽ được đề cập ở các phần sau. Thông qua cách mô hình hoá đơn giản một nơ-ron sinh học như trên, McCulloch và Pitts đã đưa ra một mô hình nơ-ron nhân tạo có tiềm năng tính toán quan trọng. Nó có thể thực hiện các phép toán lô-gíc cơ bản như AND, OR và NOT khi các trọng số và ngưỡng được chọn phù hợp. Sự liên kết giữa các nơ-ron nhân tạo với các cách thức khác nhau sẽ tạo nên các loại mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) với những tính chất và khả năng làm việc khác nhau.2 Mô hình mạng nơ-ron nhân tạo Như đã được giới thiệu, mạng nơ-ron nhân tạo là một hệ thống xử lý thông tin được xây dựng trên cơ sở tổng quát hoá mô hình toán học của nơ-ron sinh học và phỏng theo cơ chế làm việc của bộ não con người.

Mạng nơ-ron nhân tạo được thể hiện thông qua ba thành phần cơ bản: mô hình của nơ-ron, cấu trúc và sự liên kết giữa các nơ-ron, phương pháp học được áp dụng cho mạng nơ-ron. Các phần tử xử lý Việc xử lý thông tin tại mỗi nơ-ron có thể xem là gồm hai phần: xử lý tín hiệu vào (input) và đưa tín hiệu ra (output). Tương ứng với phần vào của mỗi nơ-ron là một hàm tương tác (interaction) f, hàm này kết hợp các thông tin truyền tới nơ-ron và tạo thành thông tin đầu vào tổng hợp (gọi là net input) của nơ-ron đó. Một nơ-ron thứ i trong mạng thường có hàm f i ở dạng tuyến tính như sau : m fi  neti   wij x j  i (1.3) j 1 Thao tác thứ hai trong mỗi nơ-ron là tính giá trị đầu ra tương ứng với giá trị đầu vào f thông qua hàm kích hoạt hay còn gọi là hàm chuyển g(f) (hàm kích hoạt).

Một số hàm chuyển thường được sử dụng:  Hàm bước nhảy (LUAN.05 TIEU LUAN MOI download : skknchat@gmail.4)  Hàm dấu  1 khi f 0  g ( f )  sgn( f )    1 khi f 0  (1.5)  Hàm sigmoid 1 2 g( f )  g( f )  1 1  e  f hoặc 1  e  f (1. Liên kết trong mạng nơ-ron nhân tạo Mạng nơ-ron nhân tạo gồm các nơ-ron và liên kết có trọng số giữa chúng. ANN tạo nên một hệ thống xử lý thông tin làm việc trên cơ sở phỏng theo cách làm việc của hệ thống các nơ-ron trong bộ não con người. Tuy nhiên, trong bộ não của con người, các tế bào nơ-ron liên kết với nhau chằng chịt và tạo nên một mạng lưới vô cùng phức tạp.

Các loại mạng nơ-ron nhân tạo được xác định bởi cách liên kết giữa các nơ-ron, trọng số của các liên kết đó và hàm chuyển tại mỗi nơ-ron. Các hình vẽ dưới đây thể hiện các cách kết nối khác nhau.3 Mạng nơ-ron nhân tạo chỉ có một nút và có sự phản hồi x y 1 1 y x .4 Mạng nơ-ron truyền thẳng một lớp (Single-layer feedforward network) (LUAN.05 TIEU LUAN MOI download : skknchat@gmail.05 17 Mạng nơ-ron truyền thẳng một lớp là loại mạng chỉ có lớp nơ-ron đầu vào và một lớp nơ-ron đầu ra (thực chất lớp nơ-ron đầu vào không có vai trò xử lý, do đó ta nói mạng chỉ có một lớp). Loại mạng này còn được gọi là mạng perceptron một lớp. Mỗi nơ-ron đầu ra có thể nhận tín hiệu từ các đầu vào x1, x2, …, xm để tạo ra tín hiệu đầu ra tương ứng.

y m n Lớp vào Các lớp ẩn Lớp ra Hình 1.5 Mạng nơ-ron truyền thẳng nhiều lớp (Multil-layer feedforward network). Trong mạng nơ-ron truyền thẳng nhiều lớp, lớp nhận tín hiệu vào của mạng gọi là lớp vào (input layer), nó thường không thực hiện việc chuyển đổi thông tin mà chỉ làm chức năng nhận tín hiệu. Tín hiệu ra của mạng được đưa ra từ lớp ra (output layer). Các lớp ở giữa lớp vào và lớp ra gọi là các lớp ẩn.

Trong mạng truyền thẳng (feedforward network) không có nút nào mà đầu ra của nó là đầu vào của một nút khác trên cùng lớp với nó hoặc lớp trước. Mạng có phản hồi (feedback network) là mạng mà đầu ra của một nơ-ron có thể trở thành đầu vào của nơ-ron trên cùng một lớp hoặc của lớp trước đó. Mạng feedback có chu trình khép khín gọi là mạng hồi quy (recurrent network) x y 1 1 y x .6 Mạng nơ-ron hồi quy một lớp (LUAN.05 TIEU LUAN MOI download : skknchat@gmail. Các luật học của mạng nơ-ron nhân tạo Như đã được đề cập ở phần đầu luật học là một trong ba yếu tố quan trọng tạo nên một mạng nơ-ron nhân tạo.

Có hai vấn đề cần học đối với mỗi mạng nơ-ron nhân tạo đó là học tham số (parameter learning) và học cấu trúc (structure learning). Học tham số là việc thay đổi trọng số của các liên kết giữa các nơ-ron trong một mạng, còn học cấu trúc là việc điều chỉnh cấu trúc của mạng bao gồm thay đổi số lớp nơ-ron, số nơ-ron của mỗi lớp và cách liên kết giữa chúng. Hai vấn đề này có thể được thực hiện đồng thời hoặc tách biệt. Về mặt phương pháp học, có thể chia ra làm ba loại: học có giám sát hay còn gọi là học có thầy (supervised learning), học tăng cường (reinforcement learning) và học không có giám sát hay còn gọi là học không có thầy ( unsupperviced learning).3 Khả năng ứng dụng của mạng nơ-ron nhân tạo Đặc trưng của mạng nơ-ron nhân tạo là khả năng học và xử lý song song.

Nó có thể gần đúng mối quan hệ tương quan phức tạp giữa các yếu tố đầu vào và đầu ra của các quá trình cần nghiên cứu và khi đã học được thì việc kiểm tra độc lập thường cho kết quả tốt. Sau khi đã học xong, mạng nơ-ron nhân tạo có thể tính toán kết quả đầu ra tương ứng với bộ số liệu đầu vào mới. Về mặt cấu trúc, mạng nơ-ron nhân tạo là một hệ thống gồm nhiều phần tử xử lý đơn giản cùng hoạt động song song. Tính năng này của ANN cho phép nó có thể được áp dụng để giải các bài toán lớn.

Về khía cạnh toán học, theo định lý Kolmogorov, một hàm liên tục bất kỳ f(x1, x2,.