การพัฒนาแบบจำลองทางคณิตศาสตร์เพื่อคาดการณ์ค่าความร้อนของขยะมูลฝอยชุมชนในประเทศกำลังพัฒนา

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจาลองทางคณิตศาสตร์เพื่อทานายค่าความร้อนของ ขยะมูลฝอยจากองค์ประกอบทางกายภาพ โดยใช้องค์ประกอบของขยะมูลฝอย เช่น เศษอาหาร กระดาษ พลาสติก ไม้ ยาง ผ้า และวัสดุอื่น ๆ เป็นตัวแปรในการวิเคราะห์ เพื่อศึกษาความสัมพันธ์ ระหว่างองค์ประกอบของขยะมูลฝอยกับค่าความร้อน และนาไปใช้ในการประมาณค่าความร้อนของ ขยะมูลฝอยได้อย่างมีประสิทธิภาพ จากผลการศึกษาสามารถสรุปได้ว่า แบบจาลองทางคณิตศาสตร์ที่พัฒนาขึ้นมีศักยภาพในการ นาไปประยุกต์ใช้ในการประเมินค่าความร้อนของขยะมูลฝอย ซึ่งสามารถเป็นข้อมูลพื้นฐานสาหรับการ วางแผนการจัดการขยะและการนาขยะมูลฝอยไปใช้เป็นพลังงานในอนาคต คาสาคัญ: ขยะมูล ฝอย / ค่าความร้อน / องค์ประกอบทางกายภาพของขยะ / แบบจาลองทาง คณิตศาสตร์ ก Name Thesis Title Apinya Sangkaew Nasreen Preechaphuech Nattakamol Nanmong Saowalak Chinnawong Development of a Mathematical Model for Predicting the Heating Value of Municipal Solid Waste in Developing Countries Department Mechanical and Aerospace Engineering Advisor Prof. Somrat Kerdsuwan, Ph.D. Academic year 2025 Abstract This study aims to develop a mathematical model for predicting the calorific value of municipal solid waste based on its physical composition. Waste components such as food waste, paper, plastics, wood, rubber, textiles, and other materials were used as variables to analyze the relationship between waste composition and calorific value. The results indicate that the developed mathematical model can be used to estimate the calorific value of municipal solid waste and may provide useful information for waste management planning and waste-to-energy applications. Keywords: municipal solid waste / calorific value / physical composition of waste/mathematical model ข กิตติกรรมประกาศ วิทยานิพนธ์เรื่องการพัฒนาแบบจาลองทางคณิตศาสตร์ค่าความร้อนมูลฝอยสาหรับ กลุ่มประเทศกาลังพัฒนาฉบับนี้สาเร็จลุล่วงไปได้ด้วยดี ด้วยความช่วยเหลืออย่างดีจากบุคคล หลายท่าน คณะผู้จัดทาขอกราบขอบพระคุณเป็นอย่างสูงมา ณ โอกาสนี้ คณะผู้จัดทาขอกราบขอบพระคุณอาจารย์ที่ปรึกษาที่ได้ให้ คาแนะนา แนวคิด ตลอดจนข้อเสนอแนะอันเป็นประโยชน์ต่อการดาเนินงานวิจัย รวมทั้งสละเวลาในการช่วย ตรวจสอบและแก้ไขข้อบกพร่องของงานวิจัยฉบับนี้อย่างละเอียด ส่งผลให้วิทยานิพนธ์ฉบับนี้ มีความสมบูรณ์มากยิ่งขึ้น ขอขอบคุณ เพื่อน พี่ น้องที่น่ารัก สัตว์เลี้ยง นิยายเรื่องโปรด ศิลปินที่ชื่นชอบ กีฬา สุดมัน และผู้ที่มีส่วนเกี่ยวข้องทุกท่านที่ได้ให้ความช่วยเหลือ สนับสนุน และให้กาลังใจตลอด ระยะเวลาของการจัดทาวิทยานิพนธ์ฉบับนี้ สุดท้ายนี้ คณะผู้จัดทาขอกราบขอบพระคุณครอบครัวของผู้จัดทาทุกคนที่ให้การ สนับสนุนและเป็นกาลังใจสาคัญเสมอมา จนทาให้สามารถดาเนินการศึกษาครั้งนี้สาเร็จลุล่วง ไปได้ด้วยดี คณะผู้จัดทาหวังเป็นอย่างยิ่งว่าวิทยานิพนธ์ฉบับนี้จะเป็นประโยชน์ต่อผู้ที่สนใจ ศึกษาด้านการประเมินค่าความร้อนของขยะมูลฝอย และสามารถนาไปใช้เป็นแนวทางใน การศึกษาหรือพัฒนางานวิจัยในอนาคต หากมีข้อผิดพลาดประการใด คณะผู้จัดทาขอน้อม รับไว้มา ณ ที่นี้ ค นางสาวอภิญญา สังข์แก้ว นางสาวนัสริน ปรีชาพืช นางสาวณัฐกมล นันโมง นางสาวเสาวลักษณ์ ชิณวงษ์ สารบัญ บทที่ 1 บทนา ....................................................................................................................................1 1.1 ที่มาและความสาคัญของปัญหา ..........................................................................................1 1.2 วัตถุประสงค์ .......................................................................................................................4 1.3 ขอบเขตโครงงาน ................................................................................................................4 1.4 งบประมาณและแผนการดาเนินงาน ...................................................................................4 1.4.1 งบประมาณ ........................................................................................................... 4 บทที่ 2 ทฤษฎีที่เกี่ยวข้อง ...................................................................................................................8 2.1 สัดส่วนและองค์ประกอบทางกายภาพของขยะมูลฝอยในประเทศกาลังพัฒนา ...................8 2.1.1 องค์ประกอบทางกายภาพของขยะมูลฝอย ............................................................ 9 2.2 การเรียนรู้ของเครื่อง (Machine Learning) .................................................................... 10 2.2.1 Artificial Neural Network (ANN) .................................................................... 11 2.2.2 การตรวจสอบความถูกต้องและประสิทธิภาพของแบบจาลอง.............................. 12 2.3 การคานวณที่เกี่ยวข้อง..................................................................................................... 13 บทที่ 3 ขั้นตอนการออกแบบ .......................................................................................................... 15 3.1 ข้อกาหนดของโครงงาน ................................................................................................... 15 3.2 มาตรฐานของโครงงาน .................................................................................................... 15 3.3 ความต้องการของโครงงาน .............................................................................................. 16 3.4 การวิเคราะห์ค่าความร้อนด้วยเครื่องบอมบ์แคลอรีมิเตอร์................................................ 16 3.5 การสร้างแบบจาลองทางคณิตศาสตร์ .............................................................................. 18 3.5.1 การเก็บรวบรวมข้อมูล (Data collection) ......................................................... 18 3.5.2 การเลือกชุดข้อมูล (Data selection) ................................................................. 19 3.5.3 การประมวลผลข้อมูล (Data processing) .......................................................... 23 ง 3.6 ตรวจสอบความถูกต้องและแม่นยาของแบบจาลอง ......................................................... 23 3.8 สร้างเว็บไซต์สาหรับการทานายค่าความร้อนของขยะ และคานวณเพื่อประเมินศักยภาพ 27 บทที่ 4 ผลการทดลอง ..................................................................................................................... 29 4.1 การเก็บขยะตัวอย่างเพื่อนามาหาค่าความร้อนของขยะแต่ละประเภท ............................. 29 4.2 ผลการวิเคราะห์ค่าความร้อนด้วยเครื่องบอมบ์แคลอรีมิเตอร์ ........................................... 30 4.3 ผลการสร้างแบบจาลองทางคณิตศาสตร์เพื่อทานายค่าความร้อนของขยะมูลฝอย ........... 30 4.3.1 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 1 ........................................................... 30 4.3.3 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 3 ........................................................... 43 4.3.4 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 4 ........................................................... 49 4.3.5 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 5 ........................................................... 55 4.3.6 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 6 ........................................................... 61 บทที่ 5 สรุปผลการออกแบบ ........................................................................................................... 68 5.1. การพัฒนาและปรับปรุงแบบจาลองทางคณิตศาสตร์ ....................................................... 68 5.2. ข้อจากัดของโมเดล ......................................................................................................... 70 5.3 การเปรียบเทียบประสิทธิภาพของแบบจาลอง ................................................................. 71 5.4. ผลการทดสอบโมเดลเมื่อนาไปใช้ในประเทศกาลังพัฒนา ................................................ 73 เอกสารอ้างอิง ................................................................................................................................. 75 ภาคผนวก........................................................................................................................................ 77 จ สารบัญตาราง ตารางที่ 1 งบประมาณการดาเนินงาน ...............................................................................................4 ตารางที่ 2 แผนการดาเนินงาน ...........................................................................................................5 ตารางที่ 3 ตารางคาอธิบายลักษณะทั่วไปขององค์ประกอบขยะมูลฝอยแต่ละชนิด .............................9 ตารางที่ 4 ตารางบันทึกค่าความร้อนที่มาจากการทดลอง ............................................................... 17 ตารางที่ 5 ตัวแปรในการออกแบบการคานวณสมรรถนะของโรงไฟฟ้า ............................................ 24 ตารางที่ 6 ตารางบันทึกผลการทดลองการหาค่าความร้อนจากขยะตัวอย่าง.................................... 30 ตารางที่ 7 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 1 ................ 30 ตารางที่ 8 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 1 .............. 32 ตารางที่ 9 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 1 .................... 33 ตารางที่ 10 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 1 ......... 34 ตารางที่ 11 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 1........ 35 ตารางที่ 12 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 1 .................................. 36 ตารางที่ 13 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 2 .............. 37 ตารางที่ 14 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 2 ............ 38 ตารางที่ 15 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 2 .................. 39 ตารางที่ 16 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 2 ......... 40 ตารางที่ 17 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 2........ 41 ตารางที่ 18 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 2 .................................. 42 ตารางที่ 19 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 3 .............. 43 ตารางที่ 20 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 3 ............ 44 ตารางที่ 21 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 3 .................. 45 ตารางที่ 22 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 3 ......... 46 ตารางที่ 23 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 3........ 47 ตารางที่ 24 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 3 .................................. 48 ฉ ตารางที่ 25 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 4 .............. 49 ตารางที่ 26 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 4 ............ 50 ตารางที่ 27 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 4 .................. 51 ตารางที่ 28 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 4 ......... 52 ตารางที่ 29 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 4........ 53 ตารางที่ 30 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 4 .................................. 54 ตารางที่ 31 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 5 .............. 55 ตารางที่ 32 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 5 ............ 56 ตารางที่ 33 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 5 .................. 57 ตารางที่ 34 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 5 ......... 58 ตารางที่ 35 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 5........ 59 ตารางที่ 36 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 5 .................................. 60 ตารางที่ 37 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 6 .............. 61 ตารางที่ 38 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 6 ............ 62 ตารางที่ 39 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 6 .................. 63 ตารางที่ 40 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 6 ......... 64 ตารางที่ 41 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 6........ 65 ตารางที่ 42 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 6 .................................. 66 ตารางที่ 43 ผลการทานายของโมเดล .............................................................................................. 68 ตารางที่ 44 ผลการเปรียบเทียบค่า Relative error ของโมเดลและสมการทางคณิตศาสตร์เดิม ..... 71 ตารางที่ 45 ผลการเปรียบเทียบค่า Relative error ของโมเดลและสมการทางคณิตศาสตร์เดิม ..... 73 ช สารบัญรูปภาพ รูปที่ 1 แสดงกระบวนการทางานของโรงไฟฟ้าขยะ ............................................................................2 รูปที่ 2 สัดส่วนขยะมูลฝอยในแต่ละประเทศกาลังพัฒนา ....................................................................9 รูปที่ 3 รูปโครงสร้างแบบจาลองแบบ ANN ..................................................................................... 12 รูปที่ 4 ที่มาของข้อมูลชุดที่ 1 .......................................................................................................... 20 รูปที่ 5 ที่มาของข้อมูลชุดที่ 2 .......................................................................................................... 20 รูปที่ 6 ที่มาของข้อมูลชุดที่ 3 .......................................................................................................... 21 รูปที่ 7 ที่มาของข้อมูลชุดที่ 4 .......................................................................................................... 21 รูปที่ 8 ที่มาของข้อมูลชุดที่ 5 .......................................................................................................... 22 รูปที่ 9 ที่มาของข้อมูลชุดที่ 6 .......................................................................................................... 22 รูปที่ 11 Flow chart การทางานของเว็บไซต์ ................................................................................. 28 รูปที่ 12 กราฟการเปรียบเทียบค่า R2.............................................................................................. 31 รูปที่ 13 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 31 รูปที่ 14 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 31 รูปที่ 15 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 31 รูปที่ 16 กราฟการเปรียบเทียบค่า R2.............................................................................................. 32 รูปที่ 17 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 32 รูปที่ 18 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 32 รูปที่ 19 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 32 รูปที่ 20 กราฟการเปรียบเทียบค่า R2.............................................................................................. 33 รูปที่ 21 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 33 รูปที่ 22 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 33 รูปที่ 23 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 33 รูปที่ 24 กราฟการเปรียบเทียบค่า R2.............................................................................................. 34 รูปที่ 25 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 34 ซ รูปที่ 26 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 34 รูปที่ 27 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 34 รูปที่ 28 กราฟการเปรียบเทียบค่า R2.............................................................................................. 35 รูปที่ 29 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 35 รูปที่ 30 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 35 รูปที่ 31 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 35 รูปที่ 32 กราฟการเปรียบเทียบค่า R2.............................................................................................. 36 รูปที่ 33 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 36 รูปที่ 34 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 36 รูปที่ 35 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 36 รูปที่ 36 กราฟการเปรียบเทียบค่า R2.............................................................................................. 37 รูปที่ 37 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 37 รูปที่ 38 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 37 รูปที่ 39 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 37 รูปที่ 40 กราฟการเปรียบเทียบค่า R2.............................................................................................. 38 รูปที่ 41 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 38 รูปที่ 42 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 38 รูปที่ 43 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 38 รูปที่ 44 กราฟการเปรียบเทียบค่า R2.............................................................................................. 