Luận án mô hình AI dự báo ô nhiễm không khí mỏ đồng Sin Quyền Lào Cai - ĐH Mỏ - Địa chất

Luận án nghiên cứu mô hình trí tuệ nhân tạo dự báo ô nhiễm không khí theo thời gian thực trong khai thác mỏ đồng Sin Quyền Lào Cai, hỗ trợ kiểm soát bụi mỏ.

• Tác giả: Lê Tuấn Ngọc
• Người hướng dẫn: GVC. Nguyễn Hoàng
• Trường học: Trường Đại học Mỏ - Địa chất
• Chuyên ngành: Khai thác mỏ
• Đề tài: Nghiên cứu phát triển mô hình trí tuệ nhân tạo dự báo ô nhiễm không khí theo thời gian thực trong quá trình khai thác mỏ đồng Sin Quyền, Lào Cai
• Loại tài liệu: Luận án tiến sĩ kỹ thuật
• Năm xuất bản: 2026
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về mô hình AI dự báo ô nhiễm không khí mỏ Sin Quyền

Khai thác mỏ lộ thiên quy mô lớn tạo ra lượng bụi khoáng rất lớn. Mỏ đồng Sin Quyền tại tỉnh Lào Cai là trung tâm công nghiệp khoáng sản trọng điểm. Hoạt động bốc xúc, khoan nổ và vận tải đất đá diễn ra liên tục cả ngày lẫn đêm. Các quá trình này phát tán bụi mịn và khí thải vào môi trường xung quanh. Địa hình mỏ có dạng hình phễu với sườn dốc hiểm trở. Chiều sâu khai thác ngày càng hạ thấp tạo ra vùng lòng chảo kín gió. Điều kiện này khiến luồng không khí khó lưu thông tự nhiên. Bụi phát sinh thường đọng lại dưới đáy moong trong thời gian dài. Công tác kiểm soát chất lượng không khí truyền thống gặp nhiều trở ngại lớn. Các phương pháp đo đạc thủ công chỉ cung cấp dữ liệu gián đoạn. Nhà quản lý không thể nắm bắt diễn biến ô nhiễm tức thời. Việc triển khai mô hình trí tuệ nhân tạo giải quyết triệt để hạn chế này. Thuật toán học máy cho phép dự báo nồng độ bụi theo thời gian thực. Hệ thống tự động thu nhận tín hiệu từ các cảm biến môi trường. Sau đó mô hình tính toán sự biến thiên chất lượng không khí trong các khung giờ tiếp theo. Đây là giải pháp chuyển đổi số tất yếu cho ngành khai thác mỏ hiện đại.

1.1. Bối cảnh khai thác và đặc điểm môi trường mỏ Sin Quyền

Mỏ đồng Sin Quyền nằm tại huyện Bát Xát thuộc tỉnh Lào Cai. Khu vực khai trường có địa hình dốc đứng và điều kiện địa chất phức tạp. Sản lượng khai thác đất đá lớn tạo áp lực nặng nề lên môi trường không khí. Moong mỏ sâu dần tạo thành một vùng lòng chảo kín gió. Vách moong cản trở lưu thông khí quyển tự nhiên. Nồng độ bụi TSP và PM10 gia tăng nhanh vào các khung giờ bốc xúc cao điểm. Đội xe vận tải hạng nặng di chuyển liên tục làm cuốn theo bụi mặt đường. Khí thải từ các đợt khoan nổ mìn cũng tích tụ cục bộ. Do đó doanh nghiệp rất cần công nghệ giám sát hiện đại để ứng phó kịp thời.

1.2. Vai trò của trí tuệ nhân tạo trong dự báo môi trường mỏ

Trí tuệ nhân tạo mang lại bước tiến lớn cho công tác kiểm soát ô nhiễm mỏ. Các thuật toán học máy xử lý dữ liệu phi tuyến tính rất hiệu quả. Mô hình tự động học hỏi mối liên hệ giữa các thông số khí hậu và sản xuất. Ứng dụng AI tại mỏ đồng Sin Quyền giúp nắm bắt nhanh quy luật phát tán bụi. Công nghệ vượt trội hơn hẳn các mô hình thống kê tĩnh truyền thống. Dữ liệu từ các trạm quan trắc được nạp liên tục vào thuật toán xử lý. Hệ thống phân tích xu hướng và tính toán nồng độ bụi trong tương lai gần. Nhờ vậy ban điều hành mỏ có thể chủ động điều chỉnh lịch trình khai thác. Biện pháp phun sương dập bụi được triển khai kịp thời và tiết kiệm.

II. Phân tích ô nhiễm không khí và mô hình AI mỏ đồng Sin Quyền

Khai thác mỏ lộ thiên xuống sâu tại Sin Quyền đối mặt nhiều thách thức môi trường. Sự chênh lệch địa hình giữa mặt mỏ và đáy moong lên tới hàng trăm mét. Điểm mặt mỏ ở cao trình dương trong khi đáy moong hạ sâu dưới mức âm. Cấu trúc lòng chảo kín làm phát sinh hiện tượng nghịch nhiệt tầng thấp nghiêm trọng. Vào ban đêm và sáng sớm, khối không khí lạnh lắng đọng tại đáy moong. Hiện tượng này tạo thành nắp chặn ngăn cản quá trình khuếch tán không khí. Bụi phát sinh từ máy xúc và xe tải tích tụ dày đặc cục bộ. Tình trạng thông gió tự nhiên gần như bị tê liệt hoàn toàn. Các mô hình thống kê tuyến tính truyền thống hoàn toàn bất lực trước diễn biến này. Đo đạc thủ công chỉ cung cấp số liệu trễ và thiếu tính liên tục. Ban điều hành rất khó chủ động đưa ra phương án xử lý kịp thời. Do đó việc áp dụng trí tuệ nhân tạo là giải pháp cấp bách. Thuật toán có khả năng xử lý động học tích lũy và các biến trễ thời gian. Hệ thống phân tích sâu dữ liệu vi khí hậu để dự báo chính xác nồng độ bụi.

2.1. Hiện tượng nghịch nhiệt và phân tầng vi khí hậu moong sâu

Hiện tượng nghịch nhiệt tại mỏ Sin Quyền diễn ra rất phức tạp. Chênh lệch độ cao giữa mặt mỏ và đáy moong tạo ra các tầng vi khí hậu riêng biệt. Khối không khí lạnh đọng dưới đáy moong bị bao bọc bởi các sườn tầng dốc đứng. Lớp khí này cản trở lưu thông và giữ lại toàn bộ hạt bụi phát sinh. Nồng độ bụi lơ lửng tăng vọt gây ô nhiễm nghiêm trọng trong lòng moong sâu. Các mô hình khuếch tán truyền thống như AERMOD thường đánh giá thiếu chính xác hiện tượng này. Tốc độ gió yếu và áp suất cao tại đáy mỏ càng làm trầm trọng thêm tình trạng ô nhiễm. Do đó dữ liệu vi khí hậu đòi hỏi phương thức xử lý phi tuyến tính chuyên sâu.

2.2. Hạn chế của các phương pháp quan trắc và dự báo truyền thống

Công tác quan trắc môi trường mỏ truyền thống bộc lộ nhiều hạn chế cố hữu. Các thiết bị đo tĩnh chỉ thu thập dữ liệu tại vài điểm cố định. Tần suất lấy mẫu định kỳ tạo ra khoảng trống thông tin rất lớn. Phương pháp phân tích mẫu thủ công tốn thời gian và chi phí vận hành. Khi có kết quả kiểm nghiệm thì đợt ô nhiễm nặng đã qua đi. Ngoài ra các mô hình thống kê cổ điển không tính đến biến trễ thời gian. Phương pháp cũ bỏ qua mối liên hệ động học giữa khí áp, nhiệt độ và nồng độ bụi. Hệ thống không thể đưa ra cảnh báo sớm cho công tác điều hành mỏ. Việc thiếu dữ liệu thời gian thực gây khó khăn cho việc bảo vệ sức khỏe thợ mỏ.

III. Giải pháp mô hình AI dự báo ô nhiễm không khí mỏ Sin Quyền

Xây dựng hệ thống dự báo bằng trí tuệ nhân tạo đòi hỏi quy trình kỹ thuật toàn diện. Nghiên cứu tích hợp mạng lưới cảm biến quan trắc IoT tại các cao trình then chốt. Cấu trúc trạm quan trắc bố trí dọc từ đáy moong lên bề mặt mỏ đồng Sin Quyền. Các thiết bị đo tự động thu thập nồng độ bụi TSP, PM10, PM2.5 cùng các khí SO2, NO2. Dữ liệu khí tượng gồm nhiệt độ, độ ẩm, tốc độ gió và khí áp được ghi nhận liên tục. Toàn bộ chuỗi số liệu được truyền dẫn không dây về trung tâm xử lý dữ liệu. Kỹ thuật tiền xử lý dữ liệu loại bỏ nhiễu và lấp đầy các khoảng trống thông tin. Thuật toán học máy chuỗi thời gian được thiết lập cùng các biến trễ động học. Sự kết hợp giữa mô hình Rừng ngẫu nhiên (Random Forest) và chuỗi Markov nâng cao độ chính xác dự báo đáng kể. Hệ số lỗi căn quân phương (RMSE) giảm xuống mức tối thiểu trong các bài thử nghiệm. Mô phỏng động lực học chất lưu (CFD) hỗ trợ kiểm chứng tính chân thực của phân bố luồng bụi. Hệ thống đưa ra kết quả dự báo chất lượng không khí trong từng chu kỳ sản xuất. Đây là bước đột phá công nghệ giúp hiện đại hóa quản lý môi trường mỏ.

3.1. Thiết lập mạng lưới cảm biến IoT và biến trễ thời gian

Hạ tầng thu thập dữ liệu đóng vai trò nền tảng cho mô hình trí tuệ nhân tạo. Các trạm cảm biến IoT chi phí thấp được lắp đặt tại ba vị trí chủ chốt. Vị trí bao gồm mặt mỏ ở cao độ dương, vùng đệm và đáy moong sâu ở cao độ âm. Cảm biến liên tục quan trắc nồng độ bụi và các thông số khí tượng. Do ô nhiễm không khí tại lòng moong có tính chất tích lũy, các biến trễ (lags) được đưa vào mô hình toán học. Biến trễ giúp thuật toán ghi nhận nồng độ bụi của các mốc thời gian trước đó. Dữ liệu về tốc độ gió và áp suất không khí cũng được đồng bộ hóa. Nhờ vậy thuật toán nắm bắt chính xác quy luật cộng dồn bụi do điều kiện thông gió hạn chế.

3.2. Ứng dụng thuật toán học máy lai ghép và mô phỏng CFD

Nghiên cứu ứng dụng các thuật toán học máy tiên tiến để nâng cao độ chính xác. Mô hình kết hợp Rừng ngẫu nhiên và chuỗi Markov (RF-Markov) mang lại hiệu quả vượt trội. Thuật toán lai ghép giúp giảm đáng kể sai số RMSE và tăng hệ số tương quan R². Đồng thời mô phỏng động lực học chất lưu CFD được triển khai để tái hiện trường dòng chảy không khí. CFD phân tích chi tiết quá trình hình thành lớp nghịch nhiệt và tan nghịch nhiệt trong moong mỏ. Sự kết hợp giữa học máy và mô phỏng vật lý giúp kiểm chứng dữ liệu đa chiều. Nhờ vậy thuật toán đưa ra dự báo đáng tin cậy ngay cả khi điều kiện thời tiết thay đổi đột ngột.

IV. Ứng dụng mô hình AI dự báo ô nhiễm không khí mỏ Sin Quyền

Mô hình trí tuệ nhân tạo mang lại giá trị thực tiễn rất to lớn cho mỏ Sin Quyền. Hệ thống cung cấp thông tin cảnh báo ô nhiễm theo thời gian thực rất ổn định. Nhà quản lý có thể theo dõi biến động chất lượng không khí trên giao diện số hóa. Khi nồng độ bụi vượt ngưỡng cảnh báo, hệ thống phát tín hiệu nhắc nhở tự động. Ban điều hành nhanh chóng điều chỉnh kế hoạch nổ mìn sang khung giờ thông gió tốt hơn. Các tuyến đường vận chuyển đất đá có mật độ bụi cao được phun nước dập bụi tức thì. Sự phối hợp linh hoạt này giúp tiết kiệm nguồn nước tưới và nhiên liệu xe bồn. Năng suất lao động tại khai trường được đảm bảo mà không gây nguy hại sức khỏe thợ mỏ. Tác động tiêu cực của bụi khoáng đến khu dân cư lân cận cũng giảm thiểu rõ rệt. Về mặt kinh tế, giải pháp giúp doanh nghiệp tối ưu chi phí xử lý môi trường. Về mặt pháp lý, mỏ đáp ứng đầy đủ các tiêu chuẩn xả thải khắt khe của Nhà nước. Nghiên cứu khẳng định tiềm năng to lớn của chuyển đổi số trong khai thác khoáng sản. Mô hình này hoàn toàn có thể nhân rộng sang các mỏ lộ thiên sâu khác trên toàn quốc.

4.1. Tối ưu hóa điều hành sản xuất và giảm thiểu phát thải

Dữ liệu dự báo thời gian thực giúp ban điều hành mỏ chuyển đổi từ bị động sang chủ động. Các hoạt động nổ mìn quy mô lớn được lên kế hoạch chính xác theo thời điểm thông gió thuận lợi. Nhờ vậy khói bụi sau nổ mìn thoát nhanh ra khỏi khai trường mà không đọng lại đáy moong. Lịch trình di chuyển của xe tải chở quặng được điều tiết nhịp nhàng nhằm tránh ùn ứ bụi trên tuyến đường chính. Đội xe bồn tưới đường hoạt động chính xác vào những khung giờ dự báo bụi đạt đỉnh. Phương thức này vừa dập bụi hiệu quả vừa tiết kiệm lượng nước lớn. Môi trường làm việc an toàn giúp công nhân nâng cao năng suất lao động bền vững.

4.2. Tiềm năng nhân rộng mô hình tại các mỏ lộ thiên sâu

Thành công tại mỏ đồng Sin Quyền khẳng định tính ứng dụng cao của mô hình trí tuệ nhân tạo. Cấu trúc học máy kết hợp cảm biến IoT có tính linh hoạt rất cao. Giải pháp này dễ dàng tùy biến để áp dụng cho nhiều mỏ khoáng sản khác nhau. Các mỏ than lộ thiên tại Quảng Ninh hay mỏ bauxite Tây Nguyên đều có đặc điểm địa hình tương tự. Việc sử dụng thiết bị cảm biến chi phí thấp giúp giảm gánh nặng đầu tư ban đầu cho doanh nghiệp. Thuật toán tự thích nghi với điều kiện khí hậu và địa hình riêng biệt của từng địa phương. Mô hình góp phần hiện thực hóa định hướng phát triển mỏ xanh thông minh của ngành công nghiệp khai khoáng Việt Nam.

Nội dung chính

Tổng quan luận án

Trong chiến lược phát triển kinh tế - xã hội của Việt Nam, công nghiệp khai khoáng giữ vai trò then chốt trong việc cung cấp nguyên nhiên liệu nền tảng cho an ninh năng lượng và phát triển hạ tầng. Đối với phương pháp khai thác lộ thiên, quá trình bóc đất đá phủ, đất đá vách và phá vỡ thân quặng đòi hỏi áp dụng liên tục công tác khoan - nổ mìn cùng hệ thống đồng bộ thiết bị cơ giới hóa công suất lớn. Hiện nay, phần lớn các mỏ lộ thiên lớn tại Việt Nam, điển hình là mỏ đồng Sin Quyền (tỉnh Lào Cai), đang chuyển dần sang giai đoạn khai thác xuống sâu. Biên dạng không gian moong khai thác chuyển sang dạng lòng chảo hoặc hình phễu hẹp, làm suy giảm nghiêm trọng khả năng thông gió tự nhiên. Dưới tác động của sự phân tầng nhiệt độ, hiện tượng nghịch nhiệt và các vùng quẩn gió thường xuyên xuất hiện, ngăn cản các dòng đối lưu thẳng đứng và giữ lại lượng lớn bụi mịn (PM2.5, PM10) cũng như khí độc hại (CO, NOx) ở khu vực đáy moong và các tầng công tác.

Thực trạng quản lý môi trường không khí tại các mỏ lộ thiên sâu hiện nay chủ yếu dựa vào phương pháp quan trắc thủ công định kỳ với tần suất thấp (khoảng 1 lần/quý) bằng các trạm đo di động. Cách tiếp cận này mang tính chất hậu kiểm, không cung cấp dữ liệu tức thời để nhà quản lý nhận diện sớm nguy cơ ô nhiễm, dẫn đến việc xử lý mang tính bị động khi sự cố đã xảy ra. Trong khi đó, các nghiên cứu ứng dụng Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) tại Việt Nam phần lớn mới triển khai cho chất lượng không khí đô thị hoặc khu công nghiệp; các nghiên cứu bước đầu trong ngành mỏ mới chỉ thực hiện ngắn hạn tại một số mỏ than vùng Quảng Ninh. Khoảng trống nghiên cứu đặt ra là sự thiếu vắng một khung giải pháp toàn diện kết hợp giữa cơ chế vật lý - vi khí hậu đặc thù của mỏ lộ thiên sâu với các kỹ thuật AI hiện đại nhằm dự báo ô nhiễm không khí theo thời gian thực phục vụ điều hành sản xuất chủ động.

Mục tiêu nghiên cứu của luận án là xây dựng và kiểm chứng mô hình trí tuệ nhân tạo nhằm dự báo nồng độ bụi mịn PM2.5 và khí độc CO tại ba vị trí quan trắc đại diện theo cao độ trong mỏ đồng Sin Quyền. Trên cơ sở đó, luận án thiết lập khung thông tin hỗ trợ cán bộ quản lý mỏ lựa chọn các biện pháp điều hành sản xuất và kiểm soát môi trường phù hợp, chuyển đổi từ phương thức quản lý hậu kiểm sang phòng ngừa chủ động.

Nội dung nghiên cứu tập trung vào bốn nhiệm vụ chính:

1. Nghiên cứu tổng quan về đặc điểm phát sinh, lan truyền ô nhiễm không khí trong khai thác mỏ lộ thiên sâu; thực trạng công tác quan trắc, dự báo môi trường và xu hướng ứng dụng trí tuệ nhân tạo.
2. Nghiên cứu cơ sở lý thuyết của các mô hình học máy, học sâu và thuật toán tối ưu hóa phục vụ bài toán dự báo chất lượng không khí thời gian thực.
3. Xây dựng cơ sở dữ liệu môi trường, khí tượng và dữ liệu vận hành sản xuất tại mỏ đồng Sin Quyền; ứng dụng kỹ thuật kỹ nghệ đặc trưng để xử lý chuỗi dữ liệu.
4. Phát triển, tối ưu hóa và đánh giá so sánh hiệu năng các mô hình dự báo AI; đề xuất quy trình hỗ trợ ra quyết định điều hành chủ động cho mỏ.

Đối tượng nghiên cứu bao gồm:

• Các yếu tố công nghệ khai thác, vi khí hậu và môi trường không khí trong quá trình khai thác xuống sâu tại mỏ đồng Sin Quyền, Lào Cai. Biến đầu ra (output) của mô hình được xác định cụ thể là nồng độ bụi mịn PM2.5 và khí CO. Các thông số khác như PM10, TSP, NOx, SO2, tiếng ồn và chấn động không thuộc tập biến đầu ra trong phạm vi thực nghiệm này.
• Các mô hình trí tuệ nhân tạo (học máy, học sâu, học kết hợp) và các thuật toán tối ưu hóa siêu tham số có khả năng dự báo chuỗi thời gian trong điều kiện mỏ lộ thiên sâu.

Phạm vi nghiên cứu:

• Phạm vi không gian: Khai trường khai thác lộ thiên mỏ đồng Sin Quyền, tỉnh Lào Cai. Mô hình tập trung dự báo chuỗi thời gian tại ba vị trí trạm quan trắc cố định tương ứng với ba mức cao độ đại diện: +102 m (bề mặt khai trường), +68 m (tầng trung gian) và -58 m (khu vực đáy moong). Kết quả dự báo tại các điểm đo không đại diện cho trường nồng độ ba chiều liên tục trong toàn bộ thể tích moong mỏ.
• Phạm vi thời gian: Khảo sát thực địa và chuẩn bị từ tháng 12/2023. Chuỗi dữ liệu thời gian thực phục vụ huấn luyện, kiểm chứng và thử nghiệm mô hình được thu thập liên tục từ ngày 10/4/2024 đến ngày 31/3/2025 với bước thời gian 5 phút.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu quốc tế giai đoạn 2015–2025 cho thấy phương pháp quan trắc thủ công định kỳ bộc lộ ba hạn chế căn bản: không bắt kịp các pha phát thải động lực học của dây chuyền công nghệ (đặc biệt là các xung nổ mìn); không nhận diện được sự lưu giữ ô nhiễm do hiện tượng nghịch nhiệt; và thiếu khả năng cung cấp dữ liệu tức thời cho phòng điều hành mỏ. Để khắc phục, nhiều mỏ trên thế giới đã tích hợp mạng lưới cảm biến liên tục với Hệ thống cảnh báo sớm (Early Warning Systems - EWS).

Tác giả và cộng sự	Hạn chế của phương pháp truyền thống	Giải pháp công nghệ và mô hình đề xuất	Kết quả / Đóng góp chính
Fisseha Gebreegziabher Assefa và cs. [18]	Giám sát cố định khó nắm bắt sự phân tán rộng	Giám sát thời gian thực kết hợp mô phỏng ANSYS Fluent	Khuyến cáo vùng đệm an toàn 55 m hạ lưu, 45 m ngang gió; vận tốc bụi sau đuôi xe đạt 3,33 m/s
Tengfeng Wan và cs. [76]	Giám sát tĩnh biên không đáp ứng tính phức tạp	Drone di động kết hợp mô hình CNN-LSTM thời gian thực	Xác định mô hình song phương theo thời gian sáng/tối để kiểm soát luồng không khí
Guilin Wang và cs. [77]	Lấy mẫu rời rạc, phân tích thủ công tốn thời gian	Giám sát liên tục PM2.5, PM10, TSP kết hợp LSTM	Phân tích tương quan đa biến khí tượng; mô hình LSTM cho độ chính xác cao
Roberto Rojano và cs. [64]	Chỉ đo ở 2 trạm cố định, đánh giá thống kê thuần túy	Tích hợp nhiều trạm kết hợp hàm Theil-Sen	Phân tích xu hướng phơi nhiễm, tính toán giải pháp cần thiết giúp giảm 80% PM10
Abhishek Kumar Tripathi và cs. [73]	Phương pháp thủ công không theo thời gian thực	Hệ thống IoT kết hợp 4 mô hình học máy (DT, GBR, RF, LR)	Mô hình Random Forest đạt kết quả tốt nhất với MAE = 1,079 và RMSE = 1,497
Adrián Zafra-Pérez và cs. [90, 91]	Quan trắc điểm không bao phủ; chi phí thiết bị cao	Cảm biến chi phí thấp (< 300 USD) kết hợp thiết bị bay UAV	Giám sát đa độ cao, phát hiện nồng độ vượt 51 µg PM10/m³ ở vùng khai thác sâu
Zhigao Liu và cs. [42]	Dữ liệu rời rạc, khó nắm bắt quy luật biến thiên	Mô hình mạng nơ-ron hồi quy LSTM	Đạt hệ số xác định R² trong khoảng 0,50 - 0,87 cho PM10 và TSP
Meng Wang và cs. [79]	Các mô hình đơn lẻ có năng lực dự báo hạn chế	Cấu trúc mô hình lai CNN-BiLSTM-Attention	Đạt MAE = 6,127 và RMSE = 3,951 trên tập dữ liệu thực tế mỏ
DP Tripathy và cs. [74]	Giám sát điểm; mô hình AERMOD thô	Mạng 09 trạm DustTrak II, quang phổ FTIR và AERMOD	Phân tích thành phần thạch anh và vẽ bản đồ đường đẳng trị nồng độ ô nhiễm
Francis Pavloudakis và cs. [58]	Lấy mẫu gián đoạn không tạo được chuỗi dữ liệu đồng bộ	Thiết lập mạng lưới quan trắc PM10 và PM2.5 liên tục 10 năm	Cung cấp bộ dữ liệu dài hạn làm cơ sở phân tích quy luật biến thiên bụi mỏ

Tại Việt Nam, các nghiên cứu ứng dụng AI trong kiểm soát ô nhiễm không khí đã được triển khai tại đô thị và khu công nghiệp:

• Nguyễn Thiên Tân và cộng sự [8] ứng dụng CNN-LSTM phân tích nồng độ PM2.5 tại khu công nghiệp Hòa Xá (Nam Định).
• Nguyễn Phi Lê [6] nghiên cứu AI dự báo chất lượng không khí ngoài trời tại các đô thị lớn trong khuôn khổ tài trợ của Quỹ VinIF.
• Lưu Quốc Cường và Bùi Minh Quân [3] tích hợp mạng IoT và mạng học sâu dự báo PM2.5, PM10, NO2, SO2 và CO tại Thành phố Hồ Chí Minh.
• Nguyễn Thị Phúc Hạnh [4] khảo sát các cấu trúc RNN, GRU, BiLSTM để dự báo chất lượng không khí đô thị bổ sung biến TSP và O3.
• Bùi Xuân Nam và nhóm nghiên cứu [7] thực hiện đề tài hợp tác Việt Nam – Hàn Quốc nghiên cứu kiểm soát không khí cho các mỏ than lộ thiên sâu vùng Quảng Ninh; tuy nhiên các kết quả mới dừng ở quan trắc cố định ngắn hạn và đánh giá mô phỏng, chưa phát triển thành hệ thống dự báo vận hành thời gian thực.

Khoảng trống nghiên cứu được luận án xác định bao gồm:

1. Thiếu sót của các thuật toán đơn lẻ: Mô hình học máy truyền thống (RF, XGBoost) dễ gặp hiện tượng làm phẳng các giá trị cực trị (smoothing peaks) và trễ pha (phase-lag) trước các đỉnh nồng độ đột biến do nổ mìn. Ngược lại, các mô hình học sâu (LSTM, CNN) nhạy cảm với các xung nhiễu ngoại lai và tích lũy sai số lớn khi dự báo đa bước.
2. Hạn chế trong kỹ thuật tối ưu hóa siêu tham số và kết hợp mô hình: Việc tinh chỉnh siêu tham số phần lớn dựa vào phương pháp thử sai hoặc các giải thuật bầy đàn cổ điển (PSO, GA), chưa đánh giá toàn diện các giải thuật hiện đại như Kẻ săn mồi đại dương (MPA). Nhiều công trình mắc lỗi phương pháp luận khi sử dụng tập kiểm tra (Test set) để tính toán hàm thích nghi dẫn đến rò rỉ dữ liệu (data leakage). Các cấu trúc Stacking Ensemble trước đây thường thuần túy ghép nối học máy hoặc học sâu mà thiếu khung kết hợp đồng bộ đa tầng.
3. Hạn chế về kỹ nghệ đặc trưng: Công tác tiền xử lý số liệu môi trường mỏ còn sơ sài, chưa áp dụng các phương pháp phân rã chuỗi thích ứng (CEEMDAN) để tách nhiễu cục bộ và bỏ qua các biến tương tác phi tuyến mô tả cơ chế vi khí hậu phân tầng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng cơ sở khoa học dựa trên mối quan hệ giữa công nghệ khai thác mỏ lộ thiên, khí động lực học moong sâu và các lý thuyết mô hình hóa chuỗi thời gian:

• Cơ chế vi khí hậu và phân tầng không gian: Dạng lòng chảo sâu của moong mỏ làm triệt tiêu thông gió tự nhiên. Hiện tượng nghịch nhiệt hoạt động như nắp chặn đối lưu thẳng đứng, kết hợp với các vách tầng tạo ra các vùng quẩn gió. Quá trình này biến đổi sự khuếch tán chất ô nhiễm thành một quá trình phi tuyến có tính chất lưu giữ: nồng độ ở thời điểm $t$ là kết quả cộng dồn của phát thải ở thời điểm hiện tại và các thời điểm trước đó ($t-1, t-2,...$).
• Kỹ nghệ đặc trưng dữ liệu chuỗi thời gian: Luận án ứng dụng phương pháp phân rã chế độ thực nghiệm tập hợp hoàn chỉnh với nhiễu thích ứng (CEEMDAN) để phân tách chuỗi dữ liệu thành các hàm chế độ nội tại (IMF) nhằm bóc tách xu hướng dài hạn, chu kỳ sản xuất và nhiễu ngẫu nhiên; thiết lập các biến trễ (lag features); xây dựng các biến tương tác phi tuyến giữa vận tốc gió, hướng gió, độ ẩm và nhiệt độ nhằm lượng hóa năng lực thông gió mỏ.
• Thuật toán tối ưu hóa kẻ săn mồi đại dương (Marine Predators Algorithm - MPA): Do Markus và cộng sự đề xuất, MPA mô phỏng chiến lược tìm kiếm thức ăn theo chuyển động Lévy và chuyển động Brownian. Luận án khai thác khả năng cân bằng giữa khám phá toàn cục (exploration) và khai thác cục bộ (exploitation) của MPA để tự động tinh chỉnh siêu tham số cho các mô hình học máy cơ sở (RF, XGBoost).
• Khung mô hình học kết hợp đa tầng (Stacking Ensemble): Tích hợp Lớp 1 (Base learners) gồm các mô hình xử lý dữ liệu bảng (XGBoost, MPA-RF) và các mô hình học sâu chuỗi thời gian (TCN, AttnLSTM); Lớp 2 (Meta-learner) sử dụng hồi quy để tổng hợp kết quả dự báo ngoài mẫu từ Lớp 1, giúp bù trừ điểm yếu của từng thuật toán thành phần.

Phương pháp nghiên cứu thực hiện bao gồm:

• Phương pháp khảo sát thực địa và đo đạc thực nghiệm: Lắp đặt mạng lưới quan trắc chất lượng không khí tự động tại 3 mức cao độ; thu thập thông số khí tượng và ghi nhận nhật trình công nghệ khai thác.
• Phương pháp phân tích thống kê và toán học: Đánh giá phân bố dữ liệu bằng biểu đồ hộp (boxplot), biểu đồ chu kỳ ngày đêm, phân tích tương quan chuỗi và biến trễ.
• Phương pháp tiền xử lý dữ liệu: Khử nhiễu, làm mượt bằng kỹ thuật trung bình trượt, phân tách chuỗi bằng CEEMDAN và chuẩn hóa theo thuật toán MinMaxScaler trên từng phân vùng dữ liệu để ngăn ngừa rò rỉ thông tin.
• Phương pháp mô hình hóa và tối ưu hóa trí tuệ nhân tạo: Thiết kế cấu trúc các mô hình RF, XGBoost, LSTM, BiLSTM, TCN, AttnLSTM; lập trình giải thuật lai ghép MPA-RF, MPA-XGBoost và Stacking Ensemble.
• Phương pháp đánh giá độ tin cậy mô hình: Sử dụng các chỉ số sai số tuyệt đối trung bình (MAE), sai số toàn phương trung bình (RMSE) và hệ số xác định ($R^2$) trên ba tập dữ liệu độc lập: Huấn luyện (Train), Kiểm chứng (Validation) và Kiểm tra (Test).

Nguồn dữ liệu của luận án:

• Dữ liệu sơ cấp: Thu thập liên tục từ 3 trạm quan trắc tự động đặt tại các cao độ +102 m, +68 m và -58 m tại mỏ đồng Sin Quyền từ ngày 10/4/2024 đến 31/3/2025 (bước thời gian 5 phút), đo đạc PM2.5, CO, nhiệt độ, độ ẩm, áp suất khí quyển, tốc độ và hướng gió. Hệ thống trạm là sản phẩm từ đề tài cấp Nhà nước mã số KC.05/21-25 do tác giả tham gia chủ trì.
• Dữ liệu công nghệ mỏ: Nhật ký sản xuất gồm thời điểm nổ mìn, lịch trình xúc bốc - vận tải - đổ thải, biểu đồ giao ca, số lượng thiết bị hoạt động thực tế trên khai trường (máy xúc EKG-5A, máy xúc thủy lực gầu ngược, xe tải HD 465-7R, CAT 773E tải trọng 55-58 tấn, máy gạt 220-320 HP).
• Dữ liệu không gian: Bình đồ địa hình, mặt cắt địa chất - khai thác moong mỏ theo Giấy phép khai thác số 116/GP-BTNMT ngày 15/4/2026 (chiều sâu kết thúc khai thác đến mức -307 m, kích thước moong quặng dài 600 m, rộng 100 m), kết hợp khảo sát ảnh chụp từ thiết bị bay không người lái (UAV).
• Dữ liệu thứ cấp: Hồ sơ kiểm định thiết bị (CO, CQ), các báo cáo đánh giá tác động môi trường mỏ, quy chuẩn kỹ thuật quốc gia về môi trường không khí xung quanh và môi trường lao động.

