ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA ppsx

Khoa XDTLTĐ, Trường Đại học Bách khoa, ĐHĐN TÓM TẮT: Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo ANNs để dự báo lũ ở hạ lưu sông Thu Bồn – Vu Gia.. Đề tài so sánh s

ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO

DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA

APPLYING ARTIFICIAL NEURAL NETWORKS SOFTWARE FOR FLOODING PREDICTION IN THU BON – VU GIA RIVERS

SVTH: PHAN TẤN PHÁT

Lớp: 03X2C, Khoa XDTLTĐ, Trường ĐHBK,ĐHĐN

DHKH: GS.TS NGUYỄN THẾ HÙNG

Khoa XDTLTĐ, Trường Đại học Bách khoa, ĐHĐN

TÓM TẮT:

Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo (ANNs) để dự báo lũ ở hạ lưu sông Thu Bồn – Vu Gia Phần mềm ANNs có thể được sử dụng tốt như một công cụ trong việc dự báo lũ mà căn nguyên của kỹ thuật này được m ô phỏng theo hoạt động của bộ não con người chứa hàng tỉ neurons v ới các mối quan hệ nối liền nhau ; khả năng dự báo, mô phỏng của mô hình là dựa vào khả năng học những kinh nghiệm trong quá khứ

Đề tài so sánh số liệu tính toán và dự báo lũ trên hạ lưu sông Thu Bồn – Vu Gia cho thấy có

sự phù hợp tốt; và đề nghị áp dụng phần mềm ANNs trong việc dự báo lũ trên các sông của

khu vực miền Trung

ABSTRACT:

In this paper, author applly Artificial Neural Networks (ANNs) software to simulate and predict flood in downstream Thu Bon – Vu Gia Rivers ANNs softwares can be used as a good tool to predict flood in rivers that the origin of this technique can be traced to the functioning of the human brain which contains billions of neurons and their interconnection based on learning abilities from past experiences This paper compare the calculation results by data collections

in downstream Thu Bon – Vu Gia rivers with a best agreement; and author suggest to use ANNs software for predicting flood in many other rivers of central Viet Nam

1 Đặt vấn đề

1.1 Tổng quan các phương pháp dự báo lũ trên sông hiện nay

Hiện nay có nhiều mô hình dự báo lũ trên mạng lưới sông; trong số đó có thể chia làm hai nhóm chính là:

- mô hình thuỷ lực thường chính xác hơn, nhưng cần phải có đầy đủ các số liệu đầu vào như

địa hình, độ nhám lòng dẫn

- mô hình thuỷ văn không đòi hỏi số liệu đầu vào đầy đủ như mô hình thuỷ lực, nhưng bị hạn chế khi có sự thay đổi địa hình, độ nhám lòng dẫn mà mô hình chưa thể hiệu chỉnh về ảnh hưởng của nó; cũng như tác động của biên hạ lưu

1.2 Lựa chọn mô hình toán dự báo

Nhiều lúc trong tính toán dự báo, không có được đầy đủ các số liệu địa hình, nên không thể áp dụng các mô hình thuỷ lực Do đó phải sử dụng các mô hình thuỷ văn để dự báo

Trong bài báo nầy, tác giả thử áp dụng mạng ANNs để dự báo mực nước lũ hạ lưu sông

Với mô hình mạng thần kinh nhân tạo có một số ưu điểm và nhược điểm như sau:

a Ưu Điểm:

- ANNs có khả năng “học” các mối quan hệ giữa các biến đầu vào và đầu ra khi các quy luật tự nhiên được ưu tiên là không được biết đến hoặc không được biết một cách chính xác

- ANNs là một công cụ hữu ích trong việc mô phỏng các quá trình phức tạp

- Các thuật toán thì đơn giản và không cần giải các phương trình vi phân từng phần phức tạp với các bài toán kèm theo giống như tính không ổn định của các thuật toán

- ANNs làm việc tốt một khi các tập hợp luyện là không đầy đủ hoặc chứa nhiễu

- ANNs có khả năng phỏng theo các giải pháp vượt thời gian

- Một khi mạng đã được luyện thì nó được sử dụng một cách dể dàng

b Nhược Điểm:

- ANNs yêu cầu dữ liệu phải đầy đủ cả về số lượng lẫn chất lượng Đây là yêu cầu quan trọng với tất cả kỹ thuật mô phỏng và ANNs không thể bị loại bỏ

