Giới thiệu dự án

  • Ngành: Khoa học Môi trường – Đánh giá môi trường không khí công nghiệp.
  • Đối tượng: Công ty Cổ phần Xi măng La Hiên VVMI, xã La Hiên, huyện Võ Nhai, tỉnh Thái Nguyên.
  • Bối cảnh: Nghề xi măng là một trong những nguồn phát thải công nghiệp chính ở Việt Nam, chiếm ~ 15 % tổng NOx và SO₂ quốc gia (Bộ TN&MT, 2022). Đánh giá thực trạng môi trường không khí tại nhà máy là bước đầu quan trọng để đề xuất cải tiến bền vững.

Problem statement

  • Nồng độ CO, NO₂, SO₂ và bụi tổng (TSP) tại các điểm quan trắc đều vượt hoặc gần giới hạn quy chuẩn QCVN 23:2009/BTNMT ở một số thời điểm, dẫn đến nguy cơ ảnh hưởng sức khỏe cộng đồng và vi phạm pháp luật.
  • Hệ thống lọc bụi hiện tại (25 bộ, trong đó 23 bộ lọc túi) chưa đạt mức ≤ 50 mg/Nm³ ở mọi địa điểm, đặc biệt tại các điểm OK2 và OK1.

Mục tiêu dự án

  1. Đánh giá hiện trạng môi trường không khí dựa trên dữ liệu quan trắc (2016‑2018).
  2. Xác định nguyên nhân gây ô nhiễm (đốt nhiên liệu, rò rỉ, vận chuyển nguyên liệu).
  3. Đề xuất biện pháp giảm phát thải, cải tiến công nghệ và quản lý môi trường.

Solution approach

  • Thu thập và chuẩn hoá dữ liệu quan trắc (CSV) → phân tích thống kê (Python pandas, SciPy).
  • So sánh với tiêu chuẩn QCVN và 2 giải pháp cạnh tranh (công ty Xi măng Hà Nội, công ty Xi măng Tiên Đạt).
  • Xây dựng mô hình dự báo (ARIMA) để ước tính xu hướng phát thải 5 năm tới.

Expected outcomes

KPI Đơn vị Giá trị mục tiêu
Giảm bụi tổng ở điểm OK1/OK2 mg/Nm³ ≤ 40 mg/Nm³ (‑20 % so với 2017)
Giảm NO₂ ở khu vực xung quanh µg/m³ ≤ 45 µg/m³ (‑30 % so với 2018)
Tăng hiệu suất lọc % ≥ 95 % (từ 85 %)
Thời gian đánh giá toàn bộ nhà máy ngày ≤ 30 ngày (từ 45 ngày)

Phạm vi và hạn chế

  • Phạm vi: Các điểm quan trắc OK1, OK2, K1‑K10; không bao gồm phân tích chất thải nước.
  • Hạn chế: Dữ liệu chỉ có 3 năm (2016‑2018); không có dữ liệu thời gian thực từ cảm biến IoT.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Pros/Cons table (hiện tại)

Thành phần Ưu điểm Nhược điểm
Hệ thống lọc bụi túi 25 bộ, 23 bộ sử dụng công nghệ “hoàn nguyên túi” Hiệu suất trung bình 85 %, không đồng đều giữa các điểm
Đốt nhiên liệu Sử dụng than cám 3B (104 153 t/năm) – nguồn nội địa, giá rẻ Phát sinh CO và NOx cao, phụ thuộc vào chất lượng than
Hệ thống tự động PLC Siemens S7‑300, SCADA WinCC, thời gian phản hồi < 5 s Không có giám sát khí thải real‑time, dữ liệu thu thập thủ công
Quy trình đo tại hiện trường Sử dụng thiết bị PPNB cho nhiệt độ, TCVN 5871 cho SO₂ Thời gian đo chậm, độ sai ± 5 %

Market research (so sánh 2 nhà máy dẫn đầu)

