Tổng quan về luận án

Nghiên cứu tối ưu hóa năng lượng trong mạng cảm biến không dây (Wireless Sensor Networks - WSNs) đại diện cho một trong những thách thức cốt lõi của kỹ thuật truyền thông và hệ thống nhúng phân tán hiện đại. Mạng cảm biến không dây đóng vai trò then chốt trong tự động hóa tòa nhà, giám sát môi trường sinh thái, y tế thông minh và kiểm soát công nghiệp. Tuy nhiên, rào cản kỹ thuật mang tính sống còn là nút cảm biến chủ yếu vận hành bằng nguồn pin mang theo với dung lượng hữu hạn (thường chỉ vài chục đến vài trăm mAh), trong khi việc thay thế pin trên diện rộng gây tốn kém kinh phí, nhân lực và làm gián đoạn tính toàn vẹn của cấu trúc mạng.

Khoảng trống nghiên cứu (Research Gap) được xác định rõ ràng: các giải pháp năng lượng cấp độ nút (công nghệ bán dẫn công suất thấp, thu năng lượng môi trường) thường chịu sự chi phối bất định từ thời tiết và không gian; trong khi các giải pháp cấp độ mạng (giao thức định tuyến LEACH, DEEC, SEP, kiểm soát truy cập MAC) chủ yếu giải quyết bài toán đơn lẻ với giả định tải tĩnh mà chưa mô hình hóa chi tiết quá trình động học năng lượng ở từng trạng thái hoạt động vi mô (ngủ, chờ, đo lường, truyền thông). Để giải quyết triệt để vấn đề này, luận án tập trung trả lời hai câu hỏi nghiên cứu cốt lõi:

  • RQ1: Làm thế nào để xây dựng một nền tảng mô phỏng chuyên dụng có khả năng phản ánh chính xác trạng thái sạc (State of Charge - SOC) của pin, quá trình nạp/xả động học và mức tiêu hao năng lượng chi tiết của từng nút cảm biến theo thời gian thực?
  • RQ2: Làm thế nào để thiết kế một giải thuật tối ưu hóa lịch trình hoạt động mạng có khả năng thích ứng linh hoạt với các ràng buộc đa mục tiêu phức tạp mà không bị bế tắc cục bộ hay bùng nổ không gian tìm kiếm?

Tương ứng với hai câu hỏi trên là hai giả thuyết khoa học được kiểm chứng:

  • H1: Một nền tảng mô phỏng hướng sự kiện tích hợp mô hình mạch tương đương của pin và mô hình thu hồi năng lượng đa nguồn sẽ phản ánh độ chính xác tiêu thụ năng lượng đạt sai số bình quân phương (RMSE) tối thiểu so với thực nghiệm phần cứng.
  • H2: Thuật toán di truyền với nhiễm sắc thể có chiều dài thay đổi (Variable Length Chromosome Genetic Algorithm - VLC-GA) mang lại hiệu quả hội tụ hàm mục tiêu tốt nhất ($BFV$) và kéo dài tuổi thọ mạng vượt trội so với thuật toán di truyền nhiễm sắc thể cố định (Flexible/Fixed Length Chromosome Genetic Algorithm - FLC-GA).

Khung lý thuyết của nghiên cứu tích hợp Lý thuyết Quản lý Năng lượng Mạng cảm biến, Lý thuyết Tối ưu hóa Tiến hóa và Mô hình Động học Lưu trữ Năng lượng Điện hóa. Đóng góp đột phá của luận án nằm ở việc phát triển thành công nền tảng mô phỏng mạng tích hợp mô hình năng lượng chuyên sâu và đề xuất biến thể giải thuật di truyền VLC-GA, cho phép mạng cảm biến duy trì hoạt động ổn định trong chu kỳ dài ngày (kiểm chứng liên tục qua 3 ngày mô phỏng 72 giờ và các mốc thực nghiệm 500 giây, 1 giờ, 6 giờ) với sự cân bằng hoàn hảo giữa hiệu quả đo lường và mức giảm dung lượng pin ($\Delta Q$).

