Thanh bên bài viết
XÁC ĐỊNH ĐỘ SÂU LIÊN HỢP, CHIỀU DÀI NƯỚC NHẢY VÀ ỨNG SUẤT ĐÁY ĐỐI VỚI NƯỚC NHẢY TRÊN NỀN NHÁM LĂNG TRỤ CHỮ NHẬT BẰNG MÔ HÌNH MẠNG NƠ-RON NHÂN TẠO
Nội dung chính của bài viết
Tóm tắt
Nước nhảy là hiện tượng thủy lực quan trọng giúp tiêu tán năng lượng dư thừa của dòng chảy lũ tại hạ lưu công trình tháo. Gần đây, nhiều nghiên cứu đã tập trung vào nâng cao hiệu quả tiêu năng bằng các giải pháp như: Gia tăng độ nhám đáy, thay đổi độ dốc đáy kênh,… Tuy nhiên phần lớn các nghiên cứu chủ yếu dựa trên mô hình vật lý với số lượng thí nghiệm hạn chế hay mô hình toán. Trong bối cảnh đó, sự phát triển mạnh mẽ của trí tuệ nhân tạo (AI) đã mở ra hướng tiếp cận mới trong lĩnh vực thủy lực, mạng nơ-ron nhân tạo (ANN) với thuật toán lan truyền ngược cho phép mô phỏng phi tuyến và dự báo chính xác vấn đề phức tạp. Nghiên cứu này đã xây dựng mô hình ANN ba lớp (đầu vào, ẩn, đầu ra) để dự báo độ sâu liên hợp nước nhảy (y₂/y₁), chiều dài nước nhảy (Lj/y1) và ứng suất tiếp đáy nhám (e). Kết quả nghiên cứu cho thấy mô hình dự báo đạt độ chính xác cao với hệ số tương quan R² > 0,92. Trong đó, tỉ số y₂/y₁ và e tối ưu khi sử dụng 8 và 10 nơ-ron lớp ẩn (R² lần lượt là 0,994 và 0,984), còn tỉ số Lj/y1 cần tới 18 nơ-ron để đạt R² = 0,92. So với phương pháp hồi quy truyền thống, ANN thể hiện khả năng dự báo vượt trội và ổn định hơn, khẳng định tiềm năng ứng dụng trong tối ưu hóa thiết kế bể tiêu năng dưới điều kiện dòng chảy lũ và địa hình hạ lưu phức tạp.
Từ khóa
Nước nhảy, mạng nơ-ron nhân tạo, thuật toán lan truyền ngược, độ sâu liên hợp nước nhảy, chiều dài nước nhảy, ứng suất tiếp đáy.
Chi tiết bài viết
Tài liệu tham khảo
[2] Nguyễn Văn Cung, Nguyễn Xuân Đặng, Ngô Trí Viềng (2010). Công trình tháo lũ trong đầu mối hệ thống thủy lợi. Nhà xuất bản Xây dựng.
[3] Phạm Thị Hải Yến và nnk (2025). Đặc trưng khí hậu Việt Nam. Tạp chí Khoa học và biến đổi khí hậu, No.34, p.6.
[4] Nguyễn Thị Minh Hằng và nnk (2020). Đánh giá ảnh hưởng của biến đổi khí hậu đến an toàn hồ chứa Đá Bàn tỉnh Bình Định. Tạp chí Khoa học & Công Nghệ Thủy Lợi.
[5] S. Ead and N. Rajaratnam (2002). Hydraulic jumps on corrugated beds. Journal of Hydraulic Engineering, Vol.128, No.7, pp.656-663, doi: 10.1061/(ASCE)0733-9429(2002)128:7(656).
[6] A. Abbaspour, A. H. Dalir, D. Farsadizadeh, and A. Sadraddini (2009). Effect of sinusoidal corrugated bed on hydraulic jump characteristics. Journal of Hydro-environment Research, Vol.3, No.2, pp.109-117.
doi: 10.1016/j.jher.2009.05.003.
[7] A. Abbaspour, D. Farsadizadeh, A. H. DALIR, and A. A. SADRADDINI (2009). Numerical study of hydraulic jumps on corrugated beds using turbulence models. Turkish Journal of Engineering and Environmental Sciences, Vol.33, no.1, pp.61-72.
doi: 10.3906/muh-0901-7.