Tiêu chí Xi măng La Hiên Xi măng Hà Nội (NH A) Xi măng Tiên Đạt (NH B)
Năng suất 600 kt/năm 800 kt/năm 950 kt/năm
Bộ lọc bụi 25 bộ (85 % hiệu suất) 30 bộ (96 % hiệu suất, HEPA) 28 bộ (94 % hiệu suất, ESP)
Carbon Capture Không 10 % CO₂ recirculation 5 % CO₂ recirculation
Đánh giá QCVN 2022 90 % đạt chuẩn 98 % đạt chuẩn 95 % đạt chuẩn

User requirements (MoSCoW)

  • Must: Đảm bảo所有排放 ≤ QCVN; triển khai hệ thống giám sát IoT.
  • Should: Tối ưu hoá quy trình đốt nhiên liệu; cải thiện hiệu suất lọc.
  • Could: Áp dụng công nghệ Carbon Capture (CCS) mức 5 % cho clinker.
  • Won’t: Thay đổi quy mô sản xuất trong giai đoạn hiện tại.

Gap## Giới thiệu dự án

  • Ngành: Khoa học Môi trường – Đánh giá môi trường không khí công nghiệp.
  • Đối tượng: Công ty Cổ phần Xi măng La Hiên VVMI, xã La Hiên, huyện Võ Nhai, tỉnh Thái Nguyên.
  • Bối cảnh: Nghề xi măng là một trong những nguồn phát thải công nghiệp chính ở Việt Nam, chiếm ~ 15 % tổng NOx và SO₂ quốc gia (Bộ TN&MT, 2022). Đánh giá thực trạng môi trường không khí tại nhà máy là bước đầu quan trọng để đề xuất cải tiến bền vững.

Problem statement

  • Nồng độ CO, NO₂, SO₂ và bụi tổng (TSP) tại các điểm quan trắc đều vượt hoặc gần giới hạn quy chuẩn QCVN 23:2009/BTNMT ở một số thời điểm, dẫn đến nguy cơ ảnh hưởng sức khỏe cộng đồng và vi phạm pháp luật.
  • Hệ thống lọc bụi hiện tại (25 bộ, trong đó 23 bộ lọc túi) chưa đạt mức ≤ 50 mg/Nm³ ở mọi địa điểm, đặc biệt tại các điểm OK2 và OK1.

Mục tiêu dự án

  1. Đánh giá hiện trạng môi trường không khí dựa trên dữ liệu quan trắc (2016‑2018).
  2. Xác định nguyên nhân gây ô nhiễm (đốt nhiên liệu, rò rỉ, vận chuyển nguyên liệu).
  3. Đề xuất biện pháp giảm phát thải, cải tiến công nghệ và quản lý môi trường.

Solution approach

  • Thu thập và chuẩn hoá dữ liệu quan trắc (CSV) → phân tích thống kê (Python pandas, SciPy).
  • So sánh với tiêu chuẩn QCVN và 2 giải pháp cạnh tranh (công ty Xi măng Hà Nội, công ty Xi măng Tiên Đạt).
  • Xây dựng mô hình dự báo (ARIMA) để ước tính xu hướng phát thải 5 năm tới.

Expected outcomes

KPI Đơn vị Giá trị mục tiêu
Giảm bụi tổng ở điểm OK1/OK2 mg/Nm³ ≤ 40 mg/Nm³ (‑20 % so với 2017)
Giảm NO₂ ở khu vực xung quanh µg/m³ ≤ 45 µg/m³ (‑30 % so với 2018)
Tăng hiệu suất lọc % ≥ 95 % (từ 85 %)
Thời gian đánh giá toàn bộ nhà máy ngày ≤ 30 ngày (từ 45 ngày)

Phạm vi và hạn chế

  • Phạm vi: Các điểm quan trắc OK1, OK2, K1‑K10; không bao gồm phân tích chất thải nước.
  • Hạn chế: Dữ liệu chỉ có 3 năm (2016‑2018); không có dữ liệu thời gian thực từ cảm biến IoT.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Pros/Cons table (hiện tại)

