Ứng dụng các mô hình học máy dự báo chiều dài khu xoáy nước nhảy trong kênh chữ nhật
Email:
hohung.thuyluc@tlu.edu.vn
Từ khóa:
nước nhảy, chiều dài khu xoáy, mô hình học máy, Categorical Boosting, SHAP
Tóm tắt
Chiều dài khu xoáy nước nhảy là một đặc trưng hình học quan trọng, ảnh hưởng trực tiếp đến thiết kế công trình tiêu năng. Việc xác định chính xác đại lượng này có ý nghĩa thực tiễn lớn trong lĩnh vực thủy lợi. Các công thức thực nghiệm hiện có cho kết quả không nhất quán. Vì vậy, nghiên cứu này đề xuất và đánh giá hiệu suất dự báo của bốn mô hình tổ hợp cây quyết định: Tăng cường phân loại (Categorical Boosting - CB), Cây bổ sung (Extra Trees - ET), Tăng cường độ dốc (Gradient Boosting - GB) và Tăng cường độ dốc cực đại (Extreme Gradient Boosting - XGB). Khác với các nghiên cứu trước, siêu tham số được tối ưu bằng thuật toán Bayes kết hợp kiểm định chéo lặp 10 nhóm, mức độ quan trọng của các biến đầu vào được lượng hóa bằng giá trị SHAP, và độ ổn định của kết quả được kiểm chứng qua 30 lần chia ngẫu nhiên dữ liệu. Kết quả cho thấy các mô hình học máy cho sai số dự báo nhìn chung thấp hơn các công thức thực nghiệm. Trên lần chia đại diện, CB dẫn đầu ở cả bốn chỉ số (NSE = 0,984; MAE = 1,695; RMSE = 2,207; MAPE = 7,13%). Qua 30 lần chia, CB giữ MAE, RMSE và MAPE trung bình thấp nhất. Do đó, CB là phương pháp dự báo phù hợp nhất, bổ sung cho các công thức thực nghiệm truyền thống trong các trường hợp cần xét đồng thời nhiều yếu tố thủy lực.Tài liệu tham khảo
[1]. W.H. Hager, Energy Dissipators and Hydraulic Jump, Kluwer Academic Publishers, Water Science and Technology Library, 8 (1992). https://link.springer.com/book/10.1007/978-94-015-8048-9
[2]. W.H. Hager, Hydraulic jump, Energy dissipators, (1995) 43-60. https://doi.org/10.1201/9780203757512-4
[3]. K.V.N. Sarma, D.A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139-142.
[4]. W.H. Hager, R. Bremen, N. Kawagoshi, Length of roller - Ressaut hydraulique classique: Longueur du rouleau, J Hydraul Res, 28 (1990) 591-608. https://doi.org/10.1080/00221689009499048
[5]. H.E. Schulz, A.L.A. Simões, J.D. Nóbrega, Roller lengths, sequent depths, surface profiles for pre-design of dissipation basins, IWHS 2015, (2015) 81. https://doi.org/10.13140/RG.2.1.3027.0889
[6]. A.J. Peterka, Hydraulic Design of Stilling Basins and Energy Dissipators, Monograph E, A Water Resources Technical Publication, USBR, 25 (1984) 240.
[7]. N.V. Bretz, Hydraulic Jump Forced by Sill, Ecole Polytechnique Fédérale de Lausanne, 1988.
[8]. M. Naseri, F. Othman, Determination of the length of hydraulic jumps using artificial neural networks, Adv Eng Softw, 48 (2012) 27-31. https://doi.org/10.1016/j.advengsoft.2012.01.003
[9]. S. Baharvand, A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh, R. Nasiri, B. Lashkar-Ara, Comparative Study on the Machine Learning and Regression-Based Approaches to Predict the Hydraulic Jump Sequent Depth Ratio, Iran J Sci Technol - Trans Civ Eng, 45 (2021) 2719-2732. https://doi.org/10.1007/s40996-020-00526-2
[10]. Lê Văn Nghị, Nguyễn Minh Ngọc, Ứng dụng thuật toán SVM dự báo chiều dài nước nhảy trên kênh hình thang cân, Tạp chí Khoa học và Công nghệ Thủy lợi, (2023) 43-49.
[11]. Hồ Việt Hùng, Ứng dụng phương pháp học máy tính toán chiều dài nước nhảy trong kênh lăng trụ mặt cắt hình chữ nhật, Tạp chí Khoa học và Công nghệ Thủy lợi, 84 (2024) 76-86.
[12]. H.V. Ho, Determination of the surface roller length of hydraulic jumps in horizontal rectangular channels using the machine learning method, Stoch Environ Res Risk Assess, 38 (2024) 2539-2562. https://doi.org/10.1007/s00477-024-02697-0
[13]. Hồ Việt Hùng, Ứng dụng các thuật toán học máy xác định độ sâu sau nước nhảy trong kênh chữ nhật có xét đến ảnh hưởng của lực ma sát, Tạp chí Khoa học Giao thông vận tải, 76 (2025) 172-186. https://doi.org/10.47869/tcsj.76.2.5
[14]. A. Azma, A.G.L. Borthwick, Y. Liu, D. Zhang, E. Afaridegan, Assessment of Data-Driven Models for Modeling the Coefficient of Pressure Fluctuations in a Hydraulic Jump, Int J Comput Intell Syst, 19 (2026) 126. https://doi.org/10.1007/s44196-026-01259-2
[15]. H. Abbaszadeh, R. Daneshfaraz, V. Sume, J. Abraham, Experimental investigation and application of soft computing models for predicting flow energy loss in arc-shaped constrictions, AQUA - Water Infrastructure, Ecosystems and Society, 73 (2024) 637-661. https://doi.org/10.2166/aqua.2024.010
[16]. Hồ Việt Hùng, Áp dụng các mô hình mạng nơ-ron nhân tạo (ANN) tính toán chiều dài khu xoáy của nước nhảy trong kênh chữ nhật nằm ngang, Tạp chí Khoa học Giao thông vận tải, 77 (2026) 254-268. https://doi.org/10.47869/tcsj.77.3.3
[17]. E. Buckingham, On physically similar systems; illustrations of the use of dimensional equations, Phys Rev, 4 (1914) 345-376. https://doi.org/10.1103/PhysRev.4.345
[18]. J.H. Friedman, Greedy function approximation: A gradient boosting machine, Ann Statist, 29 (2001) 1189-1232. https://doi.org/10.1214/aos/1013203451
[19]. L. Prokhorenkova, G. Gusev, A. Vorobev, A.V. Dorogush, A. Gulin, CatBoost: Unbiased boosting with categorical features, Adv Neural Inf Process Syst, 31 (2018) 6638-6648.
[20]. P. Geurts, D. Ernst, L. Wehenkel, Extremely randomized trees, Mach Learn, 63 (2006) 3-42. https://doi.org/10.1007/s10994-006-6226-1
[21]. T. Chen, C. Guestrin, XGBoost: A scalable tree boosting system, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, 2016, ACM, 785-794. https://doi.org/10.1145/2939672.2939785
[22]. W.H. Hager, R. Bremen, Sequent depths: Le ressaut hydraulique classique: étude des hauteurs conjuguées, J Hydraul Res, 27 (1989) 565-585. https://doi.org/10.1080/00221688909499111
[23]. S.M. Lundberg, S.I. Lee, A unified approach to interpreting model predictions, Adv Neural Inf Process Syst, 30 (2017) 4765-4774. https://doi.org/10.48550/arXiv.1705.07874
[24]. F. Wilcoxon, Individual comparisons by ranking methods, Biometrics Bulletin, 1 (1945) 80-83. https://doi.org/10.2307/3001968
[25]. S. Holm, A simple sequentially rejective multiple test procedure, Scand J Stat, 6 (1979) 65-70.
[2]. W.H. Hager, Hydraulic jump, Energy dissipators, (1995) 43-60. https://doi.org/10.1201/9780203757512-4
[3]. K.V.N. Sarma, D.A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139-142.
[4]. W.H. Hager, R. Bremen, N. Kawagoshi, Length of roller - Ressaut hydraulique classique: Longueur du rouleau, J Hydraul Res, 28 (1990) 591-608. https://doi.org/10.1080/00221689009499048
[5]. H.E. Schulz, A.L.A. Simões, J.D. Nóbrega, Roller lengths, sequent depths, surface profiles for pre-design of dissipation basins, IWHS 2015, (2015) 81. https://doi.org/10.13140/RG.2.1.3027.0889
[6]. A.J. Peterka, Hydraulic Design of Stilling Basins and Energy Dissipators, Monograph E, A Water Resources Technical Publication, USBR, 25 (1984) 240.
[7]. N.V. Bretz, Hydraulic Jump Forced by Sill, Ecole Polytechnique Fédérale de Lausanne, 1988.
