Đề tài nghiên cứu khoa học: Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ tại các khu vực mỏ chưa chất phóng xạ, áp dụng thử nghiệm ở mỏ đồng Sin Quyền

Một số nghiên cứu trên thế giới đã sử dụng phương pháp cây quyết định để phân tích nồng độ radon trong đất để dự báo động đất Boris Zmazek và nnk., 2003 hoặc mô hình mạng nơtron nhân tạ

DAI HQC QU6C GIA HA NQI

,r^<

cAr o4r Hec euoc GrA

TGn tI6 tdi: Nghi6n cri"u rtng dgng tri tuQ nhin t?o trong gi6m s{t vi

dq b6o phrlt tdn khf ph6ng x3 tgi c{c khu-vqc m6 chria c[6i ph6ng xa,

rip dgng thir nghiQm o m6 tl6ng Sin euy6n

vra s6 od tii: eG.21.19

Dm{ U CHU TRi DE TAr d CHt NHrEM DE TAr

PHO HIEU TRU'O'Nb

PGS.TS Nguy6n Tii TuQ

6-)\i)

o ,U -" -l \NHIEN

PGS TS Trii'n eu6t Binh

Hi Noi,2024

PHẦN I THÔNG TIN CHUNG

1.1 Tên đề tài: Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ tại các khu vực mỏ chứa chất phóng xạ, áp dụng thử nghiệm

ở mỏ đồng Sin Quyền

1.2 Mã số: QG.21.19

1.3 Danh sách chủ trì, thành viên tham gia thực hiện đề tài

hiện đề tài

1 PGS TS Nguyễn Tài Tuệ Trường Đại học Khoa học Tự nhiên Chủ nhiệm

2 TS Trần Đăng Quy Trường Đại học Khoa học Tự nhiên Thư ký khoa học

3 TS Dương Văn Hào Trường Đại học Mỏ - Địa chất Thành viên thực hiện chính

4 HVCH Nguyễn Doanh Khoa PTN Trọng điểm Địa môi trường và

1.4 Đơn vị chủ trì: Trường Đại học Khoa học Tự nhiên

1.5 Thời gian thực hiện:

1.5.1 Theo hợp đồng: từ tháng 4 năm 2021 đến tháng 4 năm 2023

1.5.2 Gia hạn (nếu có): đến tháng 4 năm 2024

1.5.3 Thực hiện thực tế: từ tháng 4 năm 2023 đến tháng 4 năm 2024

1.6 Những thay đổi so với thuyết minh ban đầu (nếu có): Không

1.7 Tổng kinh phí được phê duyệt của đề tài: 280 triệu đồng

PHẦN II TỔNG QUAN KẾT QUẢ NGHIÊN CỨU

1 Đặt vấn đề

Radon là một loại khí trơ có tính phóng xạ, có thể gây ra những hậu quả nghiêm trọng đến sức khỏe con người, do đó cần thực hiện giám sát để đảm bảo an toàn sức khỏe cộng đồng (R W Field, 2011; D E Tchorz-Trzeciakiewicz và M Kłos, 2017) Bên cạnh giám sát để bảo vệ sức khỏe con người, đặc điểm phát tán khí radon có thể

được ứng dụng trong nghiên cứu địa chấn và kiến tạo (I Nevinsky và nnk., 2018) và nghiên cứu các mô hình vận chuyển khí quyển (Mohan L Gupta và nnk., 2004) Đồng

vị radon 222Rn và các phóng xạ con của nó là sản phẩm phân rã của các đồng vị 238U,

235U và 232Th Nồng độ khí radon có sự biến đổi khác nhau về mặt không gian và thời gian trong các thành tạo đất, đá khác nhau Quá trình phát tán khí radon trong các khe nứt của đất, đá phụ thuộc vào nồng độ của các hạt nhân phóng xạ trong chuỗi phân rã

mẹ Sự eman hóa là một trong những yếu tố quan trọng nhất trong đánh giá sự phân bố khí radon vì nó ảnh hưởng đến tốc độ thâm nhập khí radon từ lòng đất vào khí quyển

(A A Bourai và nnk., 2016) Trong những năm gần đây, các phương pháp địa thống kê

đã được sử dụng để phát hiện sự phân bố khí radon (S N Manohar và nnk., 2013; T Szegvary và nnk., 2007; S van der Laan và nnk., 2016) Các nghiên cứu này đã chỉ ra

mối quan hệ giữa khí radon với các thông số môi trường với độ tin cậy khá cao (Oktay

Baykara và Mahmut Dogru, 2006; F S Erees và nnk., 2007; Murat İnceöz và nnk.,

2006) Để đánh giá tốt hơn đặc điểm biến đổi nồng độ khí 222Rn, cần thực hiện nhiều phân tích thống kê khác nhau Phần lớn, mối quan hệ giữa nồng độ khí radon và các thông số môi trường được giả thiết có tính chất tuyến tính Điều này làm giảm độ chính xác của phương pháp nghiên cứu, vì thực tế các thông số môi trường có thể có ảnh

hưởng phi tuyến tính đến nồng độ radon (A Negarestani và nnk., 2002) Khi sử dụng các

hàm thông thường, việc tổng hợp nhiều hàm, nhiều biến có thể gây khó khăn cho quá trình mô phỏng

Trong những năm gần đây, các kỹ thuật tiên tiến hơn được gọi là học máy hoặc trí tuệ nhân tạo (AI) được phát triển và áp dụng trong các bài toán dự báo như đánh giá rủi

ro thiên tai (Dong Van Dao và nnk., 2020; Hamid Reza Pourghasemi và nnk., 2020), dự đoán tính chất đất (Binh Thai Pham và nnk., 2019; Javier I Rivera và Carlos A Bonilla, 2020), dự đoán về đặc tính vật liệu xây dựng (Hai-Bang Ly và nnk., 2019; Abbas Rashidi

và nnk., 2016; Jing Wei và nnk., 2019) So với các cách tiếp cận truyền thống, các kỹ

thuật này được đánh giá có tính hiệu quả về chi phí và thời gian Trong trường hợp dự báo phát tán khí radon, có rất ít các nghiên cứu thực hiện bằng phương pháp học máy Một số nghiên cứu trên thế giới đã sử dụng phương pháp cây quyết định để phân tích

nồng độ radon trong đất để dự báo động đất (Boris Zmazek và nnk., 2003) hoặc mô hình

mạng nơtron nhân tạo (ANN) để dự báo động đất thông qua giám sát sự phát tán khí

radon (Fatih Külahcı và nnk., 2009) Mạng nơtron nhân tạo và ứng dụng cây quyết định

được đưa ra như một phương pháp thay thế tiềm năng trong dự báo đặc điểm phát tán khí radon trong môi trường

Vì vậy, xây dựng cơ sở khoa học và các công cụ học máy, trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ từ các vùng mỏ chứa chất phóng xạ ra môi trường xung quanh là một yêu cầu cấp thiết Từ đó, đề tài nghiên cứu này hướng đến áp dụng các phương pháp học máy và trí tuệ nhân tạo để giám sát và dự báo phát tán khí phóng

xạ radon tại các mỏ chứa chất phóng xạ và áp dụng tại mỏ đồng Sin Quyền, huyện Bát Xát, tỉnh Lào Cai Các kết quả nghiên cứu của đề tài có thể ứng dụng trong giám sát và

dự báo các nguy cơ khí radon lan truyền trong môi trường liên quan đến khai thác và chế biến quặng phóng xạ hoặc cộng sinh phóng xạ, các khu vực phát thải và chôn lấp chất thải phóng xạ, từ lò phản ứng hạt nhân, từ vật liệu xây dựng có hoạt độ phóng xạ cao, áp dụng cho kịch bản xảy ra sự cố về hạt nhân cho các nhà máy điện hạt nhân trong tương lại tại Việt Nam trong tương lai

2 Mục tiêu

1 Xây dựng quy trình và phương pháp học máy, trí tuệ nhân tạo trong giám sát và

dự báo phát tán khí phóng xạ radon tại các mỏ chứa chất phóng xạ

2 Áp dụng thử nghiệm trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng

xạ radon ra môi trường tại mỏ đồng Sin Quyền

3 Phương pháp nghiên cứu

3.1 Khu vực nghiên cứu

Mỏ đồng Sin Quyền thuộc huyện Bát Xát, tỉnh Lào Cai Khu vực mỏ nằm ở bờ phải Sông Hồng, kéo dài từ các bản Vi Kẽm, Cốc Mỳ đến trung tâm xã Bản Vược (Hình 1) Khu vực mỏ đồng Sin Quyền cách thành phố Lào Cai khoảng 25 km về phía Bắc, giao thông đi lại thuận tiện, có đường tỉnh lộ Mỏ đồng Sin Quyền được khai thác từ năm

2006, với sản lượng hàng triệu tấn đồng hàng năm Trữ lượng mỏ được đánh giá lớn hơn 50 triệu tấn (V.D Ta, 1975)

3.2 Nghiên cứu khảo sát thực địa và lấy mẫu

Nghiên cứu khảo sát thực địa được tiến hành để xác định các đặc điểm điều kiện tự nhiên (địa hình, địa chất, đặc điểm lớp phủ thực vật), đặc điểm phân bố dân cư xung quanh mỏ đồng Sin Quyền; đo đạc nồng độ Rn ở các khu vực xung quanh và trong mỏ đồng Sin Quyền; lấy mẫu đất, đá và quặng để phân tích đồng vị phóng xạ trong phòng thí nghiệm Dữ liệu urani được đo bằng thiết bị phổ gamma trong mạng lưới ô khảo sát kích thước 3×3m Tổng diện tích đo hàm lượng urani trên một vùng có kích thước 350×1.250 m tại vùng mỏ Sin Quyền, được trình bày trong Hình 1 Thiết bị đo tia gamma phát ra từ bề mặt đất là máy phổ gamma 5 kênh Tại mỗi điểm đo, đầu dò gamma được đặt ở vị trí cách mặt đất 1 m và đo tự động trong thời gian 3 phút Kết quả đo ghi nhận hàm lượng của các đồng vị phóng xạ K (%), eU (ppm) và eTh (ppm) và suất liều hấp thụ gamma (nGy/h)

Hình 1 Sơ đồ các vị trí nghiên cứu và đo hiện trường ở mỏ đồng Sin Quyền

Nồng độ radon tích lũy tại các hộ gia đình được giám sát trong thời gian 3 tháng bằng thiết bị CR-39 tại 21 hộ gia đình xung quanh vùng mỏ Tại các hộ gia đình nồng

độ radon được đo tại 2 điểm ở trong và ngoài nhà Thiết bị CR-39 được treo ở độ cao từ 1,5-1,8 m phía trên nền nhà và cách 2 m so với tường và cửa Sau khoảng thời gian giám sát, các thiết bị CR-39 được thu thập và mang về phòng thí nghiệm để xử lý Đầu tiên, các thiết bị này dược nhúng trong dung dịch NaOH 6,25M ở nhiệt độ 80 oC Quá trình

này để xác định các vết khắc trên bề mặt CR-39 Số lượng các vết khắc được đếm trên kính hiển vi điện tử Nồng độ radon (Bq/m3) được chuyển đổi dựa vào đường cong hiệu chuẩn giữa thể tích thiết bị và mật độ vết khắc Radon có nguồn gốc từ mỏ đồng Sin Quyền và các hoạt động khai thác mỏ và chế biến mỏ Phương pháp đo hàm lượng radon bằng thiết bị CR-39 có thể đánh giá được đặc điểm tích lũy trong khoảng thời gian 3 tháng Giá trị hàm lượng này sẽ được sử dụng để tính toán liều lượng của radon và loại trừ được các yếu tố ảnh hưởng như thời tiết, khí hậu (lượng mưa, độ ẩm, gió, nhiệt độ,

