การจำลองระบบเฝ้าติดตามสุขภาพโครงสร้างเสาสื่อสารด้วยเทคนิคปัญญาประดิษฐ์

บทคัดย่อ

ปัจจุบันเสาสื่อสารโทรคมนาคมมีบทบาทสำคัญในการให้บริการโทรคมนาคมและอินเทอร์เน็ต อย่างไรก็ตาม การตรวจสอบและบำรุงรักษาเสาสื่อสารในพื้นที่ที่ห่างไกลเป็นเรื่องที่ท้าทาย โดยเฉพาะ เมื่อเกิดปัญหาจากภัยธรรมชาติหรือการกระทำของมนุษย์ ทำให้การตรวจจับความบกพร่องของ โครงสร้างเสาเป็นสิ่งจำเป็น โครงงานนี้มุ่งเน้นการศึกษาและพัฒนาแบบจำลองปัญญาประดิษฐ์ เพื่อใช้ในการตรวจจับความ บกพร่องของเสาสื่อสาร โดยใช้โปรแกรม SolidWorks และโปรแกรม Abaqus ในการจำลองความ บกพร่องของโครงสร้าง โดยทำการถอดชิ้นส่วนของเสาออก หลังจากนั้นนำเอาสัญญาณดิบที่ได้การติด เซนเซอร์ความเร่งแต่ละตัวมาทำการวิเคราะห์ซองสัญญาณ (Envelope analysis) เพื่อขยายสัญญาณ ที่ซ่อนอยู่เห็นได้ชัด และสร้างชุดข้อมูลสำหรับการฝึกและทดสอบแบบจำลองปัญญาประดิษฐ์ (CNN) จากนั้นทำการวิเคราะห์ความเป็นไปได้และประสิทธิภาพของแบบจำลองปัญญาประดิษฐ์ แบบจำลองที่พัฒนาขึ้นเป็นโครงข่ายประเภท Convolutional Neural Network (CNN) ซึ่ง สามารถจำแนกข้อมูลสัญญาณได้ว่าอยู่ในสภาวะ “ปกติ” หรือ “ไม่ปกติ” โดยมีความแม่นยำในระดับ หนึ่ง อย่างไรก็ตาม แบบจำลองยังไม่สามารถชี้เฉพาะตำแหน่งของชิ้นส่วนที่มีความบกพร่องได้ คำ สำคัญ: ปัญญาประดิษฐ์ / ไฟไนต์เอลิเมนต์ / แบบจำลองโครงข่ายประสาทเทียม / การวิเคราะห์ซอง สัญญาณ / Convolutional Neural Network ก Name Thesis Title Miss Budsayamas Rachmaytar Mr. Jiraphat Jirajaroenrat Mr. Pawarit Songpratheep Simulation Model of Structural Health Monitoring System for Communication Towers Using Artificial Intelligence Department Mechanical and Aerospace Engineering Advisor Asst.Prof. Chak Chantalakhana, Ph.D. Co-Advisor Asst.Prof. Baramee Patamaprohm, Ph.D. Academic year 2024 Abstract Telecommunication towers play a crucial role in providing telecommunications and internet services. However, inspecting and maintaining these towers in remote areas is challenging, especially when issues arise due to natural disasters or human actions. This makes the detection of structural defects in telecommunication towers essential. This project focuses on studying and developing an artificial intelligence-based simulation model for detecting structural defects in communication towers. The simulation of structural defects was conducted using SolidWorks and Abaqus by virtually removing specific tower components. Acceleration signals obtained from multiple sensors were then processed using envelope analysis to enhance hidden signal patterns. The processed signals were used to create datasets for training and testing a Convolutional Neural Network (CNN) model. The performance and feasibility of the AI model were subsequently evaluated. ค The developed model is based on a Convolutional Neural Network (CNN), which can classify input signals as either “normal” or “abnormal” with a certain level of accuracy. However, the current model is not yet capable of pinpointing the exact location of the defective component. Keywords: Artificial Intelligence / Finite Element Method / Neural Network Models / Envelope Analysis / Convolutional Neural Network ง กิตติกรรมประกาศ โครงงานนี้สำเร็จลุล่วงด้วยดี โดยได้ความกรุณาจากอาจารย์ที่ปรึกษา ผศ.ดร. จักร จันทลักขณา และ ผศ.ดร. บารมี ปัทมพรหม ที่ได้ให้คำแนะนำ องค์ความรู้ และข้อเสนอแนะ อันมีค่าตลอดการดำเนินโครงงานนี้ นอกจากนี้ ขอขอบคุณคณะอาจารย์และบุคลากรของ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ ที่ให้การสนับสนุนด้านวิชาการและ ทรัพยากรที่จำเป็น ขอขอบคุณเพื่อนร่วมโครงงานทุกคนที่ได้ร่วมมือกันทำงานอย่างเต็มที่แลกเปลี่ยน ความคิดเห็น และช่วยกันแก้ไขปัญหาต่างๆ ตลอดระยะเวลาการศึกษาและพัฒนาโครงงานนี้ รวมถึงบุคคลหรือหน่วยงานที่เกี่ยวข้องที่ให้ข้อมูลและความร่วมมือในการวิจัย ขอขอบคุณครอบครัวที่คอยเป็นกำลังใจและสนับสนุนในทุกด้านเสมอมาการดำเนิน โครงงานนี้สำเร็จลุล่วงไปได้ด้วยดีเพราะการสนับสนุนจากทุกฝ่ายที่กล่าวมา สุดท้ายนี้ ผู้จัดทำหวังเป็นอย่างยิ่งว่าโครงงานนี้จะเป็นประโยชน์ต่อผู้ที่สนใจ หากมี ข้อผิดพลาดประการใดพวกเราขอน้อมรับไว้และยินดีรับคำแนะนำเพื่อการปรับปรุงในอนาคต นางสาวบุษยมาส ราษฎร์เมธา จ นายจิรภัทร จิระเจริญรัตน์ นายปวริศ ส่องประทีป สารบัญ บทที่ 1 บทนำ ....................................................................................................................................1 1.1 ที่มาและความสำคัญของโครงงาน ......................................................................................1 1.2 วัตถุประสงค์ของโครงงาน ...................................................................................................2 1.3 ขอบเขต ..............................................................................................................................2 1.4 ประโยชน์และผลที่คาดว่าจะได้รับ ......................................................................................3 1.5 แผนการดำเนินงาน ...........................................................................................................3 1.6 งบประมาณในการดำเนินโครงงาน......................................................................................4 บทที่ 2 งานวิจัยและทฤษฎีที่เกี่ยวข้อง ...............................................................................................5 2.1 ทฤษฎีที่เกี่ยวข้อง ................................................................................................................5 2.1.1 ปัญญาประดิษฐ์ (Artificial Intelligence) ......................................................... 5 2.1.2 Machine Learning .......................................................................................... 6 2.1.3 การเรียนรู้เชิงลึก ................................................................................................ 7 2.1.4 เครือข่ายประสาทเทียม (Neural Networks : NN) ........................................... 7 2.1.5 เครือข่ายประสาทคอนโวลูชัน ............................................................................ 7 2.1.6 Envelope Analysis ......................................................................................... 8 2.1.7 FFT (Fast Fourier Transform)....................................................................... 8 2.1.8 Spectrogram ................................................................................................... 8 2.1.9 Stochastic Gradient Descent with Momentum ....................................... 9 2.1.10 Adaptive Moment Estimation .............................................................. 10 2.1.11 Root Mean Square Propagation........................................................... 11 2.1.12 Young's Modulus .................................................................................... 12 2.1.14 โครงถัก ....................................................................................................... 13 2.1.15 แรงกระทำจากลม ....................................................................................... 13 2.1.16 เสาเคเบิล .................................................................................................... 21 บทที่ 3 การออกแบบงานวิจัยและวิธีดำเนินงาน .............................................................................. 23 3.1 ความต้องการของโครงงาน (Requirement) ................................................................ 23 3.1.1 ฟังก์ชันการทำงาน ........................................................................................... 23 3.1.2 ประสิทธิภาพ ................................................................................................... 23 3.1.3 มาตรฐานและข้อบังคับ .................................................................................... 23 3.2 ข้อจำกัด (Constraint) ................................................................................................. 23 3.2.1 ข้อจำกัดด้านเวลา ............................................................................................ 23 3.2.2 ข้อจำกัดด้านวัสดุ ............................................................................................. 24 3.2.3 ข้อจำกัดด้านเทคนิค ........................................................................................ 24 3.3 ข้อกำหนด (Standard)................................................................................................. 24 3.3.1 มาตรฐานการออกแบบอาคารด้วยแรงลม (มยผ 1166-52).............................. 24 3.4 ขั้นตอนการดำเนินการ .................................................................................................. 25 3.4.1 ศึกษาข้อมูลและทฤษฎีที่เกี่ยวข้อง ................................................................... 25 3.4.2 กำหนดเป้าหมายและข้อกำหนดของแบบจำลองปัญญาประดิษฐ์ ..................... 26 3.4.3 สร้างชุดข้อมูลเบื้องต้น ..................................................................................... 26 3.4.5 การพิจารณาและเลือกใช้แบบจำลองปัญญาประดิษฐ์ (AI Model) .................. 26 3.4.6 สร้างแบบจำลองปัญญาประดิษฐ์ Convolutional Neural Network............. 27 บทที่ 4 ผลการดำเนินงาน ............................................................................................................... 32 4.1 การจำลองในโปรแกรม SolidWorks ............................................................................ 32 4.1.1 Static analysis .................................................................................................. 33 4.1.2 Dynamics Analysis........................................................................................... 34 4.1.3 ชุดข้อมูลที่ใช้ในการทดสอบโมเดล AI ในโปรแกรม MATLAB จากโปรแกรม SolidWorks ................................................................................................................. 39 4.2 การจำลองในโปรแกรม Abaqus .................................................................................. 42 4.2.1 ผลการ Simulation ของ Load แรงลมออกแบบ (Static analysis) .................. 44 4.2.2 ผลการ Simulation ของ Load แรงลมออกแบบ (Frequency analysis) ......... 46 4.2.3 ชุดข้อมูลจากโปรแกรม Abaqus ......................................................................... 52 4.2.4 วิเคราะห์บีตของการสั่นสะเทือน .......................................................................... 54 4.3 ผลลัพธ์จากการฝึกโมเดลปัญญาประดิษฐ์ Convolutional Neural Network (CNN) . 59 4.3.1 ผลการฝึกฝน (Training Results) ....................................................................... 59 4.3.2 ผลการทดสอบ (Testing Results) ...................................................................... 60 บทที่ 5 สรุปผลการดำเนินงาน ....................................................................................................... 62 5.1 สรุปผลการดำเนินงาน .................................................................................................. 62 5.1.1 ผลการศึกษาโมเดล CNN ................................................................................. 63 5.1.2 ผลการศึกษาความถี่ธรรมชาติของเสาสื่อสาร ................................................... 63 5.1.3 ผลการศึกษาความแข็งตึง (Stiffness) .............................................................. 63 5.1.4 ผลการศึกษาความเค้นของเสาสื่อสาร .............................................................. 64 5.2 ข้อเสนอแนะ ................................................................................................................. 64 เอกสารอ้างอิง ................................................................................................................................. 65 สารบัญตาราง ตารางที่ 1-1 งบประมาณการดำเนินงาน ........................................................................................... 4 ตารางที่ 2-1 ค่าประกอบเนื่องจากสภาพภูมิประเทศ (Ce) สําหรับวิธีการอย่างง่าย ....................... 15 ตารางที่ 2-2 ค่าประกอบเนื่องจากสภาพภูมิประเทศ (Ce) สําหรับวิธีการอย่างละเอียด ................. 16 ตารางที่ 4-1 ตารางแสดง mode shape ของเสาในโปรแกรม SolidWorks................................... 35 ตารางที่ 4-2 เปรียบเทียบค่า Max Stress ในโครงสร้างเสาปกติ (มีสลิงยึดกับเสา).......................... 45 ตารางที่ 4-3 แสดงรูปการสั่น (Mode Shape) ทั้ง 15 โหมด .......................................................... 46 สารบัญรูป รูปที่ 1.1 แผนการดำเนินงาน ............................................................................................................ 3 รูปที่ 2.1 องค์ประกอบของเสาเคเบิล .............................................................................................. 22 รูปที่ 3.1 ขั้นตอนการจำลองข้อมูล .................................................................................................. 25 รูปที่ 3.2 ขั้นตอนการสร้างแบบจำลองปัญญาประดิษฐ์.................................................................... 25 รูปที่ 3.3 Flow Chart ของการสร้างโมเดล CNN ............................................................................ 28 รูปที่ 3.4 Flow Chart ของการแปลงสัญญาณด้วย Envelope ....................................................... 30 รูปที่ 3.5 Flow Chart ของการแปลงสัญญาณ Envelope ด้วย FFT.............................................. 30 รูปที่ 3.6 Flow Chart ของการสร้างกราฟความถี่บีตจากข้อมูล FFT .............................................. 31 รูปที่ 4.1 ผลการดำเนินงาน ............................................................................................................. 32 รูปที่ 4.2 ชิ้นส่วนที่ถูกถอด .............................................................................................................. 33 รูปที่ 4.3 กราฟแสดงความสัมพันธ์ของระยะกระจัดที่เปลี่ยนไป ...................................................... 33 รูปที่ 4.4 กราฟแสดงความสัมพันธ์ของ stiffness ที่เปลี่ยนไป ......................................................... 34 รูปที่ 4.5 การลดลงของมวลเสาที่ถูกถอดออก.................................................................................. 34 รูปที่ 4.6 การแปลี่ยนแปลงความถี่ธรรมชาติ ................................................................................... 39 รูปที่ 4.7 การสั่นสะเทือนในแกนเวลา .............................................................................................. 40 รูปที่ 4.8 การสั่นสะเทือนในแกนความถี่ .......................................................................................... 40 รูปที่ 4.9 ความแตกต่างของการสั่นสะเทือนของแรงกระทำต่างทิศ .................................................. 41 รูปที่ 4.10 Spectrogram แบบ 3D ................................................................................................ 41 รูปที่ 4.11 Spectrogram ของข้อมูลปกติและผิดปกติ แกน X ........................................................ 42 รูปที่ 4.12 แสดงค่า Max Stress ของเสาเมื่อมีสลิงยึดใส่ Load แนวแกน -Y .................................. 44 รูปที่ 4.13 แสดงค่า Max Stress ของเสาเมื่อปลดสลิงออกและใส่ Load แนวแกน -Y .................... 44 รูปที่ 4.14 การถอดชิ้นส่วน 2 node ............................................................................................... 50 รูปที่ 4.15 การถอดชิ้นส่วน 11 node ............................................................................................. 50 รูปที่ 4.16 ความถี่ธรรมชาติของเสาในโปรแกรม Abaqus............................................................... 51 รูปที่ 4.17 ระยะความสูงและตำแหน่งการติดเซนเซอร์ .................................................................... 52 รูปที่ 4.18 ชิ้นที่ถอดในแต่ละชั้น ...................................................................................................... 53 รูปที่ 4.19 ชั้นที่ถอด ........................................................................................................................ 