[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_%C4%91i%E1%BB%81u%20khi%E1%BB%83n%20d%E1%BB%B1%20%C4%91o%C3%A1n%20m%C3%B4%20h%C3%ACnh{\"limit\":5}":3,"_public_topic_byId_điều khiển dự đoán mô hình":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":22,"keywordCount":23,"enrichTopicLink":24,"status":25,"createTime":26,"updateTime":27,"publishTime":28,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":29,"relateTopics":30},"điều khiển dự đoán mô hình","Điều khiển dự đoán mô hình là gì? Các nghiên cứu khoa học","Điều khiển dự đoán mô hình (MPC) là phương pháp điều khiển tối ưu sử dụng mô hình toán học để dự đoán và tính toán tín hiệu điều khiển theo thời gian thực. MPC cho phép xử lý ràng buộc và tối ưu hóa hành vi hệ thống trong tương lai dựa trên trạng thái hiện tại và quỹ đạo mong muốn. ","\u003Cdiv>\u003Ch2>Khái niệm điều khiển dự đoán mô hình (Model Predictive Control)\u003C\u002Fh2>\n\u003Cp>\nĐiều khiển dự đoán mô hình (Model Predictive Control – MPC) là một phương pháp điều khiển tối ưu dựa trên mô hình toán học của hệ thống, cho phép tính toán trước chuỗi điều khiển tối ưu trong một khoảng thời gian hữu hạn gọi là “cửa sổ dự đoán” (prediction horizon). MPC là một trong những kỹ thuật hiện đại được ứng dụng rộng rãi trong các hệ thống điều khiển công nghiệp, tự động hóa và xe tự hành nhờ khả năng xử lý ràng buộc hiệu quả và tối ưu hóa hành vi hệ thống theo thời gian thực.\n\u003C\u002Fp>\n\u003Cp>\nTrong MPC, tại mỗi thời điểm lấy mẫu, bộ điều khiển giải một bài toán tối ưu để xác định chuỗi điều khiển tối ưu dựa trên trạng thái hiện tại của hệ thống và mô hình động học. Tuy nhiên, chỉ tín hiệu điều khiển đầu tiên trong chuỗi đó được áp dụng, phần còn lại bị loại bỏ. Quá trình này được lặp lại liên tục theo kiểu “receding horizon” – tầm nhìn trượt.\n\u003C\u002Fp>\n\u003Cp>\nKhác với các chiến lược điều khiển cổ điển như PID, phương pháp MPC có thể tích hợp trực tiếp các ràng buộc vật lý (biên điều khiển, trạng thái an toàn), khả năng dự đoán tương lai và tối ưu hóa đa mục tiêu trong một khuôn khổ toán học thống nhất.\n\n\u003C\u002Fp>\u003Ch2>Nguyên lý hoạt động của MPC\u003C\u002Fh2>\n\u003Cp>\nNguyên lý cốt lõi của MPC là sử dụng mô hình hệ thống để mô phỏng hành vi tương lai của trạng thái và đầu ra hệ thống. Với trạng thái hiện tại \u003Cscript type=\"math\u002Ftex\"> x(k) \u003C\u002Fscript>, MPC giải bài toán tối ưu trong khoảng thời gian \u003Cscript type=\"math\u002Ftex\"> N \u003C\u002Fscript> bước dự báo để tìm dãy tín hiệu điều khiển \u003Cscript type=\"math\u002Ftex\"> u(k), u(k+1), ..., u(k+N-1) \u003C\u002Fscript> sao cho hàm chi phí được tối thiểu hóa, đồng thời thoả mãn các ràng buộc trạng thái và điều khiển.\n\u003C\u002Fp>\n\u003Cp>\nBài toán tối ưu điển hình trong MPC có dạng:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\min_{u(0), \\dots, u(N-1)} \\sum_{k=0}^{N-1} \\left[ \\| x(k) \\|_Q^2 + \\| u(k) \\|_R^2 \\right] + \\| x(N) \\|_P^2\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nvới ràng buộc động học:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nx(k+1) = f(x(k), u(k)), \\quad x(k) \\in \\mathcal{X}, \\quad u(k) \\in \\mathcal{U}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó \u003Cscript type=\"math\u002Ftex\"> Q, R, P \u003C\u002Fscript> là các ma trận trọng số xác định tầm quan trọng của mục tiêu điều khiển. Sau khi giải xong bài toán, chỉ giá trị điều khiển \u003Cscript type=\"math\u002Ftex\"> u(0) \u003C\u002Fscript> được áp dụng, sau đó trạng thái được cập nhật và quá trình lặp lại ở bước tiếp theo.