Thanh bên bài viết

PDF
Ngày xuất bản: 17/08/2025
Số lượt xem tóm tắt: 3
Số lượt xem PDF: 1
Số xuất bản
Tập 83 (2025): Số 83 (08/2025)
Chuyên mục
Khoa học - Công nghệ
Trích dẫn bài báo
Đinh, A. T., & Nguyễn, V. H. (2025). NGHIÊN CỨU DỰ BÁO NĂNG LƯỢNG SÓNG BIỂN DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP (CNN). Tạp chí Khoa học Công nghệ Hàng hải, 83(83), 143-149. https://jmst.vimaru.edu.vn/index.php/jmst/article/view/635

NGHIÊN CỨU DỰ BÁO NĂNG LƯỢNG SÓNG BIỂN DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP (CNN)

Đinh Anh Tuấn1, Nguyễn Văn Hùng1,
1 Khoa Điện - Điện tử, Trường Đại học Hàng hải Việt Nam

Nội dung chính của bài viết

Tóm tắt

Dự báo năng lượng sóng biển là quan trọng trong hoạt động hàng hải, hoạt động ven biển và ngoài khơi, hoạt động khai thác điện năng tại các cảng biển và khu vực đảo xa bờ. Bên cạnh đó, các phương pháp dự báo dựa trên trí tuệ nhân tạo giúp dự báo chính xác năng lượng và cấp sóng. Bài báo này trình bày phương pháp ứng dụng mạng nơ-ron tích chập dự báo năng lượng sóng dựa trên trạng thái của mặt biển và thông số sóng để đưa ra các dữ liệu cần thiết phục vụ hoạt động hàng hải và nhà máy điện sóng biển. Dữ liệu luyện mạng dựa trên bộ dữ liệu thu thập từ camera kết hợp phần mềm mô phỏng hàng hải xây dựng trong UNITY 3D với các cấp sóng theo bảng thang sức gió Beaufort. Kết quả nghiên cứu này đã dự báo được cấp sóng và năng lượng sóng tại các thời điểm và khu vực biển ở Việt Nam.

Từ khóa

Dự báo sóng, mô hình CNN, dự đoán sóng gần bờ, năng lượng sóng, dự đoán chiều cao sóng

Chi tiết bài viết

Tài liệu tham khảo

[1]Wu, C. Stefanakos, and Z. Gao (2020), Multi-Step Ahead Forecasting of Wave Conditions Based on a Physics-Based Machine Learning (PBML) Model for Marine Operations, Journal of Marine Science and Engineering, Vol.8, No.12.
doi: 10.3390/jmse8120992.
[2] D. Song, M. Yu, Z. Wang, and X. Wang (2023), Wind and wave energy prediction using an AT BiLSTM model, Ocean Eng., Vol.281, p.115008, https://doi.org/10.1016/j.oceaneng.2023.115008.
[3] P. M. R. Bento, J. A. N. Pombo, R. P. G. Mendes, M. R. A. Calado, and S. J. P. S. Mariano (2021), Ocean wave energy forecasting using optimised deep learning neural networks, Ocean Eng., Vol.219, p.108372.
https://doi.org/10.1016/j.oceaneng.2020.108372.
[4] S. Kim, T. H. A. Tom, M. Takeda, and H. Mase (2021), A framework for transformation to nearshore wave from global wave data using machine learning techniques: Validation at the Port of Hitachinaka, Japan, Ocean Eng., Vol.221, p.108516. https://doi.org/10.1016/j.oceaneng.2020.108516.
[5] A. Zamani, D. Solomatine, A. Azimian, and A. Heemink (2008), Learning from data for wind wave forecasting, Ocean Eng., Vol.35, No.10, pp.953-962. https://doi.org/10.1016/j.oceaneng.2008.03.007.
[6] J. Oh and K.-D. Suh (2018), Real-time forecasting of wave heights using EOF - wavelet - neural network hybrid model, Ocean Eng., Vol.150, pp.48-59. https://doi.org/10.1016/j.oceaneng.2017.12.044.
[7] C. Jörges, C. Berkenbrink, H. Gottschalk, and B. Stumpe (2023), Spatial ocean wave height prediction with CNN mixed-data deep neural networks using random field simulated bathymetry, Ocean Eng., Vol.271, p.113699. https://doi.org/10.1016/j.oceaneng.2023.113699.
[8] P. Bento, J. Pombo, M. do R. Calado, and S. Mariano (2021), Ocean wave power forecasting using convolutional neural networks, IET Renew. Power Gener., Vol.15, No.14, pp.3341-3353, Oct.
doi: https://doi.org/10.1049/rpg2.12258.
[9] Y. Jing, L. Zhang, W. Hao, and L. Huang (2022), Numerical study of a CNN-based model for regional wave prediction, Ocean Eng., Vol.255, p.111400. https://doi.org/10.1016/j.oceaneng.2022.111400.
[10] B. Hà, N. Thuy, and Đ. Chiến (2021), Kết quả bước đầu dự báo tổ hợp sóng biển tại Việt Nam, Vietnam J. Hydrometeorol., Vol. 721, pp.1-10. doi: 10.36335/VNJHM.2021(721).1-10.
[11] N. Thịnh, Đ. Nguyên, L. Phụng, and N. Bảy (2021), Nghiên cứu xác định năng lượng sóng biển khu vực Nam Trung Bộ, Tạp chí Khí tượng Thủy văn, Số.722, tr.1-10.
doi: 10.36335/VNJHM.2021(722).58-67.
[12] W. Sun, B. Liang, Z. Shao, and Z. Wang (2022), Analysis of Komen scheme in the SWAN model for the whitecapping dissipation during the tropical cyclone, Ocean Eng., Vol.266, p.113060.
https://doi.org/10.1016/j.oceaneng.2022.113060.
[13] P. A. Umesh and M. R. Behera (2021), On the improvements in nearshore wave height predictions using nested SWAN-SWASH modelling in the eastern coastal waters of India, Ocean Eng., Vol.236, p.109550.
https://doi.org/10.1016/j.oceaneng.2021.109550.
[14] M. Wu, C. Stefanakos, and Z. Gao (2020), Multi step-ahead forecasting of wave conditions based on a physics-based machine learning (PBML) model for marine operations, Journal of Marine Science and Engineering, Vol.8, No.12. pp.1-24.
doi: 10.3390/jmse8120992.
[15] C. Ni and X. Ma (2018), Prediction of Wave Power Generation Using a Convolutional Neural Network with Multiple Inputs, Energies, Vol.11, p.2097.
doi: 10.3390/en11082097.
[16] S. Shamshirband, A. Mosavi, T. Rabczuk, N. Nabipour, and K. wing Chau (2020), Prediction of significant wave height; comparison between nested grid numerical model, and machine learning models of artificial neural networks, extreme learning and support vector machines, Engineering Applications of Computational Fluid Mechanics, Vol.14, No.1. pp.805-817.
doi: 10.1080/19942060.2020.1773932.