- Các cách hướng dẫn để chọn cấu trúc mạng cho phù hợp với các bài toá n cũng không được tìm thấy

2 Cơ sở lý thuyết của mô hình

2.1 Lan truyền tiến của ANNs

Quá trình lan truyền tiến tính giá trị các nút xuất từ mẫu nhập vào mạng Tiến trình này được sử dụng trong hai tình huống: khi luyện mạng và khi sử dụng mạng Khi luyện mạng, lan truyền tiến được sử dụng lặp đi lặp lại từ mẫu này đến mẫu khác từ thế hệ này sang thế hệ khác cho đến khi trọng số đạt đến giá trị thích hợp Trái lại, khi sử dụng mạng lan tru yền tiến chỉ được thực thi một lần cho từng mẫu nhập Tuy nhiên, dù trong trạng thái luyện mạng hay sử dụng mạng, các thao tác trong thủ tục lan truyến tiến là như nhau

Một mạng lan truyền tiến của ANNs có một lớp nhập (lớp input), một lớp xuất (lớp output) và một hoặc nhiều lớp ẩn ở giữa lớp nhập và lớp xuất Mỗi neuron trong một lớp thì kết nối đến tất cả các neuron của lớp kế tiếp ngay sau nó và các neuron trong cùng một lớp không liên kết với nhau

Một neuron đặc trưng được thể hiện trong hình 2 Mỗi neuron nhận tín hiệu từ mỗi neuron trong lớp liền trước Mỗi neuron trong lớp ẩn và lớp xuất, mỗi nút nhập thì được nhân với các trọng số của cung liên kết giữa nút nhập và nút ẩn, tích số của chúng được cộng dồn lại Kế tiếp, một hàm truyền được áp dụng trên tổng trọng hóa này cùng với một ngưỡng của nút ẩn đó để cho ra giá trị thực của nút ẩn Các trọng số được đưa đến neuron thứ Jth

trong một lớp có dạng vectơ trọng Wj = (w1j,…wij,…,wnj), với wij là trọng số của cung liên kết từ neuron thứ ith

trong lớp liền trước đến neuron trong lớp hiện tại

Sau khi nén tổng trọng hóa của nó, đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả các nút xuất

Output Layer Hidden Layer

Input Layer

bj

Xn Xi

Hình 1 Hình 2

Hình 1: Biểu đồ thể hiện mạng lan truyền tiến 3 lớp của ANNs Hình 2: Quá trình hoạt động của một nút đặc trưng của ANNs

Mỗi nút xuất thực hiện các thao tác tương tự như đã thực hiện trong nút ẩn để cho ra giá trị kết xuất của nút xuất Gía trị của các nút xuất chính là giá trị thực, nghĩa là giá trị của

Hầu hết người ta thường sử dụng hăm truyền mă về mặt hình học, đồ thị của nó có dạng đường cong dạng chữ S tăng đều đặn, được gọi lă hăm Sigmoid hay hăm logistic Hăm logistic có câc đặc điểm sau:

+ Hăm truyền lă hăm bị chặn

+ Hăm truyền lă hăm đơn điệu tăng

+ Hăm truyền lă hăm liín tục vă trơn

Về mặt toân học, hăm logistic được định nghĩa như sau:

1 y

1 1

j

z

e



 (1) Với z = wij

Chặn dưới

Chặn trên

0.5

f(x) 1

0

Hình 3 : Hăm logistic

2.2 Sự chuẩn hóa dữ liệu

Trước khi âp dụng ANNs, dữ liệu đầu văo phải được chuẩn hóa rơi văo trong khoảng [0,1] Một biến tượng trưng lă lưu lượng Q, biín năy có thể thay đổi từ 0 đến một văi giâ trị lớn nhất Qmax có thể được chuẩn hóa bởi công thưc sau :

Qs = Q/Qmax

Với Qs lă lưu lượng chuẩn hóa

2.3 Thuật toân lan truyền ngược sai số

Thuđ̣t toân lan truyền ngược sai số (BP) dựa văo việc khâi quât câc quy luđ̣t delta đê được đưa ra bởi Rumelhart (1986) để hiệu chỉnh câc trọng số của câc cung liín kết trong quâ trình luyện mạng

Lan truyền ngược lă một phương phâp cho phĩp xâc định tđ̣p trọng tốt nhất của mạng giải một băi toân được cho Việc âp dụng phương phâp lan truyền ngược lă một quâ trình lặp