39 รูปที่ 45 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 39 รูปที่ 46 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 39 รูปที่ 47 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 39 รูปที่ 48 กราฟการเปรียบเทียบค่า R2.............................................................................................. 40 รูปที่ 49 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 40 รูปที่ 50 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 40 รูปที่ 51 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 40 ฌ รูปที่ 52 กราฟการเปรียบเทียบค่า R2.............................................................................................. 41 รูปที่ 53 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 41 รูปที่ 54 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 41 รูปที่ 55 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 41 รูปที่ 56 กราฟการเปรียบเทียบค่า R2.............................................................................................. 42 รูปที่ 57 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 42 รูปที่ 58 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 42 รูปที่ 59 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 42 รูปที่ 60 กราฟการเปรียบเทียบค่า R2.............................................................................................. 43 รูปที่ 61 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 43 รูปที่ 62 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 43 รูปที่ 63 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 43 รูปที่ 64 กราฟการเปรียบเทียบค่า R2.............................................................................................. 44 รูปที่ 65 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 44 รูปที่ 66 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 44 รูปที่ 67 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 44 รูปที่ 68 กราฟการเปรียบเทียบค่า R2.............................................................................................. 45 รูปที่ 69 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 45 รูปที่ 70 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 45 รูปที่ 71 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 45 รูปที่ 72 กราฟการเปรียบเทียบค่า R2.............................................................................................. 46 รูปที่ 73 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 46 รูปที่ 74 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 46 รูปที่ 75 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 46 รูปที่ 76 กราฟการเปรียบเทียบค่า R2.............................................................................................. 47 รูปที่ 77 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 47 ญ รูปที่ 78 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 47 รูปที่ 79 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 47 รูปที่ 80 กราฟการเปรียบเทียบค่า R2.............................................................................................. 48 รูปที่ 81 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 48 รูปที่ 82 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 48 รูปที่ 83 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 48 รูปที่ 84 กราฟการเปรียบเทียบค่า R2.............................................................................................. 49 รูปที่ 85 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 49 รูปที่ 86 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 49 รูปที่ 87 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 49 รูปที่ 88 กราฟการเปรียบเทียบค่า R2.............................................................................................. 50 รูปที่ 89 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 50 รูปที่ 90 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 50 รูปที่ 91 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 50 รูปที่ 92 กราฟการเปรียบเทียบค่า R2.............................................................................................. 51 รูปที่ 93 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 51 รูปที่ 94 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 51 รูปที่ 95 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 51 รูปที่ 96 กราฟการเปรียบเทียบค่า R2.............................................................................................. 52 รูปที่ 97 กราฟการเปรียบเทียบค่า MSE .......................................................................................... 52 รูปที่ 98 กราฟการเปรียบเทียบค่า RMSE ....................................................................................... 52 รูปที่ 99 กราฟการเปรียบเทียบค่า %MAPE .................................................................................... 52 รูปที่ 100 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 53 รูปที่ 101 กราฟการเปรียบเทียบค่า MSE........................................................................................ 53 รูปที่ 102 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 53 รูปที่ 103 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 53 ฎ รูปที่ 104 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 54 รูปที่ 105 กราฟการเปรียบเทียบค่า MSE........................................................................................ 54 รูปที่ 106 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 54 รูปที่ 107 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 54 รูปที่ 108 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 55 รูปที่ 109 กราฟการเปรียบเทียบค่า MSE........................................................................................ 55 รูปที่ 110 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 55 รูปที่ 111 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 55 รูปที่ 112 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 56 รูปที่ 113 กราฟการเปรียบเทียบค่า MSE........................................................................................ 56 รูปที่ 114 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 56 รูปที่ 115 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 56 รูปที่ 116 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 57 รูปที่ 117 กราฟการเปรียบเทียบค่า MSE........................................................................................ 57 รูปที่ 118 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 57 รูปที่ 119 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 57 รูปที่ 120 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 58 รูปที่ 121 กราฟการเปรียบเทียบค่า MSE........................................................................................ 58 รูปที่ 122 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 58 รูปที่ 123 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 58 รูปที่ 124 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 59 รูปที่ 125 กราฟการเปรียบเทียบค่า MSE........................................................................................ 59 รูปที่ 126 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 59 รูปที่ 127 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 59 รูปที่ 128 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 60 รูปที่ 129 กราฟการเปรียบเทียบค่า MSE........................................................................................ 60 ฏ รูปที่ 130 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 60 รูปที่ 131 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 60 รูปที่ 132 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 61 รูปที่ 133 กราฟการเปรียบเทียบค่า MSE........................................................................................ 61 รูปที่ 134 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 61 รูปที่ 135 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 61 รูปที่ 136 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 62 รูปที่ 137 กราฟการเปรียบเทียบค่า MSE........................................................................................ 62 รูปที่ 138 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 62 รูปที่ 139 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 62 รูปที่ 140 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 63 รูปที่ 141 กราฟการเปรียบเทียบค่า MSE........................................................................................ 63 รูปที่ 142 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 63 รูปที่ 143 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 63 รูปที่ 144 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 64 รูปที่ 145 กราฟการเปรียบเทียบค่า MSE........................................................................................ 64 รูปที่ 146 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 64 รูปที่ 147 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 64 รูปที่ 148 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 65 รูปที่ 149 กราฟการเปรียบเทียบค่า MSE........................................................................................ 65 รูปที่ 150 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 65 รูปที่ 151 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 65 รูปที่ 152 กราฟการเปรียบเทียบค่า R2 ........................................................................................... 66 รูปที่ 153 กราฟการเปรียบเทียบค่า MSE........................................................................................ 66 รูปที่ 154 กราฟการเปรียบเทียบค่า RMSE ..................................................................................... 66 รูปที่ 155 กราฟการเปรียบเทียบค่า %MAPE ................................................................................. 66 ฐ บทที่ 1 บทนา 1.1 ที่มาและความสาคัญของปัญหา ในปั จ จุ บั น โลกกาลั ง เผชิ ญ กั บ วิก ฤตการณ์ ป ริ มาณขยะมู ล ฝอยชุ ม ชน (Municipal Solid Waste) ที่เพิ่มขึ้นอย่างรวดเร็ว สอดคล้องกับการขยายตัวของความเป็นเมืองและพฤติกรรมการ บริโ ภคของประชากร จากรายงานของธนาคารโลก (World Bank) ระบุว่าปริมาณขยะทั่ว โลกมี แนวโน้มเพิ่มสูงขึ้นถึง 3.4 พันล้านตันต่อปีภายในปี ค.ศ. 2050 [8] การจัดการขยะด้วยวิธีการฝังกลบ แบบดั้งเดิมไม่เพียงแต่ใช้พื้นที่จานวนมากเท่านั้น แต่ยังก่อให้เกิดก๊าซเรือนกระจกและการปนเปื้อน ของมลพิษสู่ดิน น้า และอากาศ ส่งผลกระทบต่อสิ่งแวดล้อมและสุขภาพของประชาชนในระยะยาว หนึ่งในแนวทางการจัดการขยะอย่างยั่งยืนคือการเปลี่ยนขยะให้เป็นพลังงาน เพื่อใช้เป็นแหล่ง พลังงานทดแทน อย่างไรก็ตามอุปสรรคสาคัญของกระบวนการดังกล่าวคือความไม่สม่าเสมอของขยะ มูลฝอยซึ่งมีความหลากหลายสูงทั้งในด้านองค์ประกอบทางกายภาพและทางเคมี ส่งผลให้การประเมิน ค่าความร้อน (Heating Value) ทาได้ยาก โดยทั่วไปการหาค่าความร้อนจาเป็นต้องดาเนินการใน ห้องปฏิบัติการด้วยเครื่อง Bomb Calorimeter ซึ่งมีขั้นตอนที่ซับซ้อน ใช้เวลานานและมีต้นทุนสูง ทาให้ ไ ม่ สามารถนาค่า ที่ ไ ด้ ไ ปใช้ ใ นการควบคุ ม การเดิ น ระบบเตาเผาขยะแบบทั น ที ไ ด้ อ ย่า งมี ประสิทธิภาพ และการจัดการขยะด้วยวิธีการฝังกลบแบบดั้งเดิมเริ่มมีข้อจากัดอย่างมากทั้งในด้านการ ขาดแคลนพื้นที่และผลกระทบเชิงลบต่อระบบนิเวศ โดยเฉพาะการเกิดก๊าซเรือนกระจกและการ ปนเปื้อนของน้าชะขยะสู่แหล่งน้าผิวดินและน้าใต้ดิน ด้วยเหตุนี้แนวคิดการเปลี่ยนขยะเป็นพลังงานจึง ได้รับการผลักดันให้เป็นทางออกที่ยั่งยืน การแปรรูปขยะสู่พลังงานอาศัยกระบวนการทางอุณหเคมีซึ่ง กระบวนการเหล่านี้ไม่เพียงแต่ช่วยลดปริมาตรขยะที่จะเข้าสู่บ่อฝังกลบได้อย่างมีนัยสาคัญ แต่ยัง สามารถกู้คืนพลังงานในรูปของความร้อนและไฟฟ้าเพื่อตอบสนองความต้องการด้านพลังงานที่เพิ่มขึ้น [2] 1 รูปที่ 1 แสดงกระบวนการทางานของโรงไฟฟ้าขยะ สิ่งสาคัญในการออกแบบและดาเนินงานโรงไฟฟ้าขยะ คือการทราบค่าความร้อนของขยะซึ่ง ประกอบด้วยค่าความร้อนสูง (Higher Heating Value: HHV) และค่าความร้อนต่า (Lower Heating Value: LHV) ค่าเหล่านี้เป็นพารามิเตอร์หลักที่ใช้ในการวิเคราะห์ทางเทอร์โมไดนามิกส์ การประเมิน สมดุลมวลและพลังงานรวมถึงการกาหนดขนาดและประสิทธิภาพของหม้อไอน้าและเทอร์ไบน์ [3]– [5] หากการประเมินค่าความร้อนคลาดเคลื่อน จะส่งผลโดยตรงต่อเสถียรภาพของระบบเผาไหม้ ทา ให้เกิดการเผาไหม้ที่ไม่สมบูรณ์และส่งผลกระทบต่อรายได้จากการผลิตพลังงานของโครงการ แม้ว่าค่าความร้อนจะเป็นข้อมูลที่จาเป็น แต่การหาค่าดังกล่าวด้วยวิธีการทดลองโดยตรง เช่น การใช้เครื่อง Bomb Calorimeter ตามมาตรฐานห้องปฏิบัติการ กลับประสบปัญหาในทางปฏิบัติ หลายประการดังนี้ 1. ความซับซ้อนของตัวอย่าง: ขยะมูลฝอยมีลักษณะไม่เป็นเนื้อเดียวกัน (Heterogeneous) สูงมาก โดยเฉพาะในประเทศกาลังพัฒนาที่ขยะมีสัดส่วนของเศษอาหารและความชื้นสูงถึง 50-60% [1], [7] 2. ต้นทุนและเวลา: กระบวนการเตรียมตัวอย่าง เช่น การบด การอบแห้ง และการคัดแยก ต้องใช้ ระยะเวลานานและมีค่าใช้จ่ายสูงต่อตัว อย่าง ไม่สอดคล้องกับการบริหารจัดการหน้า งานที่ ต้องการความรวดเร็ว 3. ปัญหาด้านตัวแทนข้อมูล: เนื่องด้วยขยะมีการเปลี่ยนแปลงตามพื้นที่และฤดูกาล การสุ่มตัวอย่าง ในปริมาณน้อยอาจไม่สามารถเป็นตัวแทนของขยะทั้งเมืองได้ [3] ด้วยข้อจากัดดังกล่าว นักวิจัยจึงได้พัฒนาแบบจาลองการพยากรณ์เพื่อประมาณการค่าความ ร้อนจากข้อมูลพื้นฐานที่ตรวจวัดได้ง่ายและรวดเร็วกว่า โดยแบ่งออกเป็น 3 แนวทางหลักตาม ฐานข้อมูลที่ใช้ 2 1. แบบจาลองจากองค์ประกอบทางกายภาพ (Physical Composition): ทานายจากร้อยละของ ประเภทขยะ เช่น เศษอาหาร พลาสติก กระดาษ และไม้ ซึ่งเป็นวิธีที่สะดวกและประหยัดที่สุดใน การวางแผนระดับนโยบาย [1], [6] 2. แบบจาลองจากองค์ประกอบโดยประมาณ (Proximate Analysis): ทานายจากปริมาณความชื้น (Moisture), เถ้า (Ash), สารระเหย (Volatile Matter) และคาร์บอนคงตัว (Fixed Carbon) [2], [7] 3. แบบจาลองจากองค์ ป ระกอบธาตุ (Ultimate Analysis): ทานายจากปริ มาณคาร์ บอน (C), ไฮโดรเจน (H), ออกซิเจน (O), ไนโตรเจน (N) และซัลเฟอร์ (S) ซึ่งให้ความแม่นยาสูงสุดในเชิง ทฤษฎีเคมี [2] และในปั จ จุบั น เทคโนโลยีปัญ ญาประดิ ษ ฐ์ (Artificial Intelligence) โดยเฉพาะโครงข่าย ประสาทเทียม (Artificial Neural Network: ANN) ได้เข้ามามีบทบาทสาคัญในการเพิ่มความแม่นยา ของการทานาย เนื่องจากสามารถจัดการกับความสัมพันธ์เชิงซ้อนที่ไม่เป็นเส้นตรง (Non-linear relationship) ของข้อมูลขยะได้ดีกว่าแบบจาลองการถดถอยเชิงเส้นแบบดั้งเดิม [5] งานวิจัยนี้จึงมุ่งเน้นการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ประเภท ANN ในการสร้างแบบจาลองทานายค่าความร้อนของขยะมูลฝอยเพื่อให้ได้เครื่องมือที่มีความแม่นยา ประมวลผลได้รวดเร็ว และเหมาะสมกับการใช้งานภายใต้ข้อจากัดด้านงบประมาณ ผลการศึกษานี้จะ เป็นประโยชน์ต่อองค์กรปกครองส่วนท้องถิ่นและผู้ประกอบการโรงไฟฟ้าขยะในการบริหารจัดการ เชื้อเพลิง ลดการปล่อยมลพิษ และเพิ่มประสิทธิภาพการผลิตพลังงานอย่างยั่งยืนในระยะยาว 3 1.2 วัตถุประสงค์ 1. เพื่อพัฒ นาและปรับปรุงแบบจาลองทางคณิตศาสตร์ในการพยากรณ์ค่าความร้อ นจาก องค์ประกอบทางกายภาพของขยะมูลฝอยชุมชนให้เหมาะสมกับแหล่งกาเนิดของประเทศที่กาลัง พัฒนา 2. เพื่อพัฒ นาเว็บ ไซต์สาหรับ การทานายค่าความร้ อนของขยะและคานวณเพื่ อประเมิ น ศักยภาพการใช้ขยะเป็นเชื้อเพลิงในการผลิตพลังงานไฟฟ้าของประเทศที่กาลังพัฒนา 1.3 ขอบเขตโครงงาน 1. ชุดข้อมูลองค์ประกอบทางกายภาพของขยะชุมชนของประเทศไทยและประเทศกาลังพัฒนา ได้จากการรวบรวมแบบปฐมภูมิและทุติยภูมิ 2. ใช้โครงข่ายประสาทเทีย ม (Artificial Neural Network: ANN) เพื่อพัฒนาและปรับปรุ ง แบบจาลองทางคณิตศาสตร์ในการพยากรณ์ค่าความร้อนจากองค์ประกอบทางกายภาพของขยะมูล ฝอยของประเทศไทยและประเทศกาลังพัฒนา 3. ผลลัพธ์จากแบบจาลองจะถูกนาไปประยุกต์ใช้ในรูปแบบเว็บไซต์ เพื่อแสดงค่าความร้อนที่ พยากรณ์ได้และการประเมินสมรรถนะการผลิตไฟฟ้าเบื้องต้น 1.4 งบประมาณและแผนการดาเนินงาน 1.4.1 งบประมาณ ตารางที่ 1 งบประมาณการดาเนินงาน รายละเอียด งบประมาณ (บาท) ค่าวัสดุสาหรับซ่อมปรับปรุงเตาอบขยะ 6000 อุปกรณ์ในการทา Lab Bomb calorimeter 1000 อุปกรณ์สาหรับลงพื้นคัดแยก และเก็บตัวอย่างขยะ ได้แก่ ถุง 3000 มือ รองเท้า หน้ากากอนามัย ไม้กวาด ผ้าใบ และอื่นๆ งบประมาณรวม 10,000 4 1.4.2 แผนการดาเนินงาน การดาเนินงานที่วางแผนไว้แบ่งได้เป็น 14 กิจกรรม ดังนี้ ตารางที่ 2 แผนการดาเนินงาน Phase Respond Work ศึกษาข้อกาหนด และข้อมูล Plan เบื้องต้นเกี่ยวกับโครงงาน Actual อภิญญา Proposal ส่งเอกสาร PJ01 และ Checklist เกี่ยวข้อง Actual ศึกษางานวิจยั เกีย่ วกับขยะมูล Plan กาลังพัฒนา Plan ความร้อน Actual นัสริน ม.ค. ก.พ. มี.ค. เม.ย. 25 25 25 25 25 26 26 26 26 Plan Actual มีอยู่ทั้งหมด Actual ตรวจการใช้งาน เตาอบ และ Plan เครื่องบอมบ์แคลอรี่มิเตอร์ Actual ดาเนินการเรื่องเอกสารขอใช้ Plan สถานเก็บขยะมหาวิทยาลัย Actual จัดทารายงานขั้นตอนวิธีการ Plan ทดลอง และเก็บตัวอย่าง Actual เก็บตัวอย่างครั้งที่ 1 ขยะมูลฝอย Plan ในมหาวิทยาลัย Actual ฝอยด้วย Bomb Calorimeter ธ.ค. Actual Plan ทดลองหาค่าความร้อนขยะมูล พ.ย. Plan ทาการ Data Cleansing ข้อมูลที่ บดตัวอย่าง ต.ค. Actual ศึกษาขั้นตอนการวิเคราะห์ค่า นาเสนอ Proposal ก.