áp suất), địa hình và địa mạo Liều gamma tại các điểm đo phản ánh hàm lượng nền radon tại điểm đo và hàm lượng radon từ các yếu tố khác mang đến Các dữ liệu về tọa

độ, khoảng cách, hướng được đo bằng GPS và tính toán dựa trên các dữ liệu đo ngoài thực địa

3.2 Xử lý và phân tích mẫu phóng xạ trong phòng thí nghiệm

Các kết quả phân tích trong phòng thí nghiệm vừa cung cấp tham số đầu vào cho quy trình mà còn được dùng để hiệu chỉnh cho số liệu đo đạc ngoài thực địa cũng như đánh giá sai số, độ tin cậy của phương pháp và xây dựng mô hình phóng xạ của mỏ Các mẫu đất, đá được xử lý và phân tích để đo các chỉ số 226Ra, 232Th và 40K Các đồng vị này được đo bằng phổ gamma bán dẫn HGe siêu tinh khiến phông thấp dải đo rộng của ORTEC (Hình 2) Các đầu dò siêu tinh khiết được kết nối với hệ thống máy tính điều khiển Bức xạ nền của hệ thống được xác định khi không cho mẫu vào đầu dò và đếm các tia phát xạ ở các điện thế 1764 keV (214Bi) Hệ thống phổ gamma được hiệu chuẩn với các chất chuẩn cho các đồng vị 226Ra, 232Th và 40K

Hình 2 Hệ phổ kế Gamma phông thấp

(GEM50P4-70 – Ortec-Ametek, Hoa Kỳ) tại khoa Địa chất, Trường Đại học Khoa học Tự nhiên

Các mẫu đất, đá được nghiền mịn và sấy khô ở 120 oC trong 24h để loại bỏ hoàn toàn độ ẩm Mẫu được cân và đóng trong các cốc nhôm dung tích 121,2 ml được hút chân không và đóng kín để ngăn phát xạ khí radon Mẫu được để trong phòng thí nghiệm trong 22 ngày ở nhiệt độ không đổi để đạt được trạng thái cân bằng giữa 222Rn và 226Ra Hàm lượng của 238U và 226Ra được xác định qua các điện thế gồm: 1000,8 keV (234Pa); 609,3 keV, 1120,3 keV và 1764,5 keV (214Bi) Hàm lượng 232Th được xác định qua các điện thế 911,2 keV và 969,0 keV (228Ac) và 583,0 keV và 2614,4 keV (208Tl) Hàm lượng 40K được xác định tại điện thế 1461 keV Mỗi mẫu được đếm trong buồng đo trong thời gian 50h với sai số nhỏ hơn 3%

3.3 Chuẩn hóa số liệu để xây dựng bộ dữ liều đầu vào

Tập dữ liệu sử dụng bao gồm hơn 1 triệu giá trị hàm lượng radon (Bq/m3) và các biến đầu vào gồm: tọa độ (X, Y; đơn vị m) là tọa độ X và Y của các điểm đo, khảo sát;

Liều gamma (Sv/h) ở độ cao 1m so với bề mặt tại vị trí khảo sát; Khoảng cách (m): từ

điểm có dữ liệu mẫu quặng ở trong mỏ đến vị trí khảo sát; Hướng (độ): hướng địa lý từ điểm có dữ liệu mẫu quặng ở trong mỏ so với vị trí khảo sát; Hàm lượng urani (ppm): Hàm lượng urani có trong mẫu quặng ở trong mỏ Hàm lượng urani phía trong và ngoài

mỏ có liên quan với hàm lượng radon thoát ra từ quặng, đất, đá Hàm lượng radon thoát

ra được đo đạc tại các điểm để đưa vào mô hình dự báo

Các dữ liệu đầu vào khác nhau về đơn vị tính toán, do vậy các dữ liệu được chuẩn hóa và chuyển đổi về khoảng 0-1 theo công thứ (1):

i i

z max( x ) min( x )

−

=

Trong đó, x i là giá trị các tham số đưa vào tính toán tại vị trí i, min(x), max(y) lần

lượt là giá trị nhỏ nhất và lớn nhất của các tham số; z i là giá trị chuẩn hóa

Đồ thị phân bố tần suất của các giá trị gamma, khoảng cách, hướng, hàm lượng urani

và radon được trình bày trong Hình 3 Đồ thị tương quan giữa các tham số được trình bày trong Hình 4 Vùng có màu đậm hơn trong hình thể hiện tương quan âm mạnh hơn Kết quả chỉ ra hàm lượng radon có tương quan yếu với các biến khác, tạo ra tương quan phi tuyến tính giữa các biến đầu vào và đầu ra

Hình 3 Đồ thị thống kê của liều gamma (a), khoảng cách (b), hướng (c), hàm lượng

urani (d), và hàm lượng radon (e)

Hình 4 Ma trận tương quan giữa các biến đầu vào và đầu ra

4 Tổng kết kết quả nghiên cứu

4.1 Xây dựng mô hình học máy

Mô hình ANN hoạt động tương tự như bộ não con người có chứa hàng tỉ các nơtron hoặc nút Mỗi nơtron nhận được tín hiệu từ các nơtron khác và gửi các tín hiệu đến các nơtron khác Thông thường, mạng ANN là rất phức tạp, có cấu trúc lớp và bao gồm lớp

dữ liệu đầu vào và kết quả đầu ra và rất nhiều các lớp ẩn Tuy nhiên, ANN chỉ với một lớp ẩn đã đủ để đồng nhất bất kỳ hàm liên tục nào (George Cybenko, 1989) Trong nghiên cứu này, hàm lượng radon được giả thiết là kết quả của 06 biến độc lập trong mô hình ANN Cấu trúc mô hình ANN được trình bày trong Hình 5

Trong phương trình (2), các thành phần p i của vector đầu vào P được kết nối với các

nơtron n j trong các lớp ẩn bằng các trọng số w ij Các nơtron có tổng của các trọng số từ

các lớp dữ liệu đầu vào và sai số b j được trình bày trong phương trình (3) Giá trị tổng

số này được chuyển qua hàm chuyển fh để tạo kết quả đầu ra aj được trình bày trong phương trình (4) và (5):

11

Hidden layer

(N neurons)

Output layer (1 neuron)

Radon

j h j

Trong lớp kết quả đầu ra, các nơtron đầu ra lại tạo ra dữ liệu sản phẩm Yt, đây là sản

phẩm kết nối trọng số w jt và ái số b t đi qua hàm chuyển đổi fo theo các phương trình (6), (7), (8):

Tiếp theo, phương trình (13) và (14) lần lượt được sử dụng để cập nhật các trọng số

và độ lệch giữa lớp dữ liệu đầu vào và đầu ra:

Phần mềm Matlab được sử dụng để thiết lập và chạy mô hình ANN Trong giai đoạn

đầu của quá trình huấn luyện, trọng số (w ij , w jt ) và độ lệch (b j , b t) được tính toán ngẫu nhiên Mô hình được huấn luyện bằng phương pháp Levenberg-Marquardt (Moré, 1978)

cho nhiều chu kỳ đến khi mô hình đạt ổn định giá trị MSE (phương trình 9)

Để định lượng và so sánh độ chính xác của các mô hình, các giá trị bao gồm: RMSE (phương trình 15), sai số phần trăm tuyệt đối trung bình MAPE (phương trình 16), sai

số độ lệch tuyệt đối trung bình MABE (phương trình 17), hệ số tương quan r (phương trình 18), hệ số R2 (phương trình 19) được sử dụng

( )2 1

T

t T

Trong đó, yt và Y t lần lượt là các giá trị radon đo đạc và dự báo; y và t Y t lần lượt là

giá trị trung bình radon đo đạc và dự báo và T là số lần huấn luyện

RMSE là hệ số đánh giá sự khác nhau giữa hàm lượng radon dự báo và đo đạc bằng

các mô hình Thông thường, hệ số RMSE thấp là tốt hơn so với giá trị cao Trong khi,

hệ số MAPE là giá trị thống kê đánh giá mức độ chính xác của mô hình ANN Giá trị lớn nhất chỉ thị cho mô hình có độ chính xác cao MABE là giá trị ước lượng về mức độ tương đồng giữa hàm lượng radon dự báo và đo đạc Hệ số MABE thấp phản ánh mô

hình có độ chính xác cao Hệ số tương quan r được sử dụng để đánh giá tương quan giữa giá trị dự báo và đo đạc Nếu r=1 thể hiện sự chính xác giữa giá trị dự báo và đo đạc Hệ

số R2 sử dụng để đánh giá sự biến động giữa giá trị dự báo của mô hình Nếu R2 gần với

1, phản ánh mức độ quan trọng của dự báo

4.2 Huấn luyện mô hình ANN để dự báo radon

Quá trình huấn luyện mô hình ANN được thực hiện theo các bước trong Hình 6

- Bước 1: Thu thập và phân tích dữ liệu

- Bước 2: Phân chia dữ liệu: trong bước này 80% dữ liệu được sử dụng để huấn luyện

mô hình; 20% dữ liệu được sử dụng để kiểm định mô hình

- Bước 3: Thực hiện huấn luyện bằng sử dụng mô hình ANN với một lớp ẩn để xác định ổn định cấu trúc

- Bước 4: Đánh giá khả năng dự báo của mô hình bằng dữ liệu kiểm định và các hệ

số (RMSE, MAPE, MABE, r, và R2) để tối ưu hóa cấu hình mô hình, chủ yếu tập trung vào việc xác định số lượng nút ẩn tối ưu Bước này, mô hình đề xuất được so sánh với một số mô hình học máy chuẩn, ví dụ mô hình ANN 2 lớp ẩn, Support Vector Machine (SVM), và Random Forest (RF) để xác định hiệu quả dự báo của mô hình

- Bước 5: Phân tích độ nhạy được thực hiện để xác định các yếu tố có ảnh hưởng nhất đến khả năng dự báo của mô hình

Hình 6 Sơ đồ các bước huấn luyện mô hình ANN để dự báo radon

4.3 Luận giải kết quả, hiệu chỉnh đưa ra phương án tối ưu cho mô hình

4.3.1 Xác định cấu trúc tối ưu của mô hình ANN

Mô hình ANN đề xuất chỉ có một lớp ẩn, trong bước này chỉ xác định số nơtron trong lớp ấn Hiện nay không có quy trình hoặc quy định nào được chấp nhận để xác định số lượng nơtron ẩn tối ưu Dựa trên định lý Kolmogorov, Robert Hecht-Nielsen (1987) đề xuất rằng 2n+1 (n là số tham số dự báo) phải là số nơtron tối đa trong mạng nơtron một lớp ẩn Căn cứ vào gợi ý này, số lượng nơtron ẩn tối đa trong nghiên cứu này là 13 (n = 6) (Bảng 1) và số lượng nơtron ẩn tối thiểu là 2

