Tên đề tài: “Mô hình tự động đánh giá và hỗ trợ cảnh báo tác động của tải trọng ngoài đến sạt lở bờ sông ở Đồng Bằng Sông Cửu Long”

Tác giả: Đặng Trâm Anh, Khóa: 2019

Ngành: Kỹ thuật điều khiển và tự động hóa; Mã số: 9520216. Nhóm ngành: Kỹ thuật

Người hướng dẫn chính: PGS.TS. Nguyễn Chí Ngôn - Trường Đại học Cần Thơ

Người hướng dẫn phụ: TS. Lương Vinh Quốc Danh - Trường Đại học Cần Thơ

1. Tóm tắt nội dung luận án

Tần suất trượt lở bờ sông ở vùng đồng bằng sông Cửu Long, Việt Nam thời gian gần đây ngày càng gia tăng, gây thiệt hại nghiêm trọng về người và tài sản. Mật độ cơ sở hạ tầng và đường giao thông dọc bờ sông ngày càng tăng có tác động đến sự thay đổi ứng suất cực hạn và chuyển vị ngang của nền đất ven bờ sông được xem là yếu tố kích hoạt gây sạt lở bờ. Hệ thống cảnh báo sớm sạt lở đất là công cụ có giá trị trong việc phát hiện được những thay đổi của nền đất để kịp thời đưa ra giải pháp, giảm thiểu thiệt hại do hiện tượng này gây ra. Tuy nhiên, chưa có nghiên cứu cụ thể nào đánh giá áp lực ngang trong khối trượt dưới tác dụng của tải trọng và chuyển vị ngang của khối đất gây sạt lở bờ sông. Trong nghiên cứu này, tác giả trình bày việc thiết kế và triển khai hệ thống đo đạc dựa trên IoT để theo dõi sự dịch chuyển của khối đất ven sông dưới tác dụng của tải trọng. Cảm biến đo độ nghiêng, cảm biến độ ẩm đất và cảm biến áp lực đất được sử dụng để theo dõi các thông số cơ học của đất theo thời gian thực tại địa điểm thí nghiệm ven bờ sông Cái Sâu, phường Phú Thứ, thành phố Cần Thơ. Phương pháp học máy dựa trên thuật toán Bộ nhớ ngắn dài hạn (LSTM) để thử nghiệm cảnh báo sớm các sự kiện sạt lở đất trên nền đất yếu ven sông ở khu vực ĐBSCL đã được áp dụng trong nghiên cứu này. Dữ liệu từ hệ thống cảm biến đã thiết lập được sử dụng để huấn luyện mô hình, tạo ra tập dữ liệu huấn luyện và thử nghiệm gồm 374.415 mẫu. Độ chính xác của ngưỡng phát hiện và phân loại của hệ thống được đề xuất đo bằng cách sử dụng điểm F1 trung bình thu được từ các giá trị độ chính xác và thu hồi. Các kết quả dự đoán tối ưu được thu thập từ cửa sổ quan sát trong 4 phút 30 giây để dự đoán tương lai khoảng 2 giờ. Quá trình xác thực đã mang lại kết quả thu hồi, độ chính xác và điểm F1 ở mức 0,8232 với độ lệch chuẩn thấp đáng kể khoảng 1%. Việc ứng dụng thành công nghiên cứu này có thể giúp xác định các sự kiện bất thường dẫn đến trượt lở bờ sông do tải trọng, từ đó tạo điều kiện phát triển hệ thống thông tin đáng tin cậy cung cấp cho các nhà quản lý khả năng đề xuất giải pháp kịp thời nhằm bảo vệ tính mạng, tài sản của người dân và cơ sở hạ tầng.

2. Những kết quả mới của luận án

Luận án đã đạt được những điểm mới như sau:

- Thiết kế được và triển khai thử nghiệm thành công hệ thống giám sát sự dịch chuyển của khối đất ven sông dưới tác dụng của tải trọng ngoài dựa trên công nghệ IoT.

