DMA + AI + Digital Twin: Phát Hiện Rò Rỉ Tự Động Trên Mạng Lưới Cấp Nước

DMA Sẽ Thay Đổi Thế Nào Khi AI Tự Phân Tích Dữ Liệu Và Đề Xuất Vị Trí Rò Rỉ?

Nghiên cứu tháng 6/2026 từ Jordan chứng minh hệ thống kết hợp AI (LLM), Digital Twin và EPANET có thể phát hiện rò rỉ trên mạng lưới 1.164 nút trong dưới 2 phút bằng phân tích bất thường lưu lượng cục bộ. Hệ thống chạy offline, không cần cloud API, phù hợp để tích hợp với DMA tại Việt Nam khi phần cứng (flowmeter, pressure logger, datalogger) được chuẩn hóa đầu ra dữ liệu.

I. Mở bài

Hầu hết các hệ thống DMA tại Việt Nam hiện nay vẫn hoạt động theo mô hình truyền thống: lắp flowmeter tại đầu vào vùng, gắn cảm biến áp lực, truyền dữ liệu về dashboard — rồi chờ kỹ sư phân tích thủ công. Khi phát hiện bất thường lưu lượng ban đêm (MNF), đội vận hành mới điều đội dò rò rỉ ra hiện trường.

Câu hỏi đặt ra: Nếu AI có thể tự đọc dữ liệu từ flowmeter, pressure logger và SCADA, tự so sánh với mô hình thủy lực, rồi tự đề xuất vị trí rò rỉ cụ thể — thì vai trò của DMA và cách vận hành mạng lưới cấp nước sẽ thay đổi ra sao?

Một nghiên cứu mới công bố tháng 6/2026 từ Đại học Petra (Jordan) đã trình bày mô hình proof-of-concept kết hợp Digital Twin, EPANET, SCADA và mô hình ngôn ngữ lớn (LLM) để phát hiện rò rỉ tự động trên mạng lưới 1.164 nút — thời gian phản hồi dưới 2 phút. Kết quả này mở ra một hướng đi rất gần với những giải pháp mà các công ty cấp nước Việt Nam đang cần.

Bài viết này phân tích framework đó, đánh giá ý nghĩa thực tế và đặt câu hỏi: đối với đơn vị quản lý mạng lưới cấp nước, điểm khác biệt cạnh tranh sắp tới không còn là "mua đồng hồ nào" mà là "xây hệ thống dữ liệu như thế nào."

Hình ảnh: Sơ đồ mạng lưới DMA với các nút dữ liệu kết nối về trung tâm AI phân tích, dashboard hiển thị cảnh báo rò rỉ

II. Tổng Quan: Từ DMA Truyền Thống Đến DMA Tích Hợp AI

1. DMA truyền thống hoạt động như thế nào

DMA (District Metered Area — vùng đo lường cấp nước) là nền tảng của quản lý thất thoát nước (NRW). Nguyên lý cơ bản: chia mạng lưới thành các vùng độc lập, đo lưu lượng đầu vào, giám sát áp lực, và theo dõi lưu lượng ban đêm tối thiểu (MNF) để đánh giá mức độ rò rỉ.

Một cấu hình DMA chuẩn thường bao gồm:

• Flowmeter điện từ tại điểm vào DMA
• Cảm biến áp lực tại điểm đại diện hoặc điểm bất lợi nhất (AZP)
• Datalogger/telemetry để ghi nhận và truyền dữ liệu
• Van cô lập vùng
• Dashboard theo dõi lưu lượng, áp lực, MNF

Tuy nhiên, phần "phân tích" và "ra quyết định" vẫn hoàn toàn phụ thuộc vào con người.

2. Hạn chế của mô hình thủ công

Trong thực tế vận hành tại Việt Nam và nhiều quốc gia khác, DMA truyền thống gặp một số hạn chế:

• Phân tích MNF thủ công, thường chỉ kiểm tra 1 lần/tuần hoặc khi có nghi ngờ
• Khoảng thời gian từ lúc rò rỉ xảy ra đến lúc phát hiện có thể từ vài ngày đến vài tuần
• Dữ liệu lưu lượng và áp lực được thu thập nhưng chưa được khai thác sâu
• Không có mô hình thủy lực nền để so sánh giữa "giá trị thực đo" và "giá trị kỳ vọng"
• Thiếu khả năng khoanh vùng tự động — phải dựa vào kinh nghiệm đội dò tìm

Đây chính là khoảng trống mà AI và Digital Twin có thể lấp đầy.

