Không khí đã có cảm biến PM2.5 chạy liên tục: Nước tương lai có thể có “đồng hồ microplastic”?

Với ô nhiễm không khí, chúng ta đã quen với một con số PM2.5 được cập nhật từng phút trên điện thoại. Với microplastic trong nước, cách đo hiện tại lại gần như ngược lại: lấy mẫu, mang về phòng lab, lọc, chuẩn bị mẫu rồi phân tích bằng những thiết bị như FTIR hoặc Raman spectroscopy. Kết quả có thể rất chi tiết, nhưng khó tạo ra một dòng dữ liệu liên tục cho biết nồng độ hạt nhựa đang thay đổi ra sao theo giờ.

Một nhóm nghiên cứu tại University of Waterloo và University of Calgary đang thử thu hẹp khoảng cách đó bằng một hệ cảm biến kết hợp microwave và microfluidics. Trong paper đăng trên Environmental Science & Technology ngày 16/7/2026, họ trình diễn khả năng cho nước chảy liên tục qua một chip nhỏ, phát hiện từng hạt đi qua vùng cảm biến và dùng machine learning để phân biệt một số loại hạt dựa trên “dấu vân tay” microwave của chúng.

Ý tưởng gợi nhớ tới một “đồng hồ microplastic”: thay vì chờ kết quả của một mẫu nước rời rạc, thiết bị trong tương lai có thể theo dõi dòng nước liên tục và báo khi số lượng hoặc loại hạt thay đổi. Nhưng mốc “24/7” hiện vẫn là mục tiêu ứng dụng, không phải thứ paper mới đã chứng minh ngoài hiện trường. Nhóm tác giả gọi hệ thống là proof of concept và các thử nghiệm hiện tại chủ yếu dùng hạt được chuẩn bị, phân loại kích thước và môi trường nước có kiểm soát.

Vấn đề không chỉ là tìm thấy microplastic, mà là đo nó theo thời gian

Các phương pháp phổ biến như FTIR và Raman spectroscopy có lợi thế lớn: chúng có thể nhận diện thành phần hóa học của polymer. Đó là điều rất quan trọng khi cần biết một hạt là polyethylene, polypropylene hay một vật liệu khác. Nhưng các hệ này thường cần thiết bị tương đối lớn, nhân sự có chuyên môn và quy trình xử lý mẫu trước khi đo.

Với nghiên cứu môi trường, mô hình lấy mẫu rời rạc tạo ra một giới hạn khác. Một chai nước lấy lúc 9 giờ sáng chỉ mô tả một lát cắt rất nhỏ của dòng sông, nước thải hay đầu ra của nhà máy xử lý. Nếu lượng microplastic tăng mạnh sau mưa, trong một ca sản xuất hoặc khi lưu lượng thay đổi, vài mẫu mỗi tuần có thể bỏ lỡ hoàn toàn sự kiện đó.

Đó là khoảng trống mà nhóm Waterloo muốn nhắm tới: một sensor đủ nhỏ và đơn giản để nước đi qua liên tục, giống cách nhiều cảm biến chất lượng nước hiện nay theo dõi độ dẫn điện, pH hoặc độ đục mà không cần gửi mọi mẫu về lab.

Microwave nhận ra một hạt nhựa bằng cách nào?

Trung tâm của hệ thống là một split-ring resonator (SRR), một cấu trúc dẫn điện được thiết kế để cộng hưởng ở tần số microwave nhất định. Có thể hình dung nó như một chiếc chuông điện từ: khi môi trường ngay cạnh thay đổi, “nốt” cộng hưởng cũng dịch đi một chút.

Microplastic hữu ích cho kiểu cảm biến này vì tính chất điện môi của nhựa khác rất xa nước. Trong luận án của Maziar ShafieiDarabi, tác giả chính của paper mới, microplastic được mô tả có permittivity điển hình khoảng 2–3,5, trong khi nước vào khoảng 80. Khi một hạt nhựa đi qua vùng điện trường mạnh nhất của resonator, nó làm thay đổi tần số cộng hưởng và biên độ truyền của tín hiệu microwave.