đi lặp lại nhiều lần hai tiến trình chính: lan truyền tiến để thực hiện ânh xạ vă lan truyền ngược sai số để cđ̣p nhđ̣t câc trọng

Câc trọng của mạng lă câc hệ số của mô hình Phương phâp giảm gradient được dùng

để cđ̣p nhđ̣t những hệ số năy sao cho giảm thiểu sai số của mô hình Sai số được đo bằng phương phâp sai số trung bình bình phương lă phương phâp thường được sử dụng để xđy dựng câc mô hình

Sai số trung bình bình phương thường được sử dụng để đo lường sự trùng khớp giữa ânh xạ cần xđy dựng với hăm đích được cho trước (qua tđ̣p mẫu)

2

1 1

N m

pn pn

p n

 

    (3)

Với Tpn là giá trị đích của neuron thứ nth của mẫu thứ pth ;

Opn là giá trị đầu ra của neuron thứ nth của mẫu thứ pth ;

N là tổng số mẫu ;

m là tổng số neuron đầu ra

Tăng trọng số của các nút kết nối từ i đến j ở bước lan truyền thứ n, Δwij(n) được tính bởi công thức:

ij

w

E

 (4) Với α và ε là hệ số momen và tốc độ học

* Bắt đầu tính toán với giá trị ban đầu của các trọng số.Các bước của thuật toán như sau: + Bước 1: Thực hiện các bước từ 2-9 cho đến khi ngừng các điều kiện là phù hợp

+ Bước 2: Đối với mỗi cặp luyện của tập dữ liệu, tiến hành các bước từ 3-8

(1) Lan truyền tiến:

+ Bước 3: Mỗi neuron đầu vào (Xi, I = 1, 2, …, n) nhận tín hiệu đầu vào xi và gửi nó đến tất cả các nút trong lớp kế tiếp (lớp ẩn)

+ Bước 4: Mỗi neuron trong lớp ẩn (Zj, j = 1, 2, …, p) cộng tổng các trọng số của tín hiệu đầu vào

Zinj = voj + ∑xivij với i = 1, 2, ….,n (5)

Với vij các trọng số của cung liên kết

Voj là giá trị nghiêng

Hàm hoạt động thì được áp dụng để tính giá trị đầu ra

Zj = f(Zinj) (6) + Bước 5: Mỗi neuron trong lớp xuất (Yk, k = 1, 2, ….,m) cộng tổng các trọng số của tín hiệu đầu vào

Yink = wok + ∑ziwij với j = 1, 2, , p (7)

Tiếp tục hàm hoạt động được áp dụng để tính giá trị đầu ra

Yk = f(Yink) (8)

(2) Lan truyền ngược sai số

+ Bước 6: Mỗi neuron trong lớp xuất (Yk, k = 1, 2, …, m) tính sai số sử dụng mẫu đích phù hợp với các mẫu luyện đầu vào

δk = (tk – yk).f(Yink) (9)

Tính số hạng hiệu chỉnh trọng số (để cập nhật wij)

 wjk   kZj (10)

Tính số hạng hiệu chỉnh độ dốc (để cập nhật wok cuối cùng)

   (11)

Và gửi δk đến các nút trong lớp liền trước

in

    với k = 1, 2, …, m (12) Được nhân bởi đạo hàm của hàm hoạt động để tính số hạng sai số

( )

   (13) Tính số hạng hiệu chỉnh trọng số (được sử dụng để cập nhật vij sau):

   (14)

Và tính số hạng hiệu chỉnh độ giảm dốc (được sử dụng để cập nhật vọj sau):

v  

  (15)

(3) Cập nhật các trọng số và độ dốc:

+ Bước 8: Mỗi neuron trong lớp xuất, Yk, k = 1, 2, …, m, cập nhật độ giảm dốc và trọng

số (j = 0, 1, …, p):

jk new  jk old   ik (16)

Mỗi nút ẩn (Zj, j = 1, 2, …, p) cập nhật độ giảm dốc và trọng số (i = 1, 2, …, n):

ij

new v old v

v    (17)

+ Bước 9 Kiểm tra lại nếu các điều kiện ngừng là an toàn

2.4 Các yêu cầu chung cho các file đầu vào

Nhóm tài liệu thủy văn:

1 Thời đoạn tính toán: liệt tài liệu thu thập được và thời gian đo đạt mực nước hạ lưu sông cần dự báo

2 Các điều kiện biên gồm:

a Các điều kiện biên trên:

- Lưu lượng thượng nguồn sông

- Lượng mưa thượng nguồn sông

b Các điều kiện biên dưới: mực nước tại vị trí cần dự báo

2.5 Kiểm soát kết quả đầu ra của mô hình

Đầu ra của mô hình là mực nước dự báo lũ do mô hình tính tại hạ lưu sông Thu Bồn và sông Vu Gia

3 Áp dụng mô hình mạng thần kinh nhân tạo (ANNs) để dự báo lũ trên sông Thu Bồn –

Vu Gia

3.1 Điều kiện địa lý tự nhiên lưu vực sông Thu Bồn và sông Vu Gia

Lưu vực hệ thống sông Thu Bồn – Vu Gia có vị trí địa lý nằm trong khoảng 14o56 đến

16o05, 107o13 đến 108o28 kinh độ Đông, diện tích lưu vực khoảng 10350km2, hệ thống sông

có hai cửa là Cửa Đại ở Hội An thuộc Quảng Nam và Của Hàn ở Đà Nẵng

Địa hình chủ yếu là đồi núi chiếm 2/3 diện tích, phần còn lại là đồng bằng nhỏ hẹp chạy dọc ven biển Điah hình thấp dần từ Tây sang Đông

3.2 Dự báo lũ trên sông Thu Bồn và sông Câu Lâu bằng mô hình mạng thần kinh nhân tạo

3.2.1 Điều kiện biên

a Biên lưu lượng

Lưu lượng nước thượng nguồn sông Thu Bồn và sông Câu Lâu tại trạm đo Nông Son

và trạm Thành Mỹ

b Biên lượng mưa

Lượng mưa thượng nguồn sông Thu Bồn và sông Câu Lâu tại trạm đo Thành Mỹ và trạm Nông Sơn trong thời đoạn tính toán

c Biên mực nước

Mực nước hạ lưu sông tại vị trí cần dự báo tương ứng với lưu lượng và lượng mưu ở thượng nguồn sông

Hình 7:Cột nước đo tại hạ lưu sông Vu Gia Hình 8:Cột nước đo tại hạ lưu sông Thu Bồn 3.2.2 Kết quả chạy mô hình

Hình 9 Hình 10

Hình 9: Cột nước giữa thực đo và mô hình tính tại hạ lưu sông Vu Gia;

Hình 10: Cột nước giữa thực đo và mô hình tính tại hạ lưu sông Thu Bồn

4 Kết luận và kiến nghị

4.1 Kết luận

Việc ứng dụng phần mềm ANNs vào trong dự báo lũ gặp rất nhiều thuận lợi Nó có khả năng dự báo lũ ở hạ lưu sông tương đối chính xác chỉ dựa vào tài liệu thủy văn mà không cần tài liệu về địa hình địa chất

Qua kết quả chạy mô hình ta thấy, đường quá trình mực nước lên xuống tại hạ lưu sông Thu Bồn và sông Vu Gia giữa thực đo và tính toán là tương đối phù hợp

Nước ta là một nước nông nghiệp, luôn chịu ảnh hưởng của thiên tai, hạn hán, lũ lụt

liên tục; vì vậy “thủy lợi” là vấn đề quan trọng trong sự nghiệp phát triển của đất nước

Trong những năm qua ngành Thủy Lợi đã có những thành tích đáng kể trong nghiên cứu và áp dụng các tiến bộ khoa học kỹ thuật trong xây dựng công trình Tuy nhiên, một số lĩnh vực tính toán vẫn còn yếu Công nghệ khảo sát, dự báo lũ của ta còn nhiều hạn chế Vì vậy cần đưa phần mềm ANNs vào dự báo lũ trong điều kiện thiếu các tài liệu về địa hình, độ nhám lòng sông… để phục vụ cho công tác xây dựng công trình và phòng chống thiên tai

TÀI LIỆU THAM KHẢO

[1] TS Nguyễn Đình Thúc, Hoàng Đức Hải, Giáo trình mạng trí tuệ nhân tạo mạng Nơron

phương pháp và ứng dụng, Nhà xuất bản giáo dục năm 2000

[2] Trung tâm quân đội Mỹ, Water resources systems planning and management