Từ dữ liệu cảm biến đến dự báo biên độ khe giãn nở đập thủy điện

Công nghệ cốt lõi

Sự biến động của nhiệt độ và mực nước hồ chứa là những yếu tố chính ảnh hưởng đến biên độ các khe giãn nở giữa các khối bê tông thân đập. Trên cơ sở dữ liệu cảm biến môi trường thu thập trong giai đoạn 2019–2023, nhóm nghiên cứu tại Trường Đại học Công nghiệp Hà Nội đã xây dựng các mô hình học máy (ANN, RFR, SVM) nhằm dự báo biên độ khe giãn nở, đồng thời phát triển giao diện giám sát trực quan hỗ trợ theo dõi thông số và hiển thị kết quả dự báo theo thời gian thực. Kết quả thử nghiệm trên tập dữ liệu năm 2022 cho thấy mô hình ANN đạt hiệu suất tốt nhất với sai số RMSE 0,059 mm trong giai đoạn từ ngày 01/01 đến 25/09/2022, sai số nhỏ hơn 0,1 mm và độ tin cậy 94%.

Vì sao cần theo dõi khe giãn nở của đập thủy điện

Việc giám sát liên tục khe giãn nở giữa các khối bê tông thân đập đóng vai trò quan trọng trong đảm bảo an toàn công trình. Nghiên cứu tập trung phân tích mối quan hệ giữa độ rộng khe giãn nở, nhiệt độ tại điểm đo và mực nước hồ chứa. Dữ liệu cảm biến được thu thập theo chu kỳ một giờ/lần, tạo thành chuỗi thời gian liên tục làm cơ sở để quan sát diễn biến dài hạn và xây dựng các mô hình dự báo biên độ khe giãn nở.

Kết hợp cảm biến, mô hình dự báo và giao diện giám sát

Giao diện thử nghiệm giám sát thời gian thực: biểu đồ biên độ giãn nở và bảng số liệu nhiệt độ, biên độ giãn nở, mực nước tại một vị trí cảm biến.

Giải pháp được xây dựng theo hướng tích hợp đồng bộ giữa mạng cảm biến, dữ liệu lịch sử, các mô hình học máy và giao diện giám sát trên máy tính. Mạng cảm biến thu thập dữ liệu độ rộng khe giãn nở, nhiệt độ và mực nước theo chu kỳ giờ; bộ dữ liệu lịch sử được sử dụng để huấn luyện mô hình. Giao diện trình bày thông số dưới dạng biểu đồ hoặc bảng, cho phép theo dõi từng vị trí cảm biến và hiển thị các trạng thái cảnh báo đã thiết lập. Nhóm nghiên cứu so sánh ba mô hình dự báo gồm mạng nơ-ron nhân tạo (ANN), rừng ngẫu nhiên (RFR) và máy vectơ hỗ trợ (SVM), với đầu vào là nhiệt độ, mực nước và thông tin mùa. Các mô hình được đánh giá thông qua dự đoán tuần tự trên các khoảng thời gian liên tiếp và kiểm chứng trên tập dữ liệu năm 2022.

Kết quả nghiên cứu

Trên tập dữ liệu kiểm tra từ ngày 01/01 đến 25/09/2022, mô hình ANN thể hiện hiệu suất dự báo vượt trội với RMSE 0,059 mm, tốt hơn rõ rệt so với RFR (0,080 mm) và SVM (0,078 mm) theo kết quả tại Bảng 3.10. Đây là sai số được ghi nhận trên phép đánh giá cụ thể của nghiên cứu, chưa phải mức bảo đảm cho mọi điều kiện vận hành khác nhau. Bên cạnh bài toán dự báo, nhóm nghiên cứu còn xây dựng mô hình mã hóa tự động (Autoencoder) nhằm phát hiện bất thường trong dữ liệu cảm biến dựa trên sai số tái tạo.

Thử nghiệm giao diện giám sát và hỗ trợ cảnh báo, dự báo biên độ khe giãn nở

Giao diện thử nghiệm: bản tin cảnh báo tổng thể từ các vị trí cảm biến, phân loại theo trạng thái bình thường, rủi ro và vượt ngưỡng.

Giao diện thử nghiệm: màn hình phân tích và dự báo của AI, hiển thị song song với dữ liệu trực tuyến.

Giao diện giám sát được xây dựng và thử nghiệm nhằm hiển thị thông tin thu thập từ các nút cảm biến tại những vị trí trên đập, bao gồm biên độ khe giãn nở, nhiệt độ thân đập và mực nước hồ chứa. Các thông tin được trình bày thông qua bản đồ vị trí cảm biến, biểu đồ và bảng dữ liệu, giúp người vận hành theo dõi trạng thái của từng vị trí cũng như tổng thể hệ thống. Bên cạnh chức năng giám sát, giao diện còn hiển thị các trạng thái cảnh báo như bình thường, rủi ro và vượt ngưỡng, đồng thời tích hợp kết quả phân tích và dự báo của mô hình AI để hỗ trợ nhận diện những biến động bất thường có thể xảy ra. Kết quả thử nghiệm cho thấy giao diện có khả năng kết hợp dữ liệu giám sát với thông tin dự báo, góp phần hỗ trợ người vận hành đánh giá tình trạng đập và tham khảo trong quá trình đưa ra quyết định vận hành an toàn.

Thông tin đề tài và các kết quả công bố khoa học liên quan

Chủ nhiệm đề tài TS. Hà Văn Phương, giảng viên Trường Điện - Điện Tử. Kết quả nghiên cứu được khẳng định bằng 3 sản phẩm là bài báo khoa học: Bài báo quốc tế Q2 đăng trên tạp chí Journal of Applied Science and Engineering (JASE): “Sensor Image, Anomaly Detection Method for Hydroelectric Dam Structure Using Sensors Measurements and Deep Learning”. DOI: 10.6180/jase.202509_28(9).0001. Tác giả: TS. Hà Văn Phương, TS. Nguyễn Đình Văn, PGS.TS. Trịnh Trọng Chưởng, TS. Quách Đức Cường và TS. Bùi Văn Huy. Bài báo được tính 0,75 điểm đăng trên Tạp chí Khoa học và Công nghệ Trường Đại học Công nghiệp Hà Nội. DOI: 10.57001/huih5804.2024.260. Bài báo hội nghị tại Hội nghị quốc gia lần thứ 26 về Điện tử, Truyền thông và CNTT (REV-ECIT 2023).

Nguồn

Báo cáo đề tài “Nghiên cứu xây dựng mô hình dự báo biên độ giãn nở của đập hồ thủy điện sử dụng cảm biến môi trường và công nghệ học sâu”, Trường Điện - Điện tử, Đại học Công nghiệp Hà Nội.