53 รูปที่ 4.20 ทิศทางของลมที่กระทำกับเสา ........................................................................................ 53 รูปที่ 4.21 บีตของการสั่นสะเทือนในแกนเวลา ................................................................................ 55 รูปที่ 4.22 กราฟที่ผ่านการทำ Envelope Analysis ....................................................................... 56 รูปที่ 4.23 FFT ของบีต ................................................................................................................... 57 รูปที่ 4.24 ความถี่บีตที่เกิดขึ้นในแต่ละเซนเซอร์ .............................................................................. 57 รูปที่ 4.25 ผลการฝึกฝนโมเดลปัญญาประดิษฐ์ CNN ...................................................................... 59 รูปที่ 4.26 ผลการฝึกฝนโมเดล CNN ............................................................................................... 61 1. บทที่ 1 บทนำ 1.1 ที่มาและความสำคัญของโครงงาน [1] ในปัจจุบัน เสาสื่อสารโทรคมนาคมมีการติดตั้งใช้งานกระจายอยู่ทั่วประเทศหลายพันต้น เพื่อ ให้บริการส่งสัญญาณโทรคมนาคมและอินเทอร์เน็ตแก่ผู้ใช้งานในพื้นที่ต่าง ๆ อย่างไรก็ตาม การตั้งเสา ในพื้นที่ห่างไกลหรือเข้าถึงยาก ส่งผลให้การตรวจสอบและบำรุงรักษาเป็นไปได้ยาก โดยเฉพาะเมื่อเกิด เหตุการณ์ไม่คาดคิด เช่น ภัยธรรมชาติ (พายุ ลมแรง) หรือการกระทำของมนุษย์ (เช่น การลักลอบถอด ชิ้นส่วน) ซึ่งอาจทำให้โครงสร้างเกิดความเสียหายโดยไม่สามารถตรวจพบได้ทันเวลา เพื่อลดความเสี่ยงจากการพังทลายของเสาโทรคมนาคม การตรวจวัดพฤติกรรมทางกลของ โครงสร้าง เช่น การวัดความเร่งหรือการเปลี่ยนแปลงของความเค้น จึงเป็นแนวทางหนึ่งที่สามารถช่วย ระบุความผิดปกติได้ตั้งแต่ระยะเริ่มต้น ช่วยให้สามารถดำเนินการแก้ไขและบำรุงรักษาได้อย่าง ทันท่วงที อีกทั้ง เสาแต่ละต้นมักมีลักษณะทางกายภาพและสภาพแวดล้อมที่แตกต่างกัน จึงต้องอาศัยการ วิเคราะห์ข้อมูลที่สามารถปรับตัวตามบริบทได้ เทคโนโลยีการเรียนรู้ของเครื่อง โดยเฉพาะแบบจำลอง โครงข่ายประสาทเทียม (Neural Network Models) จึงมีบทบาทสำคัญในการตรวจจับความผิดปกติ ของโครงสร้างจากข้อมูลที่ได้จากการตรวจวัด การพัฒนาแบบจำลองที่สามารถวิเคราะห์และตรวจจับความบกพร่องของโครงสร้างเสาได้อย่าง มีประสิทธิภาพ จะช่วยให้สามารถเลือกใช้แนวทางการบำรุงรักษาเชิงคาดการณ์ได้ดีขึ้น ลดโอกาสการ ชำรุดเสียหายและลดค่าใช้จ่ายในการซ่อมแซม อีกทั้งยังช่วยลดโอกาสในการหยุดชะงักของบริการ โทรคมนาคมและอินเทอร์เน็ต ซึ่งจะส่งผลดีโดยตรงต่อผู้ให้บริการและผู้ใช้งานในพื้นที่นั้น ๆ 1 1.2 วัตถุประสงค์ของโครงงาน 1. ศึกษาและเปรียบเทียบเพื่อดูความเป็นไปได้ในการใช้ AI ในการตรวจจับความบกพร่องของ โครงสร้างเสาสื่อสาร 2. ใช้วิธีไฟไนต์เอลิเมนต์ในการจำลองความบกพร่องของโครงสร้างเสาสื่อสารและสร้างชุดข้อมูล สำหรับการฝึกและทดสอบแบบจำลอง 3. วิเคราะห์และเสนอแนะความเป็นไปได้ของแต่ละโมเดล 1.3 ขอบเขต 1.3.1 การสร้างแบบจำลองใน Abaqus 1. สร้างแบบจำลองของเสาสื่อสารโทรคมนาคมในโปรแกรม Abaqus และ SolidWorks 2. ระบุและตั้งค่าพารามิเตอร์ที่เกี่ยวข้องกับวัสดุและโครงสร้างของเสา เช่น ความแข็งแรงของ วัสดุ, ความยืดหยุ่น, และน้ำหนักบรรทุก 1.3.2 การจำลองสภาวะแวดล้อมและภาระ 1. จำลองสภาวะแวดล้อมต่าง ๆ ที่เสาต้องเผชิญ เช่น ลมแรง, พายุ, และการกระทำของมนุษย์ 2. ตั้งค่าภาระต่าง ๆ ที่อาจมีผลต่อเสา เช่น แรงดึง, แรงบิด, และแรงกระแทก 1.3.3 การวิเคราะห์ผลการจำลอง 1. วิเคราะห์ผลการจำลองเพื่อระบุจุดที่อาจเกิดการเสียรูปหรือความเสียหายจากการถอด ชิ้นส่วนบางตำแหน่งออก 2. ใช้ผลการวิเคราะห์เพื่อประเมินความเสี่ยงและกำหนดแนวทางในการบำรุงรักษา 1.3.4 การใช้โครงข่ายประสาทเทียม (Artificial Neural Network) 1. ใช้ข้อมูล ผลการตอบสนองทางกลจากการจำลองใน Abaqus อาทิเช่น ความถี่ธรรมชาติ เฉพาะที่ (Local resonances) ความเค้น เพื่อเทรนแบบจำลองโครงข่ายประสาทเทียม 2. ประเมินความแม่นยำและประสิทธิภาพของโครงข่ายประสาทเทียมในการคาดการณ์ความ เสียหาย 2 1.3.5 การสรุปและรายงานผล 1. สรุปผลการจำลองและการวิเคราะห์ในรูปแบบรายงาน 1.4 ประโยชน์และผลที่คาดว่าจะได้รับ 1. ความเข้าใจในพฤติกรรมของโครงสร้างเสาสื่อสารโทรคมนาคมภายใต้สภาวะต่างๆ จากการ จำลองใน Abaqus ทำให้สามารถประเมินความเสี่ยงและความทนทานของโครงสร้างได้อย่าง แม่นยำ 2. สามารถคั ด เลื อ กโมเดลของปั ญ ญาประดิ ษ ฐ์ ให้ เ หมาะสมต่ อ การทำงานได้ อ ย่า งมี ประสิทธิภาพ ลดเวลาในการประมวลผล และใช้ทรัพยากรของระบบอย่างเหมาะสม ทำให้ สามารถดำเนินงานได้อย่างรวดเร็วและประหยัดพลังงาน 3. สามารถพัฒนาปัญญาประดิษฐ์ให้มีความสามารถในการเรียนรู้จากข้อมูลการจำลองทาง วิศวกรรมอย่างลึกซึ้ง และนำไปใช้ในการทำนายความบกพร่องของโครงสร้างเสาสื่อสารได้ อย่างแม่นยำและเชื่อถือได้ 1.5 แผนการดำเนินงาน รูปที่ 1.1แผนการดำเนินงาน 3 1.6 งบประมาณในการดำเนินโครงงาน รายการค่าใช้จ่ายที่คาดว่าจะเกิดขึ้นในการดำเนินงานวิจัย โดยงบประมาณนี้จะครอบคลุมทุก ด้านที่จำเป็นในการทำโครงการให้สำเร็จลุล่วง ไม่ว่าจะเป็นค่าใช้จ่ายในการซื้ออุปกรณ์ หรือค่าใช้จา่ ย ในการทดสอบและจำลองผล ตามที่แสดงในตารางที่ 1-1 ตารางที่ 1-1 งบประมาณการดำเนินงาน รายละเอียด จำนวน ไม่มีการใช้จ่าย 0 งบประมาณรวม ราคาต่อหน่วย (บาท) 0 ราคารวม (บาท) 0 0 4 บทที่ 2 งานวิจัยและทฤษฎีที่เกีย่ วข้อง 2. 2.1 ทฤษฎีที่เกี่ยวข้อง ในการศึกษาข้อมูลและทฤษฎีที่เกี่ยวข้องกับ โครงสร้างและการใช้ปัญญาประดิษฐ์ในการ ตรวจสอบความผิดปกติของเสาสื่อสารคมนาคม มีรายละเอียดดังต่อไปนี้ 2.1.1 ปัญญาประดิษฐ์ (Artificial Intelligence) [2] ปัญญาประดิษฐ์ คือ การจำลองกระบวนการทำงานของสมองมนุษย์ผ่านคอมพิวเตอร์หรือ เครื่องจักร โดยมีความสามารถในการคิด วิเคราะห์ และจดจำในลักษณะที่คล้ายคลึงกับการทำงาน ของมนุษย์ ทั้งนี้เป็น การพัฒนาต่อยอดจากระบบคอมพิว เตอร์ในยุคก่อน ซึ่งจำเป็นต้องทำงาน ตามลำดับคำสั่งที่กำหนดไว้ล่วงหน้า มาเป็นระบบที่สามารถเรียนรู้หรือจดจำได้โดยอัตโนมัติ โดยใน บางกรณี ปั ญ ญาประดิ ษ ฐ์ สามารถเรี ย นรู้จากข้ อ มู ล ที่ ไ ด้ รั บ และตั ด สิ น ใจได้ด้ ว ยตนเองในบาง สถานการณ์ สามารถแบ่งแยกประเภทปัญญาประดิษฐ์ได้ 3 ประเภทดังนี้ 1. Narrow AI (Weak AI) เป็นระบบปัญญาประดิษฐ์ประเภทนี้ถูกออกแบบมาให้มีความสามารถ เฉพาะด้าน หมายความว่า ความสามารถของระบบจะจำกัดอยู่ภายในขอบเขตของงานเพียง ประเภทเดียว และไม่สามารถคิดวิเคราะห์หรือประมวลผลอย่างกว้างขวางเช่นเดียวกับมนุษย์ ได้ ตัวอย่างเช่น ระบบตรวจจับใบหน้า ระบบแปลภาษา หรือระบบคัดกรองอีเมล ซึ่งสามารถ กล่าวได้ว่าเป็นปัญญาประดิษฐ์ที่มีความเชี่ยวชาญในด้านใดด้านหนึ่งเท่านั้น ไม่สามารถ เปลี่ยนหน้าที่หรือตัดสินใจนอกเหนือจากที่ได้รับการออกแบบไว้ได้ โดยระบบลักษณะนี้คือ ปัญญาประดิษฐ์ที่ถูกใช้งานในชีวิตประจำวันเกือบทั้งหมด 2. General AI (Strong AI) เป็นปัญญาประดิษ ฐ์ ที่ มี ความสามารถในการเรีย นรู้ วิเคราะห์ ตัดสินใจ และปรับตัวได้ในลักษณะใกล้เคียงกับการทำงานของสมองมนุษย์ โดยสามารถ รับ มือกับ สถานการณ์ที่หลากหลายได้โดยไม่จำเป็นต้องอาศัยการตั้งโปรแกรมล่วงหน้า อย่างไรก็ตาม ปัญญาประดิษฐ์ประเภทนี้ยังอยู่ในขั้นตอนของการวิจัยและพัฒนา และยังไม่มี การนำมาใช้งานจริงอย่างแพร่หลายในปัจจุบัน 5 3. Superintelligent AI เป็นปัญญาประดิษฐ์ที่มีระดับสติปัญญาและความสามารถในการคิด วิเคราะห์ และเรียนรู้ที่เหนือกว่ามนุษย์ในทุกด้าน ไม่เพียงแต่มีความสามารถสูงกว่าเท่านั้น แต่ยังสามารถเรียนรู้และพัฒนาตนเองได้อย่างรวดเร็ว ปัญญาประดิษฐ์ประเภทนี้ได้รับความ สนใจอย่า งกว้า งขวางในแวดวงวิชาการ โดยมี การคาดการณ์ ว่า อาจมี ศั ก ยภาพในการ สนับสนุนและยกระดับคุณภาพชีวิตของมนุษยชาติ อย่างไรก็ตาม ยังมีข้อกังวลสำคัญใน ประเด็นด้านจริยธรรม ความปลอดภัย และการควบคุม ซึ่งยังคงเป็นความท้าทายที่มนุษย์ อาจไม่สามารถรับมือได้หากเทคโนโลยีนี้เกิดขึ้นจริงในอนาคต 2.1.2 Machine Learning [3] Machine Learning คือสาขาหนึ่งของปัญญาประดิษฐ์ ที่มุ่งเน้นการสอนคอมพิวเตอร์ให้เรียนรู้ จากข้อมูลและตัดสินใจโดยไม่ต้องมีการโปรแกรมที่ชัดเจน โดยเกี่ยวข้องกับการใช้อัลกอริทึมเพื่อระบุ รูป แบบในข้อมูล และปรับ ปรุ งประสิ ทธิภาพเมื่ อเวลาผ่านไปโดยใช้ประสบการณ์ ประเภทของ Machine Learning สามารถแบ่งได้ 3 ประเภท ดังนี้ 1. การเรียนรู้แบบมีผู้สอน (Supervised Learning) จะใช้การระบุประเภทของข้อมูลเพื่อกำกับใน การฝึกโมเดล อัลกอริทึมจะเรียนรู้จากข้อมูลนี้เพื่อทำการทำนายหรือจำแนก โดยจะใช้อัลกอริทึม ทั่ ว ไป ได้ แ ก่ การถดถอยเชิ ง เส้ น (Linear Regression), การถดถอยโลจิ ส ติ ก (Logistic Regression), เครื อ ข่า ยประสาทเที ย ม (Neural Networks), และเครื่ อ งเวกเตอร์ ส นั บ สนุ น (Support Vector Machines) 2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) จะไม่ใช้การระบุประเภทของข้อมูลและ การระบุบรูปแปปหรือรูปแบบหรือความสัมพันธ์ที่ซ่อนอยู่ภายในข้อมูลนั้นๆ โดยจะใช้อัลกอริทึม ทั่วไป ได้แก่ อัลกอริทึมการจัดกลุ่ม (Clustering) เช่น k-means และการวิเคราะห์องค์ประกอบ หลัก (PCA) 3. การเรีย นรู้แบบกึ่งมีผู้สอน (Semi-Supervised Learning) จะใช้การระบุประเภทของข้อมูล ปริมาณน้อยกับการไม่ระบุประเภทของข้อมูลปริมาณมาก จะมีประโยชน์เมื่อการระบุประเภท ของข้อมูลมีค่าใช้จ่ายสูงหรือใช้เวลานาน 4. การเรี ย นรู้ แ บบเสริ ม แรง (Reinforcement Learning) ใช้ ระบบรางวั ล (Reward-based system) ในการฝึกโมเดลผ่านการลองผิดลองถูก นิยมใช้ในหุ่นยนต์ การเล่นเกม และการขับขี่ อัตโนมัติ 6 2.1.3 การเรียนรู้เชิงลึก [4] การเรีย นรู้เชิงลึก (Deep Learning) เป็นสาขาย่อยของ Machine Learning ที่เน้นการใช้ โครงข่ายประสาทเทียม (Artificial Neural Networks) ซึ่งมีชั้นหลายชั้นในการประมวลผลข้อมูล โครงข่ายประสาทเทียมเหล่านี้เลียนแบบการทำงานของสมองมนุษย์โดยใช้โหนดประมวลผลหลายพัน หรือแม้กระทั่งหลายล้านโหนด ในการวิเคราะห์และเรียนรู้จากข้อมูล โดยสามารถแบ่งหลักการทำงาน เป็น 3 ประเภทดังนี้ 1. โครงข่ายประสาทเทียม (Neural Networks) จะประกอบด้วยชั้นอินพุต (input layer) ชั้นซ่อน (hidden layers) และชั้นเอาต์พุต (output layer) โดยข้อมูลจะถูกป้อนเข้าในชั้น อินพุต ผ่านการคำนวณและประมวลผลในชั้นซ่อน และส่งผลลัพธ์ออกมาทางชั้นเอาต์พุต 2. การเรี ย นรู้ แ บบไม่มี ผู้ส อน (Unsupervised Learning) และ การเรี ย นรู้แ บบมี ผู้ส อน (Supervised Learning) โดย Deep Learning สามารถใช้ งานทั้ ง ในรู ป แบบของการ เรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน ขึ้นอยู่กับวิธีการประยุกต์ใช้ 3. การปรั บ ปรุ ง น้ำ หนั ก (Weight Adjustment) ในการปรั บ ปรุ ง น้ำ หนั ก ของโหนดใน โครงข่ายประสาทเทียมเพื่อให้โมเดลสามารถทำนายผลลัพธ์ได้อย่างแม่นยำยิ่งขึ้น โดยใช้ กระบวนการที่เรียกว่า การไล่ระดับเชิงชัน (Gradient Descent) และการย้อนกลับเพื่อ ปรับน้ำหนัก (Backpropagation) 2.1.4 เครือข่ายประสาทเทียม (Neural Networks : NN) [5] เครือข่ายประสาทเทีย มมีหลายประเภท เป็นรูปแบบหนึ่งของโมเดลคอมพิวเตอร์ที่ได้แรง บันดาลใจจากการทำงานของสมองมนุษย์ โดยใช้โครงสร้างที่ประกอบด้วยโหนด (nodes) หรือที่ เรียกว่าเซลล์ประสาทเทียม (artificial neurons) ซึ่งเชื่อมต่อกันเป็นชั้น ๆ (layers) เพื่อประมวลผล ข้อมูลและเรียนรู้จากข้อมูลเหล่านั้น 2.1.5 เครือข่ายประสาทคอนโวลูชัน [6] เครือข่ายประสาทคอนโวลูชัน (Convolutional Neural Networks : CNN) เป็นรูปแบบหนึ่ง ของเครือข่ายประสาทเทียมที่มีการใช้งานอย่างกว้างขวางในด้านการประมวลผลภาพและการรู้จำ รูปแบบ (Pattern Recognition) โดย CNN มีการออกแบบเฉพาะเพื่อจัดการกับข้อมูลที่มีลักษณะเชิง พื้นที่ เช่น ภาพและวิดีโอ สามารถแบ่งโครงสร้างของ CNN ได้ 3 ประเภทดังนี้ 1. ชั้นคอนโวลูชัน (Convolutional Layers) เป็นชั้นที่สำคัญที่สุดใน CNN ทำหน้าที่สกัด คุณลักษณะ (Feature Extraction) โดยการประมวลผลภาพอินพุตด้วยฟิลเตอร์ (Filter) 7 หรือเคอร์เนล (Kernel) หลายๆชุดข้อมูล ทำให้ได้ผลลัพธ์ของการประมวลผลนี้จะสร้าง แผนที่คุณลักษณะ (Feature Map) 2. ชั้นลดขนาด (Pooling Layers) ทำหน้าที่ลดขนาดของแผนที่คุณลักษณะเพื่อลดจำนวน พารามิเตอร์และการคำนวณทำให้ง่ายต่อการวิเคราะห์ข้อมูล เทคนิคที่ใช้บ่อยคือ Max Pooling ซึ่งเลือกค่าที่มีค่าสูงสุดในพื้นที่ย่อย 3. ชั้นเชื่อมต่อเต็มที่ (Fully Connected Layers) เป็นชั้นที่เชื่อมต่อทุกโหนดในชั้นปัจจุบัน กับทุกโหนดในชั้นถัดไป จะใช้ในการรวมคุณลักษณะที่สกัดออกมาจากชั้นคอนโวลูชันและ ทำการจำแนกหรือทำนาย 2.1.6 Envelope Analysis Envelope Analysis เป็นเทคนิคที่ใช้ในการสกัดสัญญาณที่เกี่ยวข้องกับแรงกระแทก (Impact) และความผิดปกติที่เกิดขึ้นกับส่วนประกอบของเครื่องจักรจากสัญญาณการสั่นสะเทือนที่วัดได้ ปกติ แล้วเมื่อเกิดความเสียหายในชิ้นส่วนของเครื่องจักร จะเกิดแรงกระแทกที่สร้างคลื่นความถี่สูงที่ซ้อนทับ อยู่ในสัญญาณหลัก ซึ่งยากต่อการตรวจจับด้วยการวิเคราะห์แบบปกติ การใช้ Envelope Analysis จะช่วยขยายสัญญาณเหล่านี้ออกมาเพื่อให้สามารถวิเคราะห์ได้ง่ายขึ้น 2.1.7 FFT (Fast Fourier Transform) [14] FFT (Fast Fourier Transform) คือ อัลกอริทึมที่ใช้ในการคำนวณการแปลงฟูริเยร์แบบ ดิสกรีต (Discrete Fourier Transform หรือ DFT) และเป็นวิธีการที่มีประสิทธิภาพสูงในการเปลี่ยน สัญญาณจากโดเมนเวลาไปยังโดเมนความถี่ โดย FFT จะช่วยให้สามารถวิเคราะห์และประมวลผล สัญญาณได้อย่างรวดเร็ว 2.1.8 Spectrogram [15] Spectrogram คือ กราฟที่แสดงการกระจายของพลังงานความถี่ของสัญญาณในช่วงเวลาต่างๆ โดยจะใช้การแปลงฟูริเยร์ (Fourier Transform) เพื่อวิเคราะห์ความถี่ที่ประกอบอยู่ในสัญญาณนั้นๆ ในช่วงเวลาที่กำหนด ทำให้สามารถเห็นการเปลี่ยนแปลงของความถี่ตามเวลาได้อย่างชัดเจน 8 2.1.9 Stochastic Gradient Descent with Momentum [16] Stochastic Gradient Descent with Momentum (SGDM) เป็นวิธีการฝึกโมเดลที่ช่วย เพิ่มประสิทธิภาพในการปรับค่าพารามิเตอร์ของโมเดลให้สามารถเรียนรู้ได้ดีและรวดเร็วยิ่งขึ้นกว่าการ ใช้วิธี Stochastic Gradient Descent (SGD) แบบปกติ โดย SGDM ได้เพิ่มเทคนิคที่เรียกว่า momentum เข้ามาเพื่อช่วยให้การเปลี่ยนแปลงของค่าพารามิเตอร์มีความเสถียรมากขึ้น ลดการ แกว่งตัวและการปรับเปลี่ยนที่ไม่แน่นอน ซึ่งทำให้โมเดลสามารถค้นหาค่าที่เหมาะสมได้เร็วกว่าเดิม ก. หลักการของ SGDM 1. Stochastic Gradient Descent (SGD) ในการทำงานของ Stochastic Gradient Descent (SGD) การปรับค่าพารามิเตอร์ เช่น น้ำหนักของโมเดล จะอิงตามค่ากราดิเอนต์ของฟังก์ชันการสูญเสีย โดยเลือกใช้ ข้อมูลย่อย (mini-batch) แทนการใช้ข้อมูลทั้งหมด เพื่อเพิ่มความรวดเร็วในการฝึก โมเดล อย่างไรก็ตาม ข้อจำกัดของวิธีนี้คือ การเปลี่ยนแปลงของพารามิเตอร์อาจขาด ความราบรื่น เนื่องจากค่ากราดิเอนต์ที่คำนวณจากข้อมูลที่สุ่มมาในแต่ละรอบอาจทำให้ เกิดการแกว่ง ส่งผลให้กระบวนการฝึกอาจมีความไม่เสถียร 2. Momentum ใน SGDM ได้มีการเพิ่ม แรงเฉื่อย หรือ momentum ในการอัปเดตพารามิเตอร์ ของโมเดล โดยในแต่ละรอบการฝึก โมเดลจะไม่เพียงเปลี่ยนแปลงตามกราดิเอนต์ ปัจจุบันเท่านั้น แต่ยังพิจารณาข้อมูลการเปลี่ยนแปลงจากรอบก่อนหน้าด้วย การเพิ่ม momentum นี้ช่วยให้การอัปเดตพารามิเตอร์มีความราบรื่น ลดการแกว่งตัว ทำให้การ หาค่าที่เหมาะสมเป็นไปได้อย่างรวดเร็วและเสถียรมากขึ้น 3. สูตรการทำงานของ SGDM 1.คำนวณ momentum v ดังนี้: vt+1 = βvt − α∇L(θt ) (2.1) โดยที่: - vt คือ ค่า momentum ในรอบการฝึกก่อนหน้า - β คือ ค่าของ momentum ที่เราตั้งไว้ (เช่น 0.9) เพื่อควบคุมผลกระทบจาก การเปลี่ยนแปลงของรอบก่อน ๆ - α คือ learning rate ซึ่งควบคุมความเร็วของการอัปเดตพารามิเตอร์ 9 2.