Literature Review và Positioning

Tổng quan y văn cho thấy các chiến lược tối ưu hóa WSNs phân tách thành hai nhánh chính:

Nhánh thứ nhất tập trung vào cấp độ phần cứng và thu hồi năng lượng ngoại vi. Các công trình của Halgamuge cùng các cộng sự [39] đã phân tích chi tiết mức tiêu thụ của nút cảm biến, chỉ ra rằng: "hoạt động truyền thông chiếm 51% trên tổng toàn bộ năng lượng của nút cảm biến, hoạt động thu thập dữ liệu chiếm 6%, hoạt động biến đổi 8%, hoạt động xử lý chiếm 12%, hoạt động lưu trữ dữ liệu 14%, hoạt động chờ chuyển giữa các trạng thái làm việc chiếm 10%". Nghiên cứu của Oscar López-Lapeña và cộng sự [56] phát triển bộ chuyển đổi DC-DC nâng cao hiệu suất pin quang điện với chu trình nạp xả $T_{cycle} = T_{charge} + T_{disch}$, đạt mật độ công suất mặt trời tới $100\text{ mW/cm}^2$. Bên cạnh đó, các nghiên cứu của N. Stephen [64] về máy phát điện quán tính tuyến tính và FK. Readally [48] về máy phát nhiệt điện (TEG) ứng dụng hiệu ứng Seebeck ($V_{TEG} = \alpha \cdot \Delta T$) đã mở ra khả năng khai thác rung động (Perpetuum EM đạt công suất $4000\text{ }\mu\text{W}$) và chênh lệch nhiệt độ ($55/21^\circ\text{C}$ đạt $150\text{ mW}$). Tuy nhiên, các nguồn năng lượng này có mật độ biến thiên không liên tục, chỉ đóng vai trò hỗ trợ và không thể đảm bảo mạng hoạt động liên tục nếu thiếu cơ chế điều phối lịch trình.

Nhánh thứ hai tập trung vào cấp độ mạng và giao thức truyền thông. Các nghiên cứu của A. El-Hoiydi và cộng sự [41] đã phân tích công suất tiêu thụ lý tưởng $P_{Ideal}$ và phát triển các giao thức tiêu thụ năng lượng thấp như WiseMAC, PTIP, PSM dựa trên kỹ thuật lấy mẫu trường mở đầu (preamble sampling) để đánh thức nút nhận. Jan M. Rabaey và cộng sự [40] chứng minh rằng trong nội tại tác vụ truyền thông, vi xử lý tiêu tốn $30%$, cấu hình $25%$, đồng bộ hóa $14%$, nhận tin $12%$, truyền tin $5%$ và truyền thông băng tần cơ sở $13%$. Mặc dù các giao thức như LEACH, DEEC, DDEEC tối ưu hóa phân cụm và định tuyến, chúng tồn tại tranh luận học thuật lớn với nhóm tiếp cận lập lịch tập trung: định tuyến phân tán giảm tải tính toán nhưng gây xung đột gói tin và lãng phí năng lượng nghe ngóng (idle listening), trong khi lập lịch tập trung đòi hỏi thông tin trạng thái toàn cục phức tạp.

Đối chiếu với các công cụ mô phỏng quốc tế hiện hành (NS-2, NS-3, OMNeT++, OPNET, J-Sim, SENS, SENSE), luận án chỉ ra rằng các bộ công cụ này chủ yếu tập trung vào ngăn xếp giao thức mạng (network protocol stack) mà thiếu mô hình hóa chi tiết động học pin điện hóa thực tế và đặc tính thu hồi năng lượng phụ thuộc môi trường thời gian thực. Bằng cách định vị vào giao điểm giữa mô phỏng năng lượng độ chính xác cao và tối ưu hóa tiến hóa cấu trúc mở, nghiên cứu đã vượt lên trên các hạn chế tĩnh của các công trình quốc tế đi trước.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Quản lý Năng lượng Mạng cảm biến thông qua việc hình thức hóa bài toán lập lịch hoạt động của nút cảm biến thành bài toán tối ưu hóa tổ hợp đa mục tiêu có ràng buộc động. Nghiên cứu thách thức giả định truyền thống xem chu kỳ thức/ngủ của nút là đại lượng cố định, chứng minh rằng chuỗi trạng thái hoạt động tối ưu của một nút mạng phải là một hàm phụ thuộc phi tuyến vào cả trạng thái năng lượng nội tại và động thái năng lượng thu nhận từ môi trường.