3. Xu hướng "DMA thông minh" trên thế giới

Xu hướng quốc tế đang dịch chuyển mạnh từ DMA giám sát thụ động sang DMA chủ động — nơi hệ thống tự phân tích, tự cảnh báo và tự đề xuất hành động. Các thành phần chính:

• SCADA/IoT thu thập dữ liệu liên tục (realtime hoặc near-realtime)
• Mô hình thủy lực (EPANET hoặc tương đương) mô phỏng trạng thái mạng lưới
• Digital Twin — bản sao số của mạng lưới, cập nhật theo thời gian thực
• AI Agent — bộ phân tích dữ liệu tự động, sinh báo cáo, đề xuất xử lý

III. Nghiên Cứu Mới: Framework AI-Driven Cho Quản Lý Mạng Lưới Cấp Nước

1. Bối cảnh nghiên cứu

Tháng 6/2026, nhóm nghiên cứu từ Đại học Petra (Jordan) công bố bài báo khoa học "AI-Driven Framework for Adaptive Water Network Management" — trình bày một framework kết hợp 5 thành phần cốt lõi:

Điểm đáng chú ý: nghiên cứu này thử nghiệm trên mạng lưới 1.164 nút tại Amman (Jordan) — một quốc gia có tỷ lệ NRW lên tới 50%, cấp nước gián đoạn theo chu kỳ 24–48 giờ, hạ tầng cũ kỹ. Bối cảnh này có nhiều điểm tương đồng với một số khu vực tại Việt Nam.

2. Cách hệ thống phát hiện rò rỉ

Thay vì chỉ dựa vào MNF hoặc chênh lệch áp lực toàn vùng, hệ thống sử dụng phương pháp phân tích bất thường lưu lượng cục bộ trên từng tuyến ống (local pipe-flow anomaly analysis):

• Bước 1: EPANET mô phỏng trạng thái bình thường (baseline) của toàn bộ mạng lưới
• Bước 2: So sánh lưu lượng thực đo (hoặc mô phỏng có rò rỉ) với baseline
• Bước 3: Xác định các tuyến ống có lưu lượng lệch quá ngưỡng (ví dụ > 1 L/s)
• Bước 4: Phân tích mẫu phân bổ lại lưu lượng — các tuyến ống có lưu lượng tăng bất thường sẽ "hội tụ" về vị trí rò rỉ
• Bước 5: AI Agent nhận kết quả tính toán, sinh báo cáo vận hành bằng ngôn ngữ tự nhiên

Hình ảnh 2: Sơ đồ kiến trúc 3 lớp (Layer 1: EPANET simulation → Layer 2: Data processing → Layer 3: AI analysis) của hệ thống proof-of-concept

3. Kết quả thử nghiệm thực tế

Nghiên cứu thử nghiệm 2 kịch bản:

Kịch bản 1 — Vận hành bình thường (Baseline):

• Áp lực trung bình: 40,2 m trên 1.164 nút
• 105 nút (9,0%) có áp lực dưới 20 m → vùng thiếu áp
• 113 nút (9,7%) có áp lực trên 60 m → cần lắp van điều áp PRV

Kịch bản 2 — Mô phỏng vỡ ống (30,1 L/s):

Điểm quan trọng: do mạng lưới dạng vòng (looped) với 2 bể cấp lớn, áp lực toàn vùng gần như không thay đổi khi có rò rỉ 30,1 L/s. Nếu chỉ dựa vào giám sát áp lực thông thường, sẽ không phát hiện được sự cố. Phương pháp phân tích lưu lượng cục bộ mới cho phép khoanh vùng chính xác cụm 15 nút bị ảnh hưởng.

Thời gian phản hồi toàn bộ quy trình: dưới 2 phút.