Bảng 1 Hiệu suất của các mô hình ANN với số lượng nơtron khác nhau trong lớp ẩn

TT Số nơtron ẩn RMSE (Bq/m 3 ) MAPE (%) MABE (%) r R 2

Hình 7 Giá trị MSE của các mô hình ANN khác nhau sử dụng tập dữ liệu huấn luyện và

kiểm định với số lần huấn luyện

Phần mềm Matlab được sử dụng để chạy mô hình ANN sử dụng trọng số và độ lệch ngẫu nhiên Mô hình ANN được huấn luyện 10 lần cho mỗi cấu hình ANN (số nơtron trong lớp ẩn) để xác định kết quả tối ưu Hình 7 trình bày giá trị MSE của các mô hình ANN khác nhau (có số nơtron khác nhau trong lớp ẩn) Kết quả chỉ ra mô hình với 12

và 13 lớp ẩn cho kết quả MSE tốt nhất với chu kỳ 300 (Bảng 1) Nhìn chung, hiệu suất của các mô hình ANN sử dụng dữ liệu huấn luyện và dữ liệu kiểm định là tương tự, điều này chứng tỏ rằng các mô hình không ghi nhớ dữ liệu huấn luyện mà học được mối quan

hệ thực tế)

Các kết quả về hệ số RMSE, MAPE, MABE, r, và R2 được tính toán sử dụng phương trình 15-19 để đánh giá hiệu suất của các mô hình ANN được trình bày trong Bảng 1 và Hình 8 Kết quả chỉ ra các mô hình 10, 11 và 12 có hiệu suất cao nhất do các giá trị: RMSE <5 (Bq/m3), MAPE và MABE <3%, và r, R 2 >99% Tuy nhiên, vẫn có sự khác biệt nhỏ về hiệu suất của ba mô hình Mô hình 12 thể hiện hiệu suất tốt nhất với hệ số

R2 cao nhất Các hệ số RMSE, MAPE, MABE, và r của tập dữ liệu kiểm định lần lượt

là 2,791, 1,117, 2,094, và 0,997 Tương quan giữa hàm lượng radon đo thực tế và dự báo của 12 mô hình ANN được trình bày trong Hình 9

Hình 8 Đồ thị về hiệu suất của 12 mô hình ANN

Hình 9 Tương quan giữa hàm lượng radon đo thực tế và dự báo của 12 mô hình ANN

Sử dụng biểu đồ Taylor để so sánh hiệu suất của mô hình 12 với các mô hình khác (Karl E Taylor, 2001) Ưu điểm chính của biểu đồ này là hiển thị hiệu suất của các mô hình trong các nhóm theo RMSE, độ lệch chuẩn và hệ số tương quan của chúng Khoảng cách giữa kết quả đo thực tế (tam giác đen) và kết quả của các mô hình sẽ cho biết độ chính xác về kết quả dự báo của các mô hình Có thể thấy các mô hình 1-9 có hiệu suất kém nhất do các mô hình này nằm rải rác với khoảng cách rất xa so với kết quả đo thực

tế Các mô hình 10, 11 và 12 cho kết quả phù hợp tốt với các giá trị đo thực tế, với cùng RMSE, tương quan cao và độ lệch chuẩn (được minh họa bằng đường đứt nét ở khoảng cách xuyên tâm 0,246) Mô hình 12 có tương quan với giá trị RMSE cao hơn một chút với giá trị quan sát và sau đây sẽ trình bày kết quả dự báo của mô hình 12

Hình 10 Đồ thị Taylor so sánh hiệu suất của các mô hình từ 1-12

4.3.2 Khả năng dự báo của mô hình ANN

Phần này trình bày khả năng dự báo sử dụng cấu trúc lựa chọn của mô hình ANN

Đồ thị mật độ được sử dụng để so sánh mật độ xác suất của hàm lượng radon đo đạc và

dự báo cho dự liệu kiểm chứng, dữ liệu huấn luyện và toàn bộ dữ liệu được trình bày trong Hình 11 (bên trái) Kết quả so sánh phân bố tích lũy cho cả ba dữ liệu được trình bày trong Hình 11 (bên phải) Các kết quả chỉ ra có sự tương quan cao giữa hàm lượng radon đo thực tế và dự báo Sự khác nhau về hai giá trị xảy ra chủ yếu khi mô hình dự báo hàm lượng radon khoảng 200 (Bq/m3) Ngoài ra, hình dạng phân phối của kết quả

dự báo trong cả ba tập dữ liệu là tương tự, chứng tỏ khả năng tùy biến của mô hình ANN

đề xuất trên các bộ dữ liệu mới

Một khả năng dự báo có ý nghĩa khác là dự báo sai số trên mỗi lượng tử được tạo bởi mô hình ANN đề xuất Kết quả chỉ ra trong Hình 12, các giá trị lượng tử đo thực và

dự báo là bằng nhau trong phạm vi từ 10 đến 90%, chứng tỏ khả năng dự báo của mô hình đề xuất trong phạm vi lân cận Kết quả chi tiết được trình bày trong Bảng 2, trong

đó sai số (E) được tính cho mỗi phân vị Độ lệch cao nhất ở các phân vị 10%, 20%, 60%

và 90% Hơn nữa, độ lệch trung bình cho tập dữ liệu thử nghiệm lớn hơn một chút so với tập dữ liệu huấn luyện và toàn bộ

Hình 11 Đồ thị mật độ (bên trái) và phân phối tích lũy (bên phải) giữa hàm lượng radon

dự báo và đo thực cho kiểm chứng, huấn luyện và toàn bộ dữ liệu

Hình 12 Đồ thị so sánh hàm lượng radon đo thực và dự báo trong các tập dữ liệu kiểm

chứng, huấn luyện và toàn bộ dữ liệu

Bảng 2 So sánh hàm lượng radon đo thực và dự báo cho các tập dữ liệu kiểm chứng,

huấn luyện và toàn bộ dữ liệu Lượng

*M=Đo thực (Bq/m 3 ); P= Dự báo (Bq/m 3 ); E= Sai số (Bq/m 3 )

Sử dụng mô hình ANN đề xuất để dự báo hàm lượng radon phát tán từ khu vực mỏ

ra 21 nhà xung quanh mỏ đồng Sin Quyền Kết quả chỉ ra hàm lượng radon dự báo có

sự tương đồng chặt chẽ với hàm lượng đo thực tế (Hình 13) Trong đó, hàm lượng radon

đo đạc trong nhà xung quanh mỏ là kết quả của sự tích lũy khí radon phát tán từ mỏ đồng Sin Quyền ra môi trường xung quanh Như vậy, mô hình ANN xây dựng trong nghiên cứu này có thể sử dụng để dự báo phát tán khí radon ra môi trường xung quanh với độ chính xác cao

Hình 13 Kết quả so sánh giữa hàm lượng radon đo đạc và dự báo tại 21 nhà dân xung

quanh mỏ Sin Quyền

4.3.3 So sánh các mô hình

Để kiểm tra mức độ hiệu quả dự báo của mô hình ANN đề xuất, nghiên cứu này đã tiến hành so sánh kết quả dự báo với các mô hình học máy sâu đã được thực hiện trong

các nghiên cứu trước, bao gồm mô hình ANN hai lớp ẩn với 20 nơtron (Van-Hao Duong

và nnk., 2021), mô hình Support Vector Machine (SVM) và mô hình rừng ngẫu nhiên

(RF) Đề tài đã phát triển mô hình SVM dựa trên hàm kernel cơ sở hướng tâm Mô hình

SVM được huấn luyện trên cơ sở hai tham số cost (C) và sigma () được điều chỉnh để đảm bảo độ chính xác của mô hình Đối với mô hình rừng ngẫu nhiên (RF), kích thước

lá tối thiểu (m) và số lượng cây (nt) được lựa chọn để đánh giá hiệu suất mô hình Quy trình “thử và sai” được thực hiện với các thử nghiệm khác nhau của C, , m, nt để tìm

các tham số tối ưu cho cả hai mô hình Dựa vào giá trị RMSE, mô hình SVM và RF tối

ưu nhất được xác định với giá trị C = 51.623,  = 0,024 and nt = 800, nt = 4

Kết quả hiệu suất của một số mô hình học máy được trình bày trong Bảng 3 Mô

hình ANN xây dựng có hiệu suất vượt trội so với các mô hình khác do các giá trị RMSE,

cả tập dữ liệu huấn luyện và kiểm chứng Các kết quả này chỉ ra tăng lên số lượng các lớp ẩn sẽ làm giảm độ chính xác của kết quả dự báo

Bảng 3 Hiệu suất của một số mô hình học máy được áp dụng cho tập dữ liệu nghiên cứu Hiệu suất

Kiểm chứng

Huấn luyện

Kiểm chứng

Huấn luyện

Kiểm chứng

- Xây dựng mô hình ANN đã huấn luyện

- Xáo trộn các giá trị trong một cột của yếu tố và tạo dự báo bằng mô hình huấn luyện bằng tập dữ liệu đã tạo ra Các giá trị dự báo và đo đạc được tính toán để xác định sự thay đổi giá trị RMSE trong tập dữ liệu đã xáo trộn

- Lặp lại bước (2) đối với các dữ liệu của các yếu tố khác

Do sự thay đổi giá trị của các yếu tố là ngẫu nhiên, nên bước (2) cần thực hiện 5 lần

để lấy được dữ liệu trung bình Kết quả chỉ ra liều chiếu gamma và khoảng cách là các yếu tố quan trọng nhất ảnh hưởng đến kết quả dự báo nồng độ radon Các yếu tố quan trọng tiếp theo là hàm lượng urani, tọa độ đo hàm lượng urani và hướng đo

5 Đánh giá về các kết quả đã đạt được và kết luận

Kết quả nghiên cứu của đề tài chỉ ra các mỏ đất hiếm và mỏ chứa chất phóng xạ ở miền Bắc Việt Nam có hàm lượng radon khá cao, gây nguy cơ phát tán khí radon ra môi trường xung quanh Đề tài đã xây dựng được quy trình và mô hình học máy ANN một lớp ẩn để dự báo phát tán khí phóng xạ radon tại các mỏ chứa chất phóng xạ; mô hình ANN một lớp ẩn được áp dụng thành công để dự báo phát tán khí radon tại mỏ đồng Sin Quyền Kết quả nghiên cứu chỉ ra liều chiếu gamma và khoảng cách là các yếu tố quan trọng ảnh hưởng đến quá trình phát tán radon ra môi trường xung quanh Mặc dù mô hình ANN một lớp ẩn được xây dựng đã được tối ưu hóa và dự báo chính xác, nhưng các nghiên cứu tiếp theo cần thử nghiệm với dữ liệu giám sát thời gian thực với các thông số khác nhau cùng với dữ liệu đo nồng độ khí radon tại các điểm quan trắc

