BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  22,065,346
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật thuỷ lợi

Bùi Thị Kiên Trinh, Xiao Yangxuan, Đoàn Văn Chinh, Đỗ Xuân Khánh, Trần Thế Việt(1), Mai Đình Sinh

Ứng dụng mô hình thống kê và mạng nơ-ron lan truyền ngược trong phân tích dự báo chuyển dịch đập thủy điện

Application of statistic model and backpropagation neural network to analyzing and forecasting hydropower dam displacement

Các khoa học Trái đất và Môi trường (ĐHQG Hà Nội)

2021

1

44-51

Chuyển dịch ngang, Mô hình hồi quy bội, Chuỗi thời gian theo mùa, Mạng nơ-ron lan truyền ngược

Horizontal displacement, Multi-regression model, Seasonal ARIMA, Back-propagation neural network

Mô hình thống kê hồi quy bội, chuỗi thời gian theo mùa và mạng nơ-ron lan truyền ngược được ứng dụng để phân tích và dự báo chuyển dịch ngang của đập thủy điện Hoà Bình ở giai đoạn vận hành. Dữ liệu thực nghiệm là kết quả quan trắc chuyển dịch ngang, mực nước hồ và nhiệt độ không khí trong 137 chu kỳ quan trắc. Kết quả cho thấy các mô hình này hoàn toàn phù hợp với chuyển dịch thực tế của đập và đạt yêu cầu về độ chính xác dự báo theo chỉ tiêu sai số trung phương và sai số trung bình với khoảng thời gian dự báo dưới 9 tháng. Thêm vào đó, mạng nơ-ron lan truyền ngược có độ chính xác cao và ổn định hơn 2 loại mô hình thống kê hồi quy bội và chuỗi thời gian theo mùa trong phân tích, dự báo chuyển dịch đập.

Horizontal displacement of Hoa Binh dam in operation phase was analyzed and then forecasted by using three methods the multi-regression model (MTR), the Seasonal Integrated Auto-regressive Moving Average (SARIMA) and the Back-propagation Neural Network (BPNN). The monitoring data of the Hoa Binh Dam in 137 periods, including horizontal displacement, time, reservoir water level and air temperature were used for the experiments. The results indicated that all of these three methods could describe the real trend of dam deformation and achieve the required accuracy in short-term forecast up to 9 months. In addition, forecast results of BPNN had the highest stability and accuracy.

TTKHCNQG, CTv 175

Xem toàn văn
  • [1] D. Graupe, (2013), Principles of Artifcial Neural Networks, Advanced Series in Circuits and Systems 3rd Edition, vol. 7,World Scientific Publishing Co. Pte. Ltd., Singapore, 311–325, 2013
  • [2] N.Q. Dong; N.T. Minh, (2013), Econometric,The Press of National Economics University, 2013 (in Vietnamese)
  • [3] J.D. Cryer; K.S. Chan, c (2008), Time Series Analysis with Application in R,Springer-Verlag, New York, 2008
  • [4] L D. Tinh, (2012), Research the solutions to Increase the Effect of Deformation Monitoring in Vietnam (PhD thesis),Hanoi University of Mining and Geology, MS: 62.52.85.01, 2012 (in Vietnamese)
  • [5] T. Khanh; L.D. Tinh, (2010), Applying a method of correlation analysis to estimate the movement of construction,Journal of Mining and Geology 4, 30 (2010) (in Vietnamese)
  • [6] (2012), TCVN 9400-2012: Buildings and Tower Structure –Tilt Monitoring by Surveying Methods, 2012 (in Vietnamese).,TCVN 9400-2012: Buildings and Tower Structure
  • [7] (2012), TCVN 9360-2012: Technical Process of Settlement Monitoring of Civil and Industrial Building by Geometrical Levelling, 2012 (in Vietnamese),TCVN 9360-2012
  • [8] (2009), TCVN 8215-2009: Hydraulic Structure – Major regulations on installation design observation equipment of water headworks, 2009 (in Vietnamese),TCVN 8215-2009: Hydraulic Structure
  • [9] (), TCVN 9399-2012: Buildings and Structures – Measuring Horizontal Displacement by Surveying Method, 2012 (in Vietnamese).,TCVN 9399-2012: Buildings and Structures
  • [10] J. Zou et al. (2017), Dam deformation analysis based on BPNN merging models,Geo-spatial Information Science, 21(2) (2017) 49-157. https://doi.org/10.1080/10095020.2017.1386848
  • [11] D.T. Bui et al. (2017), Chapter 15 - Hybrid Intelligent Model Based on Least Squared Support Vector Regression and Artificial Bee Colony Optimization for Time Series Modeling and Forecasting Horizontal Displacement of Hyd-ropower Dam,in: P. Samui, S.S. Roy, and V.E. Balas (Eds.), Handbook of Neural Computation, Academic Press, United States of America, 2017, pp 279-293, https://doi.org/10.1016/B978-0-12-811318- 9.00015-6
  • [12] Z. Jingui et al., (2016), Research on Deformation Analysis of the Hyd-ropower Dam in Vietnam,Journal of Geomatics - Wuhan University. 41(3) (2016) 45- 47 (in Chinese). https://doi.org/10.14188/j.2095- 6045.2016.03.012
  • [13] B.T.K. Trinh et al., (2018), A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hyd-ropower dam,Neural Computing and Applications 29(12) (2018) 1495-1506. https://doi.org/10.1007/s00521-016-2666-0