Khóa luận: Đánh giá hiệu suất năng lượng toàn phần bằng Monte Carlo

Khóa luận vật lý: Đánh giá hiệu suất năng lượng toàn phần bằng phương pháp Monte Carlo. Nghiên cứu chuyên sâu, phân tích chi tiết, kết quả tối ưu.

• Tác giả: Trương Nhật Huy
• Người hướng dẫn: ThS. Trần Thiện Thanh
• Trường học: Trường Đại học Sư phạm TP. Hồ Chí Minh
• Chuyên ngành: Vật lý
• Đề tài: Đánh giá lại hiệu suất của đầu dò sau một quá trình sử dụng
• Loại tài liệu: Luận văn tốt nghiệp đại học
• Năm xuất bản: 2010
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ƠN
• DANH MỤC CAC KY HIỆU VA CÁC CHỮ VIET TAT
• MỞ DAU
• 1. CHƯƠNG 1: LÝ THUYẾT VỀ HIỆU SUẤT CỦA DAU DO
• 1.1. Giới thiệu về đầu đò ban dẫn siêu tinh khiết HPGe
• 1.2. Hiệu suất ghi
• 1.2.1. Khái niệm hiệu suất
• 1.2.2. Các loại hiệu suất
• 1.3. Hiệu suất đỉnh năng lượng toàn phằn(FEPE)
• 1.4. Hiệu suất tổng và tí số P/T
• 1.4.1. Hiệu suất tổng
• 1.4.2. Tỉ số P/T
• 1.5. Đường cong hiệu suất
• 1.6. Những ảnh hướng lên hiệu suất năng lượng đính toàn phan(FEPE)
• 1.6.1. Do khoảng cách của nguồn và đầu dò
• 1.6.2. Sự khác biệt các đạng hình học nguồn
• 1.6.3. Trùng phùng ngẫu nhiên
• 1.6.4. Hiệu chính phan rã phóng xạ
• 1.6.5. Trùng phùng thực
• 1.6.6. Hệ điện tử
• 1.6.7. Sự tự hấp thụ
• 1.7. Nhận xét
• 2. CHƯƠNG 2: PHƯƠNG PHÁP MO PHONG MONTE CARLO VA CHUONG TRINH DETEFF
• 2.1. Phương pháp Monte Carlo
• 2.1.1. Giới thiệu...

Tóm tắt

I. Đánh giá hiệu suất năng lượng Từ tất định đến Monte Carlo

Trong lĩnh vực kiến trúc và xây dựng bền vững, đánh giá hiệu suất năng lượng của một công trình là một bước quan trọng, quyết định đến chi phí vận hành và tác động môi trường trong dài hạn. Các phương pháp truyền thống thường mang tính tất định (deterministic), nghĩa là chúng dựa trên một bộ thông số đầu vào cố định để đưa ra một kết quả duy nhất về mức tiêu thụ năng lượng. Ví dụ, một mô phỏng có thể kết luận rằng một tòa nhà sẽ tiêu thụ chính xác 150 kWh/m²/năm. Tuy nhiên, phương pháp này không phản ánh được thực tế phức tạp, nơi các yếu tố đầu vào luôn chứa đựng sự không chắc chắn. Các giá trị như đặc tính vật liệu, hành vi của người sử dụng, hay điều kiện thời tiết thực tế đều có thể dao động so với giả định ban đầu. Điều này dẫn đến một "khoảng cách hiệu suất" (performance gap) đáng kể giữa kết quả dự báo và hiệu suất vận hành thực tế. Để giải quyết vấn đề này, ngành khoa học năng lượng đã chuyển hướng sang các phương pháp xác suất. Trong đó, mô phỏng Monte Carlo nổi lên như một công cụ mạnh mẽ và linh hoạt. Thay vì đưa ra một con số duy nhất, đánh giá hiệu suất năng lượng bằng Monte Carlo cung cấp một dải kết quả có thể xảy ra, đi kèm với xác suất tương ứng của chúng. Phương pháp này cho phép các kỹ sư và nhà thiết kế hiểu rõ hơn về rủi ro và các kịch bản hiệu suất khác nhau, từ đó đưa ra những quyết định thiết kế sáng suốt và đáng tin cậy hơn. Về cơ bản, nó biến bài toán mô hình hóa năng lượng từ một dự đoán đơn điểm thành một phân tích rủi ro toàn diện, giúp tối ưu hóa thiết kế năng lượng một cách hiệu quả.