Đề tài đã hoàn thành các mục tiêu và sản phẩm theo thuyết minh đề cương đã được phê duyệt Các sản phẩm khoa học có chất lượng tốt, có khả năng ứng dụng để phát triển hướng nghiên cứu áp dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng

xạ Quy trình và phương pháp nghiên cứu có thể sử dụng trong giảng dạy cho sinh viên

và học viên cao học tại Khoa Địa chất, Trường Đại học Khoa học Tự nhiên

6 Tóm tắt kết quả (tiếng Việt và tiếng Anh)

6.1 Tóm tắt kết quả (tiếng Việt)

Radon là một trong các khí gây nguy hiểm phóng xạ cho con người Trong nghiên cứu này, mô hình dự báo phát tán khí radon được xây dựng dựa trên dữ liệu đo ở mỏ đồng Sin Quyền Đề tài đã thực hiện các bước để xây dựng và tối ưu cấu trúc mô hình, đánh giá khả năng dự báo của mô hình, phân tích so sánh với kết quả dự báo của các mô hình khác và phân tích độ nhạy để xác định các yếu tố quan trọng ảnh hướng đến kết quả dự báo Mô hình ANN một lớp ẩn được xây dựng có ưu điểm cần ít tài nguyên tính toán trong huấn luyện và kiểm chứng; mô hình có thể được huấn luyện mà không cần giảm kích thước dữ liệu đầu vào Mô hình cũng không bị vượt quá mức dự báo do các lỗi về huấn luyện (RMSE = 2,793) và kiểm chứng (RMSE = 2,791) Mô hình đề xuất là một hướng tiếp cận đơn giản và dự báo chính xác với sai số nhỏ cho cả tập dữ liệu huấn luyện và kiểm chứng Kết quả chỉ ra có sự tương quan ý nghĩa cao và độ lệch nhỏ giữa nồng độ radon dự báo và đo đạc Các kết quả dự báo trong tập dữ liệu huấn luyện, kiểm chứng và toàn bộ dữ liệu chứng tỏ rằng mô hình này đã hoạt động tốt trên các dữ liệu

ẩn So với các mô hình học máy khác như mô hình ANN hai lớp ẩn, Support Vector Machine (SVM) và rừng ngẫu nhiên (RF), mô hình đề xuất có một số ưu điểm về hiệu suất với độ chính xác của dự báo cao hơn Phương pháp phân tích độ nhạy chỉ ra liều chiếu gamma và khoảng cách là các yếu tố quan trọng nhất trong dự báo sự phát tán nồng độ radon; tiếp theo là các yếu tố hàm lượng urani, tọa độ lấy mẫu urani và hướng Mặc dù mô hình ANN một lớp ẩn được xây dựng có nhiều ưu điểm, nhưng cần phải được tiếp tục cải thiện trong các nghiên cứu tiếp theo như xử lý với dữ liệu giám sát thời gian thực với nhiều dữ liệu đầu vào của các thông số khác nhau cùng với dữ liệu đo đạc nồng độ khí radon

Từ khóa: Dự báo radon, Sin Quyền, Học máy, Một lớp ẩn, ANN

6.2 Tóm tắt kết quả (tiếng Anh)

Radon is one of the most toxic radioactive gases presenting radiological hazards to humans In this study, a predictive model of radon release was built using a large dataset

at the Sin Quyen deposit After optimizing its structure and evaluating its predictive capability as well as conducting a comparison and sensitivity analysis, the proposed model was constructed using a simple one-hidden-layer ANN requiring lower computational costs for training and referencing, which can be trained without needing to reduce the amount of input data The model could also reduce overfitting as the training (RMSE = 2.793) and testing errors (RMSE = 2.791) are rather similar The proposed model is not only a simple modelling approach but also an accurate prediction model yielding small errors as far as both the training and test dataset is concerned A highly significant correlation and low deviation were observed between the measured and predicted values The predicted values for the training, test and whole datasets suggest that the proposed model generalized the unseen data well In comparison with other machine learning models of two-hidden-layer ANNs, Support Vector Machines (SVM) and Random Forests (RF), the proposed model is advantageous given that it predicts more accurately Permutation Importance was performed on the underlying mechanism of the proposed model, revealing the gamma dose rate and distance as the strongest predictors of radon release when compared to the parameters of uranium concentration, uranium measurement coordinates and direction Although the proposed model with a simple one-hidden-layer ANN optimizes and is more accurate, it could be improved in further studies

by carrying out real-time monitoring of multiple inputs of dataset with different parameters as well as a radon survey when using this proposed model

Keywords: Radon prediction, Sin Quyen, Machine learning, One-hidden-layer, ANN

PHẦN III SẢN PHẨM, CÔNG BỐ VÀ KẾT QUẢ ĐÀO TẠO CỦA ĐỀ TÀI

3.1 Kết quả nghiên cứu

xung quanh

Báo cáo làm rõ được kinh nghiệm của quốc tế và Việt Nam trong ứng dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ từ các khu vực mỏ ra môi trường

số liệu, cấu trúc mô hình

Báo cáo nêu rõ các bước thực hiện, phương pháp lấy mẫu và

đo mẫu ngoài hiện trường, phương pháp phân tích mẫu trong phòng, các tham số đầu vào, phương pháp chuẩn hóa

số liệu, cấu trúc mô hình

số liệu thu thập ngoài hiện trường, trong phòng; kết quả

dự báo phát tán khí phóng xạ

radon bằng mô hình

Báo cáo trình bày rõ kết quả giám sát và dự báo phát tán khí phóng xạ radon dựa trên các số liệu thu thập ngoài hiện trường, trong phòng; kết quả

sản phẩm)

Ghi địa chỉ và cảm

ơn sự tài trợ của ĐHQGHN đúng quy định

Đánh giá chung

(Đạt, không đạt)

1 Công trình công bố trên tạp chí khoa học quốc tế theo hệ thống ISI/Scopus

1.1 Machine learning application for

radon release prediction from the

copper ore mining in Sin Quyen, Lao

Cai, North Vietnam Journal of

Radioanalytical and Nuclear

Chemistry

Đã in trên tạp chí: Journal of Radioanalytical and Nuclear Chemistry (Q2)

023-09281-w

1.2 Radiological risk assessment of

outdoor 222Rn and 220Rn around rare

earth element and uranium mines

from northern Vietnam

Journal of Radiological Protection (Q3)

5 Bài báo trên các tạp chí khoa học của ĐHQGHN, tạp chí khoa học chuyên

ngành quốc gia hoặc báo cáo khoa học đăng trong kỷ yếu hội nghị quốc tế

Đã bảo vệ và được cập bằng

2 Phan Thị

Lan anh 6 tháng/Không

Assessment of the climate resilient livelihoods of Hmong’s ethnic in Pa Co commune, Mai Chau district, Hoa Binh province

Đã bảo vệ và được cấp bằng

PHẦN IV TỔNG HỢP KẾT QUẢ CÁC SẢN PHẨM KH&CN VÀ ĐÀO TẠO CỦA ĐỀ TÀI

Số lượng đã hoàn thành

1 Bài báo công bố trên tạp chí khoa học quốc tế theo hệ thống

ISI/Scopus

2 Sách chuyên khảo được xuất bản hoặc ký hợp đồng xuất bản - -

4 Bài báo quốc tế không thuộc hệ thống ISI/Scopus - -

5 Số lượng bài báo trên các tạp chí khoa học của ĐHQGHN,

tạp chí khoa học chuyên ngành quốc gia hoặc báo cáo khoa

học đăng trong kỷ yếu hội nghị quốc tế

6 Báo cáo khoa học kiến nghị, tư vấn chính sách theo đặt hàng

của đơn vị sử dụng

7 Kết quả dự kiến được ứng dụng tại các cơ quan hoạch định

chính sách hoặc cơ sở ứng dụng KH&CN

(VNĐ)

Kinh phí thực hiện

(VNĐ)

Ghi chú

1 Thuê khoán chuyên môn 170.485.800 170.485.800

2 Nguyên, nhiên vật liệu, cây con 31.760.000 31.760.000

phuong ph6p img dung t.i tuQ nh6n t4o n6i chung vd m6 hinh ANN mQt k5p An n6i ri6ng

tti xay dlmg trong dd tdi ndy cin ttugc uu ti6n ti6n 6p dung trong cilc chucrng trinh nghiCn

cuu, girlm s6t tdi nguy6n m6i tnrong t4i D4i hQc eu6c gia Hd NQi Ktit qui sE g6p ph6n

x6y dpg cic gi6i ph6p bdo vQ m6i truong vi bio vQ cQng d6ng xung quanh c6c virng m6 chua ch6t ph6ng x4.

PHAN VI PHU L[rC (minh chimg c6c s6n phdm n6u d phin III)

I Sin phim khoa hgc:

I ) co sd khoa hgc vd thuc ti6n vir 6p drlng ffi tuQ nh6n t4o trong giem s6t vd dg b6o phdt trin khi ph6ng xa t4i c6c khu ruc m6 ra m6i truhng xung quanh.

2) Quy trinh vd phuong phdp hoc m|y, tri tu6 nhAn tao trong trong gi6m s6t va du

brio ph6t.tin khi ph6ng x4 radon ra m6i trudng xung quanh c6c m6 chria ch6t ph6ng *u 3) Ktlt qun thri nghiQm tri ruQ nhdn tao trong gi6m s6t vi dU b6o ph6t trin khi phong

xa radon ra m6i truong t4i m6 d6ng Sin Quy6n

2 Sin phAm c6ng bii:

1) Tran Dinh Bao, Trong Vu, Nguyen Tai Tue, Tran Dang euy, Thuy Huong NgoThi, Gergely Toth, Zsolt Homoki, Tibor Kovacs vi Van-Hao Duong (2023) Machinelearning application for radon release prediction from the copper ore mining in Sin Quyen, Lao cai, North vietnam Journal of Radioanalytical and Nuclear Chetnistry.