\n\u003C\u002Fp>\n\n\u003Ch2>Mô hình hóa hệ thống trong MPC\u003C\u002Fh2>\n\u003Cp>\nViệc mô hình hóa hệ thống là yếu tố then chốt trong MPC. Mô hình càng chính xác, chất lượng dự đoán càng tốt, từ đó tăng hiệu quả điều khiển. Mô hình thường được sử dụng dưới dạng rời rạc hóa theo thời gian:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nx(k+1) = A x(k) + B u(k), \\quad y(k) = C x(k)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong trường hợp hệ thống có tính phi tuyến mạnh, mô hình phi tuyến tổng quát dạng:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nx(k+1) = f(x(k), u(k)), \\quad y(k) = h(x(k))\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nMô hình có thể đến từ ba nguồn: (1) mô hình vật lý dựa trên định luật bảo toàn, (2) mô hình nhận dạng từ dữ liệu thực nghiệm, và (3) mô hình học máy (ví dụ: mạng nơ-ron). Việc lựa chọn mô hình phù hợp ảnh hưởng trực tiếp đến độ ổn định, tính bền vững và khả năng tính toán của bộ điều khiển.\n\u003C\u002Fp>\n\u003Cp>\nMột số yêu cầu kỹ thuật khi chọn mô hình:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Mô hình phải đủ chính xác trong khoảng làm việc của hệ thống\u003C\u002Fli>\n  \u003Cli>Mô hình nên có dạng trạng thái nếu muốn triển khai dạng chuẩn\u003C\u002Fli>\n  \u003Cli>Phải đảm bảo mô hình tương thích về kích thước và thời gian tính toán\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hàm mục tiêu và ràng buộc trong MPC\u003C\u002Fh2>\n\u003Cp>\nHàm mục tiêu trong MPC thường có dạng hàm chi phí bậc hai, kết hợp giữa độ lệch trạng thái so với điểm đặt và mức độ sử dụng năng lượng điều khiển. Trong các ứng dụng cụ thể, hàm mục tiêu có thể mở rộng để bao gồm chi phí kinh tế, độ trễ, hoặc độ mượt của tín hiệu điều khiển.\n\u003C\u002Fp>\n\u003Cp>\nCấu trúc phổ biến của hàm chi phí:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nJ = \\sum_{k=0}^{N-1} \\left[ \\| x(k) - x_{\\text{ref}} \\|_Q^2 + \\| u(k) - u_{\\text{ref}} \\|_R^2 \\right] + \\| x(N) - x_{\\text{ref}} \\|_P^2\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nMPC cho phép tích hợp ràng buộc trực tiếp vào bài toán tối ưu, giúp hệ thống vận hành trong phạm vi an toàn và hợp lý. Một số loại ràng buộc phổ biến:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Ràng buộc trạng thái:\u003C\u002Fstrong> giới hạn nhiệt độ, áp suất, tốc độ\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ràng buộc điều khiển:\u003C\u002Fstrong> giới hạn mô-men, dòng điện, áp suất điều khiển\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ràng buộc đạo hàm:\u003C\u002Fstrong> giới hạn tốc độ thay đổi tín hiệu để đảm bảo mượt\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nTích hợp ràng buộc trong bài toán điều khiển là lý do quan trọng khiến MPC được sử dụng rộng rãi trong công nghiệp hiện đại, nơi hệ thống luôn có các giới hạn vật lý nghiêm ngặt.