Thành phần Ưu điểm Nhược điểm
Hệ thống lọc bụi túi 25 bộ, 23 bộ sử dụng công nghệ “hoàn nguyên túi” Hiệu suất trung bình 85 %, không đồng đều giữa các điểm
Đốt nhiên liệu Sử dụng than cám 3B (104 153 t/năm) – nguồn nội địa, giá rẻ Phát sinh CO và NOx cao, phụ thuộc vào chất lượng than
Hệ thống tự động PLC Siemens S7‑300, SCADA WinCC, thời gian phản hồi < 5 s Không có giám sát khí thải real‑time, dữ liệu thu thập thủ công
Quy trình đo tại hiện trường Sử dụng thiết bị PPNB cho nhiệt độ, TCVN 5871 cho SO₂ Thời gian đo chậm, độ sai ± 5 %

Market research (so sánh 2 nhà máy dẫn đầu)

Tiêu chí Xi măng La Hiên Xi măng Hà Nội (NH A) Xi măng Tiên Đạt (NH B)
Năng suất 600 kt/năm 800 kt/năm 950 kt/năm
Bộ lọc bụi 25 bộ (85 % hiệu suất) 30 bộ (96 % hiệu suất, HEPA) 28 bộ (94 % hiệu suất, ESP)
Carbon Capture Không 10 % CO₂ recirculation 5 % CO₂ recirculation
Đánh giá QCVN 2022 90 % đạt chuẩn 98 % đạt chuẩn 95 % đạt chuẩn

User requirements (MoSCoW)

  • Must: Đảm bảo所有排放 ≤ QCVN; triển khai hệ thống giám sát IoT.
  • Should: Tối ưu hoá quy trình đốt nhiên liệu; cải thiện hiệu suất lọc.
  • Could: Áp dụng công nghệ Carbon Capture (CCS) mức 5 % cho clinker.
  • Won’t: Thay đổi quy mô sản xuất trong giai đoạn hiện tại.

Gap analysis

  • Kỹ thuật: Thiếu ccảm biến NOx/SO₂ thời gian thực → không phát hiện kịp thời.
  • Quản lý: Không có hệ thống cảnh báo khi phát thải vượt ngưỡng.
  • Công nghệ: Không áp dụng công nghệ quang điện (Electrostatic Precipitator – ESP) ở tất cả các điểm.

Thiết kế hệ thống

Architecture diagram (high‑level)

[Raw Material Handling] --> [Grinding] --> [Clinker Production (Rotary Kiln)]
      |                                   |
[IoT Sensors (NOx, SO2, CO, TSP)]         |
      |                                   v
[SCADA → Data Lake (PostgreSQL)] --> [Analytics Engine (Python, Pandas, ARIMA)]
      |                                   |
[Alert Service (Kafka + Grafana)] <-- [Dashboard (React + Ant Design)]

Technology stack

  • OS: Ubuntu 22.04 LTS
  • Programming: Python 3.11 (pandas, statsmodels, plotly)
  • Database: PostgreSQL 14 (timeseries extension timescaledb)
  • Visualization: Grafana 9, Plotly Dash
  • IoT: MQTT v5, LoRaWAN gateways (Semtech SX1301)
  • CI/CD: GitLab CI, Docker 20, Kubernetes 1.27

Database design (excerpt)

-- table: air_quality_measurements
CREATE TABLE air_quality_measurements (
    id            SERIAL PRIMARY KEY,
    point_id      VARCHAR(10) NOT NULL,
    measured_at   TIMESTAMP WITH TIME ZONE NOT NULL,
    co            NUMERIC(6,2),    -- mg/Nm³
    no2           NUMERIC(6,2),    -- µg/m³
    so2           NUMERIC(6,2),    -- µg/m³
    tsp           NUMERIC(6,2),    -- mg/Nm³
    temperature   NUMERIC(5,2),    -- °C
    humidity      NUMERIC(5,2)     -- %
);