Mô hình lý thuyết thiết lập không gian trạng thái hoạt động của nút $i$ gồm 4 chế độ cơ bản: chế độ ngủ ($BS$), chế độ chờ ($BI$), chế độ đo lường ($BM$) và chế độ truyền thông ($BC$). Một lịch trình mạng tổng thể $\hat{S}$ được cấu thành từ tập hợp lịch trình của các nút thành phần $S_i = {(m_1^i, t_1^i), (m_2^i, t_2^i), \dots, (m_{s_i}^i, t_{s_i}^i)}$, trong đó $m_j^i$ là chế độ hoạt động và $t_j^i$ là thời điểm bắt đầu trạng thái thứ $j$.

Mệnh đề lý thuyết cốt lõi được phát biểu: Sự biến thiên chiều dài chuỗi trạng thái trong nhiễm sắc thể của giải thuật di truyền phản ánh chính xác tính linh hoạt thích ứng của nút cảm biến đối với sự phân bổ năng lượng bất đối xứng trong không gian mạng hỗn tạp (heterogeneous networks), loại bỏ các trạng thái dư thừa làm suy thoái hàm mục tiêu.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của ba nền tảng lý thuyết:

  1. Lý thuyết Động học Pin và Mạch tương đương: Mô tả hành vi nạp/xả phi tuyến của pin (điển hình như dòng Ni-MH Panasonic BK-60AAAH) kết hợp mô hình thu năng lượng môi trường (quang điện, nhiệt điện Seebeck, rung động quán tính, trường bức xạ điện từ RF).
  2. Lý thuyết Truyền thông Đa truy nhập và Định tuyến Cây/Lưới: Mô hình hóa toán học tiêu hao công suất truyền $E_{txN}(b, d_{ij}) = bE_{elec} + bd_{ij}^n E_{amp}$ và công suất nhận $E_{rxN} = bE_{elec}$ theo khoảng cách truyền dẫn $d_{ij}$ và bậc suy hao $n$.
  3. Lý thuyết Tính toán Tiến hóa Biến thể Cấu trúc: Xây dựng toán tử di truyền thích nghi bao gồm sao chép ($MC$), chèn gen ($MI$), loại bỏ gen ($MR$) và dịch chuyển gen ($MS$).

Điều kiện biên của khung phân tích được xác định rõ: áp dụng cho mạng cảm biến không dây cố định hoặc bán di động trong bài toán tự động hóa tòa nhà; chấp nhận sai số đo lường môi trường $\Delta$ trong ngưỡng xác suất $P(\Delta)$; khoảng cách truyền thông và số bước nhảy (hop) tuân thủ mô hình topo cây hoặc mạng lưới xác định.

+-------------------------------------------------------------------------+
|                        MÔI TRƯỜNG THỰC TẾ & VẬT LÝ                      |
| (Bức xạ MT: 100mW/cm2 | Nhiệt Seebeck: dT>=5C | Rung động | Sóng RF)   |
+-------------------------------------------------------------------------+
                                    │
                                    ▼
+-------------------------------------------------------------------------+
|                  NỀN TẢNG MÔ PHỎNG NĂNG LƯỢNG HƯỚNG SỰ KIỆN             |
| ┌─────────────────────────────────────────────────────────────────────┐ |
| │ Nút cảm biến: MCU | Pin (SOC, nạp/xả) | Cảm biến | RF Thu/Phát      │ |
| │ Trạng thái hoạt động: Ngủ (BS) - Chờ (BI) - Đo (BM) - Truyền (BC)  │ |
| └─────────────────────────────────────────────────────────────────────┘ |
+-------------------------------------------------------------------------+
                                    │
                         Dữ liệu trạng thái & năng lượng
                                    │
                                    ▼
+-------------------------------------------------------------------------+
|                    THUẬT TOÁN TỐI ƯU HÓA LỊCH TRÌNH                     |
| ┌─────────────────────────────────────────────────────────────────────┐ |
| │                   Biến thể VLC-GA (Nhiễm sắc thể động)               │ |
| │   Toán tử: Lai ghép đoạn gen | Đột biến | Chèn (MI) | Loại bỏ (MR)   │ |
| │   Hàm mục tiêu: Tối đa hóa số phép đo N, Tối thiểu hóa sụt áp pin   │ |
| └─────────────────────────────────────────────────────────────────────┘ |
+-------------------------------------------------------------------------+
                                    │
                         Lịch trình tối ưu hóa S_opt
                                    │
                                    ▼
+-------------------------------------------------------------------------+
|                 TRIỂN KHAI VẬN HÀNH MẠNG CẢM BIẾN THỰC TẾ               |
| (Kéo dài tuổi thọ mạng | Đảm bảo phủ sóng | Triệt tiêu cạn pin cục bộ)  |
+-------------------------------------------------------------------------+

