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
Email:
hohung.thuyluc@tlu.edu.vn
Từ khóa:
chiều dài xoáy cuộn, hiện tượng nước nhảy, mô hình học máy, thủy lực, ANN.
Tóm tắt
Chiều dài xoáy cuộn của nước nhảy có vị trí quan trọng trong việc xác định kích thước và hiệu quả của các công trình tiêu năng phía hạ lưu đập tràn, cống ngầm. Vì vậy, việc ước tính chính xác thông số này là yêu cầu cấp thiết trong thiết kế các công trình thủy lợi. Do đó, nghiên cứu này đã phát triển và đánh giá tám mô hình mạng nơ ron nhân tạo (artificial neural networks – ANN) nhằm dự báo chiều dài khu xoáy của nước nhảy trên kênh lăng trụ mặt cắt chữ nhật, đáy bằng. Bốn biến đầu vào và một biến đầu ra của mô hình được lựa chọn theo định lý π-Buckingham nhằm đảm bảo tính đại diện và không thứ nguyên, việc này chưa được nghiên cứu kỹ trước đây. Hơn nữa, các mô hình học máy đã được ứng dụng để đánh giá tác động của trọng lực, lực cản và chiều rộng lòng dẫn đến chiều dài khu xoáy giúp tăng cường hiệu suất dự báo. Các kết quả kiểm định xác nhận rằng tất cả mô hình ANN đều có sai số thấp hơn các phương trình thực nghiệm truyền thống, với hệ số Nash–Sutcliffe (NSE) cao hơn 0,975. Đặc biệt, ANN hai lớp ẩn với 16 nơ-ron mỗi lớp đạt giá trị NSE cao nhất (0,992) và sai số tương đối nhỏ nhất (4,32%), khẳng định cấu hình này là tối ưu cho mô hình dự báo và có thể thay thế các phương pháp thực nghiệm hiện hành.Tài liệu tham khảo
[1]. W. H. Hager, Energy Dissipators and Hydraulic Jump, Volume 8. Dordrecht, The Netherlands: Kluwer Academic Publishers, Water Science and Technology Library, 1992.
[2]. W. H. Hager, Hydraulic jump, Energy dissipators, (1995) 43–60. https://doi.org/10.1201/9780203757512-4.
[3]. K. V. N. Sarma and D. A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139142.
[4]. W. H. Hager, R. Bremen, and 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, and 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, Monogr. E, Ed. A water Resour. Tech. Publ. USBR, 25 (1984) 240.
[7]. N. V. Bretz, Hydraulic Jump Forced by Sill. Ecole Polytechnique Fédérale de Lausanne, 1988.
[8]. M. Naseri and 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]. L. Houichi, N. Dechemi, S. Heddam, and B. Achour, An evaluation of ANN methods for estimating the lengths of hydraulic jumps in U-shaped channel, J. Hydroinformatics, 15 (2013) 147–154. https://doi.org/10.2166/hydro.2012.138.
[10]. S. Baharvand, A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh, R. Nasiri, and 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.
[11]. N. M. Ngọc. Lê Văn Nghị, 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, vol. số chuyên đề, (2023) 43–49.
[12]. H. V. 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.
[13]. 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.
[14]. [14] H. V. 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.
[15]. L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, Catboost: Unbiased boosting with categorical features, Adv. Neural Inf. Process. Syst., 2018 (2018) 6638–6648.
[16]. T. Chen and C. Guestrin, XGBoost: A scalable tree boosting system, Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., 13-17-Augu (2016) 785–794.
[17]. M. F. Sauida, Prediction of hydraulic jump length downstream of multi-vent regulators using Artificial Neural Networks, Ain Shams Eng. J., 7 (2016) 819–826.
[18]. W. H. Hager and 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.
[19]. B. Gregorutti, B. Michel, and P. Saint-Pierre, Correlation and variable importance in random forests, Stat. Comput., 27 (2017) 659–678. https://doi.org/10.1007/s11222-016-9646-1.
[20]. H. V. Ho, Caculation of the hydraulic jump length in horizontal rectangular channels using artificial neural network models, J. Water Resour. Environ. Eng., 92 (2024) 54–61.
[2]. W. H. Hager, Hydraulic jump, Energy dissipators, (1995) 43–60. https://doi.org/10.1201/9780203757512-4.
[3]. K. V. N. Sarma and D. A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139142.
[4]. W. H. Hager, R. Bremen, and 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, and 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, Monogr. E, Ed. A water Resour. Tech. Publ. USBR, 25 (1984) 240.
[7]. N. V. Bretz, Hydraulic Jump Forced by Sill. Ecole Polytechnique Fédérale de Lausanne, 1988.
[8]. M. Naseri and 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]. L. Houichi, N. Dechemi, S. Heddam, and B. Achour, An evaluation of ANN methods for estimating the lengths of hydraulic jumps in U-shaped channel, J. Hydroinformatics, 15 (2013) 147–154. https://doi.org/10.2166/hydro.2012.138.
[10]. S. Baharvand, A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh, R. Nasiri, and 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.
[11]. N. M. Ngọc. Lê Văn Nghị, 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, vol. số chuyên đề, (2023) 43–49.
[12]. H. V. 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.
[13]. 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.
[14]. [14] H. V. 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.
[15]. L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, Catboost: Unbiased boosting with categorical features, Adv. Neural Inf. Process. Syst., 2018 (2018) 6638–6648.
[16]. T. Chen and C. Guestrin, XGBoost: A scalable tree boosting system, Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., 13-17-Augu (2016) 785–794.
[17]. M. F. Sauida, Prediction of hydraulic jump length downstream of multi-vent regulators using Artificial Neural Networks, Ain Shams Eng. J., 7 (2016) 819–826.
[18]. W. H. Hager and 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.
[19]. B. Gregorutti, B. Michel, and P. Saint-Pierre, Correlation and variable importance in random forests, Stat. Comput., 27 (2017) 659–678. https://doi.org/10.1007/s11222-016-9646-1.
[20]. H. V. Ho, Caculation of the hydraulic jump length in horizontal rectangular channels using artificial neural network models, J. Water Resour. Environ. Eng., 92 (2024) 54–61.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
28/01/2026
Nhận bài sửa
08/04/2026
Chấp nhận đăng
13/04/2026
Xuất bản
15/04/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Hồ Việt, H. (1776186000). 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(3), 254-268. https://doi.org/10.47869/tcsj.77.3.3
