Hàm lượng đạm thô của khô đậu nành — nguyên liệu chiếm tỷ trọng lớn nhất trong hầu hết công thức thức ăn gia súc, gia cầm — có thể dao động từ 42% đến 48% tuỳ theo nguồn gốc và vụ thu hoạch (Ibáñez et al., 2020). Khoảng biến thiên sáu điểm phần trăm ấy, nếu không được nhận diện kịp thời, đủ sức kéo chi phí công thức lệch hàng chục đô-la trên mỗi tấn thức ăn hoặc đẩy năng suất đàn vật nuôi đi xuống mà người kỹ sư dinh dưỡng không hiểu vì sao. Công thức tối ưu chi phí chỉ thực sự tối ưu khi ma trận dinh dưỡng phản ánh đúng giá trị thực tế của từng lô nguyên liệu đang nằm trong kho. Bài viết thứ bảy trong loạt bài về xây dựng công thức thức ăn chăn nuôi này tập trung vào hai công cụ giúp hiện thực hoá điều đó: quang phổ cận hồng ngoại (NIRS) và phân tích hoá học ướt, cùng cách kết nối chúng thành một vòng lặp cải tiến liên tục để cơ sở dữ liệu công thức luôn "sống" theo nhịp sản xuất.

Tại sao ma trận dinh dưỡng tĩnh là rủi ro lớn nhất của phần mềm tối ưu chi phí

Phần mềm xây dựng công thức tối ưu chi phí (least-cost formulation) vận hành trên nguyên lý quy hoạch tuyến tính: nó tìm tổ hợp nguyên liệu rẻ nhất thoả mãn đồng thời tất cả ràng buộc dinh dưỡng. Kết quả chỉ đáng tin khi mỗi ô trong ma trận nguyên liệu — đạm thô, năng lượng trao đổi, axit amin tiêu hoá hồi tràng, xơ, khoáng — phản ánh đúng thực tế. Vấn đề nằm ở chỗ: phần lớn nhà máy thức ăn chăn nuôi vẫn sử dụng giá trị trung bình từ bảng thành phần hoá học thức ăn hoặc giá trị mặc định của phần mềm, rồi giữ nguyên trong nhiều tháng, thậm chí nhiều năm.

Moss et al. (2021) phân tích dữ liệu ngành gia cầm tại Úc và chỉ ra rằng sự biến thiên dinh dưỡng giữa các lô nguyên liệu có tác động đáng kể đến lợi nhuận sản xuất thịt gà. Khi hàm lượng đạm thô thực tế của một lô khô đậu nành thấp hơn giá trị trong ma trận chỉ hai điểm phần trăm, công thức trên giấy vẫn "đạt chuẩn" nhưng thức ăn thực tế thiếu axit amin, kéo theo hệ số chuyển đổi thức ăn (FCR) tăng và khối lượng xuất chuồng giảm. Ngược lại, nếu giá trị thực cao hơn ma trận, nhà máy đang trả tiền thừa cho chất dinh dưỡng mà vật nuôi không cần thêm. Cả hai kịch bản đều gây thiệt hại tài chính, và cả hai đều có thể phòng tránh bằng một chương trình phân tích phòng thí nghiệm có hệ thống.

Nghiên cứu khảo sát ngành gia cầm Úc của Moss et al. (2024) về rào cản triển khai công thức ngẫu nhiên (stochastic formulation) cũng cho thấy một thực tế đáng lo ngại: nhiều nhà dinh dưỡng học buộc phải "đệm" biên an toàn bằng cách nâng ràng buộc tối thiểu lên cao hơn nhu cầu thực, đơn giản vì họ không có đủ dữ liệu phân tích để định lượng mức biến thiên. Phương pháp quy hoạch tuyến tính truyền thống không có cơ chế nội tại nào để xử lý sự biến thiên này — giá trị trung bình trong ma trận chỉ tương ứng với xác suất 50% đáp ứng nhu cầu dinh dưỡng thực tế. Biên an toàn "cảm tính" đó vừa tốn kém, vừa không đảm bảo tính nhất quán giữa các mẻ sản xuất.

