Luận án Nghiên cứu xây dựng bài toán tối ưu vận hành trữ nước tưới để giảm thiểu ảnh hưởng của hạn hán tới sản xuất nông nghiệp vùng hạ du sông cả. Nghiên cứu điển hình tại hệ thống thủy lợi Lê Xuân Đào

.3 Tính toán thủy lực 
Để tính toán thủy lực trên các hệ thống sông hiện nay có nhiều mô hình tính toán: 
 - Mô hình VRSAP của cố giáo sư - tiến sỹ Nguyễn Như Khuê vẫn được sử 
dụng tính toán thủy lực cho các mạng sông. 
 - Mô hình HEC-RAS là một hệ thống phần mềm tổng hợp, đây là mô hình do 
quân đội Mỹ xây dựng và phát triển và cho phép sử dụng miễn phí. Mô hình có khả 
năng tính toán thủy lực, bùn cát, chất lượng nước. 
 - Mô hình thủy lực MIKE11 của Viện thủy lực Đan Mạch. Đây là mô hình 
tiên tiến. 
Trong nghiên cứu này, tác giả sử dụng mô hình MIKE11 để tính toán mực nước, 
lưu lượng lũ, kiệt cho các mạng sông trong vùng. 
Mô hình MIKE11 do DHI Water and Environment (Đan Mạch) phát triển, là phần 
mềm để mô phỏng dòng chảy, lưu lượng, chất lượng nước và vận chuyển bùn cát ở 
các lưu vực sông, kênh tưới MIKE11 là mô hình động lực học một chiều, thân 
thiện với người sử dụng nhằm phân tích chi tiết, thiết kế, quản lý và vận hành cho 
các sông và hệ thống kênh dẫn đơn giản và phức tạp. Với môi trường đặc biệt thân 
thiện với người sử dụng, linh hoạt và tốc độ tính toán cao, MIKE11 cung cấp một 
môi trường thiết kế hữu hiệu về kỹ thuật công trình, tài nguyên nước, quản lý chất 
lượng nước và quy hoạch. Mô đun thủy động lực học (HD) là một phần trung tâm 
của của hệ thống mô hình MIKE11 và tạo cơ sở cho hầu hết các mô đun khác bao 
gồm: 
 - Dự báo lũ và vận hành hồ chứa. 
 - Các phương pháp mô phỏng kiểm soát lũ. 
 - Vận hành hệ thống tưới và tiêu thoát bề mặt. 
 - Thiết kế các hệ thống kênh dẫn. 
 - Nghiên cứu sóng triều và dâng nước do mưa ở sông và cửa sông. 
80 
Đặc trưng cơ bản của hệ thống lập mô hình MIKE 11 là cấu trúc mô-đun tổng hợp 
với nhiều loại mô-đun được thêm vào mỗi mô phỏng các hiện tượng liên quan đến 
hệ thống sông. Ngoài các mô-đun HD đã mô tả ở trên, MIKE bao gồm các mô-đun 
bổ sung đối với: 
 - Thủy văn. 
 - Tải khuyếch tán. 
 - Các mô hình cho nhiều vấn đề về Chất lượng nước. 
 - Vận chuyển bùn cát có cố kết (có tính dính). 
 - Vận chuyển bùn cát không có cố kết (không có tính dính). 
2.3.4 Xây dựng bài toán vận hành tối ưu trên hệ thống 
Để đảm bảo khả năng cung cấp nước vào mùa kiệt cho khu vực nghiên cứu, giải 
pháp sử dụng các kênh chìm có sẵn trong khu vực để thu trữ nước mùa mưa sử 
dụng cho mùa kiệt là một giải pháp hiệu quả. Tuy nhiên, trong thực tế, người vận 
hành gặp phải vấn đề mâu thuẫn giữa lũ và kiệt trong vận hành lượng nước trữ 
trong kênh. 