4. Vai trò của AI Agent

AI Agent (mô hình Llama 3.1:8b chạy offline) không trực tiếp phát hiện rò rỉ — việc tính toán do lớp xử lý dữ liệu Python thực hiện. Vai trò của AI là:

• Tiếp nhận kết quả tính toán dạng JSON
• Phân loại mức độ nghiêm trọng
• Sinh báo cáo sức khỏe mạng lưới bằng ngôn ngữ tự nhiên
• Đề xuất hành động ưu tiên: cô lập vùng, điều đội bảo trì, chuyển nguồn cấp

Ví dụ trích xuất từ báo cáo AI tự động:

"Phát hiện 15 tuyến ống có lưu lượng lệch quá 1 L/s. Mẫu phân bổ lại lưu lượng hội tụ về cụm 15 nút, chỉ ra vị trí vỡ ống cục bộ với tốc độ rò rỉ 30,1 L/s. Khuyến nghị: (1) cô lập vùng ngay, (2) điều đội bảo trì đến cụm nút đã xác định, (3) chuyển cấp từ vùng liền kề, (4) đối chiếu SCADA xác nhận không phải sai số thiết bị."

Toàn bộ hệ thống chạy offline, không phụ thuộc API cloud, phù hợp với môi trường vận hành có kết nối internet hạn chế.

IV. Ý Nghĩa Thực Tế Cho Ngành Nước Việt Nam

1. DMA không chỉ là "đo" — mà là "hiểu"

Nghiên cứu này xác nhận một xu hướng mà nhiều công ty cấp nước lớn đã bắt đầu nhận ra: giá trị thực sự của DMA không nằm ở phần cứng (flowmeter, pressure logger, datalogger) mà nằm ở khả năng khai thác dữ liệu từ các thiết bị đó.

Nếu bạn đang vận hành hệ thống DMA giảm thất thoát nước, hãy đánh giá lại: dữ liệu lưu lượng và áp lực đang được phân tích ở mức nào?

• Mức 1: Xem đồ thị, đọc số liệu thủ công → phổ biến nhất hiện nay
• Mức 2: Cảnh báo tự động khi vượt ngưỡng cố định → một số hệ thống đã có
• Mức 3: So sánh với mô hình thủy lực, phân tích xu hướng → rất ít đơn vị đạt
• Mức 4: AI tự phân tích bất thường, khoanh vùng, sinh báo cáo → nghiên cứu đang chứng minh khả thi

2. Tại sao Việt Nam phù hợp để áp dụng

Bối cảnh ngành nước Việt Nam có nhiều điểm thuận lợi:

• Nhiều công ty cấp nước đã triển khai DMA (SAWACO, HWOC, Cấp nước Hải Phòng, Thủ Đức, Bắc Giang...)
• Hạ tầng thiết bị truyền dữ liệu từ xa và datalogger đã được lắp đặt tại nhiều DMA
• Nhu cầu giảm NRW ngày càng cấp bách — mục tiêu quốc gia đưa NRW về dưới 15%
• Xu hướng chuyển đổi số nhà máy nước đang được đẩy mạnh
• Chi phí vận hành mô hình AI nhỏ (SLM) chạy offline đang giảm rất nhanh

Tuy nhiên, thách thức cũng rõ ràng: chất lượng dữ liệu từ hiện trường chưa đồng đều, mô hình thủy lực GIS/EPANET chưa được cập nhật thường xuyên, và nhân lực phân tích dữ liệu còn hạn chế.

3. Ứng dụng thực tế cho từng nhóm khách hàng

Công ty cấp nước / water utility:

• Kết hợp dữ liệu từ flowmeter DMA + pressure logger + SCADA để xây dựng mô hình baseline cho từng vùng
• Triển khai phân tích MNF tự động thay vì kiểm tra thủ công
• Tích hợp AI Agent sinh báo cáo vận hành hàng ngày, thay vì chờ kỹ sư tổng hợp cuối tuần
• Khi có đủ mô hình EPANET, bổ sung Digital Twin để so sánh realtime

Nhà máy nước:

• Giám sát lưu lượng đầu ra nhà máy vs tổng lưu lượng đầu vào các DMA → cân bằng nước (water balance) tự động
• Phát hiện bất thường trên tuyến ống truyền dẫn chính
• Kết hợp quan trắc chất lượng nước online với dữ liệu lưu lượng để cảnh báo đa chiều

Tư vấn thiết kế / chủ đầu tư:

• Yêu cầu thiết kế DMA có sẵn kết nối dữ liệu chuẩn (Modbus RS485, 4-20mA, NB-IoT) để sẵn sàng tích hợp AI
• Đưa yêu cầu Digital Twin vào hồ sơ thiết kế DMA mới
• Đánh giá nhà cung cấp dựa trên khả năng tích hợp dữ liệu, không chỉ thông số phần cứng

