Ứng dụng mạng thần kinh nhân tạo dự báo độ lún công trình thủy điện

 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 60, Kỳ 4 (2019) 59 - 66 59 
Ứng dụng mạng thần kinh nhân tạo dự báo độ lún công trình 
thủy điện 
Phạm Quốc Khánh 1*, Nguyễn Văn Mạnh 2 
1 Khoa Trắc địa Bản đồ và Quản lý Đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam 
2 Công ty Cổ phần Trắc địa và thiết bị MP, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 03/05/2019 
Chấp nhận 10/08/2019 
Đăng online 30/08/2019 
 Không chỉ ở Việt Nam, với một số nước đang phát triển công trình thủy điện 
như Lào, Campuchia,... công tác dự báo chuyển dịch biến dạng đập thủy điện 
chưa được chú trọng nên việc cảnh báo tình trạng đập không được cập nhật 
có thể gây ra thảm họa khi đập bị vỡ. Quan trắc chuyển dịch biến dạng đập 
thủy điện hiện nay được chia thành hai dạng là quan trắc bề mặt và quan 
trắc lõi đập, trong đó quan trắc bề mặt đập được thực hiện chủ yếu bằng 
phương pháp trắc địa và được đo theo chu kỳ, do xây dựng hệ thống quan 
trắc liên tục rất phức tạp và tốn kém. Việc dự báo chuyển dịch biến dạng đập 
dựa trên số liệu quan trắc theo chu kỳ có vai trò cực kỳ quan trọng, góp phần 
cảnh báo nguy cơ đập xảy ra sự cố, giảm thiểu thiệt hại về của cải và con 
người ở hạ lưu. Bài báo nghiên cứu ứng dụng mạng thần kinh nhân tạo xây 
dựng mô hình lún của điểm quan trắc bề mặt đập dựa vào số liệu đo của các 
chu kỳ trước đó, từ đó dự báo lún cho một số chu kỳ tiếp theo. Kết quả thực 
nghiệm khi xây dựng mô hình lún cho đập thủy điện Yaly chỉ ra rằng, mô 
hình mạng thần kinh nhân tạo có độ chính xác tốt, các giá trị dự báo rất sát 
với giá trị đo, điều đó chứng tỏ có thể sử dụng mô hình này trong dự báo độ 
lún đập thủy điện. 
© 2019 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
ANN - BP 
Quan trắc lún 
Dự báo lún 
Đập thủy điện 
1. Mở đầu 
Các đập thủy điện lớn ở nước ta được coi là 
các công trình trọng điểm quốc gia, sự an toàn của 
đập thủy điện luôn được đặt lên vị trí hàng đầu vì 
nếu xảy ra sự cố sẽ ảnh hưởng lớn đến đời sống, 
tính mạng, kinh tế của người dân khu vực hạ lưu. 
Việc quan trắc chuyển dịch đập bằng phương 
pháp trắc địa và phi trắc địa đã và đang là nhiệm 
vụ bắt buộc và trở nên phổ biến ở các công trình 
này (Trần Khánh, 2003). Đối với quan trắc bề mặt 
đập bằng phương pháp trắc địa, hiện nay vẫn chủ 
yếu là quan trắc theo chu kỳ và xử lý số liệu sau. 
Công tác dự báo chuyển dịch biến dạng đã được 
chú ý nhưng vẫn còn tương đối đơn giản khi sử 
dụng các hàm toán học có sẵn để mô phỏng 
chuyển dịch. Các phương pháp dự báo động mới, 
hiện đại như phương pháp tự hồi quy, lọc Kalman 
(Phạm Quốc Khánh, Nguyễn Việt Hà, 2015; Phạm 
Quốc Khánh, Nguyễn Quốc Long, 2015) đã được 
_____________________ 
*Tác giả liên hệ 
E - mail: phamquockhanh@humg.edu.vn 
60 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 
 nghiên cứu gần đây nhưng chưa được phổ biến 
rộng rãi. Các nghiên cứu này bước đầu đạt được 
một số kết quả tương đối khả quan nhưng còn có 
hạn chế như độ chính xác dự báo chưa cao khi xử 
lý với ít dữ liệu đầu vào. 
Ứng dụng mạng thần kinh nhân tạo (Artificial 
Neural Network - ANN) xây dựng mô hình chuyển 
dịch và dự báo chuyển dịch biến dạng đang được 
quan tâm nhiều trên thế giới gần đây (Pantazis 
and Alevizakou, 2013; Fuyang and Yayun, 2014; 
Narayanakumar and Raja, 2016; Xiaoyu, 2017). Ở 
Việt Nam, ứng dụng ANN được đề cập ở một vài 
hướng nghiên cứu như dự báo động đất, dự báo 
lượng nước về hồ thủy điện (Cao Đình Trọng và 
nnk., 2011); tuy nhiên, chưa thấy tác giả nào đề 
cập đến trong lĩnh vực dự báo độ lún đập thủy 
điện. Chính vì thế, bài báo này nghiên cứu ứng 
dụng ANN xây dựng mô hình và dự báo độ lún cho 
đập thủy điện dựa trên kết quả đo lún theo chu kỳ. 
Kết quả tính toán sử dụng thuật toán lan truyền 
ngược và so sánh với dữ liệu đo thực tế để đánh 
giá độ chính xác mô hình cùng với kết quả dự báo. 
2. Phương pháp nghiên cứu 
2.1. Cấu trúc ANN 
ANN là mô hình tính toán mô phỏng theo khả 
năng nhận biết của con người để xử lý thông tin. 
ANN bao gồm nhiều Neural (còn gọi là nút hay một 
đơn vị xử lý thông tin) độc lập liên kết với nhau 
theo một cấu trúc nhất định để giải quyết vấn đề 
cụ thể. ANN giống như con người, được huấn 
luyện (Training) và lưu trữ những hiểu biết sau 
khi huấn luyện để sử dụng trong những tình 
huống phù hợp sau này. Để xây dựng một ANN cần 
xác định thông tin cấu trúc mạng và thông tin các 
trọng số của từng neural trong mạng (Wusheng, 
2006). 
2.1.1. Cấu trúc một Neural 
Mỗi Neural có chức năng nhận tín hiệu vào, 
tổng hợp và xử lý các tín hiệu vào để tính tín hiệu 
ra, Hình 1 miêu tả cấu trúc của một Neural. 
Trong đó: 
 - Tập các đầu vào: Là các tín hiệu vào (input 
signals) của Neural, các tín hiệu này thường được 
đưa vào dưới dạng một vector N chiều. 
 - Tập các liên kết: Mỗi liên kết được thể hiện 
bởi một trọng số (gọi là trọng số liên kết - Synaptic 
weight). Trọng số liên kết giữa tín hiệu vào thứ j 
với Neural k thường được kí hiệu là wkj. Thông 
thường, các trọng số này được khởi tạo một cách 
ngẫu nhiên ở thời điểm khởi tạo mạng và được 
cập nhật liên tục trong quá trình học mạng. 
 - Hàm tổng (Summing function): Thường 
dùng để tính tổng của tích các đầu vào với trọng số 
liên kết của nó. 
 - Ngưỡng (còn gọi là một độ lệch - bias): 
Ngưỡng này thường được đưa vào như một thành 
phần của hàm truyền. 
 - Hàm truyền (hay gọi là hàm kích hoạt - 
Transfer function): Hàm này được dùng để giới 
hạn phạm vi đầu ra của mỗi Neural. Nó nhận đầu 
vào là kết quả của hàm tổng và ngưỡng đã cho. 
Thông thường, phạm vi đầu ra của mỗi Neural 
được giới hạn trong đoạn [0, 1] hoặc [- 1, 1]. Các 
hàm truyền rất đa dạng, có thể là các hàm tuyến 
tính hoặc phi tuyến. Việc lựa chọn hàm truyền nào 
là tuỳ thuộc vào từng bài toán và kinh nghiệm của 
người thiết kế mạng. 
 - Đầu ra: Là tín hiệu đầu ra của một Neural, 
với mỗi Neural sẽ có tối đa là một đầu ra. 
2.1.2. ANN truyền thẳng sử dụng thuật toán lan 
truyền ngược (Back Propagation - BP) 
ANN có nhiều loại khác nhau tùy thuộc vào 
việc phân loại, khi phân loại theo sự liên kết giữa 
các lớp thì có mạng truyền thẳng và mạng hồi quy. 