\n\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Loại ràng buộc\u003C\u002Fth>\n    \u003Cth>Ví dụ thực tế\u003C\u002Fth>\n    \u003Cth>Lợi ích\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Trạng thái\u003C\u002Ftd>\n    \u003Ctd>Nhiệt độ trong lò ≤ 1200°C\u003C\u002Ftd>\n    \u003Ctd>Tránh hư hại thiết bị\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Điều khiển\u003C\u002Ftd>\n    \u003Ctd>Dòng điện ≤ 20A\u003C\u002Ftd>\n    \u003Ctd>Bảo vệ bộ truyền động\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Thay đổi tín hiệu\u003C\u002Ftd>\n    \u003Ctd>Δu ≤ 5%\u003C\u002Ftd>\n    \u003Ctd>Giảm mài mòn cơ khí\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>So sánh MPC với các phương pháp điều khiển truyền thống\u003C\u002Fh2>\n\u003Cp>\nSo với các phương pháp điều khiển cổ điển như PID hay LQR, MPC có một số đặc điểm nổi bật, đặc biệt là khả năng xử lý ràng buộc và dự đoán hành vi hệ thống trong tương lai. Trong khi PID dựa trên phản hồi trực tiếp sai số, MPC chủ động dự đoán trạng thái hệ thống và lựa chọn hành vi tối ưu cho tương lai.\n\u003C\u002Fp>\n\u003Cp>\nMột điểm mạnh của MPC là khả năng xử lý hệ thống đa biến (nhiều đầu vào – nhiều đầu ra) trong khi vẫn đảm bảo các ràng buộc trạng thái và điều khiển. Điều này rất khó thực hiện với PID mà không cần phối hợp các kênh điều khiển một cách phức tạp.\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>MPC\u003C\u002Fth>\n    \u003Cth>PID\u003C\u002Fth>\n    \u003Cth>LQR\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Khả năng dự đoán\u003C\u002Ftd>\n    \u003Ctd>Có\u003C\u002Ftd>\n    \u003Ctd>Không\u003C\u002Ftd>\n    \u003Ctd>Không\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Xử lý ràng buộc\u003C\u002Ftd>\n    \u003Ctd>Trực tiếp\u003C\u002Ftd>\n    \u003Ctd>Không hỗ trợ\u003C\u002Ftd>\n    \u003Ctd>Gián tiếp\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Điều khiển đa biến\u003C\u002Ftd>\n    \u003Ctd>Tự nhiên\u003C\u002Ftd>\n    \u003Ctd>Không hiệu quả\u003C\u002Ftd>\n    \u003Ctd>Có\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Độ phức tạp tính toán\u003C\u002Ftd>\n    \u003Ctd>Cao\u003C\u002Ftd>\n    \u003Ctd>Thấp\u003C\u002Ftd>\n    \u003Ctd>Trung bình\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\nMặc dù MPC có nhiều ưu điểm, chi phí tính toán là rào cản đáng kể. MPC yêu cầu giải bài toán tối ưu tại mỗi bước thời gian, dẫn đến tải tính toán lớn, đặc biệt trong các hệ thống thời gian thực hoặc tài nguyên hạn chế. Do đó, cần cân nhắc giữa tính năng và khả năng triển khai thực tế.\n\n\u003C\u002Fp>\u003Ch2>Ứng dụng thực tế của MPC\u003C\u002Fh2>\n\u003Cp>\nMPC được ứng dụng rộng rãi trong các lĩnh vực có yêu cầu điều khiển chính xác, nhiều ràng buộc và động học phức tạp. Trong công nghiệp hóa chất, MPC được dùng để duy trì trạng thái ổn định trong quá trình phản ứng, nơi thời gian đáp ứng và độ an toàn là then chốt.\n\u003C\u002Fp>\n\u003Cp>\nTrong ngành năng lượng, MPC hỗ trợ điều phối công suất trong lưới điện thông minh, điều khiển pin lưu trữ và hệ thống phân phối điện năng tái tạo. Tính linh hoạt của MPC cho phép tích hợp các yếu tố phi tuyến và dữ liệu thời gian thực từ cảm biến.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Điều khiển nhiệt độ, áp suất trong nhà máy lọc dầu\u003C\u002Fli>\n  \u003Cli>Ổn định điện áp\u002Ftần số trong hệ thống điện phân tán\u003C\u002Fli>\n  \u003Cli>Điều khiển hệ thống HVAC trong tòa nhà thông minh\u003C\u002Fli>\n  \u003Cli>Điều hướng và giữ làn xe trong ô tô tự hành\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nVí dụ cụ thể: Hệ thống giữ làn đường (Lane Keeping Assist) sử dụng MPC để tính toán quỹ đạo lái xe tối ưu, giữ cho xe duy trì