3 Sf,n phAm tliro t4o:

1) ThS Chu Trung Ti6n Nghi6n cfru d[c di€m d6ng vi ph6ng xa vd ngudn g6c mQts6 m6 nudc kJro:ing n6ng doc hai b€n bd s6ng H6ng Trudng E4i hgc M6 - Eia ch6t.2) ThS Phan Thi Lan Anh Assessment of the climate resilient livelihoods of

Hmong's ethnic jn Pa Co commune, Mai Chau district, Hoa Binh province Trudng Eaihoc Vi€t Nh{t./

Tài liệu tham khảo

Oktay Baykara và Mahmut Dogru (2006) Measurements of radon and uranium concentration

in water and soil samples from East Anatolian Active Fault Systems (Turkey) Radiation

Measurements, 41(3): 362-367

A A Bourai, Sunita Aswal, Tushar Kandari, Shiv Kumar, Veena Joshi, B K Sahoo và R C

Ramola (2016) Study of radon flux from soil in budhakedar region using SRM

Radiation Protection Dosimetry, 171(2): 267-270

George Cybenko (1989) Approximation by superpositions of a sigmoidal function

Mathematics of control, signals and systems, 2(4): 303-314

Dong Van Dao, Abolfazl Jaafari, Mahmoud Bayat, Davood Mafi-Gholami, Chongchong Qi,

Hossein Moayedi, Tran Van Phong, Hai-Bang Ly, Tien-Thinh Le, Phan Trong Trinh, Chinh Luu, Nguyen Kim Quoc, Bui Nhi Thanh và Binh Thai Pham (2020) A spatially explicit deep learning neural network model for the prediction of landslide

susceptibility CATENA, 188: 104451

Van-Hao Duong, Hai-Bang Ly, Dinh Huan Trinh, Thai Son Nguyen và Binh Thai Pham (2021)

Development of Artificial Neural Network for prediction of radon dispersion released

from Sinquyen Mine, Vietnam Environmental Pollution, 282: 116973

F S Erees, S Aytas, M M Sac, G Yener và M Salk (2007) Radon concentrations in thermal

waters related to seismic events along faults in the Denizli Basin, Western Turkey

Radiation Measurements, 42(1): 80-86

R W Field (2011) Radon: An Overview of Health Effects In: J.O Nriagu (Editor),

Encyclopedia of Environmental Health Elsevier, Burlington, pp 745-753

Mohan L Gupta, Anne R Douglass, S Randolph Kawa và Steven Pawson (2004) Use of radon

for evaluation of atmospheric transport models: sensitivity to emissions Tellus B:

Chemical and Physical Meteorology, 56(5): 404-412

Robert Hecht-Nielsen (1987) Kolmogorov’s mapping neural network existence theorem,

Proceedings of the international conference on Neural Networks IEEE Press New York,

NY, USA, pp 11-14

Murat İnceöz, Oktay Baykara, Ercan Aksoy và Mahmut Doğru (2006) Measurements of soil

gas radon in active fault systems: A case study along the North and East anatolian fault

systems in Turkey Radiation Measurements, 41(3): 349-353

Fatih Külahcı, Murat İnceöz, Mahmut Doğru, Ercan Aksoy và Oktay Baykara (2009) Artificial

neural network model for earthquake prediction with radon monitoring Applied

Radiation and Isotopes, 67(1): 212-219

Hai-Bang Ly, Binh Thai Pham, Dong Van Dao, Vuong Minh Le, Lu Minh Le và Tien-Thinh

Le (2019) Improvement of ANFIS Model for Prediction of Compressive Strength of

Manufactured Sand Concrete Applied Sciences, 9(18): 3841

S N Manohar, H A J Meijer và M A Herber (2013) Radon flux maps for the Netherlands

and Europe using terrestrial gamma radiation derived from soil radionuclides

Atmospheric Environment, 81: 399-412

A Negarestani, S Setayeshi, M Ghannadi-Maragheh và B Akashe (2002) Layered neural

networks based analysis of radon concentration and environmental parameters in

earthquake prediction Journal of environmental radioactivity, 62(3): 225-233

I Nevinsky, T Tsvetkova, M Dogru, E Aksoy, M Inceoz, O Baykara, F Kulahci, G

Melikadze, I Akkurt, F Kulali, E Vogiannis, E Pitikakis, K Katsanou và N Lambrakis (2018) Results of the simultaneous measurements of radon around the Black

Sea for seismological applications Journal of Environmental Radioactivity, 192: 48-66

Binh Thai Pham, Manh Duc Nguyen, Dong Van Dao, Indra Prakash, Hai-Bang Ly, Tien-Thinh

Le, Lanh Si Ho, Kien Trung Nguyen, Trinh Quoc Ngo, Vu Hoang, Le Hoang Son, Huong Thanh Thi Ngo, Hieu Trung Tran, Ngoc Minh Do, Hiep Van Le, Huu Loc Ho

và Dieu Tien Bui (2019) Development of artificial intelligence models for the

prediction of Compression Coefficient of soil: An application of Monte Carlo sensitivity

analysis Science of The Total Environment, 679: 172-184

Hamid Reza Pourghasemi, Narges Kariminejad, Mahdis Amiri, Mohsen Edalat, Mehrdad

Zarafshar, Thomas Blaschke và Artemio Cerda (2020) Assessing and mapping

multi-hazard risk susceptibility using a machine learning technique Scientific Reports, 10(1):

3203

Abbas Rashidi, Mohamad Hoseyn Sigari, Marcel Maghiar và David Citrin (2016) An analogy

between various machine-learning techniques for detecting construction materials in

digital images KSCE Journal of Civil Engineering, 20(4): 1178-1188

Javier I Rivera và Carlos A Bonilla (2020) Predicting soil aggregate stability using readily

available soil properties and machine learning techniques CATENA, 187: 104408

T Szegvary, F Conen, U Stöhlker, G Dubois, P Bossew và G de Vries (2007) Mapping

terrestrial γ-dose rate in Europe based on routine monitoring data Radiation

Measurements, 42(9): 1561-1572

V.D Ta (1975) Report of geological surveys and their results performed at the IOCG Sin

Quyen deposit in Lao Cai, North Vietnam Main Department of Geology of Vietnam

318 (in Vietnamese)

Karl E Taylor (2001) Summarizing multiple aspects of model performance in a single diagram

Journal of Geophysical Research: Atmospheres, 106(D7): 7183-7192

D E Tchorz-Trzeciakiewicz và M Kłos (2017) Factors affecting atmospheric radon

concentration, human health Science of The Total Environment, 584-585: 911-920

S van der Laan, S Manohar, A Vermeulen, F Bosveld, H Meijer, A Manning, M van der

Molen và I van der Laan-Luijkx (2016) Inferring 222Rn soil fluxes from ambient

222Rn activity and eddy covariance measurements of CO2 Atmos Meas Tech., 9(11):

5523-5533

Jing Wei, Xuan Chu, Xiang-Yu Sun, Kun Xu, Hui-Xiong Deng, Jigen Chen, Zhongming Wei

và Ming Lei (2019) Machine learning in materials science InfoMat, 1(3): 338-358

Boris Zmazek, Ljupco Todorovski, Sašo Džeroski, Janja Vaupotič và Ivan Kobal (2003)

Application of decision trees to the analysis of soil radon data for earthquake prediction

Applied Radiation and Isotopes, 58(6): 697-706

PHỤ LỤC 1: SẢN PHẨM KHOA HỌC

Phụ lục 1.1: cơ sở khoa học và thực tiễn về áp dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ tại các khu vực mỏ ra môi trường xung quanh

MỤC LỤC MỤC LỤC i DANH MỤC BẢNG ii DANH MỤC HÌNH ii

MỞ ĐẦU 1

ĐẶC ĐIỂM PHÓNG XẠ RADON TRONG MÔI TRƯỜNG 2 1.1 Cơ sở khoa học về phóng xạ Radon 2 1.2 Nguồn gốc phóng xạ radon 3

1.2.1. Cơ sở vật lý 4

1.2.2. Cơ sở địa chất 5

1.2.3. Quá trình di chuyển, phát tán và thoát ra của 222 Rn 6

1.2.4. Các yếu tố kiểm soát con đường di chuyển và phát tán 222 Rn trong môi trường 8

1.3 Tác động đến sức khỏe con người của radon 14

1.3.1. Phơi nhiễm với radon trong khu dân cư và môi trường 16

1.3.2. Tiếp xúc nghề nghiệp với Radon 17

TỔNG QUAN VỀ NGHIÊN CỨU PHÁT TÁN KHÍ PHÓNG

XẠ TỪ KHU VỰC MỎ CÓ CHẤT PHÓNG XẠ RA MÔI TRƯỜNG XUNG QUANH 19 2.1 Trên thế giới 19 2.2 Ở Việt Nam 28

2.2.1. Tổng quan công tác điều tra và lập bản đồ phóng xạ 28

2.2.2. Tổng quan nghiên cứu đánh giá hoạt độ phóng xạ ở các vùng mỏ 30

2.2.3. Tổng quan nghiên cứu đánh giá nồng độ phóng xạ ở mỏ đồng Sin Quyền 33

TỔNG QUAN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG GIÁM SÁT VÀ DỰ BÁO PHÁT TÁN KHÍ PHÓNG XẠ RADON

TỪ KHU VỰC MỎ RA MÔI TRƯỜNG XUNG QUANH 37 3.1 Trên thế giới 37 3.2 Ở Việt Nam 45 KẾT LUẬN 50 TÀI LIỆU THAM KHẢO 51

Hình 3.5 Các bước xây dựng bản đồ dự báo Rn tại Pháp 40Hình 3.6 Bản đồ nguy cơ phát tán Rn vào môi trường 40Hình 3.7 Bản đồ phân vùng nguy cơ phát tán Rn 41Hình 3.8 Bản đồ phân bố GRP tại CHLB Đức được xây dựng bằng thuật toán Random Forest 42Hình 3.9 Mối quan hệ giữa giá trị GRP xác định trên bản đồ và giá trị so sánh 43Hình 3.10 Biến đổi nồng độ Rn tại các thành tạo địa chất 43Hình 3.11 Bản đồ rủi ro GRP tại Hungary 44Hình 3.12 Kết quả dự báo các chỉ tiêu dinh dưỡng trong nước hồ Trị An bằng mô hình

RF 46Hình 3.13 Các bước thực hiện kỹ thuật học máy ANN để dự báo Rn phát tán 48Hình 3.14 Hệ số tương quan giữa dữ liệu thô và dữ liệu xử lý 49Hình 3.15 Phân bố xác suất của dữ liệu đo đạc và dự báo 49

MỞ ĐẦU

Các mỏ chứa phóng xạ có thể phát ra các tia phóng xạ, gây nguy hiểm cho cộng đồng sinh sống xung quanh các vùng mỏ Khí radon là đồng vị phóng xạ, phát ra tia alpha rất độc hại và dễ đi vào cơ thể con người qua đường hô hấp Một trong những nguyên nhân gây ung thư phổi và các bệnh của đường hô hấp Khí radon phát thải vào khí quyển trong quá trình tiếp xúc trực tiếp với không khí và trong quá tình phá huỷ đất

đá, quặng, là sản phẩm của quá trình đốt cháy nhiên liệu trong các thiết bị khai thác Sự phát xạ khí radon từ mỏ phóng xạ và cộng sinh đồng hành với chất phóng xạ thường sẽ vẫn tiếp tục sau khi mỏ đã đóng cửa Đối tượng chịu ảnh hưởng nhiều nhất là những người làm việc trong khu khai thác, chế biến tiếp xúc trực tiếp với các nguồn phát xạ và người dân sống xung quanh khu vực khai thác - chế biến quặng Với đặc tính phán tán của khí radon cũng như các khí ô nhiễm khác có xu hướng lan toả ra xa khu vực nguồn phát Nhiều yếu tố thời tiết như khí hậu, nhiệt độ, độ ẩm, lượng mưa, tốc độ gió, hướng gió, độ dốc địa hình, công trình xây dựng,… đồng thời kiểm soát quá trình phát tán độc hại Việc quan trắc hiện trạng và dự báo phát tán khí radon là rất cần thiết và cần duy trì thường xuyên Vì vậy, nghiên cứu đánh giá hiện trạng phân bố nồng độ phóng xạ, trong

đó có 222Rn đã được thực hiện ở nhiều quốc gia để lập được các bản đồ rủi ro ô nhiễm phóng xạ Để dự báo được phân bố nồng độ radon, các kỹ thuật học máy và trí tuệ nhân tạo đã được thực hiện ở nhiều quốc gia trên thế giới và bước đầu đã được thực hiện ở Việt Nam