Hình ảnh 2: thực tế hố van DMA với flowmeter điện từ WATERFLUX 3070, cảm biến áp lực, datalogger Cello 4S truyền dữ liệu

V. Cấu Hình Hệ Thống DMA Sẵn Sàng Tích Hợp AI

1. Lớp phần cứng (Hardware Layer)

Để xây dựng DMA có thể tích hợp AI trong tương lai, phần cứng tại điểm đo cần đáp ứng:

Ví dụ cấu hình DMA chuẩn bị tích hợp AI:

• Đồng hồ đo lưu lượng điện từ WATERFLUX 3070 F (dùng pin, IP68, Modbus RS485)
• Cảm biến áp lực 0–16 bar, 4-20mA
• Bộ ghi nhận và truyền dữ liệu từ xa Cello 4S Hybrid (Modbus + xung, truyền GPRS)
• Van điều áp PRV BAYARD có bộ điều khiển từ xa nếu cần quản lý áp lực

2. Lớp truyền thông (Communication Layer)

Dữ liệu từ hiện trường cần đảm bảo:

• Tần suất ghi nhận tối thiểu mỗi 15 phút (lý tưởng: 5 phút cho DMA trọng điểm)
• Giao thức Modbus RS485 cho kết nối flowmeter ↔ datalogger
• Truyền dữ liệu qua NB-IoT, GPRS hoặc 4G tùy vùng phủ sóng
• Dữ liệu về server/cloud có API mở để AI Agent truy cập

3. Lớp phân tích AI (Intelligence Layer)

Dựa trên nghiên cứu từ Jordan và xu hướng AI 2026:

• Mô hình thủy lực EPANET hoặc tương đương được cập nhật theo mạng lưới thực tế
• Lớp xử lý dữ liệu (Python) thực hiện tính toán anomaly detection
• Mô hình AI nhỏ (SLM) chạy offline hoặc on-premise để sinh báo cáo
• Dashboard hiển thị kết quả phân tích, cảnh báo, báo cáo AI

Theo báo cáo AI Index 2026 của Stanford, xu hướng sử dụng mô hình nhỏ chuyên biệt (SLM) đang thay thế các mô hình khổng lồ đắt đỏ, đặc biệt hiệu quả trong các ứng dụng ngành hẹp. Mô hình Llama 3.1:8b (dung lượng 4,9 GB) trong nghiên cứu này đủ khả năng phân tích sức khỏe mạng lưới mà không cần API cloud, không phát sinh chi phí định kỳ.

VI. So Sánh: DMA Truyền Thống vs DMA Tích Hợp AI

Hình ảnh 4: Infographic DMA truyền thống vs DMA + AI

VII. Lộ Trình Triển Khai Cho Công Ty Cấp Nước Việt Nam

1. Giai đoạn 1 — Giám sát và cảnh báo (có thể làm ngay)

Đây là giai đoạn mà hầu hết các đơn vị đã hoặc đang triển khai:

• Lắp đặt flowmeter + pressure + datalogger tại các DMA
• Truyền dữ liệu về dashboard giám sát
• Thiết lập cảnh báo tự động khi MNF vượt ngưỡng hoặc áp lực bất thường
• Chuẩn hóa dữ liệu: tần suất ghi, đơn vị, định dạng truyền thông

Hệ thống ViWater hay các phần mềm tương tự đã hỗ trợ bước này.

2. Giai đoạn 2 — Phân tích AI hỗ trợ quyết định

• Xây dựng mô hình thủy lực EPANET cho từng DMA trọng điểm
• Tích hợp dữ liệu realtime với mô hình để so sánh liên tục
• AI Agent phân tích bất thường và sinh báo cáo hàng ngày
• Kỹ sư vận hành xem báo cáo AI, quyết định hành động

Đây là bước mà nghiên cứu Jordan đã chứng minh khả thi với chi phí thấp (mô hình LLM offline, không cần cloud).

3. Giai đoạn 3 — Điều khiển tự động có giám sát

• AI đề xuất và thực thi lệnh điều chỉnh PRV, bơm, van
• Có cơ chế phê duyệt từ kỹ sư trước khi thực thi (human-in-the-loop)
• Ghi log toàn bộ lý do và kết quả của mỗi quyết định
• Tích hợp đa vùng DMA để tối ưu toàn mạng lưới

Giai đoạn này cần thêm thời gian xây dựng quy trình vận hành, an toàn mạng (cybersecurity) và chấp thuận từ cấp quản lý.