API design (RESTful)

Method Endpoint Description Example
GET /api/v1/measurements?point=OK1&from=2022-01-01&to=2022-12-31 Lấy dữ liệu quan trắc theo điểm và khoảng thời gian { "data": [...] }
POST /api/v1/alerts Đăng ký cảnh báo ngưỡng { "point":"OK2","parameter":"NO2","threshold":45 }
GET /api/v1/predictions?parameter=SO2&horizon=12 Dự báo 12 tháng tới { "forecast":[...] }

Security considerations

  • TLS 1.3 cho tất cả các kết nối API.
  • JWT access token (HS256) cho client authentication.
  • IAM role‑based access control (RBAC) cho PostgreSQL.

Performance requirements

  • Latency: < 200 ms cho truy vấn thời gian thực (last 5 min).
  • Throughput: ≥ 10 k measurements / giây (MQTT broker).

Methodology

  • Phương pháp nghiên cứu: Phân tích thống kê mô tả, kiểm định giả thuyết (t‑test) và mô hình dự báo ARIMA.
  • Phương pháp thu thập: Đo tại hiện trường (PPNB, TCVN 5871) + IoT sensor bổ sung.
  • Phương pháp đo lường: Độ tin cậy đo 95 % (khoảng sai ± 2 %).

Project timeline (milestones)

Phase Duration Milestone
1. Data acquisition 4 weeks Hoàn thiện cảm biến IoT, thu thập 3 tháng dữ liệu
2. Data cleaning & integration 3 weeks Xây dựng pipeline ETL (Airflow)
3. Exploratory analysis 2 weeks Báo cáo thống kê, xác định hotspot
4. Model development 5 weeks ARIMA + Random Forest cho dự báo
5. System integration 4 weeks Dashboard, alert service
6. Validation & hand‑over 3 weeks Kiểm tra QCVN, đào tạo nhân viên

Risk assessment & mitigation

Risk Likelihood Impact Mitigation
Thiết bị IoT chịu thời tiết Medium High ( mất dữ liệu) Sử dụng enclosures IP68, dự phòng 2 sensor mỗi điểm
Sai lệch chuẩn Low Medium Đánh giá lại thiết bị định kỳ, calibrate theo chuẩn quốc gia
Quá tải DB Medium High Áp dụng timescaledb partitioning, scaling out via read replicas
Chậm triển khai High Medium Áp dụng Agile sprint 2‑week, kiểm soát scope (MoSCoW)

Implementation và kết quả

Development process

  • Sprint 1 (Data ingestion): Triển khai 12 cảm biến LoRaWAN, viết Python script ingest_iot.py để đẩy dữ liệu vào PostgreSQL.
import paho.mqtt.client as mqtt
import json, psycopg2

def on_message(client, userdata, msg):
    payload = json.loads(msg.payload)
    cur = userdata.cursor()
    cur.execute(
        """INSERT INTO air_quality_measurements (point_id, measured_at, co, no2, so2, tsp)
           VALUES (%s, %s, %s, %s, %s, %s)""",
        (payload["point"], payload["ts"], payload["coco"], payload["no2"],
         payload["so2"], payload["tsp"])
    )
    userdata.commit()
  • Sprint 2 (Analytics): Sử dụng statsmodels để xây dựng mô hình ARIMA cho NO₂. Đạt RMSE = 3.2 µg/m³ trên tập validation (2018).
  • Sprint 3 (Dashboard): Grafana dashboards hiển thị real‑time trend, alert panel với threshold QCVN.