[8] M. Beirami and M. Chamani (2010). Hydraulic jump in sloping channels: roller length and energy loss. Canadian Journal of Civil Engineering, Vol.37, No.4, pp.535-543.
[9] I. H. Elsebaie and S. Shabayek (2010). Formation of hydraulic jumps on corrugated beds. International Journal of Civil Ƭ Environment al Engineering IJCEE–IJENS, Vol.10, No.1, pp.37-47.
[10] K. Neisi and M. Shafai Bejestan (2013). Characteristics of S-jump on roughened bed stilling basin. Journal of Water Sciences Research, Vol.5, No.2, pp.25-34.
[11] A. Ghaderi, M. Dasineh, F. Aristodemo, and A. Ghahramanzadeh (2020). Characteristics of free and submerged hydraulic jumps over different macroroughnesses. Journal of Hydroinformatics, Vol.22, No.6, pp.1554-1572.
doi: 10.2166/hydro.2020.298.
[12] S. Nikmehr and Y. Aminpour (2020), Numerical Simulation of Hydraulic Jump over Rough Beds. Periodica Polytechnica Civil Engineering, Vol. 64, No.2, pp.396-407.
doi: 10.3311/ppci.15292.
[13] A. Ghaderi, M. Dasineh, F. Aristodemo, and C. Aricò (2021). Numerical simulations of the flow field of a submerged hydraulic jump over triangular macroroughnesses. Water, Vol.13, No.5, p.674.
[14] Tokyay, Nuray Denli (2005). Effect of channel bed corrugations on hydraulic jumps. Impacts of Global Climate Change, pp.1-9.
[15] T. C. Ty, Z. J. Min, T. C. Trieu (2024). Influence of Right Triangular Prism Rough Beds on Hydraulic Jumps. Applied Sciences, Vol.14(2), 59p.
doi: https://doi.org/10.3390/app14020594.
[16] C. W. Dawson and R. L. Wilby (2001). Hydrological modelling using artificial neural networks. Progress in Physical Geography, Vol.25, No.1.
[17] Trần Cảnh Dương (2021). Nghiên cưu, ứng dụng mạng nơ ron nhân tạo để dự báo, chỉnh biên tài liệu mực nước sông không bị ảnh hưởng bởi thủy triều. Khoa học Tài nguyên và Môi trường, Vol.36.
[18] Hồ Việt Hùng (2022). Thiết lập mô hình mạng nơ-ron nhân tạo (ANN) tính toán độ sâu sau nước nhảy trong kênh lăng trụ mặt cắt chữ nhật. Khoa học công nghệ thủy lợi, Vol.75.
[19] Trịnh Công Tý và nnk (2025). Ứng dụng mạng nơ-ron nhân tạo dự đoán đặc trưng nước nhảy trên đáy nhám lăng trụ tam giác vuông. Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng, Vol.15, No.02, pp.155-160.
doi: https://doi.org/10.54772/jomc.02.2025.888.
[20] M. H. Omid, M. Omid, M. Esmaeeli Varaki (2005). Modelling hydraulic jumps with artificial neural networks. Water Management 158, Vol. WM2.
[21] N. D. L. Houichi, S. Heddam, B. Achour (2013). An evaluation of ANN methods for estimating the lengths of hydraulic jump in U-shaped channel. Journal of Hydroinformatics, Vol.15.1.
[22] T. C. Ty, T. C. Trieu (2025). Numerical and analysis effects of rectangular prism rough beds on hydraulic jumps in open channels. AIP Advances, Vol.15, No.7, p.10.
doi: https://doi.org/10.1063/5.0267793.
Các bài báo được đọc nhiều nhất của cùng tác giả
- TRẦN CÔNG TRIỆU, ĐÁNH GIÁ HIỆN TƯỢNG KHÍ THỰC VÀ DAO ĐỘNG ÁP SUẤT TRONG PHẦN CÔN ỐNG HÚT TUABIN FRANCIS THÔNG QUA MÔ PHỎNG CFD , Tạp chí Khoa học Công nghệ Hàng hải: Số 84 (2025): Số 84 (11/2025)