XÂY DỰNG MÔ HÌNH MẠNG NƠ-RON NHÂN TẠO ĐỂ XÁC ĐỊNH NHANH NỒNG ĐỘ DUNG DỊCH NaOH DỰA TRÊN PHỔ TRUYỀN QUA CỦA CHÙM TIA GAMMA NĂNG LƯỢNG THẤP 59,54 keV
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu này trình bày một cách tiếp cận mới để xác định nhanh nồng độ của dung dịch NaOH dựa trên phép đo sự suy giảm của chùm tia gamma năng lượng thấp 59,54 keV phát ra từ nguồn 241Am và mạng nơ-ron nhân tạo (ANN) được huấn luyện trực tiếp từ phổ đo. Đầu tiên, mô phỏng Monte Carlo được sử dụng để tạo dữ liệu phổ. Sau đó, dữ liệu phổ này được trích xuất trực tiếp để huấn luyện và tối ưu mô hình ANN. Hiệu suất dự đoán của mô hình tối ưu được so sánh với phương pháp đường chuẩn được xây dựng từ mối liên hệ giữa tỉ số lnR giữa diện tích đỉnh truyền qua giữa nước và dung dịch NaOH với nồng độ tương ứng. Kết quả thu được cho thấy mô hình ANN đạt độ lệch trung bình dưới 2,8 % so với các nồng độ tham chiếu, trong khi đường chuẩn cho độ lệch trung bình trên 6,0 %. Ở vùng nồng độ thấp (C = 5,0%), mô hình ANN cho độ lệch chỉ 2,5%, tốt hơn nhiều so với độ lệch khoảng 12,6% từ đường chuẩn. Điều này cho thấy sự kết hợp phép đo truyền qua với tia gamma năng lượng thấp và mô hình ANN là cách tiếp cận đầy hứa hẹn để xác định nhanh nồng độ với độ chính xác cao cho các dung dịch kiềm.
Từ khóa
gamma truyền qua, mô phỏng Monte Carlo, MLP-ANN, NaOH, nồng độ
Chi tiết bài viết
Tài liệu tham khảo
Dorn, M., Kareth, S., Weidner, E., & Petermann, M. (2024). Electrical conductivity of lithium, sodium, potassium, and quaternary ammonium salts in water, acetonitrile, methanol, and ethanol over a wide concentration range. J. Chem. Eng. Data., 69(4), 1493-1502. https://doi.org/10.1021/acs.jced.3c00691
Goorley, T., James, M., Booth, T., Brown, F., Bull, J., Cox, L. J., Durkee, J., Elson, J., Fensin, M., Forster, R. A., Hendricks, J., Hughes, H. G., Johns, R., Kiedrowski, B., Martz, R., Mashnik, S., McKinney, G., Pelowitz, D., Prael, R., ... Werbein, S. (2012). Initial MCNP6 release overview. Nuclear Technology, 180(3), 298–315. https://doi.org/10.13182/NT11-135
Huynh, D. C., Nguyen, Q. H., Nguyen, T. M. L., Vo, H. N., & Tran, T. T. (2019). Validation of gamma scanning method for optimizing NaI(Tl) detector model in Monte Carlo simulation. Applied Radiation and Isotopes, 149, 1–8. https://doi.org/10.1016/j.apradiso.2019.04.009
Huynh, C. D., Truong, S. T., Le, T. N. T., Nguyen, L. T. T., & Hoang, T. D. (2021). The first result in the determination of the percentage concentration of sulfuric acid solution based on the gamma transmission technique with an energy of 662 ke. STDJ-NS, 5(2), 1179-1188. https://doi.org/10.32508/stdjns.v5i2.1010
Nguyen, T. D., Hoang, T. K. T., & Hoang, D. T. (2024). Determining the concentration of base solution based on gamma transition technique combined with Monte Carlo simulation and artificial neutral network: preliminary results. HCMUE Journal of Science, 21(1), 162. https://doi.org/10.54607/hcmue.js.21.1.3925(2024)
Perry, R.H., Green, D.W., Maloney, J. O., 1997. CHEMICAL ENGINEERS ’ HANDBOOK SEVENTH Late Editor, Society.
Rhoades, J. D. (1993). Electrical conductivity methods for measuring and mapping soil salinity. Adv. Agron., 49, 201-251. https://doi.org/10.1016/S0065-2113(08)60795-6
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
Sue, K., & Arai, K. (2004). Specific behavior of acid–base and neutralization reactions in supercritical water. J. Supercrit. Fluids, 28(1), 57-68. https://doi.org/10.1016/S0896-8446(03)00010-X
Tong, A., Tang, X., Liu, H., Gao, H., Kou, X., & Zhang, Q. (2023). Differentiation of NaCl, NaOH, and β-Phenylethylamine using ultraviolet spectroscopy and improved adaptive artificial bee colony combined with BP-ANN algorithm. ACS Omega, 8(13), 12418–12429. https://doi.org/10.1021/acsomega.3c00271
Truong, T. S., Dang, H. A., Huynh, D. C., Nguyen, T. H., Lam, D. N., Nguyen, T. K. A., Tran, T. M. D., & Hoang, D. T. (2021). ANN coupled with Monte Carlo simulation for predicting the concentration of acids. Applied Radiation and Isotopes, 169, 109563. https://doi.org/10.1016/j.apradiso.2020.109563