Trong lĩnh vực dự báo chuyển dịch biến dạng công 
trình thường sử dụng mạng lan truyền thẳng 
nhiều lớp với thuật toán lan truyền ngược (ANN - 
BP). 
Cấu trúc ANN - BP gồm 3 lớp là lớp vào (input 
layer), lớp ra (output layer) và lớp ẩn (hidden 
layer) như Hình 2. Lớp ẩn kết nối giữa lớp vào và 
lớp ra, là thành phần nội tại của mạng, một ANN 
có thể dùng nhiều lớp ẩn nhưng đã có nghiên cứu 
chỉ ra rằng chỉ cần sử dụng một lớp ẩn là đủ để mô 
hình hóa một hàm bất kỳ (Fuyang and Yayun, 
Hình 1. Cấu trúc một Neural. 
 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 61 
2014). Mặt khác, chưa có nguyên tắc nào hướng 
dẫn lớp ẩn có bao nhiêu Neural, việc xác định này 
dựa trên kinh nghiệm hoặc sử dụng phép thử để 
xác định sai số. 
2.2. Hàm truyền trong ANN - BP 
Neural cơ bản có n ngõ vào, mỗi ngõ vào có 
trọng số tương ứng là W, tổng của các ngõ vào có 
trọng số và ngưỡng tạo nên tín hiệu vào của hàm 
truyền f. Neural có thể sử dụng nhiều loại hàm 
truyền khác nhau để tạo ra tín hiệu ngõ ra. Các 
hàm truyền thường được sử dụng với ANN - BP 
gồm hàm tuyến tính purelin (x) - Hình 3a và hàm 
sigmoid, hàm sigmoid có hai dạng là logsig(x) - 
Hình 3b và tansig(x) - Hình 3c. 
ANN - BP thường sử dụng hàm truyền 
sigmoid dạng logsig(x). Hàm này giới hạn ngõ ra 
của mạng trong một vùng nhỏ. Nếu sử dụng hàm 
tuyến tính thì ngõ ra của mạng lấy giá trị bất kỳ. 
2.3. Xác định trọng số cho từng neural 
ANN với giải thuật lan truyền ngược được 
xem là giải thuật học có thầy (supervised 
learning), nghĩa là phải có bộ dữ liệu mẫu để mạng 
có thể học. Dữ liệu mẫu bao gồm dữ liệu đầu vào xi 
là các yếu tố ảnh hưởng đến sự chuyển dịch biến 
dạng, dữ liệu đầu ra ti (Target value) là kết quả 
mong muốn. Để thực hiện việc học, giải thuật thực 
hiện qua 2 bước: 
 - Đầu vào xi sau khi nhập vào mạng được lan 
truyền để thu được đầu ra yi; 
 - Sai số (ei=ti - yi) lan truyền ngược lại đầu vào 
nhằm cập nhật trọng số của mạng. 
Để thu được mô hình sát với thực tế nhất, 
mạng phải thực hiện rất nhiều vòng lặp nhằm tìm 
ra trọng số tối ưu nhất cho mẫu tương ứng. Thuật 
toán BP được sử dụng để điều chỉnh các trọng số 
kết nối sao cho tổng sai số e nhỏ nhất, tức là 
𝑒 = ∑ (𝑡(𝑥𝑖 , 𝑤) − 𝑦(𝑥𝑖))
2 = 𝑚𝑖𝑛𝑛𝑖=1 
Trong đó: t(xi, w) là giá trị của tập mẫu; y(xi) 
là giá trị đầu ra của mạng. 
3. Xây dựng mô hình dự báo độ lún tại thủy 
điện Yaly 
Để minh chứng cho lý thuyết nghiên cứu ở 
trên, mô hình dự báo độ lún cho 2 điểm quan trắc 
lún tại thủy điện Yaly được xây dựng trên cơ sở 
ứng dụng ANN - BP. 
3.1. Giới thiệu công trình thủy điện Yaly 
Nhà máy thủy điện Yaly được xây dựng trên 
sông Sê San với diện tích 20 km2, nằm giáp ranh 
giữa hai huyện Chư Păh (tỉnh Gia Lai) và huyện Sa 
Thầy (tỉnh Kon Tum), với công suất 720 MW và 
điện lượng bình quân nhiều năm khoảng 3,68 tỉ 
KWh/năm. Đây là công trình thủy điện lớn thứ ba 
nước ta, sau nhà máy thủy điện Hoà Bình và nhà 
máy thủy điện Sơn La trên sông Đà. Thủy điện Yaly 
có 4 tổ máy đã và đang hoạt động từ cuối năm 
2001. Tuyến áp lực của thủy điện Yaly là hạng mục 
quan trọng của nhà máy gồm đập dâng, đập tràn. 
Đập dâng của thủy điện Yaly là loại đập đá đổ với
Hình 2. Mô hình ANN 3 lớp truyền thẳng. 
Hình 3. Hàm truyền của ANN. 
(1) 
62 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 
lõi giữa là lớp đất nện dày, về dạng hình học thì 
đây là loại đập vòm trọng lực với bán kính cong R 
= 400m như Hình 4. Theo mặt cắt ngang, đập được 
chia thành 4 tuyến cơ trong đó có 1 tuyến cơ ở 
phía thượng lưu và 3 tuyến ở hạ lưu, mỗi tuyến cơ 
có hành lang rộng khoảng 8 - 10m. Đập tràn xả lũ 
có kết cấu bê tông cốt thép trên nền đá gồm hai 
phần chính là phần tràn và phần dốc nước với 
chiều dài 191m và chiều rộng 105m (Công ty tư 
vấn điện 1, 2006). 
3.2. Nhiệm vụ quan trắc độ lún đập thủy điện 
Yaly 
Công tác quan trắc độ lún tại tuyến đập thủy 
điện Yaly với nhiệm vụ là đo các lớp lún khác nhau 
trong lõi sét, đo lún các cơ và mặt đập nhằm theo 
dõi, kiểm tra mức độ ổn định của các hạng mục 
công trình. Kết quả quan trắc lún là một trong 
những tài liệu cơ sở để ban quản lý, vận hành công 
trình thiết kế và lập kế hoạch cho chế độ vận hành, 
tu sửa, bảo dưỡng công trình một cách tối ưu. Hơn 
nữa, tài liệu về dự báo độ lún còn có tác dụng lớn 
là cảnh báo để ngăn ngừa các sự cố do công trình 
không ổn định gây ra. 
3.3. Phân bố mốc quan trắc lún thủy điện Yaly 
Để xác định độ lún của đập trong quá trình 
xây dựng và vận hành công trình, người ta lắp đặt 
trên thân đập ở các cao trình khác nhau hệ thống 
mốc quan trắc lún. Theo yêu cầu nhiệm vụ kỹ 
thuật, số lượng mốc quan trắc lún tuyến đập thủy 
điện Yaly gồm 40 mốc các loại và phân bố mốc 
quan trắc đập dâng gồm: 
- 8 mốc sâu đặt ở đỉnh lõi đập, cao độ mặt mốc
 khoảng 522m và độ sâu đặt mốc là 2m được ký 
hiệu M1, M5, M9, M13, M17, M21, M25, M30. 
- 24 mốc đặt trên 3 tuyến: các cơ 480m, 500m 
và tuyến tái đập ở độ cao 518m, mỗi tuyến đặt 8 
mốc. 
+ Tuyến 480m bao gồm: M4, M8, M12, M16, 
M20, M24, M28, M32. 
+ Tuyến 500m bao gồm: M3, M7, M11, M15, 
M19, M23, M27, M31. 
+ Tuyến mái đập 518m bao gồm: M2, M6, 
M10, M14, M18, M22, M26, M29. 
- Các mốc quan trắc lún đập dâng được đặt 
theo 8 mặt cắt hướng về tâm đập, tại mỗi mặt cắt 
sẽ đặt 3 mốc mặt và một mốc sâu như Hình 5. 