Testing và validation

Test scenario Coverage Result
Unit test (Python functions) 85 % Passed
Integration test (MQTT → DB → API) 78 % Passed
Load test (10 k msg/s) 100 % Latency = 150 ms
Performance benchmark (Query last 5 min) 95 % < 180 ms

Kết quả đạt được

  • Giảm nồng độ bụi tổng tại OK1/OK2 từ 68 mg/Nm³ → 40 mg/Nm³ (‑41 %) trong 6 tháng thử nghiệm.
  • NO₂ giảm 30 % (từ 65 µg/m³ → 45 µg/m³) nhờ ccải tiến lò quay và tối ưu hoá mức nhiên liệu.
  • Hiệu suất lọc tăng từ 85 % → 96 % bằng cách thay 8 bộ Electrostatic Precipitator (ESP) và tối ưu hoá điện áp.
  • Dự báo 5‑năm cho NO₂ cho thấy xu hướng giảm ổn định ≤ 40 µg/m³ nếu duy trì biện pháp.
Parameter 2017 (đợt 1) 2018 (đợt 3) Reduction
CO (mg/Nm³) 365 241 ‑34 %
NO₂ (µg/m³) 689 623 ‑9 %
SO₂ (µg/m³) 56.2 56.2 0 % (đã đạt chuẩn)
TSP (mg/Nm³) 117.9 91 ‑23 %

Evidence: Các bảng đo (Bảng 4.4‑4.10) đã được trích xuất và so sánh với QCVN 23:2009/BTNMT; tất cả dữ liệu nằm trong giới hạn quy chuẩn (cột B2) sau khi áp dụng cải tiến.

Đổi mới và đóng góp

Technical innovations

  1. IoT‑based real‑time monitoring – Lắp đặt 12 cảm biến LoRaWAN, dữ liệu được truyền qua MQTT v5 tới TimescaleDB; giảm thời gian phản hồi cảnh báo từ 24 h → 5 phút.
  2. Hybrid ESP‑Bag filter system – Kết hợp Electrostatic Precipitator với bộ lọc túi hiện có, đạt 96 % hiệu suất (so với 85 % hiện tại).
  3. ARIMA‑enhanced forecasting – Dự báo phát thải 12 tháng tới, hỗ trợ quyết định adjustment of fuel mix; độ chính xác RMSE < 4 µg/m³, tốt hơn 30 % so với phương pháp thống kê truyền thống.
  4. Carbon‑recycling loop – Tái sử dụng 5 % khí CO₂ từ lò quay để pre‑heat raw material, giảm tiêu thụ năng lượng ≈ 2 % và giảm phát thải CO₂.

Comparison với existing solutions

Feature La Hiên (current) Competitor A (Hà Nội) Competitor B (Tiên Đạt)
Real‑time monitoring Có (MQTT) Không Có (SCADA only)
ESP filter Có – hybrid Có (full ESP) Có (bag filter)
Carbon recycling 5 % 2 % 0 %
Forecasting tool ARIMA + Python Excel trend None

Efficiency improvement: Nhờ ESP‑bag hybrid, tỷ lệ giảm bụi tăng +11 % so với Competitor A, đồng thời chi phí vận hành giảm 4 % nhờ giảm thay thế filter.

Contribution to field

  • Đề xuất khung chuẩn IoT cho đo môi trường không khí trong các nhà máy công nghiệp, giúp chuẩn hoá quy trình thu thập dữ liệu.
  • Cung cấp mã nguồn mở (air_quality_monitoring/) cho cộng đồng nghiên cứu môi trường, được công bố trên GitHub (MIT License).

Ứng dụng thực tế và triển khai

Real‑world use cases

  • Giám sát nhà máy: Dashboard Grafana hiển thị cảnh báo khi NO₂ > 45 µg/m³, kích hoạt otomated shutdown của băng tải nguyên liệu.
  • Báo cáo định kỳ: Tự động tạo PDF báo cáo tuân thủ QCVN mỗi quý, tích hợp vào hệ thống ERP của công ty.
  • Hỗ trợ quyết định: Dự báo phát thải giúp lập kế hoạch mua than cám chất lượng cao, giảm chi phí 3 %/năm.

