Nghiên cứu sinh Tiyasha (quốc tịch Ấn Độ) bảo vệ thành công luận án tiến sĩ cấp Trường, ngành Kỹ thuật xây dựng

TDTU, 14/08/2023

Ngày 12/08/2023, Trường Đại học Tôn Đức Thắng (TDTU) đã tổ chức buổi đánh giá luận án tiến sĩ cấp Trường cho nghiên cứu sinh (NCS) Tiyasha, ngành Kỹ thuật xây dựng (mã ngành: 9580201), với đề tài: Đánh giá chất lượng nước mặt sử dụng mô hình trí tuệ nhân tạo để quản lý nước trong kỹ thuật bê tông (Evaluating surface water quality using artificial intelligence models for water management in concrete engineering), dưới sự hướng dẫn khoa học của TS. Zaher Mundher Yaseen (TDTU) và TS. Trần Minh Tùng (TDTU).
NCS. Tiyasha đã trúng tuyển và nhập học tại TDTU năm 2018. Trước khi bảo vệ luận án cấp Trường, NCS đã hoàn thành 12 tín chỉ học phần trình độ tiến sĩ, 06 tín chỉ chuyên đề tiến sĩ, 04 tín chỉ tiểu luận tổng quan, hoàn thành bảo vệ luận án cấp đơn vị chuyên môn. Trong quá trình nghiên cứu của mình, NCS đã công bố 02 bài báo khoa học trên các tạp chí uy tín.
Kết quả nghiên cứu của luận án đã có nhiều đóng góp về mặt học thuật như:

Luận án đã thiết kế mô hình dự báo phân loại cho dự báo WQI sử dụng phần mềm Rapid miner đồng thời hướng đến hai kịch bản: Dữ liệu lưu vực sông Klang (lưu vực lớn) và dữ liệu sông Klang (lưu vực nhỏ) để có thêm thông tin về sự biến đổi theo mùa và nguồn ô nhiễm điểm.
Mô hình học sâu hoạt động rất tốt trong cả hai kịch bản và có thể xử lý cả tập dữ liệu lưu vực nhỏ hơn và lớn hơn (S-I và S-II: Độ chính xác 98,6% và 87,7%, độ chính xác 80% và 64%, lỗi phân loại 13% và 10%, chỉ số f 90% và 90%).
Dữ liệu viễn thám được thu thập bằng cách sử dụng bộ mã hóa Google Earth Engine, tức là bộ sưu tập hình ảnh ERA5 ("ECMWF / ERA5 / DAILY") và TerraClimate ("IDAHO_EPSCOR /TERRACLIMATE") và phần mềm QGIS.
Nghiên cứu cũng ứng dụng phần mềm Rstudio để lập mô hình hồi quy. Các thuật toán lựa chọn tính năng như Boruta, thuật toán di truyền (GA), các đường hồi quy thích ứng đa biến (MARS) và tăng cường độ dốc cực đại (XGBoost) đã được tích hợp. Các đặc điểm đã chọn sau đó được áp dụng bằng cách sử dụng rừng ngẫu nhiên (RF), rừng ngẫu nhiên có điều kiện (cForest), RANdom GEneRator (Ranger) và mô hình XGBoost để dự đoán DO.
Thực tế cho thấy dữ liệu WQ và dữ liệu thủy văn thu được từ vệ tinh, được đặc trưng bởi mức độ phi tuyến tính cao, tính ngẫu nhiên, ngoại lệ và giá trị tương quan thấp. Tuy nhiên đề tài đã đề xuất phương pháp dự đoán DO bằng mô hình AI (XGBoost và RF) từ đó đánh giá chất lượng nước. Luận án cũng cho thấy các thuật toán MARS và XGBoost cùng các phương pháp lựa chọn tính năng là các phương pháp hiệu quả để giảm số lượng các biến đầu vào không cần thiết và giảm chi phí tính toán và dự đoán chất lượng nước.

Những công bố khoa học của NCS gắn liền với Luận án tiến sĩ:

A survey on river water quality modelling using artificial intelligence models: 2000–2020. Journal of Hydrology, Volume 585, June 2020, 124670, https://doi.org/10.1016/j.jhydrol.2020.124670
Deep Learning for Prediction of Water Quality Index Classification: Tropical Catchment Environmental Assessment, Natural Resources Research, 07 August 2021, https://doi.org/10.1007/s11053-021-09922-5

Hội đồng đánh giá luận án tiến sĩ cấp Trường thông qua với tổng số phiếu 07/07 thành viên hội đồng có mặt.
Một vài hình ảnh Hội đồng đánh giá luận án cấp Trường ngày 12/8/2023: