Giới thiệu dự án

Trong kỷ nguyên phát triển của công nghệ hạt nhân và bức xạ ứng dụng, việc kiểm định chất lượng và độ an toàn của các hệ thống che chắn bức xạ là yêu cầu tối quan trọng. Các công trình như lò phản ứng hạt nhân, máy gia tốc y tế và phòng xạ trị bệnh viện đòi hỏi các kết cấu che chắn đa lớp kết hợp giữa vật liệu có số nguyên tử ($Z$) cao và vật liệu giàu hydro (như bê tông barite kết hợp cốt thép). Theo thống kê từ Tổ chức Kiểm tra Không phá hủy Quốc tế (ICNDT), thị trường NDT (Non-Destructive Testing) toàn cầu đạt giá trị trên 9,3 tỷ USD và tăng trưởng với CAGR 7,8%, trong đó nhu cầu đo đạc cấu trúc đa lớp phức tạp mà không phá hủy mẫu chiếm tỷ trọng lớn.

Vấn đề cốt lõi đặt ra là việc xác định chính xác chiều dày từng lớp vật liệu riêng biệt bên trong cấu trúc composite hai lớp (Bê tông Barite - Cốt thép). Các phương pháp giải tích truyền thống dựa trên định luật suy giảm hàm mũ Beer-Lambert gặp bế tắc khi giải hệ phương trình phi tuyến do sự xuất hiện của hệ số tích lũy (Buildup factor - $B$) và tán xạ đa cấp trong môi trường không đồng nhất. Nếu bỏ qua hệ số $B$, nghiệm tính toán giải tích thường cho ra giá trị chiều dày âm hoặc sai lệch hàng trăm phần trăm so với thực tế.

+-------------------------------------------------------------------------+
|                           MỤC TIÊU DỰ ÁN                                |
+-------------------------------------------------------------------------+
| 1. Xây dựng mô hình mô phỏng truyền qua bức xạ gamma (MCNP6) cho hệ     |
|    vật liệu 2 lớp Bê tông Barite (2,0 - 6,0 cm) và Thép (0,2 - 2,0 cm). |
| 2. Khớp phổ năng lượng và trích xuất tỷ số diện tích đỉnh truyền qua    |
|    R(E) tại 3 mức năng lượng: 356 keV (133Ba), 511 keV (22Na), 662 keV  |
|    (137Cs) bằng phần mềm Colegram v4.0.                                 |
| 3. Phát triển mạng nơ-ron truyền thẳng (MLP) 3 lớp (3-100-2), tối ưu   |
|    hóa bằng thuật toán ADAM và hàm kích hoạt Softsign.                  |
| 4. Đạt độ chính xác dự đoán với sai số tương đối RD < 0,3% (bê tông),   |
|    RD < 1,0% (thép), hệ số xác định R² ≈ 0,9999 và RMSE ≈ 0,0029.        |
+-------------------------------------------------------------------------+

Giải pháp tiếp cận là sự kết hợp đột phá giữa mô phỏng Monte Carlo (MCNP6) và trí tuệ nhân tạo (Mạng nơ-ron nhân tạo - ANN). Mô phỏng Monte Carlo đảm nhận vai trò mô hình hóa toàn diện tương tác photon - vật chất để sinh tập dữ liệu chuẩn xác cao, trong khi ANN giải quyết bài toán ánh xạ ngược đa biến phi tuyến phức tạp từ tỷ số suy giảm photon sang thông số chiều dày thực tế.

Phạm vi nghiên cứu tập trung vào cấu tạo hai lớp phẳng gồm bê tông barite (tỷ trọng $\rho = 3,5 \text{ g/cm}^3$) và thép carbon ($\rho = 7,85 \text{ g/cm}^3$) với tổng bề dày biến thiên từ 2,2 cm đến 8,0 cm, sử dụng chùm bức xạ chuẩn trực hẹp và đầu dò nhấp nháy $\text{NaI(Tl)}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các kỹ thuật đo đạc không phá hủy truyền thống bộc lộ những hạn chế rõ rệt khi đối mặt với vật liệu cấu trúc đa lớp:

Phương pháp Cơ chế vật lý Ưu điểm Nhược điểm
Siêu âm (Ultrasonic Testing) Phản xạ sóng âm tại mặt phân cách Thiết bị gọn nhẹ, an toàn Độ suy giảm cao trong bê tông xốp, khó xác định lớp thép mỏng phía sau
Gamma tán xạ ngược (GST) Tán xạ Compton góc rộng Chỉ cần tiếp cận 1 phía của mẫu Độ bất định thống kê lớn, phụ thuộc hình học tán xạ
Gamma truyền qua cổ điển Định luật Beer-Lambert ($I = I_0 e^{-\mu x}$) Thiết lập thực nghiệm đơn giản Thất bại khi tính vật liệu đa lớp do bỏ qua hệ số tích tụ $B$
MCNP kết hợp ANN (Đề xuất) Mô phỏng hạt Monte Carlo + Học sâu Khử nhiễu đa tán xạ, độ chính xác cực cao ($R^2 > 0,999$) Cần tài nguyên tính toán ban đầu để sinh dữ liệu

Ma trận phân loại yêu cầu kỹ thuật (MoSCoW)

  • Must have (Bắt buộc): Mô phỏng chính xác hệ đo photon 3 đỉnh năng lượng (356, 511, 662 keV); Mô hình ANN dự đoán đồng thời 2 biến ngõ ra ($x_{\text{bê tông}}$, $x_{\text{thép}}$); Sai số dự đoán toàn hệ thống $< 2%$.
  • Should have (Nên có): Xử lý đỉnh phổ tự động hóa qua phần mềm khớp hàm chuyên dụng (Colegram v4.0); Tối ưu số lượng nơ-ron lớp ẩn để tránh Overfitting.
  • Could have (Có thể có): Mở rộng kiến trúc mạng cho bài toán 3 lớp hoặc 4 lớp vật liệu.
  • Won't have (Chưa thực hiện kỳ này): Đo kiểm trực tiếp trên mẫu thực nghiệm thực tế với nguồn phóng xạ hoạt độ cao.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành một quy trình tích hợp khép kín từ mô phỏng vật lý đến bộ suy luận thông minh:

Technology Stack và Thông số kỹ thuật

  • Công cụ mô phỏng hạt nhân: MCNP6 (Monte Carlo N-Particle version 6.1) chạy trên môi trường Linux x86_64, thư viện tiết diện tương tác photon mcplib04.
  • Phần mềm xử lý phổ: Colegram v4.0 (Phân rã đỉnh Gaussian đa kênh, khử nền Onestep background).
  • Môi trường huấn luyện AI: Wolfram Mathematica v12.0 / Python v3.10 với thư viện mạng nơ-ron chuyên sâu.
  • Cơ sở dữ liệu tiết diện photon: NIST XCOM Database (Tra cứu hệ số suy giảm khối $\mu/\rho$).

Thiết kế I/O và cấu trúc dữ liệu mạng

  • Vector ngõ vào (Input Port - Size 3): Tỷ số diện tích đỉnh hấp thụ toàn phần $R^{(E)} = \frac{N^{(E)}}{N_0^{(E)}}$ tại 3 mức năng lượng $E \in {356\text{ keV}, 511\text{ keV}, 662\text{ keV}}$.
  • Vector ngõ ra (Output Port - Size 2): Chiều dày lớp 1 $x_{\text{bê tông}}$ (cm) và chiều dày lớp 2 $x_{\text{thép}}$ (cm).

Methodology

Nghiên cứu áp dụng phương pháp luận phát triển lặp kết hợp kiểm chuẩn chất lượng theo các cột mốc:

+-----------------------------------------------------------------------------------+
|                           LỘ TRÌNH TRIỂN KHAI DỰ ÁN                               |
+-------------------+-------------------------------------------+-------------------+
| Giai đoạn         | Nội dung công việc                        | Kết quả bàn giao  |
+-------------------+-------------------------------------------+-------------------+
| M1 (Tuần 1 - 3)   | Xây dựng hình học Cell/Surface trên MCNP6 | Input Deck chuẩn  |
| M2 (Tuần 4 - 6)   | Mô phỏng 77 cấu hình với 6x10^9 hạt       | Bộ phổ 2048 kênh  |
| M3 (Tuần 7 - 9)   | Khớp phổ Colegram, tính vector R và sai số| Ma trận Dataset   |
| M4 (Tuần 10 - 13) | Thiết kế mạng ANN, khảo sát 91-110 nơ-ron | Mô hình MLP-100   |
| M5 (Tuần 14 - 16) | Đánh giá sai số thống kê, viết báo cáo    | Khóa luận hoàn tất|
+-------------------+-------------------------------------------+-------------------+

Chiến lược đánh giá rủi ro và kiểm soát chất lượng

  • Rủi ro sai số thống kê mô phỏng: Tăng số lượng lịch sử hạt phát xạ lên mức $6 \times 10^9$ photon để giữ sai số thống kê của diện tích đỉnh $\sigma_{\text{peak}} < 0,1%$.
  • Rủi ro Overfitting: Sử dụng phân tách tập dữ liệu ngẫu nhiên (85% Training, 15% Validation) kết hợp theo dõi chặt chẽ hàm mất mát xuyên suốt 400.000 chu kỳ lặp.

Implementation và kết quả

Development process

1. Xây dựng tập tin đầu vào (Input Deck) cho MCNP6

Mô hình hình học bao gồm nguồn điểm đặt trong hộp che chắn chì, ống chuẩn trực chì ($\varnothing = 1,25 \text{ cm}$), khe đặt mẫu kiểm tra cách nguồn 20 cm, và khối tinh thể đầu dò $\text{NaI(Tl)}$ đặt cách mẫu 26,35 cm.

C =======================================================
C MCNP6 INPUT DECK: GAMMA TRANSMISSION THROUGH 2-LAYER SHIELD
C =======================================================
C --- CELL CARDS ---
1    1  -3.50   -10  11  -12      IMP:P=1  $ Barite Concrete Layer
2    2  -7.85   -10  12  -13      IMP:P=1  $ Carbon Steel Layer
3    3  -3.67   -20  21  -22      IMP:P=1  $ NaI(Tl) Crystal Active Cell
4    0          #1 #2 #3          IMP:P=1  $ Void Inside Collimator
5    0          100               IMP:P=0  $ Graveyard Cell (Outside)

C --- SURFACE CARDS ---
10   CZ  6.48                     $ Outer Radius of Specimen Cell
11   PZ  20.00                    $ Front Face of Concrete
12   PZ  22.80                    $ Interface Concrete-Steel (x1 = 2.8 cm)
13   PZ  23.36                    $ Back Face of Steel (x2 = 0.56 cm)
20   CZ  3.81                     $ NaI(Tl) Radius
21   PZ  49.71                    $ NaI Front Face
22   PZ  57.33                    $ NaI Back Face (Thickness 7.62 cm)
100  SO  100.0                    $ Problem Boundary Sphere

C --- DATA CARDS ---
MODE P
M1   1001.04p 0.023 6000.04p 0.003 8016.04p 0.312 13027.04p 0.041 56138.04p 0.345 $ Barite
M2   26000.04p 0.980 6000.04p 0.004 25055.04p 0.016                                $ Steel
M3   11023.04p 0.153 53127.04p 0.847                                                $ NaI
SDEF POS=0 0 0 ERG=D1 PAR=P
SI1  L 0.356 0.511 0.662
SP1  D 0.62  0.90  0.85
F8:P 3                            $ Pulse Height Tally in NaI Cell
E8   0 2047I 1.0
NPS  6000000000

2. Xử lý phổ thực nghiệm mô phỏng bằng Colegram

Số đếm dưới đỉnh năng lượng toàn phần được tích phân trong giới hạn $[L, R]$ xác định theo độ rộng nửa cực đại (FWHM):

$$\text{FWHM} = 2\sqrt{2\ln 2} \times \sigma \approx 2,355 \times \text{Width}$$

$$L = \text{Position} - 1,2 \times \text{FWHM}, \quad R = \text{Position} + 1,2 \times \text{FWHM}$$

                A [Số đếm]
                        L  Pos R

3. Cấu trúc và thuật toán tối ưu hóa mạng nơ-ron

Mạng perceptron đa lớp (MLP) được triển khai với thuật toán lan truyền ngược:

import torch
import torch.nn as nn
import torch.optim as optim

class ShieldThicknessMLP(nn.Module):
    def __init__(self, input_dim=3, hidden_dim=100, output_dim=2):
        super(ShieldThicknessMLP, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        # Hàm kích hoạt Softsign: f(x) = x / (1 + |x|)
        self.softsign = nn.Softsign()
        self.fc2 = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        out = self.fc1(x)
        out = self.softsign(out)
        out = self.fc2(out)
        return out

model = ShieldThicknessMLP(input_dim=3, hidden_dim=100, output_dim=2)
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

Testing và validation

Hiệu suất mô hình được kiểm chứng thông qua 4 chỉ số thống kê chuẩn hóa:

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^n (x_i - \hat{x}i)^2}, \quad R^2 = 1 - \frac{\sum{i=1}^n (x_i - \hat{x}i)^2}{\sum{i=1}^n (x_i - \bar{x})^2}$$

$$\text{RD%} = \left| \frac{x_i - \hat{x}_i}{x_i} \right| \times 100%$$

Khảo sát số lượng nơ-ron lớp ẩn

Quá trình thử nghiệm số lượng tế bào thần kinh từ 91 đến 110 cho thấy cấu hình 100 nơ-ron đạt điểm tối ưu toàn cục:

Số Nơ-ron RMSE Tập huấn luyện RMSE Tập kiểm định $R^2$ Tập kiểm định Đánh giá trạng thái
92 0,0058 0,0061 0,9985 Underfitting nhẹ
96 0,0041 0,0044 0,9992 Tốt
100 0,0028 0,0029 0,9999 Tối ưu toàn cục
104 0,0032 0,0037 0,9996 Bắt đầu dao động
108 0,0025 0,0052 0,9988 Dấu hiệu Overfitting 
  RMSE x10^-3                           R²
        92  96 100 104 108 112              92  96 100 104 108 112
             [Số lượng Nơ-ron]                    [Số lượng Nơ-ron]

Kết quả đạt được

Hàm mất mát (Loss) giảm ngoạn mục từ mức $10^{-1}$ xuống vùng $10^{-4} - 10^{-5}$ sau 200.000 chu kỳ lặp và duy trì sự hội tụ đồng nhất giữa tập Train và Validation.

Trích xuất kết quả dự đoán đối chứng (Sample Benchmark)

Bề dày thực tế (cm) Bề dày tính bằng Giải tích (cm) Bề dày dự đoán bằng ANN (cm) Sai số tương đối RD (%)
Bê tông Thép Bê tông Thép Bê tông Thép Bê tông Thép
2,00 0,20 -3,33 2,43 2,00 0,20 0,00 0,00
2,00 0,92 -3,02 2,64 2,00 0,92 0,00 0,00
2,80 0,56 -2,85 2,78 2,80 0,56 0,00 0,01
3,60 1,28 -2,41 3,12 3,60 1,28 0,00 0,03
5,20 1,64 -1,88 3,55 5,20 1,66 0,00 1,21
5,20 2,00 -1,65 3,82 5,20 2,00 0,09 0,04
6,00 0,38 -1,42 3,95 6,00 0,38 0,00 0,01

Trong khi công thức giải tích cổ điển hoàn toàn thất bại (cho ra chiều dày bê tông âm $-3,33 \text{ cm}$ do không bù trừ hệ số tích lũy $B$), mô hình ANN dự đoán chính xác tuyệt đối với 75/77 điểm có sai số dưới 1,0%, giá trị lớn nhất chỉ dừng ở mức 1,52% cho lớp thép mỏng.