ย. Actual Plan ฝอยรวมทั้งแหล่งที่มา ในประเทศ ก.ค. ส.ค. Plan ศึกษาทฤษฎีและงานวิจัยที่ กาหนดส่งเล่มรายงาน Proposal Progress I Status Plan Actual Plan Actual 5 25 ศึกษานัยยะสาคัญของ องค์ประกอบทางกายภาพที่มีผล ต่อค่าความร้อน ส่งรายงาน Progress 1 นาเสนอ Progress 1 ดาเนินการแก้ไขและปรับปรุง แบบจาลองสาหรับประเทศไทย และประเทศกาลังพัฒนา ทดลองใช้แบบจาลองที่สร้างขึ้น ณัฐกมล Progress II และวิเคราะห์ผลจากการทดสอบ Plan Actual Plan Actual Plan Actual Plan Actual Plan Actual ศึกษาการสร้างเว็บเพจสาหรับ Plan แบบจาลองโรงไฟฟ้าขยะ Actual ดาเนินการสร้างเว็บเพจสาหรับ Plan แบบจาลองโรงไฟฟ้าขยะ Actual ทดลองใช้เว็บเพจสาหรับ Plan แบบจาลองโรงไฟฟ้าขยะและ วิเคราะห์ผลจากการทดสอบ จัดทารายงาน Progress 2 ส่งรายงาน Progress 2 เสาวลักษณ์ Final นาเสนอ Progress 2 Actual Plan Actual Plan Actual Plan Actual ดาเนินการแก้ไขและปรับปรุง Plan เว็บไซต์ทานายค่าความร้อน Actual ประเมินศักยภาพการผลิตไฟฟ้า Plan จากขยะมูลฝอยของประเทศไทย และประเทศกาลังพัฒนา จัดทาปริญญานิพนธ์ ส่ง Poster Actual Plan Actual Plan Actual 6 นาเสนอ Poster ส่งรายงาน Final นาเสนอ Final Plan Actual Plan Actual Plan Actual 7 บทที่ 2 ทฤษฎีที่เกี่ยวข้อง เพื่อพัฒนาแบบจาลองการประมาณค่าความร้อนของขยะมูลฝอยให้มีความแม่นยา จาเป็นต้อง ศึกษาข้อมูลพื้นฐานและหลักการทางทฤษฎีที่เกี่ยวข้องอย่างเป็นระบบ ทั้งในด้านลักษณะทั่วไปของ ขยะมูลฝอย การจัดการขยะ การวิเคราะห์องค์ประกอบของขยะ และหลักการคานวณค่าความร้อน นอกจากนี้ยังต้ องพิจารณาแหล่ งที่มาและลั กษณะเฉพาะของขยะมูล ฝอยที่นามาศึ ก ษาเพื่ อ ให้ สอดคล้องกับสภาพจริงของพื้นที่เป้าหมาย ควบคู่กับการศึกษาหลักการ แนวคิด และเครื่องมือที่ใช้ใน การพัฒนาแบบจาลองทางคณิตศาสตร์หรือแบบจาลองเชิงข้อมูล ซึ่งเป็นพื้นฐานสาคัญในการสร้าง แบบจาลองที่มีความเหมาะสมและสามารถนาไปประยุกต์ใช้งานได้อย่างมีประสิทธิภาพ 2.1 สัดส่วนและองค์ประกอบทางกายภาพของขยะมูลฝอยในประเทศกาลังพัฒนา ในภาพรวมประเทศกาลังพัฒนามีลักษณะองค์ประกอบทางกายภาพของขยะมูลฝอยที่มีความ คล้ายคลึงกันโดยขยะอินทรีย์เป็นองค์ประกอบหลักของขยะมูลฝอยที่เกิดขึ้น คิดเป็นสัดส่วนมากกว่า ร้อยละ 40 ของปริมาณขยะทั้งหมด [8] ปัจจัยสาคัญที่ส่งผลให้ขยะอินทรีย์มีสัดส่วนสูง ได้แก่ รูปแบบ การบริโภคอาหารสดในครัวเรือน การประกอบอาหารภายในที่พักอาศัย และข้อจากัดของระบบการ คัดแยกขยะตั้งแต่ต้นทาง ขยะประเภทพลาสติกและโฟมเป็นองค์ประกอบรองที่มีสัดส่วนค่อนข้างสูง และมีแนวโน้มเพิ่มขึ้นตามการขยายตัวของเขตเมืองและการเปลี่ยนแปลงพฤติกรรมการบริโ ภค ขณะที่ขยะประเภทกระดาษ สิ่งทอ หนัง แก้ว และโลหะมีสัดส่วนรองลงมา โดยมักพบการปะปนกับ ขยะอินทรีย์ ส่งผลให้ประสิทธิภาพในการนากลับมาใช้ประโยชน์ลดลง ลักษณะองค์ประกอบดังกล่าว สะท้อนถึงความท้าทายด้านการจัดการขยะมูลฝอยในประเทศกาลังพัฒนาและมีความสาคัญต่อการ กาหนดแนวทางการจัดการขยะที่เหมาะสมกับบริบทของแต่ละประเทศ [1], [7] จากข้อมูลตัว อย่างของประเทศกาลังพัฒ นาในทวีปเอเชีย ได้แก่ กรุงเทพมหานคร ปักกิ่ง ฮ่องกงและโซล พบว่ากรุงเทพมหานครมีสัดส่วนขยะอินทรีย์สูงประมาณร้อยละ 50 รองลงมาคือขยะ ประเภทพลาสติกและโฟมประมาณร้อยละ 30 ในขณะที่ขยะประเภทกระดาษและองค์ประกอบอื่นมี สัดส่วนค่อนข้างต่า สาหรับกรุงปักกิ่งและฮ่องกงพบว่าสัดส่วนขยะอินทรีย์อยู่ในช่วงร้อยละ 40–45 และมีสัดส่วนขยะกระดาษในระดับที่สูงขึ้นเมื่อเปรียบเทียบกับกรุงเทพมหานคร ส่วนกรุงโซลพบว่า ขยะประเภทพลาสติกและโฟมมีสัดส่วนค่อนข้างสูงควบคู่กับขยะประเภทกระดาษและสิ่งทอที่มี 8 สัดส่วนชัดเจน ความแตกต่างขององค์ประกอบขยะมูลฝอยในแต่ละประเทศสะท้อนถึงบริบทด้าน เศรษฐกิจ สังคม และพฤติกรรมการบริโภคที่แตกต่างกันของประเทศกาลังพัฒนาในภูมิภาคเอเชีย [3], [6] รูปที่ 2 สัดส่วนขยะมูลฝอยในแต่ละประเทศกาลังพัฒนา 2.1.1 องค์ประกอบทางกายภาพของขยะมูลฝอย องค์ประกอบทางกายภาพของขยะมูลฝอยหมายถึง การจาแนกประเภทของขยะตามลักษณะ ทางกายภาพหรือรูปลักษณ์ของวัสดุที่พบในขยะ ซึ่งมีความสาคัญต่อการวางแผนบริหารจัดการ เช่น การคัดแยก การรีไซเคิล และการกาจัดอย่างเหมาะสมแบ่งเป็น เศษอาหาร กระดาษ พลาสติก ยาง ผ้า แก้ว โลหะ และไม้ กรมควบคุมมลพิษแบ่งชนิดและบอกคาอธิบายลักษณะของขยะมูลฝอยชุมชนได้ดังนี้ ตารางที่ 3 ตารางคาอธิบายลักษณะทั่วไปขององค์ประกอบขยะมูลฝอยแต่ละชนิด องค์ประกอบมูลฝอย 1. เศษอาหาร 2. มูลฝอยจากสวน คาอธิบาย เศษผัก เศษเนื้อ กระดูก เปลือกผลไม้รวมทั้งเศษวัตถุดิบที่ทิ้งจาก การประกอบอาหารและเศษอาหารที่ทิ้ง แต่ไม่รวมบรรจุภัณฑ์ หีบห่อต่าง ๆ มูลฝอยอินทรีย์ที่ไม่ใช่มูลฝอยอาหาร เช่น ดอกไม้ กิ่งไม้ ใบไม้ ใบ หญ้าผลไม้ที่ร่วงหล่น รวมทั้งส่วนต่าง ๆ ของพืชจากการตัดแต่งกิ่ง หรือทาสวน เป็นต้น 9 3. กระดาษ 4. ไม้ 5. ผ้า กระดาษสานักงาน กระดาษคอมพิวเตอร์ กระดาษนิตยสาร กระดาษ ลูกฟูก กระดาษเคลือบแว็กซ์ กระดาษหนังสือพิมพ์ และผลิตภัณฑ์ กล่องไปรษณีย์ แต่ไม่รวมถึงเศษกระดาษชาระ แผ่นไม้ เครื่องเรือน เศษไม้ ผลิตภัณฑ์ไม้ประกอบการทาอาหาร เศษผ้า สิ่งทอต่าง ๆ 6. ยางและหนัง เช่น ยาง เศษชิ้นยางรวมทั้งเศษจากยางรถยนต์ จักรยานยนต์ เศษ หนังจากเฟอร์นิเจอร์ เครื่องประดับ รองเท้า เป็นต้น 7. ผ้าอ้อม ผ้าอ้อมสาเร็จรูปของเด็กและผู้ใหญ่ 8. พลาสติก พลาสติกทุกประเภทรวมพลาสติกแบบใช้ครั้งเดียวทิ้ง (Single use plastics) เช่น ถุงพลาสติกหูหิ้ว ถุงบรรจุอาหารหรือ เครื่องดื่ม เป็นต้น 9. โลหะและอลูมิเนียม เช่น เหล็ก เหล็กกล้า กระป๋องเหล็กเคลือบดีบุก กระป๋องโลหะผสม หรือกระป๋องอลูมิเนียมบรรจุอาหารและเครื่องดื่ม เป็นต้น 10. แก้ว เช่น แก้วและบรรจุภัณฑ์แก้วทุกประเภทที่บรรจุเครื่องดื่ม หรือบรรจุ อาหาร ยา เครื่องสาอาง เศษแก้ว กระจก เป็นต้น 11.ของเสียอันตรายจากชุมชน เช่น หลอดไฟ ถ่านไฟฉาย แบตเตอรี่ ภาชนะบรรจุสารเคมี ยา หมดอายุ กระป๋องสเปรย์บรรจุสีหรือสารเคมี เป็นต้น 12. ซากอิเล็กทรอนิกส์ ผลิตภัณฑ์เครื่องใช้ไฟฟ้าและอิเล็กทรอนิกส์ที่หมดอายุการใช้งาน หรือใช้งานไม่ได้ 13. อื่น ๆ เถ้า เศษอาหารที่ไม่สามารถคัดแยกได้ เช่น ก้อนหิน กรวด ทราย ดิน เซรามิก กระเบื้อง ปูนพลาสเตอร์ ฝุ่น โฟม หน้ากากอนามัย เป็น ต้น 2.2 การเรียนรู้ของเครื่อง (Machine Learning) การเรียนรู้ของเครื่อง หรือ Machine Learning เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่มุ่งเน้น การพัฒนาแบบจาลองที่สามารถเรียนรู้รูปแบบและความสัมพันธ์จากข้อมูลโดยไม่จาเป็นต้องกาหนด สมการทางคณิตศาสตร์อย่างชัดเจนล่วงหน้า จึงเหมาะสาหรับการวิเคราะห์ข้อมูลที่มีความซับซ้อน และไม่เป็นเชิงเส้น ในงานด้านการจัดการขยะมูลฝอย Machine Learning ถูกนามาใช้เพื่อทานาย คุณสมบัติของขยะ โดยเฉพาะค่าความร้อนซึ่งเป็นตัวชี้วัดสาคัญในการประเมินศักยภาพการนาขยะไป ใช้ประโยชน์ด้านพลังงาน 10 ค่าความร้อนของขยะมูลฝอย (Heating Value) เป็นตัวชี้วัดสาคัญในการประเมินศักยภาพการ นาขยะไปใช้ประโยชน์ด้านพลังงานโดยเฉพาะในระบบแปรรูปขยะเป็นพลังงาน ซึ่งมีความแปรปรวน สูงตามองค์ประกอบและความชื้นของขยะ การวัดโดยตรงด้วยวิธีทางห้องปฏิบัติการเช่น Bomb Calorimeter มี ข้ อ จากั ด ด้า นเวลาและต้ น ทุ น ด้ ว ยเหตุ นี้ จึ ง มี การนา Machine Learning มา ประยุกต์ใช้ในการทานายค่าความร้อนจากข้อมูลพื้นฐานของขยะ เช่น สัดส่วนองค์ประกอบทาง กายภาพและคุณสมบัติทางเคมี งานวิจัยที่เกี่ยวข้องรายงานว่าแบบจาลองประเภท Artificial Neural Network, Support Vector Machine และ Random Forest สามารถให้ผลการทานายที่มีความ แม่นยาและมีประสิทธิภาพกว่าวิธีการเชิงสถิติแบบดั้งเดิม 2.2.1 Artificial Neural Network (ANN) Artificial Neural Network (ANN) เป็นเทคนิค Machine Learning ที่ถูกนามาประยุกต์ใช้ใน การสร้างแบบจาลองเพื่อทานายค่าความร้อนของขยะมูลฝอย เนื่องจากมีความสามารถในการอธิบาย ความสัมพันธ์ที่ไม่เป็นเชิงเส้นระหว่างตัวแปรนาเข้าและค่าผลลัพธ์ได้อย่างมีประสิทธิภาพ ในการ พั ฒ นาโมเดล ANN สาหรั บ การทานายค่า ความร้ อ น ตั ว แปรนาเข้า มั ก ประกอบด้ ว ยสั ด ส่ ว น องค์ประกอบทางกายภาพของขยะและปริมาณความชื้น ขณะที่ตัวแปรผลลัพธ์คือค่าความร้อนของ ขยะมูลฝอย การใช้ ANN ช่วยลดการพึ่งพาการทดลองทางห้องปฏิบัติการและเพิ่มความรวดเร็วในการ ประเมินศักยภาพการนาขยะไปใช้ประโยชน์ด้านพลังงาน [5] ในการฝึ ก สอนแบบจาลอง ANN สามารถใช้ อั ล กอริ ทึ ม Limited-memory Broyden– Fletcher–Goldfarb–Shanno (L-BFGS) ซึ่งเป็นอัลกอริทึมการหาค่าที่เหมาะสมแบบอิงกราเดียนต์ และอยู่ในกลุ่ม Quasi-Newton วิธีการดังกล่าวจะประมาณเมทริกซ์เฮสเซียนโดยไม่ต้องคานวณ โดยตรง ทาให้เหมาะสาหรับปัญหาที่มีตัวแปรจานวนมากและต้องการความเร็วในการลู่เข้าสู่คาตอบ โครงสร้างของ ANN ประกอบด้วยชั้นนาเข้า ชั้นซ่อน และชั้นผลลัพธ์ โดยข้อมูลจะถูกส่งผ่านเครือข่าย เพื่อคานวณค่าผลลัพธ์ จากนั้นค่าความคลาดเคลื่อนระหว่างค่าที่ทานายได้และค่าจริงจะถูกนามาใช้ใน การปรั บ ค่า น้า หนั ก ของเครื อ ข่า ยผ่า นอั ล กอริ ทึ ม L-BFGS กระบวนการนี้ จะดาเนิ น ซ้า จนกว่า แบบจาลองจะให้ผลการทานายที่มีความแม่นยาตามเกณฑ์ที่กาหนด ส่งผลให้ ANN ที่ใช้อัลกอริทึม LBFGS มีประสิทธิภาพสูงในการทานายค่าความร้อนของขยะมูลฝอย [10] 11 รูปที่ 3 รูปโครงสร้างแบบจาลองแบบ ANN 2.2.2 การตรวจสอบความถูกต้องและประสิทธิภาพของแบบจาลอง การประเมิ น ประสิ ท ธิ ภาพของแบบจาลอง Artificial Neural Network ที่ พั ฒ นาโดยใช้ อัลกอริทึม L-BFGS ดาเนินการโดยใช้ตัวชี้วัดทางสถิติ ได้แก่ ค่าสัมประสิทธิ์การกาหนด (R2) เพื่อ พิจารณาความสามารถของแบบจาลองในการอธิบายความแปรปรวนของข้อมูลจริง รวมถึงค่า Mean Squared Error (MSE), Root Mean Squared Error (RMSE) และ Mean Absolute Percentage Error (MAPE) ซึ่งใช้วัดความคลาดเคลื่อนระหว่างค่าที่ทานายได้และค่าจริง ตัวแปรเหล่านี้ช่วยให้ สามารถเปรียบเทียบประสิทธิภาพของแบบจาลองได้อย่างเป็นระบบและสะท้อนความแม่นยาของผล การทานายค่าความร้อนของขยะมูลฝอยได้อย่างเหมาะสม [11]–[13] 1. ค่าสัมประสิทธิ์แสดงการตัดสินใจ (Coefficient of Determination) ค่า R2 จะมีค่าอยู่ ระหว่า ง 0% – 100% โดยที่ 0% แสดงให้ เ ห็ น ว่า ตั ว แบบคณิ ต ศาสตร์ ที่ ไ ด้ มานั้น ไม่ สามารถอธิบายความผันแปรของค่าตัวแปรตอบสนองต่าง ๆ ที่กระจายรอบค่าเฉลี่ยได้เลย และ 100% แสดงให้เห็นว่า ตัวแบบคณิตศาสตร์ที่ได้มานั้นสามารถอธิบายความผันแปร ของค่าตัวแปรตอบสนองต่าง ๆ ที่กระจายรอบค่าเฉลี่ยได้เป็นอย่างดี 𝑛 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 ∑ 2 𝑅 =1− [𝑥𝑖 𝑖=1 𝑛 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 2 − 𝑥𝑖 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 ∑ [𝑥𝑖 𝑖=1 โดยที่ 𝑛 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 ∑ 𝑥𝑚 = 𝑖=1 𝑥𝑖 𝑛 12 ] − 𝑥𝑚] 2 2. Mean Square Error (MSE) เป็นตัวชี้วัดความคลาดเคลื่อนของแบบจาลอง โดยคานวณ จากค่าเฉลี่ยของกาลังสองของผลต่างระหว่างค่าที่ทานายได้กับค่าจริง ค่า MSE ที่ต่าแสดง ถึงความแม่นยาในการทานายที่สูงขึ้นของแบบจาลอง 𝑁 1 2 𝑀𝑆𝐸 = ∙ ∑(𝑥𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑,𝑖 − 𝑥𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡,𝑖 ) 𝑁 𝑖=1 3. Root mean Square Error (RMSE) เป็นการวัดที่ใช้บ่อยครั้งเพื่อวัดข้อผิดพลาดในการ ทานายของแบบจาลองการถดถอย โดยพื้นฐานแล้ว ค่า RMSE จะบอกเราเกี่ยวกับการ กระจายของค่าที่เหลือ(ข้อผิดพลาดในการทานาย) ค่า RMSE ที่ต่าลงบ่งชี้ว่าข้อมูลมีความ เหมาะสมมากกว่า 𝑁 1 2 𝑅𝑀𝑆𝐸 = [ ∙ ∑(𝑥𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑,𝑖 − 𝑥𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡,𝑖 ) ] 𝑁 1 2 𝑖=1 4. Mean Absolute Percentage Error (MAPE) ใช้วัดความผิดพลาดโดยเฉลี่ยของค่าจาก การทานายในรูปของเปอร์เซ็นต์ เมื่อเทียบกับค่าจริงโดยค่า MAPE ที่น้อยแสดงให้เห็นว่า ความแตกต่างของค่าจากการทดลองและค่าที่ทานายมีค่าใกล้เคียงกัน 𝑀𝐴𝑃𝐸 = 1 𝑛 𝑥 ∑𝑛𝑖=1 | 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙− 𝑥𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 𝑥𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 | × 100 2.3 การคานวณที่เกี่ยวข้อง แนวคิดในการประเมินค่าความร้อนของขยะมูลฝอยในรายงานฉบับนี้ตั้งอยู่บนสมมติฐานว่า ค่า ความร้อนรวมของขยะสามารถอธิบายได้จากองค์ประกอบทางกายภาพของขยะและปริมาณความชื้น ที่ปรากฏอยู่ในระบบ โดยพิจารณาว่าขยะมูลฝอยประกอบด้วยวัสดุหลายประเภทซึ่งมีศักยภาพด้าน พลังงานแตกต่างกันไป การมีสัดส่วนมวลของวัสดุที่ให้พลังงานสูงมากย่อมส่งผลให้ค่าความร้อนรวม ของขยะเพิ่มขึ้น ขณะเดียวกัน ปริมาณความชื้นในขยะจะทาหน้าที่ลดทอนค่าความร้อนที่สามารถ นาไปใช้ได้จริง เนื่องจากพลังงานส่วนหนึ่งต้องถูกใช้ไปในการระเหยน้า แนวคิดดังกล่าวเป็นการ อธิบายความสัมพันธ์เชิงแนวคิดภายใต้สมมติฐานว่าผลกระทบขององค์ประกอบขยะแต่ละประเภท สามารถรวมกันได้ในลักษณะเชิงเส้น และผลของความชื้นสามารถพิจารณาเป็นปัจจัยลดทอนเพียงตัว 13 เดียว ซึ่งเหมาะสาหรับการประเมินค่าความร้อนของขยะมูลฝอยในเบื้องต้นและการนาไปใช้เป็น พื้นฐานในการวิเคราะห์หรือพัฒนาแบบจาลองในขั้นตอนต่อไป ดังสมการนี้ 𝐻𝐻𝑉 = ( 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 +. . +𝑎𝑛 𝑥𝑛 ) × (1 − 𝑀) โดยที่ 𝐻𝐻𝑉 = ค่าความร้อนสูงสุด (kJ/kg) 𝑎𝑛 = สัดส่วนของมวลขยะแต่ละประเภท 𝑥𝑛 = ค่าความร้อนเฉลี่ยขององค์ประกอบขยะแต่ละประเภท (kJ/kg) 𝑀 = ค่าความชื้นร้อยละของขยะ 14 บทที่ 3 ขั้นตอนการออกแบบ 3.1 ข้อกาหนดของโครงงาน ข้อกาหนดของโครงการนี้ประกอบด้วย - แบบจาลองทางคณิตศาสตร์นี้ใช้สาหรับขยะมูลฝอยชุมชนเท่านั้น - แบบจาลองทางคณิตศาสตร์นี้ใช้เครื่องมือวิเคราะห์ด้วยโครงข่ายประสาทเทียม(ANN) ใน การพัฒนาแบบจาลองทางคณิตศาสตร์ - ใช้ข้อมูล ปฐมภูมิและทุติยภูมิขององค์ประกอบทางกายภาพขยะมูล ฝอยชุมชนตาม แหล่งที่มาเป็นเกณฑ์ในการวิเคราะห์ - พัฒนาแบบจาลองทางคณิตศาสตร์เพื่อคาดการณ์ค่าความร้อนของขยะมูลฝอยชุมใน ประเทศกาลังพัฒนา - ประเมินศักยภาพการใช้ขยะเป็นเชื้อเพลิงในการผลิตไฟฟ้า ตามแผนพัฒนาพลังงานชาติ ของประเทศที่กาลังพัฒนา 3.2 มาตรฐานของโครงงาน - ใช้ข้อมูลค่าความร้อนของขยะมูลฝอยชุมชนจากเครื่องบอมบ์แคลอริมิเตอร์ (Bomb Calorimeter) ตามมาตรฐาน ASTM D5468-02 - มีการเก็บตัวอย่างขยะเพื่อนามาเป็นเป็นตัวแทนเพื่อหาค่าความร้อน ด้วยเกณฑ์การ จาแนกขยะด้วยองค์ประกอบทางกายภาพ ASTM D5231-92 เพื่อระบุและวัดสัดส่วน ของส่วนประกอบขยะต่างๆ ในขยะมูลฝอย - ดาเนิ น การตามหลั ก การออกแบบทางวิ ศ วกรรม เริ่ ม จากการระบุ ปั ญ หา กาหนด ข้อกาหนด ค้นหาแนวทางการแก้ไข เลือกแนวทางการแก้ไขที่เหมาะสม พัฒนาและ ประเมินผลก่อนนาผลที่ได้ไปใช้ประโยชน์ 15 3.3 ความต้องการของโครงงาน - แบบจาลองทางคณิตศาสตร์พยากรณ์ค่าความร้อนขยะมูลฝอยชุมชน โดยแบ่งตาม แหล่งที่มาของประเทศกาลังพัฒนา - Web-base สาหรับใช้ในการประเมินศักยภาพการผลิตไฟฟ้าจากเชื้อเพลิงขยะมูลฝอยใน ประเทศกาลังพัฒนา 3.4 การวิเคราะห์ค่าความร้อนด้วยเครื่องบอมบ์แคลอรีมิเตอร์ 1. ชั่งน้าหนักของตัวอย่างขยะมูลฝอย 1 กรัม แล้วนาเข้าเครื่องอัดเม็ด หลังจากนั้นนาไปชั่งเพื่อ บันทึกค่าน้าหนักไปใช้ในการคานวณ (ละเอียด 0.0001 g) 2. ต่อ Firing Wire ยาว 6 cm เข้ากับขั้ว Electrode ทั้ง 2 ข้างแล้วล็อคให้แน่น จากนั้นให้นา ปลาย Firing cotton ยาว 12 cm ผูกกับ Firing Wire 3. เติมน้ากลั่น 1 ml ลงใน Oxygen bomb ด้วย pipet ก่อนเติมน้าควรล้าง Oxygen bomb ด้วยน้ากลั่นให้ สะอาดเสียก่อน 4. นา Ignition Terminal วางลงไปใน Bomb ปิดฝาให้แน่นเติมแก๊ส Oxygen ความดัน 30 bar 5. เติมน้าลงใน Vessel ให้ได้ระดับจากนั้นนา Oxygen Bomb ใส่ลงใน Vessel แล้วนาไปตั้งใน เครื่อง ให้แกนข้าง Vessel ลงในช่องพอดี 6. นาลูก Bomb ใส่ลงใน Vessel จากนั้นให้ปิดฝา Water Jacket ให้เรียบร้อย 7. กด Firing plug เพื่อต่อ Electrode socket บน Oxygen Bomb กด Test ให้ไฟ Test ติด 8. ปรับค่าของอุณหภูมิของน้าใน Water jacket ให้ใกล้เคียง Vessel แตกต่างไม่เกิน 0.5°C โดยปรับปุ่ม Balance จากแผงควบคุมด้านหน้าเครื่อง 9. รอจนอุณหภูมิใน Water Vessel คงที่ แล้วจึงกดปุ่ม Fire ทาการบันทึก ค่าอุณหภูมิเริ่มต้น และรอจนอุณหภูมิการเผาไหม้ได้ค่าสูงสุด แล้วบันทึกค่าอุณหภูมิสุดท้าย 10. นา Oxygen bomb ออก แล้วค่อยๆ ลดความดันลงจนหมด จากนั้นล้าง ภายใน Oxygen bomb ด้ว ยน้ากลั่น ลงใน Beaker ขนาด 250 ml นาไปอุ่น ไล่ แ ก๊ส ออกจากสารละลาย ประมาณ 5 นาที 11. วัด Firing wire ที่ใช้ในการเผาไหม้เพื่อใช้ในการคานวณ 16 สูตรการหาค่าความร้อนของขยะมูลฝอย 𝑐𝑣 = 𝑊𝛥𝑇− ∑ 𝑅 (3.4.1) 𝐺 𝑐𝑣 = ค่าความร้อนของเชื้อเพลิง (J/g) 𝑊 = Water equivalent ของเครื่องบอมบ์แคลอริมิเตอร์ = 10700 J/C° 𝑅 = ค่าความร้อนที่หักออกจากการเผาไหม้ลวด และความร้อนจากซัลเฟอร์ และไนโตรเจน (acid value) (12.6 × ความยาวของลวด ที่เผา ไหม้ หน่วย cm) 𝛥𝑇 = ความแตกต่างของอุณหภูมิน้าก่อนระเบิดกับหลังระเบิดเชื้อเพลิง (C˚) 𝐺 = น้าหนักของเชื้อเพลิง (g) โดยที่ ตารางที่ 4 ตารางบันทึกค่าความร้อนที่มาจากการทดลอง ครั้งที่ Ash (g) Ti (oc) Tf (oc) ΔT o ( c) Rb (cm) Ra (cm) Rd (cm) Cv,Dry basis (J/g) Cv,Dry basis (Kcal/kg) Cv,As received (Kcal/kg) 1 2 3 โดยที่ Ash Tf ΔT Rb Ra Rd Cv,Dry basis Cv,As received = ปริมาณขี้เถ้าที่เหลือจากการเผาไหม้ (g) = อุณหภูมิหลังการเผาไหม้ (C˚) = อุณหภูมิที่เปลี่ยนแปลงในระหว่างการเผาไหม้ (C˚) = ความยาวของลวดก่อนการเผาไหม้ (cm) = ความยาวของลวดหลังการเผาไหม้ (cm) = ความยาวของลวดที่เผาไหม้ (cm) = ค่าความร้อนของเชื้อเพลิงที่ไม่รวมค่าความชื้นที่คานวณได้จาd มวลของขยะตัวอย่างที่จะทดสอบ (Kcal/kg) = ค่าความร้อนของเชื้อเพลิงที่รวมค่าความชื้นที่คานวณได้จากมวล ของขยะตัวอย่างที่จะทดสอบ (Kcal/kg) 17 3.5 การสร้างแบบจาลองทางคณิตศาสตร์ 3.5.1 การเก็บรวบรวมข้อมูล (Data collection) 1. ใช้ข้อมูลของขยะมาจากการเก็บตัวอย่างมาวิเคราะห์องค์ประกอบทางกายภาพและหาค่า ความร้อน โดยใช้ข้อมูลร้อยละโดยน้าหนักขององค์ประกอบทางกายภาพได้แก่ พลาสติก เศษอาหาร กระดาษ ซึ่งค่าความร้อนของตัวอย่างได้จากการทดลองด้วยเครื่องบอมบ์แคลอรีมิเตอร์ 2. ใช้ข้อมูลของขยะทั่วประเทศ ได้จากการเก็บข้อมูลขยะในพื้นที่ประเทศไทยมาวิเคราะห์ องค์ประกอบทางกายภาพและค่าความร้อนของขยะมูลฝอย 3. ใช้ข้อมูลค่าความร้อนของขยะที่ได้จากการรวบรวมงานวิจัยที่เกี่ยวข้องมาคานวณด้วยสมการ 𝐻𝐻𝑉 = ( 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 +. . +𝑎𝑛 𝑥𝑛 ) × (1 − 𝑀) (3.1) โดยที่ 𝐻𝐻𝑉 = ค่าความร้อนสูงสุด (kJ/kg) 𝑎𝑛 = สัดส่วนของมวลขยะแต่ละประเภท 𝑥𝑛 = ค่าความร้อนเฉลี่ยขององค์ประกอบขยะแต่ละประเภท (kJ/kg) = ค่าความชื้นร้อยละของขยะ 𝑀 โดยที่ ค่าความร้อนขององค์ประกอบแต่ละตัวมีค่า ดังนี้ [20], [24] 𝐻𝐻𝑉 𝐹𝑤 (𝑥1 ) = 16603.48(kJ/kg) 𝐻𝐻𝑉 𝑃𝑎 (𝑥2 ) = 15821.31 (kJ/kg) 𝐻𝐻𝑉 𝑃𝑡 (𝑥3 ) = 32763.28 (kJ/kg) 