trong làn hợp lệ trong khi vẫn xử lý giới hạn đánh lái và độ lệch làn. Tham khảo chi tiết tại \u003Ca href=\"https:\u002F\u002Fwww.mathworks.com\u002Fhelp\u002Fmpc\u002Fug\u002Flane-keeping-assist-with-mpc.html\" target=\"_blank\">MathWorks - Lane Keeping Assist with MPC\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Mở rộng và biến thể của MPC\u003C\u002Fh2>\n\u003Cp>\nCác biến thể của MPC được phát triển để mở rộng khả năng áp dụng trong các hệ thống phi tuyến, có nhiễu, không chắc chắn hoặc đòi hỏi tối ưu hóa kinh tế. Một số hướng mở rộng tiêu biểu:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Nonlinear MPC (NMPC):\u003C\u002Fstrong> Áp dụng cho hệ thống phi tuyến bằng cách sử dụng mô hình phi tuyến và bộ giải phi tuyến\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Robust MPC:\u003C\u002Fstrong> Bảo đảm ổn định trong điều kiện nhiễu và bất định mô hình, sử dụng set-based methods hoặc min-max optimization\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Stochastic MPC:\u003C\u002Fstrong> Xử lý bất định dưới dạng biến ngẫu nhiên với các ràng buộc xác suất\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Economic MPC:\u003C\u002Fstrong> Tối ưu hóa mục tiêu kinh tế thay vì chỉ bám quỹ đạo; phù hợp với hệ thống năng lượng hoặc công nghiệp quy mô lớn\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNgoài ra, các phương pháp MPC phân tán (distributed MPC) và điều khiển hợp tác (cooperative MPC) được phát triển cho các hệ thống nhiều tác nhân như mạng lưới xe tự hành hoặc hệ thống điện thông minh.\n\n\u003C\u002Fp>\u003Ch2>Thách thức và giới hạn\u003C\u002Fh2>\n\u003Cp>\nThách thức lớn nhất của MPC là độ phức tạp tính toán, đặc biệt khi áp dụng cho hệ phi tuyến, hệ lớn, hoặc trong môi trường nhúng. Yêu cầu tính toán thời gian thực khiến MPC truyền thống khó triển khai trên phần cứng có năng lực giới hạn. Điều này đòi hỏi các kỹ thuật xấp xỉ, tuyến tính hóa hoặc giải pháp phần cứng như FPGA hoặc GPU.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, việc thiết kế MPC đòi hỏi kiến thức sâu về mô hình hóa hệ thống, tối ưu hóa số và điều khiển học. Khó khăn trong xác định mô hình phù hợp và thiết lập ràng buộc thực tế khiến việc áp dụng MPC trong công nghiệp nhỏ hoặc doanh nghiệp vừa vẫn còn hạn chế.\n\u003C\u002Fp>\n\u003Cp>\nMột số vấn đề thực tiễn:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Mô hình không chính xác gây sai lệch trong dự đoán\u003C\u002Fli>\n  \u003Cli>Thời gian tính toán vượt giới hạn lấy mẫu\u003C\u002Fli>\n  \u003Cli>Khó tích hợp với hệ thống cũ hoặc nền tảng nhúng\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hướng phát triển tương lai\u003C\u002Fh2>\n\u003Cp>\nXu hướng hiện nay là tích hợp MPC với học máy (machine learning) để xây dựng mô hình hệ thống bằng dữ liệu thực nghiệm, giúp mở rộng MPC cho các hệ thống phức tạp không thể mô hình hóa bằng tay. Các mô hình học sâu (deep learning) như LSTM và Transformer đang được khai thác trong vai trò mô hình động học.\n\u003C\u002Fp>\n\u003Cp>\nMột hướng khác là MPC tự thích nghi (adaptive MPC), nơi các thông số mô hình được cập nhật theo thời gian nhằm thích nghi với điều kiện vận hành thay đổi. Ngoài ra, việc triển khai MPC trên nền tảng phần cứng tối ưu (GPU, FPGA) đang giúp khắc phục giới hạn về tính toán.