NIRS — công cụ sàng lọc nhanh tại hiện trường và nguyên lý hoạt động

Quang phổ cận hồng ngoại (Near-Infrared Reflectance Spectroscopy, viết tắt NIRS) hoạt động bằng cách chiếu chùm ánh sáng trong vùng bước sóng 800–2.500 nm vào mẫu nguyên liệu và đo phổ phản xạ khuếch tán. Các liên kết hoá học chứa nhóm C–H, N–H và O–H trong phân tử hữu cơ hấp thụ ánh sáng ở những bước sóng đặc trưng, tạo ra "dấu vân tay quang phổ" riêng biệt cho từng thành phần dinh dưỡng (De la Roza-Delgado et al., 2024). Phần mềm đo lường hoá học (chemometrics) sau đó sử dụng các mô hình hồi quy — phổ biến nhất là hồi quy bình phương tối thiểu từng phần (Partial Least Squares Regression, viết tắt PLSR) — để chuyển đổi dữ liệu phổ thành giá trị dự đoán cho đạm thô, chất béo, xơ, độ ẩm, tinh bột và tro.

Ưu thế lớn nhất của NIRS nằm ở tốc độ và tính không phá huỷ mẫu. Một phép đo hoàn chỉnh chỉ mất vài phút, không cần hoá chất và không tạo chất thải phòng thí nghiệm. Điều này cho phép nhân viên kiểm soát chất lượng (QC) quét mọi lô nguyên liệu ngay tại cổng nhập kho hoặc ngay trên dây chuyền sản xuất, thay vì chỉ lấy mẫu đại diện gửi đi phân tích hoá học ướt và chờ kết quả nhiều ngày. Các thiết bị NIRS cầm tay thế hệ mới — ví dụ dòng FT-NIR thu nhỏ — còn mở rộng khả năng đo tại hiện trường cho cả trang trại và trạm thu mua nguyên liệu (Risoluti et al., 2020).

Tuy nhiên, NIRS không phải phương pháp phân tích trực tiếp mà là phương pháp dự đoán gián tiếp. Độ chính xác phụ thuộc hoàn toàn vào chất lượng của mô hình hiệu chuẩn (calibration model), tức tập dữ liệu tham chiếu được xây dựng bằng phân tích hoá học ướt. Một mô hình hiệu chuẩn tốt cần tối thiểu vài trăm mẫu đại diện cho phạm vi biến thiên thực tế của nguyên liệu mục tiêu, được phân tích song song bằng cả NIRS và hoá học ướt (Davies, 2024). Khi mẫu nguyên liệu nằm ngoài phạm vi mà mô hình đã "học" — ví dụ một giống ngô mới, một lô bột cá từ nguồn cung chưa từng quét — kết quả dự đoán có thể sai lệch đáng kể mà thiết bị không đưa ra cảnh báo rõ ràng.

Bảng dưới đây tóm tắt điểm mạnh và hạn chế của NIRS so với phân tích hoá học ướt đối với các thông số dinh dưỡng thường gặp trong kiểm soát chất lượng thức ăn chăn nuôi:

(Tổng hợp từ De la Roza-Delgado et al., 2024; Dellait, 2025; Metrohm, 2025)

Xây dựng vòng lặp cải tiến liên tục: từ phòng thí nghiệm đến ma trận công thức

Giá trị thực sự của cả NIRS lẫn phân tích hoá học ướt không nằm ở từng kết quả phân tích riêng lẻ, mà nằm ở cách chúng được kết nối thành một chu trình khép kín — một vòng lặp cải tiến liên tục — để cơ sở dữ liệu công thức ngày càng phản ánh sát hơn thực tế nguyên liệu mà nhà máy đang sử dụng. Chu trình này gồm bốn bước then chốt:

Bước 1 — Quét sàng lọc bằng NIRS tại điểm tiếp nhận. Mỗi lô nguyên liệu nhập kho được quét NIRS ngay tại cổng. Kết quả dự đoán nhanh cho đạm thô, độ ẩm, chất béo và xơ được so sánh tức thì với ngưỡng chấp nhận đã thiết lập trong hệ thống quản lý chất lượng. Lô nào nằm ngoài ngưỡng sẽ bị giữ lại chờ xác nhận bằng hoá học ướt trước khi đưa vào sản xuất. Lô nào nằm trong ngưỡng vẫn được lưu dữ liệu quang phổ để phục vụ bước tiếp theo.