𝐻𝐻𝑉 𝑇 (𝑥4 ) = 21733.86 (kJ/kg) 𝐻𝐻𝑉 𝑊 (𝑥5 ) = 16920.80 (kJ/kg) 𝐻𝐻𝑉 𝐿𝑟 (𝑥6 ) = 29259.83 (kJ/kg) สมการแปลงค่าจากหน่วย kcal/kg เป็น kJ/kg 𝐻𝐻𝑉(𝑘𝐽/𝑘𝑔) = 𝐻𝐻𝑉(𝑘𝑐𝑎𝑙/𝑘𝑔) × 4.184 เพื่อนาค่าความร้อนที่คานวณได้จากสมการมาเปรียบเทียบกับค่าความร้อนจากเครื่องบอมบ์ แคลอรีมิเตอร์ว่าใกล้เคียงกันหรือไม่ สาหรับนามาสร้างแบบจาลองทางคณิตศาสตร์ 18 3.5.2 การเลือกชุดข้อมูล (Data selection) ในการเลือกชุดข้อมูลสาหรับการเรียนรู้ของแบบจาลองทางคณิตศาสตร์นั้นอิงข้อมูลหลักจาก การเก็บข้อมูลองค์ประกอบทางกายภาพของขยะจากศูนย์วิจัยการเผากากของเสีย หรือ The Waste Incineration Research Center (WIRC) ซึ่ ง มี ชุ ด ข้ อ มู ล ทั้ ง หมด 129 ชุ ด ข้ อ มู ล และทาการเพิ่ ม จานวนข้อมูลให้มากขึ้น โดยการสร้างข้อมูลเพิ่มเติมด้วยการเขียนโปรแกรมคอมพิวเตอร์ ซึ่งเป็น วิธีการจาลองข้อมูลจากข้อมูลต้นฉบับภายใต้เงื่อนไขและพฤติกรรมของขยะที่เกิดขึ้นจริง วิธีการ ดังกล่าวช่วยเพิ่มความหลากหลายของข้อมูลและลดข้อจากัดด้านปริมาณข้อมูล ส่งผลให้แบบจาลองที่ พัฒนาขึ้นมีความเสถียรและมีประสิทธิภาพในการทานายมากยิ่งขึ้น การสร้างแบบจาลองทางคณิตศาสตร์เพื่อทานายค่าความร้อนของขยะมูลฝอยอยู่ภายใต้ เงื่อนไขเดียวกัน ดังนี้ 1. การสร้างแบบจาลองทางคณิตศาสตร์ต่อ 1 ชุมชน ทาทั้งหมด 5 ครั้ง ก่อนจะนาค่าที่ได้มา เฉลี่ยและวิเคราะห์ในลาดับถัดไป 2. แบ่งเปอร์เซ็น Train อยู่ที่ 80% และ Test อยู่ที่ 20% เพื่อให้แบบจาลองมีความน่าเชื่อถือ มากยิ่งขึน้ 19 การได้มาซึ่งแบบจาลองที่มีประสิทธิภาพสูงสุดจึงได้มีการจัดเตรียมชุดข้อมูลสาหรับการพัฒนา และประเมินผลแบบจาลองดังต่อไปนี้ 3.5.2.1 ชุดข้อมูลที่ 1 : 3 องค์ประกอบ 40 ชุดข้อมูล หน่วย kcal/kg รูปที่ 4 ที่มาของข้อมูลชุดที่ 1 3.5.2.2 ชุดข้อมูลที่ 2 : 6 องค์ประกอบ 37 ชุดข้อมูล หน่วย kcal/kg รูปที่ 5 ที่มาของข้อมูลชุดที่ 2 20 3.5.2.3 ชุดข้อมูลที่ 3 : 3 องค์ประกอบ 600 ชุดข้อมูล หน่วย kcal/kg รูปที่ 6 ที่มาของข้อมูลชุดที่ 3 3.5.2.4 ชุดข้อมูลที่ 4 : 3 องค์ประกอบ 600 ชุดข้อมูล หน่วย kJ/kg รูปที่ 7 ที่มาของข้อมูลชุดที่ 4 21 3.5.2.5 ชุดข้อมูลที่ 5 : 6 องค์ประกอบ 600 ชุดข้อมูล หน่วย kJ/kg รูปที่ 8 ที่มาของข้อมูลชุดที่ 5 3.5.2.6 ชุดข้อมูลที่ 6 : 6 องค์ประกอบ 1500 ชุดข้อมูล หน่วย kJ/kg รูปที่ 9 ที่มาของข้อมูลชุดที่ 6 22 3.5.3 การประมวลผลข้อมูล (Data processing) ในการสร้างแบบจาลองทางคณิตศาสตร์ ได้เลือกใช้เครื่องมือ linear regression learner แบบ all neural ในการสร้างแบบจาลอง ภายใต้โปรแกรม MATLAB และใช้เพื่อตรวจสอบความถูกต้อง แม่นยาของแบบจาลอง โปรแกรม MATLAB ขั้นตอนการสร้าง Neural Network ด้วย MATLAB 1. การเตรียมข้อมูล ในขั้นตอนนี้จะเป็นการรวบรวมและจัดเตรียมข้อมูลสาหรับการฝึ ก (Training Data) และสาหรับการทดสอบ (Testing Data) ซึ่งข้อมูลควรมีคุณสมบัติหรือ features เป็นอินพุตและผลลัพธ์ที่ต้องการทานายเป็นเอาต์พุต 2. สร้างโมเดลด้วย MATLAB โดยมีเครื่องมือที่เรียกว่า regression learner สาหรับสร้าง Neural Network ซึ่งใช้งานง่ายสาหรับการทางานเชิงพยากรณ์ 3. การทดสอบโมเดล (Testing Model) เมื่อฝึกฝนโมเดลเสร็จแล้ว ให้ทาการทดสอบกับ ข้อมูลทดสอบเพื่อตรวจสอบประสิทธิภาพของโมเดล 4. การปรับปรุงโมเดล (Model Tuning) หากประสิทธิภาพของโมเดลยังไม่ดีพอ สามารถ ปรับพารามิเตอร์อื่น ๆ เช่น เพิ่มจานวนชั้นซ่อนหรือเปลี่ยนฟังก์ชันการเรียนรู้ แล้วทาการฝึกฝนใหม่ จนได้ประสิทธิภาพที่ต้องการ 5. ทดสอบการใช้งานจริงเมื่อได้โมเดลที่มีความแม่นยาสูง สามารถนาไปใช้งานจริงในการ พยากรณ์หรือจาแนกประเภทข้อมูลใหม่ ๆ ได้ 3.6 ตรวจสอบความถูกต้องและแม่นยาของแบบจาลอง ในการทดสอบความแม่นยาของแบบจาลองที่พัฒนาขึ้น ผู้จัดทาได้พิจารณาจากตัวชี้วัดทางสถิติ 4 ตัว ได้แก่ ค่าสัมประสิทธิ์การตัดสินใจ (R2) เพื่อวัดความสามารถในการอธิบายความผันแปรของ ข้อมูลซึ่งค่าเข้าใกล้ 100% หมายถึงความแม่นยาที่สูงมาก ตามด้วยการวัดค่าความคลาดเคลื่อนผ่าน Mean Square Error (MSE) และ Root Mean Square Error (RMSE) เพื่อประเมินผลต่างระหว่าง ค่าทานายกับค่าจริงในรูปแบบค่าเฉลี่ยกาลังสองซึ่งค่าที่ต่าจะสะท้อนถึงเสถียรภาพและระดับความ เหมาะสมของแบบจาลอง และสุดท้ายคือ Mean Absolute Percentage Error (MAPE) เพื่อแสดง ค่าความผิดพลาดเฉลี่ยในรูปของเปอร์เซ็นต์ทาให้เห็นภาพรวมความแม่นยาของแบบจาลองได้ชัดเจน 23 ในเชิงเปรียบเทียบ โดยเกณฑ์การตัดสินใจคือแบบจาลองที่มีประสิทธิภาพดีที่สุดจะต้องมีค่า R2 สูง ที่สุด ควบคู่กับค่า MSE, RMSE และ MAPE ที่ต่าที่สุด 3.7 การคานวณสมรรถนะโรงไฟฟ้าด้วยฟังก์ชันของค่าความร้อนจากองค์ประกอบเชิงกายภาพ ในส่วนนี้จะกล่าวถึงหลักเกณฑ์ที่ใช้ในการออกแบบและการคานวณสมรรถนะของโรงไฟฟ้า โดยอาศัยค่าความร้อนและคุณสมบัติของเชื้อเพลิงที่ได้จากการวิเคราะห์คุณสมบัติทางกายภาพของ เชื้อเพลิง รวมถึงการคานวณตามทฤษฎีการเผาไหม้เพื่อหาปริมาณอากาศที่ใช้ในการเผาไหม้เชื้อเพลิง นอกจากนี้ยังมีการคานวณสมดุลพลังงานของหม้อไอน้า เพื่อนาผลลัพธ์ที่ได้ไปใช้ในการวิเคราะห์การ ทางานของกังหันไอน้าและเครื่องกาเนิดไฟฟ้า ซึ่งใช้ในการประเมินปริมาณพลังงานไฟฟ้าที่สามารถ ผลิตได้ โดยกระบวนการคานวณทั้งหมดถูกพัฒนาและนาเสนอในรูปแบบของเว็บไซต์ เพื่ออานวย ความสะดวกในการคานวณและการแสดงผลลัพธ์อย่างเป็นระบบ ทั้งนี้รายละเอียดจะแบ่งออกเป็น เกณฑ์ที่ใช้ในการออกแบบ และสูตรที่ใช้ในการคานวณ 3.7.1 เกณฑ์ที่ใช้ในการออกแบบโรงไฟฟ้า ในส่ว นนี้ ผู้ใช้งานจะต้ อ งกาหนดค่าเกณฑ์ ที่ใ ช้ ในการคานวณสมรรถนะของระบบ ซึ่ง ประกอบด้วยพารามิเตอร์ที่เกี่ยวข้องกับกระบวนการเผาไหม้และการผลิตพลังงานไฟฟ้า ดังตารางที่ 5 ตารางที่ 5 ตัวแปรในการออกแบบการคานวณสมรรถนะของโรงไฟฟ้า Design Criteria No. Parameter Symbol 1 Amount of Solid Waste W 2 Lower Heating Value LHV 3 Moisture M 4 Excess Air Ratio E 5 Primary Air PA 6 Secondary Air SA 7 Boiler Efficiency ƞboiler 8 Feedwater Enthalpy (Boiler) hw, in 9 Exhaust Steam Enthalpy (Boiler) hw, out 24 Unit ton/day kJ/kg %wt % % % kJ/kg kJ/kg 10 11 12 Generator Power Factor Inlet Steam Enthalpy Exhaust Steam Enthalpy P.F. hin hout kJ/kg kJ/kg ทั้งนี้ ในการคานวณผู้จัดทาได้กาหนดค่า อุณหภูมิการเผาไหม้คงที่ที่ 850 องศาเซลเซียส ซึ่ง เป็นค่าขั้นต่าที่ใช้เป็นเกณฑ์สาหรับการเผาไหม้เชื้อเพลิงจากขยะ เพื่อให้กระบวนการเผาไหม้สามารถ เกิดขึ้นได้อย่างเหมาะสม และนาไปใช้ในการคานวณสมรรถนะของระบบผ่านเว็บไซต์ที่พัฒนาขึ้น 3.7.2 สูตรการคานวณสมรรถนะโรงไฟฟ้า ในส่วนนี้จะแสดงสูตรที่ใช้ในการคานวณสมรรถนะของระบบโรงไฟฟ้า ซึ่งประกอบด้วยสูตรที่ เกี่ยวข้องกับการคานวณทฤษฎีการเผาไหม้ ปริมาณอากาศที่ใช้ในการเผาไหม้ และการคานวณสมดุล พลังงานของหม้อไอน้า เพื่อนาไปใช้ในการวิเคราะห์การทางานของกังหันไอน้าและเครื่องกาเนิดไฟฟ้า ทั้งนี้ สูตรที่ใช้ในการคานวณดังกล่าวถูกนามาประยุกต์ใช้ภายในเว็บไซต์ที่พัฒนาขึ้น โดยระบบจะทา การประมวลผลจากค่าพารามิเตอร์ที่ผู้ใช้งานป้อนเข้าสู่ระบบ และแสดงผลลัพธ์ที่เกี่ยวข้องกับ สมรรถนะของโรงไฟฟ้าและปริมาณพลังงานไฟฟ้าที่สามารถผลิตได้ 3.7.2.1 อากาศที่ใช้ในการเผาไหม้ อัตราการไหลของอากาศที่ใช้ในการเผาไหม้สามารถคานวณได้จากความสัมพันธ์ระหว่างค่า ความร้อนของเชื้อเพลิงและปริมาณอากาศที่ต้องใช้ในการเผาไหม้ และสามารถคานวณอัตราการไหล เชิงปริมาตรของอากาศ และแบ่งเป็นปริมาณอากาศปฐมภูมิและอากาศทุติยภูมิตามสัดส่วนที่กาหนด อัตราการไหลเชิงมวลของอากาศ 𝐿𝐻𝑉 1000 ) (1 + 𝐸 ) (𝑊 × 24 ) 1000 𝑚𝑎𝑖𝑟 ̇ = 0.85 ( โดยที่ (kJ/hr) (1) ค่าคงที่ 0.85 ถูกกาหนดเป็นสมมติฐานในการประมาณปริมาณอากาศที่ต้องใช้ ในการ เผาไหม้ ซึ่งเป็นค่าคงที่เชิงประสบการณ์ที่ใช้เชื่อมโยงค่าความร้อนของ ขยะกับอัตราการใช้อากาศในการเผาไหม้ 25 มวลอากาศปฐมภูมิ 𝑚𝑎𝑖𝑟,1 ̇ = 𝑚𝑎𝑖𝑟 ̇ × %𝑃𝐴 (kJ/hr) (2) (kJ/hr) (3) (Nm3/hr) (4) มวลอากาศทุติยภูมิ 𝑚𝑎𝑖𝑟,2 ̇ = 𝑚𝑎𝑖𝑟 ̇ × %𝑆𝐴 อัตราการไหลเชิงปริมาตร ̇ = 𝑉𝑎𝑖𝑟 โดยที่ ̇ 𝑚𝑎𝑖𝑟 𝜌𝑎𝑖𝑟 𝜌𝑎𝑖𝑟 (ความหนาแน่นอากาศ) = 1.293 𝑘𝑔/𝑁𝑚3 ปริมาณอากาศปฐมภูมิ ̇ = 𝑉𝑎𝑖𝑟 ̇ × %𝑃𝐴 𝑉𝑎𝑖𝑟,1 (Nm3/hr) (5) (Nm3/hr) (6) ปริมาณอากาศทุติยภูมิ ̇ = 𝑉𝑎𝑖𝑟 ̇ × %𝑆𝐴 𝑉𝑎𝑖𝑟,2 3.7.2.2 อัตราการผลิตไอน้า การคานวณอัตราการผลิตไอน้าพิจารณาจากพลังงานความร้อนที่ได้จากการเผาไหม้เชื้อเพลิง ซึ่งสามารถคานวณได้จากอัตราการป้อนเชื้อเพลิงและค่าความร้อนต่าของเชื้อเพลิง จากนั้นนาพลังงาน ความร้อนดังกล่าวมาพิจารณาร่วมกับประสิทธิภาพของหม้อไอน้า เพื่อหาปริมาณพลังงานความร้อนที่ สามารถนาไปใช้ในการผลิตไอน้าได้ การคานวณอัตราการถ่ายเทความร้อนจากก๊าซไอเสีย (𝑄̇𝑠𝑡𝑒𝑎𝑚 ) 𝑄𝑓𝑢𝑒𝑙 = 𝑚̇𝑤𝑎𝑠𝑡𝑒 × 𝐿𝐻𝑉 𝑚̇𝑤𝑎𝑠𝑡𝑒 = 𝑊 × 1000 24 𝑄̇𝑠𝑡𝑒𝑎𝑚 = η𝑏𝑜𝑖𝑙𝑒𝑟 × 𝑄𝑓𝑢𝑒𝑙 26 (kJ/hr) (7) (kg/hr) (8) (kJ/hr) (9) เมื่อทราบพลังงานความร้อนที่เข้าสู่ระบบหม้อไอน้าแล้ว สามารถนาไปคานวณอัตราการผลิต ไอน้าได้จากความแตกต่างของเอนทัลปีระหว่างน้าป้อนและไอน้าที่ออกจากหม้อไอน้า การคานวณอัตราการผลิตไอน้า 𝑚𝑤 ̇ = ( 𝑄𝑠𝑡𝑟𝑒𝑎𝑚 ℎ𝑤,𝑜𝑢𝑡 −ℎ𝑤,𝑖𝑛 (ton/day) ) ÷ 1000 (10) 3.7.2.3 งานและพลังงานไฟฟ้า ไอน้าที่ผลิตได้จากหม้อไอน้าจะถูกส่งเข้าสู่กังหันไอน้า (Steam Turbine) ซึ่งทาหน้าที่เปลี่ยน พลังงานความร้อนของไอน้าให้เป็นพลังงานกล โดยกังหันจะหมุนเพลาที่เชื่อมต่อกับเครื่องกาเนิด ไฟฟ้า (Generator) ทาให้เกิดการเปลี่ยนพลังงานกลเป็นพลังงานไฟฟ้า คานวณหางานที่ผลิตได้จาก turbine 𝑤̇ 𝑜𝑢𝑡,𝑡 = ̇ (ℎ𝑖𝑛 −ℎ𝑜𝑢𝑡 ) 𝑚𝑤 (MW) 3600 (11) คานวณหางานที่ผลิตได้จาก Generator (MW) 𝑤̇ 𝑜𝑢𝑡,𝑔𝑒𝑛 = 𝑤̇ 𝑜𝑢𝑡,𝑡 × η𝑔𝑒𝑛 (12) 3.8 สร้างเว็บไซต์สาหรับการทานายค่าความร้อนของขยะ และคานวณเพื่อประเมินศักยภาพ เมื่อได้แบบจาลองสาหรับทานายค่าความร้อนของขยะมูลฝอยที่มีความแม่นยา และน่าเชื่อถือ แล้วนั้น ในขั้นตอนสุดท้ายได้มีการพัฒนาเว็บไซต์เพื่อใช้เป็นเครื่องมือสาหรับการทานายค่าความร้อน ของขยะมูลฝอยชุมชน และคานวณเพื่อประเมิณศักยภาพในการผลิตพลังงานไฟฟ้า ซึ่งเราจะใช้ เว็บไซต์เป็นตัวกลางที่ทาหน้าที่ติดต่อข้อมูลกับผู้ใช้งาน โดยผู้ใช้งานจะต้องทาการเก็บขยะตัวอย่าง และแบ่งออกตามองค์ประกอบทางกายภาพในสัดส่วนต่าง ๆ ก่อนป้อนข้อมูลให้กับระบบ จากนั้น เว็บไซต์จะนาข้อมูลเหล่านั้นมาคานวณแล้วทานายผลค่าความร้อนออกมาให้ผู้ใช้งานได้ทราบค่าความ ร้อนได้สะดวกขึ้น และมีประสิทธิภาพ 27 เว็บไซต์ที่จัดทาถูกออกแบบและพัฒนาโดยภาษา HTML และ CSS สาหรับทาในส่วนของ User Interface และใช้ภาษา Python สาหรับการประมวลผล คานวณ และทานายค่าความร้อน โดยอ้างอิงจากแบบจาลองทางคณิตศาสตร์ที่เราได้สร้างไว้ด้วยโปรแกรม MATLAB แล้วใช้ภาษา Python เพื่อเขียน รูปที่ 10 Flow chart การทางานของเว็บไซต์ 28 บทที่ 4 ผลการทดลอง 4.1 การเก็บขยะตัวอย่างเพื่อนามาหาค่าความร้อนของขยะแต่ละประเภท ในการศึกษาครั้งนี้ ได้ดาเนินการเก็บตัว อย่างขยะที่คาดว่าจะส่งผลต่อค่าความร้อนของ เชื้อเพลิงจากขยะอย่างมีนัยสาคัญ โดยมีวัตถุประสงค์เพื่อหาค่าความร้อนของขยะแต่ละประเภท และ นาข้อมูลที่ได้ไปใช้ในการตรวจสอบความถูกต้องของแบบจาลองทางคณิตศาสตร์ที่พัฒนาขึ้น การเก็บ ตัวอย่างขยะดาเนินการภายในบริเวณถังขยะใต้ตึกภาควิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยี พระจอมเกล้าพระนครเหนือ วิทยาเขตกรุงเทพฯ ก่อนการทดสอบหาค่าความร้อน ได้ทาการนาขยะ ตัวอย่างทุกชนิดมาอบเพื่อไล่ความชื้น แล้วพบว่า แต่ละชนิดประกอบไปด้วยค่าความชื้นที่แตกต่างกัน และสามารถแยกขยะออกเป็น 3 กลุ่มตัวอย่าง รวมทั้งสิ้น 7 ประเภท ต่อไปนี้ 1. กลุ่มกระดาษ (Paper Waste) กระดาษถ่ายเอกสาร กล่องนม และกระดาษห่อ 2. กลุ่มพลาสติก (Plastic Waste) ถุงพลาสติก พลาสติกหุ้มสินค้า และกล่องบรรจุภัณฑ์ 3. กลุ่มขยะเศษอาหาร (Food Waste) แบ่งออกเป็น 5 ประเภทย่อย ได้แก่ Food Waste 1: อาหารประเภทผัด ซึ่งมีองค์ประกอบของน้ามันและน้ารวมอยู่ในสัดส่วน Food Waste 2: อาหารประเภททอด เช่น ไก่ทอดหรือของทอดทั่วไป ซึ่งมีปริมาณไขมันสูง Food Waste 3: อาหารประเภทขนมปัง เช่น เศษขนมปังที่เหลือเป็นก้อนจากการบริโภค Food Waste 4: อาหารประเภทข้าว เช่น ข้าวสวยหรือข้าวคลุกที่เหลือจากการบริโภค Food Waste (Mixed): การผสมขยะเศษอาหารจากประเภทที่ 1 - 4 เข้าด้วยกัน เพื่อใช้เป็น ตัวแทนของขยะเศษอาหารที่เกิดขึ้นจริงในระบบขยะทั่วไป 29 4.2 ผลการวิเคราะห์ค่าความร้อนด้วยเครื่องบอมบ์แคลอรีมิเตอร์ ตารางที่ 6 ตารางบันทึกผลการทดลองการหาค่าความร้อนจากขยะตัวอย่าง ตาราง แสดงค่าความร้อนจากการทดลองการหาค่าความร้อนจากขยะตัวอย่าง ค่าความร้อนทีไ่ ด้จากการบอมบ์แคลอรีมิเตอร์ ตัวอย่าง %moisture Cv,Dry basis (kcal/kg) Cv,Dry basis,avg Cv,As received (kcal/kg) (kcal/kg) ทดสอบครั้งที่ 1 ทดสอบครั้งที่ 2 ทดสอบครั้งที่ 3 PA 4628.82 4628.82 4756.69 7.69% 4671.45 4312.21 PT 9960.16 10039.89 10045.01 3.23% 10015.02 9691.53 FW 1 FW 2 4525.02 4449.51 4603.25 4577.38 4550.00 4731.12 62.66% 74.20% 4559.42 4586.00 1702.49 1183.19 FW 3 4705.54 4449.81 4603.25 50.83% 4586.20 2255.04 FW 4 4372.49 4270.49 4066.20 55.15% 4236.39 1900.02 FW mixed 4525.93 4422.73 4500.96 60.71% 4483.20 1761.36 4.3 ผลการสร้างแบบจาลองทางคณิตศาสตร์เพื่อทานายค่าความร้อนของขยะมูลฝอย 4.3.1 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 1 ตารางที่ 7 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 1 R-square MSE Train Test Train Test 1 0.65 1.00 68209.39 0.00 2 0.96 0.99 7410.04 1740.23 3 0.99 0.99 2194.78 1946.57 4 0.30 1.00 120835.00 388.44 5 0.95 1.00 8081.43 4.50 AVG 0.77 1.00 41346.13 815.95 SD 0.30 0.00 52036.39 953.88 No. 30 RMSE Train Test 261.17 0.00 86.08 41.72 46.85 44.12 347.61 19.71 89.90 2.12 166.32 21.53 130.78 20.98 MAPE % Train Test 1.71 0.00 0.41 0.50 0.42 0.32 2.51 0.20 0.62 0.02 1.13 0.21 0.94 0.21 รูปที่ 11 กราฟการเปรียบเทียบค่า R2 รูปที่ 12 กราฟการเปรียบเทียบค่า MSE รูปที่ 13 กราฟการเปรียบเทียบค่า RMSE รูปที่ 14 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 1 เพื่อพยากรณ์ค่าความร้อน พบว่าชุดทดสอบ (Test Set) มีความแม่นยาสูงสม่าเสมอโดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 ในขณะที่ชุด ฝึกสอน (Train Set) มีค่าเฉลี่ยต่ากว่าที่ 0.77 แบบจาลองมีความคลาดเคลื่อนในชุดทดสอบต่า โดยมี ค่าเฉลี่ย RMSE อยู่ที่ 21.53 และค่าความคลาดเคลื่อนเฉลี่ย (MAPE) เพียง 0.21% แม้ในชุดฝึกสอน จะมีความผันผวนสูงในบางรอบการทดลองRMSE เฉลี่ย 166.32 แต่ภาพรวมยังถือว่าในการพยากรณ์ สามารถทานายข้อมูลใหม่ได้อย่างแม่นยา 31 ตารางที่ 8 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 1 R-square Train Test .1 0.95 1.00 2 0.99 1.00 3 0.97 1.00 4 0.65 1.00 5 1.00 1.00 AVG 0.91 1.00 SD 0.15 0.00 No. MSE Train 10659.61 1799.37 5163.52 60379.07 263.29 15652.97 25318.72 Test 9.59 423.03 20.98 96.23 404.50 190.87 206.29 RMSE Train Test 103.25 3.10 42.42 20.57 71.86 4.58 245.72 9.81 16.23 20.11 95.89 11.63 89.84 8.33 MAPE % Train Test 0.77 0.03 0.29 0.25 0.58 0.03 1.97 0.08 0.17 0.15 0.76 0.11 0.72 0.09 รูปที่ 15 กราฟการเปรียบเทียบค่า R2 รูปที่ 16 กราฟการเปรียบเทียบค่า MSE รูปที่ 17 กราฟการเปรียบเทียบค่า RMSE รูปที่ 18 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Medium Neural Network ชุดที่ 1 เพื่อพยากรณ์ค่าความร้อน พบว่าประสิทธิภาพในชุดทดสอบ (Test Set) มีความแม่นยาสูงสม่าเสมอ โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และค่า RMSE เท่ากับ 11.63 แม้ในชุดฝึกสอน (Train Set) จะปรากฏความผันผวนของข้อมูล ในรอบที่ 4 จนส่งผลให้ค่าเฉลี่ย RMSE สูงถึง 95.89 และ R2 ลดลงเหลือ 0.91 32 ตารางที่ 9 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 1 R-square Train Test 1 0.98 1.00 2 0.97 1.00 3 1.00 1.00 4 0.89 1.00 5 0.99 1.00 AVG 0.97 1.00 SD 0.04 0.00 No. MSE Train 4467.23 5811.73 357.46 18606.57 1740.80 6196.76 7264.57 Test 94.56 158.76 205.13 133.03 7.37 119.77 74.58 RMSE Train Test 66.84 9.72 76.23 12.60 18.91 14.32 136.41 11.53 41.72 2.72 68.02 10.18 44.30 4.49 MAPE % Train Test 0.53 0.13 0.51 0.16 0.20 0.11 1.07 0.12 0.30 0.02 0.52 0.11 0.34 0.05 รูปที่ 19 กราฟการเปรียบเทียบค่า R2 รูปที่ 20 กราฟการเปรียบเทียบค่า MSE รูปที่ 21 กราฟการเปรียบเทียบค่า RMSE รูปที่ 22 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 1 เพื่อพยากรณ์ค่าความร้ อ น พบว่ามีประสิทธิภาพสูงและแม่นยามาก โดยในชุดทดสอบ (Test Set) ให้ค่าเฉลี่ย R2 เท่ากับ 1.00 และมีค่าความคลาดเคลื่อน RMSE ต่าเพียง 10.18 ขณะที่ชุดฝึกสอน (Train Set) มีค่าเฉลี่ย R2 เท่ากับ 0.97 และ RMSE เท่ากับ 68.02 ซึ่งแม้จะพบความผันผวนในรอบที่ 4 แต่ภาพรวมถือว่า แบบจาลองมีความเสถียร 33 ตารางที่ 10 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 1 R-square Train Test 1 0.89 0.99 2 1.00 1.00 3 0.99 1.00 4 0.99 1.00 5 0.97 1.00 AVG 0.97 1.00 SD 0.05 0.01 No. MSE Train 21916.45 170.82 1643.32 1430.47 5020.24 6036.26 9057.14 Test 1994.23 0.80 185.30 128.15 0.00 461.70 860.51 RMSE Train Test 148.04 44.66 13.07 0.89 40.54 13.61 37.82 11.32 70.85 0.00 62.06 14.10 52.25 18.13 MAPE % Train Test 1.08 0.43 0.12 0.01 0.40 0.10 0.35 0.10 0.33 0.00 0.45 0.13 0.36 0.18 รูปที่ 23 กราฟการเปรียบเทียบค่า R2 รูปที่ 24 กราฟการเปรียบเทียบค่า MSE รูปที่ 25 กราฟการเปรียบเทียบค่า RMSE รูปที่ 26 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 1 เพื่อพยากรณ์ค่าความร้อน พบว่าชุดทดสอบ (Test Set) มีประสิทธิภาพสูงและแม่นยาสม่าเสมอ โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และ RMSE เท่ากับ 14.10 แม้ในชุดฝึกสอน (Train Set) จะมีความผันผวนของข้อมูลในรอบที่ 1 จน ส่งผลให้ค่าเฉลี่ย RMSE อยู่ที่ 62.06 แต่เมื่อพิจารณาจากค่าความคลาดเคลื่อนเฉลี่ย (MAPE) ของชุด ทดสอบที่ต่าเพียง 0.13% 34 ตารางที่ 11 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 1 R-square Train Test 1 1.00 1.00 2 0.99 0.99 3 0.74 1.00 4 0.99 1.00 5 1.00 1.00 AVG 0.94 1.00 SD 0.12 0.01 No. MSE Train 177.33 1417.02 44150.63 1009.60 223.88 9395.69 19435.74 Test 116.40 2567.18 0.00 0.01 0.23 536.76 1136.15 RMSE Train Test 13.32 10.79 37.64 50.67 210.12 0.00 31.77 0.11 14.96 0.48 61.56 12.41 83.71 21.87 MAPE % Train Test 0.08 0.10 0.24 0.59 2.89 0.00 0.25 0.00 0.07 0.01 0.70 0.14 1.23 0.26 รูปที่ 27 กราฟการเปรียบเทียบค่า R2 รูปที่ 28 กราฟการเปรียบเทียบค่า MSE รูปที่ 29 กราฟการเปรียบเทียบค่า RMSE รูปที่ 30 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 1 เพื่อพยากรณ์ค่าความ ร้อน พบว่าชุดทดสอบ (Test