- Đã phân tích, xác định được các ngưỡng cảnh báo về sạt lở đất ven bờ từ tập dữ liệu thu thập thực nghiệm, để xây dựng tập dữ liệu chuẩn cho huấn luyện mô hình LSTM.

- Đã áp dụng mô hình LSTM để dự báo sạt lở đất ven bờ sông

3. Các ứng dụng/khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu

Hệ thống giám sát sự dịch chuyển của khối đất bờ sông dựa trên công nghệ IoT và học máy được phát triển cung cấp một công cụ hỗ trợ hiệu quả cho các nhà quản lý trong việc theo dõi và đánh giá rủi ro sạt lở giúp cải thiện chiến lược phòng chống thiên tai và quy hoạch phát triển đô thị bền vững. Đồng thời mở ra tiềm năng ứng dụng rộng rãi trong các lĩnh vực khác liên quan đến quản lý môi trường và cơ sở hạ tầng. 

Thesis title: An automatic model for assessing and supporting warnings on the impact of external loads on riverbank erosion in the Mekong Delta

- Major: Control Engineering and Automation               Code: 9520216

- Full name of PhD student: Dang Tram Anh                Year: 2019, Period 2

                                                                                          Code: P1819003

- The primary scientific supervisor: Assoc. Prof. Nguyễn Chí Ngôn

- The associate scientific supervisor: Ph.D Lương Vinh Quốc Danh

- Educational institution: College of Engineering, Can Tho University

1. Content of thesis summary

The frequency of riverbank landslides in the Mekong Delta region of Vietnam has been increasing recently, causing serious damage to lives and property. The increasing density of infrastructure and transportation along the riverbanks impacts the changes in the ultimate bearing capacity and lateral displacement of the riverbank soil, considered as activating factors for bank landslides. An early warning system for landslide detection is a valuable tool in detecting changes in soil conditions to promptly propose solutions and minimize the damage caused by this phenomenon. However, there has been no specific study evaluating the lateral pressure within the sliding mass under the influence of loading and lateral displacement of the soil mass causing riverbank landslides. In this study, the authors present the design and implementation of an IoT-based measurement system to monitor the movement of riverbank soil under loading conditions. Inclination sensors, soil moisture sensors, and soil pressure sensors are used to monitor the mechanical parameters of the soil in real-time at the experimental site along the Cai Sau Riverbank, Phu Thu Ward, Can Tho City. Machine learning methods based on the Long Short-Term Memory (LSTM) algorithm to test early warning of landslide events on weak riverbank soils in the Mekong Delta region have been applied in this study. Data from the sensor system were used to train the model, creating a training and testing dataset comprising 374,415 samples. The accuracy of the detection and classification thresholds of the proposed system was measured using the F1 score obtained from precision and recall values. Optimal prediction results were collected from a 4-minute 30-second observation window to predict the future approximately 2 hours ahead. The validation process yielded recovery, accuracy, and F1 scores at 0.8232 with a significantly low standard deviation of approximately 1%. The successful application of this research could help identify abnormal events leading to riverbank landslides due to loading, thereby facilitating the development of a reliable information system to provide managers with the ability to propose timely solutions to protect the lives, property, and infrastructure of the people.

2. The novel aspects from the thesis

The dissertation achieved the following innovations:

 - Successfully designed and implemented an IoT-based monitoring system for soil movement under external loads.

 - Analyzed and identified warning thresholds for riverbank landslides from the collected experimental dataset to build a standardized dataset for training the LSTM model.

 - Applied the LSTM model to forecast riverbank landslides.

3. Application prospect and suggestions for further study

The IoT and machine learning-based monitoring system for riverbank soil movement provides an effective tool for managers to monitor and assess landslide risks, enhancing disaster prevention strategies and sustainable urban development planning. It also opens up broad application potential in other environmental management and infrastructure fields.

• Xem chi tiết nội dung luận án
• Xem thông tin đăng tải tại Website Bộ giáo dục và Đào tạo. (Nhập tên NCS vào ô tìm kiếm)