ใช้ momentum ในการอัปเดตพารามิเตอร์: θt+1 = θt + vt+1 (2.2) โดยที่ θt+1 คือพารามิเตอร์ที่อัปเดตแล้ว การใช้ momentum ช่วยให้การอัป เดตพารามิเตอร์ในแต่ละรอบมีแนวโน้มที่จะ “จดจำทิศทาง” ของการเปลี่ยนแปลงได้ดีขึ้น ทำให้ไม่จำเป็นต้องเริ่มคำนวณใหม่ทุก ครั้ง ลดการแกว่งตัวที่มักเกิดจากข้อมูลสุ่มใน mini-batch ได้อย่างมีประสิทธิภาพ 2.1.10 Adaptive Moment Estimation [16] Adaptive Moment Estimation (Adam) เป็นอัลกอริธึมที่ได้รับความนิยมสูงในการฝึกโมเดล Machine Learning และ Deep Learning โดยเฉพาะอย่างยิ่งกับโมเดลที่มีพารามิเตอร์จำนวนมาก เนื่องจากอัลกอริธึมนี้ผสานข้อดีของการใช้ Momentum และการปรับค่าอัตราการเรียนรู้ (Learning Rate) ให้เหมาะสมกับข้อมูลที่เปลี่ยนแปลงในแต่ละรอบการฝึกฝน ส่งผลให้อัลกอริธึมมีประสิทธิภาพ สูงขึ้นและเสถียรยิ่งขึ้นในการค้นหาค่าพารามิเตอร์ที่เหมาะสม อย่างไรก็ตาม ใน MATLAB ยังมีอัลกอริธึมอื่นที่สามารถเลือกใช้ได้ในฟังก์ชัน trainNetwork ได้แก่ SGD (Stochastic Gradient Descent), SGDM (Stochastic Gradient Descent with Momentum) และ RMSProp (Root Mean Square Propagation) ซึ่งมีลักษณะการทำงานและ ความเหมาะสมที่แตกต่างกัน โดย SGDM เหมาะกับการฝึกโมเดลที่ต้องการการควบคุมพารามิเตอร์ ละเอียดและสามารถปรับ Momentum ได้ ส่วน RMSProp มักใช้ในโครงข่ายที่เกี่ยวข้องกับข้อมูล ลำดับเวลาเช่นกัน โดยช่วยลดการเปลี่ยนแปลงที่รุนแรงของค่า Gradient ให้มีความต่อเนื่องมากขึ้น ก. หลักการทำงานของ Adam 1. การเก็บค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ (Moving Average of Gradients) Adam ใช้ วิธีการเก็บค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ในแต่ละพารามิเตอร์ ซึ่งช่วยให้การเปลี่ยนแปลง ของพารามิเตอร์มีทิศทางที่ราบรื่นและมั่นคงยิ่งขึ้น เนื่องจากการสะสมค่ากราดิเอนต์นี้จะ ช่วยลดผลกระทบจากความแปรปรวนในข้อมูล ทำให้การปรับค่าพารามิเตอร์ไม่เบี่ยงเบน ไปจากทิศทางที่ต้องการ 10 2. เก็บ ค่าเฉลี่ย เคลื่อนที่ของกราดิเ อนต์ย กกำลังสอง (Moving Average of Squared Gradients) Adam ใช้การคำนวณค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ ยกกำลังสองเพื่อปรับ อัตราการเรียนรู้ของพารามิเตอร์แต่ละตัวโดยอัตโนมัติ หากกราดิเอนต์ของพารามิเตอร์ใดมี ขนาดใหญ่ อัตราการเรียนรู้สำหรับพารามิเตอร์นั้นจะลดลง แต่หากกราดิเอนต์มีขนาดเล็ก อัตราการเรียนรู้จะถูกเพิ่มขึ้น การปรับเปลี่ยนนี้ช่วยให้การฝึกโมเดลมีความเสถี ยรมาก ยิ่งขึ้น ข. ขั้นตอนการทำงานของ Adam 1. คำนวณค่า ค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ mt = β1 ∙ mt−1 + (1 − β1 ) ∙ g t (2.3) โดยที่ g t หคือกราดิเอนต์ปัจจุบัน mt คือค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ 2. คำนวณค่า ค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ยกกำลังสอง vt = β2 ∙ vt−1 + (1 − β2 ) ∙ g 2t (2.4) โดยที่ 1. vt คือค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ยกกำลังสอง 2.1.11 Root Mean Square Propagation [16] Root Mean Square Propagation (RMSProp) เป็นอัลกอริธึมสำหรับการปรับพารามิเตอร์ ในเครือข่ายประสาทเทียม โดยใช้ค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ยกกำลังสอง ช่วยให้พารามิเตอร์แต่ ละตัวสามารถอัปเดตด้วยอัตราการเรียนรู้ที่แตกต่างกันตามความผันผวนของกราดิเอนต์จากรอบการ ฝึกก่อนหน้า หากกราดิเอนต์ของพารามิเตอร์ใดมีค่าสูง RMSProp จะลดอัตราการเรียนรู้ของ พารามิเตอร์นั้นลงเพื่อเพิ่มความเสถียร และจะเพิ่มอัตราการเรียนรู้เมื่อกราดิเอนต์มีค่าน้อยลง ทำให้ การฝึกโมเดลมีประสิทธิภาพและเสถียรยิ่งขึ้น ก. หลักการทำงานของ RMSProp RMSProp ทำงานโดยเก็บค่าเฉลี่ยเคลื่อนที่ของกราดิเอนต์ยกกำลังสอง ซึ่งถูก ควบคุมโดยค่าที่เรียกว่า Squared Gradient Decay Factor เพื่อปรับความเร็วในการฝึก ตามค่ากราดิเอนต์ในแต่ละรอบ โดยค่าที่นิยมใช้สำหรับ Squared Gradient Decay Factor 11 ได้แก่ 0.9 หรือ 0.99 ซึ่งช่วยให้การเรียนรู้ในจุดที่กราดิเอนต์มีค่าสูงมีความเสถียร และในจุด ที่กราดิเอนต์มีค่าต่ำ ระบบสามารถเพิ่มการเรียนรู้ได้เพื่อป้องกันการสะสมของค่า error ที่ อาจเกิดขึ้นในแต่ละรอบการอัปเดต ตัวอย่างเช่น หากพารามิเตอร์หนึ่งมีการเปลี่ยนแปลงกราดิเอนต์สูง ค่าเฉลี่ยของก ราดิเอนต์ยกกำลังสองจะลดอัตราการเปลี่ยนแปลงของพารามิเตอร์นั้น ทำให้การอัปเดต พารามิเตอร์ในทิศทางนี้มีความเสถียรมากยิ่งขึ้น นอกจากนี้ RMSProp ยังใช้ค่า Epsilon (เช่น ค่าเริ่มต้น 1e-8) เพื่อป้องกันปัญหาการหารด้วยศูนย์ 2.1.12 Young's Modulus (E) Young's Modulus (E) คือการวัดความต้านทานของวัสดุต่อการยืดหรือการบีบตัวเมื่อถูกแรง กระทำตามแนวแกน เป็นการวัดความแข็งแรงของวัสดุภายใต้แรงดึงหรือแรงอัด สูตร : E = σ (2.5) ε โดยที่ : - E คือ Young's Modulus - σ คือ ความเค้น (แรงต่อหน่วยพื้นที่) - ε คือ ความเครียด (การเปลี่ยนรูปเชิงสัดส่วน) การใช้งาน : Young's Modulus ใช้ในการออกแบบโครงสร้าง เช่น อาคาร สะพาน และ ชิ้นส่วนเครื่องจักร เพื่อประเมินความยืดหยุ่นของวัสดุภายใต้แรงดึงหรือแรงอัด 2.1.13 Safety Factor (SF) Safety Factor (SF) หรือ “ปัจจัยความปลอดภัย” คือค่าที่ใช้ในการออกแบบทางวิศวกรรม เพื่อให้โครงสร้างหรือชิ้นส่วนของวัสดุมีความแข็งแรงเพียงพอต่อการใช้งาน โดยไม่เกิดการเสียหาย แม้ ในกรณีที่มีแรงกระทำสูงกว่าค่าที่คำนวณไว้ สูตรการคำนวณ Safety Factor : 𝑆𝐹 = โดยที่: - 𝜎𝑦𝑖𝑒𝑙𝑑 𝜎𝑤𝑜𝑟𝑘𝑖𝑛𝑔 𝑆𝐹 คือ Safety Factor (ปัจจัยความปลอดภัย) 12 (2.6) - 𝜎𝑦𝑖𝑒𝑙𝑑 คือ ค่า Yield Strength หรือความเค้นครากของวัสดุ - 𝜎𝑤𝑜𝑟𝑘𝑖𝑛𝑔 คือ ความเค้นที่เกิดขึ้นจริงขณะใช้งาน ทฤษฎี: ค่า Yield Strength เป็นค่าความเค้นสูงสุดที่วัสดุสามารถรับได้ก่อนที่มันจะเกิดการ เปลี่ยนรูปร่างแบบถาวร (Plastic Deformation) ในการออกแบบวิศวกรรมจะต้องเลือกค่า Safety Factor ให้เหมาะสม เพื่อเผื่อความไม่แน่นอน เช่น ความคลาดเคลื่อนในการผลิต , การเสื่อมสภาพของวัสดุ, หรือแรงกระทำที่เกินคาด การใช้งาน: Safety Factor ช่วยให้นักออกแบบสามารถกำหนดความแข็งแรงของโครงสร้างหรือ ชิ้นส่วนได้อย่างมั่นใจว่าการใช้งานจริงจะไม่ทำให้วัสดุเสียหาย โดยแม้แรงที่กระทำจะสูงกว่า ค่าที่คาดการณ์ วัสดุก็ยังคงมีความปลอดภัยต่อการใช้งาน 2.1.14 โครงถัก [8] โครงถัก (Truss) หมายถึง โครงสร้างที่ประกอบด้วยสมาชิกหลายส่วนที่ถูกเชื่อมต่อกันใน รูปแบบสามเหลี่ยมซ้ำๆ สมาชิกเหล่านี้จะทำหน้าที่รับแรงดึงหรือแรงกด โดยที่โครงสร้างทั้งหมดจะ ทำงานร่วมกันเพื่อรองรับน้ำหนักและรักษาความมั่นคงของโครงสร้าง โดยเฉพาะอย่างยิ่งในงาน วิศวกรรมเช่นสะพาน หลังคา และเสาสัญญาณ 2.1.15 แรงกระทำจากลม [9] แรงกระทำจากลม (Wind Load) มีความสำคัญอย่างยิ่งในการออกแบบโครงสร้าง เนื่องจาก เป็นปัจจัยหลักที่ส่งผลต่อความมั่นคงและความปลอดภัยของอาคาร การออกแบบที่ไม่เหมาะสมต่อ การรับแรงลมอาจทำให้เกิดความเสียหายต่อโครงสร้างอย่างรุนแรง โดยเฉพาะในกรณีที่มีลมพายุหรือ ความเร็วลมสูง ในการออกแบบต้องพิจารณาถึงลักษณะภูมิอากาศ รูปทรงอาคาร และตำแหน่งที่ตั้ง เพื่อให้โครงสร้างสามารถรับแรงลมได้อย่างเหมาะสม ก. แรงลมออกแบบ (Design Wind Load) เป็นค่าที่ใช้ในการออกแบบโครงสร้างอาคารหรือโครงสร้างอื่นๆ โดยพิจารณาจาก ความเร็วลมที่สามารถเกิดขึ้นในพื้นที่นั้นๆ ซึ่งอาจคำนวณจากความเร็วลมสูงสุดที่คาดว่าจะ 13 เกิดขึ้นในระยะเวลาหนึ่ง เช่น 50 ปี ค่าที่ได้จากการคำนวณนี้จะถูกนำมาใช้เพื่อให้แน่ใจว่า โครงสร้างสามารถทนทานต่อแรงลมที่อาจเกิดขึ้นโดยไม่เกิดความเสียหายทางโครงสร้าง หน่วย แรงลมที่กระทําบนพื้นผิวภายนอกของอาคารในทิศทางลม สามารถคํานวณได้ดังนี้ p = Iw qCe Cg Cp (2.7) โดยที่ p = หน่วยแรงลมสถิตเทียบเท่า (equivalent static wind pressure) กระทํา ตั้ง ฉากกับพื้นผิวภายนอกอาคาร โดยเรียกว่า “หน่วยแรงดัน” ถ้ามีทิศเข้า หาพื้นผิว หรือ “หน่วยแรงดูด” ถ้ามีทิศพุ่งออกจากพื้นผิว Iw = ค่าประกอบความสําคัญของแรงลม q = หน่ ว ยแรงลมอ้า งอิ ง เนื่ อ งจากความเร็ ว ลม (reference velocity pressure) Ce = ค่าประกอบเนื่องจากสภาพภูมิประเทศ (exposure factor) Cg = ค่าประกอบเนื่องจากผลการกระโชกของลม (gust effect factor) Cp = ค่าสัมประสิทธิ์ของหน่ว ยแรงลมที่กระทําภายนอกอาคาร (external pressure coefficient) 1. หน่ว ยแรงลมอ้างอิ งเนื่ องจากความเร็ว ลม (reference velocity pressure) หมายถึงแรงดันที่เกิดจากความเร็วลมที่นำมาใช้เป็นค่าพื้นฐานในการออกแบบ โครงสร้างอาคารและโครงสร้างอื่นๆ เพื่อให้แน่ใจว่าโครงสร้างสามารถทนทานต่อ แรงลมที่อาจเกิดขึ้นได้อย่างปลอดภัย โดยปกติแล้วหน่วยแรงลมอ้างอิงนี้จะถูก คำนวณจากความเร็วลมสูงสุดที่คาดว่าจะเกิดขึ้นในช่วงเวลาที่กำหนด ซึ่งอาจจะเป็น 50 ปี หรือมากกว่านั้น ขึ้นอยู่กับมาตรฐานที่ใช้ในการออกแบบ แรงดันนี้สามารถ คำนวณจากสูตร ดังนี้ q= 1 2 ̅2 ρV (2.8) โดยที่ ρ= ความหนาแน่นของมวลอากาศ (ซึ่งมีค่าโดยประมาณเท่ากับ 1.25 กิโลกรัม ต่อลูกบาศก์เมตร) สําหรับความดันบรรยากาศปกติและอุณหภูมิของอากาศ ประมาณ 15 องศาเซลเซียส ถึง 45 องศาเซลเซียส 14 ̅= V ความเร็วลมอ้างอิง มีหน่วยเป็นเมตรต่อวินาที 2. ค่าประกอบเนื่องจากสภาพภูมิประเทศ (Ce ) เป็นค่าปัจจัยที่ใช้ในการปรับค่าหน่วย แรงลมให้เปลี่ยนแปลงตามความสูงจากพื้นดินและลักษณะภูมิประเทศ โดยสามารถ แบ่งลักษณะภูมิประเทศได้เป็น 3 ประเภทดังนี้ 2.1 ภูมิประเทศแบบ A คือภูมิประเทศที่เปิดโล่ง ซึ่งมีอาคาร ต้นไม้ หรือสิ่งปลูก สร้างที่ตั้งอยู่กระจัดกระจายและห่างกัน หรือเป็นบริเวณชายฝั่งทะเล 2.2 ภูมิประเทศแบบ B คือภูมิประเทศที่เป็นชานเมือง หรือพื้นที่ที่มีต้นไม้ใหญ่ หนาแน่น หรือบริเวณศูนย์กลางของเมืองขนาดเล็ก 2.3 ภูมิประเทศแบบ C คือภูมิประเทศของบริเวณศูนย์กลางเมืองใหญ่ มีอาคาร สูงอยู่หนาแน่น โดยที่อาคารไม่น้อยกว่าร้อยละ 50 ต้องมีความสูงเกิน 4 ชั้น ตารางที่ 2-1ค่าประกอบเนื่องจากสภาพภูมิประเทศ (Ce ) สําหรับวิธีการอย่างง่าย ความสูงจากพื้นดิน สูงไม่เกิน 6 เมตร สูงเกิน 6 เมตร แต่ไม่เกิน 10 เมตร สูงเกิน 10 เมตร แต่ไม่เกิน 20 เมตร สูงเกิน 20 เมตร แต่ไม่เกิน 30 เมตร สูงเกิน 30 เมตร แต่ไม่เกิน 40 เมตร สูงเกิน 40 เมตร แต่ไม่เกิน 60 เมตร สูงเกิน 60 เมตร แต่ไม่เกิน 80 เมตร สภาพภูมิประเทศแบบ A สภาพภูมิประเทศแบบ B 0.90 0.70 1.00 0.70 1.15 0.82 1.25 0.92 1.32 1.00 1.43 1.13 1.52 1.24 15 ตารางที่ 2-2 ค่าประกอบเนื่องจากสภาพภูมิประเทศ (Ce ) สําหรับวิธีการอย่างละเอียด 3. ค่าประกอบเนื่องจากการกระโชกของลม (Cg ) ค่าประกอบเนื่องจากผลการกระโชก ของลม คื อ อั ต ราสวนระหว่า งผลของแรงลมสู ง สุ ด ต่ อ ผล ของแรงลมเฉลี่ ย ค่า ประกอบ Cg 3.1 ค่าประกอบเนื่องจากการกระโชกของลม (Cg ) อย่างง่าย - สําหรับหน่วยแรงลมสถิตเทียบเท่าที่กระทํากับพื้นผิวภายนอกอาคาร ให้ใช้ ค่า Cg เท่ากับ 2.0 ในการออกแบบโครงสร้างหลักต้านทานแรงลม ยกเว้น ป้าย และกําแพงให้ใช้ค่า Cg เท่ากับ 2.35 - สําหรับหน่วยแรงลมสถิตเทียบเท่าที่กระทํากับพื้นผิวภายนอกอาคาร ให้ใช้ ค่า Cg เท่ากับ 2.5 ในการออกแบบโครงสร้างรองและผนังภายนอกอาคาร (cladding) ที่มีขนาดเล็ก (ประมาณขนาดของหน้าต่าง) 3.2 ค่าประกอบเนื่องจากการกระโชกของลม (Cg ) อย่างละเอียด σ Cg = 1 + g p ( ) μ (2.9) โดยที่ gp = ค่าประกอบเชิงสถิติเพื่อปรับค่ารากกำลังสองเฉลี่ยให้เป็นค่าสูงสุด (statistical peak factor) สำหรับการสั่นไหวของอาคาร σ= คารากกําลังสองเฉลี่ยของผลตอบสนองดานพลศาสตรของอาคาร 16 เนื่องจากความผันผวนของแรงลม (root-mean-square loading -effect) μ= คาเฉลี่ยของผลตอบสนองของอาคารเนื่องจากแรงลม (mean loading-effect) σ อัตราส่วน สามารถคำนวณได้จากสมการ (2.9) ดังนี้ μ σ μ = √ K sF CeH (B + β ) D (2.10) โดยที่ K = ค่าสัมประสิทธิ์ที่มีค่าแปรเปลี่ยนไปตามความขรุขระของสภาพภูมิ ประเทศโดยกำหนดให้มีค่าเท่ากับ 0.08 สำหรับภูมิประเทศแบบ A 0.10 สำหรับภูมิประเทศแบบ B 0.14 สำหรับภูมิประเทศแบบ C CeH = ค่าประกอบเนื่องจากสภาพภูมิประเทศที่ระดับความสูงของยอด อาคาร โดยให้ใช้ค่าจากตารางที่ 2-1 หรือ ตารางที่ 2-2 B = ค่าประกอบการตอบสนองแบบกึ่งสถิติต่อการแปรปรวนของลม (background turbulence factor) ซึ่งเป็น ฟังก์ชันของอัตราส่วน ของความกว้างต่อความสูงของอาคาร (W⁄H) และหาได้จาก สมการ (2.11) W = ความกว้างประสิทธิผลของอาคารในทิศทางตั้งฉากกับทิศทางลม โดยสามารภคำนวณได้จาก W= โดยที่ Σ ∑ hi Wi ∑ hi มีหน่วยเป็นเมตร = ผลรวมของทุกชั้นของอาคาร 17 hi = ความสูงจากพื้นดิน ถึงพื้นชั้นที่ i Wi = ความกว้างของอาคารในทิศทางตั้งฉากกับทิศทาง ลม ที่ความสูง hi ความกว้างประสิทธิผลที่น้อย ที่สุดของอาคาร ให้พิจารณาจากทิศทางลมในทุก ทิศทาง H = ความสูงของอาคาร มีหน่วยเป็นเมตร sF = ค่าประกอบการตอบสนองแบบกำทอนต่อการแปรปรวนของลม βD (resonance factor) ในทิศทางลม s = ตัวคูณลดเนื่องจากขนาดของอาคาร (size reduction factor) ซึ่ง เป็นฟังก์ชันของ W / H และความถี่ธรรมชาติลดรูป (reduction n H frequency of structure, D ) VH nD = ค่าความถี่ธรรมชาติของอาคาร สำหรับรูปแบบการสั่นไหวพื้นฐาน ในทิศทางลม (fundamental natural frequency in alongwind direction) มีหน่วยเป็นรอบต่อวินาที (Hz) ซึ่งค่านี้อาจหาได้ จากการวิเคราะห์โดยตรงจากแบบจำลองงทางพลศาสตร์ของ อาคารใน กรณีที่เป็นอาคารสูงสร้างด้วยคอนกรีตเสริมเหล็กอาจ ประมาณค่าความถี่ธรรมชาติจากสูตร nD = VH = = H ค่าความเร็วลมเฉลี่ยในช่วงเวลา 1 ชั่วโมง ที่ระดับความสูงของยอด อาคาร มีหน่วยเป็นเมตรต่อวินาที คำนวณได้จากสมการ ̅√CeH VH = V F 44 (2.11) อัตราส่วนพลังงานของการแปรปรวนของลม ณ ความถี่ธรรมชาติ ของอาคาร (gust energy ratio at the natural frequency of the structure) ซึ่งเป็นฟังก์ชันของจำนวนคลื่นต่อเมตร (wave n number, D ) VH 18 βD = อัตราส่วนความหน่วง (damping ratio) ของการสั่นไหวในทิศทาง ลมซึ่งค่านี้ควรกำหนดให้ใกล้เคียงกับค่าที่ได้จากการตรวจวัดอาคาร จริงที่มีลักษณะใกล้เคียงกับ อาคารที่ อ อกแบบ โดยทั่ว ไปสำหรั บ อาคารโครงสร้างเหล็กและโครงสร้างคอนกรีตเสริมเหล็กอาจใช้ค่า β อยู่ระหว่าง 0.005 ถึง 0.015 ขึ้นกับระดับของการสั่นไหว V = ค่าความถี่เฉลี่ยของการตอบสนองของโครงสร้าง (average fluctuation rate) มีหน่วยเป็นรอบต่อวินาที (Hz) สมการที่ใช้คำนวณค่า B, S, F และ g p ตามลำดับเป็นดังต่อไปนี้ B= 914⁄ H[ 4 ∫ 3 0 π zH 1+457 1 s= [ 3 1+ F= 1 8nD H] [ 3VH ][ 1 1 1+ ][ zW 1+122 10nD W VH z ] dz (2.12) (2.13) ] x20 (2.14) 4⁄ (1+x20 ) 3 g p = √2 log e vT + โดยที่ 4 (1+z2 ) ⁄3 0.577 (2.15) √2 loge vT x0 = 1220nD VH v = nD √ sF sF+βD B T = 3600 วินาที 19 (2.16) (2.17) 4. ค่าสัมประสิทธิ์ของหน่วยแรงลม (Cp ) ขึ้นอยู่กับรูปทรงของอาคาร ทิศทางลม และ การเปลี่ยนแปลงของความเร็วลมตามความสูงของอาคาร ค่าสัมประสิทธิ์นี้ถูกใช้ใน การออกแบบผนังภายนอกและระบบโครงสร้างหลักของอาคาร สรุป ภาพกราฟใน ภาคผนวก ค.26 แสดงโปรไฟล์แรงลมที่ได้จากการคำนวณตามมาตรฐานการ ออกแบบอาคารด้วยแรงลม (มยผ. 1166-52) โดยคำนวณค่าแรงลมในช่วงระดับความสูงตั้งแต่ 0 เมตร ถึง 64 เมตร ที่มีระยะห่างระหว่างจุดคำนวณเท่ากับ 1 เมตรอย่างต่อเนื่อง โดยใช้สมการคำนวณ แรงลม (2.7) ดังนี้ p = Iw qCe Cg Cp โดยที่ p = แรงลมที่ระดับความสูง z (หน่วย: 𝑁⁄ 2 ) 𝑚 Iw = ค่าประกอบความสําคัญของแรงลม q = หน่ ว ยแรงลมอ้า งอิ ง เนื่ อ งจากความเร็ ว ลม (reference velocity pressure) Ce = ค่าประกอบเนื่องจากสภาพภูมิประเทศ (exposure factor) Cg = ค่าประกอบเนื่องจากผลการกระโชกของลม (gust effect factor) Cp = ค่าสัมประสิทธิ์ของหน่ว ยแรงลมที่กระทําภายนอกอาคาร (external pressure coefficient) สมมติฐานที่ใช้: - ความเร็วลมอ้างอิง V = 130 km/hr ที่ระดับ 10 เมตร (อ้างอิงจาก Drawing) - ใช้ α = 0.14 แสดงว่าโครงสร้างอยู่ในพื้นที่กึ่งเปิดโล่ง (Terrain Category 2) - ค่าของ 𝐼𝑤 , 𝐶𝑒 , 𝐶𝑔 , 𝐶𝑝 เลือกตามประเภทโครงสร้างและการใช้งาน ตามตาราง ที่กำหนดใน มยผ. 1166-52 (ภาพกราฟใน ภาคผนวก ค.26 ใช้ลักษณะภูมิ ประเทศแบบ A) - คำนวณค่าทุก 1 เมตร ตั้งแต่ระดับพื้นดินถึง 64 เมตร เพื่อสร้างกราฟโปรไฟล์ แรงลม 20 2.1.16 เสาเคเบิล [10] [11] เสาเคเบิล (Guyed Towers) เป็นโครงสร้างเสาสัญญาณที่มีการใช้สายเคเบิลเพื่อเพิ่มความ มั่นคงและความแข็งแรงให้กับเสาหลัก โดยเสาเคเบิลจะมีความสูงตั้งแต่ 60 เมตรถึงหลายร้อยเมตร ขึ้นอยู่กับการใช้งานและตำแหน่งที่ติดตั้ง โครงสร้างนี้เป็นที่นิยมโดยเฉพาะในพื้นที่ที่ต้องการการ กระจายสัญญาณในระยะทางไกล อีกทั้งเสาเคเบิลนี้มีความสามารถในการรองรับความสูงได้มากโดย ใช้วัสดุน้อยกว่าเมื่อเทียบกับเสาประเภทอื่น ทำให้มีต้นทุนการก่อสร้างที่ต่ำกว่า และมีความมั่นคงสูง เนื่องจากมีการใช้สายเคเบิลดึงยึดจากเสาหลักไปยังจุดยึดที่พื้นในหลายทิศทาง โดยทั่วไปมักอยู่ใน พื้นที่ที่มีความกว้างขวาง เช่น พื้นที่ชนบท โดยส่วนประกอบของเสาเคเบิล (Guyed Towers) มีดังนี้ 1. เสาหลัก (Main Tower Sections) เสาหลักทำจากเหล็กหรือวัสดุที่มีความแข็งแรงสูง ประกอบขึ้นจากหลายส่วนที่ เชื่อมต่อกันเพื่อให้มีความแข็งแรงพอในการรองรับอุปกรณ์ต่าง ๆ ที่จะติดตั้งบนเสา 2. สายเคเบิลดึง (Guy Wires) สายเคเบิลทำจากเหล็กที่มีความแข็งแรงสูง ใช้ในการพยุงเสาหลักให้มั่นคง โดย การยึดสายเคเบิลในระดับต่าง ๆ และยึดลงสู่พื้นดินหรือฐานที่แข็งแรง 21 3. ฐานราก (Foundation) ฐานรากทำจากคอนกรีตเสริมเหล็ก เพื่อรองรับน้ำหนักและแรงจากเสาหลักและ สายเคเบิล ฐานรากนี้ออกแบบให้สามารถทนต่อแรงลมและแรงดึงจากสายเคเบิลได้ 4. จุดยึดสายเคเบิล (Anchors) จุดยึดสายเคเบิลเป็นตำแหน่งที่สายเคเบิลถูกยึดลงสู่พื้นดิน โดยจุดยึดนี้มักทำจาก คอนกรีตหรือเหล็กกล้า ฝังลงในดินอย่างมั่นคงเพื่อรองรับแรงดึงจากสายเคเบิล รูปที่ 2.1 องค์ประกอบของเสาเคเบิล 22 บทที่ 3 การออกแบบงานวิจัยและวิธดีำเนินงาน 3. 