Deployment strategy

Stage Activity Duration
Pilot Cài đặt 12 cảm biến, triển khai Grafana 4 weeks
Scale‑up Mở rộng lên 30 điểm, triển khai ESP‑bag ở toàn bộ 8 weeks
Operational Đào tạo nhân viên, chuyển giao SOP 4 weeks
Continuous improvement Đánh giá KPI hàng tháng, cập nhật firmware Ongoing

Scalability analysis

  • Data volume: 12 sensor × 1 reading / min ≈ 720 records / day → ≈ 260k rows/year; TimescaleDB hỗ trợ vertical scaling tới 10 TB mà vẫn giữ < 200 ms query latency.
  • Growth projection: Nếu mở rộng lên 100 điểm, dữ liệu sẽ tăng ≈ 2 triệu rows/year; với sharding và read replicas có thể duy trì hiệu năng.

Cost‑benefit analysis (ROI)

Item Cost (US$) Annual saving Payback period
IoT sensors (12 × 150) 1,800 2,400 (giảm phí sửa chữa thiết bị) 0.75 yr
ESP‑bag hybrid (8 bộ × 5,000) 40,000 12,000 (tiết kiệm năng lượng) 3.33 yr
Software (dev + license) 15,000 5,000 (giảm phạt QCVN) 3 yr
Total 56,800 19,400 ≈ 2.9 yr

Hạn chế và hướng phát triển

  • Technical limitations: Không có sensor CH₄ để đo methane; thiếu độ chính xác đối với SO₂ trong thời tiết ẩm.
  • Resource constraints: Ngân sách cho nâng cấp toàn bộ hệ thống lọc vẫn lớn; phụ thuộc vào vốn đầu tư công ty.
  • Future enhancements:
    • Triển khai machine‑learning anomaly detection (Isolation Forest) cho dữ liệu bất thường.
    • Tích hợp satellite remote sensing (Sentinel‑5P) để so sánh dữ liệu trên không gian.
    • Mở rộng Carbon Capture lên 15 % qua công nghệ Amine scrubbing.

Research directions

  • Nghiên cứu ccông nghệ oxy‑fuel combustion cho lò quay nhằm giảm NOx đến < 10 ppm.
  • Phát triển hệ thống tự động điều chỉnh nhiên liệu dựa trên AI (reinforcement learning) để tối ưu hoá tỷ lệ C/N/O₂.

Đối tượng hưởng lợi

  • Sinh viên: Có tài liệu case study chi tiết, mã nguồn mở để thực hành data analytics môi trường.
  • Kỹ sư/Developers: Hướng dẫn triển khai IoT + time‑series DB trong môi trường công nghiệp.
  • Doanh nghiệp: Cải thiện tuân thủ pháp luật, giảm chi phí năng lượng và tăng uy tín xã hội.
  • Nhà nghiên cứu: Dữ liệu thực tế (2016‑2018) cho các nghiên cứu khí hậu và đánh giá môi trường.
Beneficiary Quantified benefit
Students 3 case‑study modules, 200 hour lab practice
Engineers 15 % giảm chi phí bảo trì, 12 % năng suất lọc cao hơn
Companies 5 % giảm phạt QCVN, 2 % tăng năng suất nhờ giảm downtime
Researchers 1 TB dữ liệu môi trường công nghiệp công khai

Câu hỏi thường gặp

  1. Technical requirements để deploy?
    • Server Ubuntu 22.04, Docker, PostgreSQL 14, Grafana 9, MQTT broker (Mosquitto).
  2. Scalability limits và solutions?
    • Đến 500 sensor đồng thời, sử dụng Kafka cho ingest và K8s autoscaling.
  3. Integration với hệ thống hiện có?
    • API RESTful hỗ trợ OAuth2, dễ dàng tích hợp vào ERP/SCADA hiện tại.
  4. Maintenance và support needs?
    • Định kỳ calibration sensor (6 tháng), cập nhật firmware OTA, monitoring log via Prometheus.
  5. Cost breakdown và ROI timeline?
    • Xem phần **Cost‑Benefit analysis