Tổng quan nghiên cứu

Trong lĩnh vực kỹ thuật hạt nhân, việc ghi đo bức xạ nơtron đóng vai trò quan trọng trong nhiều ứng dụng khoa học và công nghiệp như vật lý y khoa, chế tạo vật liệu và phân tích không phá hủy mẫu. Theo ước tính, các đầu dò nhấp nháy hiện nay được sử dụng phổ biến trong hệ đo nơtron nhờ hiệu suất ghi lớn và tốc độ đếm cao. Tuy nhiên, một thách thức lớn là đầu dò nhấp nháy cũng rất nhạy với bức xạ gamma, gây khó khăn trong việc phân biệt tín hiệu nơtron và gamma. Việc nhận dạng chính xác các xung do nơtron và gamma tạo ra là yếu tố then chốt để nâng cao độ chính xác của phép đo nơtron.

Mục tiêu nghiên cứu của luận văn là tối ưu hóa quá trình hình thành xung cho đầu dò nhấp nháy EJ-301 trong hệ đo và nhận dạng xung nơtron/gamma, nhằm nâng cao hiệu quả phân biệt dạng xung. Nghiên cứu tập trung vào xác định các tham số tối ưu cho bộ khuếch đại hình thành xung CR-(RC)2 và bộ lọc Sallen-key, sử dụng phương pháp bán thực nghiệm kết hợp mô phỏng trên Matlab và Simulink. Phạm vi nghiên cứu bao gồm các xung ghi nhận từ đầu dò EJ-301 tại Việt Nam trong năm 2022, với dữ liệu thu thập từ các nguồn gamma (^22Na, ^137Cs, ^60Co) và nguồn nơtron ^252Cf.

Ý nghĩa của nghiên cứu được thể hiện qua việc cung cấp cơ sở dữ liệu và mô hình tối ưu cho thiết kế bộ hình thành xung, góp phần nâng cao độ chính xác và hiệu quả phân biệt dạng xung trong các hệ đo nơtron/gamma sử dụng đầu dò nhấp nháy, từ đó hỗ trợ phát triển các ứng dụng kỹ thuật hạt nhân trong thực tế.

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:

  • Tương tác bức xạ với vật chất: Bao gồm hiệu ứng quang điện, tán xạ Compton và tạo cặp đối với gamma; tán xạ đàn hồi, tán xạ không đàn hồi và phản ứng hạt nhân đối với nơtron. Hiểu biết này giúp giải thích sự khác biệt về dạng xung do nơtron và gamma tạo ra trong đầu dò nhấp nháy.

  • Phân biệt dạng xung (Pulse Shape Discrimination - PSD): Các phương pháp truyền thống như so sánh điện tích (Charge Comparison - CC), cắt không (Zero Crossing - ZC) và các phương pháp hiện đại như nhận dạng mẫu (Correlation Pattern Recognition - CPR), mạng trí tuệ nhân tạo (Artificial Neural Network - ANN). Trong nghiên cứu này, phương pháp cắt không được lựa chọn làm tiêu chuẩn đánh giá hiệu quả.

  • Mô hình hình thành xung CR-(RC)2: Bộ khuếch đại hình thành xung gồm một tầng vi phân (CR) và hai tầng tích phân (RC) được sử dụng để biến đổi tín hiệu đầu ra từ PMT thành dạng xung lưỡng cực phù hợp cho phân biệt dạng xung.

  • Bộ lọc Sallen-key thông thấp: Được áp dụng để lọc nhiễu tần số cao trên tín hiệu, với tham số thời hằng τ = RC ảnh hưởng đến hình dạng xung và hiệu quả phân biệt.

Các khái niệm chính bao gồm: thời hằng của bộ lọc và bộ hình thành xung, hệ số phẩm chất (Figure of Merits - FoM) dùng để đánh giá hiệu quả phân biệt dạng xung, và các tham số đặc trưng của xung như thời gian cắt không và biên độ xung.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các xung điện tử được số hóa từ đầu dò nhấp nháy EJ-301, sử dụng ống nhân quang điện PMT R9420 và bộ số hóa DRS4 với tốc độ lấy mẫu 1000 Mega Samples Per Second (MSPS) và độ phân giải 14 bit. Tổng cộng khoảng 300.000 xung gamma từ các nguồn ^22Na, ^137Cs, ^60Co và khoảng 100.000 xung nơtron/gamma từ nguồn ^252Cf được thu thập.

Phương pháp nghiên cứu bao gồm:

  • Ghi nhận và xây dựng tập dữ liệu xung PMT: Các xung được lưu trữ dưới dạng ma trận 2 chiều (N x 1024 mẫu) trong file nhị phân TDMS, đảm bảo giữ nguyên đặc trưng nhiễu và dạng xung thực tế.

