Giới thiệu dự án

Trong kỷ nguyên tự động hóa công nghiệp và chuyển đổi số, việc kiểm soát liên tục các thông số hóa lý của lưu chất đóng vai trò sống còn trong các ngành lọc hóa dầu, chế biến thực phẩm, đồ uống và công nghiệp hóa chất. Mật độ chất lỏng ($\rho$) là đại lượng vật lý nền tảng để xác định nồng độ dung dịch (độ Brix, nồng độ cồn, tỷ lệ pha trộn axít), kiểm soát chất lượng thành phẩm theo tiêu chuẩn ASTM và định lượng thể tích - khối lượng trong vận chuyển quy mô lớn.

Tuy nhiên, các phương pháp đo tỷ trọng truyền thống (tỷ trọng kế, bình đo tỷ trọng pycnometer) đòi hỏi lấy mẫu thủ công, tiềm ẩn nguy cơ mất an toàn nghiêm trọng khi thao tác với các hóa chất ăn mòn mạnh, dễ bay hơi hoặc độc hại ($H_2SO_4, HNO_3, HCOOH$). Đồng thời, các kỹ thuật kiểm tra không phá hủy (NDT - Non-Destructive Testing) bằng bức xạ gamma hiện hữu thường bị giới hạn bởi:

  • Sai số thống kê cao khi sử dụng nguồn hoạt độ thấp.
  • Sự phụ thuộc chặt chẽ vào kích thước hình học của đường ống chứa mẫu.
  • Chi phí thời gian khổng lồ khi phải tái lập đường chuẩn thực nghiệm mỗi khi thay đổi quy cách đường kính ống dẫn.

Đề tài "Xây dựng mô hình mạng nơ-ron nhân tạo để ước lượng mật độ chất lỏng dựa trên phương pháp gamma truyền qua" giải quyết triệt để bài toán này bằng cách tích hợp mô phỏng hạt Monte Carlo (MCNP6) với mạng nơ-ron nhân tạo đa lớp Perceptron (MLP). Giải pháp cho phép dự đoán tức thời mật độ chất lỏng qua thành ống mà không cần tiếp xúc trực tiếp, áp dụng linh hoạt cho đa dạng kích thước hình học mà vẫn duy trì độ chính xác cao.

+------------------+       +-------------------+       +-----------------------+
|  Nguồn Cs-137    | ----> | Ống mẫu chất lỏng | ----> | Đầu dò NaI(Tl) 3"x3"  |
| (0.76 uCi, 662k) |       | (D = 1 - 10 cm)   |       | MCA 8192 Kênh         |
+------------------+       +-------------------+       +-----------------------+
                                                                   |
                                                            Xử lý phổ Gauss
                                                            (Colegram / ROI)
                                                                   |
                                                                   v
                                                       +-----------------------+
                                                       | Tỉ số cường độ R      |
                                                       | Đường kính ống d (cm) |
                                                       +-----------------------+
                                                                   |
                                                                   v
                                                       +-----------------------+
                                                       | Mô hình ANN (MLP)     |
                                                       | Hàm Softsign          |
                                                       +-----------------------+
                                                                   |
                                                                   v
                                                       +-----------------------+
                                                       | Mật độ dự đoán rho    |
                                                       | (Sai số RD < 1.4%)    |
                                                       +-----------------------+

Mục tiêu dự án

  1. Thiết lập hệ đo gamma truyền qua bán thực nghiệm chuẩn xác: Sử dụng nguồn phóng xạ đồng vị $^{137}\text{Cs}$ hoạt độ thấp ($0.76 \pm 0.03\ \mu\text{Ci}$) kết hợp đầu dò nhấp nháy $\text{NaI(Tl)}$ nhằm bảo đảm an toàn bức xạ tối đa cho người vận hành.
  2. Xây dựng bộ dữ liệu mô phỏng Monte Carlo quy mô lớn: Ứng dụng chương trình MCNP6 mô phỏng $10^{10}$ lịch sử hạt photon qua 18 môi trường chất lỏng chuẩn trên 20 dải đường kính ống ($1.0\text{ cm} - 10.0\text{ cm}$).
  3. Phát triển cấu trúc mạng nơ-ron nhân tạo (ANN) tối ưu: Huấn luyện mạng MLP 3 lớp sử dụng hàm kích hoạt Softsign để ánh xạ phi tuyến giữa tỉ số truyền qua $R$, đường kính hình học $d$ và mật độ $\rho$.
  4. Kiểm chứng thực nghiệm và đánh giá độ chính xác: Thử nghiệm với các mẫu hóa chất thực tế ($\text{H}_2\text{O}, \text{C}_2\text{H}_4\text{O}_2, \text{CH}_2\text{O}_2, \text{C}_3\text{H}_6\text{O}_3, \text{HNO}_3, \text{H}_3\text{PO}_4, \text{H}_2\text{SO}_4$) nhằm chứng minh độ lệch tương đối ($RD$) dưới $1.4%$.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Dải mật độ chất lỏng khảo sát từ $0.78\text{ g/cm}^3$ đến $1.84\text{ g/cm}^3$, đường kính ống từ $1.0\text{ cm}$ đến $10.0\text{ cm}$.
  • Giới hạn: Nghiên cứu tập trung vào dòng chảy đơn pha, đồng nhất; cấu hình chuẩn trực hẹp để loại trừ tối đa thành phần tán xạ nhiều lần (hệ số tích lũy $B \approx 1$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp đo Nguyên lý hoạt động Ưu điểm Nhược điểm & Rủi ro
Dụng cụ cơ học (Tỷ trọng kế, Pycnometer) Nguyên lý Archimedes, đo khối lượng/thể tích Chi phí đầu tư thấp, thiết bị đơn giản Phải lấy mẫu trực tiếp; nguy cơ bỏng axít; sai số do bọt khí, độ nhớt, đọc vạch chia
Máy đo tỷ trọng hiện số (U-tube oscillation) Đo tần số dao động của ống thủy tinh chứa mẫu Độ chính xác cao, kiểm soát nhiệt độ tốt Chi phí thiết bị cao, tắc nghẽn khi đo dung dịch nhớt/ăn mòn, không đo inline liên tục
Gamma tán xạ Compton (Priyada et al., Tam et al.) Tán xạ ngược photon trên góc cố định Tiếp cận một phía của đường ống Bố trí hình học phức tạp; nhiễu tán xạ nhiều lần; thời gian thu nhận phổ kéo dài
Gamma truyền qua thực nghiệm đơn thuần Định luật Beer-Lambert thuần túy Bố trí thẳng hàng trực quan Cần dựng lại đường chuẩn khi đổi kích cỡ ống; sai số tới $21.54%$ do trôi phổ
Giải pháp đề xuất: MCNP6 + ANN Bán thực nghiệm Kết hợp tỉ số bất biến $R$ với mạng nơ-ron Không phá hủy mẫu; thích ứng mọi cỡ ống; tự động bù trôi phổ; $RD < 1.4%$ Cần quy trình huấn luyện ban đầu trên máy tính

Ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must have: Đo không tiếp xúc trực tiếp; trích xuất diện tích đỉnh hấp thụ toàn phần ($661.7\text{ keV}$); tính toán tỷ số $R$ độc lập với hiệu suất đầu dò; sai số $RD < 5%$.
  • Should have: Khả năng nội suy mật độ trên đường kính ống bất kỳ ($1.0 - 10.0\text{ cm}$); thuật toán tự động căn chỉnh vùng quan tâm ($\text{ROI} = \text{Peak} \pm 2.5\text{ FWHM}$).
  • Could have: Tích hợp module cảnh báo suy giảm hoạt độ nguồn phóng xạ theo thời gian thực.
  • Won't have (lần này): Đo lưu lượng đa pha (khí - lỏng - rắn đồng thời) hoặc lưu chất siêu nhớt dạng bùn đặc.

Thiết kế hệ thống

Hệ thống hoạt động dựa trên sự suy giảm cường độ bức xạ đơn năng khi truyền qua vật chất theo định luật Beer-Lambert:

$$I = I_0 e^{-\mu x} = I_0 e^{-\mu_m \rho x}$$

Trong đó:

  • $I_0, I$: Cường độ chùm tia gamma trước và sau khi truyền qua mẫu.
  • $\mu$: Hệ số suy giảm tuyến tính ($\text{cm}^{-1}$).
  • $\mu_m = \frac{\mu}{\rho}$: Hệ số suy giảm khối ($\text{cm}^2/\text{g}$).
  • $x$: Bề dày lớp vật chất / đường kính trong của ống dẫn ($\text{cm}$).
  • $\rho$: Mật độ khối của chất lỏng ($\text{g/cm}^3$).

Để triệt tiêu ảnh hưởng của hiệu suất đầu dò $\epsilon$ và sự thay đổi môi trường, nghiên cứu sử dụng biến đổi chuẩn hóa tỉ số cường độ $R$:

$$R = \frac{N_{\text{chất lỏng}}}{N_{\text{nước}}} = \frac{I_0 \cdot \epsilon \cdot e^{-\mu_{\text{chất lỏng}} x}}{I_0 \cdot \epsilon \cdot e^{-\mu_{\text{nước}} x}} = e^{-(\mu_{\text{chất lỏng}} - \mu_{\text{nước}})x}$$

$$\ln(R) = a + b\rho \implies \rho = \frac{\ln(R) - a}{b}$$

+-------------------------------------------------------------------------+
|                        KIẾN TRÚC MÔ HÌNH MLP 3 LỚP                      |
|                                                                         |
|  [Lớp Đầu Vào (Input)]       [Lớp Ẩn (Hidden)]      [Lớp Đầu Ra (Output)]|
|                                                                         |
|   ( Tỉ số R )  ---------\       (( Neuron 1 ))                          |
|                          ===>   (( Neuron 2 ))  =======>  [ Mật độ rho ]|
|   ( Đ.Kính d ) ---------/       (( Neuron 3 ))                          |
|                                 (Softsign Act)                          |
+-------------------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Mô phỏng vật lý hạt: MCNP6 (Monte Carlo N-Particle v6.1), biên dịch Fortran 90, xử lý tương tác photon - electron đa năng lượng.
  • Phần cứng ghi nhận phổ: Đầu dò scintillation $\text{NaI(Tl)}$ kích thước $3'' \times 3''$ ($7.62\text{ cm} \times 7.62\text{ cm}$) tích hợp khối MCA 8192 kênh (AMPTEK).
  • Xử lý phổ quang phổ: Colegram v1.x (thuật toán bình phương tối thiểu Levenberg-Marquardt).
  • Nền tảng trí tuệ nhân tạo: Wolfram Mathematica v12.x / Python scikit-learn (Mô hình Multilayer Perceptron).

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng phương pháp nghiên cứu bán thực nghiệm lặp (Semi-empirical Iterative Pipeline):

  1. Pha 1 - Chuẩn định hình học: Cố định khoảng cách nguồn - mẫu ($12.4\text{ cm}$), mẫu - đầu dò ($12.4\text{ cm}$), kích thước ống chuẩn trực chì (nguồn: $\varnothing 0.96\text{ cm}$, đầu dò: $\varnothing 1.00\text{ cm}$).
  2. Pha 2 - Sinh dữ liệu mô phỏng (Data Synthesis): Chạy MCNP6 với 18 chất chuẩn, trích xuất 304 điểm dữ liệu phân bố đều trên 20 đường kính ống.
  3. Pha 3 - Khớp phổ & Tách đỉnh: Tách đỉnh quang điện $661.7\text{ keV}$ bằng hàm Gaussian kết hợp nền One-Step.
  4. Pha 4 - Tối ưu hóa ANN: Phân chia tập dữ liệu $85%$ Training / $15%$ Testing; tối ưu số lượng nơ-ron lớp ẩn bằng chỉ số RMSE và $R^2$.

Triển khai thực nghiệm và Kết quả

Quá trình phát triển và Xử lý phổ

Hàm mở rộng độ phân giải năng lượng thực nghiệm FWHM theo năng lượng $E$ (MeV) được tích hợp trực tiếp vào tệp đầu vào MCNP6:

$$\text{FWHM}(E) = a + b\sqrt{E} + cE^2$$

Với các tham số khớp thực nghiệm: $a = -0.00526\text{ MeV}$, $b = 0.06096\text{ MeV}^{1/2}$, $c = 0.01401\text{ MeV}^{-1}$.

Đỉnh phổ gamma thực nghiệm và mô phỏng được làm khớp trong phần mềm Colegram theo hàm phân bố chuẩn Gauss:

$$G(x) = \frac{A}{\sigma \sqrt{2\pi}} \exp\left(-\frac{(x - x_0)^2}{2\sigma^2}\right)$$

Kết hợp với hàm nền dạng bước nhảy (One-Step Background) để trừ phông Compton:

$$\text{STEP}(x) = B + \frac{S}{2} \text{erfc}\left(\frac{x - x_0}{\sigma \sqrt{2}}\right)$$

import numpy as np

def softsign(x):
    """Hàm kích hoạt Softsign phi tuyến dùng cho lớp ẩn ANN."""
    return x / (1.0 + np.abs(x))

def predict_density(ratio_r, diameter_d, weights_ih, bias_h, weights_ho, bias_o):
    """
    Ước lượng mật độ chất lỏng từ Tỉ số R và Đường kính ống d (cm)
    Input Layer: 2 neurons -> Hidden Layer: N neurons -> Output: 1 neuron
    """
    inputs = np.array([ratio_r, diameter_d])
    # Lan truyền tiến qua lớp ẩn
    hidden_net = np.dot(inputs, weights_ih) + bias_h
    hidden_out = softsign(hidden_net)
    # Tính toán mật độ tại lớp ra
    density_pred = np.dot(hidden_out, weights_ho) + bias_o
    return float(density_pred)

Nhằm loại bỏ hoàn toàn hiện tượng trôi đỉnh (peak shift) do biến thiên nhiệt độ môi trường trong ca đo 8 tiếng, thuật toán tự động khoanh vùng $\text{ROI}$ động theo công thức:

$$\text{ROI} = \left[x_0 - 2.5\cdot\text{FWHM},\ x_0 + 2.5\cdot\text{FWHM}\right]$$

Đánh giá và Kiểm chứng mô hình

Hiệu năng của mô hình mạng nơ-ron được giám sát chặt chẽ qua 2 đại lượng thống kê:

$$\text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^N (\rho_{\text{ref}, i} - \rho_{\text{pre}, i})^2}$$

$$R^2 = 1 - \frac{\sum_{i=1}^N (\rho_{\text{ref}, i} - \rho_{\text{pre}, i})^2}{\sum_{i=1}^N (\rho_{\text{ref}, i} - \bar{\rho}_{\text{ref}})^2}$$

Độ lệch tương đối phần trăm ($RD%$) so với mật độ chuẩn từ nhà sản xuất:

$$RD(%) = \left|\frac{\rho_{\text{ref}} - \rho_{\text{calc}}}{\rho_{\text{ref}}}\right| \times 100%$$

   RMSE (g/cm3)                       R2 Score
0.025 |                             1.000 |         *---*---* (R2 > 0.999)
0.020 | *                           0.998 |       /
0.015 |   \                         0.996 |      /
0.010 |     *                       0.994 |     /
0.005 |       \___*                 0.992 |    /
0.000 +-----------------            0.990 +-----------------
        2   4   6   8 (Neurons)             2   4   6   8 (Neurons)

Kết quả đạt được

Đồ thị hội tụ cho thấy khi cấu hình lớp ẩn đạt từ 5 đến 7 nơ-ron, chỉ số $R^2$ đạt ngưỡng vượt trội $> 0.999$ và sai số toàn phương trung bình $\text{RMSE} < 0.005\text{ g/cm}^3$.

Mẫu thử nghiệm Mật độ chuẩn $\rho_{\text{ref}}$ ($\text{g/cm}^3$) Tỉ số thực nghiệm $R_{\text{exp}}$ Mật độ tính toán từ MCNP ($\text{g/cm}^3$) Mật độ dự đoán từ ANN ($\text{g/cm}^3$) Độ lệch $RD_{\text{ANN}}$ ($%$)
Nước cất ($\text{H}_2\text{O}$) 1.000 1.0000 1.000 1.002 0.20%
Acetic ($\text{C}_2\text{H}_4\text{O}_2\ 99%$) 1.045 0.9832 1.047 1.048 0.28%
Lactic ($\text{C}_3\text{H}_6\text{O}_3\ 88%$) 1.206 0.9324 1.218 1.215 0.74%
Formic ($\text{CH}_2\text{O}_2\ 88%$) 1.220 0.9271 1.224 1.229 0.73%
Phosphoric ($\text{H}_3\text{PO}_4\ 85%$) 1.390 0.8654 1.392 1.398 0.57%
Nitric ($\text{HNO}_3\ 65%$) 1.513 0.8241 1.520 1.524 0.72%
Sulfuric ($\text{H}_2\text{SO}_4\ 98%$) 1.839 0.7312 1.848 1.864 1.35%

Đổi mới và Đóng góp khoa học

  1. Triệt tiêu sai số do hiệu suất đầu dò bằng Tỉ số Chuẩn hóa $R$: Thay vì sử dụng số đếm xung tuyệt đối (dễ trôi dạt theo nhiệt độ và tuổi thọ đầu dò), tỷ số $R = N_{\text{sample}} / N_{\text{water}}$ bảo toàn tính bất biến vật lý giữa không gian mô phỏng ảo và môi trường thực nghiệm.
  2. Loại bỏ quy trình tái lập đường chuẩn thủ công: Với phương pháp truyền thống, chuyển đổi giữa 20 quy cách ống đòi hỏi $20 \times 8 = 160$ giờ đo phổ thực nghiệm. Mô hình ANN tổng quát hóa mối quan hệ phi tuyến, cho phép dự đoán tức thì với mọi kích thước ống trong dải $1.0 - 10.0\text{ cm}$.
  3. Giảm thiểu hoạt độ phóng xạ bảo vệ sức khỏe: Hệ thống vận hành chính xác với nguồn $^{137}\text{Cs}$ chỉ $0.76\ \mu\text{Ci}$ (thấp hơn hàng trăm lần so với các hệ đo gamma tán xạ công nghiệp thông thường từ $10 - 100\ \text{mCi}$).
+--------------------------------------------------------------------------+
|                 SO SÁNH ĐỘ LỆCH TƯƠNG ĐỐI TỐI ĐA (RD MAX %)               |
|                                                                          |
|  Priyada et al. (2012) - Truyền qua thực nghiệm     [21.54%]             |
|  Chuong et al. (2020)  - Bán thực nghiệm đơn lẻ     [ 4.50%]             |
|  Nghiên cứu này        - Bán thực nghiệm + ANN      [ 1.35%]             |
+--------------------------------------------------------------------------+

Ứng dụng thực tế và Triển khai

Kịch bản ứng dụng công nghiệp

  • Giám sát vận chuyển đường ống hóa dầu: Nhận diện ranh giới phân tách giữa các lô sản phẩm (xăng RON 95, dầu Diesel DO, dầu hỏa) truyền dẫn nối tiếp trong cùng một đường ống ngầm mà không cần trích mẫu.
  • Tự động hóa pha chế nước giải khát & sản xuất bia: Giám sát liên tục nồng độ đường (độ Brix) trong nước ngọt hoặc độ cồn trong tháp lên men theo thời gian thực.
  • Sản xuất axít và hóa chất đặc dụng: Kiểm soát tỷ trọng axít sunfuric $98%$ và axít nitric $65%$ ngay tại cổ tháp hấp thụ nhiệt độ cao mà không làm ăn mòn cảm biến.
+--------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI HỆ THỐNG 4 GIAI ĐOẠN                |
|                                                                          |
|  [Q1: Thiết kế Cơ khí & Vỏ chì] ===> [Q2: Ghép nối Đầu dò & FPGA MCA]    |
|                                                     |                    |
|  [Q4: Kiểm định & Bàn giao]     <=== [Q3: Nạp Core ANN & Test SCADA]     |
+--------------------------------------------------------------------------+

Đánh giá hiệu quả kinh tế (ROI)

  • Chi phí vận hành: Cắt giảm $100%$ chi phí vật tư tiêu hao (cốc đong, găng tay chống axít, hóa chất chuẩn) và tiết kiệm 2 giờ lao động kỹ thuật mỗi ca làm việc.
  • Thời gian hoàn vốn: Ước tính từ 6 đến 9 tháng nhờ ngăn ngừa triệt để sự cố lẫn dòng sản phẩm và tối ưu hóa thời gian dừng máy.

Hạn chế và Hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy đối với chất chứa nguyên tố Z cao: Các chất có thành phần nguyên tử số $Z$ dị biệt lớn (chứa nhiều lưu huỳnh như $\text{H}_2\text{SO}_4$) có tiết diện quang điện cao hơn, dẫn đến độ lệch $RD = 1.35%$ (cao hơn nhóm axít hữu cơ $RD < 0.8%$).
  • Điều kiện chùm tia hẹp: Đòi hỏi chuẩn trực chính xác; nếu ống dẫn bị rung lắc cơ học mạnh, trục chùm tia có thể lệch tâm gây suy giảm số đếm.

Hướng phát triển tiếp theo

  • Nâng cấp mạng Perceptron lên kiến trúc mạng nơ-ron tích chập 1D (1D-CNN) để đọc trực tiếp toàn bộ 8192 kênh của phổ phân bố độ cao xung (Pulse Height Spectrum) mà không cần bước khớp đỉnh trung gian qua Colegram.
  • Mở rộng sang nguồn gamma đa năng lượng ($^{133}\text{Ba}$, $^{152}\text{Eu}$) hoặc kết hợp kỹ thuật gamma truyền qua kép (Dual-energy Gamma Ray Densitometry) để giải quyết bài toán đo tỷ trọng dòng chảy đa pha (Dầu - Khí - Nước) trong khai thác dầu khí biển.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Vật lý hạt nhân / Kỹ thuật hạt nhân: Cung cấp tài liệu mẫu mực về phương pháp kết hợp mô phỏng MCNP6 với xử lý số liệu thực nghiệm và trí tuệ nhân tạo.
  • Kỹ sư R&D & Lập trình viên hệ thống nhúng: Nắm bắt thuật toán trích xuất diện tích đỉnh phổ Gauss, hàm Softsign và phương pháp tối ưu hóa mạng nơ-ron trên tập dữ liệu vật lý hạt.
  • Nhà máy sản xuất & Doanh nghiệp chế biến: Sở hữu giải pháp công nghệ đo tỷ trọng không tiếp xúc, an toàn tuyệt đối, giảm chi phí kiểm định chất lượng sản phẩm inline.
  • Nhà nghiên cứu khoa học ứng dụng: Mở ra hướng tiếp cận mới trong việc tạo dữ liệu tổng hợp (synthetic training data) từ Monte Carlo để huấn luyện các mô hình Machine Learning giải quyết bài toán nghịch đảo trong NDT.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và an toàn bức xạ khi triển khai hệ thống là gì?

Hệ thống sử dụng nguồn bức xạ kín $^{137}\text{Cs}$ hoạt độ siêu thấp ($0.76\ \mu\text{Ci}$), được bọc trong khối chì bảo vệ kích thước $12.39 \times 12.39 \times 5.48\text{ cm}$. Liều bức xạ rò rỉ tại bề mặt khối che chắn đạt tiêu chuẩn an toàn bức xạ dân dụng, không đòi hỏi khu vực kiểm soát nghiêm ngặt đặc biệt. Đầu dò $\text{NaI(Tl)}$ kết nối trực tiếp với máy tính qua giao tiếp USB/RS-485.

2. Giới hạn độ chính xác và khả năng mở rộng đường kính ống (Scalability) ra sao?

Mô hình ANN đã được huấn luyện trên dải đường kính từ $1.0\text{ cm}$ đến $10.0\text{ cm}$ với sai số $RD < 1.4%$. Với các đường kính lớn hơn ($> 10.0\text{ cm}$), độ suy giảm gamma quá lớn có thể làm giảm số đếm thống kê đỉnh; giải pháp là tăng thời gian tích lũy phổ hoặc chuyển đổi sang nguồn gamma năng lượng cao hơn như $^{60}\text{Co}$ ($1.17\text{ MeV}$ và $1.33\text{ MeV}$).

3. Làm thế nào để tích hợp mô hình ANN vào hệ thống điều khiển SCADA/DCS hiện hữu?

Mô hình MLP sau khi huấn luyện trên Mathematica được chuyển đổi (export) thành khối tính toán ma trận trọng số (Weights & Biases) dạng mã C/C++ hoặc Python script nhẹ. Khối này dễ dàng nhúng vào PLC công nghiệp, máy tính nhúng Raspberry Pi hoặc IPC giao tiếp qua chuẩn Modbus TCP/IP tới SCADA.

4. Hiện tượng trôi đỉnh (peak shift) do nhiệt độ được khắc phục như thế nào?

Hiện tượng trôi kênh năng lượng của đầu dò nhấp nháy được xử lý tự động bằng thuật toán nhận diện đỉnh cực đại cục bộ, sau đó thiết lập lại cận lấy tích phân $\text{ROI} = \text{Peak} \pm 2.5\text{ FWHM}$. Nhờ đó, diện tích đỉnh thu được luôn bảo đảm tính toàn vẹn kể cả khi nhiệt độ môi trường thay đổi trong các ca đo dài.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) của giải pháp là bao nhiêu?

So với thiết bị đo mật độ chuyên dụng ngoại nhập đắt đỏ ($15.000 - 30.000\text{ USD}$), giải pháp module gamma bán thực nghiệm + ANN có chi phí chế tạo phần cứng chỉ bằng $30 - 40%$. Nhờ khả năng đo không tiếp xúc giúp bảo vệ đường ống và giảm phế phẩm, doanh nghiệp có thể thu hồi vốn đầu tư trong vòng 6 đến 9 tháng vận hành.

Kết luận

Đề tài đã xây dựng thành công phương pháp xác định mật độ chất lỏng không phá hủy bằng kỹ thuật gamma truyền qua kết hợp mô hình mạng nơ-ron nhân tạo MLP. Việc ứng dụng linh hoạt chương trình mô phỏng MCNP6 để tạo lập 304 điểm dữ liệu huấn luyện đã giải quyết triệt để nút thắt cổ chai về thời gian và nhân lực trong khâu dựng đường chuẩn thực nghiệm.

Với độ lệch tương đối đạt được dưới $1.4%$ trên các mẫu axít và dung dịch thực tế, nghiên cứu không chỉ khẳng định giá trị học thuật xuất sắc trong việc ứng dụng AI vào Vật lý hạt nhân thực nghiệm, mà còn mở ra tiềm năng thương mại hóa to lớn cho các hệ thống cảm biến công nghiệp thông minh thế hệ mới. Các doanh nghiệp và đơn vị nghiên cứu quan tâm có thể tiếp tục mở rộng mô hình sang bài toán giám sát dòng chảy đa pha và tích hợp chẩn đoán lỗi thời gian thực trên dây chuyền sản xuất.