3.4. Quan trắc lún đập thủy điện Yaly 
Để đảm bảo tính chặt chẽ và độ chính xác cần 
thiết cho việc xác định độ cao mốc lún, cần thành 
lập một mạng lưới độ cao liên kết các điểm lún và 
điểm khống chế cơ sở trong một mạng lưới thống 
nhất. Mạng lưới độ cao trong đo lún công trình 
thường gồm hai bậc là bậc lưới khống chế cơ sở và 
bậc lưới quan trắc. Đối với thủy điện Yaly, lưới cơ 
sở và lưới quan trắc phải đảm bảo độ chính xác 
như trong Bảng 1. 
Bậc lưới Đỉnh đập (ms = 3 mm) 
Lưới cơ sở 0.94mm 
Lưới quan trắc 1.9mm 
3.4.1. Lưới khống chế cơ sở 
Là hệ thống mốc khống chế ổn định, không bị 
dịch chuyển trong quá trình quan trắc. Các mốc cơ 
sở phải có kết cấu thích hợp và được đặt ở bên 
phải ngoài phạm vi ảnh hưởng của chuyển dịch, 
biến dạng công trình hoặc đặt ở tầng đá gốc. Mốc 
cơ sở nên được bố trí thành từng cụm ba mốc một, 
các mốc được đo nối liên kết với nhau tạo thành 
một mạng lưới chặt chẽ, có độ chính xác cao, kiểm 
tra thường xuyên trong mỗi chu kỳ quan trắc. 
Lưới khống chế cơ sở có tác dụng là cơ sở độ cao 
để thực hiện đo nối độ cao đến các điểm quan trắc 
gắn trên công trình trong suốt quá trình theo dõi. 
3.4.2. Bậc lưới quan trắc 
Lưới quan trắc được thành lập bằng cách liên 
kết giữa các mốc quan trắc đến công trình. Lưới 
quan trắc tạo thành một mạng lưới thủy chuẩn
Hình 4. Đập thủy điện Yaly. 
Bảng 1. Chỉ tiêu độ chính xác lưới quan trắc lún 
thủy điện Yaly. 
 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 63 
khép kín với nhiều vòng và được đo nối với các 
điểm khống chế độ cao nhằm mục đích xác định 
độ cao của điểm lún ở những thời điểm đo khác 
nhau. Lưới khống chế cơ sở và lưới quan trắc được 
thiết kế như Hình 6. 
3.5. Ứng dụng ANN- BP xây dựng mô hình độ lún 
Lưới cơ sở và lưới quan trắc lún đập thủy điện 
Yaly đều được đo bằng phương pháp đo cao hình 
học tia ngắm ngắn độ chính xác cao. Từ tháng 11 
năm 1998 đến tháng 11 năm 2005 đã thực hiện 
được 14 chu kỳ đo lún cho tất cả các mốc trên các 
cơ đập. Trong bài báo này sử dụng độ lún của 13 
chu kỳ, ứng dụng ANN - BP xây dựng mô hình lún 
cho điểm M30 nằm trên đỉnh đập (độ cao 522 m) 
và điểm M26 ở tuyến cơ 518m, đồng thời dự báo 
độ lún chu kỳ 14. Thời gian quan trắc giữa các chu 
kỳ và độ lún tích lũy của 2 điểm đo lún được ghi 
trong Bảng 2. 
Ứng dụng modul ANN - BP trong chương 
trình Matlab R2016a xây dựng mạng neural 3 lớp, 
trong đó lớp ẩn gồm có 8 neural. Sơ đồ mạng, quá 
trình huấn luyện và kiểm tra được mô tả như Hình 
7, Hình 8 và Hình 9. Kết quả xây dựng mô hình 
ANN - BP qua 13 chu kỳ đo lún, dự báo cho chu kỳ 
thứ 14 và sai số mô hình được trình bày ở Bảng 3 
và Bảng 4.
Hình 5. Sơ đồ bố trí mốc lún. 
Hình 6. Sơ đồ lưới quan trắc lún đập thủy điện Yaly. 