  • Mô phỏng và thiết kế mô-đun hình thành xung CR-(RC)2 trên Matlab/Simulink: Tập xung PMT được phát tuần tự trong mô hình, qua bộ lọc Sallen-key và bộ hình thành xung CR-(RC)2 với các tham số thời hằng khác nhau.

  • Thuật toán phân biệt dạng xung bằng phương pháp cắt không (ZC): Xác định thời gian từ điểm khởi đầu xung đến điểm xung đi qua mức 0 V, sử dụng biên độ và thời gian cắt không làm tham số nhận dạng.

  • Khảo sát tham số tối ưu: Thay đổi các tham số thời hằng của bộ lọc Sallen-key và bộ hình thành xung CR-(RC)2, tính toán hệ số FoM dựa trên phổ phân bố tham số nhận dạng để đánh giá hiệu quả phân biệt.

  • Timeline nghiên cứu: Thu thập dữ liệu và xây dựng mô hình trong năm 2021-2022, thực hiện mô phỏng và phân tích dữ liệu trong 6 tháng cuối năm 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Ảnh hưởng của thời hằng bộ lọc Sallen-key đến hiệu quả phân biệt dạng xung: Khi thời hằng τ của bộ lọc tăng từ 1 ns đến 8 ns, hệ số FoM của phương pháp cắt không và tỉ số diện tích/biên độ xung tăng đáng kể, đạt giá trị tối ưu khoảng 1.2 tại τ = 8 ns, cao hơn khoảng 25% so với τ = 1 ns.

  2. Tối ưu tham số bộ hình thành xung CR-(RC)2: Các cặp tham số thời hằng τ1 (vi phân) và τ2 = τ3 (tích phân) được khảo sát trong khoảng 5 ns đến 60 ns. Kết quả cho thấy cặp (τ1 = 20 ns, τ2 = τ3 = 60 ns) đạt FoM cao nhất, khoảng 1.35, tăng 15% so với các tham số khác.

  3. Hiệu quả phân biệt dạng xung nơtron/gamma: Với tham số tối ưu, tỉ lệ phân loại chính xác đạt trên 95% đối với nguồn ^252Cf, trong khi các tham số chưa tối ưu chỉ đạt khoảng 80-85%.

  4. Ảnh hưởng của biên độ xung: Phân bố tham số nhận dạng cho thấy hiệu quả phân biệt giảm ở vùng biên độ thấp (< 200 keV), phù hợp với nhận định trong tài liệu rằng đầu dò EJ-301 có hiệu quả phân biệt kém ở vùng năng lượng thấp.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu quả phân biệt dạng xung là do việc lựa chọn thời hằng bộ lọc Sallen-key phù hợp giúp loại bỏ hiệu quả các thành phần nhiễu tần số cao mà không làm mất các đặc trưng dạng xung quan trọng. Đồng thời, tham số bộ hình thành xung CR-(RC)2 ảnh hưởng đến hình dạng xung lưỡng cực, từ đó ảnh hưởng đến thời gian cắt không và biên độ xung, các tham số then chốt trong phương pháp cắt không.

So sánh với các nghiên cứu trước, kết quả FoM đạt được trong luận văn tương đương hoặc vượt trội hơn các hệ thống tương tự sử dụng đầu dò EJ-301 và phương pháp phân biệt dạng xung truyền thống. Việc sử dụng phương pháp bán thực nghiệm kết hợp mô phỏng giúp tiết kiệm thời gian và chi phí so với phương pháp thực nghiệm thuần túy.

Dữ liệu có thể được trình bày qua biểu đồ FoM theo thời hằng bộ lọc Sallen-key và bộ hình thành xung CR-(RC)2, cũng như bảng thống kê tỉ lệ phân loại chính xác theo từng tham số. Các biểu đồ phân bố tham số nhận dạng theo biên độ xung minh họa rõ sự khác biệt giữa nơtron và gamma.

Đề xuất và khuyến nghị

  1. Áp dụng tham số tối ưu cho bộ hình thành xung CR-(RC)2 trong thiết kế hệ đo nơtron/gamma: Khuyến nghị sử dụng cặp thời hằng τ1 = 20 ns, τ2 = τ3 = 60 ns để đạt hiệu quả phân biệt cao nhất. Chủ thể thực hiện là các nhóm nghiên cứu và kỹ sư thiết kế thiết bị đo, thời gian áp dụng trong vòng 6 tháng.

  2. Sử dụng bộ lọc Sallen-key với thời hằng τ = 8 ns để lọc nhiễu tần số cao: Giúp nâng cao tỉ số tín hiệu trên nhiễu, cải thiện độ chính xác phân biệt dạng xung. Thời gian triển khai trong giai đoạn thiết kế mạch điện tử.

