Tổng quan nghiên cứu

Ngành nuôi trồng thủy sản (NTTS) tại Việt Nam đóng vai trò quan trọng trong phát triển kinh tế - xã hội, với nhu cầu ngày càng tăng về chất lượng và sản lượng thủy sản. Kiểm soát chất lượng môi trường nước nuôi thủy sản (NTS) là yếu tố then chốt để đảm bảo sự phát triển bền vững của ngành. Theo báo cáo của ngành, các thông số như oxy hòa tan (DO), nhiệt độ và pH trong nước biến động liên tục và ảnh hưởng trực tiếp đến sức khỏe và sinh trưởng của thủy sản. Tuy nhiên, các phương pháp quan trắc truyền thống còn nhiều hạn chế như độ chính xác thấp, tốn kém nhân công và chi phí vận hành cao, cũng như thiếu khả năng cập nhật dữ liệu tự động và từ xa.

Mục tiêu nghiên cứu của luận văn là phát triển hệ điện cực điện hóa dựa trên vật liệu polymer dẫn polyaniline (PANi) và PANi biến tính với cobalt ferrite CoFe2O4/rGO nhằm xác định DO trong nước nuôi thủy sản theo thời gian thực. Nghiên cứu cũng tích hợp cảm biến DO, nhiệt độ và pH vào hệ thống giám sát chất lượng nước ứng dụng công nghệ Internet vạn vật (IoT) và Machine Learning (ML) để phân tích, đánh giá và dự báo các thông số môi trường nước. Phạm vi nghiên cứu bao gồm cả phòng thí nghiệm và hiện trường tại hồ nuôi thủy sản ở Nhơn Tân – Nhơn Hội, thành phố Quy Nhơn, trong năm 2023. Việc ứng dụng công nghệ mới này hứa hẹn nâng cao độ chính xác, giảm chi phí và tăng hiệu quả quản lý môi trường nước trong NTTS, góp phần phát triển ngành thủy sản bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Vật liệu graphene và graphene oxide (GO, rGO): Graphene là vật liệu nano carbon 2D có tính dẫn điện cao, độ bền cơ học và dẫn nhiệt tốt. GO là dạng oxy hóa của graphene với nhiều nhóm chức chứa oxy, giúp tăng khả năng phân tán trong nước và làm nền cho composite. rGO là dạng khử của GO, phục hồi một phần tính dẫn điện.

  • Vật liệu ferrite spinel CoFe2O4 (CF): Ferrite spinel có cấu trúc tinh thể đặc trưng với các ion kim loại phân bố ở vị trí tứ diện và bát diện, có tính từ cao và ứng dụng trong cảm biến, xúc tác quang hóa. CoFe2O4 có lực kháng từ lớn, thích hợp để biến tính polymer dẫn nhằm tăng tính chọn lọc và nhạy cảm của điện cực.

  • Polymer dẫn polyaniline (PANi): PANi là polymer dẫn điện có khả năng hoạt hóa bằng proton, thích hợp làm màng cảm biến pH và DO nhờ tính linh hoạt, trọng lượng nhẹ và giá thành hợp lý. PANi có thể tồn tại ở trạng thái dẫn điện hoặc cách điện tùy mức độ proton hóa.

  • Phương pháp điện hóa volt-ampere vòng (Cyclic Voltammetry - CV): Phương pháp này áp đặt điện thế quét tuyến tính lên điện cực để khảo sát các quá trình oxy hóa - khử, đánh giá đặc tính điện hóa của vật liệu điện cực.

  • Công nghệ IoT và Machine Learning (ML): IoT cho phép thu thập dữ liệu thời gian thực từ cảm biến tại hiện trường, ML (đặc biệt là thuật toán LSTM) được sử dụng để phân tích và dự báo các chỉ số chất lượng nước, giúp quản lý thông minh và kịp thời.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Mẫu nước nuôi thủy sản được lấy từ hồ nuôi tại Nhơn Tân – Nhơn Hội, thành phố Quy Nhơn. Dữ liệu thu thập bao gồm nồng độ DO, nhiệt độ và pH theo thời gian thực tại phòng thí nghiệm và hiện trường.

  • Tổng hợp vật liệu: Graphene oxide (GO) được tổng hợp bằng phương pháp Hummers cải tiến, sau đó khử thành rGO bằng ascorbic acid. Vật liệu CoFe2O4/rGO được tổng hợp thủy nhiệt từ muối Fe3+ và Co2+ kết hợp với rGO.

  • Chế tạo điện cực: Điện cực GCE được biến tính bằng màng PANi và composite PANi/CoFe2O4/rGO qua phương pháp trùng hợp điện hóa CV đa vòng. Các yếu tố ảnh hưởng đến quá trình biến tính được khảo sát kỹ lưỡng.

  • Tích hợp cảm biến: Cảm biến DO, nhiệt độ (DS18B20) và pH (Analog Meter Pro Kit V2) được tích hợp vào hệ thiết bị điện hóa đa năng. Hệ thống được kết nối với bộ vi điều khiển ESP8266 NodeMCU để truyền dữ liệu qua IoT.