Vì khí hậu trong khu vực là bất thường và rất khó dự báo, nếu như mùa lũ nhỏ và 
kết thúc sớm mà lại trữ lượng nước trong kênh nhỏ vào cuối mùa lũ thì sẽ không đủ 
nước trong mùa kiệt hoặc nếu như mùa lũ lớn và kết thúc muộn mà lại trữ lượng 
nước trong kênh lớn thì tổn thất tiêu trong hệ thống là rất lớn. 
Vì vậy, mục tiêu của bài toán ở đây là đi tìm một hàm vận hành thời gian thực để tối 
ưu hóa và hài hòa cả hai mục tiêu trên. 
Để giải bài toán tối ưu đa mục tiêu thì sử dụng thuật toán di truyền là tốt hơn cả. 
Cho đến nay có rất nhiều thuật toán di truyền để giải bài toán tối ưu đa mục tiêu 
chẳng hạn: Thuật toán MOGA, NSGA, NSGA II, PEA, PEA II, Ứng với mỗi 
thuật toán đều có những thuận lợi và khó khăn nhất định.Tuy nhiên, thuật toán 
81 
NSGA II là một trong những thuật toán có thể xấp xỉ được biên Pareto tốt nhất từ 
các nghiệm khởi tạo ban đầu. 
Giới thiệu thuật toán NSGA II 
Thuật toán di truyền sắp xếp các nghiệm không trội NSGAII là một cải tiến NSGA 
(None Dominated Sorting Genetic Algorithm), khắc phục 3 nhược điểm của NSGA 
là: 
1. Độ phức tạp cao O (MN3), trong đó M là số mục tiêu và N là 
kích thước quần thể. 
2. Bỏ qua nhiều giải pháp tốt (nonelitism). 
3. Phải chỉ định thông số chia sẻ (σshare), mà việc xác định thông 
số này là một khó khăn 
 NSGAII dựa vào 2 khái niệm chính 
 Sắp hạng các giải pháp không bị trội (hình 2.13) 
 Khoảng cách quy tụ (hình 2.14 và 2.15) 
Hình 2.13. Minh họa sắp hạng nhanh không bị trội 
82 
Hình 2.14. Minh họa sự quy tụ của các nghiệm quanh một nghiệm 
Hình 2.15. Minh họa tính khoảng cách quy tụ tại cá thể i 
 Tính chất 
Cho 2 giải pháp x và y, giải pháp x tốt hơn giải pháp y nếu: 
1. xR < yR 
2. hoặc: {
𝑥𝑅 = 𝑦𝑅
𝑥𝑑 > 𝑦𝑑
83 
 Ưu điểm của NSGA II 
- Độ phức tạp O(MN2) 
- Tính ưu việt: Bảo tồn tính ưu việt cho các giải pháp để đảm bảo sự hội tụ. 
- Sự đa dạng: Duy trì sự đa dạng của các giải pháp 
- Sự lan tỏa phủ rộng trong không gian tìm kiếm 
Số lượng nghiệm đạt được cuối cùng sẽ không thay đổi nhiều khi ta thay đổi các 
thiết lập thông số đầu vào của thuật toán như: Số lượng cá thể trong quần thể (N), 
số lượng thế hệ cần đạt được. 
Kết quả giả lập giải các bài toán khó, cho thấy NSGA-II luôn tìm được các giải 
pháp phủ rộng hơn và hội tụ gần với biên “Pareto tối ưu thực” hơn so với các thuật 
toán tân tiến khác.Trong thuật toán NSGA II, tính ổn định của kết quả và độ mịn 
của biên Pareto xấp xỉ phụ thuộc vào điều kiện dừng – tức là số lượng thế hệ tối đa 
cần đạt đến. 
 Nhược điểm của NSGA II 
Khoảng cách quy tụ của các cá thể quanh cá thể x chỉ có hiệu lực trong không gian 
hàm mục tiêu. 