3.1 ความต้องการของโครงงาน (Requirement) 3.1.1 ฟังก์ชันการทำงาน 1. การจำลอง (Simulation): เสาโทรคมนาคมจะต้องสามารถทำการจำลองสถานการณ์ ได้ ใกล้เคียงกับความเป็นจริง โดยการจำลองนี้ต้องการนำข้อมูลจากการจำลองสัญญาณวัดการ สั่นตามตำแหน่งต่าง ๆ ของเสาโทรคมนาคม 2. การทดสอบกั บ แบบจำลองปั ญ ญาประดิ ษ ฐ์ : ต้ อ งการศึ ก ษาความเป็ น ไปได้ ในการนำ ปัญญาประดิษฐ์ มาระบุความผิดปกติของโครงสร้าง จากข้อมูลการจำลองสัญญาณวัดการสั่น ตามตำแหน่งต่างๆ และสามารถเรียนรู้จากข้อมูลใหม่ได้ 3.1.2 ประสิทธิภาพ 1. เสาโทรคมนาคมจะต้องมีประสิทธิภาพตามที่กำหนด เช่น ความสูงของเสาต้องมีระยะตามที่ กำหนด 2. ปัญญาประดิษฐ์ สามารถวิเคราะห์ข้อมูลเพื่อตรวจจับความผิดปกติได้อย่างเหมาะสม โดย เปรียบเทียบกับค่าปกติหรือข้อมูลอ้างอิงที่กำหนดไว้ล่วงหน้า เพื่อประเมินแนวโน้มที่อาจ สะท้อนถึงพฤติกรรมที่แตกต่างจากภาวะปกติ 3.1.3 มาตรฐานและข้อบังคับ ต้องปฏิบัติตามข้อกำหนดทางกฎหมายและมาตรฐานวิศวกรรมที่เกี่ยวข้อง ได้แก่ มาตรฐานการออกแบบอาคารด้วยแรงลม (มยผ. 1166-52) 3.2 ข้อจำกัด (Constraint) 3.2.1 ข้อจำกัดด้านเวลา กำหนดเวลาสำหรับการจำลองและฝึกปัญญาประดิษฐ์ ซึ่งอาจมีผลต่อการตัดสินใจใน ด้านต่างๆ เช่น การเลือกเทคโนโลยีหรือการทดสอบ 23 3.2.2 ข้อจำกัดด้านวัสดุ การเลือกวัส ดุอาจถูกจำกัดโดยความพร้อมใช้งานหรือคุณสมบัติทางกลหรือเคมีที่ ต้องการ 3.2.3 ข้อจำกัดด้านเทคนิค เทคโนโลยีและเครื่องมือที่มีอยู่ในปัจจุบัน รวมถึงขีดจำกัดของความสามารถทางเทคนิค ของทีมงาน อาจเป็นข้อจำกัดสำคัญที่ส่งผลต่อกระบวนการจำลองและฝึกฝนโมเดล AI ใน โครงงานนี้ โดยเฉพาะอย่างยิ่งในด้านการประมวลผลข้อมูลปริมาณมาก การเลือกใช้โครงข่าย ประสาทเที ย มที่ ซั บ ซ้ อ น หรื อ การปรั บ แต่ ง พารามิ เ ตอร์ ใ นเชิ ง ลึ ก ซึ่ ง อาจต้ อ งใช้ ทรัพยากรคอมพิวเตอร์ขั้นสูงหรือประสบการณ์เชิงเทคนิคเพิ่มเติม 3.3 ข้อกำหนด (Standard) 3.3.1 มาตรฐานการออกแบบอาคารด้วยแรงลม (มยผ 1166-52) มาตรฐานนี้มีความสำคัญในการออกแบบและก่อสร้างอาคารให้มีความปลอดภัยต่อสภาพ อากาศที่มีลมแรง และการทำงานตามมาตรฐานนี้ช่วยให้มั่นใจได้ว่าอาคารสามารถทนทานต่อแรงลมที่ มีการเปลี่ยนแปลงและป้องกันอันตรายจากสภาพอากาศที่ไม่คาดคิด โดยในการคำนวณโหลดแรงลม สำหรับออกแบบโครงสร้างเสาสัญญาณ จะนำมาตรฐานดังกล่าวมาใช้เป็นแนวทางหลักในการกำหนด ค่าพารามิเตอร์ต่าง ๆ ที่เกี่ยวข้องกับแรงลม เช่น ความเร็วลมออกแบบ, ค่าสัมประสิทธิ์แรงลม (Wind Pressure Coefficient) และพื้นที่รับแรงลมของโครงสร้าง เพื่อให้ได้ค่าผลกระทบจากแรงลมที่ เหมาะสมและสอดคล้องกับสภาพแวดล้อมการติดตั้งจริง ค่าผลลัพธ์จากการคำนวณตามมาตรฐานนี้ จะถูกนำมาใช้เป็นข้อมูลโหลดแรงลมในการจำลองสถานการณ์ (Simulation) การตอบสนองของ โครงสร้างเสาสัญญาณภายใต้สภาวะลมปกติ ด้วยโปรแกรม Abaqus โดยมุ่งเน้นศึกษาพฤติกรรมการ แปรรูป, ความเครียด และแรงภายในที่เกิดขึ้น เพื่อประเมินความแข็งแรงและความปลอดภัยของ โครงสร้างให้เป็นไปตามข้อกำหนดทางวิศวกรรม 24 3.4 ขั้นตอนการดำเนินการ รูปที่ 3.1 ขั้นตอนการจำลองข้อมูล รูปที่ 3.2 ขั้นตอนการสร้างแบบจำลองปัญญาประดิษฐ์ 3.4.1 ศึกษาข้อมูลและทฤษฎีที่เกี่ยวข้อง ในหัวข้อนี้ได้ทำการศึกษาแบบจำลองปัญญาประดิษฐ์ และสภาวะที่กระทำต่อเสาเพื่อใช้ใน การศึกษา ดังได้แสดงไว้แล้วในบทที่ 2 25 3.4.2 กำหนดเป้าหมายและข้อกำหนดของแบบจำลองปัญญาประดิษฐ์ เพื่อให้การศึกษาเป็นไปอย่างมีแบบแผน โดยได้ทำการแบ่งได้ดังนี้ 1. ระบุ ค วามผิ ด ปกติ ข องโครงสร้า ง เพื่ อ ให้ สามารถนำแบบจำลองปั ญ ญาประดิ ษ ฐ์ ที่ ทำการศึกษาไปพัฒนาต่อในขั้นต่อไป 2. ระบุจุดที่เกิดความผิดปกติของโครงสร้าง เพื่อศึกษาความเป็นไปได้ในการนำปัญญาประดิษฐ์ มาใช้ในการทำ Structural Health Monitoring หรือ SHM 3.4.3 สร้างชุดข้อมูลเบื้องต้น ในการดำเนินการ ผู้จัดทำได้เลือกใช้โปรแกรม SolidWorks ในการสร้างชุดข้อมูลเบื้องต้น เพื่อ ใช้ทดสอบกับแบบจำลองปัญญาประดิษฐ์ เนื่องจากกระบวนการสร้างเสาโทรคมนาคมในโปรแกรม Abaqus ควบคู่กับการพัฒนาแบบจำลองปัญญาประดิษฐ์ นั้นใช้ระยะเวลายาวนาน ดังนั้นจึงมีการ เลือกใช้ โปรแกรม SolidWorks เพื่อสร้างข้อมูล เบื้องต้นที่สามารถใช้ในการทดสอบแบบจำลอง ปัญญาประดิษฐ์ได้ โดยข้อมูลที่ใช้ในการเทรนปัญญาประดิษฐ์ ทั้งหมดมีทั้งข้อมูลปกติและข้อมูล ที่ ผิดปกติแบ่งได้ดังนี้ 1.) Trained AI 70% 2.) Test model 20% 3.) Test efficiency 10% 3.4.4 สร้างชุดข้อมูลจากสถานการณ์ที่ใกล้เคียงความจริง ในการดำเนิน การ ผู้จัดทำได้ เลื อ กใช้โ ปรแกรม Abaqus ในการสร้างชุ ดข้ อมูล ที่ จำลอง สถานการณ์ใกล้เคียงกับธรรมชาติ โดยคำนวณแรงลมที่กระทำกับเสาและอ้างอิงจากมาตรฐาน (มยผ. 1166-52) และแบ่งข้อมูลเพื่อใช้ในการทดสอบโมเดลเหมือนการสร้างชุดข้อมูลเบื้องต้น 3.4.5 การพิจารณาและเลือกใช้แบบจำลองปัญญาประดิษฐ์ (AI Model) ในการเลือกใช้โมเดลปัญญาประดิษฐ์ที่เหมาะสม จำเป็นต้องพิจารณาลักษณะของข้อมูลที่ นำมาใช้ฝึก (training data) เพื่อให้การเรียนรู้ของปัญญาประดิษฐ์เป็นไปอย่างมีประสิทธิภาพและตรง ตามเป้าหมายของโครงการ สำหรับในโครงการนี้ ข้อมูลที่ใช้ในการฝึกปัญญาประดิษฐ์ได้รับการแปลง จากข้อมูลในรูปแบบ Time Domain โดยขั้นแรกถูกแปลงเป็นสัญญาณในรูปแบบ Fast Fourier Transform (FFT) และต่ อ มาถู ก แปลงเป็ น Spectrogram ก่ อ นจะนำเข้า สู่ ก ระบวนการฝึ ก ปัญญาประดิษฐ์ 26 ด้วยการแปลงข้อมูลให้อยู่ในรูปแบบภาพผ่านกระบวนการนี้ จึงทำให้ Convolutional Neural Network (CNN) ซึ่งมีประสิทธิภาพสูงในการจัดการข้อมูลประเภทภาพเพื่อวัตถุประสงค์ในการ ตรวจจับและทำนายความผิดปกติของเสาสัญญาณ ในด้านการตั้งค่าตัวเลือกการฝึกฝน (training option) ได้เลือกใช้อัลกอริทึม Adam (Adaptive Moment Estimation) ด้วยเหตุผลที่ว่าในโครงการนี้มีข้อจำกัดด้านปริมาณของชุดข้อมูล การใช้ อัลกอริทึม Adam ช่วยให้โมเดลสามารถปรับอัตราการเรียนรู้ (learning rate) ของพารามิเตอร์แต่ละ ตัวได้โดยอัตโนมัติ ซึ่งช่วยเพิ่มทั้งความเสถียรและความรวดเร็วในการฝึกโมเดลอย่างมีประสิทธิภาพ โดยเฉพาะในกรณีที่ข้อมูลมีปริมาณจำกัดหรือมีความเปลี่ยนแปลงสูง 3.4.6 สร้างแบบจำลองปัญญาประดิษฐ์ Convolutional Neural Network โมเดล Convolutional Neural Network (CNN) ถูกใช้ในการทำนายสถานะของเสาว่าเป็น "ปกติ" หรือ "ผิดปกติ" โดยเริ่มจากการโหลดข้อมูลการเร่งในแกน X, Y และ Z จากไฟล์ Excel และ แปลงข้อมูลเป็น สเปกโตรแกรม (spectrogram) ด้วยการทำ Fourier Transform (FFT) เพื่อให้ CNN เรียนรู้รูปแบบความถี่ของการสั่นสะเทือน โครงสร้างของโมเดลประกอบด้วย convolutional layers สำหรับดึงคุณลักษณะสำคัญ, max pooling layers เพื่อลดขนาดข้อมูล และ softmax layer สำหรับคำนวณความน่าจะเป็นของแต่ละ คลาส โมเดลฝึกด้วยอัลกอริทึม Adam และใช้ชุดข้อมูลตรวจสอบเพื่อประเมินประสิทธิภาพ หลังการฝึก โมเดลถูกทดสอบด้วยข้อมูลใหม่เพื่อประเมินความแม่นยำในการทำนายสถานะของ เสา ซึ่งสามารถนำไปใช้ในการตรวจจับความผิดปกติในระบบการเคลื่อนไหวได้ 27 รูปที่ 3.3 Flow Chart ของการสร้างโมเดล CNN 3.4.7 การวิเคราะห์บีตในสัญญาณความเร่ง (Beat Frequency Analysis) การวิเคราะห์บีต (Beat Frequency Analysis) เป็นกระบวนการที่ใช้ศึกษารูปแบบของการ แทรกสอดของสัญญาณ ซึ่งอาจเกิดจากความถี่สองค่าที่มีค่าใกล้เคียงกัน ทำให้เกิดการสั่นในลักษณะที่ มีแอมพลิจูดเพิ่มขึ้นและลดลงเป็นจังหวะสม่ำเสมอ การตรวจสอบการเกิดบีตในระบบสามารถช่วย บ่งชี้ถึงความเปลี่ยนแปลงภายในโครงสร้างที่อาจไม่สามารถสังเกตได้จากการวัดด้วยวิธีทั่วไป ในงานวิจัยนี้ ข้อมูลความเร่งได้รับจากการจำลอง (Simulation) ของพฤติกรรมการสั่นของเสา โดยจำลองการเคลื่อนไหวในแนวแกน X, Y และ Z ณ ตำแหน่งต่าง ๆ ของเสา ได้แก่ Top, Middle 28 และ Bottom โดยข้อมูลที่ได้จากการจำลองมีลักษณะของการเกิดบีตปรากฏขึ้นในสัญญาณ ซึ่งบันทึก ไว้ในรูปแบบไฟล์ Excel เพื่อนำเข้าสู่กระบวนการวิเคราะห์ด้วยโปรแกรม MATLAB ขั้นตอนแรกเริ่มจากการพล็อตสัญญาณในโดเมนเวลา (Time Domain) เพื่อสังเกตลักษณะของ คลื่นโดยตรง โดยเฉพาะช่วงเวลาที่มีการเปลี่ยนแปลงของแอมพลิจูดที่แสดงถึงลักษณะของบีต จากนั้น จึงดำเนินการสกัดขอบบนของสัญญาณ (Upper Envelope) ด้วยวิธีการตรวจจับจุดยอดของคลื่น (Peak Envelope Detection) เพื่อเน้นรูปแบบการเปลี่ยนแปลงของแอมพลิจูดให้ชัดเจนมากยิ่งขึ้น เมื่ อ ได้ Envelope แล้ ว จึ ง ทำการแปลงเข้า สู่โ ดเมนความถี่ ด้ว ยเทคนิ ค Fast Fourier Transform (FFT) เพื่อวิเคราะห์องค์ประกอบของความถี่ที่ปรากฏในสัญญาณ โดยในงานนี้มุ่งเน้นช่วง ความถี่ 0–1 Hz ซึ่งมักเป็นช่วงที่สามารถตรวจพบการเกิดบีตจากการแทรกสอดของความถี่ที่ใกล้เคียง กัน ต่อจากนั้น จะใช้กระบวนการตรวจจับจุดยอด (Peak Detection) เพื่อค้นหาค่าความถี่ที่มีแอม พลิจูดเด่นชัดในช่วงที่สนใจ และทำการแสดงผลในรูปแบบกราฟ พร้อมระบุค่าเฉพาะของความถี่บีต และแอมพลิจูดที่สัมพันธ์กัน เพื่อให้สามารถเปรียบเทียบพฤติกรรมของโครงสร้างจำลองในแต่ละ เงื่อนไขที่แตกต่างกันได้อย่างเป็นระบบ ข้อมูลที่ได้จากการวิเคราะห์ความถี่บีตในงานจำลองนี้ สามารถใช้เป็นแนวทางเบื้องต้นในการ ประเมินผลกระทบของการเปลี่ยนแปลงเงื่อนไขของโครงสร้าง และเป็นพื้นฐานในการศึกษาพฤติกรรม โครงสร้างก่อนการทดสอบจริงหรือการประยุกต์ใช้ในระบบตรวจสอบสภาพเชิงโครงสร้าง (Structural Health Monitoring) ต่อไป 29 รูปที่ 3.4 Flow Chart ของการแปลงสัญญาณด้วย Envelope รูปที่ 3.5 Flow Chart ของการแปลงสัญญาณ Envelope ด้วยFFT 30 รูปที่ 3.6 Flow Chart ของการสร้างกราฟความถี่บีตจากข้อมูล FFT 31 4. บทที่ 4 ผลการดำเนินงาน 4. ผลการดำเนินงาน ในบทนี้จะกล่าวถึงผลที่ได้จากการดำเนินงานตามขั้นตอนในบทที่ 3 ซึ่งทางผู้จัดทำได้ทำการ ลำดับผลการดำเนินต่าง ๆ ไว้ดัง รูปที่ 4.1 รูปที่ 4.1 ผลการดำเนินงาน 4.1 การจำลองในโปรแกรม SolidWorks เป็นชุดข้อมูลที่ใช้ในการทดสอบโมเดลเบื้องต้น ซึ่งในส่วนของโครงสร้างนั้นไม่มีสลิงติดเหมือน ของจริง (รายละเอียดการสร้างเสาในโปรแกรม SolidWorks สามารถดูได้ในภาคผนวก ข) และ ข้อมูลที่ได้คือข้อมูลของการสั่นสะเทือนทั้ง 3 แนวแกน (เสาตั้งทิศ Y) ที่ถูกจัดเก็บในไฟล์ .csv หรือ .xlsx โดยชุดข้อมูลที่ปกติและผิดปกติถูกบันทึกในชื่อ “Res_มุมที่แรงกระทำ_จำนวนชิ้นที่ถอด_ ตำแหน่งเซ็นเซอร์” 32 4.1.1 Static analysis ในส่วนนี้ผู้จัดทำได้ทำการถอดชิ้นส่วนของเสาออกตั้งแต่ 1 ชิ้น ถึง 15 ชิ้น โดยได้ทำการถอดตั้งแต่ ชิ้นล่างสุดของเสา ซึ่งในแต่ละชั้นจะมีชิ้นส่วนทั้งหมด 3 ชิ้น โดยข้อมูลที่ได้นั้นมากจากเซนเซอร์ทั้ง 3 ตำแหน่ง (บน กลาง และล่าง) รูปที่ 4.2 ชิ้นส่วนที่ถูกถอด ก. Displacement การลดลงของ displacement ในแกน x เกิดจากเมื่อทำการถอดชิ้นส่วนของเสาออกทำให้การ กระจายของแรงในโครงสร้างนั้นเปลี่ยนไป รูปที่ 4.3 กราฟแสดงความสัมพันธ์ของระยะกระจัดที่เปลี่ยนไป 33 ข. Stiffness ผู้จัดทำได้ทำการศึกษาการเปลี่ยนแปลง Stiffness ของโครงสร้าง โดยข้อมูลที่ได้นั้นคำนวณได้ จากระยะกระจัดที่เปลี่ยนแปลงไปของแต่ละตำแหน่งเซนเซอร์ รูปที่ 4.4 กราฟแสดงความสัมพันธ์ของ stiffness ที่เปลี่ยนไป จากรู ป ที่ 4.4 แสดงให้ เ ห็ น ว่า การเปลี่ ย นแปลงของค่า ความแข็ ง ตึ ง (Stiffness) ไม่ มี ความสัมพันธ์ที่แน่นอนกับจำนวนชิ้นส่วนที่ถูกถอดออก กล่าวคือ ค่าความแข็งแรงไม่ได้ลดลงอย่าง ต่อเนื่องตามจำนวนชิ้นส่วนที่ถูกถอด แต่มีการเพิ่มขึ้นและลดลงแบบไม่เป็นระบบ ซึ่งอาจเกิดจากการ กระจายแรงภายในโครงสร้างที่เปลี่ยนแปลงไป ส่งผลให้ไม่สามารถใช้ค่าความแข็งแรงเป็นตัวบ่งชี้ที่ ชัดเจนในการตรวจจับความผิดปกติของโครงสร้างได้. 4.1.2 Dynamics Analysis ก. Mass change ผู้จัดทำได้ทำการถอดชิ้นส่วนเสาออก โดยเริ่มจาก beam ชิ้นล่างสุดของเสาซึง่ แต่ละชัน้ จะมี 3 ชิน้ และทำการถอดจนถึงชิ้นที่ 15 เพื่อศึกษามวลที่เปลี่ยนแปลง รูปที่ 4.5 การลดลงของมวลเสาที่ถูกถอดออก 34 ข. Mode shape ตารางที่ 4-1 ตารางแสดง mode shape ของเสาในโปรแกรม SolidWorks Mode Isometric view Top view 1 1st buckling 120° (3.5519 Hz) 2 1st buckling 30° (3.5663 Hz) 3 2nd buckling 105° (10.9350 Hz) 35 4 2nd buckling 15° (10.9800 Hz) 5 1st torsion (16.9960 Hz) 6 3rd buckling 90° (21.7390 Hz) 7 3rd buckling 0° (21.8530 Hz) 36 8 4th buckling 105° (25.5270 Hz) 9 4th buckling 15° (25.5990 Hz) 10 2nd torsion (33.3550 Hz) 11 4th buckling 90° (38.0180 Hz) 37 12 4th buckling 0° (38.4370 Hz) 13 3rd torsion (49.6580 Hz) 14 5th buckling 90° (55.6470 Hz) 15 5th buckling 0° (56.5320 Hz) จากตารางที่ 4-1 แสดงความถี่ธรรมชาติโหมดต่าง ๆ รวมถึงลักษณะการสั่นที่โหมดต่าง ๆ ของเสา จากการจำลองในโปรแกรม SolidWorks โดยสามารถสังเกตได้ว่าแต่ละโหมดมีรูปแบบการสั่น เฉพาะตัว ซึ่งสะท้อนพฤติกรรมของโครงสร้าง และมีความสำคัญในการวิเคราะห์ความสามารถในการ ต้านทานการสั่นพ้องของเสา 38 ค. การเปลี่ยนแปลงของความถี่ธรรมชาติในโปรแกรม SolidWorks รูปที่ 4.6 การแปลี่ยนแปลงความถี่ธรรมชาติ จากรูปที่ 4.6 แสดงให้เห็นว่าค่าความถี่ธรรมชาติของโหมดต่าง ๆ มีแนวโน้มลดลงเมื่อมีการ ถอดชิ้นส่วนของเสาออก ซึ่งสอดคล้องกับทฤษฎีที่ว่า เมื่อโครงสร้างสูญเสียความแข็งแรง ความแข็งตัว ของระบบจะลดลง ส่งผลให้ความถี่ธรรมชาติลดลงตาม อย่างไรก็ตาม การเปลี่ยนแปลงของค่าความถี่ ธรรมชาติในแต่ละโหมดนั้นมีความแตกต่างเพียงเล็กน้อย และไม่ชัดเจนเพียงพอที่จะใช้เป็นตัวบ่งชี้ถึง ความผิดปกติของโครงสร้างได้อย่างมีประสิทธิภาพ ดังนั้น ค่าความถี่ธรรมชาติเพียงอย่างเดียวจึงอาจ ไม่เหมาะสมสำหรับการตรวจจับความผิดปกติในกรณีนี้ และในหัวข้อถัดไปจะกล่าวถึงการวิเคราะห์ โดยใช้ความถี่บีต (Beat Frequency) ซึ่งอาจเป็นแนวทางที่ช่วยให้สามารถสังเกตการเปลี่ยนแปลง ของโครงสร้างได้ชัดเจนมากขึ้น 4.1.3 ชุดข้อมูลที่ใช้ในการทดสอบโมเดล AI ในโปรแกรม MATLAB จากโปรแกรม SolidWorks ผู้จัดทำได้ทำการแปลงข้อมูลความเร่งที่ได้จากแกนเวลาไปเป็นแกนความถี่ แล้วแปลงเป็น Spectrogram เพื่อใช้ในการทดสอบการทำงานเบื้องต้นของแบบจำลองปัญญาประดิษฐ์ โดยมี ข้อมูลดิบเป็นความเร่งในแกนเวลาทั้งหมด 40 ชุด โดยแบ่งเป็นมุมของแรงที่กระทำ 5 มุม (0, 15, 30, 45, 60) ซึ่งในแต่ละชุดประกอบด้วยข้อมูลความเร่งทั้ง 3 แกน และ 3 ตำแหน่งเซนเซอร์ (บน, กลาง, ล่าง) (โดยมีรายละเอียดที่แสดงไว้ในภาคผนวก ข) 39 1. ข้อมูลการสั่นสะเทือน (แกนเวลา)ของโครงสร้าง คือข้อมูลดิบที่ได้จากการสั่นสะเทือนของโครงสร้างในแกนเวลา (Time domain) รูปที่ 4.7 การสั่นสะเทือนในแกนเวลา จากรูปที่ 4.7 จะเห็นว่าเมื่อทำการถอดชิ้นส่วนของเสาออกจะทำให้การสั่นสะทือนของ โครงสร้างนั้นเปลี่ยนแปลงไป ซึ่งเกิดจากการกระจายแรงของโครงสร้างนั้นเปลี่ยนแปลงไป และ ขนาดของความเร่งที่ได้นั้นยังขึ้นอยู่กับทิศทางของแรงที่กระทำกับเสาด้วย ดังนั้นรูปร่างของ สัญญาณที่ได้จะมีความแตกต่างกัน 2. ข้อมูลการสั่นสะเทือน (แกนความถี่) ของโครงสร้าง คือการแปลงข้อมูลดิบที่ได้จากแกนเวลา (Time domain) เป็นแกนความถี่ (Frequency domain) โดยใช้อัลกอริทึม FFT ซึ่งจะทำให้เห็นความถี่ที่เกิดขึ้นได้อย่างชัดเจน รูปที่ 4.8 การสั่นสะเทือนในแกนความถี่ จากรูป ที่ 4.8 จะเห็นว่าโครงสร้างมีการสั่นพ้องตามความถี่ธรรมชาติ เช่น ในการ สั่นสะเทือนของเสาที่ปกติจะมีการสั่นพ้องที่ โหมดที่ 8-9 เป็นแบบ 4th Buckling ดังตารางที่ 4-1 และในส่วนของเสาที่ถอดชิ้นส่วนจะมีการสั่นสะเทือนในโหมดที่ 6-7 เป็นแบบ 3rd Buckling 40 2.1 ความแตกต่างของการสั่นสะเทือนในโครงสร้าง ถอดชิ้นส่วนเดียวกัน (0, 30, 45 องศา) จากโปรแกรม SolidWorks รูปที่ 4.9 ความแตกต่างของการสั่นสะเทือนของแรงกระทำต่างทิศ จากรูปที่ 4.9 พบว่า เมื่อเปลี่ยนทิศทางของแรงที่กระทำต่อโครงสร้าง ส่งผลให้แอมพลิ จูด ของความถี่สั่นสะเทือนเปลี่ยนแปลงไปซึ่งเกิดจากการกระจายแรงภายในโครงสร้างที่ แตกต่างกันในแต่ละทิศทาง จึงทำให้รูปแบบการสั่นสะเทือนไม่เหมือนเดิม 3. ข้อมูลภาพ Spectrogram เบื้องต้น คือข้อมูลที่ใช้ในการทดสอบการทำงานเบื้องต้นของแบบจำลองปัญญาประดิษฐ์ โดย แปลงข้อมูลในแกนความถี่ (Frequency domain) เป็นภาพ Spectrogram ซึ่งจะมีทั้งแกน เวลาและแกนความถี่ของข้อมูล รูปที่ 4.10 Spectrogram แบบ 3D 41 3.1 ความแตกต่างของ Spectrogram ข้อมูลที่ปกติและผิดปกติจากโปรแกรม SolidWorks รูปที่ 4.11 Spectrogram ของข้อมูลปกติและผิดปกติ แกน X จากรูปที่ 4.11 ผู้จัดทำได้ทำการปรับค่าความเข้มสูงสุด (Maximum Amplitude) ที่ใช้ ในการกำหนดช่วงสีของภาพ spectrogram เพื่อควบคุมระดับการแสดงผลของแอมพลิจูดใน แกนเวลาและความถี่ โดยการปรับค่านี้มีจุดประสงค์เพื่อเน้นให้เห็นความแตกต่างของสัญญาณ ในแต่ละช่วงเวลาได้ชัดเจนยิ่งขึ้น ซึ่งช่วยให้สามารถสังเกตลักษณะของการเปลี่ยนแปลงของ พลังงานในความถี่ต่างๆ ได้อย่างมีประสิทธิภาพมากขึ้น 4.2 การจำลองในโปรแกรม Abaqus ในงานวิจัยนี้ได้ใช้โปรแกรม Abaqus เพื่อทำการวิเคราะห์พฤติกรรมของโครงสร้างเสา สื่อสารภายใต้แรงกระทำจากลม และสถานการณ์จำลองที่แตกต่างกัน เพื่อศึกษาผลกระทบที่ เกิ ด ขึ้ น กั บ โครงสร้า ง รวมถึ ง ใช้ ข้ อ มู ล ผลลั พ ธ์ เ ป็ น ฐานข้ อ มู ล สำหรั บ พั ฒ นาแบบจำลอง ปัญญาประดิษฐ์ (AI) ในขั้นตอนต่อไป ผลลัพธ์จากการจำลองในโปรแกรม Abaqus สามารถแบ่งออกได้เป็น 4 ส่วนหลัก ดังนี้ 1. ผลการวิเคราะห์โหลดแรงลมออกแบบ (Static Analysis) การจำลองแรงลมออกแบบนี้มีวัตถุประสงค์เพื่อศึกษาการเปลี่ยนแปลงของค่าความเค้น (Stress) และการเสียรูป (Deformation) ของเสา ในสภาวะต่าง ๆ ทั้งในกรณีที่โครงสร้างอยู่ ในสภาพสมบูรณ์ และกรณีที่มีการถอดชิ้นส่วนบางตำแหน่งออก โดยผลลัพธ์ที่ได้จากการ วิเคราะห์จะช่วยประเมินความเป็นไปได้ในการนำวิธีการนี้ไปใช้สำหรับการระบุความผิดปกติ ของโครงสร้างเสาสื่อสาร 42 2. ผลการวิเคราะห์แรงลมแบบความถี่ (Frequency Analysis) การวิเคราะห์ลักษณะการสั่นสะเทือนของเสาเพื่อค้นหาค่าความถี่ธรรมชาติและรูปแบบ การสั่น สะเทือน (Mode Shape) โดยการวิเคราะห์นี้ช่ว ยให้สามารถเปรียบเทีย บการ เปลี่ยนแปลงของพฤติกรรมการสั่นในกรณีปกติและกรณีที่โครงสร้างได้รับความเสียหายจาก การถอดชิ้นส่วน โดยผลลัพธ์ที่ได้จากการวิเคราะห์จะช่วยประเมินความเป็นไปได้ในการนำ วิธีการนี้ไปใช้สำหรับการระบุความผิดปกติของโครงสร้างเสาสื่อสาร 3. ชุดข้อมูลจากโปรแกรม Abaqus ชุดข้อมูลที่ได้จากการจำลองในโปรแกรม Abaqus ได้ทำการเก็บข้อมูลการสั่นสะเทือน ของเสาสื่อสาร โดยบันทึก ค่าความเร่ง (Acceleration) เทียบกับ แกนเวลา (Time Domain) ซึ่งได้จากการติดตั้งเซนเซอร์ในตำแหน่งต่าง ๆ ของโครงสร้างระหว่างการจำลอง ข้อมูล ความเร่งเหล่านี้สะท้อนลักษณะการตอบสนองของโครงสร้างภายใต้แรงกระทำต่าง ๆ ทั้งใน กรณีที่โครงสร้างสมบูรณ์และเมื่อมีการถอดชิ้นส่วนบางตำแหน่งออก โดยข้อมูลที่ได้จะถูก แปลงสั ญ ญาณและจั ด เตรี ย มให้ อ ยู่ ใ นรู ป แบบที่ เ หมาะสมสำหรั บ การฝึ ก และทดสอบ แบบจำลองปัญญาประดิษฐ์ Convolutional Neural Network (CNN) เพื่อให้โ มเดล สามารถเรียนรู้และจำแนกสถานะของโครงสร้างว่าอยู่ในสภาพ “ปกติ” หรือ “ผิดปกติ” 4. การวิเคราะห์บีตของการสั่นสะเทือน (Beat Analysis) ผลการวิเคราะห์บีตของสัญญาณการสั่นสะเทือน ช่วยให้สามารถสังเกตการเปลี่ยนแปลง ของพฤติกรรมสัญญาณที่เกิดจากความผิดปกติของโครงสร้างได้ชัดเจนยิ่งขึ้น โดยข้อมูลนี้จะ ถูกนำไปใช้ประกอบในการแยกแยะข้อมูลสำหรับการเรียนรู้ของโมเดล AI 43 4.2.1 ผลการ Simulation ของ Load แรงลมออกแบบ (Static analysis) รูปที่ 4.12 แสดงค่า Max Stress ของเสาเมื่อมีสลิงยึดใส่ Load แนวแกน -Y รูปที่ 4.13 แสดงค่า Max Stress ของเสาเมื่อปลดสลิงออกและใส่ Load แนวแกน -Y เมื่อนำค่า Max Stress ที่ได้จากรูปที่ 4.12 และ 4.13 ไปคำนวณค่า Safety factor และนำมา เปรียบเทียบกัน พบว่า (โดยรายละเอียดของขั้นตอนการวิเคราะห์ในโปรแกรม Abaqus สามารถดู ได้ในภาคผนวก ค) Safety factor ของสลิงมีค่ามากกว่าของ Component ของเสา (9.2852 > 2.829) ซึ่งหมายความว่า