Nội dung chính theo từng chương

Mở đầu

Phần Mở đầu trình bày tính cấp thiết của đề tài xuất phát từ yêu cầu kiểm soát môi trường không khí khi các mỏ lộ thiên Việt Nam, đặc biệt là mỏ đồng Sin Quyền, khai thác xuống sâu. Đề tài xác lập mục tiêu phát triển hệ thống mô hình AI dự báo nồng độ bụi PM2.5 và khí CO theo thời gian thực tại ba cao độ đại diện, hỗ trợ công tác điều hành mỏ chuyển từ phương thức hậu kiểm sang kiểm soát chủ động. Phần này định vị ba luận điểm bảo vệ cốt lõi:

• Luận điểm 1: Trong mỏ lộ thiên sâu, hình học lòng chảo và hiện tượng phân tầng nhiệt độ gây ra sự khuếch tán phi tuyến và lưu giữ ô nhiễm theo chuỗi thời gian; việc kết hợp phân rã CEEMDAN, biến tương tác và biến trễ giúp lọc nhiễu cục bộ và bảo toàn quy luật vật lý.
• Luận điểm 2: Mô hình MPA-XGBoost và Stacking Ensemble đạt hiệu suất vượt trội so với các mô h

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ KIỂM SOÁT MÔI TRƯỜNG KHÔNG KHÍ TRONG KHAI THÁC MỎ LỘ THIÊN VÀ CÁC MÔ HÌNH DỰ BÁO 1. Đặc điểm phát thải và khuếch tán ô nhiễm tại các mỏ lộ thiên sâu Nồng độ chất ô nhiễm tại mỏ lộ thiên biến thiên theo thời gian dưới tác động đồng thời của nguồn phát thải, tổ chức sản xuất, hình học mỏ và khí tượng. Quan hệ này không nhất thiết tuyến tính: các hoạt động theo ca, thời điểm nổ mìn, giao ca và điều kiện nghịch nhiệt tạo nên tính chu kỳ. Trong khi sự chồng lấn của nhiều nguồn và quá trình lưu giữ trong đáy moong làm xuất hiện các mối quan hệ phi tuyến giữa các yếu tố tác động trên.

Vì vậy, luận án phân loại nguồn phát thải theo khâu công nghệ và sử dụng mô hình chuỗi thời gian để mô tả các quan hệ trên. Khâu khoan - nổ mìn (nguồn phát thải điểm, đột biến và cường độ cao): Phá vỡ đất đá và quặng là khâu công nghệ đầu tiên của dây chuyền công nghệ trong quá trình khai thác mỏ nhưng cũng là tác nhân gây xáo trộn môi trường cực đoan nhất. Quá trình kích nổ (đặc biệt trong các mạng nổ mìn vi sai quy mô lớn) phá vỡ cấu trúc nguyên trạng của khối đá, giải phóng tức thời một đám mây bụi nồng độ cực cao trong thời gian ngắn, có động năng ban đầu lớn, bốc dâng theo cột khí nhiệt trước khi bị khống chế bởi vi khí hậu mỏ. Khâu xúc bốc và vận tải (nguồn phát thải tuyến tính, liên tục): Đây là khâu duy trì các hoạt động sản xuất theo ca kíp, đồng thời là nguồn duy trì nền nồng độ ô nhiễm không khí cơ sở tại gương khai thác và trên tầng công tác mỏ.

Quá trình tương tác cơ học tại vị trí tiếp xúc giữa gầu xúc với đống đá/quặng tơi sinh ra nguồn bụi thứ cấp. Tiếp đó, sự di chuyển liên tục của tổ hợp xe ô tô tải trọng lớn trên các tuyến đường mỏ tạo ra lượng bụi cuốn theo vô cùng lớn do ma sát giữa lốp xe và mặt đường, kết hợp với khí xả động cơ diesel dưới điều kiện làm việc quá tải tại các cung đoạn leo dốc. Khâu thải đá (nguồn phát thải diện, phụ thuộc cao độ): Tại các bãi thải ngoài hoặc bãi thải trong, quá trình dỡ tải của ô tô và hoạt động san gạt của máy gạt tạo ra nguồn phát thải trên diện rộng. Mức độ khuếch tán bụi ở khu vực này phụ thuộc lớn vào diện tích bãi thải, góc dốc sườn bãi thải, chiều cao tầng đổ thải, hướng gió và vận tốc gió bề mặt.

10 Khi khai thác xuống sâu, không gian moong mỏ lộ thiên chuyển dần sang dạng hình phễu hoặc lòng chảo hẹp. Lúc này, điều kiện thông gió tự nhiên suy giảm nghiêm trọng, làm biến đổi hoàn toàn quy luật khuếch tán thông thường so với bề mặt địa hình mặt mỏ, hình thành vi khí hậu đặc thù của mỏ lộ thiên sâu. Tại các mỏ khai thác lộ thiên sâu như mỏ đồng Sin Quyền, Đèo Nai, Cọc Sáu, Cao Sơn… có độ sâu khai thác lớn (trên 200 m), do góc nghiêng bờ mỏ lớn, lượng bức xạ mặt trời chiếu tới đáy moong không đồng đều. Vào những khoảng thời gian nhất định (thường là ban đêm sau khi mặt trời lặn và rạng sáng trước khi mặt trời mọc hoặc mùa đông), lớp không khí lạnh và đặc hơn chìm xuống, đọng lại tại khu vực đáy moong và các tầng công tác dưới sâu, trong khi đó lớp không khí nóng lại xuất hiện dần lên trên đỉnh bờ mỏ.