Báo cáo “Cơ sở khoa học và thực tiễn về áp dụng trí tuệ nhân tạo trong giám sát

và dự báo phát tán khí phóng xạ tại các khu vực mỏ ra môi trường xung quanh” được thực hiện để làm rõ được kinh nghiệm của quốc tế và Việt Nam trong ứng dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ từ các khu vực mỏ ra môi trường xung quanh Nội dung của báo cáo trình bày tổng quan các kết quả ứng dụng trí tuệ nhân tạo trong giám sát và dự báo phát tán khí phóng xạ radon ra môi trường xung quanh ở các vùng mỏ Kết quả của báo cáo sẽ góp phần phát triển phương pháp luận và phương pháp nghiên cứu ứng dụng phương pháp học máy, trí tuệ nhân tạo trong việc dự báo, cảnh báo phát tán khí phóng xạ từ nguồn phát thải liên quan đến việc khai thác và chế biến quặng (phóng xạ hoặc cộng sinh phóng xạ); các khu vực sử dụng nguồn và phát thải chất phóng xạ; những khu vực phát thải và chôn lấp chất thải phóng xạ; từ lò phản ứng hạt nhân; từ vật liệu xây dựng có hoạt độ phóng xạ cao

ĐẶC ĐIỂM PHÓNG XẠ RADON TRONG MÔI TRƯỜNG

1.1 Cơ sở khoa học về phóng xạ Radon

Radon là nguyên tố phóng xạ thứ năm được phát hiện vào năm 1900 bởi Friedrich Ernst Dorn, sau urani, thori, radi và poloni Radon có kí hiệu hóa học Rn, là một nguyên

tố hóa học thuộc nhóm VIII A, chu kỳ 6, có số thứ tự là 86 và thuộc nhóm khí trơ trong bảng tuần hoàn Radon có khối lượng riêng 9,73 kg/m3 tức nặng hơn không khí khoảng

8 lần (ở 0 oC 1 atm, không khí có khối lượng riêng là 1,293 kg/m3) và là một trong những khí nặng nhất ở nhiệt độ phòng; radon không màu, không mùi nên chỉ có thể phát hiện bằng các bản ghi các tia phóng xạ do radon phát ra Radon có 36 đồng vị với số khối từ

193 đến 228, với 3 đồng vị phổ biến là radon (222Rn), thoron (220Tn –220Rn) và actinon (219An –219Rn), trong đó 222Rn là đồng vị bền nhất với thời gian sống 3,823 ngày

Trong nghiên cứu địa chất và môi trường, do chu kì bán rã của hai đồng vị 219Rn

và 220Rn rất ngắn nên chúng ít được quan tâm Nhưng đồng vị 222Rn được đặc biệt quan tâm bởi tính phóng xạ và thời gian sống của nó đủ dài để có thể thoát vào môi trường không khí và nước gây nguy hiểm cho sức khỏe con người Radon là khí trơ nên trong đất đá radon không liên kết với các nguyên tử vật chất đá chứa của nó, vì vậy radon có thể thoát ra từ lòng đất đi vào môi trường không khí một cách dễ dàng Do chu kỳ phân

rã của các đồng vị radon rất ngắn, nên càng lên cao nồng độ radon càng giảm Khi nghiên cứu hoạt độ phóng xạ trong không khí người ta thường quan tâm đến 222Rn Nồng độ radon trong không khí ở gần mặt đất phụ thuộc vào hàm lượng của uranium trong lớp đất đá bên dưới và độ xốp của nó Là một loại khí có tính linh động cao có thể di chuyển

dễ dàng qua các vết đứt gãy và di chuyển xa nguồn cung cấp (Bruce D Lindsey và Scott

W Ator, 1996) Các nghiên cứu trước đây đã chứng minh rằng trong số tất cả các đồng

vị của chuỗi phân rã 238U, hoạt độ 222Rn được tìm thấy cao nhất trong nước ngầm (Mark

Baskaran, 2016; CT Hess và nnk., 1985; IAEA, 2014; Dana P Loomis và nnk., 1988)

Trong trường hợp đó, nồng độ cơ bản hòa tan hoàn toàn vào nước ngầm mà không bị hấp thụ và kết tủa ((Mark Baskaran, 2016; IAEA, 2014) Ngoài ra, độ phóng xạ cao trong tầng chứa nước có thể bắt nguồn từ quá trình di chuyển qua đá và trầm tích của các tầng chứa nước giàu phóng xạ như đá granit, phốt phát và đá phiến sét đen (Joseph

D Ayotte và nnk., 2007; M Gascoyne, 1992; Woosik Shin và nnk., 2016) Nước ngầm -

nước suối có thể hòa tan các khoáng vật uranium và thorium như (UO2), pitchblende (U3O8) và coffinite (U(SiO4)1-x(OH)4x), sau đó phân rã thành 222Rn và 220Tn Tuy nhiên,

vì chu kỳ bán rã của 220Tn rất ngắn, 222Rn tạo thành thành phần chính của khí phóng xạ

trong nước thải/nước ngầm (A Jalili-Majareshin và nnk., 2012) Do đó, có thể thấy được

khả năng ô nhiễm radon trong nước suối cũng như các nguồn nước ngầm tại các khu vực có nền phóng xạ tự nhiên cao

Bức xạ từ sự phân rã của 222Rn bao gồm phát xạ alpha 5489,7 keV (cường độ 99,92%), phát xạ alpha 4987 keV (cường độ 0,08%), phát xạ alpha 4827 keV (cường độ 0,0005%) và phát xạ gamma 510 keV (cường độ 0,07%) 222Rn phân rã thành một loạt các sản phẩm phân rã rắn đạt trạng thái cân bằng với chất mẹ trong vòng 4 giờ (Hình 1.1)

222Rn phát ra từ đất và đá, 222Rn trong nước bốc hơi vào không khí trong nhà và phát xạ

222Rn từ vật liệu xây dựng Tuy nhiên, trong hầu hết các trường hợp, nguồn chính của

222Rn trong nhà là từ các nguồn dưới mặt đất Các đại dương chỉ đóng góp khoảng 2% tổng lượng 222Rn trong bầu khí quyển

Sự đóng góp của radon trong nước đối với nồng độ radon ở không khí trong nhà khác nhau đáng kể giữa những người sống sử dụng nguồn nước ngầm, nhưng nhìn chung chỉ chiếm ít hơn 5% tổng nồng độ 222Rn của khu dân cư trong nhà Tuy nhiên, ở một số khu vực địa lý (ví dụ: Maine, Hoa Kỳ), sự đóng góp của 222Rn trong nước ngầm đối với nồng độ 222Rn không khí trong nhà chung của khu dân cư có thể vượt quá 30%

1.2.1. Cơ sở vật lý

Các nguyên tố phóng xạ tự nhiên khi phân rã tạo thành các sản phẩm cũng có khả năng phóng xạ, tạo thành dãy phân rã phóng xạ Trong tự nhiên tồn tại 3 dãy phân rã phóng xạ:

Hạt nhân 238U, qua 14 lần dịch chuyển, trở thành đồng vị chì bền vững 206Pb

222Rn là sản phẩm tự nhiên trong chuỗi phân rã của 238U, có thời gian sống dài nhất: 5,508 ngày, chu kì bán rã 3,825 ngày 238U khá phổ biến trong tự nhiên, nó chủ yếu có mặt trong các đá gốc Do đó hầu như ta luôn có khả năng phát hiện 222Rn trong không khí, ngoài trời và khí đất

Radon là đối tượng khảo sát để tìm kiếm thăm dò quặng phóng xạ và nó cũng là nguyên tố gây ảnh hưởng nhiều đến sức khỏe con người

b Dãy phân rã phóng xạ thori ( 232 Th)

Với 232Th, qua 10 lần dịch chuyển, trở thành đồng vị chì bền vững 208Pb 220Rn là sản phẩm trong chuỗi phân rã của 232Th và thường được gọi là thoron (Tn), có thời gian sống 80,06 giây, chu kì bán rã 55,6 giây

Vì 220Rn (thoron) có đời sống quá ngắn nên nó không thể di chuyển một khoảng cách xa từ nguồn cung cấp giống như 222Rn (radon) trước khi phân rã Thỉnh thoảng có thể bắt gặp thoron trong không khí và thường gặp nhiều hơn trong đất và trong khí đất

do vậy chỉ có một phần rất nhỏ khí thoron tích tụ trong nhà Tuy nhiên ngay cả với một lượng nhỏ như vậy thoron vẫn có thể là một mối nguy hiểm vì con cháu của nó bao gồm

212Pb có chu kì bán rã 10,6 giờ đủ dài để tích lũy đến một mức đáng kể trong không khí

Hạt nhân 235U trải qua 11 lần phân rã phóng xạ để cuối cùng trở thành đồng vị chì bền vững 207Pb 219Rn là sản phẩm tự nhiên trong một mắt xích trong chuỗi phân rã của 235U, có thời gian sống 5,7 giây, chu kì bán rã 3,96 giây, thường được gọi là actinon (An) Có lẽ ta không bao giờ gặp actinon trong không khí do sự khan hiếm và chu kì bán rã ngắn của nó, vì vậy actinon ít có tác dụng thực tế

(Trong đó: emanation: eman thoát ra, migration: di chuyển, exhalation: bay hơi)

Các dòng nước ngầm, đới dập vỡ, đứt gãy,… là những yếu tố rất thuận lợi để phân tán khí phóng xạ trong đất đá đi xa nguồn cung cấp Nồng độ radon trong đất dao động trong khoảng 500 đến 2.000 Bq/m3; nơi có quặng phóng xạ hoặc đất đá giàu chất phóng xạ, giá trị này cao từ 2.000 đến 10.000 Bq/m3, đôi khi đến hàng trăm nghìn Bq/m3

1.2.3. Quá trình di chuyển, phát tán và thoát ra của 222 Rn

222Radon phát ra từ các hạt đất đá vào không gian lỗ rỗng, nó di chuyển dưới dạng khí hòa tan trong nước ngầm hoặc trong không khí mặt đất và có thể đến bề mặt đất thông qua quá trình thoát ra radon (Hình 1.4) Thông qua sự eman, các nguyên tử radon thoát ra khỏi các hạt đất đá vào không gian lỗ rỗng Không phải tất cả radon được tạo ra trong quá trình này đều đi vào các lỗ rỗng (Hình 1.5) Phần trăm radon cuối cùng thoát

ra khỏi các hạt được biểu thị bằng hệ số eman Yếu tố quan trọng nhất ảnh hưởng đến

hệ số eman là sự phân bố radium trong các hạt đất đá, cũng như một số yếu tố bổ sung, bao gồm cả kích thước hạt, độ rỗng liên thông và độ ẩm

(Trong đó: 1: nguyên tử 222Rn thoát ra lỗ rỗng; 2: nguyên tử 222Rn gắn cùng một hạt; 3: nguyên tử 222Rn gắn vào hạt đối diện; 4: nguyên tử 222Rn dừng lại và hòa tan trong các lỗ rỗng chứa đầy nước; 5: 222Rn thoát vào lỗ giữa các hạt Loại hạt đất theo phân bố 222Rn của nó A: phân phối 222Rn đồng nhất B: Phân bố 222Rn dạng bề mặt, Dải

độ giật lùi (R), được hiển thị bằng nét đứt)

