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

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

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

TT Chức danh, học vị, họ và tên Đơn vị công tác Vai trò thực

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

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

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

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

x min( x ) 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

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

x min( x ) 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

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%

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%

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:

( )

1 1

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

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

- 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

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%

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

- 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

- 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

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

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

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

x min( x ) 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

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

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

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

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

y Y R

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

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

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:

( )

1 1

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

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

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%

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

y Y R

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

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:

( )

1 1

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

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

- 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

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

y Y R

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

- 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

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%