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ triết lý thực chứng (positivism) kết hợp phương pháp luận kỹ thuật thực nghiệm nghiêm ngặt. Thiết kế nghiên cứu đa tầng bao gồm ba cấp độ tích hợp:

  • Cấp độ mô hình hóa toán học: Thiết lập hệ phương trình vi phân mô tả quá trình nạp/xả năng lượng của pin, tổn hao dòng rò $E_{leak}$, tổn hao chuyển mạch vi điều khiển $E_{proN}$, và suy hao công suất sóng vô tuyến trong không gian tự do.
  • Cấp độ mô phỏng phần mềm: Phát triển một nền tảng mô phỏng mạng cảm biến chuyên dụng hướng đối tượng (event-driven object-oriented architecture), chia tách thành các lớp module: Lớp Pin, Lớp Nguồn Năng lượng, Lớp Cảm biến và Lớp Truyền thông.
  • Cấp độ kiểm chứng phần cứng: Xây dựng mô hình nút cảm biến thực nghiệm đo nhiệt độ - độ ẩm để thu thập dữ liệu công suất thực tế, làm căn cứ hiệu chuẩn và xác thực chéo (cross-validation).

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được tiến hành qua các bước chuẩn hóa:

  1. Đo đạc công suất phần cứng thực nghiệm: Sử dụng các thiết bị đo lường chuyên dụng ghi nhận dòng tiêu thụ và công suất của nút cảm biến tại 10 lần thực nghiệm ngẫu nhiên độc lập. Kết quả đo đạc thiết lập bộ tham số tiêu thụ cơ sở: chế độ ngủ đạt mức microampere ($\mu\text{A}$), chế độ chờ đạt mức milliampere thấp, chế độ đo lường và chế độ truyền thông đạt giá trị đỉnh tương ứng với từng cấu hình phần cứng (tham chiếu số liệu đo từ MicaZ, Sunspot, WiSMote, IRIS, Waspmote).
  2. Thiết lập thử nghiệm pin chuẩn: Kiểm tra quá trình sạc và phóng điện thực tế của dòng pin sạc nickel-metal hydride (Ni-MH Panasonic BK-60AAAH dung lượng chuẩn), đối chiếu đường cong phóng điện thực nghiệm với đường đặc tính mô phỏng trên nền tảng để triệt tiêu sai lệch mô hình.
  3. Tam giác đạc phương pháp (Methodological Triangulation): Kết quả tối ưu hóa từ thuật toán VLC-GA được đối chứng song song với thuật toán chuẩn FLC-GA, đồng thời nạp ngược lịch trình tối ưu vào nền tảng mô phỏng năng lượng để đánh giá độ suy giảm dung lượng trong các kịch bản đa bước nhảy (5 bước khoảng cách 5m, 10 bước khoảng cách 10m).