1.1. Hạn chế của phương pháp đánh giá tất định truyền thống

Phương pháp đánh giá tất định, mặc dù đơn giản và dễ thực hiện, lại có những hạn chế cố hữu. Nó giả định một thế giới lý tưởng nơi mọi thông số đều chính xác và không thay đổi. Ví dụ, hệ số truyền nhiệt (U-value) của một bức tường được coi là một hằng số, nhưng trong thực tế, nó có thể thay đổi do chất lượng thi công hoặc sự lão hóa của vật liệu. Tương tự, lịch trình vận hành của hệ thống HVAC hay thói quen sử dụng thiết bị điện của người dùng không bao giờ là cố định. Việc bỏ qua những biến thiên này tạo ra một kết quả duy nhất nhưng kém tin cậy. Kết quả này không thể trả lời các câu hỏi quan trọng như: "Khả năng tòa nhà tiêu thụ năng lượng nhiều hơn 20% so với dự kiến là bao nhiêu?" hoặc "Yếu tố nào gây ra rủi ro lớn nhất cho hiệu quả năng lượng của công trình?". Sự thiếu sót này làm giảm giá trị của các phân tích năng lượng trong giai đoạn thiết kế.

1.2. Giới thiệu mô phỏng Monte Carlo như một giải pháp xác suất

Mô phỏng Monte Carlo là một phương pháp tính toán sử dụng các mẫu ngẫu nhiên để thu được kết quả số. Trong bối cảnh đánh giá hiệu suất năng lượng, thay vì sử dụng một giá trị cố định cho mỗi biến đầu vào (như U-value, hiệu suất thiết bị), phương pháp này gán cho chúng một phân phối xác suất (probability distribution). Ví dụ, U-value có thể tuân theo phân phối chuẩn (normal distribution) quanh một giá trị trung bình. Sau đó, mô phỏng được chạy lặp lại hàng nghìn lần. Trong mỗi lần lặp, một giá trị ngẫu nhiên được rút ra từ phân phối của mỗi biến. Kết quả cuối cùng là một tập hợp lớn các kết quả hiệu suất năng lượng, tạo thành một bức tranh thống kê toàn cảnh. Cách tiếp cận này giúp lượng hóa sự không chắc chắn và cung cấp một dự báo tiêu thụ năng lượng đáng tin cậy hơn nhiều, bao gồm cả các kịch bản tốt nhất, xấu nhất và có khả năng xảy ra cao nhất.

II. Tại sao cần phân tích bất định trong hiệu suất năng lượng

Thực tế cho thấy, không có mô hình năng lượng nào là hoàn hảo. Luôn tồn tại sự không chắc chắn (uncertainty) xuất phát từ nhiều nguồn khác nhau. Phân tích bất định (uncertainty analysis) là quá trình xác định và lượng hóa tác động của những yếu tố không chắc chắn này lên kết quả đầu ra của mô hình. Trong mô phỏng năng lượng tòa nhà (building energy simulation), việc bỏ qua phân tích này có thể dẫn đến các quyết định thiết kế sai lầm. Một thiết kế có vẻ tối ưu trên lý thuyết có thể trở nên kém hiệu quả hoặc rủi ro cao trong điều kiện vận hành thực tế. Ví dụ, một tòa nhà được thiết kế dựa trên dữ liệu thời tiết điển hình có thể hoạt động kém trong những năm có khí hậu khắc nghiệt hơn. Đánh giá hiệu suất năng lượng bằng Monte Carlo là công cụ chính để thực hiện phân tích bất định. Bằng cách mô phỏng hàng nghìn kịch bản khác nhau dựa trên sự biến thiên của các thông số đầu vào, phương pháp này cho phép các bên liên quan hiểu được phạm vi hiệu suất có thể xảy ra. Kết quả không chỉ là một con số, mà là một đường cong phân phối xác suất, giúp trả lời câu hỏi: "Với tất cả những yếu tố không chắc chắn, mức tiêu thụ năng lượng của tòa nhà sẽ dao động trong khoảng nào?". Điều này cung cấp một cơ sở vững chắc cho việc phân tích rủi ro năng lượng và lựa chọn các giải pháp thiết kế bền vững, có khả năng chống chịu tốt trước các biến động trong tương lai. Nền tảng của phương pháp này dựa trên các định lý thống kê như Luật số lớn, đảm bảo rằng ước tính sẽ hội tụ về giá trị thực khi số lần lặp đủ lớn.