Sự phân bố của nguyên tố radi trong các hạt đất đá có thể có cấu trúc kép: đồng nhất và không đồng nhất Nếu radi phát tán không đồng nhất được đặc trưng bởi sự phân

bố bề mặt, thì có thể kỳ vọng rằng hệ số eman sẽ tăng lên (Daniel J Greeman và Arthur

W Rose, 1996; Cameron Eoin Lawrence, 2006; L Morawska và Colin R Phillips, 1993;

R Randall Schumann và Linda CS Gundersen, 1996; Thomas M Semkow, 1990; Marvin Wilkening, 1990) Để được phát ra, các nguyên tử radon phải nằm trong phạm vi giật lùi của hạt, tức là trong khoảng cách từ bề mặt hạt ra khỏi nơi các nguyên tử radon có thể thoát vào lỗ rỗng Phạm vi giật lùi phụ thuộc vào đặc tính của vật liệu mà nguyên tử radon xuất hiện sau phân rã 226Ra Trong các hạt có sự phân bố đồng nhất của nguyên

tử radi, sau khi phân rã đến 222Rn, nếu nguyên tử radon không ở gần bề mặt hạt (xa hơn phạm vi giật) thì chúng sẽ gắn vào cùng một hạt, không tham gia vào quá trình phát xạ Nếu bề mặt hạt bị rạn vỡ, nứt nẻ, thì các lỗ giữa các hạt sẽ xuất hiện, làm tăng bề mặt riêng và cũng làm tăng hệ số eman phát xạ (hệ số phát xạ) rado (L Morawska và Colin

R Phillips, 1993; R Randall Schumann và Linda CS Gundersen, 1996) Trong trường hợp này, radi bị mắc kẹt có thể xuất hiện gần bề mặt hạt, làm tăng hệ số phát xạ

Hình 1.6 Kích thước hạt và diện tích bề mặt cụ thể

Hệ số phát xạ (eman) tỷ lệ nghịch với kích thước hạt do sự gia tăng diện tích bề mặt riêng của các hạt - tổng diện tích bề mặt của tất cả các hạt trên một đơn vị thể tích

(YM Amin và nnk., 1994; C Baixeras và nnk., 2001; TP Barton và PL Ziemer, 1986;

Alexander E Gates và Linda CS Gundersen, 1992; Edward R Landa, 1987; EA Maraziotis, 1996; M Markkanen và H Arvela, 1992; L Morawska và Colin R Phillips,

1993; R Shweikani và nnk., 1995) Độ ẩm của đất ảnh hưởng đến hệ số phát xạ radon

bằng cách giảm tốc độ các nguyên tử radon, ngăn chúng gắn vào một hạt khác (Cecilia Edsfeldt, 2001)

Độ ẩm có thể nâng cao hệ số phát xạ bằng cách hòa tan các nguyên tử radon trong các lỗ rỗng giữa các hạt hoặc các nguyên tử được gắn vào trong hạt (Allan Bain Tanner, 1980; Marvin Wilkening, 1990) Sự gia tăng nhiệt độ giúp các chất khí thoát ra khỏi các

hạt rắn, do đó sự phát xạ radon tỷ lệ thuận với nhiệt độ (Dadong Iskandar và nnk., 2004)

Sau khi phát xạ, các nguyên tử radon thường di chuyển đến bề mặt Trái đất thông qua không khí, các lỗ rỗng và vết đứt gãy, dập vỡ, nứt nẻ chứa đầy nước, đại diện cho quá trình di chuyển radon Radon đi vào khí quyển đại diện cho quá trình bốc hơi của

nó Trong môi trường nước, sự di chuyển radon phụ thuộc vào đặc tính dòng nước (TK

Ball và nnk., 1991; Shelley A Harris và nnk., 2006) Sự di chuyển của radon trong không

khí, các lỗ rỗng và đứt gãy được lấp đầy nước xảy ra thông qua hai quá trình Đầu tiên

là dòng chảy có áp suất khí của đất Khi áp suất khí tăng, lượng radon bốc hơi giảm do không khí trong khí quyển bị đẩy vào trong mặt hạt, làm tăng nồng độ radon trong lòng đất Ngược lại, sự giảm áp suất khí làm tăng luồng không khí từ trong bề mặt hạt đất thoát ra và đi lên khỏi mặt đất Quá trình thứ hai là quá trình khuếch tán, có xu hướng cân bằng sự phân bố khí và là kết quả của nồng độ radon khác nhau trong không khí, khí quyển và không khí mặt đất Nói chung, nồng độ radon trong không khí, khí quyển thấp hơn trong không khí đất đá, do đó quá trình khuếch tán đẩy radon vào khí quyển Khoảng cách di chuyển khuếch tán bị giới hạn bởi chu kỳ bán rã ngắn của 222Rn, cũng

như các đặc tính của đất và đá J Kemski và nnk (1996) chỉ ra rằng khoảng cách di

chuyển khuếch tán radon trong cát lên đến 6 m, và trong đất sét lên đến 1,5 m, khoảng cách trên được tính trong vòng 10 chu kỳ bán rã Trong đất và đá có tính thấm cao, dòng chảy áp suất khí quyển là quá trình di chuyển và bốc hơi quan trọng nhất của radon, mặt khác, ở đất và đá có độ thấm thấp, quá trình quan trọng nhất là khuếch tán (Linda CS

Gundersen và nnk., 1992; Allan Bain Tanner, 1980)

1.2.4. Các yếu tố kiểm soát con đường di chuyển và phát tán 222 Rn trong môi trường

Nồng độ radon có thể được đo trong cả không khí và khí lỗ rỗng trong đất, cũng như trong nước ngầm và nước bề mặt Có một số yếu tố môi trường và địa lý ảnh hưởng đến nồng độ radon trong không khí Các yếu tố quan trọng là thành phần thạch học và khoáng vật học của đá gốc; độ thấm và độ xốp của đất; đới dập vỡ, đứt gãy; và điều kiện khí quyển (nhiệt độ, áp suất và gió) Tất cả các yếu tố đó phải được nhận biết bởi vì nồng độ radon trong không khí trong khí quyển và đất phụ thuộc vào sự kết hợp của nhiều yếu tố, những yếu tố này thường thay đổi và tương quan với nhau

Nồng độ 238U (Uranium - 238) khác nhau ở các loại đất đá khác nhau, và các khoáng vật uranium quan trọng nhất là uraninit (pitchblende), coffinite, davidit,

thucholit và cámnerit, nhưng đồng vị uranium cũng có trong các khoáng vật như zircon,

titanite, monazite, apatit, allanite, monazite, và những chất khác (TK Ball và nnk., 1991;

L C Gundersen, 1993; E M Lanctot, Rand, P W., Lacombe, E H., Hess, C T., &

Bogdan, G F , 1992; LMO Martins và nnk., 2013; R R Schumann, Gundersen, L C.,

& Tanner, A B , 1994) Nồng độ 238U trong đất đá có thể được ước tính dựa trên thành phần khoáng vật của nó, nồng độ uranium cao được đánh giá trong đá granit (G

Aekerblom và J Lindgren, 1997; TK Ball và nnk., 1991; Alexander E Gates và Linda

CS Gundersen, 1992; Gavin K Gillmore và nnk., 2005; L C Gundersen, 1993; Linda

CS Gundersen và nnk., 1992; Shelley A Harris và nnk., 2006; A Horvath và nnk., 2000; Chi-Yu King và nnk., 1996; E M Lanctot, Rand, P W., Lacombe, E H., Hess, C T.,

& Bogdan, G F , 1992; Xiaoyan Li và nnk., 2010; Dana P Loomis và nnk., 1988; LMO Martins và nnk., 2013; G Morland và nnk., 1998; Laina Salonen, 1994; R R Schumann, Gundersen, L C., & Tanner, A B , 1994; AV Sundal và nnk., 2004; C Thivya và nnk.,

2014; NR Varley và AG Flowers, 1992), pegmatites (G Aekerblom và J Lindgren, 1997;

Vinay M Choubey và nnk., 1999; Alexander E Gates và Linda CS Gundersen, 1992; Linda CS Gundersen và nnk., 1992; M M Isam Salih và nnk., 2002; R R Schumann, Gundersen, L C., & Tanner, A B , 1994), gneisses (AA Adepelumi và nnk., 2005; G Aekerblom và J Lindgren, 1997; F Khan và nnk., 2010; Dana P Loomis và nnk., 1988;

G Morland và nnk., 1998), mylonites (Vinay M Choubey và nnk., 1999; Alexander E

Gates và Linda CS Gundersen, 1992) đá phiến sét và đặc biệt là đá phiến kiềm (A

Damkjaer và U Korsbech, 1985; Gavin K Gillmore và nnk., 2005; Linda CS Gundersen

và nnk., 1992; J Kemski và nnk., 1996; F Khan và nnk., 2010; R R Schumann,

Gundersen, L C., & Tanner, A B , 1994; AV Sundal và nnk., 2004), cũng như nhiều

loại đá trầm tích có nguồn gốc từ các đá chứa khoáng vật chứa uranium đó

Gundersen, 1993; Linda CS Gundersen và nnk., 1992; Marco Tallini và nnk., 2013)

Độ thấm và độ xốp của đất là một trong những yếu tố quan trọng nhất của nồng

độ radon do chu kỳ bán rã ngắn của nó (AA Adepelumi và nnk., 2005; Charles Geiger

và Kent B Barnes, 1994) và phần trăm radon thoát ra khỏi mặt đất phụ thuộc một phần vào độ sâu hình thành và độ thấm của đất (Arrigo A Cigna, 2005) Nồng độ radon cao hơn được tìm thấy trong đất có độ thấm và độ xốp cao hơn vì tính linh động của radon

thuận lợi và cao hơn (AV Sundal và nnk., 2004) Độ thấm của đất chủ yếu phụ thuộc

vào kích thước hạt đất, các loại đất như sỏi và cát có tính thấm cao hơn Mặt khác, một

số loại đất có độ xốp cao, như đất giàu sét mịn có độ thấm thấp, làm giảm tính di động

của radon (TK Ball và nnk., 1991), nhưng đất sét khô lại có tính thấm vì đất sét co lại

và do đó tạo ra nhiều nứt nẻ (Linda CS Gundersen và nnk., 1992)

c Dập vỡ và nứt nẻ trong hạt đất đá

Các đứt gãy và vết nứt nẻ trên nền đá đại diện cho các con đường thoát chính của

radon (TK Ball và nnk., 1991; Mark Baskaran, 2016; Oktay Baykara và Mahmut Dogru, 2006; Linda CS Gundersen và nnk., 1992; Chi-Yu King và nnk., 1996; RC Ramola và

nnk., 2005; R R Schumann, Gundersen, L C., & Tanner, A B , 1994; NR Varley và

AG Flowers, 1992) Một trong những ví dụ về các khu vực mà radon xuất hiện được biết đến là những khu vực có nồng độ cao trong đất bề mặt và nước ngầm, bao gồm các

suối có liên quan đến đứt gãy (AA Adepelumi và nnk., 2005; Agoubi Belgacem và nnk., 2015; Vinay M Choubey và nnk., 1999; Mehmet Erdogan và nnk., 2013; Linda CS Gundersen và nnk., 1992; J Kemski và nnk., 1996; K Kozak và nnk., 2005; LMO Martins

và nnk., 2013; Niren Laxmichand Nagda, 1994; A Savidou, Sideris, G., & Zouridakis,