Set) มีประสิทธิภาพสูงมากและคงที่ โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และ RMSE เท่ากับ 12.41 แม้ในชุดฝึกสอน (Train Set) จะปรากฏความผันผวนรุนแรงในรอบที่ 3 ที่มีค่า RMSE พุ่งสูงถึง 210.12 และค่า R2 ลดลงเหลือ 0.74 ค่าความคลาดเคลื่อนเฉลี่ย (MAPE) ในชุดฝึก สอนมีค่าต่าเพียง 0.70 ในชุดทดสอบเพียง 0.14% 35 ตารางที่ 12 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 1 R-square Train Test Narrow Neural Network 0.77 1.00 Medium Neural Network 0.91 1.00 Wide Neural Network 0.97 1.00 Bi-layered Neural Network 0.97 1.00 Tri-layered Neural Network 0.94 1.00 No. MSE Train 41346.13 15652.97 6196.76 6036.26 9395.69 Test 815.95 190.87 119.77 461.70 536.76 RMSE MAPE % Train Test Train Test 166.32 21.53 0.19 0.09 95.89 11.63 0.37 0.20 68.02 10.18 0.53 0.11 62.06 14.10 0.86 0.15 61.56 12.41 1.63 0.14 รูปที่ 31 กราฟการเปรียบเทียบค่า R2 รูปที่ 32 กราฟการเปรียบเทียบค่า MSE รูปที่ 33 กราฟการเปรียบเทียบค่า RMSE รูปที่ 34 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลองทั้ง 5 โมเดล พบว่าในชุดข้อมูลทดสอบ (Test Set) ทุกโมเดลให้ ค่าเฉลี่ย R2 สูงถึง 1.00 และมีค่า MAPE ต่ากว่า 0.20% สะท้อนถึงประสิทธิภาพการพยากรณ์ ที่ แม่นยาสูง อย่างไรก็ตาม ในชุดฝึกสอน (Train Set) กลับพบความไม่สอดคล้องของค่าความคลาด เคลื่อนที่มีช่องว่างระหว่างชุด Train และ Test สูงในทุกโมเดล โดยแบบจาลอง Wide และ Bilayered ให้ผลดีที่สุดด้วยค่า R2 0.97 (Train) ขณะที่แบบจาลอง Narrow มีประสิทธิภาพต่าสุดอยู่ที่ 0.77 ส่งผลให้ภาพรวมของแบบจาลองทั้ง 5 รูปแบบในชุดนี้ยังไม่ใช่ค่าที่เหมาะสมที่สุดสาหรับการ นาไปใช้งานจริง 36 4.3.2 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 2 ตารางที่ 13 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 2 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 3.13 87.30 3.10 1.29 371.56 93.27 159.84 Test 0.02 1.16 0.00 22.61 0.00 4.76 9.99 RMSE Train Test 1.77 0.15 9.34 1.08 1.76 0.00 1.14 4.75 19.28 0.00 6.66 1.20 7.82 2.04 MAPE % Train Test 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.01 0.04 0.00 0.01 0.00 0.02 0.01 รูปที่ 35 กราฟการเปรียบเทียบค่า R2 รูปที่ 36 กราฟการเปรียบเทียบค่า MSE รูปที่ 37 กราฟการเปรียบเทียบค่า RMSE รูปที่ 38 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 2 เพื่อพยากรณ์ค่าความร้อน พบว่าโมเดลให้ค่าเฉลี่ย R2 เท่ากับ 1.00 ทั้งในชุดฝึกสอน (Train Set) และชุดทดสอบ (Test Set) อย่างสม่าเสมอในทุกรอบการทดลอง แบบจาลองนี้มีค่าความคลาดเคลื่อนต่ามาก โดยมีค่าเฉลี่ย RMSE ในชุดทดสอบเพียง 1.20 และค่าความคลาดเคลื่อนเฉลี่ย (MAPE) อยู่ที่ 0.00% แม้จะพบความ ผันผวนเล็กน้อยในชุดฝึกสอนรอบที่ 5 แต่ภาพรวมยังคงรักษาความแม่นยาได้ดี 37 ตารางที่ 14 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 2 R-square Train Test .1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 6.94 0.83 4.85 8.55 32.57 10.75 12.54 Test 9.23 0.17 0.00 0.00 13.67 4.61 6.43 RMSE Train Test 2.63 3.04 0.91 0.41 2.20 0.00 2.92 0.00 5.71 3.70 2.88 1.43 1.76 1.79 MAPE % Train Test 0.01 0.01 0.00 0.00 0.00 0.00 0.01 0.00 0.01 0.02 0.01 0.00 0.00 0.01 รูปที่ 39 กราฟการเปรียบเทียบค่า R2 รูปที่ 40 กราฟการเปรียบเทียบค่า MSE รูปที่ 41 กราฟการเปรียบเทียบค่า RMSE รูปที่ 42 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Medium Neural Network ชุดที่ 2 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองนี้ทั้งชุดฝึกสอน (Train Set) และชุดทดสอบ (Test Set) มีค่าเฉลี่ย R2 เท่ากับ 1.00 ในทุกรอบการทดลอง แบบจาลองมีความคลาดเคลื่อนต่ามาก โดยค่าเฉลี่ย RMSE ในชุดทดสอบอยู่ที่ 1.43 และค่าความคลาดเคลื่อนเฉลี่ย (MAPE) อยู่ที่ 0.00% แม้ในชุดฝึกสอนจะมีค่า RMSE เฉลี่ย เพิ่มขึ้นเล็กน้อยเป็น 2.88 แต่ถือว่าไม่มีความผันผวนรุนแรงเมื่อเทียบกับชุดทดสอบอื่น ๆ 38 ตารางที่ 15 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 2 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 6.76 0.60 0.63 2.58 2.95 2.70 2.51 Test 0.00 0.04 0.00 3.75 2.09 1.18 1.70 RMSE Train Test 2.60 0.03 0.77 0.21 0.79 0.02 1.61 1.94 1.72 1.45 1.50 0.73 0.76 0.90 MAPE % Train Test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 รูปที่ 43 กราฟการเปรียบเทียบค่า R2 รูปที่ 44 กราฟการเปรียบเทียบค่า MSE รูปที่ 45 กราฟการเปรียบเทียบค่า RMSE รูปที่ 46 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 2 เพื่อพยากรณ์ ค่า ความร้ อ น แบบจาลองนี้แสดงประสิทธิภาพที่สูง โดยทั้งชุดฝึกสอน (Train Set) และชุดทดสอบ (Test Set) สามารถทาค่าเฉลี่ย R2 ได้ที่ 1.00 ในทุกรอบการทดลอง ด้านความคลาดเคลื่อนพบว่ามีค่าต่ามาก โดยชุดทดสอบมีค่าเฉลี่ย RMSE เพียง 0.73 และมีค่าความคลาดเคลื่อนเฉลี่ย (MAPE) อยู่ที่ 0.00% เมื่อพิจารณาจากผลการทดลองทั้ง 5 รอบที่ไม่พบการแกว่งของข้อมูลอย่างรุนแรง 39 ตารางที่ 16 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 2 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 0.00 1.42 0.01 4.86 15.06 4.27 6.35 Test 0.00 0.00 0.00 4.17 0.00 0.83 1.87 RMSE Train Test 0.00 0.00 1.19 0.00 0.10 0.00 2.20 2.04 3.88 0.00 1.48 0.41 1.62 0.91 MAPE % Train Test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 รูปที่ 47 กราฟการเปรียบเทียบค่า R2 รูปที่ 48 กราฟการเปรียบเทียบค่า MSE รูปที่ 49 กราฟการเปรียบเทียบค่า RMSE รูปที่ 50 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 2 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองให้ประสิทธิภาพการพยากรณ์ที่และมีความเสถียรสูงโดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และค่า MAPE เท่ากับ 0.00% ทั้งในชุดฝึกสอน (Train Set) และชุดทดสอบ (Test Set) ในทุกรอบ การทดสอบ นอกจากนี้ยังมีความคลาดเคลื่อนในระดับที่ต่ามาก โดยมีค่าเฉลี่ย RMSE ในชุดฝึกสอน เพียง 1.48 และในชุดทดสอบเพียง 0.41 ซึ่งแสดงให้เห็นว่าแบบจาลองมีความแม่นยาสูงและมีความ ผิดพลาดจากการพยากรณ์น้อย 40 ตารางที่ 17 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 2 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 0.00 2.59 25.77 0.00 0.76 5.82 11.20 Test 0.00 0.24 0.00 42.45 1.17 8.77 18.83 RMSE Train Test 0.00 0.00 1.61 0.49 5.08 0.00 0.01 6.52 0.87 1.08 1.51 1.62 2.10 2.77 MAPE % Train Test 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.12 0.00 0.00 0.00 0.02 0.00 0.05 รูปที่ 51 กราฟการเปรียบเทียบค่า R2 รูปที่ 52 กราฟการเปรียบเทียบค่า MSE รูปที่ 53 กราฟการเปรียบเทียบค่า RMSE รูปที่ 54 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 2 เพื่อพยากรณ์ค่าความ ร้อน พบว่าแบบจาลองให้ประสิทธิภาพการพยากรณ์ที่แม่นยาและมีความเสถียรในระดับสูง โดยมี ค่าเฉลี่ย R2 เท่ากับ 1.00 ทั้งในชุดฝึกสอน (Train Set) และชุดทดสอบ (Test Set) ขณะที่ค่าเฉลี่ย MAPE อยู่ที่ 0.00% ในชุดฝึกสอน และ 0.02% ในชุดทดสอบ ซึ่งแสดงถึงความแม่นยา นอกจากนี้ยัง มีความคลาดเคลื่อนเฉลี่ย อยู่ที่ 1.51 และชุดทดสอบอยู่ที่ 1.62 สะท้อนให้เห็นว่าแบบจาลองสามารถ เรียนรู้และพยากรณ์ข้อมูลได้อย่างมีประสิทธิภาพและมีความสม่าเสมอสูง 41 ตารางที่ 18 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 2 R-square Train Test Narrow Neural Network 1.00 1.00 Medium Neural Network 1.00 1.00 Wide Neural Network 1.00 1.00 Bi-layered Neural Network 1.00 1.00 Tri-layered Neural Network 1.00 1.00 No. MSE Train Test 93.27 4.76 10.75 4.61 2.70 1.18 4.27 0.83 5.82 8.77 RMSE Train Test 6.66 1.20 2.88 1.43 1.50 0.73 1.48 0.41 1.51 1.62 MAPE % Train Test 0.01 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.02 รูปที่ 55 กราฟการเปรียบเทียบค่า R2 รูปที่ 56 กราฟการเปรียบเทียบค่า MSE รูปที่ 57 กราฟการเปรียบเทียบค่า RMSE รูปที่ 58 กราฟการเปรียบเทียบค่า %MAPE จากการเปรีย บเทีย บแบบจาลองทั้ง 5 รูปแบบในชุดข้อมูล ที่ 2 พบว่าประสิทธิภาพการ พยากรณ์มีความสมบูรณ์และเสถียรสูง โดยในชุดข้อมูลทดสอบทุกโมเดลให้ค่าเฉลี่ย R2 สูงถึง 1.00 และมีค่า MAPE ต่าเกือบ 0.00% นอกจากนี้ ในชุดฝึกสอนไม่พบปัญหาช่องว่างความคลาดเคลื่อน เหมือนชุดที่ 1 โดยทุกแบบจาลองทาค่า R2 ได้สูงถึง 1.00 อย่างสม่าเสมอ โดยแบบจาลอง Wide Neural Network มีความโดดเด่นที่สุดเนื่องจากมีค่าความคลาดเคลื่อนสะสม RMSE ต่าที่สุดในกลุ่ม (1.50 และ 0.73 ตามลาดับ) ส่งผลให้ภาพรวมของแบบจาลองทั้ง 5 รูปแบบในชุดข้อมูลนี้มีความ แม่นยาสาหรับการนาไปใช้งานพยากรณ์ข้อมูลได้จริง 42 4.3.3 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 3 ตารางที่ 19 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 3 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 343.36 73.81 0.00 296.83 1032.90 349.38 408.65 Test 316.73 0.00 0.00 0.00 0.00 63.35 141.64 RMSE Train Test 18.53 17.80 8.59 0.00 0.04 0.00 17.23 0.00 32.14 0.00 15.31 3.56 12.00 7.96 MAPE % Train Test 0.01 0.01 0.00 0.00 0.00 0.00 0.01 0.00 0.01 0.00 0.01 0.00 0.01 0.00 รูปที่ 59 กราฟการเปรียบเทียบค่า R2 รูปที่ 60 กราฟการเปรียบเทียบค่า MSE รูปที่ 61 กราฟการเปรียบเทียบค่า RMSE รูปที่ 62 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 3 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองยังคงให้ประสิทธิภาพในด้านความแม่นยาสูง โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และค่า MAPE อยู่ในช่วง 0.00% - 0.01% ทั้งในชุดฝึกสอนและชุดทดสอบ อย่างไรก็ตามความไม่คงที่ของผล การรันในแต่ละรอบมีค่าสูงเมื่อเทียบกับชุดข้อมูลก่อนหน้า แม้ภาพรวมการพยากรณ์จะยังอยู่ในเกณฑ์ ที่แม่นยา 43 ตารางที่ 20 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 3 R-square Train Test .1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 58.81 100.05 696.12 187.54 325.80 273.66 257.35 Test 8.88 167.42 0.00 0.18 0.00 35.29 73.96 RMSE Train Test 7.67 2.98 10.00 12.94 26.38 0.00 13.69 0.42 18.05 0.00 15.16 3.27 7.40 5.55 MAPE % Train Test 0.00 0.00 0.01 0.01 0.01 0.00 0.01 0.00 0.01 0.00 0.01 0.00 0.00 0.00 รูปที่ 63 กราฟการเปรียบเทียบค่า R2 รูปที่ 64 กราฟการเปรียบเทียบค่า MSE รูปที่ 65 กราฟการเปรียบเทียบค่า RMSE รูปที่ 66 กราฟการเปรียบเทียบค่า %MAPE พบว่าแบบจาลองให้ประสิทธิภาพการพยากรณ์ที่แม่นยาสูง โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และค่า MAPE ต่าเพียง 0.00% - 0.01% ทั้งในชุดฝึกสอนและชุดทดสอบ อย่างไรก็ตามเริ่มพบความ ผันผวนของค่าความคลาดเคลื่อนสะสม โดยมีค่าเฉลี่ย RMSE ในชุดฝึกสอนเท่ากับ 15.16 และ ชุด ทดสอบเท่ากับ 3.27 ซึ่งมีความเบี่ยงเบนมาตรฐาน (SD) ของ RMSE ในชุดฝึกสอนอยู่ที่ 7.40 แสดงให้ เห็นถึงความไม่คงที่ของผลการทดสอบ 44 ตารางที่ 21 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 3 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 12.20 2.81 20.52 1.05 107.42 28.80 44.64 Test 26.40 0.00 1.37 20.30 0.15 9.64 12.71 RMSE Train Test 3.49 5.14 1.68 0.00 4.53 1.17 1.02 4.51 10.36 0.39 4.22 2.24 3.71 2.40 MAPE % Train Test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.00 รูปที่ 67 กราฟการเปรียบเทียบค่า R2 รูปที่ 68 กราฟการเปรียบเทียบค่า MSE รูปที่ 69 กราฟการเปรียบเทียบค่า RMSE รูปที่ 70 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 3 เพื่อพยากรณ์ค่าความร้ อ น พบว่าแบบจาลองมีประสิทธิภาพการพยากรณ์ที่แม่นยาสม่าเสมอ โดยมีค่าเฉลี่ย R2 เท่ากับ 1.00 และ ค่า MAPE เท่ากับ 0.00% ทั้งในชุดฝึกสอนและชุดทดสอบ แม้จะพบความแปรปรวนในบางรอบการ ทดลอง แต่โดยรวมยังมีค่าเฉลี่ย RMSE ในชุดทดสอบต่าเพียง 2.24 ซึ่งแสดงให้เห็นว่าโครงสร้างแบบ Wide สามารถควบคุมความผิดพลาดในการพยากรณ์ได้ดีกว่าโครงสร้างแบบ Narrow และ Medium ในชุดข้อมูลเดียวกัน 45 ตารางที่ 22 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 3 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 1.84 7.17 0.37 788.91 1659.12 491.48 736.09 Test 0.00 15.45 0.48 0.00 0.00 3.19 6.86 RMSE Train Test 1.36 0.00 2.68 3.93 0.61 0.69 28.09 0.00 40.73 0.00 14.69 0.93 18.56 1.71 MAPE % Train Test 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.01 0.00 0.01 0.00 0.01 0.00 รูปที่ 71 กราฟการเปรียบเทียบค่า R2 รูปที่ 72 กราฟการเปรียบเทียบค่า MSE รูปที่ 73 กราฟการเปรียบเทียบค่า RMSE รูปที่ 74 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 3 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพสูงมาก โดยมีค่าเฉลี่ย R2 อยู่ที่ 1.00 ทั้งในชุด Train และ Test พร้อมค่า MAPE ที่ต่ามากจนใกล้เคียง 0.00% ในชุดทดสอบ ซึ่งสะท้อนความแม่นยาในระดับสูงสุด โดยมีค่าเฉลี่ย RMSE ในชุดทดสอบเพียง 0.93 จึงสรุปได้ว่าโมเดลนี้มีความแม่นยาและมีความเสถียร 46 ตารางที่ 23 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 3 R-square Train Test 1 1.00 1.00 2 1.00 1.00 3 1.00 1.00 4 1.00 1.00 5 1.00 1.00 AVG 1.00 1.00 SD 0.00 0.00 No. MSE Train 415.97 0.00 94.36 194.40 14003.55 2941.66 6185.72 Test 0.00 0.00 0.00 0.01 0.13 0.03 0.06 RMSE Train Test 20.40 0.00 0.00 0.00 9.71 0.00 13.94 0.09 118.34 0.36 32.48 0.09 48.56 0.15 MAPE % Train Test 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.00 0.00 รูปที่ 75 กราฟการเปรียบเทียบค่า R2 รูปที่ 76 กราฟการเปรียบเทียบค่า MSE รูปที่ 77 กราฟการเปรียบเทียบค่า RMSE รูปที่ 78 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 3 เพื่อพยากรณ์ค่าความ ร้อน พบว่าแบบจาลองมีประสิทธิภาพสูงมาก โดยมีค่าเฉลี่ย R2 สูงสุดที่ 1.00 ทั้งในชุด Train และ Test พร้อมค่า MAPE ที่ต่ามากเพียง 1.00% ในชุดทดสอบ ซึ่งสะท้อนถึงความแม่นยาและความ เสถียร โดยมีค่าเฉลี่ย RMSE ในชุดทดสอบเพียง 0.09 จึงสรุปได้ว่าโมเดลนี้มีความแม่นยาสูงและมี ความผิดพลาดน้อยมาก 47 ตารางที่ 24 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 3 R-square Train Test Narrow Neural Network 1.00 1.00 Medium Neural Network 1.00 1.00 Wide Neural Network 1.00 1.00 Bi-layered Neural Network 1.00 1.00 Tri-layered Neural Network 1.00 1.00 No. MSE RMSE Train Test Train Test 349.38 63.35 15.31 3.56 273.66 35.29 15.16 3.27 28.80 9.64 4.22 2.24 491.48 3.19 14.69 0.93 2941.66 0.03 32.48 0.09 MAPE % Train Test 0.01 0.00 0.01 0.00 0.00 0.00 0.01 0.00 0.02 0.00 รูปที่ 79 กราฟการเปรียบเทียบค่า R2 รูปที่ 80 กราฟการเปรียบเทียบค่า MSE รูปที่ 81 กราฟการเปรียบเทียบค่า RMSE รูปที่ 82 กราฟการเปรียบเทียบค่า %MAPE จากการเปรียบเทียบแบบจาลองทั้ง 5 รูปแบบในชุดข้อมูลที่ 3 พบว่าแบบจาลองให้ค่าเฉลี่ย R2 เท่ากับ 1.00 และค่า MAPE ต่ากว่า 0.01% สะท้อนถึงความแม่นยาในการพยากรณ์ที่สูงมาก แม้ใน ชุดฝึกสอน (Train Set) จะมีความผันผวนของค่าความคลาดเคลื่อนสะสมสูงในบางรอบการทดลอง แต่ในชุดทดสอบ (Test Set) พบว่าแบบจาลอง Wide, Bi-layered และ Tri-layered สามารถทาค่า RMSE ได้ต่ากว่า 3.00 โดยเฉพาะอย่างยิ่งแบบจาลอง Tri-layered Neural Network มีความโดด เด่นที่สุดเนื่องจากมีค่า RMSE ในชุดทดสอบต่าที่สุดเพียง 0.09 ซึ่งสรุปได้ว่าในชุดข้อมูลให้ผลลัพธ์ท่มีี ประสิทธิภาพสูงและสามารถนาไปใช้งานจริงได้ 48 4.3.4 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 4 ตารางที่ 25 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 4 R-square Train Test 1 -2.52 0.75 2 -1.20 -5.75 3 -3.88 0.80 4 -3.14 0.15 5 -3.23 -130.31 AVG -2.79 -26.87 SD 1.01 57.89 No. MSE Train 431162.19 274779.33 538647.88 458118.46 604443.06 461430.18 124680.51 RMSE Test 29989.10 729574.15 32198.02 214.15 6995368.28 1557468.74 3055357.90 MAPE % Train Test Train Test 656.63 173.17 5.95 3.08 524.19 854.15 5.88 9.79 733.93 179.44 7.57 3.11 676.84 376.52 7.81 5.10 777.46 2644.88 10.01 24.73 673.81 845.63 7.44 9.16 96.24 1043.24 1.69 9.12 รูปที่ 83 กราฟการเปรียบเทียบค่า R2 รูปที่ 84 กราฟการเปรียบเทียบค่า MSE รูปที่ 85 กราฟการเปรียบเทียบค่า RMSE รูปที่ 86 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 4 เพื่อพยากรณ์ค่าความร้อน พบว่ามีประสิทธิภาพต่ามากและขาดเสถียรภาพ โดยมีค่าเฉลี่ย R2 ติดลบ ทั้งในชุดฝึกสอน (-2.79) และชุดทดสอบ (-26.87) อีกทั้งมีค่าความคลาดเคลื่อนในชุดทดสอบพุ่งสูงมาก โดยค่า RMSE อยู่ที่ 845.63 และ MAPE อยู่ที่ 9.16% จึงสรุปได้ว่าแบบจาลองนี้มีความคลาดเคลื่อนสูง 49 ตารางที่ 26 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 4 R-square Train Test .1 -0.24 -10.77 2 -1.98 -11.24 3 -1.61 0.86 4 -6.22 0.62 5 -0.28 -6.47 AVG -2.07 -5.40 SD 2.45 5.91 No. MSE RMSE MAPE % Train Test Train Test Train Test 152141.47 1401837.82 390.05 1183.99 6.40 15.56 371829.03 1322963.01 609.78 1150.20 7.20 14.23 287583.11 23667.91 536.27 153.84 7.14 2.48 798411.51 170.92 893.54 251.72 11.59 4.01 183306.18 398144.23 428.14 630.99 6.42 9.69 358654.26 629356.78 571.56 674.15 7.75 9.19 260770.78 688115.12 199.93 484.15 2.18 5.88 รูปที่ 87 กราฟการเปรียบเทียบค่า R2 รูปที่ 88 กราฟการเปรียบเทียบค่า MSE รูปที่ 89 กราฟการเปรียบเทียบค่า RMSE รูปที่ 90 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Medium Neural Network ชุดที่ 4 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลอง Medium Neural Network มีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 ติดลบที่ -2.07 (Train) และ -5.40 (Test) พร้อมค่า MAPE สูงถึง 9.19% ในชุดทดสอบ แม้จะมีบางรอบที่แสดงค่า R2 เป็นบวกในชุดทดสอบ แต่ค่าเฉลี่ย RMSE รวมยังสูงถึง 674.15 จึงสรุปได้ว่าโมเดลนี้ยังไม่แม่นยา โดยรวมยังไม่อยู่ในเกณฑ์ที่น่าเชื่อถือ 50 ตารางที่ 27 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 4 R-square Train Test 1 -1.56 -12.31 2 -0.59 -10.29 3 -1.34 -0.54 4 -2.26 0.56 5 -0.89 -14.26 AVG -1.33 -7.37 SD 0.64 6.89 No. MSE RMSE Train Test Train Test 313368.50 1584898.42 559.79 1258.93 198643.42 1220770.14 445.69 1104.88 258660.54 254160.16 508.59 504.14 360514.31 188.84 600.43 271.56 270103.94 