2.1. Các nguồn gây bất định trong mô phỏng năng lượng tòa nhà

Sự bất định trong mô phỏng năng lượng tòa nhà có thể được phân loại thành ba nhóm chính. Thứ nhất là các yếu tố vật lý, bao gồm đặc tính của vật liệu xây dựng (độ dẫn nhiệt, hệ số hấp thụ năng lượng mặt trời), hiệu suất thực tế của các thiết bị cơ điện (HVAC, máy bơm). Thứ hai là các yếu tố vận hành, liên quan đến hành vi của con người, chẳng hạn như lịch trình sử dụng phòng, cài đặt nhiệt độ, việc sử dụng đèn và các thiết bị cắm điện. Đây là một trong những nguồn bất định lớn nhất và khó dự đoán nhất. Thứ ba là các yếu tố môi trường, chủ yếu là dữ liệu thời tiết. Các tệp dữ liệu thời tiết tiêu chuẩn chỉ đại diện cho một năm "điển hình", không phản ánh được sự biến đổi khí hậu hoặc các hiện tượng thời tiết cực đoan. Việc xác định và mô hình hóa các nguồn bất định này là bước đầu tiên và quan trọng nhất trong một phân tích Monte Carlo hiệu quả.

2.2. Hậu quả của việc bỏ qua phân tích bất định performance gap

Bỏ qua phân tích bất định thường dẫn đến "performance gap" – khoảng cách giữa hiệu suất dự đoán và hiệu suất thực tế. Một công trình được chứng nhận là tiết kiệm năng lượng trên giấy tờ có thể tiêu thụ nhiều năng lượng hơn đáng kể khi đi vào vận hành. Điều này gây ra hậu quả tiêu cực về tài chính cho chủ đầu tư và làm giảm niềm tin vào các công cụ mô hình hóa năng lượng. Hơn nữa, nó có thể dẫn đến việc lựa chọn sai các biện pháp tiết kiệm năng lượng. Một biện pháp cải tạo có vẻ hiệu quả trong một kịch bản tất định có thể không mang lại lợi ích như mong đợi hoặc thậm chí phản tác dụng khi các yếu tố bất định được xem xét. Do đó, việc thực hiện uncertainty analysis không phải là một tùy chọn, mà là một yêu cầu cần thiết để đảm bảo các quyết định thiết kế và đầu tư được đưa ra dựa trên thông tin đầy đủ và chính xác nhất.

III. Phương pháp mô phỏng Monte Carlo trong mô hình hóa năng lượng

Phương pháp mô phỏng Monte Carlo là nền tảng của việc đánh giá hiệu suất năng lượng dựa trên xác suất. Quy trình này bắt đầu bằng việc xây dựng một mô hình năng lượng cơ sở cho công trình, thường được thực hiện bằng các phần mềm chuyên dụng như EnergyPlus hoặc TRNSYS. Thay vì gán các giá trị cố định, các nhà phân tích sẽ xác định các biến đầu vào quan trọng chứa đựng sự không chắc chắn. Đối với mỗi biến này, một phân phối xác suất phù hợp sẽ được lựa chọn để mô tả sự biến thiên của nó. Ví dụ, mật độ người sử dụng có thể được mô tả bằng phân phối tam giác (triangular distribution) với giá trị nhỏ nhất, lớn nhất và có khả năng xảy ra cao nhất. Sau khi thiết lập xong các biến và phân phối của chúng, quá trình mô phỏng ngẫu nhiên sẽ bắt đầu. Một vòng lặp tính toán được thực hiện hàng nghìn, thậm chí hàng chục nghìn lần. Trong mỗi lần lặp, máy tính sẽ: (1) Lấy một mẫu ngẫu nhiên từ phân phối xác suất của mỗi biến đầu vào. (2) Chạy toàn bộ mô phỏng năng lượng hàng năm với bộ thông số vừa lấy mẫu. (3) Ghi lại kết quả đầu ra quan tâm (ví dụ: tổng năng lượng tiêu thụ). Sau khi hoàn thành tất cả các lần lặp, chúng ta sẽ có một tập dữ liệu lớn về các kết quả hiệu suất có thể xảy ra. Tập dữ liệu này sau đó được phân tích thống kê để rút ra các kết luận quan trọng về hiệu quả năng lượng của công trình.

3.1. Bước 1 Xác định biến và lựa chọn phân phối xác suất

Bước quan trọng đầu tiên trong mô phỏng Monte Carlo là xác định các biến đầu vào có ảnh hưởng và không chắc chắn. Các biến này có thể bao gồm đặc tính lớp vỏ công trình (U-value, SHGC), hiệu suất hệ thống HVAC, mật độ công suất chiếu sáng, lịch trình hoạt động và thông số thời tiết. Sau khi xác định, cần lựa chọn một phân phối xác suất phù hợp cho mỗi biến. Sự lựa chọn này nên dựa trên dữ liệu thực tế, tài liệu từ nhà sản xuất, hoặc đánh giá của chuyên gia. Ví dụ, phân phối đều (uniform) có thể được sử dụng khi chỉ biết khoảng giá trị tối thiểu và tối đa. Phân phối chuẩn (normal) phù hợp cho các biến có giá trị tập trung quanh một giá trị trung bình. Lựa chọn đúng phân phối là yếu tố quyết định đến độ chính xác của toàn bộ quá trình đánh giá hiệu suất năng lượng.

3.2. Bước 2 Quá trình lặp và thu thập kết quả mô phỏng

Sau khi thiết lập mô hình, quá trình lặp bắt đầu. Một kịch bản (script), thường được viết bằng các ngôn ngữ như Python hoặc R, sẽ điều khiển toàn bộ quá trình. Kịch bản này tự động thay đổi các tệp đầu vào của phần mềm building energy simulation (như EnergyPlus), chạy mô phỏng và trích xuất kết quả đầu ra sau mỗi lần lặp. Số lượng lần lặp cần thiết phụ thuộc vào độ phức tạp của mô hình và mức độ chính xác mong muốn, nhưng thường nằm trong khoảng từ 1.000 đến 10.000 lần. Quá trình này đòi hỏi năng lực tính toán đáng kể và có thể mất từ vài giờ đến vài ngày để hoàn thành. Kết quả của mỗi lần chạy được lưu trữ để tạo thành một bộ dữ liệu lớn, sẵn sàng cho bước phân tích tiếp theo.

IV. Hướng dẫn phân tích bất định và độ nhạy bằng Monte Carlo

Sau khi quá trình mô phỏng Monte Carlo hoàn tất, chúng ta có trong tay một kho dữ liệu quý giá. Bước tiếp theo là phân tích tập dữ liệu này để rút ra những hiểu biết sâu sắc, phục vụ cho việc ra quyết định. Hai kỹ thuật phân tích chính được áp dụng là phân tích bất định (uncertainty analysis) và phân tích độ nhạy (sensitivity analysis). Phân tích bất định tập trung vào việc mô tả kết quả đầu ra. Thay vì một con số, kết quả được biểu diễn dưới dạng biểu đồ phân phối tần suất (histogram) hoặc đường cong phân phối tích lũy (CDF). Biểu đồ này cho thấy xác suất để mức tiêu thụ năng lượng rơi vào một khoảng giá trị nhất định. Từ đó, các kỹ sư có thể xác định các chỉ số rủi ro, ví dụ như P10 (mức tiêu thụ năng lượng có 10% khả năng thấp hơn) và P90 (mức tiêu thụ có 90% khả năng thấp hơn). Các chỉ số này cung cấp một cái nhìn thực tế hơn nhiều về hiệu suất của công trình. Ngược lại, phân tích độ nhạy tìm cách trả lời câu hỏi: "Những yếu tố đầu vào nào có ảnh hưởng lớn nhất đến kết quả đầu ra?". Bằng cách phân tích mối tương quan giữa sự thay đổi của từng biến đầu vào với sự thay đổi của kết quả, kỹ thuật này giúp xác định các "đòn bẩy" quan trọng nhất trong việc tối ưu hóa thiết kế năng lượng.

4.1. Kỹ thuật phân tích bất định và diễn giải kết quả

Uncertainty analysis sử dụng các công cụ thống kê mô tả để tổng hợp hàng nghìn kết quả mô phỏng. Kết quả thường được trực quan hóa bằng biểu đồ histogram, cho thấy tần suất xuất hiện của các mức tiêu thụ năng lượng. Một biểu đồ có đỉnh cao và nhọn cho thấy kết quả có độ chắc chắn cao, trong khi một biểu đồ phẳng và trải rộng cho thấy sự bất định lớn. Một công cụ hữu ích khác là biểu đồ phân phối tích lũy (Cumulative Distribution Function - CDF), cho phép đọc trực tiếp xác suất để hiệu suất đạt dưới một ngưỡng nhất định. Ví dụ, từ CDF, ta có thể kết luận rằng "có 80% khả năng mức tiêu thụ năng lượng hàng năm sẽ dưới 180 kWh/m²". Thông tin này cực kỳ giá trị cho việc phân tích rủi ro năng lượng và thiết lập các mục tiêu hiệu suất thực tế.

4.2. Kỹ thuật phân tích độ nhạy để tối ưu hóa thiết kế

Sensitivity analysis giúp xác định các biến đầu vào có ảnh hưởng lớn nhất. Một phương pháp phổ biến là tính toán các hệ số tương quan (ví dụ: Pearson hoặc Spearman) giữa mỗi biến đầu vào và kết quả đầu ra. Các biến có hệ số tương quan cao là những biến có tác động mạnh nhất. Kết quả thường được trình bày dưới dạng biểu đồ Tornado. Biểu đồ này xếp hạng các biến theo mức độ ảnh hưởng của chúng, từ cao nhất đến thấp nhất. Ví dụ, một phân tích có thể chỉ ra rằng hiệu suất của hệ thống làm mát và hệ số truyền nhiệt của kính là hai yếu tố quan trọng nhất. Thông tin này cho phép đội ngũ thiết kế tập trung nguồn lực và ngân sách vào việc cải thiện những yếu tố này để đạt được hiệu quả năng lượng tối đa, thay vì lãng phí nỗ lực vào các yếu tố ít ảnh hưởng hơn.

V. Case study Tối ưu hóa thiết kế năng lượng với Monte Carlo

Để minh họa sức mạnh của phương pháp, hãy xem xét một case study về đánh giá hiệu suất năng lượng bằng Monte Carlo cho một tòa nhà văn phòng mới. Mục tiêu là lựa chọn phương án thiết kế lớp vỏ công trình và hệ thống HVAC tối ưu nhất, không chỉ dựa trên hiệu suất trung bình mà còn dựa trên độ tin cậy và rủi ro. Mô hình năng lượng cơ sở được xây dựng bằng EnergyPlus. Các biến bất định chính được xác định bao gồm: hệ số truyền nhiệt của tường và mái, SHGC của kính, tỷ lệ rò rỉ khí, hiệu suất của chiller, và mật độ sử dụng thiết bị cắm điện của nhân viên. Mỗi biến được gán một phân phối xác suất phù hợp. Ba kịch bản thiết kế được đưa ra để so sánh: (A) Thiết kế cơ bản, (B) Cải thiện lớp vỏ công trình, (C) Cải thiện hệ thống HVAC. Mô phỏng Monte Carlo được chạy 5.000 lần cho mỗi kịch bản. Kết quả phân tích bất định cho thấy, mặc dù kịch bản B và C có mức tiêu thụ năng lượng trung bình tương đương, kịch bản B (cải thiện lớp vỏ) có độ lệch chuẩn nhỏ hơn đáng kể. Điều này có nghĩa là hiệu suất của nó ổn định và ít bị ảnh hưởng bởi sự thay đổi trong vận hành hơn. Phân tích độ nhạy cũng chỉ ra rằng việc kiểm soát rò rỉ khí là yếu tố quan trọng nhất trong việc giảm thiểu rủi ro tiêu thụ năng lượng cao. Dựa trên phân tích toàn diện này, chủ đầu tư đã quyết định lựa chọn kịch bản B và tăng cường các biện pháp kiểm soát chất lượng thi công để đảm bảo độ kín khí của tòa nhà.

5.1. Thiết lập mô hình và các kịch bản so sánh hiệu quả

Trong case study này, bước đầu tiên là xây dựng một mô hình building energy simulation chi tiết. Các thông số hình học, vật liệu, hệ thống cơ điện và lịch trình vận hành được định nghĩa cẩn thận. Ba kịch bản chính được đưa ra: Kịch bản A tuân thủ tiêu chuẩn tối thiểu. Kịch bản B tập trung vào lớp vỏ thụ động với tường cách nhiệt tốt hơn và kính hiệu suất cao. Kịch bản C giữ nguyên lớp vỏ cơ bản nhưng đầu tư vào hệ thống HVAC hiệu suất cao hơn. Các yếu tố bất định như hành vi người dùng và điều kiện thời tiết được giữ nguyên cho cả ba kịch bản để đảm bảo tính so sánh công bằng. Mục tiêu là tìm ra phương án không chỉ có dự báo tiêu thụ năng lượng trung bình thấp mà còn có rủi ro thấp nhất.