Khi số lượng cá thể trong quần thể lớn, số lượng thế hệ cần đạt được lớn thì thời 
gian thực hiện thuật toán sẽ chậm. 
 Ứng dụng thuật toán NSGA II trong thực tế 
Với các ưu điểm vượt trội so với các thuật toán khác, trong thực tế, trên thế giới đã 
áp dụng thuật toán NSGA II khá nhiều trong lĩnh vực tài nguyên nước. Một số 
nghiên cứu điển hình như: Năm 2006, hai nhà khoa học Taesoon Kim và Jun-Haeng 
Heo [57] đã sử dụng thuật toán NSGA II trong nghiên cứu tối ưu hóa hệ thống 
nhiều hồ chứa thuộc lưu vực sông Han, Hàn Quốc. Nghiên cứu đã chỉ ra rằng các 
kết qủa tính toán tối ưu áp dụng từ thuật toán NSGA II có thể được sử dụng xây 
dựng kế hoach vận hành các hồ chứa và có thể hỗ trợ cung cấp được nhiều nước 
hơn cho hạ lưu so với trước đây. Năm 2006, Md. Atiquzzaman, Shie-Yui 
84 
Liong, M.ASCE, và Xinying Yu [43] sử dụng NSGA II nghiên cứu ra quyết định 
thay thế trong mạng phân phối tài nguyên nước. Các nhà nghiên cứu đã sử dụng 
thuật toán NSGA II kết hợp với phần mềm mô phỏng mạng lưới phân phối nước 
(EPLANET) kết quả cho ra một mặt Pareto tối ưu chi phí và sự thiếu hụt lượng 
nước. Năm 2016, Feifei Zheng; Aaron C. Zecchin; Holger R. Maier; and Angus R. 
Simpson [35] đã nghiên cứu so sánh về chất lượng tìm kiếm và quá trình hội tụ của 
3 thuật toán NSGA II, thuật toán SAMOD và Borg áp dụng cho 6 hệ thống phân 
phối nước. Nghiên cứu đã chỉ ra NSGA II có khả năng hội tụ cao và cho kết quả tốt. 
Mặc dù trên thế giới đã ứng dụng NSGA II vào kỹ thuật tài nguyên nước khá lâu, 
tuy nhiên, ở Việt Nam, NSGA II mới chỉ được tiếp cận trong các lĩnh vực toán học, 
kinh tế và một số ngành dịch vụ khác. Một số nghiên cứu như: hai tác giả Hoàng 
Ngọc Thanhvà Dương Tuấn Anh [5] đã nghiên cứu ứng dụng thuật toán tiến hóa đa 
mục tiêu trong thiết kế tối ưu kiến trúc mạng viễn thông với hai mục tiêu là yếu tố 
chi phí và độ tin cậy.Trong nghiên cứu này, hai tác giả đã sử dụng NSGA, NSGA II 
và SPEA để so sánh và đánh giá kết quả.Kết quả đạt được đã chứng minh tính hiệu 
quả và đúng đắn của phương pháp tối ưu. 
Nguyễn Hưu Hiếu và Hoàng Dũng [11] đã ứng dụng thuật toán NSGA II để giải bài 
toán cực tiểu tổn thất công suất trên lưới điện phân phối. Các tác giả sử dụng thuật 
toán đề xuất và chương trình đã xây dựng đểtối ưu hóa hệ thống điện phân phối mẫu 
IEEE16 nút với hai mục tiêu cực tiểu tổn thất công suất và cực tiểuthiết bị sử dụng. 