812970.00 519.72 901.65 280258.14 774597.51 526.84 808.23 60761.57 657208.84 58.03 412.42 MAPE % Train Test 8.08 14.96 6.25 15.36 7.22 9.70 8.46 4.40 7.31 12.69 7.47 11.42 0.86 4.53 รูปที่ 91 กราฟการเปรียบเทียบค่า R2 รูปที่ 92 กราฟการเปรียบเทียบค่า MSE รูปที่ 93 กราฟการเปรียบเทียบค่า RMSE รูปที่ 94 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 4 เพื่อพยากรณ์ค่าความร้ อ น พบว่าแบบจาลองมีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 ติดลบทั้งที่ -1.33 (Train) และ -7.37 (Test) พร้อมค่า MAPE สูงถึง 11.42% ในชุดทดสอบ ซึ่งสะท้อนความแม่นยาที่ไม่เพียงพอ แม้จะมีการเพิ่ม ความกว้างของชั้นโครงข่ายแต่ค่าเฉลี่ย RMSE ในชุดทดสอบยังคงสูงถึง 808.23 โดยเฉพาะในรอบที่ 1 และ 2 ที่มีความคลาดเคลื่อนสูงกว่ารอบอื่น ๆ อย่างชัดเจนและขาดเสถียรภาพในการประมวลผล 51 ตารางที่ 28 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 4 R-square Train Test 1 -0.85 -4.03 2 -0.16 -5.80 3 0.47 0.47 4 -4.41 0.88 5 -0.01 -25.96 AVG -0.99 -6.89 SD 0.75 3.21 No. MSE Train 226747.99 145319.92 57995.49 597567.01 143949.00 234315.88 110309.84 Test 599432.84 735410.98 87677.78 93.12 1436052.33 571733.41 352801.05 RMSE MAPE % Train Test Train Test 476.18 774.23 7.65 7.98 381.21 857.56 5.31 9.93 240.82 296.10 4.01 5.10 773.02 141.15 10.46 2.04 379.41 1198.35 6.19 16.57 450.13 653.48 6.72 8.32 140.05 207.92 2.48 5.49 รูปที่ 95 กราฟการเปรียบเทียบค่า R2 รูปที่ 96 กราฟการเปรียบเทียบค่า MSE รูปที่ 97 กราฟการเปรียบเทียบค่า RMSE รูปที่ 98 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 4 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองไม่มีประสิทธิภาพ โดยมีค่าเฉลี่ย R2 ติดลบที่ -0.99 (Train) และ -6.89 (Test) พร้อม ค่า MAPE สูงถึง 8.32% ในชุดทดสอบ ซึ่งสะท้อนความแม่นยาที่ไม่เพียงพอ แม้ช่วงฝึกสอนจะมีความ คลาดเคลื่อนต่า แต่ค่าเฉลี่ย RMSE ในชุดทดสอบยังคงสูงถึง 653.48 จึงสรุปได้ว่าโมเดลนี้ไม่เหมาะสม สาหรับการนาไปพยากรณ์จริง เนื่องจากให้ผลลัพธ์คลาดเคลื่อนสูงและขาดเสถียรภาพ 52 ตารางที่ 29 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 4 R-square Train Test 1 0.70 -7.29 2 0.03 -4.25 3 -0.48 -1.73 4 0.18 -0.04 5 -1.29 -7.09 AVG -0.17 -4.08 SD 0.75 3.21 No. MSE Train 37106.86 120594.85 162937.53 90578.38 327178.27 147679.18 110309.84 Test 987166.23 567536.79 450672.26 391.85 431183.73 487390.17 352801.05 RMSE MAPE % Train Test Train Test 192.63 993.56 2.92 9.69 347.27 753.35 5.73 9.96 403.66 671.32 5.59 11.46 300.96 415.02 4.70 8.67 571.99 656.65 7.96 9.33 363.30 697.98 5.38 9.82 140.05 207.92 1.83 1.03 รูปที่ 99 กราฟการเปรียบเทียบค่า R2 รูปที่ 100 กราฟการเปรียบเทียบค่า MSE รูปที่ 101 กราฟการเปรียบเทียบค่า RMSE รูปที่ 102 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 4 เพื่อพยากรณ์ค่าความ ร้อน พบว่าแบบจาลองไม่มีประสิทธิภาพ โดยมีค่าเฉลี่ย R2 ติดลบทั้งชุดฝึกสอน -0.99 (Train) และ ชุดทดสอบ (-6.89) พร้อมค่า MAPE สูงถึง 8.32% สะท้อนความแม่นยาที่ต่ามากแม้ในชุดฝึกสอนจะมี ค่าความคลาดเคลื่อนเฉลี่ย (RMSE) อยู่ในเกณฑ์ต่า แต่ในชุดทดสอบกลับพบความผันผวนรุนแรง โดยเฉพาะรอบที่ 5 ที่ RMSE พุ่งสูงถึง 1,198.35 จึงสรุปได้ว่า โมเดลไม่เหมาะสมเนื่องจากผลลัพธ์ คลาดเคลื่อนสูงและขาดความเสถียร 53 ตารางที่ 30 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 4 R-square Train Test Narrow Neural Network -2.79 -26.87 Medium Neural Network -2.07 -5.40 Wide Neural Network -1.33 -7.37 Bi-layered Neural Network -0.99 -6.89 Tri-layered Neural Network -0.17 -4.08 No. MSE Train 461430.18 358654.26 280258.14 234315.88 147679.18 Test 1557468.74 629356.78 774597.51 571733.41 487390.17 RMSE Train Test 673.81 845.63 571.56 674.15 526.84 808.23 450.13 653.48 363.30 697.98 MAPE % Train Test 7.44 9.1610 7.75 9.1946 7.47 11.4223 6.72 8.3231 1.83 1.0345 รูปที่ 103 กราฟการเปรียบเทียบค่า R2 รูปที่ 104 กราฟการเปรียบเทียบค่า MSE รูปที่ 105 กราฟการเปรียบเทียบค่า RMSE รูปที่ 106 กราฟการเปรียบเทียบค่า %MAPE จากการเปรียบเทีย บแบบจาลองทั้ง 5 รูปแบบในชุดข้อมูล ที่ 4 พบว่าทุกแบบจาลองไม่ มี ประสิทธิภาพ โดยมีค่าเฉลี่ย R2 ติดลบทั้งหมดทั้งในชุดฝึกสอนและชุดทดสอบ พร้อมค่า MAPE สูง กว่า 8.32% สะท้อนความแม่นยาที่ต่ามากในด้านความเสถียร พบความผันผวนรุนแรงในชุดทดสอบ โดยมีค่าเฉลี่ย RMSE สูงถึง 653.48 - 845.63 และมักเกิดความคลาดเคลื่อนพุ่งสูงผิดปกติในบางรอบ การทดลอง จึงสรุปได้ว่าทุกโครงสร้าง ไม่เหมาะสาหรับการนาไปใช้ในการทานายค่าความร้ อน เนื่องจากผลลัพธ์คลาดเคลื่อนสูงและขาดความเสถียร 54 4.3.5 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 5 ตารางที่ 31 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 5 R-square Train Test 1 0.31 0.35 2 0.22 0.37 3 0.35 0.27 4 0.34 0.36 5 0.36 0.11 AVG 0.31 0.29 SD 0.06 0.11 No. MSE Train 1309531.69 1500902.27 1272200.68 1326950.50 1285742.07 1339065.44 92903.78 RMSE Test 1416082.15 1366086.19 1483610.31 1181555.06 1546634.70 1398793.68 139294.76 Train 1144.35 1225.11 1127.92 1151.93 1133.91 1156.64 39.38 Test 1189.99 1168.80 1218.04 1086.99 1243.64 1181.49 59.92 MAPE % Train Test 13.19 15.18 13.83 13.47 13.08 14.44 13.35 13.39 13.28 14.75 13.35 14.25 0.29 0.79 รูปที่ 107 กราฟการเปรียบเทียบค่า R2 รูปที่ 108 กราฟการเปรียบเทียบค่า MSE รูปที่ 109 กราฟการเปรียบเทียบค่า RMSE รูปที่ 110 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 5 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 เพียง 0.31 (Train) และ 0.29 (Test) พร้อมค่า MAPE สูงถึง 14.25% ซึ่งสะท้อนความแม่นยาที่ไม่เพียงพอแม้แบบจาลองจะมีความเสถียรมากกว่าชุด ก่อนหน้า แต่ค่าความคลาดเคลื่อนเฉลี่ย (RMSE) ยังคงอยู่ในระดับสูงถึง 1,181.49 ในชุดทดสอบ จึง สรุปได้ว่าคลาดเคลื่อนสูง 55 ตารางที่ 32 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 5 R-square Train Test .1 0.31 0.35 2 -0.08 0.23 3 0.31 0.17 4 -0.20 0.33 5 0.24 0.12 AVG 0.12 0.24 SD 0.24 0.10 No. MSE RMSE Train Test Train Test 1310704.41 1418789.21 1144.86 1191.13 2067099.22 1678296.86 1437.74 1295.49 1346359.88 1686169.35 1160.33 1298.53 2394726.68 1235096.51 1547.49 1111.35 1529818.03 1532053.59 1236.86 1237.76 1729741.65 1510081.10 1305.46 1226.85 479207.28 189563.41 178.63 78.40 MAPE % Train Test 13.26 15.20 15.19 13.73 13.48 15.13 15.23 13.72 14.08 14.77 14.24 14.51 0.93 0.73 รูปที่ 111 กราฟการเปรียบเทียบค่า R2 รูปที่ 112 กราฟการเปรียบเทียบค่า MSE รูปที่ 113 กราฟการเปรียบเทียบค่า RMSE รูปที่ 114 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Medium Neural Network ชุดที่ 5 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพต่า โดยให้ค่าเฉลี่ย R2 เพียง 0.12 (Train) และ 0.24 (Test) พร้อม ค่า MAPE สูงถึง 14.51% สะท้อนความแม่นยาที่ไม่ดีนักในด้านความคลาดเคลื่อน พบว่าค่าเฉลี่ย RMSE อยู่ที่ 1,226.85 ในชุดทดสอบ แม้จะมีความเสถียรมากกว่าชุดที่ 4 แต่ประสิทธิภาพโดยรวมยัง ไม่เพียงพอสาหรับการใช้งานจริง เนื่องจากค่าความคลาดเคลื่อนสะสมยังอยู่ในระดับสูงและค่า R2 มี ความผันผวนระหว่างรอบการทดลอง 56 ตารางที่ 33 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 5 R-square Train Test 1 -0.93 -0.08 2 -1.61 -0.26 3 -3.03 -0.66 4 -2.24 -0.23 5 -0.74 -0.41 AVG -1.71 -0.33 SD 0.95 0.22 No. MSE Train 3660348.28 5012905.82 7858696.74 6477461.03 3485343.15 5298951.01 1870641.49 RMSE Test 2368280.92 2747991.93 3373098.63 2281279.63 2454593.07 2645048.83 443242.51 Train 1913.20 2238.95 2803.34 2545.09 1866.91 2273.50 403.36 Test 1538.92 1657.71 1836.60 1510.39 1566.71 1622.07 132.04 MAPE % Train Test 20.03 18.54 23.17 17.08 22.09 20.01 18.81 17.33 19.27 17.14 20.68 18.02 1.88 1.26 รูปที่ 115 กราฟการเปรียบเทียบค่า R2 รูปที่ 116 กราฟการเปรียบเทียบค่า MSE รูปที่ 117 กราฟการเปรียบเทียบค่า RMSE รูปที่ 118 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 5 เพื่อพยากรณ์ค่าความร้ อ น พบว่าแบบจาลองไม่มีประสิทธิภาพ โดยมีค่าเฉลี่ย R2 ติดลบ -1.71 (Train) และ -0.33 (Test) พร้อม ค่า MAPE สูงถึง 18.02% ในชุดทดสอบ ซึ่งแสดงถึงความแม่นยาที่ต่ามากในด้านความคลาดเคลื่อน พบว่าค่าเฉลี่ย RMSE อยู่ในระดับสูงมากที่ 2,273.50 (Train) และ 1,622.07 (Test) แม้ค่าความ คลาดเคลื่อนในชุดทดสอบจะดูน้อยกว่าชุดฝึกสอน แต่ผลลัพธ์โดยรวมยังมีความผันผวนสูงและไม่ สามารถจับทิศทางของข้อมูลได้ จึงสรุปได้โมเดลนี้ไม่เหมาะสมสาหรับการนาไปใช้งานจริง 57 ตารางที่ 34 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 5 R-square Train Test 1 0.30 0.32 2 0.30 0.43 3 0.34 0.27 4 0.30 0.36 5 0.37 0.07 AVG 0.32 0.29 SD 0.03 0.14 No. MSE Train 1329220.84 1354114.61 1282535.46 1397429.74 1270114.85 1326683.10 52232.64 RMSE Test 1481372.51 1247346.34 1487395.14 1188350.59 1624368.92 1405766.70 182025.51 Train 1152.92 1163.66 1132.49 1182.13 1126.99 1151.64 22.64 Test 1217.12 1116.85 1219.59 1090.11 1274.51 1183.63 77.26 MAPE % Train Test 13.33 15.44 13.63 13.02 13.24 14.45 13.59 13.52 13.24 15.04 13.41 14.29 0.19 1.01 รูปที่ 119 กราฟการเปรียบเทียบค่า R2 รูปที่ 120 กราฟการเปรียบเทียบค่า MSE รูปที่ 121 กราฟการเปรียบเทียบค่า RMSE รูปที่ 122 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 5 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 อยู่ที่ 0.32 (Train) และ 0.29 (Test) พร้อมค่า MAPE สูงถึง 14.29% ในชุดทดสอบสะท้อนความแม่นยาที่ไม่เพียงพอ ในด้านความคลาดเคลื่อน พบว่าค่าเฉลี่ย RMSE อยู่ที่ 1,183.63 ในชุดทดสอบ แม้แบบจาลองจะมีค่า SD ของ RMSE ต่าซึ่ง หมายถึงมีความเสถียรสูง แต่ผลลัพธ์โดยรวมยังมีความคลาดเคลื่อนสะสมในระดับสูง 58 ตารางที่ 35 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 5 R-square Train Test 1 0.24 0.34 2 0.17 0.28 3 0.29 0.26 4 0.26 -1.03 5 0.29 0.14 AVG 0.25 0.00 SD 0.05 0.58 No. MSE Train 1440313.31 1587534.57 1386754.15 1484887.73 1432502.41 1466398.43 76138.69 RMSE Test 1447307.70 1576547.68 1499597.01 3766001.01 1503552.32 1958601.14 1011414.15 Train 1200.13 1259.97 1177.61 1218.56 1196.87 1210.63 31.18 Test 1203.04 1255.61 1224.58 1940.62 1226.19 1370.01 319.53 MAPE % Train Test 13.71 15.41 14.71 13.35 13.53 14.49 14.37 16.07 13.72 14.08 14.01 14.68 0.51 1.08 รูปที่ 123 กราฟการเปรียบเทียบค่า R2 รูปที่ 124 กราฟการเปรียบเทียบค่า MSE รูปที่ 125 กราฟการเปรียบเทียบค่า RMSE รูปที่ 126 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 5 เพื่อพยากรณ์ค่าความ ร้อน พบว่าแบบจาลองมีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 อยู่ที่ 0.32 (Train) และ 0.29 (Test) พร้อมค่า MAPE สูงถึง 14.29% ในชุดทดสอบ สะท้อนความแม่นยาที่ไม่เพียงพอในด้านความ คลาดเคลื่อน พบว่าค่าเฉลี่ย RMSE อยู่ที่ 1,183.63 ในชุดทดสอบ แม้แบบจาลองจะมีค่า SD ของ RMSE ตา่ ซึง่ หมายถึงมีความเสถียรสูง แต่ผลลัพธ์โดยรวมยังมีความคลาดเคลือ่ นสะสมในระดับสูง 59 ตารางที่ 36 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 5 R-square Train Test Narrow Neural Network 0.31 0.29 Medium Neural Network 0.12 0.24 Wide Neural Network -1.71 -0.33 Bi-layered Neural Network 0.32 0.29 Tri-layered Neural Network 0.25 0.00 No. MSE Train 1339065.44 1729741.65 5298951.01 1326683.10 1466398.43 Test 1398793.68 1510081.10 2645048.83 1405766.70 1958601.14 RMSE Train 1156.64 1305.46 2273.50 1151.64 1210.63 Test 1181.49 1226.85 1622.07 1183.63 1370.01 รูปที่ 127 กราฟการเปรียบเทียบค่า R2 รูปที่ 128 กราฟการเปรียบเทียบค่า MSE รูปที่ 129 กราฟการเปรียบเทียบค่า RMSE รูปที่ 130 กราฟการเปรียบเทียบค่า %MAPE MAPE % Train Test 13.35 14.25 14.24 14.51 20.68 18.02 13.41 14.29 14.01 14.68 จากการทดสอบทั้ง 5 รูปแบบ พบว่าแบบจาลองส่วนใหญ่มีประสิทธิภาพต่า โดยมีค่าเฉลี่ย R2 อยู่ในเกณฑ์ต่า (0.00 - 0.35) และมีค่า MAPE สูงถึง 14.25% - 18.02% สะท้อนว่าแบบจาลองยังไม่ สามารถพยากรณ์ข้อมูล ได้อย่างแม่นยาในด้านความคลาดเคลื่อน แม้แบบจาลองมีความเสถี ย ร มากกว่าชุดข้อมูลก่อนหน้า แต่ค่าเฉลี่ย RMSE ยังคงอยู่ในระดับสูง (1,181.49 - 1,622.07) โดยเฉพาะ โครงสร้าง Wide ที่ให้ผลลัพธ์แย่ที่สุด R2 ติดลบและ RMSE สูงสุด ขณะที่โครงสร้าง Narrow และ Bilayered ให้ผลลัพธ์ใกล้เคียงกันและดีกว่ารูปแบบอื่นเล็กน้อย สรุปได้ว่าทุกโครงสร้างยังไม่เหมาะสม สาหรับการนาไปใช้งานจริงเนื่องจากค่าความคลาดเคลื่อนสะสมยังอยู่ในระดับที่สูงเกินไป 60 4.3.6 ผลการรันค่าแบบจาลองของข้อมูลชุดที่ 6 ตารางที่ 37 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Narrow Neural Network ชุดที่ 6 R-square Train Test 1 0.85 0.79 2 0.81 0.91 3 0.86 0.82 4 0.84 0.86 5 0.87 0.83 AVG 0.85 0.84 SD 0.02 0.04 No. MSE Train 312990.07 371778.52 273167.71 308587.98 247011.51 302707.16 47132.15 Test 359999.30 167821.60 361848.62 318054.11 352450.36 312034.80 82536.52 RMSE MAPE % Train Test Train Test 559.46 600.00 6.01 6.02 609.74 409.66 6.79 3.96 522.65 601.54 5.79 6.29 555.51 563.96 5.96 6.16 497.00 593.68 5.10 6.87 548.87 553.77 5.93 5.86 42.54 81.98 0.60 1.11 รูปที่ 131 กราฟการเปรียบเทียบค่า R2 รูปที่ 132 กราฟการเปรียบเทียบค่า MSE รูปที่ 133 กราฟการเปรียบเทียบค่า RMSE รูปที่ 134 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Narrow Neural Network ชุดที่ 6 เพื่อพยากรณ์ค่าความร้อน แบบจาลองมีประสิทธิภาพสูงขึ้นชัดเจน โดยมีค่าเฉลี่ย R2 อยู่ที่ 0.85 (Train) และ 0.84 (Test) พร้อม ค่า MAPE ต่าเพียง 5.86% สะท้อนความแม่นยาที่สูงขึ้นในด้านความคลาดเคลื่อน ค่าเฉลี่ย RMSE ลดลงเหลือ 553.77 ในชุดทดสอบ และมีความเสถียรดีด้วยค่า SD ที่ 81.98 61 ตารางที่ 38 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Medium Neural Network ชุดที่ 6 R-square Train Test 1 0.89 0.84 2 0.87 0.88 3 0.88 0.83 4 0.86 0.89 5 0.87 0.98 AVG 0.87 0.88 SD 0.01 0.06 No. MSE Train 224051.70 268412.78 231857.73 259122.07 257289.14 248146.69 19109.27 Test 280499.01 210683.70 342254.63 256993.21 35546.39 225195.39 116135.47 RMSE MAPE % Train Test Train Test 473.34 529.62 4.56 5.77 518.09 459.00 5.50 4.67 481.52 585.03 4.70 6.34 509.04 506.94 5.41 5.43 507.24 188.54 5.40 1.55 497.84 453.83 5.12 4.76 19.30 155.07 0.44 1.89 รูปที่ 135 กราฟการเปรียบเทียบค่า R2 รูปที่ 136 กราฟการเปรียบเทียบค่า MSE รูปที่ 137 กราฟการเปรียบเทียบค่า RMSE รูปที่ 138 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Medium Neural Network ชุดที่ 6 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพสูงมาก โดยมีค่าเฉลี่ย R2 อยู่ที่ 0.87 (Train) และ 0.88 (Test) พร้อม ค่า MAPE ต่าเพียง 4.76% ในชุดทดสอบ สะท้อนความแม่นยาในด้านความคลาดเคลื่อน และค่าเฉลี่ย RMSE ลดลงเหลือ 453.83 ในชุดทดสอบ แม้จะมีค่า SD ของ RMSE อยู่ที่ 155.07 แต่ผลลัพธ์โดยรวม มีความคลาดเคลื่อนต่าและแม่นยาสูงมาก 62 ตารางที่ 39 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Wide Neural Network ชุดที่ 6 R-square MSE Train Test Train Test 1 0.99 1.00 17124.01 7595.03 2 0.99 1.00 17441.42 1306.24 3 0.92 1.00 154973.92 5515.23 4 0.95 1.00 104251.25 4821.92 5 0.99 1.00 26252.76 2488.18 AVG 0.97 1.00 64008.67 4345.32 SD 0.03 0.00 62622.54 2492.06 No. RMSE Train Test 130.86 87.15 132.07 36.14 393.67 74.26 322.88 69.44 162.03 49.88 228.30 63.38 121.90 20.28 MAPE % Train Test 0.40 0.27 0.59 0.14 0.42 0.21 1.38 0.20 0.54 0.34 0.66 0.23 0.41 0.08 รูปที่ 139 กราฟการเปรียบเทียบค่า R2 รูปที่ 140 กราฟการเปรียบเทียบค่า MSE รูปที่ 141 กราฟการเปรียบเทียบค่า RMSE รูปที่ 142 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Wide Neural Network ชุดที่ 6 เพื่อพยากรณ์ค่าความร้ อ น พบว่าแบบจาลองมีประสิทธิภาพสูงมาก โดยมีค่าเฉลี่ย R2 สูงถึง 0.97 (Train) และ 1.00 (Test) พร้อมค่า MAPE ต่ามากเพียง 0.23% ในชุดทดสอบ สะท้อนความแม่นยาในการพยากรณ์ ในด้าน ความคลาดเคลื่อนพบว่าค่าเฉลี่ย RMSE มีค่าเพียง 63.38 ในชุดทดสอบ และมีความเสถียรสูงมากด้วย ค่า SD ของ RMSE ที่ 20.28 63 ตารางที่ 40 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Bi-layered Neural Network ชุดที่ 6 R-square Train Test 1 0.86 0.96 2 0.89 0.99 3 0.92 0.99 4 0.90 0.88 5 0.89 0.83 AVG 0.89 0.93 SD 0.02 0.07 No. MSE Train 275860.83 210791.11 166037.35 189388.69 223410.69 213097.73 41314.90 Test 66791.33 23637.31 25544.59 264403.09 340750.74 144225.41 148060.41 RMSE MAPE % Train Test Train Test 525.22 258.44 5.58 2.52 459.12 153.74 4.22 1.47 407.48 159.83 3.61 1.07 435.19 514.20 3.83 5.68 472.66 583.74 4.58 6.82 459.93 333.99 4.36 3.51 44.13 202.10 0.78 2.58 รูปที่ 143 กราฟการเปรียบเทียบค่า R2 รูปที่ 144 กราฟการเปรียบเทียบค่า MSE รูปที่ 145 กราฟการเปรียบเทียบค่า RMSE รูปที่ 146 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Bi-layered Neural Network ชุดที่ 6 เพื่อพยากรณ์ค่าความร้อน พบว่าแบบจาลองมีประสิทธิภาพสูงมาก โดยมีค่าเฉลี่ย R2 อยู่ที่ 0.89 (Train) และ 0.93 (Test) พร้อม ค่า MAPE ต่าเพียง 3.51% ในชุดทดสอบ นอกจากนี้ยังพบว่าโครงสร้าง Bi-layered มีประสิทธิภาพ ดีกว่าโครงสร้าง Narrow และ Medium อย่างชัดเจน แต่เป็นรองโครงสร้าง Wide อย่างไรก็ตามใน ด้านความคลาดเคลื่อนสะสม ค่าเฉลี่ย RMSE อยู่ที่ 333.99 ซึ่งถือว่าอยู่ในเกณฑ์ต่า 64 ตารางที่ 41 ผลการสร้างแบบจาลองทางคณิตศาสตร์ Tri-layered Neural Network ชุดที่ 6 R-square MSE Train Test Train Test 1 0.95 0.90 94342.94 175363.67 2 0.94 0.99 129806.22 14484.19 3 0.97 1.00 64008.67 4345.32 4 0.96 1.00 79789.23 11087.94 5 0.98 1.00 45481.35 6676.60 AVG 