Data và phân tích

Phân tích định lượng dựa trên bộ dữ liệu vận hành đa khung thời gian:

  • Tập mẫu thực nghiệm ngắn hạn: 500 giây, 1 giờ và 6 giờ hoạt động liên tục của nút cảm biến đo nhiệt độ - độ ẩm để kiểm chứng công suất tiêu thụ trung bình.
  • Tập mẫu mô phỏng dài hạn: Chu kỳ 3 ngày (72 giờ) mô phỏng liên tục mạng cảm biến hỗn tạp gồm các nút có thu hồi năng lượng mặt trời và các nút chỉ dùng pin thuần túy.
  • Phân tích thuật toán tiến hóa: Quần thể $q$ cá thể chạy qua 100 thế hệ ($k=100$). Đánh giá giá trị hàm mục tiêu tốt nhất ($BFV$), tổng số phép đo thực hiện được ($N$), dung lượng pin nhỏ nhất trong ngày ($Q_{min}$), dung lượng lớn nhất ($Q_{max}$), và mức độ sụt giảm pin toàn chu kỳ ($\Delta Q$).
Tham số kỹ thuật / Thuộc tính Giá trị cấu hình trên Nền tảng mô phỏng Dữ liệu đo đạc thực nghiệm phần cứng
Điện áp định mức nguồn cấp $2.4\text{ V} - 3.3\text{ V}$ $1.2\text{ V} \times 2\text{ Cell (Ni-MH BK-60AAAH)}$
Dòng tiêu thụ Chế độ Ngủ ($BS$) $8\text{ }\mu\text{A} - 15\text{ }\mu\text{A}$ Dao động ngẫu nhiên trong 10 lần đo: $\sim 12\text{ }\mu\text{A}$
Dòng tiêu thụ Chế độ Đo ($BM$) $2.2\text{ mA} - 8.0\text{ mA}$ Phụ thuộc cảm biến số nhiệt/ẩm: $4.5\text{ mA}$
Dòng tiêu thụ Truyền tin ($BC$) $17.5\text{ mA} - 44.0\text{ mA}$ Đỉnh phát vô tuyến RF: $30.0\text{ mA}$
Nguồn thu năng lượng mặt trời Cường độ cực đại $100\text{ mW/cm}^2$ (Ban ngày) Mô phỏng hiệu suất quang điện $5% - 30%$
Nguồn thu năng lượng RF Nguồn phát TX91501 Powercaster $3\text{ W}$ ($915\text{ MHz}$) Mức thu thực tế: $189\text{ }\mu\text{W}$ ($5\text{ m}$), $1\text{ }\mu\text{W}$ ($11\text{ m}$)
Cấu trúc gen giải thuật VLC-GA Chiều dài biến thiên theo từng nút $s_i$ Tối ưu hóa chuỗi ${(m_j^i, t_j^i)}$ thích nghi

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình phân tích dữ liệu thực nghiệm và mô phỏng đã mang lại 4 phát hiện đột phá:

Thứ nhất, kiểm chứng thực nghiệm khẳng định sự phân bổ tiêu thụ năng lượng bất đối xứng nghiêm trọng trong nút cảm biến. Đúng như mô hình Halgamuge et al. [39] và Rabaey et al. [40], năng lượng cho truyền thông chiếm trên $51%$ tổng năng lượng của nút, trong đó dòng tiêu thụ khi truyền nhận dữ liệu đạt từ $15\text{ mA}$ đến $44\text{ mA}$ (gấp hàng ngàn lần so với chế độ ngủ chỉ từ $8\text{ }\mu\text{A}$ đến $33\text{ }\mu\text{A}$). Khi truyền thông qua cấu trúc cây đa bước nhảy (10 bước nhảy, cự ly 10m), các nút gần nút gốc (sink/base station) chịu áp lực chuyển tiếp dữ liệu lớn, dẫn đến hiện tượng cạn kiệt năng lượng cục bộ (energy hole problem) nếu không có cơ chế điều phối lịch trình đa chế độ.

Thứ hai, nền tảng mô phỏng năng lượng tự phát triển đạt độ tương thích cao với thực nghiệm vật lý. Sai số giữa kết quả mô phỏng năng lượng tiêu thụ của nút và kết quả đo đạc thực nghiệm trên phần cứng trong các khoảng thời gian 500 giây, 1 giờ và 6 giờ duy trì ở mức sai lệch cực thấp ($< 3.5%$), chứng minh tính tin cậy của mô hình pin nạp xả và mô hình chuyển mạch trạng thái.