Như vậy, với những ưu điểm của NSGA-II, trong nghiên cứu của mình, tác giả sử 
dụng cách tiếp cận tối ưu ngẫu nhiên hiện thiết lập khung tối ưu hóa ứng dụng thuật 
toán di truyền NSGA-II (Deb 2000) với ngôn ngữ lập trình MATLAB. Mục tiêu 
xây dựng được hàm chính sách vận hành thời gian thực đánh giá được trao đổi 
“trade off” giữa các mục tiêu mâu thuẫn nhau. Ngoài ra, dự báo mưa mùa vẫn là 
một vấn đề hết sức khó khăn, tuy nhiên chỉ số ENSO sẽ là một tiêu chí tốt về thông 
tin về mưa mùa.Vì vậy, trong nghiên cứu này,chỉ số ENSO sẽ được thí điểm lồng 
ghép vào hàm vận hành để tăng hiệu quả tối ưu của bài toán. 
85 
Để tính toán được lượng nước tích trữ, tác giả xây dựng hàm quyết định lượng 
nước lấy vào hệ thống: 
 [𝒖𝑰𝒕] = f(𝒔𝒕, 𝑺𝒀𝑺, ENSO index, WLNĐt, t); 
Trong đó, 𝑢𝐼𝑡 được tính như sau: 
𝒖𝑰𝒕 = 𝒖𝑰𝒕min + (𝒖𝑰𝒕max - 𝒖𝑰𝒕min) x1 ; 
Hàm tang hyperbolic: Tanh (x) = 
𝒆𝒙−𝒆−𝒙
𝒆𝒙+𝒆−𝒙
= x1 
x = st.w11 + (ENSO index).w12 + WLNĐt.w13 + t.w14 +d1 
(2.5)
(2.6) 
(2.7) 
(2.8) 
Trong đó, mô hình dạng trí tuệ nhân tạo được Luận án sử dụng có dạng: 
 bias 
 d 
x1 w11 
 Activation function output 
Inputs x2 w12 y 
xn wij 
Weights 
Hình ảnh một tế bào nơ-ron nhân tạo 
𝑢𝐼𝑡: Giá trị biến quyết định lấy vào hệ thống trong bước thời gian t; 
x: Biến trung gian 
Wij: trọng số của lớp đầu vào; 0< wij<1 
Y: Đầu vào của hàm kích hoạt mạng 
d: Độ lệch của đầu vào lớp ẩn 
∑ f 
86 
t: thời điểm tính toán 
WLNĐt: Mực nước Nam Đàn tại thời điểm t; 
𝑠𝑡 : Dung tích trên kênh tại thời điểm t; 
SYS: các đặc điểm vật lý của hệ thống (năng lực bơm, năng lực kênh mương); 
ENSO index: Số liệu về chỉ số ENSO được cung cấp bởi tổ chức IRI. 
Quá trình tìm lời giải tối ưu là đi tìm bộ tham số Wij và di. 
Như vậy, khung tối ưu hóa sẽ đảm trách về chiến lược tìm kiếm hàm vận hành mà 
dựa trên bài toán tối ưu được thiết lập như sau: 
2.3.4.1 Xây dựng hàm mục tiêu cụ thể áp dụng cho khu vực nghiên cứu 
Hàm mục tiêu 1: Lượng nước thiếu hụt cho cây trồng trong khu vực nghiên cứu 
phải là nhỏ nhất 
 Min∑ (𝑾𝒕𝒉𝒊ế𝒖𝒊)
𝑵
𝒊=𝟏 
if Wd > Ir then 𝑾𝒕𝒉𝒊ế𝒖𝒊 = Wdi – Iri, else 𝑾𝒕𝒉𝒊ế𝒖𝒊= 0 
Trong đó: 
𝑊𝑡ℎ𝑖ế𝑢𝑖 : Lượng nước thiếu hụt 
Wdi: Nhu cầu nước của cây trồng 
Iri: Lượng nước tưới 
Hàm mục tiêu 2: Lượng nước tiêu phải là nhỏ nhất 