0.96 0.98 82685.68 42391.54 SD 0.02 0.04 32006.32 74436.88 No. RMSE MAPE % Train Test Train Test 307.15 418.76 2.00 1.84 360.29 120.35 2.86 0.79 228.30 63.38 1.71 5.73 282.47 105.30 1.85 0.83 213.26 81.71 0.93 0.55 278.29 157.90 1.87 1.95 59.79 147.45 0.69 2.17 รูปที่ 147 กราฟการเปรียบเทียบค่า R2 รูปที่ 148 กราฟการเปรียบเทียบค่า MSE รูปที่ 149 กราฟการเปรียบเทียบค่า RMSE รูปที่ 150 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบแบบจาลอง Tri-layered Neural Network ชุดที่ 6 เพื่อพยากรณ์ค่าความ ร้อน พบว่าแบบจาลองมีประสิทธิภาพสูงมากโดยมีค่าเฉลี่ย R2 อยู่ที่ 0.96 (Train) และ 0.98 (Test) พร้อมค่า MAPE ต่าเพียง 1.95% ในชุดทดสอบ สะท้อนความแม่นยาที่ยอดเยี่ยมเมื่อเปรียบเทียบใน ชุดข้อมูลเดียวกัน แม้ผลลัพธ์ในบางรอบจะมีความคลาดเคลื่อนสูงกว่ารอบอื่นเล็กน้อยแต่ภาพรวม ยังคงให้ค่าความแม่นยาที่สูงกว่าโครงสร้างรูปแบบอื่นอย่างชัดเจน อย่างไรก็ตามด้วยค่าเฉลี่ย RMSE ที่ 157.90 ซึ่งอยู่ในเกณฑ์ต่ามาก 65 ตารางที่ 42 สรุปผลการสร้างแบบจาลองทางคณิตศาสตร์ทั้ง 5 แบบ ชุดที่ 6 R-square MSE RMSE MAPE % Train Test Train Test Train Test Train Test Narrow Neural Network 0.85 0.84 302707.16 312034.80 548.87 553.77 5.93 5.86 Medium Neural Network 0.87 0.88 248146.69 225195.39 497.84 453.83 5.12 4.76 Wide Neural Network 0.97 1.00 64008.67 4345.32 228.30 63.38 0.66 0.23 Bi-layered Neural Network 0.89 0.93 213097.73 144225.41 459.93 333.99 4.36 3.51 Tri-layered Neural Network 0.96 0.98 82685.68 42391.54 278.29 157.90 1.87 1.95 No. รูปที่ 151 กราฟการเปรียบเทียบค่า R2 รูปที่ 152 กราฟการเปรียบเทียบค่า MSE รูปที่ 153 กราฟการเปรียบเทียบค่า RMSE รูปที่ 154 กราฟการเปรียบเทียบค่า %MAPE จากการทดสอบเปรีย บเทีย บประสิทธิภาพของแบบจาลองโครงข่ายประสาทเทียมทั้ง 5 รูปแบบ ในชุดทดสอบที่ 6 พบว่าแบบจาลองส่วนใหญ่มีประสิทธิภาพอยู่ในเกณฑ์ดีเยี่ยมและอยู่ใน ระดับที่ยอมรับได้สาหรับการนาไปใช้งานจริง โดยมีค่า R2 เฉลี่ยอยู่ในเกณฑ์สูงถึง 0.84 - 1.00 ซึ่ง สะท้อนว่าแบบจาลองสามารถพยากรณ์ข้อมูลได้อย่างแม่นยาและมีความคลาดเคลื่อนต่า โดยเฉพาะ โครงสร้างแบบ Wide Neural Network ที่ให้ผลลัพธ์ดีที่สุดด้วยค่า MAPE เพียง 0.23% และค่า R2 เท่ากับ 1.00 ในชุดทดสอบ อีกทั้งแบบจาลองยังมีความเสถียรสูงเนื่องจากค่าความคลาดเคลื่อน RMSE ในชุดทดสอบมีแนวโน้มลดลงเมื่อเทียบกับชุดฝึกสอน จึงสรุป โมเดลมีความเหมาะสมและ สามารถนาไปประยุกต์ใช้ในงานจริงได้ 66 4.4 สรุปผลการรันโมเดล จากชุดข้อมูลทั้ง 6 ชุดนั้นจะเห็นได้ว่า ผลของข้อมูลชุดที่ 1 – 3 ให้ค่าการประเมินแบบจาลอง ทางคณิตศาสตร์ที่ดีมาก แต่เนื่องด้วยข้อมูลที่ทาการป้อนเข้าแบบจาลองนั้นอยู่ในหน่วย kcal/kg ซึ่ง ไม่เป็นสากลในอุตสาหกรรมโรงไฟฟ้าขยะ จึงได้เพิ่มชุดข้อมูล 4 – 6 ที่เป็นหน่วย kJ/kg และมีจานวน ข้อมูลที่เหมาะสมในการทาแบบจาลองทางคณิตศาสตร์ ผล Wide Neural Network ของข้อมูลชุดที่ 6 ให้ค่าการประเมินแบบจาลองทางคณิตศาสตร์ ที่ดีที่สุด สามารถดูได้จากค่า R-square ที่บ่งบอกถึงความแม่นยาของแบบจาลองนั้นมีค่า 0.97 ซึ่งอยู่ ในช่วงที่รับได้ในการทาแบบจาลอง ค่านี้แสดงถึงว่าแบบจาลองมีความแม่นยามากพอ อีกทั้งค่า RMSE ที่บ่งบอกถึงความค่าคลาดเคลื่อนในการทานายของแบบจาลอง ให้ค่าของการทดสอบอยู่ที่ 63.38 สามารถพูดได้ว่าแบบจาลองทางคณิตศาสตร์แบบ Wide Neural Network ของข้อมูลชุดที่ 6 มี ความคลาดเคลื่อนเฉลี่ยในตัวอยู่ที่ 63.38 kJ/kg ซึ่งนับว่าเป็นจานวนที่รับได้ ฉะนั้นแบบจาลอง คณิตศาสตร์นี้จึงเป็นแบบจาลองที่ดีและเหมาะสมที่สุดในการพัฒนาต่อในการสร้างเว็บไซต์สาหรับการ ทานายค่าความร้อนของขยะ 67 บทที่ 5 สรุปผลการออกแบบ 5.1. การพัฒนาและปรับปรุงแบบจาลองทางคณิตศาสตร์ ผลการศึกษาพบว่า แบบจาลองที่พัฒนาด้วยเทคนิคโครงข่ายประสาทเทียมสามารถอธิบาย ความสัมพันธ์ระหว่างองค์ประกอบทางกายภาพของขยะและค่าความร้อนของขยะมูลฝอยได้อย่างมี ประสิทธิภาพ แบบจาลองสามารถทานายค่าความร้อนของขยะได้ใกล้เคียงกับค่าที่ได้จากการทดลอง จริงดังตารางที่ 42 และมีค่าความคลาดเคลื่อนอยู่ในระดับต่า แสดงให้เห็นว่าแนวทางการใช้เทคนิค การเรีย นรู้ของเครื่ องมือสามารถนามาใช้ในการประมาณค่าความร้อนของขยะมูล ฝอยได้ อ ย่า ง เหมาะสม นอกจากนี้แบบจาลองที่ได้ยังถูกนาไปพัฒนาเป็นระบบการใช้งานในรูปแบบเว็บไซต์ โดย ผู้ใช้งานสามารถป้อนข้อมูล สัดส่วนองค์ประกอบทางกายภาพของขยะมูลฝอยเข้าสู่ระบบ จากนั้น ระบบจะประมวลผลและแสดงค่าความร้อนที่คาดการณ์ได้ รวมถึงใช้เป็นข้อมูลเบื้องต้นสาหรับการ ประเมินศักยภาพในการผลิตพลังงานไฟฟ้าจากขยะมูลฝอย ซึ่งช่วยเพิ่ มความสะดวกและรวดเร็วใน การประเมินค่าความร้อนของขยะเมื่อเปรียบเทียบกับการวิเคราะห์ในห้องปฏิบัติการ ตารางที่ 43 ผลการทานายของโมเดล Physical composition (%) M เผาไหม้ได้ เผา ไหม้ ไม่ได้ รายการ HHVexp as recieved (kJ/kg) HHVexp dry basis (kJ/kg) HHVweb dry basis (kJ/kg) HHV as received (kJ/kg) %RE สถานีขนถ่ายมูลฝอยอ่อนนุช Fw 38.10 Pa 22.60 Pf 13.50 T 5.80 W 3.80 Lr 0.90 other 13.80 % 75.47 4430.86 18063.01 10083.03 2473.37 44% ทม. เมืองกระบี่ 61.14 5.75 13.25 2.45 0.32 0.61 16.47 61.92 4602.23 12085.69 15845.14 6033.83 31% ทวีวัฒนา 41.25 13.20 26.90 1.35 2.21 4.90 10.20 71.38 4788.38 16730.88 15831.36 4530.94 5% สถานีขนถ่ายมูลฝอยอ่อนนุช 28.90 16.70 27.00 5.40 1.20 1.70 19.00 66.77 4850.09 14595.52 20517.31 6817.90 41% เทศบาลเมืองบางกรวย 44.25 5.00 24.00 7.25 2.50 3.25 13.75 68.60 5406.65 17218.63 20210.97 6346.25 17% เทศบาลเมืองอานาจเจริญ 44.17 1.20 21.29 8.43 15.26 0.80 8.84 67.29 5419.54 16568.44 18127.08 5929.37 9% ทต. เหนือคลอง 59.44 6.38 17.89 4.50 0.36 0.00 11.43 63.44 5437.61 14873.11 16543.54 6048.32 11% บางกอกน้อย 45.90 7.55 23.17 7.99 4.87 1.09 8.13 66.87 5441.38 16424.32 20226.02 6700.88 23% พระนคร 45.55 8.06 27.78 1.08 3.21 0.40 13.92 69.23 5455.27 17729.17 23759.94 7310.93 34% ขยะมูลฝอยเทศบาลเมือง พังงา เทศบาลตาบลหนองหาน 32.03 19.56 21.39 13.20 4.28 1.83 7.70 64.72 5489.16 15558.83 18742.83 6612.47 20% 58.82 9.16 26.20 1.20 1.52 0.34 1.43 65.05 5537.73 15844.73 17810.35 6224.72 12% ตลิ่งชัน 49.98 8.20 29.66 3.26 2.44 1.26 5.20 70.84 5605.10 19221.86 20678.52 6029.86 08% 68 เทศบาลเมือง (2) 56.30 5.06 29.91 3.77 0.41 0.32 4.24 70.28 5619.11 18906.84 20210.30 6006.50 7% ทม.กระทุ่มล้ม 56.30 5.06 29.91 3.77 0.41 0.32 4.24 70.28 5619.11 18906.84 20210.30 6006.50 7% เทศบาลเมือง2 56.30 5.06 29.91 3.77 0.41 0.32 4.24 70.28 5619.11 18906.84 20210.30 6006.50 7% สถานีขนถ่ายมูลฝอยอ่อนนุช 37.90 16.80 25.80 2.00 2.00 0.30 13.80 67.08 5806.85 17639.27 22951.01 7555.47 30% ตัวอย่าง2 49.58 5.00 17.60 7.61 0.48 0.00 19.73 64.40 5810.15 16320.66 20602.42 7334.46 26% ราษฎร์บูรณะ 46.45 12.17 26.03 5.91 3.27 1.63 4.55 63.62 5839.78 16052.16 19438.67 7071.79 21% สถานีขนถ่ายมูลฝอยอ่อนนุช 22.20 12.10 32.90 2.70 0.50 0.00 28.30 61.53 5896.22 15326.80 17484.67 6726.35 14% สถานีขนถ่ายมูลฝอยอ่อนนุช 29.10 17.70 23.50 5.20 4.40 0.10 19.30 60.98 6009.31 15400.59 17280.03 6742.67 12% คลองสาน 48.18 8.41 30.79 2.95 4.44 0.00 5.23 62.53 6039.48 16118.17 19894.05 7454.30 23% ธนบุรี 48.38 7.35 29.11 2.02 3.66 1.23 8.03 66.92 6045.59 18275.66 19785.87 6545.17 8% เทศบาลเมือง (1) 43.32 9.09 31.03 6.45 0.74 0.63 8.56 64.25 6062.45 16957.90 22498.94 8043.37 33% ทม.สามพราน 43.32 9.09 31.03 6.45 0.74 0.63 8.56 64.25 6062.45 16957.90 22498.94 8043.37 33% เทศบาลเมือง1 43.32 9.09 31.03 6.45 0.74 0.63 8.56 64.25 6062.45 16957.90 22498.94 8043.37 33% เทศบาลตาบลเขตรอุดม ศักดิ์2 สาทร 41.69 0.35 22.97 8.13 6.01 0.35 20.49 54.11 6480.89 14122.66 13380.18 6140.17 5% 47.28 6.49 30.43 0.87 5.94 0.00 8.56 61.35 6546.12 16936.92 17768.18 6967.40 5% ทุ่งครุ 47.92 7.83 33.38 0.00 4.69 1.55 4.64 59.72 6574.86 16322.90 19523.40 7864.03 20% จอมทอง 44.36 5.52 25.65 5.87 3.44 1.04 12.73 58.30 6585.66 15792.94 17169.81 7159.81 9% ทต. บ่อหรุ 45.05 9.46 21.17 6.31 4.95 1.35 11.71 55.65 6585.66 14849.28 15830.23 7020.71 7% Petchaburi, Petchaburi City Municipality เทศบาลตาบลเขตรอุดม ศักดิ์1 ทน. หาดใหญ่ 48.73 17.01 18.48 6.62 4.00 1.77 3.39 58.97 6585.66 16050.84 18475.62 7580.55 15% 48.03 2.51 24.73 6.81 0.36 1.79 15.75 58.59 6598.17 15933.76 15322.98 6345.25 4% 46.00 4.00 25.00 7.00 1.50 4.50 12.00 52.59 6735.86 14207.68 16012.45 7591.50 13% ทน. สงขลา 46.38 14.55 20.00 1.36 3.18 1.36 13.17 51.83 6770.47 14055.36 11506.34 5542.60 18% เขตจตุจักร 46.71 8.24 27.32 0.95 8.57 0.72 7.49 54.82 6882.68 15233.91 15641.91 7067.02 3% เทศบาลตาบลโคกกลาง 48.70 1.86 23.42 2.60 8.55 2.60 12.28 53.67 6945.44 14991.24 13831.77 6408.26 8% บางพลัด 47.10 11.08 29.10 4.95 4.57 0.00 3.19 56.16 7007.82 15985.00 18960.29 8312.19 19% เหลือจากการคัดแยกฤดู ท่องเที่ยว ตัวอย่างที่ 3 63.36 7.20 10.24 3.62 5.63 0.07 9.88 66.45 4551.36 13565.89 13567.91 4552.04 0% 52.83 0.44 11.79 1.31 0.44 0.87 24.58 74.68 4621.06 18250.63 18251.27 4619.40 0% เกาะล้าน 3 52.83 0.44 11.79 1.31 0.44 0.87 32.32 74.68 4621.06 18250.63 18251.27 4619.40 0% เหลือจากการคัดแยกนอกฤดู ท่องเที่ยว อบต.ไม้ขาว 65.49 8.15 8.50 7.22 3.59 0.00 7.05 67.26 4733.02 14456.40 14455.55 4732.75 0% 45.00 3.21 21.22 8.93 0.52 0.00 21.12 54.55 4948.75 10888.34 10885.42 4947.42 0% ตัวอย่างที่ 1 42.18 0.87 14.35 2.17 4.78 4.35 19.55 53.71 5186.70 11204.79 11204.37 5186.50 0% เกาะล้าน 1 42.18 0.87 14.35 2.17 4.78 4.35 31.30 53.71 5186.70 11204.79 11204.37 5186.50 0% ช่วงฤดูมรสุม 52.86 10.72 10.65 2.42 3.64 0.00 19.71 68.84 5290.42 16978.23 16980.55 5291.14 0% ทน.ภูเก็ต 57.81 1.79 17.31 7.05 1.03 0.11 14.90 69.89 5353.05 17778.32 17779.76 5353.49 0% ทต. บ้านใต้ 61.78 4.17 12.47 2.15 0.09 0.00 19.36 67.89 5439.53 16940.31 16940.05 5439.45 0% ช่วงฤดูท่องเที่ยว 55.05 10.92 12.37 1.69 1.92 0.00 18.05 65.76 5714.55 16689.69 16689.11 5714.35 0% อบต.บางเพรียง 45.61 11.08 32.89 2.46 1.85 0.00 6.13 57.80 5828.02 13810.47 13812.92 5829.05 0% ทต. เกาะพะงัน 54.59 12.13 18.15 2.77 0.43 0.98 10.96 64.71 6195.63 17556.32 17560.06 6196.95 0% ทต.กะรน 52.47 6.42 22.18 3.19 0.29 0.00 15.44 51.26 6435.03 13202.78 13203.03 6435.15 0% ทต. เพชรพะงัน 47.92 10.06 14.69 2.48 0.20 1.10 23.54 63.54 6450.26 17691.34 17688.51 6449.23 0% ขยะมูลฝอยอบ ต.โคกเคียน 42.78 8.54 23.91 2.14 1.57 1.42 19.64 61.75 6558.38 17146.09 17150.28 6559.98 0% 69 ช่วงฤดูท่องเที่ยว 33.22 17.75 22.73 1.06 1.18 0.00 24.07 60.65 6587.62 16741.10 17739.23 6586.89 6% ช่วงฤดูท่องเที่ยว 63.21 1.16 13.57 0.28 6.21 0.00 15.57 62.42 6855.19 18241.59 18241.15 6855.02 0% ช่วงฤดูมรสุม 18.79 23.09 26.99 0.16 0.85 0.00 30.12 59.24 6859.54 16829.10 16808.00 6850.94 0% ช่วงฤดูมรสุม 62.94 1.56 16.17 0.73 5.91 0.00 12.69 61.33 7007.74 18121.90 18123.35 7008.30 0% ช่วงฤดูมรสุม 62.36 2.86 26.56 0.00 4.12 0.00 4.10 57.99 7046.36 16773.05 16769.76 7044.98 0% ตัวอย่างที่ 2 52.61 0.80 17.25 1.20 2.85 1.20 24.09 60.79 7129.83 18183.70 18183.64 7129.81 0% เกาะล้าน 2 52.61 0.80 17.25 1.20 2.85 1.20 24.09 60.79 7129.83 18183.70 18183.64 7129.81 0% บ่อขยะเทศบาลตาบลพรุใน1 45.46 6.21 19.52 3.59 1.02 0.10 24.10 64.18 7452.08 20804.25 20802.78 7451.56 0% อบต.(2) 46.46 12.72 33.15 0.59 1.10 0.51 5.19 70.33 7659.40 25815.29 25815.04 7659.32 0% อบต.ศาลายา 46.46 12.72 33.15 0.59 1.10 0.51 5.19 70.33 7659.40 25815.29 25815.04 7659.32 0% อบต.2 46.46 12.72 33.15 0.59 1.10 0.51 5.19 70.33 7659.40 25815.29 25815.04 7659.32 0% อบต. คลองนา 36.64 10.30 30.57 6.14 3.71 0.23 12.40 52.80 7675.55 16261.75 16334.57 7709.92 0% ตัวอย่าง 3 48.73 8.44 15.18 2.56 3.01 0.00 22.08 61.22 7750.82 19986.64 19986.88 7750.91 0% ตัวอย่าง 2 49.51 2.38 12.57 1.67 3.34 0.00 30.53 64.13 7787.85 21711.31 21711.99 7788.09 0% อบต.(1) 55.88 6.66 23.42 7.50 1.04 0.02 5.40 64.69 7842.11 22209.33 22206.49 7841.11 0% อบต.ท่าตลาด 55.88 6.66 23.42 7.50 1.04 0.02 5.40 64.69 7842.11 22209.33 22206.49 7841.11 0% อบต.1 55.88 6.66 23.42 7.50 1.04 0.02 5.40 64.69 7842.11 22209.33 22206.49 7841.11 0% บ่อขยะเทศบาลตาบลพรุใน 2 ช่วงฤดูท่องเที่ยว 49.07 2.10 15.21 1.07 4.82 0.00 27.73 61.13 7915.46 20363.93 20365.85 7916.21 0% 58.86 0.95 24.86 0.00 2.09 0.00 13.24 55.49 8168.88 18352.92 18355.45 8170.01 0% ตัวอย่าง 1 43.46 5.21 14.82 2.43 2.53 0.20 31.35 60.41 8213.86 20747.31 20745.80 8213.26 0% 5.2. ข้อจากัดของโมเดล จากการวิเคราะห์ข้อมูลพบว่าข้อมูลบางส่วนมีค่าความคลาดเคลื่อนที่ค่อนข้างสูงเมื่อเทียบกับ ค่าจริง ซึ่งอาจเกิดจากข้อจากัดบางประการของข้อมูลและกระบวนการวิเคราะห์ โดยพบว่าค่าเฉลี่ย ของข้อมูลในบางชุดมีการเบี่ยงเบนออกจากช่วงค่าที่เหมาะสมโดยทาให้ผลลัพธ์ที่ได้อาจเกิดความ คลาดเคลื่อนได้ นอกจากนี้ข้อมูลบางส่วนมีความแปรปรวนค่อนข้างสูง ส่งผลให้ค่าที่ได้จากการทานาย ในแต่ละครั้งมีความแตกต่างกัน ซึ่งอาจส่งผลต่อความแม่นยาของผลการวิเคราะห์ อีกทั้งยังพบว่ามีค่า บางจุดที่แตกต่างจากข้อมูลส่วนใหญ่ ซึ่งอาจเกิดจากความไม่แน่นอนของข้อมูลหรือความคลาด เคลื่อนที่เกิดขึ้นระหว่างกระบวนการคานวณ ดังนั้นข้อจากัดของการวิเคราะห์ในครั้งนี้คือความไม่สม่าเสมอของข้อมูลและความแปรปรวน ของค่าที่ใช้ในการคานวณ ซึ่งอาจส่งผลให้เกิดความคลาดเคลื่อนในผลลัพธ์บางส่วน อย่างไรก็ตามผล การวิเคราะห์โดยรวมยังสามารถใช้เป็นแนวทางในการศึกษาหรือพัฒนาแบบจาลองต่อไปได้ 70 5.3 การเปรียบเทียบประสิทธิภาพของแบบจาลอง ตารางที่ 44 ผลการเปรียบเทียบค่า Relative error ของโมเดลและสมการทางคณิตศาสตร์เดิม รายการ สถานีขนถ่ายมูลฝอยอ่อนนุช ทม. เมืองกระบี่ ทวีวัฒนา สถานีขนถ่ายมูลฝอยอ่อนนุช เทศบาลเมืองบางกรวย เทศบาลเมืองอานาจเจริญ ทต. เหนือคลอง บางกอกน้อย พระนคร ขยะมูลฝอยเทศบาลเมืองพังงา เทศบาลตาบลหนองหาน ตลิ่งชัน เทศบาลเมือง (2) ทม.กระทุ่มล้ม เทศบาลเมือง2 สถานีขนถ่ายมูลฝอยอ่อนนุช ตัวอย่าง2 ราษฎร์บูรณะ สถานีขนถ่ายมูลฝอยอ่อนนุช สถานีขนถ่ายมูลฝอยอ่อนนุช คลองสาน ธนบุรี เทศบาลเมือง (1) ทม.สามพราน เทศบาลเมือง1 เทศบาลตาบลเขตรอุดมศักดิ์2 สาทร ทุ่งครุ จอมทอง ทต. บ่อหรุ Petchaburi, Petchaburi City Municipality เทศบาลตาบลเขตรอุดมศักดิ์1 ทน. หาดใหญ่ ทน. สงขลา เขตจตุจักร เทศบาลตาบลโคกกลาง บางพลัด เหลื อ จาก การคั ด แ ย ก ฤ ดู ท่องเที่ยว Physical composition (%) เผาไหม้ได้ M HHVexp dry basis (kJ/kg) HHVmlr, model6 (kJ/kg) %RE HHVweb dry basis (kJ/kg) %RE เผาไหม้ ไม่ได้ Fw 38.10 61.14 41.25 28.90 44.25 44.17 59.44 45.90 45.55 32.03 58.82 49.98 56.30 56.30 56.30 37.90 49.58 46.45 22.20 29.10 48.18 48.38 43.32 43.32 43.32 41.69 47.28 47.92 44.36 45.05 48.73 Pa 22.60 5.75 13.20 16.70 5.00 1.20 6.38 7.55 8.06 19.56 9.16 8.20 5.06 5.06 5.06 16.80 5.00 12.17 12.10 17.70 8.41 7.35 9.09 9.09 9.09 0.35 6.49 7.83 5.52 9.46 17.01 Pf 13.50 13.25 26.90 27.00 24.00 21.29 17.89 23.17 27.78 21.39 26.20 29.66 29.91 29.91 29.91 25.80 17.60 26.03 32.90 23.50 30.79 29.11 31.03 31.03 31.03 22.97 30.43 33.38 25.65 21.17 18.48 T 5.80 2.45 1.35 5.40 7.25 8.43 4.50 7.99 1.08 13.20 1.20 3.26 3.77 3.77 3.77 2.00 7.61 5.91 2.70 5.20 2.95 2.02 6.45 6.45 6.45 8.13 0.87 0.00 5.87 6.31 6.62 W 3.80 0.32 2.21 1.20 2.50 15.26 0.36 4.87 3.21 4.28 1.52 2.44 0.41 0.41 0.41 2.00 0.48 3.27 0.50 4.40 4.44 3.66 0.74 0.74 0.74 6.01 5.94 4.69 3.44 4.95 4.00 Lr 0.90 0.61 4.90 1.70 3.25 0.80 0.00 1.09 0.40 1.83 0.34 1.26 0.32 0.32 0.32 0.30 0.00 1.63 0.00 0.10 0.00 1.23 0.63 0.63 0.63 0.35 0.00 1.55 1.04 1.35 1.77 other 13.80 16.47 10.20 19.00 13.75 8.84 11.43 8.13 13.92 7.70 1.43 5.20 4.24 4.24 4.24 13.80 19.73 4.55 28.30 19.30 5.23 8.03 8.56 8.56 8.56 20.49 8.56 4.64 12.73 11.71 3.39 75.47 61.92 71.38 66.77 68.60 67.29 63.44 66.87 69.23 64.72 65.05 70.84 70.28 70.28 70.28 67.08 64.40 63.62 61.53 60.98 62.53 66.92 64.25 64.25 64.25 54.11 61.35 59.72 58.30 55.65 58.97 18063.01 12085.69 16730.88 14595.52 17218.63 16568.44 14873.11 16424.32 17729.17 15558.83 15844.73 19221.86 18906.84 18906.84 18906.84 17639.27 16320.66 16052.16 15326.80 15400.59 16118.17 18275.66 16957.90 16957.90 16957.90 14122.66 16936.92 16322.90 15792.94 14849.28 16050.84 21604.50 19719.79 20458.63 23359.10 21535.37 22591.87 19187.52 21104.83 20191.13 23293.68 17551.92 18681.28 17613.30 17613.30 17613.30 21366.32 21653.93 20251.90 25166.05 24276.72 19719.94 19637.87 20577.35 20577.35 20577.35 24322.71 20354.82 19739.11 22196.44 22454.34 20676.09 20% 63% 22% 60% 25% 36% 29% 28% 14% 50% 11% 3% 7% 7% 7% 21% 33% 26% 64% 58% 22% 7% 21% 21% 21% 72% 20% 21% 41% 51% 29% 10083.03 15845.14 15831.36 20517.31 20210.97 18127.08 16543.54 20226.02 23759.94 18742.83 17810.35 20678.52 20210.30 20210.30 20210.30 22951.01 20602.42 19438.67 17484.67 17280.03 19894.05 19785.87 22498.94 22498.94 22498.94 13380.18 17768.18 19523.40 17169.81 15830.23 18475.62 44% 31% 5% 41% 17% 9% 11% 23% 34% 20% 12% 8% 7% 7% 7% 30% 26% 21% 14% 12% 23% 8% 33% 33% 33% 5% 5% 20% 9% 7% 15% 48.03 46.00 46.38 46.71 48.70 47.10 63.36 2.51 4.00 14.55 8.24 1.86 11.08 7.20 24.73 25.00 20.00 27.32 23.42 29.10 10.24 6.81 7.00 1.36 0.95 2.60 4.95 3.62 0.36 1.50 3.18 8.57 8.55 4.57 5.63 1.79 4.50 1.36 0.72 2.60 0.00 0.07 15.75 12.00 13.17 7.49 12.28 3.19 9.88 58.59 52.59 51.83 54.82 53.67 56.16 66.45 15933.76 14207.68 14055.36 15233.91 14991.24 15985.00 13565.89 21833.47 22663.57 22021.95 21369.48 22439.15 20503.66 19018.08 37% 60% 57% 40% 50% 28% 40% 15322.98 16012.45 11506.34 15641.91 13831.77 18960.29 13567.91 4% 13% 18% 3% 8% 19% 0% 71 ตัวอย่างที่ 3 เกาะล้าน 3 เหลื อ จากการคั ดแยกนอกฤดู ท่องเที่ยว อบต.