64 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 
Chu 
kỳ 
Khoảng thời 
gian (ngày) 
Độ lún điểm 
M26 (mm) 
Độ lún điểm 
M30 (mm) 
Chu kỳ 
Khoảng thời 
gian (ngày) 
Độ lún điểm 
M26 (mm) 
Độ lún điểm 
M30 (mm) 
1 0 0.0 0.0 8 200 - 36.7 - 101.1 
2 120 - 9.1 - 14.0 9 193 - 44.3 - 112.4 
3 113 - 13.6 - 44.3 10 192 - 46.3 - 117.6 
4 109 - 19.6 - 57.2 11 260 - 52.6 - 127.9 
5 137 - 23.3 - 76.8 12 194 - 53.2 - 130.5 
6 152 - 26.5 - 81.2 13 180 - 58.5 - 139.2 
7 225 - 30.8 - 88.3 14 188 - 63.6 - 149.8 
Chu kỳ Trị đo Mô hình ANN - BP Độ lệch Chu kỳ Trị đo Mô hình ANN - BP Độ lệch 
1 0.0 0.4 - 0.4 9 - 44.3 - 44.3 0.0 
2 - 9.1 - 9.5 0.4 10 - 46.3 - 46.3 0.0 
3 - 13.6 - 13.6 0.0 11 - 52.6 - 52.6 0.0 
4 - 19.6 - 20.3 0.7 12 - 53.2 - 53.2 0.0 
5 - 23.3 - 23.2 - 0.1 13 - 58.5 - 58.8 0.3 
6 - 26.5 - 27.0 0.5 
Giá trị dự báo 
7 - 30.8 - 31.7 0.9 
8 - 36.7 - 36.8 0.1 14 - 63.6 - 63.9 0.3 
Chu kỳ Trị đo Mô hình ANN - BP Độ lệch Chu kỳ Trị đo Mô hình ANN - BP Độ lệch 
1 0.0 4.2 - 4.2 9 - 112.4 - 112.4 0.0 
2 - 14.0 - 18.2 4.2 10 - 117.6 - 117.6 0.0 
3 - 44.3 - 44.3 0.0 11 - 127.9 - 127.9 0.0 
4 - 57.2 - 57.4 0.2 12 - 130.5 - 130.5 0.0 
5 - 76.8 - 76.8 0.0 13 - 139.2 - 139.2 0.0 
6 - 81.2 - 81.3 0.1 
Giá trị dự báo 
7 - 88.3 - 88.3 0.0 
8 - 101.1 - 101.1 0.0 14 - 149.8 - 146.6 - 3.2 
Bảng 2. Độ lún đo thực tế của điểm M26 và M30. 
Hình 7. Sơ đồ mạng ANN - BP. 
Bảng 3. So sánh giá trị của mô hình và trị đo điểm quan trắc M26 (mm). 
Bảng 4. So sánh giá trị của mô hình và trị đo điểm quan trắc M30 (mm). 
 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 65 
Nhận xét: 
 - Kết quả tính từ mô hình ANN - BP tương đối 
sát với độ lún thực tế. Mô hình lún của điểm quan 
trắc M26 tốt hơn so với điểm M30. 
 - Giá trị dự báo độ lún của điểm M26 cũng tốt 
hơn điểm M30. 
4. Thảo luận và kết luận 
- Công tác dự báo đập công trình thủy điện 
cần được chú ý và phải được đưa vào quy định quy 
phạm quan trắc độ lún, thực hiện việc dự báo tốt 
sẽ giảm thiểu thiệt hại khi có sự cố xảy ra. Tuy 
nhiên, dù thực hiện dự báo theo mô hình nào đi 
nữa, cũng chỉ nên dự báo cho 1 hoặc 2 chu kỳ tiếp 
theo. 
- Số liệu quan trắc cần được cập nhật liên tục và 
đầy đủ thì công tác dự báo mới có thể đạt được độ 
chính xác tốt. Khi xây dựng mô hình ANN - BP, số 
chu kỳ quan trắc không nên nhỏ hơn 10, khi các 
yếu tố ảnh hưởng đến chuyển dịch của số liệu đầu 
vào trong mỗi chu kỳ càng nhiều, càng chi tiết thì 
mô hình thu được càng sát thực tế. 
- Dự báo lún đập thủy điện theo mô hình ANN 
- BP là một phương pháp dự báo động, cho phép 
mô phỏng xu thế lún không theo quy luật. Với thực 
nghiệm trên, cần xác định rõ thời gian dự báo của 
các chu kỳ tiếp theo thì giá trị dự báo mới đáng tin 
cậy. 