ในกรณีที่เสาสัญญาณถูกแรงลมกระทำจนถึงจุดวิกฤต Component ของ เสาจะเกิดการ Yield หรือเสียหายก่อนสลิง เนื่องจากมีค่า Safety factor ต่ำกว่า ดังนั้น การเปรียบเทียบค่าปัจจัยความปลอดภัย (Safety Factor) จะช่วยแสดงให้เห็นว่าส่วนใด ของโครงสร้างมีแนวโน้มที่จะเกิดการคราก (Yield) หรือเกิดความเสียหายก่อน ในขั้นตอนถัดไป จะทำ การพิจารณาค่าความเค้นสูงสุด (Maximum Stress) ของเสาที่มีสลิงยึด เพื่อนำมาเปรียบเทียบการ 44 เปลี่ย นแปลงของสภาพโครงสร้างระหว่างกรณีที่โ ครงสร้างอยู่ในสภาพสมบูรณ์ปกติ กับกรณีที่ โครงสร้างบางส่วนถูกถอดชิ้นส่วนออก ตารางที่ 4-2 เปรียบเทียบค่า Max Stress ในโครงสร้างเสาปกติ (มีสลิงยึดกับเสา) สภาพโครงสร้างเสา Max Stress (MPa) สมบูรณ์ 144.1 ถอดชิ้นส่วนออก 2 Node 144.1 ถอดชิ้นส่วนออก 11 Node 143.9 รูปภาพ Simulation จาก ตารางที่ 4-2 จะเห็นว่าค่า Max Stress ของโครงสร้างเสาที่ถูกถอดชิ้นส่วนออกมีการ เปลี่ยนแปลงเพียงเล็กน้อยเมื่อเทียบกับค่า Max Stress ของโครงสร้างเสาในสภาพปกติ ซึ่งแสดงให้ เห็นว่าการถอดชิ้นส่วนดังกล่าวไม่มีผลกระทบต่อความแข็งแรงโดยรวมของโครงสร้างอย่างมีนัยสำคัญ (รายละเอียดขั้นตอนการจำลองสามารถดูได้ในภาคผนวก ค) สาเหตุที่ค่า Max Stress เปลี่ยนแปลงน้อยเกิดจาก ชิ้นส่วนที่ถูกถอดออกไม่ได้มีบทบาทสำคัญ ต่อการรับแรงหลักของโครงสร้างเสา โดยส่วนของโครงสร้างที่เหลือยังคงสามารถกระจายและรับแรง ได้อย่างมีประสิทธิภาพ ทำให้ค่าความเค้นสูงสุดแทบไม่แตกต่างจากกรณีโครงสร้างสมบูรณ์ นอกจากนี้ โครงสร้างเสายังได้รับการออกแบบให้รองรับน้ำหนักและแรงกระทำได้สูงกว่าการใช้งานจริงเพื่อความ 45 ปลอดภัย (Overdesign) ดังนั้นแม้จะมีการถอดชิ้นส่วนบางส่วนออก แต่โครงสร้างโดยรวมยังสามารถ คงความแข็งแรงและความมั่นคงได้ตามเกณฑ์มาตรฐาน ด้วยเหตุนี้ การวิเคราะห์ค่า Max Stress เพียงอย่างเดียวจึงไม่สามารถใช้เป็นตัวชี้วัดหรือระบุ ความผิดปกติของโครงสร้างเสาได้อย่างชัดเจน เนื่องจากค่าความเค้นอาจไม่แสดงการเปลี่ยนแปลงที่ สะท้อนถึงความบกพร่องของโครงสร้างในบางกรณี 4.2.2 ผลการ Simulation ของ Load แรงลมออกแบบ (Frequency analysis) ตารางที่ 4-3 แสดงรูปการสั่น (Mode Shape) ทั้ง 15 โหมด โหมดที่ 1st bending (swaying) in X-direction (1st mode overall) 2nd bending (swaying) in Y-direction (2nd mode overall) 3rd bending (swaying) in X-direction (3rd mode Overall) ความถี่ (Hz) Mode shape 2.21974 2.2939 3.3870 46 4th bending (swaying) in Y-direction (4th mode overall) 1st torsional mode about Z axis (5th mode Overall) 5th bending (swaying) in X-direction (6th mode overall) 6th bending (swaying) in Y-direction (7th mode overall) 2nd torsional mode about Z axis (8th mode Overall) 3.5131 3.6116 5.0548 5.2168 5.3644 47 7th bending (swaying) in X-direction (9th mode overall) 8th bending (swaying) in Y-direction (10th mode overall) 3rd torsional mode about Z axis (11th mode Overall) 9th bending (swaying) in X-direction (12th mode overall) 10th bending (swaying) in Y-direction (13th mode overall) 5.7412 5.7487 9.1145 9.6558 9.7422 48 11th bending (swaying) in X-direction (14th mode overall) 12th bending (swaying) in Y-direction (15th mode overall) 13.502 13.572 ตารางที่ 4-3 แสดงรูปแบบการสั่น (Mode Shape) ของโครงสร้างเสาจำนวน 15 โหมด ซึ่งแต่ ละโหมดจะแสดงพฤติ ก รรมการสั่ น ของโครงสร้า งที่ แ ตกต่า งกั น ในแต่ ละค่า ความถี่ ธ รรมชาติ (รายละเอียดขั้นตอนการวิเคราะห์สามารถดูได้ในภาคผนวก ค) การวิเคราะห์ Mode Shape มี ความสำคัญเนื่องจากช่วยให้สามารถเข้าใจลักษณะการสั่นของโครงสร้างเมื่อได้รับแรงกระทำจาก โหลดแรงลมออกแบบ ซึ่งข้อมูลรูปแบบการสั่นเหล่านี้สามารถนำไปใช้ในการตรวจสอบและวิเคราะห์ ความเสี่ยงของการเกิดปัญหาการสั่นพ้อง (Resonance) ซึ่งเป็นสาเหตุสำคัญที่อาจทำให้โครงสร้าง เกิดความเสียหายหรือพังทลายได้ หากความถี่ของแรงกระทำภายนอกตรงกับความถี่ธรรมชาติของ โครงสร้าง อย่างไรก็ตาม จากการศึกษาก่อนหน้านี้โดยการจำลองโครงสร้างในโปรแกรม SolidWorks พบว่า ค่าความถี่ธรรมชาติของโครงสร้างในแต่ละโหมดมีการเปลี่ยนแปลงเพียงเล็กน้อยเมื่อมีการถอดชิ้นส่วน ออก ซึ่งไม่แสดงให้เห็นถึงความแตกต่างที่ชัดเจนในการตอบสนองของโครงสร้าง ดังนั้น ในส่วนนี้จึงได้ ทำการเปรียบเทียบค่าความถี่ธรรมชาติทั้ง 15 โหมดของโครงสร้างเสาในสภาวะปกติกับโครงสร้างที่ ถูกถอดชิ้นส่วนออก โดยใช้ผลการวิเคราะห์จากซอฟต์แวร์ ABAQUS เพื่อศึกษาความสอดคล้องของ ผลลัพธ์ 49 ก. การเปลี่ยนแปลงของความถี่ธรรมชาติ ผู้จัดทำได้ทำการถอดชิ้นส่ว นของเสาออกเพื่ อ ศึ กษาการเปลี่ยนแปลงของความถี่ ธรรมชาติ โดยได้ทำการถอดออก 2 node และ 11 node รูปที่ 4.14 การถอดชิ้นส่วน 2 node รูปที่ 4.15 การถอดชิ้นส่วน 11 node 50 รูปที่ 4.16 ความถี่ธรรมชาติของเสาในโปรแกรม Abaqus จาก รูป ที่ 4.16 พบว่าความถี่ ที่เ ปลี่ยนแปลงไป เมื่อทำการปลด node ออก นั้นมี การ เปลี่ยนแปลงแบบไม่มีนัยยะสำคัญ (รายละเอียดขั้นตอนการวิเคราะห์สามารถดูได้ในภาคผนวก ค) ทำให้การวิเคราะห์ด้วยค่าความถี่ธรรมชาตินั้น ไม่สามารถใช้เป็นตัวชี้วัดหรือระบุความผิดปกติของ โครงสร้างเสาได้อย่างชัดเจน จากผลการวิเคราะห์ที่ได้จากแบบจำลองในโปรแกรม SolidWorks และ Abaqus โดยพิจารณา ค่าทางกล เช่น Stiffness, Natural Frequency, และความเค้นสูงสุด พบว่าค่าดังกล่าวมีการ เปลี่ยนแปลงในระดับที่น้อยมาก แม้จะมีการถอดชิ้นส่วนบางส่วนออกจากโครงสร้างเสาก็ตาม ส่งผล ให้ไม่สามารถใช้ค่าทางกลเหล่านี้ในการระบุความผิดปกติของโครงสร้างได้อย่างชัดเจน ดังนั้น ทางผู้จัดทำจึงมุ่งเน้นการวิเคราะห์ไปที่ข้อมูลความเร่งเทียบกับเวลาในแต่ละแนวแกน ซึ่ง ได้จากการติดตั้งเซนเซอร์วัดความเร่งในแกน X, Y และ Z (โดยที่แกน Z แทนแนวตั้งของเสา) ณ ตำแหน่งบน กลาง และล่างของเสา โดยข้อมูลดังกล่าวยังคงเป็นตัวแปรหลักเช่นเดียวกับที่ใช้ใน กระบวนการวิเคราะห์ในโปรแกรม SolidWorks ก่อนหน้านี้ ทั้งนี้ ข้อมูล ความเร่งจะถูก นำไป ประมวลผลเพิ่มเติมเพื่อตรวจสอบความสมบูรณ์ของโครงสร้าง และถูกนำเข้าสู่กระบวนการฝึกและ พัฒนาแบบจำลองปัญญาประดิษฐ์ (AI) ในลำดับถัดไป 51 รูปที่ 4.17 ระยะความสูงและตำแหน่งการติดเซนเซอร์ 4.2.3 ชุดข้อมูลจากโปรแกรม Abaqus ชุดข้อมูลที่ใช้ในการวิเคราะห์นี้ได้มาจากเสาที่มีการถอดชิ้นส่วนเอียงจำนวน 1 ชิ้นต่อชั้น โดย เสามีทั้งหมด 8 ชั้น และในแต่ละชั้นประกอบด้วย 3 ชิ้น ซึ่งการถอดชิ้นทั้งหมด 8 ชั้นทำให้มีข้อมูลที่ได้ จากการจำลองสถานการณ์แรงลมในทิศทางต่าง ๆ (30˚, 60˚, 90˚, และ 120˚) โดยอ้างอิงจาก มาตรฐานการออกแบบอาคารด้วยแรงลม (มยผ. 1166-52) การจำลองใช้วิธีการ Dynamic Implicit Analysis (รายละเอียดขั้นตอนการวิเคราะห์สามารถ ดูได้ในภาคผนวก ค) ข้อมูลผลการวิเคราะห์ถูกรวบรวมในไฟล์ .xlsx ซึ่งประกอบด้วยข้อมูลการ สั่นสะเทือนในทั้ง 3 แกน (แกน Z แทนแนวเสาตั้ง) จากเซนเซอร์ 3 ตำแหน่ง ได้แก่ บน กลาง และ ล่างของเสา รวมทั้งหมด 96 ชุดข้อมูล 52 รูปที่ 4.18 ชิ้นที่ถอดในแต่ละชั้น รูปที่ 4.19 ชั้นที่ถอด รูปที่ 4.20 ทิศทางของลมที่กระทำกับเสา 53 ข้อมูลที่ใช้ในการฝึกแบบจำลองปัญญาประดิษฐ์ (AI) จากโปรแกรม Abaqus จะถูกแปลงใน ลักษณะเดียวกับชุดข้อมูลจากโปรแกรม SolidWorks โดยเริ่มจากการแปลงข้อมูลการสั่นสะเทือนใน แกนเวลา (Time-domain) ให้เป็นข้อมูลในแกนความถี่ (Frequency-domain) โดยใช้เทคนิค Fast Fourier Transform (FFT) ซึ่งเป็นวิธีการแปลงสัญญาณที่มีประสิทธิภาพสูงและใช้กันอย่างแพร่หลาย ในงานวิเคราะห์สัญญาณ จากนั้นแปลงข้อมูลเหล่านั้นเป็น Spectrogram เพื่อใช้ในการทดสอบ ประสิทธิภาพของโมเดล CNN. เนื่องจากโมเดล CNN นี้สามารถระบุได้เพียงว่าเสานั้น "ปกติ" หรือ "ไม่ปกติ" ทางผู้จัดทำจึงได้ ทำการศึกษาข้อมูลการสั่นสะเทือนในแกนเวลา พบว่ามีการเกิด บีต ในสัญญาณ จึงได้ทำการศึกษา การเปลี่ยนแปลงของความถี่บีตที่เกิดขึ้นจากข้อมูลทั้ง 96 ชุด โดยใช้วิธี Envelope Analysis ใน โปรแกรม MATLAB เพื่อขยายสัญญาณบีต ที่ซ่อนอยู่ให้ชัดเจนขึ้น และจากนั้นนำข้อมูลที่ได้ไปแปลง เป็นแกนความถี่โดยใช้ FFT เพื่อให้เห็นความถี่บีตของสัญญาณที่เกิดขึ้นได้ชัดเจน 4.2.4 วิเคราะห์บีตของการสั่นสะเทือน จากการศึกษาพฤติกรรมการสั่นของโครงสร้างเสาในส่วนก่อนหน้า พบว่าการใช้ค่าทางกล เช่น ความถี่ธรรมชาติ หรือค่าความแข็งแรงของโครงสร้าง อาจไม่สามารถชี้ชัดถึงการเปลี่ยนแปลงหรือ ความผิดปกติที่เกิดจากการถอดชิ้นส่วนได้อย่างชัดเจน เนื่องจากค่าเหล่านั้นมีแนวโน้มเปลี่ยนแปลงใน ระดับที่ต่ำมาก จึงจำเป็นต้องพิจารณาแนวทางการวิเคราะห์อื่นที่มีความไวต่อความเปลี่ยนแปลงของ โครงสร้างมากกว่า โดยเฉพาะข้อมูลแบบไดนามิกที่สามารถสะท้อนพฤติกรรมของโครงสร้างได้อย่าง ละเอียดมากขึ้น หนึ่งในแนวทางที่นำมาใช้คือการวิเคราะห์ปรากฏการณ์บีต (Beat Phenomenon) ซึ่งสามารถ พบได้จากข้อมูลการสั่นสะเทือนที่ได้จากเซนเซอร์วัดความเร่ง โดยการเกิดบีตเป็นผลมาจากการแทรก สอดของคลื่นความถี่ใกล้เคียงกัน ทำให้เกิดลักษณะการเปลี่ยนแปลงของแอมพลิจูดเป็นจังหวะ ๆ ซึ่ง อาจเกิดจากการที่โครงสร้างไม่สมมาตรหรือมีความเสียหายบางส่วน 54 1. ข้อมูลการสั่นสะเทือนที่เกิดบีตในแกนเวลา รูปที่ 4.21 บีตของการสั่นสะเทือนในแกนเวลา จากรู ป ที่ 4.21 พบว่า สั ญ ญาณการสั่ น สะเทื อ นในโดเมนเวลา พบว่า มี การเกิ ด ปรากฏการณ์บีต ซึ่งเกิดจากการแทรกสอดของคลื่นความถี่ใกล้เคียงกัน โดยลักษณะของสัญญาณ จะแสดงแอมพลิจูดที่ขึ้นลงเป็นจังหวะอย่างต่อเนื่อง ซึ่งเป็นลักษณะเฉพาะของปรากฏการณ์บีตที่ สามารถพบได้ในโครงสร้างที่มีความไม่สมดุลหรือมีการเปลี่ยนแปลงภายในบางส่วน เพื่อให้ สามารถสังเกตลักษณะของบีตได้ชัดเจนยิ่งขึ้น จึงนำสัญญาณดังกล่าวมาวิเคราะห์ต่อด้วยเทคนิค Envelope Analysis เพื่อแยกและแสดงลักษณะการเปลี่ยนแปลงของแอมพลิจูดในแต่ ละ ช่วงเวลาอย่างชัดเจนมากขึ้น โดยเทคนิคนี้จะช่วยขจัดความซับซ้อนของคลื่นพาหะ และเน้น เฉพาะสัญญาณซองคลื่นที่สะท้อนถึงพฤติกรรมไดนามิกของโครงสร้าง 55 2. Envelope Analysis รูปที่ 4.22 กราฟที่ผ่านการทำ Envelope Analysis จากรูปที่ 4.22 จะเห็นได้ว่ากราฟที่ได้จากการวัดการสั่นสะเทือนในแกนเวลานั้น มี ลักษณะเป็นลูกคลื่น (waveform) โดยเฉพาะบริเวณขอบของกราฟ ซึ่งแสดงให้เห็นถึงลักษณะ ของการสั่นที่มีการเปลี่ยนแปลงของแอมพลิจูดเป็นจังหวะๆ หรือเกิดเป็นปรากฏการณ์บีต (beat phenomenon) ที่สามารถสังเกตได้จากลักษณะรูปคลื่น จากนั้นจึงนำข้อมูลการสั่นสะเทือนใน โดเมนเวลา (time domain) ที่ได้นี้ ไปแปลงให้อยู่ในโดเมนความถี่ (frequency domain) ด้วย การใช้ การแปลงฟู เรี ย ร์แ บบไม่ ต่ อ เนื่ อ ง (Fast Fourier Transform: FFT) เพื่ อ วิ เ คราะห์ องค์ประกอบความถี่ที่เกิดขึ้น โดยเฉพาะเพื่ อให้เห็นความถี่ของบีต (beat frequency) ที่ปรากฏ ซึ่งจะช่วยในการตรวจสอบความผิดปกติหรือการเปลี่ยนแปลงทางโครงสร้างของระบบได้อย่าง ชัดเจนมากยิ่งขึ้น 56 3. ข้อมูลการสั่นสะเทือนที่เกิดบีตในแกนความถี่ รูปที่ 4.23 FFT ของบีต จากรูปที่ 4.23 จากผลการแปลงสัญญาณเป็นโดเมนความถี่ จะเห็นว่ามีพีคบางจุด เกิดขึ้นอย่างชัดเจน โดยพีคเหล่านี้ไม่ได้เกิดจากความถี่ธรรมชาติของโครงสร้างเสาแต่อย่างใด แต่ เป็นพีคของความถี่บีต (Beat Frequencies) ซึ่งเกิดจากการแทรกสอดระหว่างสัญญาณความถี่ ใกล้เคียงกัน พีคเหล่านี้สามารถพบได้ในช่วงความถี่ต่ำ ประมาณ 0–1 Hz ซึ่งแตกต่างจากความถี่ ธรรมชาติที่มักปรากฏในช่วงที่สูงกว่า ดังนั้น พีคที่ปรากฏจึงไม่เกี่ยวข้องกับลักษณะการสั่นตาม ธรรมชาติของโครงสร้าง แต่สะท้อนถึงปรากฏการณ์ของบีตที่เกิดขึ้น รูปที่ 4.24 ความถี่บีตที่เกิดขึ้นในแต่ละเซนเซอร์ 57 จากรูปที่ 4.24 แสดงให้เห็นวิธีการเก็บข้อมูลความถี่บีตที่เกิดขึ้น ซึ่งมีการรวบรวมเฉพาะความถี่ บีตและแอมพลิจูดของบีตที่ปรากฏอย่างเด่นชัดเท่านั้น โดยจะทำการคัดเลือกเฉพาะความถี่บีตที่มี ความโดดเด่นหรือมีการตอบสนองที่ชัดเจนจากการสั่นสะเทือน เพื่อให้ได้ข้อมูลที่มีความแม่นยำและ สามารถนำไปใช้ในการวิเคราะห์ได้อย่างมีประสิทธิภาพ การเก็บข้อมูลแบบนี้ช่วยให้สามารถคัดกรอง ข้อมูลที่มีความสำคัญและลดข้อมูลที่ไม่จำเป็นออกไป ซึ่งทำให้การประมวลผลข้อมูลและการตีความ ผลลัพธ์จากการวิเคราะห์มีความถูกต้องและแม่นยำมากยิ่งขึ้น ในกรณีที่มุมลมที่กระทำกับเสาอยู่ที่ 30˚ พบว่ามีการเกิดบีตอย่างเด่นชัดในทิศทางแกน X ของ ตำแหน่งเซนเซอร์ล่าง ซึ่งตรงกับทิศทางหลักของการสั่นสะเทือนของโครงสร้าง นอกจากนี้ยังพบการ เกิดบีตในทิศทางแกน Y ที่ตำแหน่งเซนเซอร์ล่างในบางชุดข้อมูล แต่จะไม่ชัดเจนเท่ากับการเกิดบีตใน แกน X ขณะที่ข้อมูลจากเซนเซอร์ในตำแหน่งอื่น ๆ และแกนอื่น ๆ แสดงผลลัพธ์ที่ไม่มีการเกิดบีตอ ย่างมีนัยสำคัญ เมื่อมุมลมเปลี่ยนไปเป็น 60˚, 90˚ และ 120˚ พบว่าในทิศทางแกน Z การเกิดบีตจะเด่นชัดใน เซนเซอร์ทุกตำแหน่ง ทั้งบน กลาง และล่าง แม้ว่าแกน Z จะไม่ใช่ทิศทางหลักของการสั่นสะเทือนของ โครงสร้างก็ตาม อย่างไรก็ตาม ยังพบการเกิดบีตในแกน X และ Y ซึ่งเป็นทิศทางหลักของการ สั่นสะเทือนของโครงสร้างด้วย แต่ไม่สามารถตรวจพบบีตในทุกตำแหน่งของเซนเซอร์ได้ จากการวิเคราะห์ข้อมูลทั้ง 96 ชุด (ดูรายละเอียดเพิ่มเติมในภาคผนวก ค) พบว่าแม้ว่าจะมีการ เกิดบีตในหลายทิศทางและตำแหน่ง แต่การเกิดบีตในทิศทางแกน Z นั้นเด่นชัดที่สุด โดยสาเหตุที่อาจ ทำให้เกิดการถ่ายเทพลังงานจากแกน X และ Y ไปยังแกน Z อาจจะมาจากความไม่สมมาตรของ โครงสร้างในระนาบ XY ทำให้พลังงานบางส่วนถ่ายเทไปยังแกน Z จนทำให้การเกิดบีตในแกนนี้ ปรากฏได้อย่างชัดเจน 58 4.3 ผลลัพธ์จากการฝึกโมเดลปัญญาประดิษฐ์ Convolutional Neural Network (CNN) ในการทดลองนี้ ได้ ดำเนิ น การฝึ ก แบบจำลองโครงข่า ยประสาทเที ย มแบบคอนโวลู ชั น (Convolutional Neural Network: CNN) โดยใช้ข้อมูล ความเร่ งจากการจำลองการสั่ น ของ โครงสร้างเสาเป็น อิน พุตสู่โมเดล ข้อมูลประกอบด้ว ยสัญญาณความเร่งจากสามตำแหน่ง (Top, Middle และ Bottom) และสามแกน (X, Y และ Z) รวมทั้งหมด 9 ช่องสัญญาณ สำหรับแต่ละ ช่องสัญญาณจะถูกแปลงเป็นสเปกโตรแกรมโดยใช้ความยาวหน้าต่าง 100 มิลลิวินาที การทับซ้อน 80 มิลลิวินาที และจำนวนจุด FFT เท่ากับ 1024 ภาพที่ได้จากแต่ละช่องสัญญาณจะถูกปรับขนาดเป็น 128 × 128 พิกเซล และรวมเป็นข้อมูลภาพ 3 มิติขนาด 128 × 128 × 9 ก่อนนำเข้าสู่โมเดล โครงสร้างของโมเดล CNN ประกอบด้ว ยชั้น convolution 2 ชุด แต่ละชุดประกอบด้ ว ย convolutional layer, batch normalization, relu และ max pooling ต่ อ ด้ ว ย fully connected layer, softmax และ classification layer สำหรับการจำแนกประเภท การฝึกโมเดล ใช้ optimizer แบบ Adam กำหนด learning rate เริ่มต้นที่ 0.0005 แบบคงที่ ฝึกทั้งหมด 20 epochs ด้วยขนาด mini-batch เท่ากับ 16 และมีการสุ่มสลับลำดับข้อมูลทุก epoch ข้อมูลทั้งหมด ถูกแบ่งออกเป็นชุดฝึก (80%) และชุดตรวจสอบ (20%) และดำเนินการฝึกด้วยการประมวลผลผ่าน Single GPU 4.3.1 ผลการฝึกฝน (Training Results) รูปที่ 4.25 ผลการฝึกฝนโมเดลปัญญาประดิษฐ์ CNN 59 จากกราฟด้านบน ซึ่งแสดงค่าความแม่นยำของการจำแนกผล พบว่าโมเดลมีแนวโน้มของความ แม่นยำที่เพิ่มขึ้นอย่างต่อเนื่อง โดยค่าความแม่นยำของชุดตรวจสอบ (Validation Accuracy) สูงสุด อยู่ที่ประมาณ 88.89% แสดงให้เห็นว่าโมเดลสามารถเรียนรู้รูปแบบของข้อมูลได้ดีในระดับหนึ่ง และ ไม่มีอาการของการ Overfitting อย่างชัดเจน ในขณะที่กราฟด้านล่างแสดงค่าการสูญเสีย (Loss) ซึ่งมีแนวโน้มลดลงอย่างรวดเร็วในช่วงต้น ของการฝึก และลดลงจนเกือบคงที่ในช่วงท้าย ทั้งในส่วนของชุดฝึกและชุดตรวจสอบ ซึ่งสอดคล้องกับ พฤติกรรมของโมเดลที่เรียนรู้ได้อย่างมีประสิทธิภาพและเสถียร ระยะเวลาในการฝึกโมเดลครั้งนี้อยู่ที่ 4 วินาที โดยใช้ทรัพยากรจากหน่วยประมวลผลกราฟิก แบบเดี่ยว (Single GPU) ซึ่งบ่งชี้ถึงความสามารถในการฝึกที่รวดเร็วภายใต้ปริมาณข้อมูลที่ใช้ฝึกใน ระดับหนึ่ง อย่างไรก็ตาม แม้ว่าความแม่นยำที่ได้จะอยู่ในระดับที่น่าพอใจ แต่ยังคงควรระมัดระวังใน การสรุปผล เนื่องจากจำนวนข้อมูลที่ใช้ฝึกอาจยังไม่มากเพียงพอ ซึ่งอาจส่งผลต่อความสามารถของ โมเดลในการทำนายข้อมูลใหม่ที่หลากหลาย 4.3.2 ผลการทดสอบ (Testing Results) หลังจากทำการฝึกโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) ด้วยชุดข้อมูลที่เตรียมไว้เรียบร้อยแล้ว จึงได้มีการนำโมเดลดังกล่าวมาทดสอบกับชุด ข้อมูลใหม่ซึ่งประกอบด้วยไฟล์ข้อมูลการสั่นสะเทือนของเสาในช่วงเวลา 30 วินาที รวมจำนวน 9 ไฟล์ โดยมีทั้งกรณีที่เสายังสมบูรณ์และกรณีที่เสาถูกถอดออก ผลการทดสอบพบว่า โมเดลสามารถจำแนกสถานะของเสาได้ถูกต้องในทุกไฟล์ กล่าวคือ สามารถแยกแยะได้อย่างแม่นยำว่าเสาในแต่ละกรณีนั้นอยู่ในสถานะสมบูรณ์หรือถูกถอดออก ซึ่ง แสดงให้เห็นถึงศักยภาพของโมเดลในการเรียนรู้ลักษณะเฉพาะของข้อมูลแต่ละประเภทได้เป็นอย่างดี อย่างไรก็ตาม แม้ว่าโมเดลจะให้ผลลัพธ์ที่ถูกต้องทั้งหมดในกรณีทดสอบนี้ แต่ควรพิจารณาว่าจำนวน ไฟล์ที่ใช้ในการทดสอบยังอยู่ในระดับที่จำกัด ส่งผลให้ความสามารถในการประเมินประสิทธิภาพ โดยรวมของโมเดลอาจยังไม่ครอบคลุมเพียงพอ กล่าวคือ การทำนายที่แม่นยำในกรณีนี้อาจเกิดจา ก ความใกล้เคียงกั นของข้อมูลทดสอบกับข้อมูลที่ใช้ฝึก หรืออาจเกิดจากลักษณะของข้อมูลที่ยังไม่ หลากหลายเพียงพอ 60 ดังนั้น เพื่อให้สามารถประเมินประสิทธิภาพของโมเดลได้อย่างชัดเจนยิ่งขึ้น ควรมีการรวบรวม ข้อมูลเพิ่มเติมที่มีความหลากหลาย และเพิ่มจำนวนตัวอย่างในแต่ละคลาสให้สมดุลกันมากขึ้นใน อนาคต การทดสอบกับชุดข้อมูลที่มีปริมาณมากขึ้นและมีความหลากหลายสูงจะช่วยเสริมความ น่าเชื่อถือของผลลัพธ์ และสะท้อนถึงความสามารถที่แท้จริงของโมเดลได้อย่างครอบคลุมมากยิ่งขึ้น รูปที่ 4.26 ผลการฝึกฝนโมเดล CNN 61 บทที่ 5 สรุปผลการดำเนินงาน 5.1 สรุปผลการดำเนินงาน จากวัตถุประสงค์ของโครงงาน ซึ่งมี 3 ข้อ ดังนี้ 1. ศึกษาและเปรียบเทียบเพื่อดูความเป็นไปได้ในการใช้ AI ในการตรวจจับความบกพร่องของ โครงสร้างเสาสื่อสาร 2. ใช้วิธีไฟไนต์เอลิเมนต์ในการจำลองความบกพร่องของโครงสร้างเสาสื่อสารและสร้างชุด ข้อมูลสำหรับการฝึกและทดสอบแบบจำลอง 3. วิเคราะห์และเสนอแนะความเป็นไปได้ของแต่ละโมเดล ทางผู้จัดทำได้ทำการศึกษาและพัฒนาแบบจำลองปัญญาประดิษฐ์ เพื่อใช้ในการระบุความผิดปกติ ของโครงสร้างเสาสื่อสาร โดยใช้ข้อมูลจากการจำลองในโปรแกรม SolidWorks และ Abaqus ใน การศึกษานี้ ได้มีการตรวจสอบการเปลี่ยนแปลงทางกลของเสาสื่อสาร เช่น การวิเคราะห์การสั่ื น สะเทือนของโครงสร้าง, การตรวจสอบความถี่ธรรมชาติ (Mode Shape), การวิเคราะห์ความแข็งตึง (Stiffness), และการวิเคราะห์ความเค้น (Stress) ที่เกิดขึ้นจากกรณีที่มีการถอดชิ้นส่วนบางส่วนออก จากเสา จากการศึกษาพบว่า แบบจำลองปัญญาประดิษฐ์ที่พัฒนาขึ้นไม่สามารถระบุได้ว่าชิ้นส่วนไหนของ เสาสื่อสารที่มีปัญหาหรือถูกถอดออก ซึ่งเป็นสิ่งที่ต้องการให้ แบบจำลองทำได้ตามเป้าหมายของ โครงการ การที่แบบจำลองไม่สามารถระบุจุดที่มีความผิดปกติได้ ทำให้ยังไม่สามารถนำมาใช้ในการ ตรวจจับความผิดปกติของโครงสร้างได้ตามที่ตั้งใจไว้ โดยสามารถสรุปผลการศึกษากรณีต่าง ๆ ได้ดังนี้ 62 5.1.1 ผลการศึกษาโมเดล CNN ในการศึกษาความเป็นไปได้ในการใช้โมเดล CNN (Convolutional Neural Network) เพื่อ ตรวจจับความผิดปกติที่เกิดขึ้นในโครงสร้างโดยใช้ข้อมูลการสั่นสะเทือน พบว่าโมเดล CNN สามารถ ทำการพยากรณ์ได้ว่า ข้อมูลที่ใช้ในการทดสอบนั้นเป็นข้อมูลที่ “ปกติ” หรือ “ไม่ปกติ” แต่ไม่สามารถ ระบุได้ว่าชิ้นส่วนใดของโครงสร้างที่มีความผิดปกติ (หรือถูกถอดออก) ซึ่งเป็นข้อจำกัดที่สำคัญในการ ประเมินความเสียหายที่เกิดขึ้นจริง จึงจำเป็นต้องพิจารณาใช้โมเดล AI อื่น ๆ ร่วมกันหรือการใช้ข้อมูล ทางกลเพิ่มเติม เช่น การวิเคราะห์การเปลี่ยนแปลงของความถี่ธรรมชาติ หรือการวิเคราะห์ลักษณะ ทางกลของโครงสร้างในรูปแบบอื่น ๆ เพื่อเพิ่มประสิทธิ ภาพในการระบุจุดที่มีความผิดปกติได้อย่าง แม่นยำ 5.1.2 ผลการศึกษาความถี่ธรรมชาติของเสาสื่อสาร ในการศึกษาการเปลี่ยนแปลงของความถี่ธรรมชาติในโหมดต่าง ๆ ของโครงสร้างเสาสื่อสาร โดย ใช้โปรแกรม SolidWorks และ Abaqus พบว่าการถอดชิ้นส่วนบางส่วนของเสาออกจะส่งผลให้ความ แข็งแรงของโครงสร้างลดลง ซึ่งการลดลงของความแข็งแรงนี้ทำให้ความถี่ธรรมชาติในแต่ละโหมดมีค่า ลดลงเช่นกัน ซึ่งเป็นผลตามหลักการทางวิศวกรรมที่เมื่อโครงสร้างมีความแข็งแรงลดลง ความถี่ ธรรมชาติจะต่ำลงในทิศทางเดียวกัน อย่างไรก็ตาม การเปลี่ยนแปลงในความถี่ธรรมชาติที่เกิดขึ้นนั้น ไม่ถือว่ามีความสำคัญทางสถิติหรือมีนัยสำคัญที่สามารถนำไปใช้ในการระบุส่วนที่มีความผิดปกติได้ ซึ่ง หมายความว่าความเปลี่ยนแปลงดังกล่าวไม่เพียงพอที่จะเป็นเครื่องมือในการตรวจจับความผิดปกติ 5.1.3 ผลการศึกษาความแข็งตึง (Stiffness) ในการศึกษาค่าความแข็งตึง (Stiffness) ที่เปลี่ยนแปลง พบว่า ค่าความแข็งตึงของโครงสร้างที่แต่ ละตำแหน่งเซนเซอร์มีการเปลี่ยนแปลงที่ไม่สามารถหาความสัมพันธ์ที่ชัดเจนได้ โดยมีการเพิ่มขึ้นและ ลดลงในบางจุด ซึ่งทำให้ไม่สามารถวิเคราะห์ความสัมพันธ์ระหว่างข้อมูลได้อย่างแม่นยำ จึงทำให้การ ใช้ค่าความแข็งตึงเพื่อระบุความผิดปกติของโครงสร้างนั้นไม่สามารถใช้งานได้ 63 5.1.4 ผลการศึกษาความเค้นของเสาสื่อสาร ในการศึกษาการเปลี่ยนแปลงของความเค้นสูงสุด เมื่อถอดชิ้นส่วนของเสาออก พบว่าความเค้น สูงสุดมีการเปลี่ยนแปลงในหลาย ๆ ด้าน โดยเฉพาะตำแหน่งที่เกิดค่าความเค้นสูงสุดและค่าความเค้น เอง ซึ่งเกิดจากการกระจายแรงที่เปลี่ยนแปลงไปหลังจากถอดชิ้นส่วนออกจากโครงสร้าง อย่างไรก็ ตาม การเปลี่ยนแปลงนี้ไม่ได้แสดงถึงแนวโน้มที่ชัดเจนหรือมีความสัมพันธ์ที่สำคัญ ซึ่งทำให้ไม่สามารถ ใช้การเปลี่ยนแปลงดังกล่าวในการระบุชิ้นส่วนที่มีความผิดปกติได้ นอกจากนี้ ค่าความเค้นที่เปลี่ยนแปลงมีขนาดน้อยมาก จึงไม่มีผลกระทบต่อความแข็งแรงโดยรวม ของโครงสร้าง การเปลี่ยนแปลงที่เกิดขึ้นจึงไม่เพียงพอในการใช้เป็นข้อมูลในการตรวจจับ ความ ผิดปกติของชิ้นส่วนใดๆ ของโครงสร้าง 5.2 ข้อเสนอแนะ จากการศึกษาปรากฏการณ์บีตที่เกิดขึ้นในสัญญาณการสั่นสะเทือนในโดเมนเวลา พบว่ามีการ เกิดบีตที่ชัดเจนในแกน Z ซึ่งมีแนวโน้มว่าจะเกิดจากการส่งผ่านแรงสั่นสะเทือนจากแกน X และ Y มายังแกน Z อันเป็นผลจากลักษณะของโครงสร้างที่มีการเชื่อมโยงกันในสามมิติ นอกจากนี้ยังพบว่ามี การเกิดบีตในแกน Z ในทุกตำแหน่งของเซนเซอร์ของเสาในมุม 60˚, 90˚ และ 120˚ ซึ่งอาจเกิดจาก ลักษณะทางกลของชิ้นส่วนที่อยู่ใกล้ฐานของเสาที่ถูกถอดออกไป อย่างไรก็ตาม ผลการวิเคราะห์ที่ได้ในเบื้องต้นยังคงต้องมีการตรวจสอบและพิสูจน์เพิ่มเติม เพื่อ ยืนยันความสัมพันธ์ระหว่างปรากฏการณ์บีตและการถ่ายทอดแรงสั่น รวมถึงความเชื่อมโยงกับความ ผิดปกติทางโครงสร้างอย่างชัดเจน ก่อนที่จะสามารถนำข้อมูลการเปลี่ยนแปลงของบีตไปประยุกต์ใช้ ในการระบุจุดที่เกิดความเสียหายหรือความผิดปกติของโครงสร้างได้อย่างแม่นยำ ดังนั้น จึงเสนอให้มีการดำเนินการศึกษาข้อมูลในระดับที่ละเอียดมากขึ้น เพื่อยืนยันแนวโน้มที่ พบและพัฒนาระบบตรวจจับความผิดปกติของโครงสร้างที่มีความน่าเชื่อถือและใช้งานได้จริง 64 เอกสารอ้างอิง [1] ไทยรัฐ, [2565], เสาทรูมูฟล้มโดนรถ 5 คันในลานจอด ร.ร.ที่ลพบุรี พบถูกโจรไขนอตลักตัด เหล็ก [Online], Available: https://www.thairath.co.th/news/local/central/2541936 [1 สิงหาคม 2567]. [2] What is artificial intelligence (AI)? [Online], Available: https://www.ibm.com/topics /artificial-intelligence [3 สิงหาคม 2567]. [3] What is machine learning (ML)? [Online], Available: https://www.ibm.com/topics/ma chine-learning [3 สิงหาคม 2567]. [4] What is deep learning? [Online], Available: https://www.ibm.com/topics/deeplearni ng [3 สิงหาคม 2567]. [5] What is a neural network? [Online], Available: https://www.ibm.com/topics/neural-networks [3 สิงหาคม 2567]. [6] What are convolutional neural networks? [Online], Available: https://www.ibm.com /topics/convolutional-neural-networks [3 สิงหาคม 2567]. [7] What is Modulus of Elasticity – Elastic Modulus – Definition [Online], Available: https://material-properties.org/what-is-modulus-of-elasticity-elastic-modulusdefinition/ [10 สิงหาคม 2567]. [8] What is a Truss? Common Types of Trusses in Structural Engineering [Online], Available: https://skyciv.com/docs/tutorials/truss-tutorials/types-of-trussstructures/#types-of-trusses [10 สิงหาคม 2567]. [9] กรมโยธาธิการและผังเมืองกระทรวงมหาดไทย, “การคํานวณแรงลมสถิตเทียบเท่าโดยวิธีการ อย่างง่าย,” มาตรฐานการคำนวณแรงลมและการตอบสนองของอาคาร, กรมโยธาธิการและผัง เมืองกระทรวงมหาดไทย, พิมพ์ครั้งที่1, บริษัท เอส.พี.เอ็ม. การพิมพ์จํากัด, 2550, หน้า817.[3 สิงหาคม 2567] [10] Guyed towers [Online], Available: https://www.commstructures.com/towers/guyed-towers [8 สิงหาคม 2567]. 65 [11] Guide to Guyed Towers and Masts [Online], Available: https://www.telecommunicat iontower.com/news/guide-to-guyed-towers-andmasts-60.html [8 สิงหาคม 2567]. [12] กรมโยธาธิการและผังเมืองกระทรวงมหาดไทย, [2550], มาตรฐานการคำนวณแรงลมและการ ตอบสนองของอาคาร [Online], สืบค้นจากhttp://www1.ldd.go.th /web_egd/KM_ Bureau/KM%20WindCode.pdf [8 สิงหาคม 2567]. [13] Nyquist–Shannon sampling theorem[Online], Available: https://en.wikipedia.org/wiki/Nyquist%E2%80%93Shannon_sampling_theorem [21 กันยายน 2567] [14] การแปลงฟูริเยร์อย่างรวดเร็ว (FFT)[Online], Available: https://ichi.pro/th/kar-paelngfu-ri-yer-xyang-rwdrew-fft-104001817508920 [21 กันยายน 2567] [15] สเปกโตรแกรม [Online], Available: https://hmong.in.th/wiki/Spectrograms [21 กันยายน 2567] [16] TrainingOptionsSGDM [Online], Available: https://www.mathworks.com/help/deeplearning/ref/nnet.cnn.trainingoptionssgd m.html [21 กันยายน 2567] 66 ภาคผนวก ก ขั้นตอนการดำเนินงานด้วย MATLAB เพื่อพัฒนาและประเมินโมเดล AI 67 1. โค้ดสำหรับโมเดล CNN 1.1 การเทรนโมเดล CNN 1.1.1 การโหลดและเตรียมข้อมูล % ตั้งค่าโฟลเดอร์ที่เก็บข้อมูล folder = 'D:\project Senior\Final\abaqus\triangle\alldata'; files = dir(fullfile(folder, '*.xlsx')); num_files = length(files); spectrograms_all = []; labels_all = []; disp("เริ่มโหลดและประมวลผลข้อมูล..."); for i = 1:num_files filepath = fullfile(folder, files(i).name); data = readtable(filepath); time = data{:,1}; dt = time(2) - time(1); fs = 1 / dt; % sampling rate raw = data{:,2:10}; % x1-z3 68 1.1.2 การแปลงสัญญาณด้วย FFT และ Spectrogram specs = cell(1,9); for j = 1:9 sig = raw(:,j); sig = sig - mean(sig); % ลบค่าเฉลี่ย sig = sig / max(abs(sig)); % normalize sig(~isfinite(sig)) = 0; % ทำ FFT nfft = 1024; Y = fft(sig, nfft); Y_mag = abs(Y(1:nfft/2)); % ไม่ใช้โดยตรง แต่ไว้ดูแนวโน้ม % แปลงเป็น Spectrogram [S,~,~] = pspectrum(sig, fs, 'spectrogram', ... 'TimeResolution', 100/fs, ... 'OverlapPercent', 80, ... 'Leakage', 1); specs{j} = imresize(S, [128,128]); % Resize ทุกแชนเนล end spec_img = cat(3, specs{:}); spectrograms_all(:,:,:,i) = spec_img; 69 1.1.3 การกำหนด Label จากชื่อไฟล์ % ดึง label จากชื่อไฟล์ tokens = regexp(files(i).name, '_([0-9]+)p', 'tokens'); if ~isempty(tokens) && str2double(tokens{1}{1}) == 0 labels_all(i) = 0; % เสาสมบูรณ์ else labels_all(i) = 1; % เสาถูกถอด end end 1.1.4 การสร้างและฝึกโมเดล CNN % แบ่งข้อมูล train/validation [train_idx, val_idx] = dividerand(num_files, 0.8, 0.2); XTrain = spectrograms_all(:,:,:,train_idx); YTrain = categorical(labels_all(train_idx)); XVal = spectrograms_all(:,:,:,val_idx); YVal = categorical(labels_all(val_idx)); % สร้าง CNN inputSize = [128 128 9]; layers = [ imageInputLayer(inputSize) convolution2dLayer(3,32,'Padding','same') 70 batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) convolution2dLayer(3,64,'Padding','same') batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(2) softmaxLayer classificationLayer ]; % ตั้งค่าการฝึก options = trainingOptions('adam', ... 'InitialLearnRate', 0.0005, ... 'MaxEpochs', 20, ... 'MiniBatchSize', 16, ... 'ValidationData', {XVal, YVal}, ... 'Shuffle', 'every-epoch', ... 'Verbose', true, ... 'Plots', 'training-progress'); % ฝึกโมเดล disp("กำลังฝึกโมเดล..."); 71 net = trainNetwork(XTrain, YTrain, layers, options); save('improved_cnn_model.mat', 'net'); disp("เสร็จสิ้นการฝึกโมเดล"); 1.1.5 การประเมินผลและการแสดงผล % ทดสอบผล YPred = classify(net, XVal); acc = mean(YPred == YVal) * 100; disp(['🎯 Accuracy: ', num2str(acc, '%.2f'), '%']); % แสดง Confusion Matrix figure; confusionchart(YVal, YPred); title("Confusion Matrix - CNN"); end 1.2: ขั้นตอนการทำนายด้วยโมเดล CNN 1.2.1โหลดโมเดล CNN % โหลดโมเดล CNN load('improved_cnn_model.mat', 'net'); 72 1.2.2 อ่านข้อมูลจากไฟล์ Excel % โฟลเดอร์ไฟล์ raw data_folder = 'D:\project Senior\Final\abaqus\triangle\test'; files = dir(fullfile(data_folder, '*.xlsx')); % เตรียมเก็บผลทั้งหมด results = {}; for i = 1:length(files) fname = files(i).name; fpath = fullfile(data_folder, fname); fprintf('\n ตรวจสอบไฟล์: %s\n', fname); try % อ่านข้อมูล data = readtable(fpath); time = data{:,1}; dt = time(2) - time(1); fs = 1/dt; raw = data{:,2:10}; 1.2.3 เตรียมสัญญาณดิบ specs = cell(1,9); for j = 1:9 sig = raw(:,j); 73 sig = sig - mean(sig); sig = sig / max(abs(sig)); sig(~isfinite(sig)) = 0; 1.2.4 ทำ FFT กับแต่ละสัญญาณ % ทำ FFT nfft = 1024; Y = fft(sig, nfft); Y_mag = abs(Y(1:nfft/2)); 1.2.5 แปลงเป็น Spectrogram % แปลงเป็น Spectrogram [S,~,~] = pspectrum(sig, fs, 'spectrogram', ... 'TimeResolution', 100/fs, ... 'OverlapPercent', 80, ... 'Leakage', 1); specs{j} = imresize(S, [128, 128]); % รวมเป็น input สำหรับ CNN input = cat(3, specs{:}); input = reshape(input, [128 128 9 1]); % ใส่ batch dimension 74 1.2.6 ทำนายด้วยโมเดล CNN % ทำนาย pred = classify(net, input); % แสดงผล if pred == categorical(0) fprintf(' ทำนายว่า: เสาสมบูรณ์ (Class 0)\n'); else fprintf(' ทำนายว่า: เสาถูกถอด (Class 1)\n'); end catch ME fprintf('❌ เกิดข้อผิดพลาดกับไฟล์: %s\n', fname); fprintf('➤ รายละเอียด: %s\n', ME.message); end end disp('🎉 เสร็จสิ้นการทำนายทุกไฟล์แล้ว!'); 2. การวิเคราะห์บีตในสัญญาณความเร่ง 2.1 การคำนวณ Envelope ของสัญญาณความเร่ง 2.1.1การคำนวณ Envelope ของสัญญาณความเร่ง folder_path = 'D:\project Senior\Final\ข้อมูลใหม่\120\interpolate'; save_path = 'D:\project Senior\Final\ข้อมูลใหม่\120\envelope'; file_list = dir(fullfile(folder_path, '*.xlsx')); 75 2.1.2 กำหนดชื่อแกนและตำแหน่งของเซนเซอร์ sensor_positions = {'Top', 'Middle', 'Bottom'}; axis_labels = {'X', 'Y', 'Z'}; 2.1.3 การอ่านข้อมูลและคำนวณ Sampling Rate data = readtable(current_file_path); time_data = data{:, 1}; dt_check = diff(time_data); if all(abs(dt_check - dt_check(1)) < 1e-6) Fs = 1 / (time_data(2) - time_data(1)); else Fs = 1 / mean(dt_check); end 2.1.4 การคำนวณ Envelope ของแต่ละช่องสัญญาณ window_size = round(Fs * 0.05); % ความยาวหน้าต่าง 5% ของ 1 วินาที for pos = 1:3 for axis = 1:3 signal = sensor_data{pos}(:, axis); 76 if all(isnan(signal)) || sum(~isnan(signal)) < 3 envelope_data.(col_name) = NaN(height(data),1); continue; end [upper_env, ~] = envelope(signal, window_size, 'peak'); envelope_data.(col_name) = upper_env; end end 2.1.5 การบันทึกผลลัพธ์ output_filename = sprintf('%s_Envelope.xlsx', current_file(1:end-5)); output_file = fullfile(save_path, output_filename); writetable(envelope_data, output_file); 2.3การแปลงสัญญาณ Envelope ด้วย Fast Fourier Transform (FFT) 2.3.1 การกำหนดพาธและดึงรายชื่อไฟล์ folder_path = 'D:\project Senior\Final\ข้อมูลใหม่\120\envelope'; save_path = 'D:\project Senior\Final\ข้อมูลใหม่\120\fft envelope'; files = dir(fullfile(folder_path, '*.xlsx')); 77 2.3.2 การอ่านข้อมูลและคำนวณ Sampling Rate data = readtable(file_path); time_data = data{:, 1}; dt = mean(diff(time_data)); Fs = 1 / dt; 2.3.3 การทำ Normalization และ FFT signal = (signal - mean(signal)) / std(signal); N = length(signal); Y = abs(fft(signal)); Y = Y(1:floor(N/2)+1); f = Fs * (0:(floor(N/2))) / N; 2.3.4 การกรองย่านความถี่และจัดเก็บผลลัพธ์ max_freq = 50; idx = f <= max_freq; f = f(idx); Y = Y(idx); fft_results.