Min ∑ Wtiêu 
 𝐖𝐭𝐢ê𝐮𝐭= f(𝒔𝒕 , R, TNT, SYS) +𝒖𝑰𝒕−𝟏 if 𝒖𝑰𝒕< 0 
Else 𝐖𝐭𝐢ê𝐮𝐭 = f(𝒔𝒕 , R, TNT, SYS) 
TNT: Ngưỡng tiêu 
(2.9) 
(2.10) 
(2.11) 
87 
2.3.4.2 Ràng buộc 
Ràng buộc: 
𝑰𝒕 + 𝑹𝒕 + 𝑺𝒕 = IR + 𝑾𝒕𝒕+Wtiêu+ 𝑬𝒕 + 𝑺𝒕+𝟏 (2.12) 
𝑰𝒕 : Lượng nước đến hệ thống, phụ thuộc vào uI (giá trị quyết định lấy vào) và 
Ivùng_tiêu 
 It = uI+ Ivùng_tiêu ; 
Ivùng_tiêuđược tính từ mưa vượt nhu cầu bằng mô hình Mike Nam tích hợp sẵn trong 
Mike 11 (trong chương 3 tính toán ma trận tiêu) sẽ tính tại từng bước. Và uI là 
lượng nước lấy vào chủ động, được tính ra từ hàm vận hành ở trên và giao động 
trong khoảng khả thi : 
𝑢𝐼𝑚𝑖𝑛 ≤uI ≤ 𝑢𝐼𝑚𝑎𝑥 ; 
𝑢𝐼𝑚𝑖𝑛phụ thuộc vào mực nước trong kênh và năng lực bơm ra của hệ thống 
𝑢𝐼𝑚𝑎𝑥phụ thuộc vào mực nước cống Nam Đàn và năng lực lấy vào của hệ 
thống 
𝑠𝑡 : Dung tích trên kênh tại thời điểm tính toán t; 
𝑠𝑡+1 : Dung tích trên kênh tại thời điểm t + 1; 
𝑅𝑡 : Lượng mưa tại thời điểm tính toán; 
IR = uIR x S; (2.13) 
S: Diện tích cây trồng; 
𝐸𝑡 : Lượng bốc hơi tại thời điểm tính toán; 
𝑊𝑡𝑡 : Lượng nước tổn thất tại thời điểm tính toán; 
𝑊𝑡𝑡 = 𝑠𝑡 x 𝐾𝑡ℎ; (2.14) 
 𝐾𝑡ℎ: Hệ số thấm; 
𝑊𝑡𝑖ê𝑢 : Lượng nước tiêu; 
88 
𝑊𝑡𝑖ê𝑢= f(𝑠𝑡 , R) (2.15) 
Các ràng buộc khác như năng lực bơm và các đặc điểm vật lý khác của hệ thống đã 
được xử lý trong hàm ra quyết định. 
2.3.4.3 Khung xây dựng giải pháp tối ưu và thuật toán di truyền NSGA II 
a. Sơ đồ: 
Sơ đồ hình 2.16 thể hiện khung xây dựng giải pháp tối ưu 
Hình 2.16. Sơ đồ khung xây dựng giải pháp tối ưu 
Chuỗi số liệu: T0, Mưa, 
bốc hơi, ENSO index,  
- Mô hình tưới 
- Mô hình tiêu 
- Mô hình cân bằng nước 
- Hàm mục tiêu 1 
- Hàm mục tiêu 2 
NSGA II 
U = f (x) 
Điều kiện dừng thỏa Pareto 
Tham số hóa 
89 
b. Thuật toán tối ưu NSGA II (Nondominated Sorting Genetic Algorithm II) 
NSGA [26] là viết tắt của thuật toán di truyền sắp xếp các nghiệm không trội. 
Các ký hiệu và thuật toán trong thuật toán NSGA II được cải tiến từ thuật toán 
NSGA. 
Mục tiêu của bài toán là đi tìm hàm vận hành để tối thiểu hóa giờ bơm tiêu và tối đa 
lượng nước cấp cho cây trồng (tối thiểu hóa lượng nước thiếu hụt). Hàm vận hành ở 
đây đã được định trước về dạng (𝒖𝑰𝒕) bài toán ở đây là đi tìm bộ tham số hàm vận 
hành để nhằm tối đa hóa các hàm mục tiêu nêu trên. 