\n\u003C\u002Fp>\n\u003Cp>\nCác ứng dụng tương lai của MPC được mở rộng sang các lĩnh vực như:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Xe điện và pin năng lượng tái tạo\u003C\u002Fli>\n  \u003Cli>Robot cộng tác (cobots) trong sản xuất\u003C\u002Fli>\n  \u003Cli>Hệ thống sinh học và y sinh\u003C\u002Fli>\n  \u003Cli>Điều khiển dự báo năng lượng đô thị và nhà máy điện ảo\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nMột tổng quan chi tiết về xu hướng MPC có thể tham khảo tại \u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8264241\" target=\"_blank\">IEEE – Learning-based Model Predictive Control\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Camacho, E. F., & Bordons, C. (2013). \u003Cem>Model Predictive Control\u003C\u002Fem>. Springer.\u003C\u002Fli>\n  \u003Cli>Mayne, D. Q. et al. (2000). Constrained model predictive control: Stability and optimality. \u003Cem>Automatica\u003C\u002Fem>.\u003C\u002Fli>\n  \u003Cli>Rawlings, J. B., & Mayne, D. Q. (2009). \u003Cem>Model Predictive Control: Theory and Design\u003C\u002Fem>. Nob Hill Publishing.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.mathworks.com\u002Fhelp\u002Fmpc\u002F\" target=\"_blank\">MathWorks - Model Predictive Control Toolbox\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8264241\" target=\"_blank\">IEEE – Learning-based Model Predictive Control\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.06589\" target=\"_blank\">arXiv – Economic and Robust MPC Overview\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",{"id":18,"researcherId":10,"name":19,"imageUrl":20},[13],1,false,"PUBLISHED","2025-11-14T16:47:28.095+00:00","2025-11-14T17:07:00.035+00:00","2025-11-14T17:07:00.032+00:00",181,[31,42,53,64,69,74,84,89,94,99],{"id":32,"title":33,"term":34,"englishTitle":35,"definition":36,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"kiểm soát tối ưu","Kiểm soát tối ưu là gì? Các nghiên cứu khoa học liên quan","Kiểm soát tối ưu","Optimal control","Kiểm soát tối ưu là một nhánh của toán học ứng dụng và kỹ thuật điều khiển nhằm xác định quy luật điều khiển cho một hệ thống động lực để cực trị hóa một chỉ tiêu chất lượng xác định dưới các ràng buộc vật lý.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":43,"title":44,"term":45,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"các quốc gia ả rập","Các quốc gia Ả Rập là gì? Lịch sử và kinh tế chính trị","Các quốc gia Ả Rập","Arab states","Các quốc gia Ả Rập là tập hợp các quốc gia có chủ quyền công nhận tiếng Ả Rập là ngôn ngữ chính thức, chia sẻ các mối liên kết lịch sử - văn hóa và là thành viên chính thức của Liên đoàn các Quốc gia Ả Rập.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":54,"title":55,"term":56,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"nấm xốp gây nôn","Nấm xốp gây nôn là gì? Đặc điểm và độc tính","Nấm xốp gây nôn","Russula emetica","Nấm xốp gây nôn (Russula emetica) là một loài nấm độc tán thuộc chi Russula, đặc trưng bởi mũ nấm màu đỏ tươi, thịt nấm giòn xốp có vị cay nồng dữ dội và chứa các sesquiterpenoid gây ngộ độc đường tiêu hóa cấp tính.