(signal_name) = Y; 2.3.5 การเซฟผลลัพธ์ลงไฟล์ output_file = fullfile(save_path, ['FFT_' file_name]); writetable(fft_results, output_file); 78 2.4 การพล็อตกราฟ FFT และตรวจจับจุดยอดความถี่บีต (Multiple Peak) 2.4.1 การตั้งค่าโฟลเดอร์สำหรับอ่านและบันทึกผลลัพธ์ inputFolder = '...'; outputRootFolder = '...'; fileList = dir(fullfile(inputFolder, '*.xlsx')); 2.4.2 การอ่านข้อมูลและเตรียมพล็อตกราฟ f = data.Frequency_Hz; columns = data.Properties.VariableNames(2:end); 2.4.3 การตรวจจับ peak ในช่วงความถี่ 0–1 Hz f_range = (f >= 0) & (f <= 1); f_zoom = f(f_range); y_zoom = y(f_range); [peaks, locs] = findpeaks(y_zoom, f_zoom, 'MinPeakProminence', 0.01); 2.4.4 การพล็อตกราฟและแสดงตำแหน่งจุดยอด plot(f, y, 'b-'); hold on; plot(locs, peaks, 'ro'); 2.4.5 การแสดงผลลัพธ์สรุปในกราฟ labelText = "Peaks (0–1 Hz):"; labelText = labelText + newline + ... sprintf('ยอดที่ %d: %.4f Hz – %.4f', p, locs(p), peaks(p)); 79 2.4.6 การแสดงผลลัพธ์สรุปในกราฟ outputFile = fullfile(outputFolder, [colName '_FFT_LabeledPeak.png']); exportgraphics(fig, outputFile, 'Resolution', 300); 80 ภาคผนวก ข ขั้นตอนการสร้างโครงสร้างและการจำลองในโปรแกรม SolidWorks 81 1. การสร้างเสาโทรคมนาคม ผู้จัดทำได้ทำการสร้างแบบจำลองเสาโทรคมนาคมขนาด ¼ ของขนาดจริง และใช้คำสั่ง Structural โดยมีรายละเอียดดังนี้ ส่วน Pipe ขนาด 88.9 มม. X 5.4t มม. และส่วน L Beam ขนาด 50 มม. X 50 มม. X 4 มม. 1.1. สร้างส่วนฐานของเสาโทรคมนาคม รูปที่ ข.1 โครงสร้างส่วนฐาน สูง 2 เมตร 1.2. สร้างส่วนอื่นๆ โดยที่กำหนดให้ทุกส่วนมีโครงสร้างเหมือนกัน รูปที่ ข.2 โครงสร้างส่วนอื่นๆ 82 1.3. การกำหนดวัสดุของเสาโทรคมนาคม รูปที่ ข.3 Properties ของวัสดุที่ใช้ 1.4. ประกอบส่วนต่างๆ เพื่อนำไปใช้ในการจำลองเสมือนจริง รูปที่ ข.4 เสาขนาด ¼ ของขนาดจริง 2. การจำลองเสมือนจริง (simulation): Linear Dynamics 2.1. การติดตั้งเซ็นเซอร์ ในการจำลองครั้ ง นี้ ได้ ทำการติ ด ตั้ ง เซ็ น เซอร์ ที่ ตำแหน่ ง บน กลาง ล่า ง ของเสา โทรคมนาคม ดังรูปที่ ข.5 เพื่อเก็บข้อมูลการสั่นสะเทือน 3 แนวแกน โดยข้อมูลเหล่านี้จะถูก นำมาใช้เป็นชุดข้อมูลสำหรับการเทรนโมเดล AI เพื่อให้ระบบสามารถเรียนรู้และตรวจสอบความ ผิดปกติที่เกิดขึ้นกับโครงสร้างได้ 83 รูปที่ ข.5 จุดติดตั้ง sensor 2.2. เลือกคำสั่ง Properties และตั้งค่า Time increment Fs คำนวณได้จากทฤษฎีของ Nyquist โดยมีค่าเท่ากับ 10*56.515 Hz และคำนวณค่า Time increment จากสูตร 1/Fs ได้เท่ากับ 0.00177 วินาที และกำหนดค่า End time เป็น 2 วินาที รูปที่ ข.6 ตั้งค่า Dynamic Option 84 2.3. เลือกคำสั่ง Fixture เลือกจุด Fixed ที่บริเวณฐานของเสาโทรคมนาคม รูปที่ ข.7 จุด Fixed 2.4. เลือกคำสั่ง External force 2.4.1. เลือกคำสั่ง Remote mass ถ่วงมวลที่บริเวณด้านบนของเสา ให้ความถี่ในโหมดที่ 1 ของเสาโทรคมนาคมอยู่ในช่วง 34 Hz เพื่อให้คงความเป็น Dynamics behavior เนื่องจากมีการย่อขนาดเสาลง รูปที่ ข.8 จุดที่ถ่วงมวล 85 2.4.2. เลือกคำสั่ง Base excitation กำหนดให้มีโหลดมากระทำที่ฐานของเสา ดังรูปที่ ข.9 เป็นแบบ Unit step เพื่อให้เกิด การสั่นในโครงสร้าง รูปที่ ข.9 Load ที่กระทำเสา 2.5. เลือกคำสั่ง Mesh และ Create mesh ใช้ mesh แบบ beam element 2.6. เลือกคำสั่ง Run study 2.6.1. เลือกคำสั่ง Probe และ Modal time history เพื่อเก็บข้อมูลการสั่นสะเทือนทั้ง 3 แนวแกน ในรูปแบบไฟล์ .csv รูปที่ ข.10 Result ของการสั่นสะเทือน 3. การจำลองเสมือนจริง (simulation): Static Analysis 3.1 ผลการจำลอง เพื่อดูการเปลี่ยนแปลงที่เกิดขึ้นเมื่อทำการถอดชิ้นส่วนของโครงสร้างจากการเปลี่ยนแปลงของ stress และ displacement รูปที่ ข.11 ผลลัพธ์ที่ได้จากการจำลองแบบ Static 86 ภาคผนวก ค ขั้นตอนการสร้างโครงสร้างและการจำลองในโปรแกรม Abaqus 87 1. ใช้โปรแกรม Abaqus สร้างชิ้นส่วนแต่ละส่วนของเสา โดยมีรายละเอียดดังนี้ ภาพที่ ค.1 Part ที่สร้างทั้งหมด 1.1 Part 1: เสาที่มีฐานสามเหลี่ยมด้านเท่ายาว 200 mm. และยอดสามเหลี่ยมด้าน เท่า ยาว 900 mm. ความสูง 2000 mm. ภาพที่ ค.2 Part 1 88 1.2 Part 2-10: เสาที่มีฐานและยอดสามเหลี่ยมด้านเท่ายาว 900 mm. สูง 5700 mm. ภาพที่ ค.3 Part 2-10 1.3 Part 11: เสาที่มีฐานและยอดสามเหลี่ยมด้านเท่ายาว 900 mm. สูง 2700 mm. ภาพที่ ค.4 Part 11 1.4 Part 12: เสาที่มีฐานและยอดสามเหลี่ยมด้านเท่ายาว 900 mm. สูง 4700 mm. ภาพที่ ค.5 Part 12 89 1.5 Part 13: อุปกรณ์ติดตั้งกับเสา ระยะห่างของขาที่ยึดคือ 0.94 m ภาพที่ ค.6 Part 13 1.6 Part 14: ส่วนที่ยึดกับสลึงข้างบนด้านที่ 1 ภาพที่ ค.7 Part 14 1.7 Part 15: ส่วนที่ยึดกับสลึงข้างบนด้านที่ 2 ภาพที่ ค.8 Part 15 90 1.8 Part 16: ส่วนที่ยึดกับสลึงข้างบนด้านที่ 3 ภาพที่ ค.9 Part 16 1.9 Part 17: อุปกรณ์ติดตั้งกับเสา ระยะห่างของขาที่ยึดคือ 0.95 m ภาพที่ ค.10 Part 17 1.10 Part 18: สลิงที่ยึดกับเสา ที่ความสูง 20 m ภาพที่ ค.11 Part 18 91 1.11 Part 19: สลิงที่ยึดกับเสา ความสูงที่ 38 m ภาพที่ ค.12 Part 19 1.12 Part 20: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 1) ภาพที่ ค.13 Part 20 1.13 Part 21: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 2) ภาพที่ ค.14 Part 21 92 1.14 Part 22: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 3) ภาพที่ ค.15 Part 22 1.15 Part 23: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 4) 8 ภาพที่ ค.16 Part 23 1.16 Part 24: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 5) ภาพที่ ค.17 Part 24 93 1.17 Part 25: สลิงที่ยึดกับเสา ความสูงที่ 59 m (เส้นที่ 6) ภาพที่ ค.18 Part 25 2. Assembly: ทำการนำแต่ละ Part ที่สร้างมาประกอบรวมกันทั้งหมด โดยจะมีจำนวน Part แต่ละ ชิ้นดังนี้: 2.1 - Part 1: 1 ชิ้น 2.2 - Part 2-10: 1 ชิ้น รวมทั้งหมด (9 ชิ้น) 2.3 - Part 11: 1 ชิ้น 2.4 - Part 12: 1 ชิ้น 2.5 - Part 13: 3 ชิ้น 2.6 - Part 14: 1 ชิ้น 2.7 - Part 15: 1 ชิ้น 2.8 - Part 16: 1 ชิ้น 2.9 – Part 17: 3 ชิ้น 2.10 – Part 18: 3 ชิ้น 2.11 - Part 19: 3 ชิ้น 2.12 - Part 20: 1 ชิ้น 2.13 - Part 21: 1 ชิ้น 2.14 - Part 22: 1 ชิ้น 2.15 - Part 23: 1 ชิ้น 2.16 - Part 24: 1 ชิ้น 2.17 - Part 25: 1 ชิ้น 94 ภาพที่ ค.19 Assembly 3. Property: ตารางที่ 3-1 ค่า Properties ของวัสดุต่างๆ Material Density (Kg/m3) Young’s modulus (GPa) Equipment JIS SS400 JIS STK41 Steel-Sling 1 7850 7850 7958 200 202 202 165 Pre-tension load (Sling only) (MPa) 107 4. การใส่ Profile: 4.1 Pipe: ใส่ในส่วนของเสาหลัก 3 ต้น ภาพที่ ค.20 Pipe Profile 95 Yield strength (MPa) Ultimate tensile Strength (MPa) 250 241 400 414 1338 4.2 L beam: ใส่ส่วนของชิ้นที่แบ่งระหว่างช่วง และ ส่วนที่เอียง ภาพที่ ค.21 L beam Profile 4.3 Truss: ใส่ในส่วนของ Part สลิง ภาพที่ ค.22 Truss Profile 4.4 Equipment: ภาพที่ ค.23 Equipment Profile 96 5. ชนิดของการ Simulation 5.1 Static Simulation ใช้สำหรับการวิเคราะห์ปัญหาที่อยู่ในสภาวะสมดุลแบบคงที่ (Static Equilibrium) เช่น การวิเคราะห์โครงสร้างที่รับแรงคงที่ ไม่เปลี่ยนแปลงตามเวลา เช่น แรงกด แรงดึง หรือแรง กระทำที่ไม่แปรเปลี่ยนระหว่างการวิเคราะห์ 5.2 Dynamic Simulation เหมาะกับ ปัญหาที่มีการเปลี่ยนแปลงตามเวลา เช่น การชนกัน (Impact) หรือการ วิเคราะห์การตอบสนองแบบแปรผันตามเวลา (Transient -Res pons e) เช่น การ สั่นสะเทือนของโครงสร้างเมื่อมีแรงกระทำ 5.3 Frequency Analysis การวิเคราะห์ความถี่ เป็นการวิเคราะห์เพื่อหาความถี่ธรรมชาติ (natural frequencies) ของโครงสร้างหรือระบบทางกล (mechanical system) ที่สามารถช่วยในการศึกษาเรื่อง การ สั่นสะเสือน การออกแบบโครงสร้าง หรือการวิเคราะห์ระบบเครื่องจักร การวิเคราะห์นี้จะใช้ใน การหาความถี่และรูปแบบการสั่น (mode shapes) ที่เกิดขึ้นในระบบ โดยใช้การคำนวณเฉพาะ ทางที่สามารถแสดงผลในรูปแบบกราฟหรือข้อมูลที่แสดงถึงลักษณะการสั่นของโครงสร้างในแต่ ละโหมด (mode) 6. ขั้นตอนการทำ Frequency Analysis ใน Abaqus มีดังนี้ 6.1 สร้าง Model - สร้างชิ้นงาน (Part) ที่ต้องการวิเคราะห์ เช่น โครงสร้าง แผ่น หรือวัตถุ - กำหนดคุณสมบัติของวัสดุ (Material Properties) เช่น ความหนาแน่น (Density) ค่า ความยืดหยุ่น (Elastic Modulus) และค่าความหนืด (Poisson’s Ratio) เพราะการ วิเคราะห์ความถี่ต้องใช้คุณสมบัติเหล่านี้ในการคำนวณ 6.2 สร้าง Assembly - นำชิ้นงานมาจัดวางในตำแหน่งที่ต้องการใน Assembly Module 97 6.3 กำหนด Step แบบ Frequency - ไปที่ โ มดู ล Step แล้ ว สร้า ง Step ใหม่ โดยเลื อ กประเภทของการวิ เ คราะห์ เ ป็ น Frequency ซึ่งจะให้ Abaqus ทำการคำนวณหา Natural Frequencies และ Mode Shapes ของโครงสร้าง - กำหนดจำนวนของโหมดที่ต้องการให้คำนวณ (Number of Modes) เช่น 5 หรือ 10 โหมด 6.4 กำหนด Boundary Conditions - ตั้งค่า Boundary Conditions เพื่อระบุจุดที่ต้องการยึดโครงสร้างไว้ เช่น การตรึงที่ ขอบหรือการจำกัดการเคลื่อนไหวบางส่วน ซึ่งส่งผลต่อรูปแบบการสั่นของโครงสร้าง 6.5 สร้าง Mesh - ไปที่โมดูล Mesh แล้วสร้างตาข่าย (Mesh) สำหรับชิ้นงาน โดยปรับขนาดตาข่ายให้ เหมาะสมเพื่อให้ได้ผลการวิเคราะห์ที่แม่นยำ 6.6 Run Job - สร้างและรัน Job เพื่อเริ่มการวิเคราะห์ โดยตรวจสอบว่าทุกส่วนถูกตั้งค่าเรียบร้อยแล้ว 6.7 ตรวจสอบผลลัพธ์ - ไปที่ Visualization Module เพื่อดูผลการวิเคราะห์ความถี่และโหมดการสั่นของ โครงสร้าง (Mode Shapes) - Abaqus จะแสดงค่าความถี่ธรรมชาติ (Natural Frequencies) ของแต่ละโหมด และ เราสามารถดูภาพเคลื่อนไหวของ Mode Shapes ได้เพื่อทำความเข้าใจรูปแบบการสั่น ของโครงสร้าง หมายเหตุ: ความถี่ที่ได้จาก Frequency Analysis สามารถนำไปใช้ในการวิเคราะห์เชิง พลศาสตร์ (Dynamic Analysis) เพื่อตรวจสอบผลกระทบของแรงสั่นสะเทือนที่เกิดขึ้น จากแหล่งภายนอก 7. การใส่ Step (Static) 7.1 Step-1: Create Step - Procedure type: Choose Static, General 7.2 Frequency: Create Step - Procedure type: Choose Linear perturbation - Frequency: ใส่จำนวนโหมดที่ต้องการ 98 ภาพที่ ค.24 แสดงตาราง Step manager ภาพที่ ค.24 แสดงจำนวนที่ต้องการใส่ mode shape 8. การใส่ Step (Dynamic, Implicit) 8.1 Step-0: Create Step - Procedure type: Choose Static, General → Nlgeom ON 8.2 Step-1: Create Step - Procedure type: Choose Dynamic, Implicit → Nlgeom On ภาพที่ ค.25 แสดงตาราง Step Manager 99 9. การใส่ Load และแรงลม 9.1 คำนวณ Load แรงลมตามมาตรฐาน มยผ. ใช้วิธีการคำนวณอย่างละเอียด โดยใช้ Excel เข้ามาช่วยในการคำนวณ โดยคำนวณ Load ในช่วง 0-64 m ระยะห่างแต่ละช่วงเป็น 1 m เมื่อคำนวณเสร็จเรียบร้อยแล้ว Plot กราฟเปรียบเทียบระหว่างแรงลมและความสูงได้ภาพ ดังนี้ ภาพที่ ค.26 กราฟ Wind Load Profile แสดงการเปรียบเทียบระหว่าง แรงลม กับ ความสูง 9.2 ใส่ Gravity Load ที่ Step-0 - เลือก Concentrated force ภาพที่ ค.27 การเลือก Gravity load 100 - ใส่ค่า Gravity load ที่ -9.81 (ทิศทาง -Z) ภาพที่ ค.28 ใส่ค่า Gravity load 9.3 ใส่ Load ในโปรแกรม Abaqus ที่ Step-1 1. เลือก Concentrated force ภาพที่ ค.29 การเลือก Load ที่จะใช้ 101 2. สร้างโปรไฟล์แรงลมที่ต้องการ Simulation - ไปที่ load Module → Tools → Amplitude → Manager ภาพที่ ค.30 สร้างโปรไฟล์แรงลม 3. ใส่ค่า Load ที่คำนวณมาตั้งแต่ 0-64 m โดยระยะห่างของช่วง 1m ในแกน -Y ภาพที่ ค.31 แสดงการใส่ค่า Load ที่คำนวณในช่วงที่ 0-1 m ในแกน -Y 102 ภาพที่ ค.32 แสดง Load ที่กระทำในแนวแกน -Y หลังจากใส่ค่า 4. ทำซ้ำข้อที่ 1 และ ขอที่ 2 จนครบทุกช่วง ภาพที่ ค.33 แสดง Load ที่กระทำในแนวแกน -Y ครบทุกช่วง 5. การใส่ Predefined Field ชนิด Stress ให้กับ sling ที่ค่า 107 MPa เพื่อสะท้อนสภาพแรงดึง หรือแรงอัดที่เกิดจากการติดตั้งหรือแรงพื้นฐาน และช่วยจำลองสภาพการทำงานจริงให้การ วิเคราะห์แสดงผลลัพธ์ที่สมจริงเมื่อมีโหลดเพิ่มเติม โดยสามารถใส่ได้ที่ Module: Step 103 ภาพที่ ค.34 แสดงเลือกสลิงในการใส่ Predefined Field ชนิด Stress ภาพที่ ค.35 แสดงการใส่ค่า Pre-tension load 107 MPa 6. การใส่น้ำหนักของอุปกรณ์ติดตั้งเสาสัญญาณ - Module: Property → Special → Inertia → Create → Point mass/Inertia ภาพที่ ค.36 เลือกจุดที่ต้องการใส่น้ำหนัก และที่ค่า 0.044 ตัน 104 10. หลังจากนั้นไปที่ Job Module เพื่อทำการ Simulation เสา 11. เลือก Create XY Data → ODB field output ภาพที่ ค.37 12. Variable → ตรง Position: ให้เลือก Unique Nodal → กดเลือก A: Spatial acceleration → เลือก A1,A2,A3 (คือค่าความเร่งในแนวแกน X, Y, และ Z) ภาพที่ ค.38 105 13. จากนั้นไปที่ Element/Nodes เลือกจุดที่เราต้องการติดเซนเซอร์เพื่อได้ค่าออกมา → กด Plot ภาพที่ ค.39 14. กราฟความเร่งที่ Plot ออกมาทั้ง 3 แนวแกน ภาพที่ ค.40 15. ไปที่ XY Data Manager ภาพที่ ค.41 106 16. กด Double click ที่ data ของแต่ละแกน โดย แกน X คือ Time และ แกน Y คือ Acceleration ภาพที่ ค.42 17. หลังจากนั้น Copy ค่า และเก็บค่าไว้ในโปรแกรม Microsoft Excel นามสกุลไฟล์ .xlxs เพื่อนำไปเทรน AI ต่อ 107 10. ข้อมูลการสั่นสะเทือนที่เกิดบีต Normal 30 degree รูปที่ ค.43 ข้อมูลที่เกิดบีต Layer 1, ชิ้นที่ 1, มุม 30 รูปที่ ค.44 ข้อมูลที่เกิดบีต Layer 1, ชิ้นที่ 2, มุม 30 รูปที่ ค.45 ข้อมูลที่เกิดบีต 108 Layer 1, ชิ้นที่ 3, มุม 30 รูปที่ ค.46 ข้อมูลที่เกิดบีต Layer 2, ชิ้นที่ 1, มุม 30 รูปที่ ค.47 ข้อมูลที่เกิดบีต Layer 2, ชิ้นที่ 2, มุม 30 รูปที่ ค.48 ข้อมูลที่เกิดบีต 109 Layer 2, ชิ้นที่ 3, มุม 30 รูปที่ ค.49 ข้อมูลที่เกิดบีต Layer 3, ชิ้นที่ 1, มุม 30 รูปที่ ค.50 ข้อมูลที่เกิดบีต Layer 3, ชิ้นที่ 2, มุม 30 รูปที่ ค.51 ข้อมูลที่เกิดบีต 110 Layer 3, ชิ้นที่ 3, มุม 30 รูปที่ ค.52 ข้อมูลที่เกิดบีต Layer 4, ชิ้นที่ 1, มุม 30 รูปที่ ค.53 ข้อมูลที่เกิดบีต Layer 4, ชิ้นที่ 2, มุม 30 รูปที่ ค.54 ข้อมูลที่เกิดบีต 111 Layer 4, ชิ้นที่ 3, มุม 30 รูปที่ ค.55 ข้อมูลที่เกิดบีต Layer 5, ชิ้นที่ 1, มุม 30 รูปที่ ค.56 ข้อมูลที่เกิดบีต Layer 5, ชิ้นที่ 2, มุม 30 รูปที่ ค.57 ข้อมูลที่เกิดบีต 112 Layer 5, ชิ้นที่ 3, มุม 30 รูปที่ ค.58 ข้อมูลที่เกิดบีต Layer 6, ชิ้นที่ 1, มุม 30 รูปที่ ค.59 ข้อมูลที่เกิดบีต Layer 6, ชิ้นที่ 2, มุม 30 รูปที่ ค.60 ข้อมูลที่เกิดบีต 113 Layer 6, ชิ้นที่ 3, มุม 30 รูปที่ ค.61 ข้อมูลที่เกิดบีต Layer 7, ชิ้นที่ 1, มุม 30 รูปที่ ค.62 ข้อมูลที่เกิดบีต Layer 7, ชิ้นที่ 2, มุม 30 รูปที่ ค.63 ข้อมูลที่เกิดบีต 114 Layer 7, ชิ้นที่ 3, มุม 30 รูปที่ ค.64 ข้อมูลที่เกิดบีต Layer 8, ชิ้นที่ 1, มุม 30 รูปที่ ค.65 ข้อมูลที่เกิดบีต Layer 8, ชิ้นที่ 2, มุม 30 รูปที่ ค.66 ข้อมูลที่เกิดบีต 115 Layer 8, ชิ้นที่ 3, มุม 30 รูปที่ ค.67 ข้อมูลที่เกิดบีต 116 Normal, 60 Degree รูปที่ ค.68 ข้อมูลที่เกิดบีต Layer 1 ชิ้นที่ 1, 60 Degree รูปที่ ค.69 ข้อมูลที่เกิดบีต 117 Layer 1 ชิ้นที่ 2, 60 Degree รูปที่ ค.70 ข้อมูลที่เกิดบีต 118 Layer 1 ชิ้นที่ 3, 60 Degree รูปที่ ค.71 ข้อมูลที่เกิดบีต 119 Layer 2 ชิ้นที่ 1, 60 Degree รูปที่ ค.72 ข้อมูลที่เกิดบีต 120 Layer 2 ชิ้นที่ 2, 60 Degree รูปที่ ค.73 ข้อมูลที่เกิดบีต 121 Layer 2 ชิ้นที่ 3, 60 Degree รูปที่ ค.74 ข้อมูลที่เกิดบีต Layer 3 ชิ้นที่ 1, 60 Degree รูปที่ ค.75 ข้อมูลที่เกิดบีต 122 Layer 3 ชิ้นที่ 2, 60 Degree รูปที่ ค.76 ข้อมูลที่เกิดบีต 123 Layer 3 ชิ้นที่ 3, 60 Degree รูปที่ ค.77 ข้อมูลที่เกิดบีต 124 Layer 4 ชิ้นที่ 1, 60 Degree รูปที่ ค.78 ข้อมูลที่เกิดบีต Layer 4 ชิ้นที่ 2, 60 Degree รูปที่ ค.79 ข้อมูลที่เกิดบีต 125 Layer 4 ชิ้นที่ 3, 60 Degree รูปที่ ค.80 ข้อมูลที่เกิดบีต 126 Layer 5 ชิ้นที่ 1, 60 Degree รูปที่ ค.81 ข้อมูลที่เกิดบีต Layer 5 ชิ้นที่ 2, 60 Degree รูปที่ ค.82 ข้อมูลที่เกิดบีต 127 Layer 5 ชิ้นที่ 3, 60 Degree รูปที่ ค.83 ข้อมูลที่เกิดบีต Layer 6 ชิ้นที่ 1, 60 Degree รูปที่ ค.84 ข้อมูลที่เกิดบีต 128 Layer 6 ชิ้นที่ 2, 60 Degree รูปที่ ค.85 ข้อมูลที่เกิดบีต Layer 6 ชิ้นที่ 3, 60 Degree รูปที่ ค.86 ข้อมูลที่เกิดบีต 129 Layer 7 ชิ้นที่ 1, 60 Degree รูปที่ ค.87 ข้อมูลที่เกิดบีต Layer 7 ชิ้นที่ 2, 60 Degree รูปที่ ค.88 ข้อมูลที่เกิดบีต 130 Layer 7 ชิ้นที่ 3, 60 Degree รูปที่ ค.89 ข้อมูลที่เกิดบีต Layer 8 ชิ้นที่ 1, 60 Degree รูปที่ ค.90 ข้อมูลที่เกิดบีต 131 Layer 8 ชิ้นที่ 2, 60 Degree รูปที่ ค.91 ข้อมูลที่เกิดบีต Layer 8 ชิ้นที่ 3, 60 Degree รูปที่ ค.92 ข้อมูลที่เกิดบีต 132 Normal 90 degree รูปที่ ค.93 ข้อมูลที่เกิดบีต 133 Layer 1, ชิ้นที่ 1, มุม 90 รูปที่ ค.94 ข้อมูลที่เกิดบีต 134 Layer 1, ชิ้นที่ 2, มุม 90 รูปที่ ค.95 ข้อมูลที่เกิดบีต 135 Layer 1, ชิ้นที่ 3, มุม 90 รูปที่ ค.96 ข้อมูลที่เกิดบีต 136 Layer 2, ชิ้นที่ 1, มุม 90 รูปที่ ค.97 ข้อมูลที่เกิดบีต 137 Layer 2, ชิ้นที่ 2, มุม 90 รูปที่ ค.98 ข้อมูลที่เกิดบีต 138 Layer 2, ชิ้นที่ 3, มุม 90 รูปที่ ค.99 ข้อมูลที่เกิดบีต 139 Layer 3, ชิ้นที่ 1, มุม 90 รูปที่ ค.100 ข้อมูลที่เกิดบีต 140 Layer 3, ชิ้นที่ 2, มุม 90 รูปที่ ค.101 ข้อมูลที่เกิดบีต 141 Layer 3, ชิ้นที่ 3, มุม 90 รูปที่ ค.102 ข้อมูลที่เกิดบีต 142 Layer 4, ชิ้นที่ 1, มุม 90 รูปที่ ค.103 ข้อมูลที่เกิดบีต 143 Layer 4, ชิ้นที่ 2, มุม 90 รูปที่ ค.104 ข้อมูลที่เกิดบีต 144 Layer 4, ชิ้นที่ 3, มุม 90 รูปที่ ค.105 ข้อมูลที่เกิดบีต 145 Layer 5, ชิ้นที่ 1, มุม 90 รูปที่ ค.106 ข้อมูลที่เกิดบีต 146 Layer 5, ชิ้นที่ 2, มุม 90 รูปที่ ค.107 ข้อมูลที่เกิดบีต 147 Layer 5, ชิ้นที่ 3, มุม 90 รูปที่ ค.108 ข้อมูลที่เกิดบีต 148 Layer 6, ชิ้นที่ 1, มุม 90 รูปที่ ค.109 ข้อมูลที่เกิดบีต 149 Layer 6, ชิ้นที่ 2, มุม 90 รูปที่ ค.110 ข้อมูลที่เกิดบีต 150 Layer 6, ชิ้นที่ 3, มุม 90 รูปที่ ค.111 ข้อมูลที่เกิดบีต 151 Layer 7, ชิ้นที่ 1, มุม 90 รูปที่ ค.112 ข้อมูลที่เกิดบีต 152 Layer 7, ชิ้นที่ 2, มุม 90 รูปที่ ค.113 ข้อมูลที่เกิดบีต 153 Layer 7, ชิ้นที่ 3, มุม 90 รูปที่ ค.114 ข้อมูลที่เกิดบีต 154 Layer 8, ชิ้นที่ 1, มุม 90 รูปที่ ค.115 ข้อมูลที่เกิดบีต 155 Layer 8, ชิ้นที่ 2, มุม 90 รูปที่ ค.116 ข้อมูลที่เกิดบีต 156 Layer 8, ชิ้นที่ 3, มุม 90 รูปที่ ค.117 ข้อมูลที่เกิดบีต 157 Normal, 120 Degree รูปที่ ค.118 ข้อมูลที่เกิดบีต Layer 1 ชิ้นที่ 1, 120 Degree รูปที่ ค.119 ข้อมูลที่เกิดบีต 158 Layer 1 ชิ้นที่ 2, 120 Degree รูปที่ ค.120 ข้อมูลที่เกิดบีต 159 Layer 1 ชิ้นที่ 3, 120 Degree รูปที่ ค.121 ข้อมูลที่เกิดบีต 160 Layer 2 ชิ้นที่ 1, 120 Degree รูปที่ ค.122 ข้อมูลที่เกิดบีต 161 Layer 2 ชิ้นที่ 2, 120 Degree รูปที่ ค.123 ข้อมูลที่เกิดบีต 162 Layer 2 ชิ้นที่ 3, 120 Degree รูปที่ ค.124 ข้อมูลที่เกิดบีต 163 Layer 3 ชิ้นที่ 1, 120 Degree รูปที่ ค.125 ข้อมูลที่เกิดบีต 164 Layer 3 ชิ้นที่ 2, 120 Degree รูปที่ ค.126 ข้อมูลที่เกิดบีต 165 Layer 3 ชิ้นที่ 3, 120 Degree รูปที่ ค.127 ข้อมูลที่เกิดบีต 166 Layer 4 ชิ้นที่ 1, 120 Degree รูปที่ ค.128 ข้อมูลที่เกิดบีต 167 Layer 4 ชิ้นที่ 2, 120 Degree รูปที่ ค.129 ข้อมูลที่เกิดบีต 168 Layer 4 ชิ้นที่ 3, 120 Degree รูปที่ ค.130 ข้อมูลที่เกิดบีต 169 Layer 5 ชิ้นที่ 1, 120 Degree รูปที่ ค.131 ข้อมูลที่เกิดบีต 170 Layer 5 ชิ้นที่ 2, 120 Degree รูปที่ ค.132 ข้อมูลที่เกิดบีต 171 Layer 5 ชิ้นที่ 3, 120 Degree รูปที่ ค.133 ข้อมูลที่เกิดบีต 172 Layer 6 ชิ้นที่ 1, 120 Degree รูปที่ ค.134 ข้อมูลที่เกิดบีต 173 Layer 6 ชิ้นที่ 2, 120 Degree รูปที่ ค.135 ข้อมูลที่เกิดบีต 174 Layer 6 ชิ้นที่ 3, 120 Degree รูปที่ ค.136 ข้อมูลที่เกิดบีต Layer 7 ชิ้นที่ 1, 120 Degree รูปที่ ค.137 ข้อมูลที่เกิดบีต 175 Layer 7 ชิ้นที่ 2, 120 Degree รูปที่ ค.138 ข้อมูลที่เกิดบีต 176 Layer 7 ชิ้นที่ 3, 120 Degree รูปที่ ค.139 ข้อมูลที่เกิดบีต Layer 8 ชิ้นที่ 1, 120 Degree รูปที่ ค.140 ข้อมูลที่เกิดบีต 177 Layer 8 ชิ้นที่ 2, 120 Degree รูปที่ ค.141 ข้อมูลที่เกิดบีต 178 Layer 8 ชิ้นที่ 3, 120 Degree รูปที่ ค.142 ข้อมูลที่เกิดบีต 179