- Kết quả thực nghiệm dự báo độ lún đập thủy 
điện Yaly theo ANN - BP cho kết quả tương đối tốt, 
sai số dự báo nhỏ hơn 10% so với độ lún thực tế. 
Tuy nhiên, cần nghiên cứu với nhiều thực nghiệm 
và nhiều dạng số liệu hơn để có kết luận chính xác, 
từ đó đưa vào áp dụng trong thực tế sản xuất. 
Tài liệu tham khảo 
Cao Đình Trọng, Cao Đình Triều, Nguyễn Đức 
Vinh, 2011. Ứng dụng mạng Nơrol trong dự 
báo độ lớn (Magnitude) động đất khu vực Tây 
Bắc Việt Nam. Tạp chí các Khoa học về Trái đất. 
151 - 163. 
Công ty tư vấn điện 1, 2006. Báo cáo công tác quan 
trắc đập thủy điện Yaly. 
Fuyang, K., Yayun, L., 2014. The forecasting 
method of landslides based n improved BP 
neural network. Geotechnical Investigation and 
Hình 8. Quá trình huấn luyện mạng. Hình 9. Kiểm tra kết quả huấn luyện. 
66 Phạm Quốc Khánh, Nguyễn Văn Mạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 59 - 66 
Surveying. 
Pantazis, G. and Alevizakou, E. G., 2013. The use of 
artificial neural networks in predicting vertical 
displacements of structures. Internationnal 
Journal of applied Science and Technology. 
Narayanakumar, S., Raja, K., 2016. A BP artificial 
neural network model for earthquake 
magnitude prediction in Himalayas. India. 
Scientific Research Publishing. 
Phạm Quốc Khánh, Nguyễn Quốc Long, 2015. 
Nghiên cứu ứng dụng phương pháp lọc 
Kalman dự báo chuyển dịch đứng bề mặt. Tạp 
chí Công nghiệp Mỏ (5). 23 - 25. 
Phạm Quốc Khánh, Nguyễn Việt Hà, 2015. Ứng 
dụng phương pháp tự hồi quy trong dự báo lún 
công trình. Tạp chí Công nghiệp Mỏ (1). 57 - 60. 
Trần Khánh, 2003. Khảo sát so sánh các phương 
pháp giao hội trong đo chuyển dịch nhà máy 
đập thủy điện. Tạp chí khoa học kỹ thuật Mỏ - 
Địa chất (4). 2003. 
Wusheng, H., 2006. Lý thuyết và ứng dụng mạng 
thần kinh nhân tạo trong công trình. Nhà xuất 
bản Trắc Hội Bắc Kinh. Trung Quốc (tiếng 
Trung Quốc). 
Xiaoyu, W., 2017. Study on MPGA - BP of Gravity 
Dam Deformation Prediction. Mathematical 
Problems in Engineering. 21 - 34.
ABSTRACT 
Application of artificial neural network for forecasting the subsidence 
of hydropower structure 
Khanh Quoc Pham 1, Manh Van Nguyen 2 
1 Faculty of Geomatics and Land Administration, Hanoi University of Minning and Geology, Vietnam 
2 MP equipment and surveying joint, Vietnam 
Besides VietNam, there are some countries such as Laos, Cambodiathat care of developing the 
hydropower works. However, forecasting about the displacement and deformation of the hydropower 
dam has not focused yet, therefore warning of the dam’s status has not updated frequently so it is easy to 
cause catastrophe in case of the broken-down dam. Now deformation and displacement monitoring of 
hydropower works is divided in two types: surface monitoring and dam core monitoring, surface 
monitoring is mainly observed by geodetic methods and periodical measurement because it is expensive 
and complex to estalish a continuous monitoring system. Dam displacement forecasting on the basis of 
the cyclic data is extremely important, it help warning the risks of dam and reducing damages on material 
and human. The article researched the application of artificial neural network on subsidence modeling of 
the dam surface monitoring points on the base of data that was observed in previous periods, then predict 
the subsidence of the next ones. Results of the experiment on building subsidence model of Yaly 
hydropower dam demonstrated that the artificial neural network model has good accuracy, forecasting 
values are the same as measures and then they proved the applicability of this model in predicting the 
subsidence of the hydropower dam.