5.2. Kết quả phân tích và quyết định thiết kế dựa trên dữ liệu

Kết quả từ mô phỏng Monte Carlo được trình bày dưới dạng các biểu đồ hộp (box plots) cho từng kịch bản, cho thấy giá trị trung vị, khoảng phân vị và các giá trị ngoại lai. Biểu đồ cho thấy Kịch bản B có khoảng phân vị hẹp nhất, chứng tỏ hiệu suất của nó đáng tin cậy nhất. Mặc dù chi phí đầu tư ban đầu cho Kịch bản B cao hơn một chút, phân tích rủi ro năng lượng cho thấy nó ít có khả năng vượt ngân sách vận hành trong dài hạn. Quyết định cuối cùng không chỉ dựa trên một con số duy nhất mà dựa trên sự hiểu biết toàn diện về xác suất và rủi ro. Phương pháp này đã chuyển cuộc thảo luận từ "Thiết kế nào tốt nhất?" sang "Thiết kế nào mạnh mẽ và đáng tin cậy nhất trong điều kiện thực tế?". Đây chính là giá trị cốt lõi mà tối ưu hóa thiết kế năng lượng bằng Monte Carlo mang lại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 LÝ THUYET VE HIỆU SUÁT CUA DAU DO 1. Giới thiệu về đầu đò ban dẫn siêu tinh khiết HPGe Đầu do thường được sứ dụng hiện nay là đầu dd bán dẫn siêu tinh khiết HPGe có độ nhạy vả độ phân giải rat cao. Do lượng tử gamma không mang điện và không gây ion hóa hoặc kích thích vào vật liệu làm đầu dò. Cho nên khi ghi nhận phô gamma thì đầu đò được chia làm hai phân: © Thứ nhất, nó hoạt động như một bộ chuyên đổi trung bình mà tại đó các lượng tử gamma có xác suất tương tác trung bình sinh ra một hay nhiều electron nhanh.

¢ Tht hai, nó hoạt động như thiết bị ghi nhận chuyển đôi electron nhanh thành những tín hiệu điện. Mọi tương tác xảy ra trong đầu đò có tạo ra xung điện đều có biên độ tỉ lệ thuận với năng lượng của tương tác đó. Cách thông thưởng dé thé hiện thông tin cia xung là phân bố độ cao xung vi phân. Sử dụng hệ trục tọa độ Descartes bao gồm; ¢ Truc hoành là vi phân biên độ dH.

Trục hoành có đơn vị là biên độ xung ¢ Truc tung được biểu thị bởi vi phân của số dém xung dN quan sát được với biên độ trong khoảng vi phan dH tương ứng, ký hiệu dN/dH. Trục tung có đơn vi la nghịch dao của biên độ xung. Số xung mà biên độ nằm trong khoảng hai gia trị đặc biệt H; và Hạ có thê nhận được bằng cách lay tích phân của diện tích đưới phân bố được giới hạn giữa chúng. 4) aN Nu,aan,= | an 4H (1.1) H Sự tỉ lệ giữa biên độ xung và năng lượng cho phép biến đôi trục hoanh từ đơn vị của biên độ thành đơn vị của năng lượng (thường dùng là keV hoặc MeV), đơn vị của trục tung thành đơn vị của nghịch đảo năng lượng.

Phương trình (1.1) lúc này được viết lại như sau: N¿ .2) the hiện số photon tương tác có nang lượng giữa E; và E;. Phân bố độ cao xung lúc nay được gọi là phê gamma. Sự thẻ hiện thuộc tính vật lý của phân bố độ cao xung vi phân hoặc phố gamma luôn bao ham diện tích dưới phô giữa hai giới hạn của độ cao xung hoặc năng lượng tương đương.1 Phé gamma thực nghiệm của nguồn “Ba 3 tì/0 ị 3%(t E os 10EC6 3 2+ | roar aa | =_ —. oe Oa \ a ec al | | or » 1 2 Nang lượng ke ¥) Hình 1.1: Phé gamma thực nghiệm của nguồn 'ÈŠBa 1.

Hiệu suất ghi 1. Khái niệm hiệu suất Khi photon tới đầu đò. tương tác với vật liệu đầu đò xảy ra theo một trong các hiệu ứng sau: hiệu ứng quang điện, tan xạ Compton, tan xa Thomson, hiệu ứng tạo cặp. Trong đó hiệu ứng quang điện sẽ chuyển toàn bộ năng lượng toàn phần của photon cho đầu đò còn các hiệu ứng khác chỉ chuyển một phan năng lượng của photon cho đầu đò.

