Flood forecasting is an essential requirement in integrated water resource management. This paper suggests a Long Short-Term Memory (LSTM) neural network model for flood forecasting, where the daily discharge and rainfall were used as input data. Moreover, characteristics of the data sets which may influence the model performance were also of interest. As a result, the Da River basin in Vietnam was chosen and two different combinations of input data sets from before 1985 (when the Hoa Binh dam was built) were used for one-day, two-day, and three-day flowrate forecasting ahead at Hoa Binh Station. The predictive ability of the model is quite impressive: The Nash–Sutcliffe efficiency (NSE) reached 99%, 95%, and 87% corresponding to three forecasting cases, respectively. The findings of this study suggest a viable option for flood forecasting on the Da River in Vietnam, where the river basin stretches between many countries and downstream flows (Vietnam) may fluctuate suddenly due to flood discharge from upstream hydroelectric reservoirs.

Độ sâu sau nước nhảy là một yếu tố quan trọng, ảnh hưởng rất lớn đến độ sâu và chiều dài của bể tiêu năng. Việc tính toán chính xác độ sâu này là rất cần thiết và có ý nghĩa thực tiễn cao. Do đó, nghiên cứu này đã thiết lập và đánh giá khả năng dự báo độ sâu sau nước nhảy của sáu mô hình học máy (ML), gồm có: Rừng cây ngẫu nhiên (Random Forest - RT), Tăng cường thích ứng (Adaptive Boosting – Ada), Tăng cường tốc độ (Cat Boosting – CB), Tăng cường độ dốc (Gradient Boosting - GB), Cây bổ sung (Extra Trees - ET) và Máy Vector hỗ trợ (Support Vector Machine – SVM). Trong nghiên cứu này, định lý π-Buckingham đã được sử dụng để tìm năm tham số không thứ nguyên làm đầu vào và đầu ra của mô hình. Kết quả nghiên cứu cho thấy, các mô hình ET, GB, SVR, Ada có xét đến ảnh hưởng của độ nhám và chiều rộng lòng dẫn, tính nhớt của chất lỏng, có sai số nhỏ hơn so với công thức Belanger (bỏ qua lực ma sát) và các công thức kinh nghiệm khác. Khi kiểm định, các mô hình này đều có hệ số Nash đạt trên 0,996. Mô hình ET cho kết quả tốt nhất, sau đó là GB, SVR, Ada, RF, CB, theo thứ tự giảm dần. Như vậy, có thể áp dụng mô hình ET để tính toán độ sâu sau nước nhảy trong kênh lăng trụ đáy bằng, mặt cắt chữ nhật

The surface roller length of a hydraulic jump is an important geometric characteristic that directly influences the design of energy dissipation structures. Accurate determination of this parameter is of great practical significance in water resources engineering. Existing empirical formulas yield inconsistent results. Therefore, this study proposes and evaluates the predictive performance of four decision-tree ensemble models: Categorical Boosting (CB), Extra Trees (ET), Gradient Boosting (GB), and Extreme Gradient Boosting (XGB). Unlike previous studies, the hyperparameters were optimized using Bayesian optimization combined with repeated 10-fold cross-validation, the contribution of each input variable was quantified using SHAP values, and the stability of the results was verified through 30 random data splits. The results show that the machine learning models produce generally lower predictive errors than empirical formulas. On the representative split, CB ranked first in all four metrics (NSE = 0.984; MAE = 1.695; RMSE = 2.207; MAPE = 7.13%). Over 30 splits, CB retained the lowest mean MAE, RMSE and MAPE. Hence, CB is the most suitable predictive method, complementing traditional empirical formulas in cases where multiple hydraulic factors need to be considered simultaneously.