  3. Phát triển phần mềm mô phỏng và thuật toán phân biệt dạng xung tích hợp trên nền tảng số hóa tốc độ cao: Tăng tính linh hoạt và khả năng mở rộng cho các hệ đo hiện đại. Chủ thể là các nhà phát triển phần mềm và kỹ sư hệ thống, thời gian 1 năm.

  4. Nâng cao hiệu quả phân biệt ở vùng năng lượng thấp (< 200 keV): Nghiên cứu bổ sung các phương pháp phân tích tín hiệu nâng cao như mạng neural nhân tạo hoặc kết hợp nhiều phương pháp PSD để cải thiện khả năng phân biệt. Thời gian nghiên cứu tiếp theo 1-2 năm.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và kỹ sư trong lĩnh vực vật lý hạt nhân và kỹ thuật hạt nhân: Có thể ứng dụng kết quả nghiên cứu để thiết kế và tối ưu hệ đo nơtron/gamma, nâng cao độ chính xác và hiệu quả phân biệt dạng xung.

  2. Các đơn vị phát triển thiết bị đo bức xạ và cảm biến nhấp nháy: Sử dụng mô hình và tham số tối ưu để cải tiến thiết kế bộ khuếch đại hình thành xung và bộ lọc, từ đó nâng cao chất lượng sản phẩm.

  3. Giảng viên và sinh viên ngành vật lý nguyên tử, hạt nhân và kỹ thuật điện tử: Tham khảo để hiểu sâu về nguyên lý đo bức xạ, kỹ thuật xử lý tín hiệu và ứng dụng mô phỏng trong nghiên cứu khoa học.

  4. Các tổ chức kiểm định và ứng dụng kỹ thuật hạt nhân trong y tế, công nghiệp: Áp dụng phương pháp phân biệt dạng xung để nâng cao độ tin cậy trong đo lường bức xạ, phục vụ công tác kiểm tra an toàn và phân tích mẫu.

Câu hỏi thường gặp

  1. Tại sao cần phân biệt dạng xung nơtron và gamma trong hệ đo?
    Phân biệt dạng xung giúp loại bỏ tín hiệu gamma gây nhiễu, từ đó đo chính xác hơn lượng nơtron. Ví dụ, trong y tế hạt nhân, việc này giúp đánh giá liều lượng bức xạ chính xác hơn.

  2. Phương pháp cắt không (Zero Crossing) hoạt động như thế nào?
    Phương pháp đo thời gian từ điểm bắt đầu xung đến khi xung đi qua mức 0 V trên xung lưỡng cực. Thời gian này khác nhau giữa nơtron và gamma, giúp phân biệt hiệu quả.

  3. Bộ lọc Sallen-key có vai trò gì trong quá trình xử lý xung?
    Bộ lọc loại bỏ nhiễu tần số cao, làm sạch tín hiệu trước khi hình thành xung, giúp tăng tỉ số tín hiệu trên nhiễu và cải thiện độ chính xác phân biệt.

  4. Tại sao chọn mô hình CR-(RC)2 cho bộ hình thành xung?
    Mô hình CR-(RC)2 đơn giản, hiệu quả cao, tạo ra xung lưỡng cực phù hợp cho phương pháp cắt không, đồng thời có tỉ số tín hiệu trên nhiễu tốt hơn các mô hình khác.

  5. Làm thế nào để xác định tham số tối ưu cho bộ hình thành xung?
    Sử dụng phương pháp bán thực nghiệm kết hợp mô phỏng trên Matlab/Simulink, thay đổi tham số và tính toán hệ số FoM để chọn tham số cho hiệu quả phân biệt cao nhất.

Kết luận

  • Luận văn đã nghiên cứu và xác định được tham số tối ưu cho bộ hình thành xung CR-(RC)2 và bộ lọc Sallen-key, nâng cao hiệu quả phân biệt dạng xung nơtron/gamma cho đầu dò nhấp nháy EJ-301.
  • Phương pháp bán thực nghiệm kết hợp mô phỏng giúp tiết kiệm thời gian và chi phí so với phương pháp thực nghiệm thuần túy.
  • Hiệu quả phân biệt dạng xung đạt FoM tối đa khoảng 1.35 và tỉ lệ phân loại chính xác trên 95% với tham số tối ưu.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn trong thiết kế và cải tiến các hệ đo nơtron/gamma sử dụng đầu dò nhấp nháy.
  • Đề xuất các hướng nghiên cứu tiếp theo nhằm nâng cao hiệu quả phân biệt ở vùng năng lượng thấp và phát triển thuật toán phân biệt dạng xung trên nền tảng số hóa tốc độ cao.

Áp dụng tham số tối ưu trong thiết kế hệ đo thực tế và mở rộng nghiên cứu các phương pháp phân biệt dạng xung nâng cao để phục vụ các ứng dụng kỹ thuật hạt nhân hiện đại.