Trong thực tế điều cần xác định là các đặc trưng của tia gamma cũng như các đặc trưng của nguồn quan tâm. Các đặc trưng này có thé là năng lượng tia gamma hay hoạt độ của nguồn, trong khi đó cái mà ta thu được chỉ là các số đếm ghi nhận được từ đầu dò. Dé có thể suy ngược từ các số dém này ra hoạt độ nguồn can phải biết hiệu suất của đầu dò. Các loại hiệu suất $ Hiệu suất tuyệt đối (z„) được định nghĩa là tỉ số giữa số các xung ghi nhận được và số các lượng tử gamma phát ra bởi nguồn.

Hiệu suất này phụ thuộc không chỉ vào tính chất của đầu đò ma còn phụ thuộc vào bồ trí hình học (chủ yếu là khoảng cách giữa nguồn và đầu đò). s* Hiệu suất nội (e,„.) được định nghĩa là ti số giừa số các xung ghi nhận được và số các lượng tử bức xạ đến đầu dò. Đối với nguồn đăng hướng, hai hiệu suất nay liên hệ với nhau một cách đơn giản như sau: E„=£,„X(4z/Q) (1.3) Đề thuận tiện trong việc trình bay hiệu suất của dau do, rất nhiều nha sản xuất đầu dò đã mô tả tỉ số hiệu suất đỉnh tương đối (z, ) tính theo phan trăm. Ta tính z, bằng hiệu suất đỉnh tương đối so với hiệu suất đỉnh của tinh thé nhấp nháy Nal(TI) hình trụ chuẩn có kích thước 7,62 cmx7,62 em, khoảng cách giữa nguồn với đầu đỏ được cho là 25cm trong ca hai trường hợp dé chuẩn hoá.

Dinh năng lượng thông thường được sứ dụng dé xác định hiệu suất tương đối 1a đỉnh năng lượng toàn phan 1332,5keV từ nguồn ““Co với hiệu suất đỉnh tuyệt đỗi của tinh the nhấp nháy Nal(TI) có giá trị 12x10”. Một quy luật xắp xi (không chính thức) cho đầu đỏ Germanium đồng trục là tí lệ hiệu suất dưới dang phan trăm được tinh bằng cách lấy thẻ tích đầu đỏ (cm) chia cho hệ số 4. Hiệu suất đỉnh năng lượng toàn phằn(FEPE) Hiệu suất đỉnh năng lượng toàn phan (z?) được định nghĩa là xác suất của một photon phát ra từ nguồn mat mát toản bộ năng lượng của nó trong thé tích hoạt động của đầu do. Trong phân bố độ cao xung vi phân, các hiện tượng mat năng lượng toàn phần này được thẻ hiện bởi một đính xuất hiện ở vị trí cuỗi của phô.

Các hiện tượng ma chi mat một phan năng lượng của bức xạ tới sẽ xuất hiện xa hơn về phía trái của phô. Số các hiện tượng mat năng lượng toản phan có thể được thu bởi một tích phân đơn giản diện tích toản phần dưới đỉnh. Phương pháp thực nghiệm thông thường được sử đụng là dùng một số nguồn phát gamma đơn năng dé tính toán hiệu suất đỉnh năng lượng toàn phan theo năng lượng. Tuy nhiên, năng lượng của gamma còn phụ thuộc vào khoảng cách cho nên ứng với mỗi khoảng cách nhất định có một đường cong hiệu suất.

Điều nảy là rất mat thời gian va tốn kém trong quá trình đo đạc thực nghiệm. 2000 -8a35 PO NOS = setae _¬ © g=1500 s2segaas © x @ ;2S2 SILo = Đ Se%xxz`©® ® =_.RFESSöäg® = 51000 —~Ror ter = = ~7TelgSCV@nr-=Ae =<c=sE3%gØ2cS£be c #3 #ưøav eo @© so 2# C=zøÑpje + oo + e N= © BgSdse°* @ a ee? eee? II Đồng vị Hình 1.2: Nguồn phóng xạ thường dùng trong việc xây dựng đường cong hiệu suất thực nghiệm Trong thực nghiệm hiệu suất đỉnh năng lượng toàn phần được xác định bởi: NP(E) 2 e"(E)= AL, (6l C MA) Với z?,N?, A, I, t lần lượt là hiệu suất đình năng lượng toàn phan, diện tích đỉnh năng lượng toàn phan, hoạt độ tai thời điểm do (Bq). xác suất phát gamma, thời gian đo (s). C,là hệ số hiệu chỉnh như tự hap thu, sự rã trong thời gian đo.