Bước 2 — Xác nhận định kỳ bằng phân tích hoá học ướt. Theo tần suất đã quy định — ví dụ mỗi lô thứ năm hoặc mỗi tuần, tuỳ khối lượng nhập — một phần mẫu được gửi phân tích hoá học ướt đầy đủ: Kjeldahl cho đạm thô, Soxhlet cho chất béo, Van Soest cho xơ, HPLC cho axit amin khi cần. Kết quả hoá học ướt vừa là giá trị tham chiếu để kiểm tra độ chính xác của NIRS, vừa là dữ liệu cập nhật vào mô hình hiệu chuẩn.

Bước 3 — Cập nhật ma trận công thức. Dữ liệu phân tích được tổng hợp theo từng nguyên liệu, từng nhà cung cấp và từng khoảng thời gian. Giá trị trung bình trượt (rolling average) — thường tính trên 10 đến 20 mẫu gần nhất — được đưa vào ma trận nguyên liệu của phần mềm xây dựng công thức, thay thế cho giá trị cũ. Độ lệch chuẩn cũng được cập nhật song song để phục vụ cho các phần mềm có chức năng xây dựng công thức ngẫu nhiên, cho phép nhà dinh dưỡng học đặt mức xác suất đáp ứng nhu cầu dinh dưỡng cao hơn 50% — chẳng hạn 75% hoặc 85% — mà không cần "đệm" biên an toàn cảm tính (Moss et al., 2024). Ví dụ cụ thể: nếu 15 mẫu khô đậu nành gần nhất từ nhà cung cấp A cho thấy đạm thô trung bình 45,2% với độ lệch chuẩn 0,8%, nhà dinh dưỡng học sẽ nhập 45,2% vào ma trận thay vì 46,0% mặc định, và đặt ràng buộc đạm thô tối thiểu trong công thức ở mức tương ứng xác suất 80% (tức 45,2% trừ 0,84 × 0,8% = 44,5% quy về đóng góp trong công thức).

Bước 4 — Kiểm tra ngược và hiệu chỉnh mô hình NIRS. Mỗi cặp dữ liệu NIRS–hoá học ướt mới được bổ sung vào tập hiệu chuẩn. Khi tích luỹ đủ mẫu mới — thường sau mỗi quý hoặc mỗi vụ thu hoạch — mô hình PLSR được tính toán lại để mở rộng phạm vi dự đoán và cải thiện độ chính xác. Đây chính là điểm "khép vòng" của chu trình: dữ liệu sản xuất quay ngược lại nâng cấp công cụ phân tích, công cụ phân tích cho ra dữ liệu chính xác hơn để cập nhật ma trận, ma trận chính xác hơn cho ra công thức sát thực tế hơn.

Yabuta và Oviedo-Rondón (2024) đã chứng minh giá trị kinh tế của chu trình này khi so sánh chi phí công thức gà thịt và gà đẻ xây dựng từ giá trị dinh dưỡng khô đậu nành được đánh giá bằng hệ thống NIRS kết hợp thử nghiệm in vivo (Precision Nutrition Evaluation) so với giá trị bảng mặc định. Kết quả cho thấy công thức sử dụng dữ liệu dinh dưỡng chính xác theo nguồn gốc nguyên liệu rẻ hơn đáng kể — từ 2,76 đến 9,84 USD/tấn cho gà thịt và từ 0,41 đến 13,45 USD/tấn cho gà đẻ — so với công thức dùng giá trị chung chung. Với sản lượng hàng nghìn tấn mỗi tháng, khoản chênh lệch này tích luỹ thành con số rất lớn.