Abstract

Telecommunication towers play a crucial role in providing telecommunications and internet services. However, inspecting and maintaining these towers in remote areas is challenging, especially when issues arise due to natural disasters or human actions. This makes the detection of structural defects in telecommunication towers essential. This project focuses on studying and developing an artificial intelligence-based simulation model for detecting structural defects in communication towers. The simulation of structural defects was conducted using SolidWorks and Abaqus by virtually removing specific tower components. Acceleration signals obtained from multiple sensors were then processed using envelope analysis to enhance hidden signal patterns. The processed signals were used to create datasets for training and testing a Convolutional Neural Network (CNN) model. The performance and feasibility of the AI model were subsequently evaluated. ค The developed model is based on a Convolutional Neural Network (CNN), which can classify input signals as either “normal” or “abnormal” with a certain level of accuracy. However, the current model is not yet capable of pinpointing the exact location of the defective component.

อ้างอิงผลงานนี้ / Cite this

รหัสโปรเจค

DC-2567-001

ชื่อเรื่อง

การจำลองระบบเฝ้าติดตามสุขภาพโครงสร้างเสาสื่อสารด้วยเทคนิคปัญญาประดิษฐ์ / Simulation Model of Structural Health Monitoring System for Communication Towers Using Artificial Intelligence

ผู้จัดทำ

บุษยมาส ราษฎร์เมธา, จิรภัทร จิระเจริญรัตน์, ปวริศ ส่องประทีป

อาจารย์ที่ปรึกษา

ผศ.ดร.จักร จันทลักขณา

ปีการศึกษา

2567 (C.E. 2024)

หน่วยงาน

ภาควิชาวิศวกรรมเครื่องกลและการบิน-อวกาศ (MAE) มจพ.

URL

https://maeconnect.eng.kmutnb.ac.th/projects/cmoi2np4l003i0gyrbgvrs71t