Ngày nay với sự hỗ trợ của máy tinh, các đường cong hiệu suất tại các khoảng cách khác nhau có thẻ được tính toán bằng các phương pháp bán thực nghiệm hoặc phương pháp mô phỏng. Trong phương pháp bán thực nghiệm chỉ cần tiễn hành thực nghiệm tại một khoảng cách với các nguôn phat gamma quan tâm. Tại vị trí đó ảnh hưởng trùng phủng tông được bỏ qua. Sau đó áp dụng nguyên lý của Moens để hiệu chinh hình học đo của nguồn và đầu dò, từ đó xây dựng đường cong hiệu suất tại vị trí cần xác định.

Nguyên lý của Moens được trình bày như sau: trên cơ sở hiệu suất đỉnh năng lượng toàn phan tại một vị trí chuẩn P, được tính bởi &(E.P,) =<, (E)Q(E,P, ) trong đó «,,,(E) là hiệu suất nội của đầu dò phụ thuộc vào năng lượng. O(E,P,} là góc khối giữa nguồn và dau dò. Doi với một nguồn điểm P, hiệu suất có thê được khai triển như một ham của hiệu suất chuan tại củng năng lượng tương đương E: ee * (1.P): được gọi la hệ số chuyển đổi. Từ công thức (1.6) ở trên giá trị hiệu suất đình năng lượng toàn phan theo phương pháp bán thực nghiệm tại khoảng cách can xác định sẽ bằng: e" (E,P)=e"(E,P,)xT(E,P) (1.7) Phương pháp mô phỏng hiệu suất đình năng lượng toàn phần mô phóng được định nghĩa là: số gamma tại định năng lượng toàn phan chia cho số gamma phát ra từ nguồn 1.8) (18 e" = = Hiệu suất của một tia gamma có năng lượng xác định có thẻ được nội suy hoặc ngoại suy từ các hiệu suất của các tỉa gamma chuẩn đã được tính trước đó.

Hiệu suất của việc đo nguồn có kích thước có thể được tính bảng cách đo hiệu suất của các nguồn điểm chuẩn tại các vị trí khác nhau mô phỏng theo hình học của nguồn thể tích. Nếu không biết vật liệu phóng xạ nằm ở đâu trong lớp vỏ bọc hãy lặp lại việc đo sau khi lật nguồn lại và tính hiệu suất trung bình. Hiệu suất tổng và tí số P/T 1. Hiệu suất tổng Hiệu suất tông (z') được định nghĩa như là xác suất của một photon phát ra từ nguồn mat bat kì năng lượng khác không của nó trong thẻ tích hoạt động của đầu dò.

Trong phân bố độ cao xung vi phân, diện tích tong dưới phỏ của tat cả các xung không quan tâm đến biên độ được ghi nhận đẻ xác định hiệu suất tông. Trong thực tế, rất nhiêu hệ thông đo đạc luôn luôn đặt ra một yêu cẩu răng độ cao xung phải lớn hơn một mức ngưỡng xác định nào đó được thiết lập dé phân biệt chống lại các xung rất nhỏ từ nhiễu điện tử. chỉ có thé tiễn tiệm cận đến hiệu suất tong lý thuyết bằng cách lảm thấp ngưỡng nảy hết mức có thê. Trong thực tế, dé xác định hiệu suất tong cần thực hiện các bước sau: - Trừ phông.

- Ngoại suy phổ đến năng lượng zero ký hiệu ETZ (ETZ được ngoại suy thô bằng cách lay trung bình 4 kênh từ trái sang phải của ETZ). - Lấy tông số đếm toàn phan theo công thức: tt Nĩ= 3 C,+AvgC,„.9) \aeFrZ Ở đây R là số kênh tương ứng với biên phải của đỉnh năng lượng toàn phan, C, là số đếm tại kênh thứ i, AvgCerz là số đếm trung bình tại kênh ETZ. Hiệu suất tong được tính theo công thức sau: -Ö-N Œ) AL(E) en) Với e', NT, A, 1, t lần lượt là hiệu suất tông tương ứng với năng lượng E, điện tích tong, hoạt độ tại thời điểm đo (Bq), xác suất phát gamma, thời gian đo (s) tương ứng của năng lượng quan tâm. Trong tính toán hệ số trùng phing thì hiệu suất tong là một nhân tô rất quan trọng.

Tuy nhiên, các nguồn phát gamma đơn năng không có sẵn vì thế các giá trị nảy sẽ được mô phòng toàn bộ năng lượng gamma quan tâm. Tỉ số P/T Hiệu suất đỉnh năng lượng toàn phan và hiệu suất tông có mỗi quan hệ với nhau bởi tỉ số đỉnh trên tông P/T, bên cạnh đó một số tác giả dùng ti số tông trên đỉnh (T/P).