Những sai lầm thường gặp và nguyên tắc triển khai thực tế

Vòng lặp cải tiến liên tục nghe có vẻ đơn giản trên lý thuyết, nhưng thực tế triển khai tại các nhà máy thức ăn chăn nuôi thường vấp phải một số sai lầm phổ biến mà người kỹ sư dinh dưỡng và nhân viên QC cần lường trước.

Sai lầm đầu tiên là tin tưởng tuyệt đối vào NIRS mà không duy trì chương trình xác nhận bằng hoá học ướt. NIRS chỉ "biết" những gì mô hình hiệu chuẩn đã "dạy" nó. Khi nguyên liệu thay đổi về giống, vùng trồng, phương pháp chế biến hoặc điều kiện bảo quản, phổ quang học có thể dịch chuyển ra khỏi phạm vi mô hình mà thiết bị không phát hiện được — hiện tượng gọi là "trôi hiệu chuẩn" (calibration drift). Davies (2024) lưu ý rằng mô hình NIRS cho cỏ khô ủ chua tại Anh từng dự đoán thấp hơn đáng kể hàm lượng đường hoà tan khi mẫu có hàm lượng đường cao bất thường, đơn giản vì tập hiệu chuẩn không chứa đủ mẫu trong vùng giá trị cao. Quy tắc chung là duy trì tỷ lệ xác nhận hoá học ướt ít nhất 10–20% tổng số mẫu NIRS để phát hiện sớm sự trôi hiệu chuẩn.

Sai lầm thứ hai là lấy mẫu không đại diện. Dù thiết bị phân tích có chính xác đến đâu, kết quả cũng vô nghĩa nếu mẫu gửi phân tích không đại diện cho cả lô nguyên liệu. Một mẫu lấy chỉ từ bề mặt xe tải hoặc chỉ từ một vị trí trong silo sẽ phản ánh sai lệch hàm lượng dinh dưỡng trung bình thực sự. Nguyên tắc cơ bản là lấy nhiều mẫu phụ (sub-sample) từ nhiều vị trí, trộn đều thành mẫu tổng hợp, sau đó chia tư hoặc dùng bộ chia mẫu (sample splitter) để lấy mẫu phân tích. Tần suất và số điểm lấy mẫu cần được quy định rõ trong quy trình vận hành chuẩn (SOP) của nhà máy.

Sai lầm thứ ba liên quan đến cách cập nhật ma trận. Một số nhà dinh dưỡng học cập nhật giá trị ma trận mỗi khi có kết quả phân tích mới, tạo ra biến động liên tục trong công thức và gây khó khăn cho bộ phận sản xuất. Cách tiếp cận hợp lý hơn là sử dụng trung bình trượt với cỡ mẫu đủ lớn (tối thiểu 10 mẫu) và chỉ cập nhật khi giá trị mới lệch khỏi giá trị hiện tại vượt quá ngưỡng đã quy định — ví dụ 0,5 điểm phần trăm cho đạm thô hoặc 50 kcal/kg cho năng lượng trao đổi. Điều này giữ cho công thức ổn định nhưng vẫn phản ứng kịp thời trước những thay đổi có ý nghĩa thực sự.

Cuối cùng, dữ liệu phân tích cần được lưu trữ có hệ thống — tốt nhất trong cơ sở dữ liệu số có khả năng truy vấn theo nguyên liệu, nhà cung cấp, khoảng thời gian và lô sản xuất — chứ không phải trong các tệp bảng tính rời rạc. Hệ thống quản lý thông tin phòng thí nghiệm (LIMS) hiện đại cho phép tích hợp dữ liệu NIRS và hoá học ướt, thiết lập cảnh báo tự động khi kết quả vượt ngưỡng, và xuất báo cáo xu hướng theo thời gian — tất cả đều phục vụ cho mục tiêu cuối cùng là đưa ra quyết định công thức dựa trên bằng chứng thay vì dựa trên giả định.