Hệ microfluidic đóng vai trò đưa từng hạt qua đúng “điểm nóng” của cảm biến. Thay vì đo một cốc nước rồi suy ra tổng nồng độ, thiết kế flow-through mới tạo ra một sự kiện tín hiệu cho từng hạt. Từ chuỗi sự kiện đó, hệ thống có thể đếm hạt và trích ra các đặc trưng liên quan tới kích thước hoặc vật liệu.

Một lợi thế quan trọng là phép đo không cần nhuộm hạt bằng chất huỳnh quang và cũng không cần phá hủy mẫu. Về nguyên tắc, điều này phù hợp với một thiết bị online hơn những phương pháp đòi hỏi nhiều bước chuẩn bị trước khi đọc kết quả.

Paper mới đã làm được gì?

Nhóm nghiên cứu kiểm tra khả năng phát hiện từng hạt trong bốn dải kích thước, trải từ 20 tới 300 micromet. Các hạt được đưa qua disposable microfluidic chip đặt trên vùng sensing của resonator. Mỗi lần một hạt đi qua, hệ thống ghi lại thay đổi ở resonance frequency và transmission amplitude.

Ở bước phân loại vật liệu, nhóm thu hẹp thử nghiệm xuống dải 165–300 micromet. Họ dùng mô hình k-nearest neighbors (k-NN) tương đối nhẹ để phân biệt bốn nhóm: polyethylene, polystyrene, hạt thủy tinh soda-lime và trứng Artemia. Hai nhóm cuối không phải microplastic; chúng đóng vai trò các hạt “nhiễu” để kiểm tra liệu hệ thống có thể phân biệt nhựa với vật chất khác chỉ từ đặc trưng resonance hay không.

Nhóm cũng thử thay đổi chất lỏng mang và dùng baseline riêng cho từng môi trường nước để bù ảnh hưởng nền. Paper kết luận rằng hệ thống cho thấy tính khả thi của continuous, in-flow, single-particle monitoring và phân loại vật liệu trong điều kiện kiểm soát.

Điểm cần nhấn mạnh là paper không nói cảm biến đã nhận diện mọi polymer, mọi hình dạng và mọi kích thước microplastic ngoài tự nhiên. Mức 20–300 micromet áp dụng cho phần phát hiện single-particle; phần phân loại vật liệu được trình diễn ở dải 165–300 micromet. Đây là hai kết quả khác nhau.

Vì sao “đồng hồ microplastic” khó hơn cảm biến PM2.5?

PM2.5 là một đại lượng được định nghĩa chủ yếu theo kích thước khí động học và khối lượng hạt trong không khí. Microplastic thì hỗn tạp hơn nhiều. Một mẫu nước thực có thể chứa mảnh nhựa, sợi, film, hạt cao su, cặn khoáng, tảo và vật chất hữu cơ với hình dạng, kích thước và tính chất điện rất khác nhau.

Ngay cả bước đưa hạt vào cảm biến cũng là bài toán. Trong thiết kế được mô tả bởi nhóm Waterloo, mẫu có thể cần được lọc hoặc chia thành các dải kích thước trước khi đo. Supporting Information của paper mô tả một hệ sieve nhiều tầng từ 20 tới 300 micromet như hướng xử lý trước cho mẫu hỗn hợp trong tương lai; trong nghiên cứu này, việc đánh giá sieve preprocessing chỉ được thực hiện cho dải 165–300 micromet với các hạt đã được chuẩn bị.

Luận án của ShafieiDarabi cũng chỉ ra một giới hạn thực dụng: sieve stack có thể bị nghẹt, làm sai việc phân loại kích thước. Flow control là một vấn đề khác, vì tốc độ và vị trí hạt đi qua vùng điện trường ảnh hưởng trực tiếp tới tín hiệu mà resonator nhìn thấy.

