intTypePromotion=1
ADSENSE

Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

5
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải trình bày việc xây dựng một mô hình toán dựa trên mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) để dự báo mực nước sông vùng triều và ứng dụng nó phục vụ việc dự báo mực nước ở thượng lưu cống – âu thuyền Cầu Cất trong hệ thống thủy lợi Bắc Hưng Hải.

Chủ đề:
Lưu

Nội dung Text: Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải

  1. Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 ỨNG DỤNG MẠNG NƠ-RON LSTM (LONG SHORT-TERM MEMORY NEURAL NETWORKS) DỰ BÁO MỰC NƯỚC TẠI CỐNG - ÂU THUYỀN CẦU CẤT TRONG HỆ THỐNG BẮC HƯNG HẢI Hồ Việt Hùng Trường Đại học Thủy lợi, email: hohung.thuyluc@tlu.edu.vn 1. GIỚI THIỆU CHUNG viện Numpy, Pandas, Keras cùng với ngôn ngữ lập trình Python 3.6 đã được sử dụng để Trí tuệ nhân tạo (Artificial Intelligence) và thiết lập một mô hình mạng nơ-ron LSTM học máy (Machine Learning - ML) ngày càng (Long Short-Term Memory Neural được ứng dụng rộng rãi trong nhiều lĩnh vực Networks), một dạng đặc biệt của RNN [2]. khác nhau của đời sống. ML có thể được áp dụng trong ngành Thủy lợi để dự báo mực 2.1. Mạng nơ-ron LSTM và các dữ liệu nước, lưu lượng dòng chảy trong sông nhằm Mạng nơ-ron LSTM có thể giải quyết các cảnh báo lũ lụt, hoặc dự báo mực nước ở các bài toán có sự phụ thuộc dài hạn (long-term cống tưới tiêu kết hợp nhằm giúp cho quy dependency). Các mô hình LSTM xuất hiện trình vận hành cống an toàn và hiệu quả [3]. lần đầu tiên vào năm 1997, sau đó đã được Trên thế giới cũng như ở Việt Nam, các cải tiến và phổ biến rộng rãi [2], [3]. Tác giả mô hình mạng nơ-ron nhân tạo ngày càng thu bài báo này đã thiết kế một mô hình LSTM hút sự chú ý của các nhà khoa học và đang để dự báo mực nước sông tại các cống ngăn được ứng dụng trong nhiều nghiên cứu khác mặn, chịu ảnh hưởng của thủy triều. nhau vì không yêu cầu nhiều số liệu đầu vào Dữ liệu được thu thập phục vụ cho việc dự mà độ chính xác rất cao [1], [4]. báo là mực nước thực đo 6 giờ một lần ở Bài báo này trình bày việc xây dựng một thượng lưu các cống: Tranh, Bá Thủy, Cầu mô hình toán dựa trên mạng nơ-ron hồi quy Cất trong thời gian 19 năm, từ ngày 1/1/2000 (Recurrent Neural Network - RNN) để dự đến ngày 30/11/2018. Số liệu đo đạc được xử báo mực nước sông vùng triều và ứng dụng lý và đánh giá bằng hệ số tương quan r, khi nó phục vụ việc dự báo mực nước ở thượng đối chiếu mực nước tại các trạm đo với mực lưu cống – âu thuyền Cầu Cất trong hệ thống nước thượng lưu cống Cầu Cất (xem Bảng thủy lợi Bắc Hưng Hải. Mô hình này chỉ sử 1). Hệ số tương quan của mực nước hạ lưu dụng dữ liệu đầu vào là mực nước sông Kim cống Cầu Cất không cao nên chuỗi số liệu Sơn đo tại các trạm ở thượng lưu trạm cần dự này không được