N., 2001; NR Varley và AG Flowers, 1992; J Vaupotič, 2012) Trong nhiều trường hợp, những giá trị radon cao này được sử dụng làm công cụ để nhận biết các đứt gãy và các vết nứt lớn khác trên nền đá gốc (Arrigo A Cigna, 2005; Cameron Eoin Lawrence, 2006)

Một số nghiên cứu cho thấy sự hiện diện của đứt gãy dẫn đến nồng độ radon cao

hơn trong không khí và nước (Katsuaki Koike và nnk., 2014) Động đất có thể ảnh hưởng

đến việc kích hoạt các đứt gãy cũ và gây ra việc mở các đứt gãy mới Động đất cũng làm tăng độ xốp và tính thấm của đất đá xung quanh (Mark Baskaran, 2016), dẫn đến việc giải phóng radon từ lớp nền và đất tăng lên (Arrigo A Cigna, 2005; Fatih Külahcı

và Zekâi Şen, 2014; Y Yasuoka và M Shinogi, 1997)

Các hoạt động của con người như nổ mìn trong công trình dân dụng và nứt vỡ thủy lực có thể ảnh hưởng đến tính thấm của đất và đá Việc nổ mìn để xây dựng như khai thác mỏ và các công trình đường xá có thể ảnh hưởng đến mức radon cao hơn giống

như trường hợp xây dựng đập gần Tehri (Vinay M Choubey và nnk., 1999) Quá trình nứt vỡ thủy lực giải phóng radon bị mắc kẹt trong đá gốc(James Burkhart và nnk., 2013)

Chuyển động kiến tạo khi chia cắt có thể dẫn đến kích thước hạt đá giảm Do đó, trong vùng chia cắt, lượng uranium được huy động nhiều hơn, và dự kiến nồng độ

uranium và 222Rn cao hơn (Vinay M Choubey và nnk., 1999) Phong hóa làm cho đá,

khoáng vật yếu đi và tăng cường quá trình giảm kích thước hạt

Trong các địa hình karst được tạo thành từ đá cacbonat, nồng độ 222Rn cao có thể

được tìm thấy với hàm lượng cao trong các hệ thống hang hốc (Gavin K Gillmore và

nnk., 2005; Linda CS Gundersen và nnk., 1992; Andrew J Kowalczk và Philip N

Froelich, 2010) Hình thái của các khoang hang động có thể gây ra việc giữ lại các khí, bao gồm 222Rn trong các hang động (Arrigo A Cigna, 2005; Andrew J Kowalczk và Philip N Froelich, 2010) Đá vôi được đặc trưng bởi tính thấm thấp đối với sự vận chuyển khí, ngoại trừ thông qua mạng lưới đứt gãy, cung cấp các tuyến đường cho sự chuyển động 222Rn và sự bốc hơi của nó vào khí quyển

d Độ ẩm của đất

Độ ẩm ảnh hưởng đến mức radon theo hai cách khác nhau Độ ẩm của đất thấp

có thể làm tăng sự phát xạ radon (Masahiro Hosoda và nnk., 2007; J K Otton và nnk.,

1988; R R Schumann, Gundersen, L C., & Tanner, A B , 1994), nhưng độ ẩm của đất cao hơn sẽ làm giảm sự di chuyển của khí radon bằng cách lấp đầy các không gian lỗ

rỗng đất, dẫn đến giảm chiều dài hoặc khoảng cách khuếch tán radon (A Bollhöfer và

nnk., 2003; A Damkjaer và U Korsbech, 1985; Chi-Yu King và nnk., 1996; R R

Schumann, Gundersen, L C., & Tanner, A B , 1994) Một ví dụ khi đất có độ ẩm giảm dần, nồng độ khí radon ngày càng cao (John E Pearson và Gary E Jones, 1966) Đất giàu sét cần ít độ ẩm hơn để giảm sự phát xạ radon vì không gian lỗ rỗng nhỏ và hiệu ứng trương nở của đất sét, dẫn đến đóng các lỗ rỗng của đất (R R Schumann, Gundersen,

L C., & Tanner, A B , 1994; Glenn Sharman, 1992) Độ ẩm trong đất có thể bắt nguồn

từ nước dưới đất, nước mặt, độ ẩm không khí và lượng mưa Mưa là loại phổ biến nhất

có thể làm bão hòa hoàn toàn lớp đất bề mặt và ngăn chặn quá trình bốc hơi, tức là sự

thay đổi khí giữa đất và khí quyển (TK Ball và nnk., 1991) Theo cách đó, hiệu ứng giới

hạn có thể xảy ra và nồng độ radon ở mức giới hạn thấp tăng lên mức cao bất thường do

tích tụ khí tùy vào từng điều kiện cụ thể (Sigrid Asher-Bolinder và nnk., 1991; Chi-Yu King và nnk., 1996; J K Otton và nnk., 1988; Katalin Zsuzsanna Szabó và nnk., 2014)

Trong một số trường hợp, độ ẩm của đất cao có thể là yếu tố quan trọng dẫn đến tiềm năng radon thấp cùng với hàm lượng uranium thấp khí nó bị rửa trôi theo nước dưới đất

(Linda CS Gundersen và nnk., 1992)

e Điều kiện khí quyển

Các yếu tố khí quyển quan trọng nhất ảnh hưởng đến sự phát xạ, di chuyển và bốc hơi của 222Rn là nhiệt độ đất, không khí, áp suất khí quyển và gió Những yếu tố này được kiểm soát theo thời gian (hàng ngày và theo mùa), do đó, các thông số radon được

đề cập cũng bị thay đổi (J Mazur và K Kozak, 2014) đã chỉ ra sự phức tạp của quá trình bốc hơi radon trong quá trình điều tra về ảnh hưởng của nhiệt độ không khí, lượng mưa cùng với áp suất không khí đến tốc độ bốc hơi radon

+ Nhiệt độ

Nhiệt độ là yếu tố ảnh hưởng mạnh mẽ đến hệ số phát xạ 222Rn Ở nhiệt độ cao,

số lượng nguyên tử radon có thể bị hấp phụ vào bề mặt hạt giảm, mặt khác, hệ số khuếch tán của nguyên tử radon tăng theo nhiệt độ do sự giãn nở nhiệt của không khí trong đất

(Mark Baskaran, 2016; Nabil M Hassan và nnk., 2009; Cameron Eoin Lawrence, 2006)

hoặc pha lỏng (Arrigo A Cigna, 2005)

Sự chênh lệch nhiệt độ giữa không khí trong đất và không khí trong khí quyển có

ý nghĩa đối với hướng luồng không khí Nếu nhiệt độ không khí khí quyển cao hơn nhiệt

độ không khí trong đất (vào mùa hè và khoảng giữa trưa), không khí trong đất dày đặc hơn sẽ giữ radon lại, làm giảm sự thoát ra của radon Nếu nhiệt độ không khí thấp hơn nhiệt độ không khí trong đất (vào mùa đông, vào ban đêm và sáng sớm), không khí nhẹ

hơn từ đất đi vào khí quyển, làm tăng quá trình bốc hơi của radon MH Magalhães và

nnk (2003) đã ghi nhận mối tương quan nghịch giữa nhiệt độ không khí và nồng độ

radon không khí trong khí quyển, trong đó nồng độ radon trong không khí đạt cực đại

vào buổi sáng sớm và cực tiểu vào buổi chiều AV Sundal và nnk (2004) kết luận rằng

sự thay đổi theo mùa của nồng độ radon trong khí dưới đất ở độ sâu 20 cm, bị ảnh hưởng bởi sự khác biệt nhiệt độ giữa không khí trong đất và không khí trong khí quyển, cũng như sự khác biệt về độ cao địa hình Vào mùa hè, không khí trên mặt đất nặng hơn, vì vậy nó chảy qua đất và đá thẩm thấu xuống dưới, làm tăng nồng độ radon ở độ cao thấp hơn, trong khi đất ở độ cao trên được thông khí với không khí có nồng độ radon thấp hơn Trong mùa đông, không khí đất và đá nhẹ hơn lưu thông lên phía trên, làm tăng nồng độ radon ở các độ cao hơn, trong khi đất ở độ cao thấp hơn thông khí với không khí trong khí quyển Nhiệt độ có thể ảnh hưởng đến đất và nồng độ radon trong không khí khí quyển bằng cách đóng băng lớp đất mặt Theo cách đó, radon bị giữ lại bên dưới lớp đất đóng băng, làm giảm quá trình thở ra, do đó, nồng độ radon trong không khí

trong đất tăng lên, trong khi nồng độ radon trong khí quyển giảm (Linda CS Gundersen

và nnk., 1992; John E Pearson và Gary E Jones, 1966; Iveta Smetanová và nnk., 2010)

Nhiệt độ không khí là yếu tố chính ảnh hưởng đến nồng độ radon trong các hang động và mạng lưới đứt gãy trên địa hình karst Trong những khoảng thời gian ấm hơn trong năm, không khí trong hang động lạnh hơn và nặng hơn không khí trong khí quyển,

vì vậy nó giữ lại trong hang động làm tăng nồng độ radon Mặt khác, trong thời kỳ lạnh hơn, không khí hang động giàu radon ấm hơn và nhẹ hơn nên thoát ra khỏi hang Không

khí trong lành từ bên ngoài vào hang làm giảm nồng độ radon trong hang(Asta Gregorič

và nnk., 2014; Asta Gregorič và nnk., 2011; Jack R Hughes và nnk., 1998; Andrew J

Kowalczk và Philip N Froelich, 2010; Tadeusz Andrzej Przylibski, 1999; Akira

Tanahara và nnk., 1997) Trong một số trường hợp, sự chênh lệch nhiệt độ ngày - đêm

của không khí cũng có thể dẫn đến sự trao đổi giữa không khí hang động và khí

quyển(Diego Bruzzone và nnk., 2006; Asta Gregorič và nnk., 2011; Andrew J Kowalczk

+ Áp suất không khí

Như đã trình bày ở trên, sự di chuyển radon qua các lỗ rỗng được lấp đầy không khí và các vết nứt của đất có thể là kết quả của sự thay đổi áp suất khí quyển Áp suất khí quyển cho thấy mối tương quan nghịch với nồng độ 222Rn trong không khí và tương

quan trực tiếp với nồng độ trong đất (TK Ball và nnk., 1991; A Eff‐Darwich và nnk., 2002; Youssef I Hafez và El-Sayed Awad, 2016; Ayoe Hoff, 1997; Nemesio M Pérez

và nnk., 2007; Frédéric Perrier và Patrick Richon, 2010) Khi áp suất khí quyển cao,

không khí bị đẩy vào đất, làm giảm lượng radon thoát ra và tăng nồng độ trong đất và giảm trong không khí Trong tình huống ngược lại, khi áp suất khí quyển thấp, không khí trong di chuyển vào khí quyển, làm tăng mức độ radon bốc hơi vào không khí khí quyển, trong khi nồng độ radon trong đất giảm Sự thay đổi áp suất khí quyển có thể xảy

ra trong thời gian ngắn, ảnh hưởng đến quá trình thoát khí radon của đất ở cuối ngày (S