Còn một khó khăn lớn hơn: nước tự nhiên không phải một chất nền ổn định. Độ mặn, nhiệt độ, ion hòa tan và nhiều chất khác đều có thể thay đổi dielectric response. Nhóm đã thử baseline referencing cho các carrier liquid khác nhau, nhưng để một cảm biến chạy nhiều tuần ngoài sông hoặc nhà máy xử lý nước, việc tự hiệu chuẩn và chống drift sẽ phải hoạt động đáng tin cậy mà không cần kỹ thuật viên đứng cạnh.

“AI” ở đây làm một việc khá hẹp

Paper dùng machine learning, nhưng không phải theo nghĩa một hệ AI nhìn mẫu nước rồi tự hiểu mọi thứ bên trong. Mô hình k-NN nhận các đặc trưng từ tín hiệu microwave và so chúng với dữ liệu đã biết để gán hạt vào một số lớp vật liệu cụ thể.

Đây là một nhiệm vụ classification tương đối hẹp, nhưng lại phù hợp với mục tiêu sensor: thuật toán đủ nhẹ để có thể xử lý tín hiệu nhanh, thay vì cần một mô hình lớn hoặc hạ tầng tính toán phức tạp. Nếu công nghệ tiến tới thiết bị hiện trường, khả năng xử lý ngay tại sensor có thể quan trọng hơn việc dùng một mô hình AI sofisticate.

Điểm khó sẽ là mở rộng tập huấn luyện. Ngoài thực tế, hai hạt polyethylene có thể khác nhau về hình dạng, độ lão hóa, biofilm bám trên bề mặt hoặc phụ gia. Một hệ thống được huấn luyện trên microsphere sạch trong lab chưa chắc giữ được khả năng phân loại khi gặp các mảnh nhựa đã nằm nhiều tháng trong sông.

Từ flow-through trong lab tới một sensor chạy 24/7 còn bao xa?

University of Waterloo mô tả platform này như một bước hướng tới hệ thống portable, high-throughput và automated cho monitoring thực tế. Về kiến trúc, điều đó hợp lý: planar microwave sensor có thể chế tạo nhỏ, microfluidic chip có thể thay thế và phép đo không cần spectroscopy cồng kềnh cho từng hạt.

Nhưng một thiết bị “cắm xuống nước rồi quên nó đi” cần nhiều thứ mà proof of concept hiện chưa chứng minh: chống biofouling, không nghẹt kênh, tự làm sạch, hiệu chuẩn lâu dài, xử lý lưu lượng biến động, xác định false positive từ vật chất hữu cơ và duy trì khả năng phân loại khi thành phần nước thay đổi.

Quan trọng hơn, sensor nhanh không nhất thiết thay thế FTIR hoặc Raman. Hai nhóm công cụ có thể phục vụ hai tầng khác nhau. Một mạng sensor online có thể phát hiện khi microplastic tăng bất thường và chỉ ra thời điểm cần lấy mẫu; spectroscopy sau đó xác nhận polymer và đặc điểm hóa học với độ chắc chắn cao hơn.

Nếu mô hình này hoạt động, cách theo dõi microplastic có thể giống chất lượng không khí hơn: không chỉ những chiến dịch lấy mẫu vài lần mỗi năm, mà là một chuỗi dữ liệu theo thời gian cho biết khi nào ô nhiễm xuất hiện, kéo dài bao lâu và liên quan tới sự kiện nào. Paper 2026 chưa tạo ra chiếc “đồng hồ microplastic” 24/7 đó. Nó mới cho thấy một trong những phần khó nhất — đếm và phân biệt từng hạt trong dòng nước đang chảy — có thể được thực hiện bằng một cảm biến microwave–microfluidic tương đối gọn.

Nguồn: Environmental Science & Technology — Machine Learning-Assisted Microwave-Microfluidic Platform for Microplastic Detection; University of Waterloo — New tools for tracking microplastics in water; University of Waterloo — Development of Microwave-Microfluidic Sensors for Microplastic Detection in Environmental Samples.