Hình ảnh 5: Sơ đồ 3 giai đoạn triển khai: Giám sát → AI hỗ trợ → Tự động hóa

VIII. Bài Học Kỹ Thuật Từ Nghiên Cứu Jordan

1. Áp lực toàn vùng không phải lúc nào cũng phản ánh rò rỉ

Trong mạng lưới dạng vòng (looped network) với nguồn cấp dự phòng, một vụ vỡ ống 30 L/s có thể không gây thay đổi áp lực đáng kể trên toàn DMA. Phương pháp truyền thống dựa vào chênh lệch áp lực sẽ bỏ sót những trường hợp này.

Bài học: cần kết hợp phân tích lưu lượng cục bộ (local flow anomaly) chứ không chỉ dựa vào áp lực.

2. AI nhỏ (SLM) đủ dùng cho phân tích mạng lưới

Mô hình Llama 3.1:8b chỉ cần 4,9 GB bộ nhớ, chạy trên máy tính thông thường, thời gian sinh báo cáo 15-30 giây. Không cần đầu tư hạ tầng cloud lớn hay trả phí API hàng tháng.

Điều này phù hợp với bài toán chi phí và bảo mật dữ liệu của các công ty cấp nước Việt Nam — dữ liệu mạng lưới cấp nước là dữ liệu nhạy cảm, việc gửi lên cloud nước ngoài không phải lúc nào cũng khả thi.

3. Prompt engineering quyết định chất lượng báo cáo

Nghiên cứu chỉ ra rằng khi cấu trúc prompt rõ ràng (định nghĩa cụ thể các section báo cáo, chỉ định format đầu ra, cung cấp ngữ cảnh vận hành), chất lượng báo cáo AI cải thiện đáng kể. Đây là bài học quan trọng cho bất kỳ đơn vị nào muốn ứng dụng AI vào vận hành: dữ liệu tốt + prompt tốt = kết quả tốt.

4. Điều chưa giải quyết

Nghiên cứu thừa nhận một số hạn chế cần phát triển thêm:

• Chưa tích hợp RAG đầy đủ cho chính sách vận hành (hiện dùng prompt cứng)
• Chưa có cơ chế function calling thực tế để điều khiển van/bơm
• Chưa thử nghiệm trên hệ thống SCADA thực (mới dùng mô phỏng)
• An toàn mạng khi kết nối AI với hạ tầng vận hành cần được đánh giá kỹ

IX. Khi Nào DMA Tại Việt Nam Cần Nghĩ Đến AI?

Nếu đơn vị đang trong một hoặc nhiều tình huống sau, việc chuẩn bị tích hợp AI là hợp lý:

• Đã triển khai DMA nhưng tỷ lệ NRW không giảm thêm dù đã dò tìm nhiều lần
• Có hệ thống datalogger/telemetry nhưng dữ liệu chưa được khai thác đầy đủ
• Đang xây dựng trung tâm điều hành (OCC) hoặc hệ thống smart water
• Có kế hoạch mở rộng DMA lên 50-100 vùng trở lên — phân tích thủ công không đủ nhân lực
• Đang tìm cách chuyển từ "giám sát thụ động" sang "phân tích chủ động"

Trong bối cảnh đó, bước đầu tiên không phải là mua phần mềm AI — mà là chuẩn hóa dữ liệu và hạ tầng truyền thông. Với AI cũng như với DMA, nếu dữ liệu đầu vào không tốt, kết quả phân tích sẽ không có ý nghĩa.

X. FAQ – Câu Hỏi Thường Gặp

Câu 1: AI có thay thế hoàn toàn kỹ sư vận hành DMA không?

Không. AI đóng vai trò hỗ trợ phân tích và sinh báo cáo, giúp kỹ sư ra quyết định nhanh hơn. Việc xác nhận hiện trường, sửa chữa và phê duyệt hành động vẫn cần con người. Nghiên cứu từ Jordan cũng nhấn mạnh mô hình "human-in-the-loop" — AI đề xuất, người quyết định.

Câu 2: Cần đầu tư bao nhiêu để tích hợp AI vào DMA?