Thứ ba, sự vượt trội toàn diện của thuật toán di truyền nhiễm sắc thể có chiều dài thay đổi (VLC-GA) so với thuật toán di truyền chiều dài cố định (FLC-GA). Dữ liệu sau 100 thế hệ tiến hóa cho thấy:

  • Tốc độ hội tụ: VLC-GA loại bỏ hoàn toàn các đoạn gen dư thừa mô tả các trạng thái chờ không cần thiết, giúp hàm mục tiêu $BFV$ hội tụ mượt mà và đạt giá trị tối ưu vượt trội so với FLC-GA.
  • Duy trì năng lượng: Trong kịch bản mô phỏng 3 ngày (72 giờ) cho mạng nhiều nút, lịch trình do VLC-GA thiết lập giúp mức sụt giảm pin toàn chu kỳ $\Delta Q$ của các nút mạng giảm tới $28.4%$ so với lịch trình FLC-GA.
  • Hiệu suất đo lường: Số lượng mẫu đo môi trường hữu ích thu thập được tăng $34.2%$, trong khi khoảng cách thời gian cực đại giữa hai lần đo liên tiếp $\Delta t_{max}$ được kiểm soát chặt chẽ, không xảy ra hiện tượng mất dấu dữ liệu môi trường.

Thứ tư, nghiên cứu làm sáng tỏ ngưỡng khả thi của các nguồn năng lượng thu hồi từ môi trường. Trong khi năng lượng nhiệt Seebeck và năng lượng rung động chỉ cung cấp công suất vi mô (từ vài $\mu\text{W}$ đến vài trăm $\mu\text{W}$, như bộ thu VIBES Mk2 chỉ đạt $46\text{ }\mu\text{W}$ ở $52\text{ Hz}$), năng lượng mặt trời ban ngày ($100\text{ mW/cm}^2$) là nguồn duy nhất có khả năng tái tạo đầy đủ trạng thái sạc SOC cho pin. Lịch trình VLC-GA đã tự động tận dụng tối đa chu kỳ ban ngày để thực hiện các tác vụ tiêu tốn năng lượng cao (đo liên tục, truyền thông đa bước) và chuyển sang chế độ tiết kiệm sâu vào ban đêm.

Implications đa chiều

  • Về mặt học thuật và lý thuyết: Luận án cung cấp một mô hình tối ưu hóa lịch trình WSNs có khả năng tích hợp trực tiếp động học năng lượng phi tuyến vào thuật toán tiến hóa. Đóng góp này mở rộng lý thuyết tính toán mềm (soft computing) ứng dụng trong hệ thống nhúng IoT.
  • Về mặt phương pháp luận: Nền tảng mô phỏng mạng cảm biến năng lượng được thiết kế theo cấu trúc module hóa có thể tái sử dụng để kiểm thử các giao thức định tuyến mới hoặc các thuật toán tối ưu hóa bầy đàn (PSO, ACO) khác mà không cần cấu hình lại phần cứng.
  • Về mặt thực tiễn và công nghiệp: Giải pháp tối ưu hóa lịch trình mạng của luận án cung cấp lời giải trực tiếp cho các hệ thống Tự động hóa Tòa nhà thông minh (Building Automation Systems - BAS). Việc kéo dài tuổi thọ pin của hàng ngàn cảm biến nhiệt độ, độ ẩm, chất lượng không khí trong các tòa cao ốc từ vài tháng lên nhiều năm giúp cắt giảm chi phí bảo trì định kỳ, ngăn ngừa rủi ro gián đoạn hệ thống phòng cháy và điều hòa thông gió HVAC.
  • Về mặt chính sách và tiêu chuẩn: Cung cấp cơ sở khoa học để xây dựng các tiêu chuẩn kỹ thuật về định mức tiêu hao năng lượng và giao thức xanh cho các thiết bị IoT tại Việt Nam trong khuôn khổ chiến lược Chuyển đổi số Quốc gia và Phát triển Đô thị Thông minh.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Giả định kênh truyền vô tuyến: Mô hình truyền thông trong nền tảng mô phỏng hiện áp dụng hệ số suy hao đường truyền lý thuyết ($n$), chưa bao quát đầy đủ hiện tượng đa đường (multipath fading), nhiễu giao thoa phức tạp và che khuất động trong các môi trường công nghiệp nặng.
  2. Quy mô nút thực nghiệm phần cứng: Dữ liệu kiểm chứng thực tế chủ yếu tập trung vào cụm nút đo nhiệt độ - độ ẩm điển hình; việc triển khai thực nghiệm đồng thời hàng trăm nút phần cứng hỗn tạp trên hiện trường thực địa còn bị giới hạn bởi kinh phí nghiên cứu.
  3. Nguồn năng lượng môi trường: Mô phỏng thu năng lượng mặt trời dựa trên kịch bản chu kỳ chiếu sáng chuẩn, chưa tính đến các hiện tượng thời tiết cực đoan kéo dài (mưa bão liên tục nhiều ngày).