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":65,"title":66,"term":65,"englishTitle":67,"definition":68,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"protoperithecia","Protoperithecia là gì? Các nghiên cứu khoa học liên quan","Protoperithecia \u002F Protoperithecium","Protoperithecia là các cơ quan sinh sản cái nguyên thủy hoặc tiền thể túi quả ở các loài nấm túi (Ascomycota), đóng vai trò thụ thể tiếp nhận tế bào giao tử đực để khởi động quá trình thụ tinh và phát triển thành thể quả hoàn chỉnh (perithecium).",{"id":70,"title":71,"term":70,"englishTitle":72,"definition":73,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"paphiopedilum x dalatense","Paphiopedilum x dalatense là gì? Các nghiên cứu khoa học","Paphiopedilum x dalatense","Paphiopedilum x dalatense là một loài lan hài lai tự nhiên quý hiếm thuộc chi Paphiopedilum (họ Lan Orchidaceae), được phát hiện đặc hữu tại khu vực cao nguyên Đà Lạt (Lâm Đồng, Việt Nam), mang các đặc điểm hình thái cánh môi dạng hài chuyển tiếp giữa các loài bố mẹ trong quần thể sinh thái.",{"id":75,"title":76,"term":75,"englishTitle":77,"definition":78,"discipline":79,"disciplineCode":80,"disciplineLabel":81,"disciplineColor":82,"disciplineIcon":83},"hệ tiêu hóa","Hệ tiêu hóa là gì? Các bài nghiên cứu khoa học liên quan","Digestive system \u002F Gastrointestinal system","Hệ tiêu hóa là hệ cơ quan sinh học liên tục gồm ống tiêu hóa và các tuyến phụ trợ (gan, tụy, tuyến nước bọt), đảm nhiệm chức năng vận chuyển, tiêu hóa cơ học và hóa học thức ăn, hấp thu nước cùng các chất dinh dưỡng và đào thải cặn bã ra khỏi cơ thể.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":85,"title":86,"term":85,"englishTitle":87,"definition":88,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"photosystem ii","Photosystem ii là gì? Các bài nghiên cứu khoa học liên quan","Photosystem II (PSII)","Photosystem II (quang hệ II) là một phức hợp đa protein - sắc tố liên kết màng thylakoid chịu trách nhiệm hấp thu photon ánh sáng để xúc tác phản ứng quang phân ly nước tại phức hợp giải phóng oxy (Mn4CaO5), giải phóng proton, electron và khí oxy cho chuỗi truyền điện tử quang hợp.",{"id":90,"title":91,"term":90,"englishTitle":92,"definition":93,"discipline":79,"disciplineCode":80,"disciplineLabel":81,"disciplineColor":82,"disciplineIcon":83},"cadasil","Cadasil là gì? Các bài báo nghiên cứu khoa học liên quan","CADASIL \u002F Cerebral autosomal dominant arteriopathy with subcortical infarcts and leukoencephalopathy","CADASIL là bệnh lý mạch máu não di truyền trội trên nhiễm sắc thể thường do đột biến gen NOTCH3, đặc trưng bởi sự thoái hóa tiến triển của các tế bào cơ trơn thành mạch tiểu động mạch não, dẫn đến đau đầu migraine có triệu chứng báo trước, nhồi máu não dưới vỏ tái phát và suy giảm nhận thức mạch máu.",{"id":95,"title":96,"term":95,"englishTitle":97,"definition":98,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"hệ thống cơ học","Hệ thống cơ học là gì? Các nghiên cứu khoa học liên quan","Mechanical system","Hệ thống cơ học là một tập hợp có cấu trúc gồm các vật thể cứng hoặc biến dạng tương tác với nhau thông qua các liên kết động học và lực, hoạt động theo các định luật cơ học cổ điển để truyền lực, năng lượng hoặc chuyển động.",{"id":100,"title":101,"term":100,"englishTitle":102,"definition":103,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"kính hiển vi ánh sáng","Kính hiển vi ánh sáng là gì? Nghiên cứu khoa học liên quan","Light microscope \u002F Optical microscope","Kính hiển vi ánh sáng là thiết bị quang học sử dụng chùm ánh sáng khả kiến và hệ thấu kính hội tụ thủy tinh để phóng đại hình ảnh của các mẫu vật vi mô vượt quá giới hạn phân giải của mắt thường."]