Mỗi 1 bộ tham số của hàm vận hành được coi là một cá thể nằm trong giải thuật tối 
ưu NSGA II, các cá thể này tập hợp thành một quần thể, các quần thể này sinh ra 
các quần thể tiếp theo theo các quy luật tiến hóa của chọn lọc tái tạo “lai ghép và 
đột biến”, quần thể trước sinh quần thể sau. 
Quần thể trước được gọi là quần thể “cha mẹ”, quần thể sau được gọi là quần thể 
“con”. Mỗi lần quần thể trước sinh quần thể sau thì được gọi là một “thế hệ”. Sau 
quá trình lai ghép, tái tạo sẽ sinh ra quần thể con ưu tú hơn quần thể cha mẹ. Quá 
trình cứ lập đi lập lại (thế hệ này qua thế hệ khác) để tìm ra quần thể ưu việt nhất, 
quá trình tính toán sẽ kết thúc ở đây. Cụ thể quá trình tối ưu hóa của thuật toán di 
truyền sắp xếp các nghiệm không trội NSGA II như sau: 
Các biến: 
 Pt: Quần thể cha; 
 Q: Quần thể con được tạo thành từ các cá thể trong Pt; 
 Fj: Biến chứa nghiệm không trội, với j=1, , R; 
 N: Số lượng cá thể trong quần thể Pt; 
90 
Thuật toán: 
Bước 1: Tạo ngẫu nhiên quần thể cha P0 với │ P0 │= N; Gán t = 0; 
Bước 2: Áp dụng toán tử chéo hóa và đột biến đối với các cá thể trong quần thể P0 
để tạo quần thể con Q0 với │ Q0 │= N; 
Bước 3: Nếu điều kiện dừng thỏa mãn thì dừng và xuất các cá thể trong quần thể Pt. 
Bước 4: Đặt Rt= Pt ∪Qt 
Bước 5: Dùng thuật toán sắp xếp các nghiệm không trội – NSGA để nhận diện các 
biến chứa các nghiệm không trội F1, F2, , Fk trong Rt 
Bước 6: Với mỗi i = 1, , k ta thực hiện các bước sau: 
- Tính khoảng cách quy tụ của các nghiệm trong Fi 
- Tạo quần thể Pt+1 như sau : 
Nếu │ Pt+1 + Fi│≤ N thì thiết lập Pt+1 = Pt ∪Fi 
Nếu │ Pt+1 + Fi│> N thì bổ sung N - Pt+1 nghiệm mà có các cá thể khác 
quy tụ là ít nhất từ quần thể Fi vào Pt+1 
Bước 7: Sử dụng toán tử lựa chọn vòng nhị phân dựa trên khoảng cách quy tụ trên 
nghiệm x để lựa chọn các cá thể cha từ quần thể Pt+1. Áp dụng toán tử chéo hóa và 
đột biến đối với quần thể Pt+1 để tạo quần thể con Qt+1 với │ Qt+1│= N. 
Bước 8: Gán t. Quay lại bước 3. 
Cụ thể sơ đồ thiện hiện thuật toán di truyền sắp xếp các nghiệm không trội NSGA II 
được trình bày tại hình 2.17 
91 
 No 
 Yes 
Hình 2.17. Sơ đồ thể hiện thuật toán NSGA II 
Khởi tạo quần thể ban đầu 
có N cá thể 
Đánh giá các hàm mục tiêu 
Thứ hạng quần thể 
Lựa chọn 
Chéo hóa 
Đột biến 
Đánh giá các hàm mục tiêu 
Hợp quần thể cha, con. 
Xếp hạng quần thể mới tạo 
thành này 
Chọn N cá thể 
Xuất ra quần thể cuối cùng 
và dừng 
Q
u
á trìn
h
 tạo
 q
u
ần
 th
ể 
co
n
C
á th
ể ư
u
 v
iệt 
Điều kiện 
dừng thỏa 
92 
2.3.4.5 Số liệu đầu vào 
a. Các đặc điểm vật lý của hệ thống 
- Số liệu mực nước thượng lưu cống Nam Đàn. 
- Các thông số kỹ thuật của trạm bơm 12/9 và trạm bơm Hưng Châu. 
- Các thông số kỹ thuật của các kênh chính trong khu vực nghiên cứu: chiều dài, 
rộng, hệ số mái,  
b. Số liệu khí tượng 
Số liệu mưa, nhiệt độ, độ ẩm, gió, bốc hơi, số giờ nắng được lấy với chuỗi số liệu 
50 năm: Từ năm 1960 đến năm 2010. Các số liệu này được thu thập từ Trạm khí 
tượng Vinh, Nghệ An, vị trí địa lý: 105040’ Kinh độ Đông, 18040’ Vĩ độ Bắc, ở độ 
cao 6m. 
c. Chỉ số ENSO 
El Nino là khái niệm dùng để chỉ hiện tượng nóng lên không bình thường của lớp 
nước mặt thuộc vùng biển phía Đông Xích đạo Thái Bình Dương kéo dài từ 3 mùa 
trở lên.El Nino còn được gọi là “pha nóng”. 
La Nina ngược với El Nino, là khái niệm dùng để chỉ hiện tượng lạnh đi không bình 
thường của lớp nước mặt thuộc vùng biển phía Đông Xích đạo Thái Bình Dương 
kéo dài từ 3 mùa trở lên. La Nina còn được gọi là “pha lạnh”. 
Khi nhiệt độ mặt nước biển ở trạng thái nằm giữa “pha nóng” và “pha lạnh” được 
gọi là trạng thái trung gian 
SO là khái niệm dùng để chỉ hiện tượng dao động của chênh lệch khí áp giữa Tây 
và trung tâm xích đạo Thái Bình Dương. 
Do 2 hiện tượng El Nino/La Nina (đại dương) và SO (khí quyển) xảy ra trên xích 
đạo Thái Bình Dương có quan hệ mật thiết với nhau nên chúng được liên kết lại 
thành một hiện tượng kép, gọi tắt là ENSO. 
93 
Chỉ số ENSO trong nghiên cứu được tham khảo từ Website của Viện Nghiên cứu 
Quốc tế về khí hậu và xã hội (International Rresearch Institute for Climate and 
Society) thuộc đại học Colombia (Địa chỉ website: 
expertise/climate/forecasts/enso/) Tại đây, họ đưa ra một mô hình dự báo ENSO tập 
hợp từ rất nhiều dự báo của các tổ chức khác nhau như: NASA, Viên khí tượng của 
Pháp (MeteoFrance),  
Bộ chỉ số được sử dụng để tính toán dự báo ENSO cho mô hình là bộ chỉ số NINO 
3.4 SST. 
2.3.4.6 Ngôn ngữ lập trình 
Matlab viết tắt từ "MATrix LABoratory", được Cleve Moler phát minh vào 
cuối thập niên 1970, và sau đó là chủ nhiệm khoa máy tính tại Đại học New 
Mexico. Matlab là phần mềm cung cấp môi trường tính toán số và lập trình, do công 
ty MathWorks thiết kế. MATLAB cho phép tính toán số với ma trận, vẽ đồ thị hàm 
số hay biểu đồ thông tin, thực hiện thuật toán, tạo các giao diện người dùng và liên 
kết với những chương trình máy tính viết trên nhiều ngôn ngữ lập trình khác.Với 
thư viện Toolbox, MATLAB cho phép mô phỏng tính toán, thực nghiệm nhiều mô 
hình trong thực tế và kỹ thuật. 