  • Phân tích và dự báo: Thuật toán LSTM được huấn luyện trên tập dữ liệu thu thập để dự báo các thông số môi trường nước trong tương lai gần, giúp cảnh báo sớm các biến động bất thường.

  • Timeline nghiên cứu: Tổng thời gian nghiên cứu kéo dài trong năm 2023, bao gồm giai đoạn tổng hợp vật liệu, chế tạo điện cực, thử nghiệm phòng thí nghiệm, đo đạc hiện trường và phát triển hệ thống IoT-ML.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Đặc trưng vật liệu CoFe2O4/rGO: Phân tích phổ FT-IR và ảnh SEM cho thấy vật liệu composite có cấu trúc đồng nhất, bề mặt điện cực phủ màng PANi/CF/rGO có độ nhám và diện tích bề mặt lớn, tăng khả năng dẫn điện và tương tác với oxy. Kích thước hạt nano CoFe2O4 được điều chỉnh qua phương pháp thủy nhiệt, ảnh hưởng đến lực kháng từ và tính chất điện hóa.

  2. Tính chất điện hóa của điện cực biến tính: Điện cực GCE/PANi/CF/rGO thể hiện dòng điện oxy hóa và khử rõ rệt trong dung dịch H2SO4 0,5M với monome aniline 0,1M, tốc độ quét 50-200 mV/s. Độ nhạy của điện cực với DO đạt khoảng 0,35 ppm đến 7,0 ppm, thời gian đáp ứng nhanh dưới 90 giây, ổn định và lặp lại trong 4 giờ liên tục.

  3. Đo đạc thông số môi trường nước NTS: Tại phòng thí nghiệm, nồng độ DO dao động từ 4,0 đến 7,5 mg/L, pH từ 6,8 đến 8,3 và nhiệt độ từ 20 đến 30°C. Tại hiện trường, các thông số này biến động theo thời gian thực với độ chính xác cao so với cảm biến thương mại, sai số dưới 5%.

  4. Hiệu quả hệ thống IoT và ML: Mô hình LSTM dự báo nhiệt độ, pH và DO với sai số trung bình tuyệt đối (MAE) lần lượt khoảng 0,3°C, 0,1 pH và 0,2 mg/L DO trong 20 ngày tiếp theo. Hệ thống giám sát cho phép cập nhật dữ liệu liên tục, giảm thời gian trễ so với các mô hình tập trung truyền thống.

Thảo luận kết quả

Kết quả cho thấy việc biến tính điện cực GCE bằng màng PANi/CoFe2O4/rGO nâng cao đáng kể độ nhạy và độ ổn định trong đo DO so với điện cực PANi đơn thuần. Điều này phù hợp với các nghiên cứu trước đây về vật liệu composite polymer dẫn và ferrite spinel trong cảm biến điện hóa. Việc tích hợp cảm biến DO, pH và nhiệt độ vào hệ thống IoT giúp thu thập dữ liệu liên tục và chính xác, khắc phục nhược điểm của phương pháp truyền thống như tốn nhân công và chi phí cao.

Mô hình dự báo LSTM thể hiện khả năng dự đoán chính xác các biến động môi trường nước, hỗ trợ người nuôi thủy sản chủ động điều chỉnh điều kiện nuôi. Dữ liệu có thể được trình bày qua biểu đồ thời gian thực, biểu đồ histogram và scatter plot để phân tích mối quan hệ giữa các thông số như nhiệt độ và DO, giúp đánh giá toàn diện chất lượng nước.

Tuy nhiên, độ bền cơ học của màng polymer dẫn còn hạn chế, cần nghiên cứu thêm để cải thiện tuổi thọ cảm biến trong môi trường nước nuôi thực tế. Ngoài ra, việc mở rộng phạm vi thu thập dữ liệu và áp dụng các thuật toán ML khác có thể nâng cao hiệu quả dự báo.

Đề xuất và khuyến nghị

  1. Phát triển và hoàn thiện cảm biến điện hóa: Tiếp tục tối ưu hóa vật liệu composite PANi/CoFe2O4/rGO để nâng cao độ bền cơ học và ổn định lâu dài trong môi trường nước nuôi. Mục tiêu giảm sai số đo DO dưới 3% trong vòng 12 tháng. Chủ thể thực hiện: nhóm nghiên cứu vật liệu và kỹ thuật điện hóa.

  2. Mở rộng hệ thống giám sát IoT: Triển khai hệ thống tại nhiều hồ nuôi thủy sản ở các địa phương khác nhau nhằm thu thập dữ liệu đa dạng, tăng độ tin cậy và khả năng dự báo. Mục tiêu hoàn thành trong 18 tháng. Chủ thể thực hiện: đơn vị quản lý nuôi trồng và công nghệ thông tin.