Chương trình nghiên cứu 5-10 năm tới mở ra các hướng phát triển:

  • Tích hợp giải thuật Học tăng cường sâu (Deep Reinforcement Learning - DRL) để nút cảm biến tự thích nghi lịch trình hoạt động theo thời gian thực phân tán mà không cần máy chủ tính toán tập trung.
  • Mở rộng nền tảng mô phỏng cho mạng cảm biến không dây di động (Mobile WSNs), bao gồm cảm biến gắn trên thiết bị bay không người lái (UAV) và mạng cảm biến trên cơ thể người (Wireless Body Area Networks - WBANs).
  • Nghiên cứu cơ chế lưu trữ năng lượng lai (Hybrid Energy Storage) kết hợp pin hóa học và siêu tụ điện (Supercapacitors) nhằm tối ưu hóa hiệu suất nạp xung dòng lớn từ các bộ thu năng lượng RF và rung động áp điện.

Tác động và ảnh hưởng

Luận án tạo ra dấu ấn học thuật và ứng dụng rõ rệt:

  • Tác động học thuật: Kết quả nghiên cứu đóng góp trực tiếp vào hệ thống y văn chuyên ngành kỹ thuật điều khiển và truyền thông mạng cảm biến với các công trình được công bố trên các tạp chí và kỷ yếu hội thảo uy tín; dự kiến thu hút trích dẫn từ các nhóm nghiên cứu tối ưu hóa IoT và WSNs xanh (Green WSNs).
  • Chuyển dịch công nghiệp: Tạo tiền đề cho các doanh nghiệp công nghệ trong nước làm chủ công nghệ thiết kế nút cảm biến IoT tiết kiệm năng lượng, giảm sự phụ thuộc vào các giải pháp phần mềm độc quyền nước ngoài.
  • Lợi ích kinh tế - xã hội: Giảm thiểu lượng rác thải điện tử (pin đã qua sử dụng thải ra môi trường) từ hàng triệu thiết bị cảm biến thông minh, hỗ trợ tích cực cho mục tiêu phát thải ròng bằng 0 (Net Zero) và bảo vệ môi trường bền vững.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích hoàn chỉnh kết hợp mô hình hóa năng lượng vi mô và thuật toán di truyền biến thể VLC-GA; khai thác khoảng trống nghiên cứu về tối ưu hóa đa mục tiêu trong mạng hỗn tạp.
  • Kỹ sư R&D và Nhà phát triển hệ thống IoT: Sử dụng nền tảng mô phỏng năng lượng để đánh giá nhanh thiết kế phần cứng, lựa chọn dung lượng pin và tính toán kích thước tấm pin mặt trời trước khi sản xuất hàng loạt.
  • Nhà quản lý tòa nhà và Doanh nghiệp vận hành: Áp dụng lịch trình tối ưu VLC-GA để kéo dài tuổi thọ hệ thống cảm biến giám sát thông minh, tiết kiệm hàng trăm triệu đồng chi phí thay thế pin và bảo trì hệ thống hàng năm.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc hình thức hóa bài toán lập lịch WSNs dưới dạng nhiễm sắc thể có chiều dài biến thiên thích ứng (VLC-GA), mở rộng Lý thuyết Quản lý Năng lượng Mạng cảm biến truyền thống. Luận án chứng minh rằng việc biến thiên chiều dài chuỗi gen cho phép loại bỏ các trạng thái chờ/chuyển tiếp dư thừa, phá vỡ bế tắc của các giải thuật chiều dài cố định FLC-GA vốn luôn bị ràng buộc bởi các khe thời gian tĩnh.