sử dụng cho dự báo. báo (âu thuyền Cầu Cất). Bảng 1. Hệ số tương quan (r) của dữ liệu 2. PHƯƠNG PHÁP NGHIÊN CỨU TT Tên trạm đo Hệ số r Các mô hình RNN dựa trên mối quan hệ 1 Thượng lưu cống Cầu Cất 1 giữa các dữ liệu đầu vào và đầu ra để học các 2 Hạ lưu cống Cầu Cất 0,41 quy luật trong quá khứ từ đó đưa ra các dự 3 Thượng lưu cống Tranh 0,96 báo trong tương lai. Trong nghiên cứu này, thư viện phần mềm mã nguồn mở, các thư 4 Thượng lưu cống Bá Thủy 0,98 305
  2. Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 Tác giả sử dụng chuỗi dữ liệu mực nước cm cho tất cả các trường hợp dự báo, khi dự thực đo trong 8 bước thời gian gần nhất (48 báo 6h sai số nhỏ hơn 5 cm. Thời gian xuất giờ) để dự báo mực nước ở thượng lưu cống hiện đỉnh lũ dự báo trùng với thực đo. Kết Cầu Cất cho 6 giờ, 12 giờ, 18 giờ và 24 giờ quả kiểm định mô hình là tương đối tốt. Mô trong tương lai, vì 48 giờ gần nhất tác động tới hình đã sẵn sàng cho việc dự báo mực nước. kết quả dự báo nhiều nhất. Các số liệu trước Bảng 2. Kết quả kiểm định mô hình đó chỉ bổ sung thêm thông tin. Tập dữ liệu đầu dự báo mực nước (MN) vào được chia thành 3 phần với các mục đích khác nhau. Phần thứ nhất là chuỗi 26056 số Thời Số Số Số MAE NSE liệu được đo đạc trong 18 năm (từ 01/1/2000 gian trạm lượng lần lặp (m) (%) đến 31/10/2017), dùng để hiệu chỉnh mô hình dự báo đo MN unit nhằm chọn ra các thông số tốt nhất. Phần thứ 6 giờ 3 30 322 0,045 94,9 hai là chuỗi số liệu đo trong 1 năm, từ ngày 12 giờ 3 35 344 0,065 89,5 01/11/2017 đến ngày 31/10/2018 được dùng 18 giờ 3 35 302 0,076 85,9 để kiểm định mô hình. Phần thứ ba là chuỗi số liệu từ ngày 01/11/2018 đến ngày 4/11/2018 24 giờ 3 35 293 0,086 82,2 được sử dụng làm dữ liệu đầu vào để chạy thử mô hình nhằm kiểm tra một lần nữa. 2.2. Thiết kế mô hình dự báo Tác giả đã cho mô hình chạy với nhiều bộ thông số khác nhau cho đến khi đạt kết quả Hình 1. So sánh mực nước thực đo tốt nhất, từ đó lựa chọn các thông số của mô trong năm 2018 với kết quả dự báo 6 giờ hình dự báo, tóm tắt như sau: - Số lượng unit trong mỗi mô đun: 30; 35 - Hệ số học (Learning rate): 0,001 - Bộ tối ưu hóa (Optimizer): Adam - Số lần lặp tối đa (Epoch): 5000 - Các kỹ thuật: Early Stopping, Regularizer. 2.3. Phương pháp đánh giá kết quả Tác giả bài báo này đã sử dụng hai trị số: NSE (Nash Sutcliffe Efficiency – hệ số Nash) và MAE (Mean Absolut Error – sai số tuyệt đối trung bình) để đánh giá mức độ chính xác của kết quả dự báo. 3. KẾT QUẢ NGHIÊN CỨU 3.1. Kết quả kiểm định mô hình Mô hình được kiểm định bằng phần dữ liệu thứ hai. Tổng hợp số liệu của 4 trường hợp dự báo có kết quả kiểm định tốt nhất được thể hiện trong Bảng 2, Hình 1 và Hình 2. Bảng 2 cho thấy rằng, Hệ số Nash dao động từ 94,9% (dự báo 6h) đến 82,2% (dự Hình 2. Kết quả kiểm định mô hình: báo 24h); Sai số tuyệt đối trung bình dưới 8,6 dự báo 12 giờ (trái) và 24 giờ (phải) 306