Kết luận

Phần mềm xây dựng công thức tối ưu chi phí là công cụ toán học mạnh mẽ, nhưng sức mạnh ấy chỉ phát huy khi dữ liệu đầu vào phản ánh đúng thực tế nguyên liệu. NIRS và phân tích hoá học ướt không phải hai phương pháp cạnh tranh nhau mà là hai mắt xích bổ trợ trong cùng một chu trình: NIRS cung cấp tốc độ sàng lọc và khối lượng dữ liệu lớn, phân tích hoá học ướt cung cấp độ chính xác tham chiếu và nền tảng hiệu chuẩn. Khi được kết nối đúng cách thành vòng lặp cải tiến liên tục — quét, xác nhận, cập nhật ma trận, hiệu chỉnh mô hình — cơ sở dữ liệu công thức sẽ ngày càng sát thực tế, công thức ngày càng chính xác và chi phí sản xuất ngày càng được kiểm soát chặt chẽ hơn. Trước khi thay đổi chương trình kiểm soát chất lượng hoặc điều chỉnh ma trận dinh dưỡng trong phần mềm xây dựng công thức, hãy tham vấn chuyên gia dinh dưỡng động vật hoặc bác sĩ thú y có chứng chỉ chuyên môn để đảm bảo mọi điều chỉnh đều phù hợp với điều kiện sản xuất và đối tượng vật nuôi cụ thể.

Tài liệu tham khảo

• Davies, D. (2024). Understanding NIRS and its role in forage and feed analysis. Silage Solutions Ltd / Kelvin Cave Ltd. https://kelvincave.com/news/understanding-nirs-and-its-role-in-forage-and-feed-analysis/
• De la Roza-Delgado, B., Modroño-Lozano, S., Fernández-Gutiérrez, M., & Argamentería-Gutiérrez, A. (2024). The role of near-infrared spectroscopy in food quality assurance: A review of the past two decades. Foods, 13(22), 3501. https://doi.org/10.3390/foods13223501
• Dellait. (2025). The four pillars of reliable feed sampling in animal nutrition analysis. Dellait — Animal Nutrition and Health. https://dellait.com/the-four-pillars-of-reliable-feed-sampling-in-animal-nutrition-analysis-dellait/
• Ibáñez, M. A., de Blas, C., Cámara, L., & Mateos, G. G. (2020). Chemical composition, protein quality, and nutritive value of commercial soybean meals produced from beans from different countries: A meta-analytical study. Animal Feed Science and Technology, 267, 114531. https://doi.org/10.1016/j.anifeedsci.2020.114531
• Metrohm. (2025). Feed analysis with near-infrared spectroscopy (NIRS) (Application Note AN-NIR-127). Metrohm AG. https://www.metrohm.com/en/applications/application-notes/nahinfrarotspektroskopieannir/an-nir-127.html
• Moss, A. F., Chrystal, P. V., Crowley, T. M., & Pesti, G. M. (2021). Raw material nutrient variability has substantial impact on the potential profitability of chicken meat production. Journal of Applied Poultry Research, 30(1), 100–112. https://doi.org/10.1016/j.japr.2020.100112
• Moss, A. F., Chrystal, P. V., Dersjant-Li, Y., Selle, P. H., & Cadogan, D. J. (2024). Barriers to the implementation of max-profit and stochastic feed formulation strategies: A survey of the Australian poultry industry. Animals, 14(22), 3313. https://doi.org/10.3390/ani14223313
• Risoluti, R., Gullifa, G., Battistini, A., & Materazzi, S. (2020). Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring. RSC Advances, 10(71), 43394–43399. https://doi.org/10.1039/d0ra07142k
• Yabuta, T., & Oviedo-Rondón, E. (2024). Precision nutrition: The value of considering the energy, amino acid content, and digestibility values of soybean meals in feed formulation. Proceedings of the International Poultry Scientific Forum, Atlanta, GA.