2. Đổi mới phương pháp luận của nghiên cứu vượt trội hơn các công trình quốc tế như thế nào?
So với các công cụ mô phỏng chuẩn như NS-2, OMNeT++ hay SENS (thường giả định tiêu hao năng lượng là hằng số hoặc chỉ mô hình hóa tầng mạng), phương pháp luận của luận án tích hợp mô hình năng lượng 4 trạng thái chi tiết gắn liền với động học phóng nạp thực tế của pin (State of Charge - SOC) và dữ liệu thu hồi năng lượng môi trường, đạt độ chính xác tương đương thực nghiệm với sai số $<3.5%$.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Phát hiện bất ngờ nhất là việc thu thập năng lượng môi trường (nhiệt Seebeck hay sóng RF) nếu không đi kèm thuật toán lập lịch thông minh sẽ không thể cứu mạng cảm biến khỏi sụp đổ, do công suất thu RF chỉ đạt từ $1\text{ }\mu\text{W}$ đến $189\text{ }\mu\text{W}$ (quá nhỏ so với $30\text{ mA}$ khi truyền tin). Thuật toán VLC-GA đóng vai trò "nhạc trưởng" bắt buộc, tự động đồng bộ hóa thời điểm truyền dữ liệu nặng vào các pha nạp đầy pin mặt trời ban ngày.

4. Nghiên cứu có cung cấp giao thức tái lặp (Replication Protocol) hay không?
Luận án cung cấp đầy đủ và minh bạch giao thức tái lặp: cấu trúc sơ đồ khối phần cứng nút đo nhiệt/ẩm, thông số linh kiện, biểu thức toán học xác định hàm mục tiêu $BFV$, quy tắc toán tử di truyền (sao chép, chèn gen $MI$, loại bỏ gen $MR$, dịch chuyển gen $MS$) và kịch bản mô phỏng kiểm chứng chi tiết (3 ngày, 100 thế hệ).

5. Lộ trình nghiên cứu 10 năm tới được phác thảo ra sao?
Lộ trình 10 năm định hướng dịch chuyển từ tối ưu hóa ngoại tuyến (offline scheduling trên máy chủ) sang tối ưu hóa trực tuyến thích nghi biên (Edge-AI / Online DRL) tích hợp trên chip nhúng công suất cực thấp, mở rộng sang mạng cảm biến không dây cộng sinh trong y sinh và đô thị thông minh tự hành.

Kết luận

Luận án "Nghiên cứu giải pháp tối ưu hóa hiệu quả sử dụng năng lượng trong mạng cảm biến" đã hoàn thành xuất sắc các mục tiêu khoa học đặt ra, với 5 đóng góp học thuật và thực tiễn cốt lõi:

  1. Xây dựng thành công nền tảng mô phỏng mạng cảm biến không dây hướng sự kiện tích hợp mô hình năng lượng chuyên sâu, phản ánh chính xác 4 chế độ hoạt động và động học pin điện hóa thực tế.
  2. Đề xuất biến thể thuật toán di truyền với chiều dài nhiễm sắc thể thay đổi (VLC-GA), giải quyết triệt để bài toán tối ưu hóa lịch trình mạng cảm biến hỗn tạp đa mục tiêu, đa ràng buộc.
  3. Kiểm chứng thực nghiệm phần cứng trên mô hình nút cảm biến thực tế, chứng minh tính đúng đắn của mô hình mô phỏng với sai số dưới $3.5%$.
  4. Chứng minh sự vượt trội của VLC-GA so với FLC-GA: giảm $28.4%$ mức sụt giảm pin chu kỳ dài ngày, tăng $34.2%$ số lượng mẫu đo môi trường hữu ích và ngăn chặn hiện tượng cạn pin cục bộ.
  5. Định hình giải pháp kỹ thuật khả thi cho ứng dụng tự động hóa tòa nhà thông minh, mở ra hướng phát triển hệ thống IoT xanh, bền vững và tự chủ năng lượng cho tương lai.