  3. Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 Bảng 3. Kết quả dự báo mực nước khi kiểm nghiệm mô hình Ngày, Tháng, Thời gian Số liệu MN thực đo MN dự báo Sai số Giờ đo MN Năm đo MN dự báo đầu vào (số) (m) (m) (m) 3-Nov-2018 1:00 6 giờ 8 1,39 1,43 0,04 3-Nov-2018 7:00 12 giờ 8 1,33 1,40 0,07 3-Nov-2018 13:00 18 giờ 8 1,36 1,42 0,06 3-Nov-2018 19:00 24 giờ 8 1,40 1,43 0,03 3.2. Kết quả dự báo kiểm nghiệm 5. TÀI LIỆU THAM KHẢO Nhằm mục đích chạy thử mô hình, tác giả [1] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee sử dụng 8 số liệu mực nước của các ngày (2018). “Ứng dụng mạng thần kinh nhân 01/11/2018 và 02/11/2018 để dự báo mực tạo dự báo lưu lượng dòng chảy sông Hồng nước thượng lưu cống Cầu Cất lúc 1h, 7h, tại Sơn Tây dựa trên dữ liệu ở thượng lưu”. 13h và 19h ngày 03/11/2018. Kết quả dự báo Tuyển tập công trình Hội nghị Khoa học Cơ học Thủy khí toàn quốc lần thứ 21, được so sánh với số liệu thực đo nhằm kiểm trang 292-301. nghiệm mô hình một lần nữa. Bảng 3 cho [2] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee thấy: sai số tuyệt đối dao động từ 3 cm đến 7 (2018). “Xây dựng mô hình mạng nơ-ron cm, khá nhỏ; sai số lớn nhất xảy ra khi xuất hồi quy dựa trên phần mềm mã nguồn mở hiện chân triều, lúc 7h. Mực nước dự báo có để dự báo lưu lượng dòng chảy”. Tuyển tập xu thế lớn hơn thực đo. Hội nghị Khoa học thường niên năm 2018, Đại học Thủy lợi, trang 560-562. 4. KẾT LUẬN [3] Hồ Việt Tuấn, Hồ Việt Hùng (2019). “Sử dụng mạng nơ-ron nhân tạo dự báo mực Trong bài báo này, tác giả đã trình bày việc nước sông chịu ảnh hưởng của thủy triều”. xây dựng một mô hình LSTM và ứng dụng nó Tạp chí Khoa học và công nghệ Thủy lợi, để dự báo mực nước ở thượng lưu cống Cầu Viện Khoa học Thủy lợi Việt Nam, số 52, Cất với dữ liệu đầu vào là mực nước sông trang 108-116. Kim Sơn trong hệ thống Bắc Hưng Hải. Sản [4] Xuan-Hien Le, Hung Viet Ho, Giha Lee, phẩm của nghiên cứu này là 4 files, người sử Sungho Jung (2019). “Application of Long dụng có thể chạy các file này để dự báo mực Short-Term Memory (LSTM) Neural nước thượng lưu cống Cầu Cất cho 6 giờ, 12 Network for Flood Forecasting”. Water, giờ, 18 giờ và 24 giờ, sau khi nhập các số liệu MDPI, 11, 1387; doi:10.3390/w11071387 mực nước của 48 giờ trước đó. Mô hình mà https://doi.org/10.3390/w11071387. tác giả đề xuất cho kết quả có độ chính xác cao và ổn định, nó có thể dự báo mực nước tại các cống bị ảnh hưởng của thủy triều, giúp cho việc vận hành cống hiệu quả, an toàn. 307
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD


ERROR:connection to 10.20.1.100:9312 failed (errno=113, msg=No route to host)
ERROR:connection to 10.20.1.100:9312 failed (errno=113, msg=No route to host)

 

Đồng bộ tài khoản
2=>2