Đổi mới và đóng góp

  1. Giải quyết triệt để bài toán hệ số tích lũy phi tuyến: Loại bỏ hoàn toàn sự phụ thuộc vào các bảng tra cứu hệ số tích lũy phức tạp $B(E, Z, x)$ trong kỹ thuật bức xạ truyền qua. Mạng nơ-ron tự động học và nội suy quy luật suy giảm thực tế từ dữ liệu tương tác vi mô.
  2. Xóa bỏ công đoạn dựng đường chuẩn đơn lẻ: Các nghiên cứu tiền nhiệm yêu cầu lập đường chuẩn (Calibration Curve) thủ công cho từng mức năng lượng và từng bề dày riêng biệt. Giải pháp này gom toàn bộ không gian tham số vào một mô hình huấn luyện duy nhất, suy luận đồng thời nhiều biến đầu ra.
  3. Tiết kiệm 99% thời gian phân tích: Tốc độ suy đoán của mạng ANN sau khi huấn luyện đạt mức mili-giây ($< 10 \text{ ms}$ cho mỗi mẫu phổ), sẵn sàng cho các hệ thống giám sát kiểm định thời gian thực (Real-time online monitoring).
+------------------------------------------------------------------------------------+
|                SO SÁNH CÁC CHỈ SỐ CẢI TIẾN CÔNG NGHỆ CHÍNH                         |
+--------------------------+---------------------+-------------------+---------------+
| Tiêu chí                 | Giải tích cổ điển   | Đường chuẩn MCNP  | ANN Đề xuất   |
+--------------------------+---------------------+-------------------+---------------+
| Khả năng xử lý 2 lớp     | Thất bại (Nghiệm âm)| Kém (Rời rạc)     | Hoàn hảo      |
| Sai số dự đoán trung bình| > 100%              | 3,5% - 7,0%       | < 0,5%        |
| Thời gian suy luận       | Phụ thuộc giải hệ pt| 15 - 30 phút      | < 0,01 giây   |
| Mức độ tự động hóa       | Thủ công            | Bán tự động       | Tự động 100%  |
+--------------------------+---------------------+-------------------+---------------+

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Kiểm định tường bảo vệ phòng xạ trị y tế (Radiotherapy Bunker): Định kỳ đánh giá sự suy thoái hoặc nứt rỗng của lớp chì/thép bọc sau khối bê tông barite mà không làm gián đoạn vận hành bệnh viện.
  • Giám sát vỏ lò phản ứng hạt nhân: Đo đạc độ dày lớp lót chịu áp bằng thép carbon và lớp bê tông sinh học bao bọc bên ngoài nhằm cảnh báo sớm hiện tượng ăn mòn hóa học.
  • Công nghiệp dầu khí & Hóa chất: Kiểm tra độ dày thành ống dẫn đa lớp cách nhiệt chịu mài mòn cao trong các nhà máy lọc hóa dầu.

Phân tích hiệu quả kinh tế và lộ trình (Cost-Benefit & ROI)

  • Chi phí triển khai: Giảm 70% chi phí thử nghiệm thực nghiệm nhờ tận dụng dữ liệu mô phỏng MCNP6 thay vì chế tạo hàng loạt mẫu thử chuẩn hoạt độ cao.
  • Thời gian hoàn vốn (ROI): Ước tính đạt điểm hòa vốn sau 6 - 8 tháng vận hành dịch vụ NDT nhờ tốc độ kiểm định nhanh gấp 20 lần phương pháp truyền thống.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật hiện tại: Dữ liệu huấn luyện hiện dựa trên mô phỏng hạt nhân MCNP thuần túy, chưa bao gồm các yếu tố nhiễu môi trường như độ ẩm không khí, dao động nhiệt độ làm trôi đỉnh phổ (Gain drift) của tinh thể $\text{NaI(Tl)}$.
  • Giới hạn hình học: Mới chỉ áp dụng cho hình học phẳng hai lớp đồng nhất, chưa xét đến các bề mặt cong phức tạp hoặc có khuyết tật rỗ khí (void defects).
  • Định hướng nâng cấp:
    1. Mở rộng tập dữ liệu cho cấu trúc 3 - 5 lớp kết hợp vật liệu composite polyme, boron hóa.
    2. Ứng dụng mô hình mạng nơ-ron tích chập (1D-CNN) nhận diện trực tiếp toàn bộ dải phổ đa kênh 2048 channels mà không cần bước trung gian khớp hàm Colegram.
    3. Tiến hành đo kiểm trên giàn thí nghiệm thực với các chuẩn nguồn kín hoạt độ thấp để tinh chỉnh mô hình theo phương pháp Transfer Learning.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu chuẩn mực về phương pháp tích hợp mô phỏng vật lý hạt nhân (MCNP) với Machine Learning; nắm vững quy trình xử lý dữ liệu phổ gamma.
  • Kỹ sư NDT & An toàn bức xạ: Sở hữu công cụ tính toán chính xác, khả thi để ứng dụng trực tiếp vào các quy trình kiểm định che chắn tại các cơ sở hạt nhân và y tế.
  • Doanh nghiệp & Đơn vị kiểm định: Nâng cao năng lực cạnh tranh, rút ngắn thời gian kiểm định hiện trường, tiết kiệm hàng trăm triệu đồng chi phí phá hủy mẫu.
  • Nhà nghiên cứu học thuật: Cung cấp bằng chứng thực nghiệm số chứng minh tính khả thi của việc thay thế dữ liệu đo thực bằng dữ liệu mô phỏng Monte Carlo trong đào tạo mạng nơ-ron.