Chi phí phụ thuộc quy mô. Tuy nhiên, nghiên cứu chứng minh rằng mô hình AI nhỏ (Llama 3.1:8b) chạy offline trên máy tính thông thường, không cần cloud API, không phát sinh phí định kỳ. Chi phí chính nằm ở: xây dựng mô hình thủy lực EPANET, chuẩn hóa dữ liệu, và nhân sự tích hợp hệ thống.

Câu 3: Flowmeter hiện tại có dùng được cho hệ thống AI không?

Có, nếu flowmeter đã có đầu ra Modbus RS485 hoặc xung (pulse) kết nối với datalogger truyền dữ liệu về trung tâm. Đồng hồ đo lưu lượng điện từ WATERFLUX 3070 với tín hiệu Modbus RS485 tích hợp sẵn là một ví dụ thiết bị phù hợp.

Câu 4: Digital Twin khác gì với SCADA?

SCADA thu thập và hiển thị dữ liệu thời gian thực. Digital Twin là bản sao số của mạng lưới vật lý, tích hợp mô hình thủy lực để mô phỏng và dự đoán. SCADA cho bạn biết "đang xảy ra gì", Digital Twin cho bạn biết "nên xảy ra gì" và "chỗ nào bất thường."

Câu 5: Nghiên cứu này có áp dụng được cho mạng lưới cấp nước tại Việt Nam không?

Về nguyên lý, hoàn toàn có thể. Mạng lưới Amman (Jordan) có nhiều đặc điểm tương đồng: cấp nước gián đoạn ở một số vùng, hạ tầng cũ, NRW cao. Tuy nhiên, cần có mô hình EPANET riêng cho từng mạng lưới Việt Nam và dữ liệu thực đo đủ chất lượng.

Câu 6: AI có phát hiện được rò rỉ nhỏ không?

Phụ thuộc vào mật độ cảm biến và chất lượng mô hình thủy lực. Trong thử nghiệm, rò rỉ 30,1 L/s được phát hiện rõ ràng. Rò rỉ nhỏ hơn sẽ cần thêm cảm biến lưu lượng trung gian hoặc phân tích xu hướng dài hạn. Kết hợp với phân tích MNF và dữ liệu áp lực sẽ tăng khả năng phát hiện rò rỉ nhỏ.

Câu 7: Lạc Việt có thể hỗ trợ gì trong hướng đi này?

Lạc Việt cung cấp toàn bộ phần cứng cho hệ thống DMA sẵn sàng tích hợp AI: flowmeter điện từ KROHNE (WATERFLUX 3070, OPTIFLUX 2300), cảm biến áp lực, thiết bị truyền dữ liệu Cello 4S, phần mềm thu thập dữ liệu, hỗ trợ tích hợp SCADA/Modbus. Đồng thời tư vấn thiết kế cấu hình DMA theo hướng chuẩn hóa dữ liệu, sẵn sàng mở rộng lên Digital Twin và AI.

XI. Kết Luận

Nghiên cứu từ Đại học Petra (Jordan) không chỉ là một bài báo khoa học — mà là minh chứng rằng việc tích hợp AI vào quản lý mạng lưới cấp nước đã vượt qua giai đoạn lý thuyết. Với mô hình AI nhỏ chạy offline, chi phí hạ tầng thấp và thời gian phản hồi dưới 2 phút, hướng đi này hoàn toàn khả thi cho các đơn vị cấp nước tại Việt Nam.

Điểm mấu chốt: lợi thế cạnh tranh trong ngành nước đang dịch chuyển từ "ai có đồng hồ tốt nhất" sang "ai có hệ thống dữ liệu thông minh nhất." Và hệ thống dữ liệu thông minh bắt đầu từ phần cứng đo lường chính xác, truyền thông ổn định, và dữ liệu được chuẩn hóa ngay từ đầu.

Nếu bạn đang vận hành hoặc thiết kế hệ thống DMA và muốn chuẩn bị cho tích hợp AI, hãy liên hệ đội ngũ kỹ thuật Lạc Việt để được tư vấn cấu hình phần cứng phù hợp — từ flowmeter, cảm biến áp lực, datalogger đến phần mềm thu thập dữ liệu.

📞 Hotline tư vấn: 0918 182 587 📧 Email: hoangcuong@lacvietco-jsc.com.vn 🌐 Website: lacvietco-jsc.com.vn