[8]. M. Naseri, F. Othman, Determination of the length of hydraulic jumps using artificial neural networks, Adv Eng Softw, 48 (2012) 27-31. https://doi.org/10.1016/j.advengsoft.2012.01.003
[9]. S. Baharvand, A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh, R. Nasiri, B. Lashkar-Ara, Comparative Study on the Machine Learning and Regression-Based Approaches to Predict the Hydraulic Jump Sequent Depth Ratio, Iran J Sci Technol - Trans Civ Eng, 45 (2021) 2719-2732. https://doi.org/10.1007/s40996-020-00526-2
[10]. Lê Văn Nghị, Nguyễn Minh Ngọc, Ứng dụng thuật toán SVM dự báo chiều dài nước nhảy trên kênh hình thang cân, Tạp chí Khoa học và Công nghệ Thủy lợi, (2023) 43-49.
[11]. Hồ Việt Hùng, Ứng dụng phương pháp học máy tính toán chiều dài nước nhảy trong kênh lăng trụ mặt cắt hình chữ nhật, Tạp chí Khoa học và Công nghệ Thủy lợi, 84 (2024) 76-86.
[12]. H.V. Ho, Determination of the surface roller length of hydraulic jumps in horizontal rectangular channels using the machine learning method, Stoch Environ Res Risk Assess, 38 (2024) 2539-2562. https://doi.org/10.1007/s00477-024-02697-0
[13]. Hồ Việt Hùng, Ứng dụng các thuật toán học máy xác định độ sâu sau nước nhảy trong kênh chữ nhật có xét đến ảnh hưởng của lực ma sát, Tạp chí Khoa học Giao thông vận tải, 76 (2025) 172-186. https://doi.org/10.47869/tcsj.76.2.5
[14]. A. Azma, A.G.L. Borthwick, Y. Liu, D. Zhang, E. Afaridegan, Assessment of Data-Driven Models for Modeling the Coefficient of Pressure Fluctuations in a Hydraulic Jump, Int J Comput Intell Syst, 19 (2026) 126. https://doi.org/10.1007/s44196-026-01259-2
[15]. H. Abbaszadeh, R. Daneshfaraz, V. Sume, J. Abraham, Experimental investigation and application of soft computing models for predicting flow energy loss in arc-shaped constrictions, AQUA - Water Infrastructure, Ecosystems and Society, 73 (2024) 637-661. https://doi.org/10.2166/aqua.2024.010
[16]. Hồ Việt Hùng, Áp dụng các mô hình mạng nơ-ron nhân tạo (ANN) tính toán chiều dài khu xoáy của nước nhảy trong kênh chữ nhật nằm ngang, Tạp chí Khoa học Giao thông vận tải, 77 (2026) 254-268. https://doi.org/10.47869/tcsj.77.3.3
[17]. E. Buckingham, On physically similar systems; illustrations of the use of dimensional equations, Phys Rev, 4 (1914) 345-376. https://doi.org/10.1103/PhysRev.4.345
[18]. J.H. Friedman, Greedy function approximation: A gradient boosting machine, Ann Statist, 29 (2001) 1189-1232. https://doi.org/10.1214/aos/1013203451
[19]. L. Prokhorenkova, G. Gusev, A. Vorobev, A.V. Dorogush, A. Gulin, CatBoost: Unbiased boosting with categorical features, Adv Neural Inf Process Syst, 31 (2018) 6638-6648.
[20]. P. Geurts, D. Ernst, L. Wehenkel, Extremely randomized trees, Mach Learn, 63 (2006) 3-42. https://doi.org/10.1007/s10994-006-6226-1
[21]. T. Chen, C. Guestrin, XGBoost: A scalable tree boosting system, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, 2016, ACM, 785-794. https://doi.org/10.1145/2939672.2939785
[22]. W.H. Hager, R. Bremen, Sequent depths: Le ressaut hydraulique classique: étude des hauteurs conjuguées, J Hydraul Res, 27 (1989) 565-585. https://doi.org/10.1080/00221688909499111
[23]. S.M. Lundberg, S.I. Lee, A unified approach to interpreting model predictions, Adv Neural Inf Process Syst, 30 (2017) 4765-4774. https://doi.org/10.48550/arXiv.1705.07874
[24]. F. Wilcoxon, Individual comparisons by ranking methods, Biometrics Bulletin, 1 (1945) 80-83. https://doi.org/10.2307/3001968
[25]. S. Holm, A simple sequentially rejective multiple test procedure, Scand J Stat, 6 (1979) 65-70.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
17/01/2026
Nhận bài sửa
07/10/2026
Chấp nhận đăng
08/10/2026
Xuất bản
15/10/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Hồ Việt, H. (1791997200). Ứng dụng các mô hình học máy dự báo chiều dài khu xoáy nước nhảy trong kênh chữ nhật. Tạp Chí Khoa Học Giao Thông Vận Tải, 77(8), 1024-1038. https://doi.org/10.47869/tcsj.77.8.1