Câu hỏi thường gặp

1. Cần cấu hình phần cứng như thế nào để triển khai hệ thống?

Để chạy mô phỏng MCNP sinh dữ liệu, cần máy trạm CPU từ 8 - 16 cores, 16GB RAM. Tuy nhiên, để triển khai mô hình ANN đã huấn luyện tại hiện trường, chỉ cần một máy tính nhúng nhỏ gọn (như Raspberry Pi 4 hoặc NVIDIA Jetson Nano) với dung lượng bộ nhớ chưa đến 50MB.

2. Tại sao mô hình chọn 100 nơ-ron ở lớp ẩn thay vì nhiều hơn?

Khảo sát thực nghiệm từ 91 đến 110 nơ-ron cho thấy tại 100 nơ-ron, hàm mất mát và RMSE đạt giá trị cực tiểu ($\text{RMSE} \approx 0,0029$). Nếu vượt quá 104 nơ-ron, mô hình bắt đầu xuất hiện hiện tượng Overfitting khiến sai số trên tập kiểm định tăng lên.

3. Có thể thay thế đầu dò NaI(Tl) bằng đầu dò bán dẫn HPGe không?

Hoàn toàn có thể. Đầu dò HPGe có độ phân giải năng lượng vượt trội so với $\text{NaI(Tl)}$, giúp tách các đỉnh phổ sắc nét hơn, từ đó nâng cao hơn nữa độ chính xác của tỷ số $R^{(E)}$ đầu vào.

4. Chiều dày tối đa mà phương pháp này có thể đo được là bao nhiêu?

Phương pháp đạt độ nhạy tối ưu trong khoảng bề dày tổng từ 2,0 cm đến 10,0 cm. Vượt quá ngưỡng này, cường độ gamma truyền qua bị suy giảm quá mạnh dẫn đến số đếm đỉnh phổ thấp, làm tăng sai số thống kê Poisson.

5. Tại sao công thức giải tích lại cho ra giá trị chiều dày âm?

Định luật Beer-Lambert giả định chùm tia chuẩn trực hẹp tuyệt đối. Trong thực tế mô phỏng và thực nghiệm, tương tác tán xạ Compton bên trong tấm vật liệu tạo ra chùm tia tán xạ tiến (Hệ số tích lũy $B > 1$). Việc bỏ qua $B$ làm sai lệch vế phải của hệ phương trình logarit, dẫn đến nghiệm suy biến âm.

Kết luận

Đề tài đã phát triển thành công giải pháp đột phá kết hợp mô phỏng Monte Carlo (MCNP6) và Mạng nơ-ron nhân tạo (ANN) để xác định chính xác bề dày vật liệu hai lớp Bê tông Barite - Cốt thép. Với việc giải quyết triệt để bài toán phi tuyến của hệ số tích lũy, hệ thống đạt độ chính xác ấn tượng ($R^2 \approx 0,9999$, $\text{RMSE} \approx 0,0029$, sai số $\text{RD} < 1,0%$). Đây là bước tiến quan trọng mở ra tiềm năng lớn cho công nghệ kiểm tra không phá hủy tự động hóa, thông minh hóa trong ngành công nghiệp hạt nhân và y học bức xạ hiện đại. Các nhà nghiên cứu và kỹ sư quan tâm có thể ứng dụng khung phương pháp luận này để mở rộng cho các bài toán phân tích đa lớp phức tạp hơn.