  3. Nâng cao mô hình dự báo ML: Áp dụng các thuật toán học sâu khác như GRU, mạng nơ-ron hồi quy đa tầng để cải thiện độ chính xác dự báo các thông số môi trường. Mục tiêu giảm MAE xuống dưới 0,15 mg/L DO trong 24 tháng. Chủ thể thực hiện: nhóm chuyên gia AI và dữ liệu.

  4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho cán bộ kỹ thuật và người nuôi thủy sản về sử dụng hệ thống giám sát và phân tích dữ liệu, giúp nâng cao hiệu quả quản lý môi trường nước. Mục tiêu triển khai trong 12 tháng. Chủ thể thực hiện: trường đại học, viện nghiên cứu và các tổ chức liên quan.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và giảng viên lĩnh vực hóa lý và công nghệ vật liệu: Luận văn cung cấp kiến thức sâu về tổng hợp vật liệu nano composite, biến tính điện cực và ứng dụng trong cảm biến điện hóa, hỗ trợ phát triển nghiên cứu mới.

  2. Chuyên gia và kỹ sư công nghệ môi trường và thủy sản: Nội dung về giám sát chất lượng nước nuôi thủy sản bằng công nghệ IoT và ML giúp cải tiến hệ thống quan trắc, nâng cao hiệu quả quản lý môi trường nuôi.

  3. Doanh nghiệp sản xuất thiết bị cảm biến và hệ thống IoT: Tham khảo quy trình chế tạo cảm biến DO, tích hợp đa cảm biến và ứng dụng công nghệ thông tin để phát triển sản phẩm phù hợp với thị trường NTTS.

  4. Người nuôi thủy sản và quản lý trang trại: Luận văn cung cấp giải pháp giám sát và dự báo chất lượng nước theo thời gian thực, giúp người nuôi chủ động điều chỉnh môi trường nuôi, giảm thiệt hại và tăng năng suất.

Câu hỏi thường gặp

  1. Tại sao chọn polyaniline (PANi) làm vật liệu chính cho cảm biến DO?
    PANi có khả năng dẫn điện tốt, hoạt hóa bằng proton, dễ tổng hợp điện hóa và có tính linh hoạt cao. Nó phù hợp để làm màng cảm biến pH và DO trong môi trường nước nhờ tính chọn lọc và giá thành hợp lý.

  2. Ưu điểm của việc biến tính điện cực bằng CoFe2O4/rGO là gì?
    Việc biến tính giúp tăng diện tích bề mặt, cải thiện độ dẫn điện và tính chọn lọc của điện cực, từ đó nâng cao độ nhạy và độ ổn định trong đo DO so với điện cực PANi đơn thuần.

  3. Hệ thống IoT và ML giúp gì trong quản lý chất lượng nước nuôi thủy sản?
    Hệ thống cho phép thu thập dữ liệu thời gian thực, phân tích và dự báo các biến động môi trường, giúp người nuôi chủ động điều chỉnh điều kiện nuôi, giảm thiệt hại và nâng cao hiệu quả sản xuất.

  4. Phương pháp tổng hợp graphene oxide (GO) và rGO được thực hiện như thế nào?
    GO được tổng hợp bằng phương pháp Hummers cải tiến từ graphite, sau đó khử GO thành rGO bằng ascorbic acid ở nhiệt độ 80°C trong 20 giờ, thu được vật liệu có tính dẫn điện cải thiện.

  5. Mô hình LSTM có ưu điểm gì trong dự báo chất lượng nước?
    LSTM có khả năng ghi nhớ dài hạn và xử lý dữ liệu chuỗi thời gian phức tạp, giúp dự báo chính xác các biến động của DO, pH và nhiệt độ trong nước nuôi thủy sản, hỗ trợ quản lý hiệu quả.

Kết luận

  • Đã phát triển thành công điện cực GCE biến tính bằng màng PANi/CoFe2O4/rGO với độ nhạy cao, thời gian đáp ứng nhanh và độ ổn định tốt trong đo oxy hòa tan (DO) trong nước nuôi thủy sản.
  • Hệ thống tích hợp cảm biến DO, nhiệt độ và pH hoạt động hiệu quả tại phòng thí nghiệm và hiện trường, cho kết quả đo chính xác và liên tục.
  • Mô hình dự báo LSTM ứng dụng trong hệ thống IoT giúp dự báo chính xác các thông số môi trường nước, hỗ trợ quản lý nuôi trồng thủy sản thông minh.
  • Nghiên cứu góp phần nâng cao hiệu quả quan trắc môi trường nước NTTS, giảm chi phí và nhân lực, thúc đẩy phát triển ngành thủy sản bền vững.
  • Các bước tiếp theo bao gồm tối ưu vật liệu cảm biến, mở rộng triển khai hệ thống và nâng cao mô hình dự báo, đồng thời đào tạo chuyển giao công nghệ cho người nuôi và quản lý.

Hãy áp dụng các giải pháp công nghệ tiên tiến này để nâng cao hiệu quả quản lý môi trường nước nuôi thủy sản, góp phần phát triển ngành thủy sản Việt Nam theo hướng bền vững và hiện đại.