Các thành phần của Matlab: 
- Ngôn ngữ: Là ngôn ngữ ma trận/mảng cấp cao với các câu lệnh, hàm, cấu 
trúc dữ liệu, vào/ra, các tính năng lập trình hướng đối tượng. Nó cho phép 
lập trình các ứng dụng từ nhỏ đến các ứng dụng lớn và phức tạp. 
- Môi trường làm việc: Bao gồm các phương tiện cho việc quản lý các biến 
trong không gian làm việc workspace cũng như xuất nhập khẩu dữ liệu. 
Nó cũng bao gồm các phương tiện cho việc quản lý, gỡ rối và định hình 
M-file, ứng dụng của Matlab. 
- Xử lý đồ họa: Bao gồm các lệnh cao cấp cho trực quan hóa dữ liệu hai 
chiều và ba chiều, xử lý ảnh, ảnh động,  
94 
Kết luận chương 2 
Các phương pháp nghiên cứu đã được sử dụng trong luận án là các phương pháp có 
cơ sở khoa học chặt chẽ. Để giải quyết theo các phương pháp này, tác giả đã sử 
dụng một loạt các công cụ tiên tiến như Cropwat, Mike 11, Mike Basin và đặc biệt 
là kỹ thuật tối ưu đa mục tiêu NSGA II. Kết quả của một hàm tối ưu đa mục tiêu sẽ 
cho ta một mặt Pareto là tập hợp của các nghiệm tối ưu không trội, mỗi nghiệm là 
một giải pháp vận hành tối ưu cho hệ thống. 
Chương 2 đã mô tả chi tiết các kỹ thuật được áp dụng trong nghiên cứu, đưa ra 
được khung giải pháp tối ưu và trình tự thực hiện cũng như giải thích rõ ràng thuật 
toán sẽ được sử dụng. 
Việc ứng dụng kỹ thuật tối ưu trong xây dựng giải pháp vận hành cho một hệ thống 
tưới là mới và thuật toán di truyền sắp xếp các nghiệm không trội NSGA II là 
chưa được sử dụng để tính toán cho bất kỳ hệ thống thủy lợi nào ở Việt Nam. 
95 
CHƯƠNG III. KẾT QUẢ NGHIÊN CỨU 
3.1 Giải pháp thu trữ nước phục vụ cho sản xuất nông nghiệp trong mùa kiệt 
3.1.1 Kết quả tính toán nhu cầu nước 
3.1.1.1Nhu cầu nước cho trồng trọt 
a. Cơ sở tính toán 
- Căn cứ theo tiêu chuẩn ngành: Theo quy định trong Quy phạm kỹ thuật về lập Quy 
hoạch thuỷ lợi, ký hiệu 14 TCN-87-95 và các quy phạm hiện hành về lập, trình 
duyệt thiết kế quy hoạch, dự án tiền khả thi, dự án khả thi và thiết kế kỹ thuật bản 
vẽ thi công tần suất tính toán. 
- Căn cứ các yếu tố: 
+ Thuỷ văn: Lượng nước đến tại tuyến công trình, mưa dùng trong tính toán 
tưới, các chỉ tiêu khí tượng liên quan tính với tần suất 75%, 85%. 
 + Dòng chảy môi trường tính với P = 90% tháng mùa kiệt. 
+ Thuỷ nông: Tính hệ số tưới mặt ruộng cho các loại cây trồng với tần suất 
75%, 85%. 
+ Tần suất thiết kế công trình, tính toán lũ công trình theo cấp công trình trên 
cơ sở quy phạm xây dựng các công trình thuỷ lợi hiện hành. 
b.Tiêu chuẩn tính toán 
 Tài liệu về nông nghiệp 
 + Vùng nghiên cứu mang đặc điểm khí hậu vùng Bắc Trung Bộ trong một 
năm gieo trồng 2 vụ chính trong năm là Đông