ไม้ขาว ตัวอย่างที่ 1 เกาะล้าน 1 ช่วงฤดูมรสุม ทน.ภูเก็ต ทต. บ้านใต้ ช่วงฤดูท่องเที่ยว อบต.บางเพรียง ทต. เกาะพะงัน ทต.กะรน ทต. เพชรพะงัน ขยะมูลฝอยอบ ต.โคกเคียน ช่วงฤดูท่องเที่ยว ช่วงฤดูท่องเที่ยว ช่วงฤดูมรสุม ช่วงฤดูมรสุม ช่วงฤดูมรสุม ตัวอย่างที่ 2 เกาะล้าน 2 บ่อขยะเทศบาลตาบลพรุใน 1 อบต.(2) อบต.ศาลายา อบต.2 อบต. คลองนา ตัวอย่าง 3 ตัวอย่าง 2 อบต.(1) อบต.ท่าตลาด อบต.1 บ่อขยะเทศบาลตาบลพรุใน 2 ช่วงฤดูท่องเที่ยว ตัวอย่าง 1 52.83 52.83 65.49 0.44 0.44 8.15 11.79 11.79 8.50 1.31 1.31 7.22 0.44 0.44 3.59 0.87 0.87 0.00 24.58 32.32 7.05 74.68 74.68 67.26 18250.63 18250.63 14456.40 21360.16 21360.16 18573.84 17% 17% 28% 18251.27 18251.27 14455.55 0% 0% 0% 45.00 42.18 42.18 52.86 57.81 61.78 55.05 45.61 54.59 52.47 47.92 42.78 33.22 63.21 18.79 62.94 62.36 52.61 52.61 45.46 46.46 46.46 46.46 36.64 48.73 49.51 55.88 55.88 55.88 49.07 58.86 43.46 3.21 0.87 0.87 10.72 1.79 4.17 10.92 11.08 12.13 6.42 10.06 8.54 17.75 1.16 23.09 1.56 2.86 0.80 0.80 6.21 12.72 12.72 12.72 10.30 8.44 2.38 6.66 6.66 6.66 2.10 0.95 5.21 21.22 14.35 14.35 10.65 17.31 12.47 12.37 32.89 18.15 22.18 14.69 23.91 22.73 13.57 26.99 16.17 26.56 17.25 17.25 19.52 33.15 33.15 33.15 30.57 15.18 12.57 23.42 23.42 23.42 15.21 24.86 14.82 8.93 2.17 2.17 2.42 7.05 2.15 1.69 2.46 2.77 3.19 2.48 2.14 1.06 0.28 0.16 0.73 0.00 1.20 1.20 3.59 0.59 0.59 0.59 6.14 2.56 1.67 7.50 7.50 7.50 1.07 0.00 2.43 0.52 4.78 4.78 3.64 1.03 0.09 1.92 1.85 0.43 0.29 0.20 1.57 1.18 6.21 0.85 5.91 4.12 2.85 2.85 1.02 1.10 1.10 1.10 3.71 3.01 3.34 1.04 1.04 1.04 4.82 2.09 2.53 0.00 4.35 4.35 0.00 0.11 0.00 0.00 0.00 0.98 0.00 1.10 1.42 0.00 0.00 0.00 0.00 0.00 1.20 1.20 0.10 0.51 0.51 0.51 0.23 0.00 0.00 0.02 0.02 0.02 0.00 0.00 0.20 21.12 19.55 31.30 19.71 14.90 19.36 18.05 6.13 10.96 15.44 23.54 19.64 24.07 15.57 30.12 12.69 4.10 24.09 24.09 24.10 5.19 5.19 5.19 12.40 22.08 30.53 5.40 5.40 5.40 27.73 13.24 31.35 54.55 53.71 53.71 68.84 69.89 67.89 65.76 57.80 64.71 51.26 63.54 61.75 60.65 62.42 59.24 61.33 57.99 60.79 60.79 64.18 70.33 70.33 70.33 52.80 61.22 64.13 64.69 64.69 64.69 61.13 55.49 60.41 10888.34 11204.79 11204.79 16978.23 17778.32 16940.31 16689.69 13810.47 17556.32 13202.78 17691.34 17146.09 16741.10 18241.59 16829.10 18121.90 16773.05 18183.70 18183.70 20804.25 25815.29 25815.29 25815.29 16261.75 19986.64 21711.31 22209.33 22209.33 22209.33 20363.93 18352.92 20747.31 23386.05 25484.99 25484.99 20747.34 19634.02 19310.97 20242.27 20121.53 19418.24 21371.40 21908.51 22101.47 23443.46 19734.46 25651.68 19457.96 18174.86 21892.98 21892.98 22201.13 18442.26 18442.26 18442.26 23188.26 22081.42 22803.60 19033.03 19033.03 19033.03 22837.00 19756.30 23886.98 115% 127% 127% 22% 10% 14% 21% 46% 11% 62% 24% 29% 40% 8% 52% 7% 8% 20% 20% 7% 29% 29% 29% 43% 10% 5% 14% 14% 14% 12% 8% 15% 10885.42 11204.37 11204.37 16980.55 17779.76 16940.05 16689.11 13812.92 17560.06 13203.03 17688.51 17150.28 17739.23 18241.15 16808.00 18123.35 16769.76 18183.64 18183.64 20802.78 25815.04 25815.04 25815.04 16334.57 19986.88 21711.99 22206.49 22206.49 22206.49 20365.85 18355.45 20745.80 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% จากตารางผลการทดสอบแบบจาลองโดยใช้ข้อมูลองค์ประกอบทางกายภาพของขยะมูลฝอย จากพื้นที่ต่าง ๆ พบว่าค่าความร้อนที่ได้จากแบบจาลองมีความใกล้เคียงกับค่าความร้อนจริงที่ได้จาก ค่าจริง เมื่อพิจารณาค่าความคลาดเคลื่อนสัมพัทธ์ (%Relative Error) พบว่าส่วนใหญ่มีค่าค่อนข้างต่า และอยู่ในช่วงที่ยอมรับได้ แสดงให้เห็นว่าแบบจาลองสามารถทานายค่าความร้อนของขยะมูลฝอยได้ อย่างเหมาะสม เมื่อเปรีย บเทีย บกับค่าความร้ อนที่คานวณจากวิธีการเดิ มพบว่าแบบจาลองที่ พัฒนาขึ้นสามารถให้ผลการทานายที่ใกล้เคียงกับค่าความร้อนจริงมากกว่าในหลายกรณี นอกจากนี้ การนาข้อมูล จากสถานที่กาจัดขยะในหลายพื้นที่มาทดสอบแบบจาลองยังช่ว ยแสดงให้เห็ น ว่า แบบจาลองสามารถประยุกต์ใช้กับข้อมูลองค์ประกอบขยะมูลฝอยที่มีความหลากหลายได้ 72 5.4. ผลการทดสอบโมเดลเมื่อนาไปใช้ในประเทศกาลังพัฒนา ตารางที่ 45 ผลการเปรียบเทียบค่า Relative error ของโมเดลและสมการทางคณิตศาสตร์เดิม No. 1 2 6 9 12 16 18 19 22 23 25 27 30 31 32 34 35 36 37 38 39 40 41 42 43 45 46 50 51 53 55 56 57 58 59 62 63 64 65 รายการ Beijing Beijing Chengdu Dongguan Fuzhou Jinhua Longgang Mianyang Ningbo Ningbo Panzhihua Shanghai Shenyang Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Shenzhen Fw Physical composition (%) เผาไหม้ได้ Pa Pf T W Lr M 35.40 63.40 65.70 22.23 60.17 43.07 44.70 60.20 55.71 55.90 57.40 67.33 67.50 40.00 50.62 47.74 45.17 45.24 40.16 41.50 43.01 42.51 42.59 42.18 42.83 38.51 39.70 38.28 40.86 44.90 41.58 45.46 48.93 51.80 52.29 38.24 51.48 46.79 44.16 19.20 11.10 13.00 6.44 13.72 12.15 7.68 10.30 7.85 5.10 8.20 8.77 7.60 17.00 14.24 12.96 6.96 7.79 10.81 8.64 8.37 9.30 11.46 9.87 7.43 10.89 10.33 9.49 8.91 9.39 8.11 7.82 5.85 5.83 4.87 8.41 7.78 6.29 5.36 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 39.31 61.00 57.30 31.33 53.10 51.56 47.20 47.20 51.50 51.90 54.90 58.90 58.07 40.90 49.90 50.80 48.20 59.60 43.50 42.60 40.70 42.30 42.00 41.30 43.30 54.40 59.50 56.00 55.40 46.60 49.60 48.10 50.20 51.30 51.30 46.10 47.60 47.20 54.12 15.80 12.70 12.00 19.28 10.66 15.70 23.86 21.90 12.27 13.80 15.60 13.48 11.00 15.00 13.30 14.32 16.50 21.78 17.22 19.56 16.54 18.81 16.87 17.82 19.60 21.46 22.13 18.39 18.39 16.30 18.24 19.70 18.24 17.45 20.79 20.84 13.22 19.02 12.93 5.30 2.50 2.50 16.06 4.20 5.06 1.69 3.60 4.36 4.50 1.00 1.90 1.70 5.00 6.72 10.31 8.77 11.36 14.81 12.48 10.76 10.53 9.53 10.43 11.32 11.23 10.46 10.78 10.05 13.65 11.36 9.80 8.34 7.63 8.72 11.85 4.35 6.57 12.30 2.90 1.80 0.58 7.83 0.00 6.33 1.87 1.00 3.82 1.00 1.20 1.27 1.50 0.00 7.16 2.78 4.56 2.80 2.48 2.21 4.12 3.54 4.22 5.08 6.32 5.99 7.38 9.76 8.39 2.18 4.89 2.79 3.84 2.24 3.08 3.44 3.89 4.92 5.99 % 73 LHV, dry basis (kJ/kg) 8242 4560 5260 8839 6055 5581 6730 5553 5833 5437 5428 5763 5016 7403 7754 6239 6827 6338 8150 7114 7592 7848 8193 7872 7332 5603 5609 5188 4823 6674 5777 6156 5834 5570 6591 6128 5891 5908 4809 HHV, dry basis (kJ/kg) 8818.94 4879.20 5628.20 9457.73 6478.85 5971.67 7201.10 5941.71 6241.31 5817.59 5807.96 6166.41 5367.12 7921.21 8296.78 6675.73 7304.89 6781.66 8720.50 7611.98 8123.44 8397.36 8766.51 8423.04 7845.24 5995.21 6001.63 5551.16 5160.61 7141.18 6181.39 6586.92 6242.38 5959.90 7052.37 6556.96 6303.37 6321.56 5145.63 HHVmlr, model 6 (kJ/kg) %RE HHVweb, dry basis (kJ/kg) %RE 25871.61 18655.86 18329.29 30916.06 20157.77 23799.34 23187.76 19470.53 21896.21 21940.90 20612.99 18117.57 18688.03 25036.98 22263.20 22870.61 24189.68 22150.28 25220.68 24920.99 25242.40 24738.26 24759.46 24989.42 24690.37 23893.60 23085.70 24441.21 23964.89 24121.34 24488.37 23532.54 22985.67 22321.04 21824.33 25187.34 23143.83 23609.33 24602.32 193% 282% 226% 227% 211% 299% 222% 228% 251% 277% 255% 194% 248% 216% 168% 243% 231% 227% 189% 227% 211% 195% 182% 197% 215% 299% 285% 340% 364% 238% 296% 257% 268% 275% 209% 284% 267% 273% 378% 8680.80 5409.47 6340.60 12180.76 7084.89 7768.57 6996.30 7531.75 7341.00 7560.42 7910.03 5856.87 6576.65 8285.95 7472.92 7042.81 7519.50 7485.72 8713.44 8336.25 9242.06 8653.09 9140.57 9527.50 8833.66 7168.16 6791.11 6220.76 6520.03 8195.56 7515.32 7084.35 6712.10 5786.96 7054.90 8254.56 7387.95 7276.85 6879.93 2% 11% 13% 29% 9% 30% 3% 27% 18% 30% 36% 5% 23% 5% 10% 5% 3% 10% 0% 10% 14% 3% 4% 13% 13% 20% 13% 12% 26% 15% 22% 8% 8% 3% 0% 26% 17% 15% 34% 66 67 69 70 71 73 74 76 77 78 80 81 82 84 85 86 87 88 89 90 91 98 99 100 Shenzhen Shenzhen Shenzhen Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Suzhou Xiamen Xiamen Xiamen 49.93 39.09 51.75 68.10 76.04 58.86 50.07 60.95 66.10 65.47 53.52 64.16 59.22 63.71 63.04 65.68 63.90 64.86 63.95 61.47 62.63 49.82 67.09 62.74 5.97 8.05 5.12 8.00 7.23 14.13 14.97 8.63 11.88 6.89 14.67 8.46 11.12 7.92 7.67 11.56 13.24 11.90 11.84 11.56 10.89 13.27 14.88 13.73 19.79 25.50 19.86 11.00 10.14 20.16 24.67 22.32 16.16 22.91 18.57 19.27 18.99 13.25 14.89 11.57 14.07 15.07 14.48 18.02 18.59 20.08 13.73 13.26 5.83 10.72 9.20 4.30 4.13 5.49 7.39 4.74 1.54 2.30 2.29 3.97 3.25 4.20 4.30 1.72 2.97 3.10 3.57 4.15 4.18 2.82 1.39 3.11 1.44 2.67 3.28 1.00 0.13 1.36 0.18 0.26 1.39 0.41 2.10 0.33 1.89 0.98 0.47 1.64 0.71 1.60 1.08 1.34 0.86 0.59 1.49 0.26 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 44.90 43.20 51.00 58.30 64.56 52.21 54.60 64.38 63.32 62.79 54.66 65.60 59.85 61.85 61.49 62.95 59.72 65.09 56.55 58.89 60.73 52.58 65.42 62.67 5510 6645 6546 4916 3940 6830 6940 4610 4680 5260 5780 4820 4990 3996 4184 4602 4812 5100 4926 5023 5198 6136 5040 5360 5895.70 7110.15 7004.22 5260.12 4215.80 7308.10 7425.80 4932.70 5007.60 5628.20 6184.60 5157.40 5339.30 4275.72 4476.88 4924.14 5148.84 5457.00 5270.82 5374.61 5561.86 6565.52 5392.80 5735.20 23015.45 24609.58 22089.77 18471.00 16210.91 19060.12 20114.16 17770.97 17162.76 16994.57 20255.89 17376.59 18801.35 18833.27 18811.13 18036.56 18173.83 17446.32 18592.98 18451.63 17998.71 21289.86 16698.23 18219.09 290% 246% 215% 251% 285% 161% 171% 260% 243% 202% 228% 237% 252% 340% 320% 266% 253% 220% 253% 243% 224% 224% 210% 218% 6249.74 8266.65 7085.87 6297.69 4878.86 9655.39 8570.50 6751.49 5777.37 6787.91 5650.32 6060.73 6540.78 5497.84 5597.04 4717.23 6005.70 5782.62 6585.61 7053.30 6844.00 5466.84 5874.61 5266.31 จากตารางได้มีการนาข้อมูลองค์ประกอบทางกายภาพของขยะมูลฝอยจากประเทศกาลังพัฒนา มาใช้ในการทดสอบแบบจาลองที่พัฒนาขึ้น โดยนาผลการทานายค่าความร้อนจากแบบจาลองมา เปรียบเทียบกับค่าที่คานวณได้จากสมการที่มีการใช้มาก่อน ผลการเปรียบเทียบพบว่า สมการเดิมมีค่า ความคลาดเคลื่อนสั มพัทธ์ (%RE) อยู่ที่ประมาณ 245.38% ในขณะที่แบบจาลองที่พัฒนาขึ้นมีค่า ความคลาดเคลื่อนเพียงประมาณ 15.28% เท่านั้น ซึ่งมีค่าความคลาดเคลื่อนต่ากว่าสมการเดิมอย่าง ชัดเจน จากผลดังกล่าวแสดงให้เห็นว่าแบบจาลองที่พัฒนาขึ้นสามารถทานายค่าความร้อนของขยะมูล ฝอยได้ใกล้เคียงกับค่าจริงมากกว่า โดยมีความคลาดเคลื่อนลดลงอย่างมีนัยสาคัญเมื่อเทียบกับวิธีการ คานวณเดิม ดังนั้นจึงสามารถสรุปได้ว่าแบบจาลองที่พัฒนาขึ้นมีประสิทธิภาพในการทานายค่าความ ร้อนของขยะมูลฝอยได้ดีกว่าสมการเดิม และมีความเหมาะสมสาหรับการนาไปใช้ประมาณค่าพลังงาน จากขยะมูลฝอยในประเทศกาลังพัฒนา รวมทั้งสามารถใช้เป็นเครื่องมื อวางแผนการจัดการขยะและ การใช้ประโยชน์ด้านพลังงานได้อย่างมีประสิทธิภาพ 74 6% 16% 1% 20% 16% 32% 15% 37% 15% 21% 9% 18% 23% 29% 25% 4% 17% 6% 25% 31% 23% 17% 9% 8% เอกสารอ้างอิง [1] Janna, H., Abbas, M. D., Al-Khuzaie, M. M., and Al-Ansari, N., “Energy Content Estimation of Municipal Solid Waste by Physical Composition in Al-Diwaniyah City, Iraq,” Journal of Ecological Engineering, Vol. 22, No. 7, 2021, pp. 11–19. [2] Adeleke, O. A., Akinlabi, S. A., Jen, T. C., and Dunmade, I., “Evaluation and Prediction of Energy Content of Municipal Solid Waste: A Review,” Proceedings of the International Conference on Engineering for Sustainable World (ICESW 2020), 2021. [3] Losangwal, P., Laohalidanond, K., and Kerdsuwan, S., “In-Sight Evaluation of Municipal Solid Waste Properties to Use as Alternative Fuel in a Waste-to-Energy Plant,” Original Manuscript, 2025, pp. 1–25. [4] Losangwal, P., Laohalidanond, K., Kerdsuwan, S., Tin-prabath, P., Chindaprasert, N., and Wiangthong, T., “Development of Mathematical Modelling of Heating Value of Municipal Solid Waste Using Physical Composition Analyses to Projected Potential Energy from Waste,” Conference Manuscript, 2025, pp. 1–10. [5] Ozveren, U., “An Artificial Intelligence Approach to Predict the Lower Heating Value of Municipal Solid Waste,” Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, Vol. 38, No. 19, 2016, pp. 2906–2913. [6] Lin, X., Wang, F., Chi, Y., Huang, Q., and Yan, J., “A Simple Method for Predicting the Lower Heating Value of Municipal Solid Waste in China Based on Wet Physical Composition,” Waste Management, Vol. 35, 2015, pp. 60–66. [7] Fetene, Y., “Characterization and Heating Value Prediction of Municipal Solid Waste,” International Journal of Environmental & Agriculture Research, Vol. 7, No. 1, 2021, pp. 14–23. [8] Kaza, S., Yao, L., Bhada-Tata, P., and Van Woerden, F., What a Waste 2.0: A Global Snapshot of Solid Waste Management to 2050, World Bank Publications, Washington, DC, 2018. [9] Haykin, S., Neural Networks and Learning Machines, 3rd ed., Pearson Education, Upper Saddle River, 2009. [10] Nocedal, J., and Wright, S. J., Numerical Optimization, 2nd ed., Springer, New York, 2006. 75 [11] Montgomery, D. C., Peck, E. A., and Vining, G. G., Introduction to Linear Regression Analysis, 5th ed., Wiley, New York, 2012. [12] Hyndman, R. J., and Koehler, A. B., “Another Look at Measures of Forecast Accuracy,” International Journal of Forecasting, Vol. 22, No. 4, 2006, pp. 679–688. [13] James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning, 2nd ed., Springer, New York, 2021. 76 ภาคผนวก รายงานคู่มือการใช้งานเว็บไซต์ WIRC-MSW Model เว็บไซต์ WIRC-MSW Model เป็นระบบแบบจาลองทางคณิตศาสตร์ที่พัฒนาขึ้นเพื่อใช้ใน การวิเคราะห์ค่าความร้อนของขยะมูลฝอยชุมชน (Municipal Solid Waste: MSW) และประเมิน ศักยภาพในการผลิตพลังงานไฟฟ้าจากขยะ โดยระบบนี้ช่วยให้ผู้ใช้งานสามารถจาลองกระบวนการ ตั้งแต่การป้อนข้อมูลองค์ประกอบของขยะ ไปจนถึงการคานวณกาลังการผลิตไฟฟ้า คู่มือนี้จัดทาขึ้นเพื่ออธิบายขั้นตอนการใช้งานเบื้องต้นของระบบ ผู้ใช้งานสามารถเข้าสู่เว็บไซต์ได้โดย: 1. เปิด Web Browser (เช่น Google Chrome หรือ Microsoft Edge) 2. เข้าสู่เว็บไซต์: wirc-msw-model.onrender.com (1) หน้าหลัก (Home) : แสดงภาพรวมของฟังก์ชันการทางานทั้งหมดของเว็บไซต์ (2) HHV Calculator : ใช้สาหรับเข้าสู่หน้าคานวณค่าความร้อนของขยะ (3) Power Plant Performance Simulation : ใช้สาหรับเข้าสู่หน้าการจาลองสมรรถนะโรงไฟฟ้า (4) User Manual : ใช้สาหรับเข้าสู่หน้าคู่มือการใช้งานเว็บไซต์ (5) Hamburger Menu : แสดงในทุกหน้าของเว็บไซต์ เพื่อใช้เป็นเมนูลัดสาหรับเข้าถึงฟังก์ชันต่าง ๆ 77 การคานวณค่าความร้อน (HHV) ผู้ใช้งานสามารถคานวณค่าความร้อนของขยะ โดยดาเนินการดังนี้: 1. เลือกเมนู HHV Calculator 2. กรอกองค์ประกอบขยะ (%wt) ได้แก่ Food Waste, Plastic, Paper, Textile, Wood, Rubber and Leather, Shell and Bone, Glass and Tile, Metal, Stone and Ceramic และ Other ในการกรอกข้อมูล ผู้ใช้งานต้องปฏิบัติตามเงื่อนไขดังนี้: ✓ 11 องค์ประกอบรวมกันต้องเท่ากับ 100% ✓ หากไม่มีองค์ประกอบใด ให้กรอกค่าเป็น 0 3. กาหนดค่าความชื้น (Moisture) 0-100 % 4. กดปุ่มคานวณ 78 5. ระบบจะแสดงผลการคานวณ ได้แก่: HHV (as received) และ HHV (dry basis) 6. ระบบสามารถปรับค่าความชื้นของขยะเพื่อศึกษาผลกระทบต่อค่าความร้อนได้ โดยเมื่อ ผู้ใช้งานกาหนดค่าความชื้นใหม่ ระบบจะคานวณค่า HHV ใหม่โดยอัตโนมัติ ผู้ใช้งานสามารถคานวณสมรรถนะโรงไฟฟ้า Power Plant Simulation โดยมีขั้นตอนดังนี้: 1. เลือกเมนู Power Plant Performance Simulation 2. กรอกข้อมูลในแต่ละส่วน ได้แก่ • การเผาไหม้ (Combustion) • หม้อไอน้าและไอน้า (Boiler) • อัตราการผลิตไฟฟ้า (Power Generation) 79 2.1 การเผาไหม้ (Combustion) (1) เริ่มต้นจาก การคานวณในส่วนที่ 1 Combustion Air Quantity (A) กรอกค่าเกณฑ์ในการออกแบบโรงไฟฟ้าให้ครบทุกช่อง โดย: • สาหรับค่าความร้อน HHV และ LHV ให้กรอกเพียงค่าใดค่าหนึ่ง • อีกค่าหนึ่งให้ใส่เป็น 0 (B) กดปุ่มเพื่อคานวณผล จะได้ผลการคานวณ ระบบจะแสดงผลการคานวณ ดังนี้ (C) กดปุ่มเพื่อไปยังส่วนถัดไป 80 2.2 หม้อไอน้าและไอน้า (Boiler) หลังจากคานวณในข้อ 2.1 แล้ว ระบบจะแสดงหน้าถัดไปสาหรับการคานวณอัตรา การผลิตไอน้า โดยมีขั้นตอนดังนี้ (A) กรอกค่าเกณฑ์ในการออกแบบโรงไฟฟ้าให้ครบทุกช่อง โดย: • สาหรับค่าความร้อน HHV และ LHV ให้กรอกเพียงค่าใดค่าหนึ่ง • อีกค่าหนึ่งให้ใส่เป็น 0 (B) กดปุ่มเพื่อคานวณผล จะได้ผลการคานวณ ระบบจะแสดงผลการคานวณ ดังนี้ (C) กดปุ่มเพื่อไปยังส่วนถัดไป (D) กดปุ่มเพื่อย้อนกลับไปดูผลการคานวณก่อนหน้า 2.3 การผลิตไฟฟ้า (Power Generation) 81 (A) กรอกค่าเกณฑ์ในการออกแบบโรงไฟฟ้าให้ครบทุกช่อง • ค่า “Steam Flow Rate ให้นาค่าที่ได้จากการคานวณส่วนของการคานวณ อัตราการผลิตไอน้ามาป้อน” (B) กดปุ่มเพื่อคานวณผล จะได้ผลการคานวณ ระบบจะแสดงผลการคานวณ ดังนี้ (C) กดปุ่มเพื่อไปยังส่วนถัดไป (D) กดปุ่มเพื่อย้อนกลับไปดูผลการคานวณก่อนหน้า 82 2.4 หน้าสรุปผลการคานวณ หลังจากทาการคานวณทั้ง 3 ส่วนครบแล้ว สามารถดูค่าสรุปผลลัพธ์การคานวณผ่าน หน้า “Overall Summary” ดังนี้ เงื่อนไขการใช้งาน 1. ผู้ใช้งานต้องกรอกข้อมูลให้ครบทุกช่องก่อนทาการคานวณ 2. หากข้อมูลไม่ครบ ระบบจะไม่สามารถแสดงผลลัพธ์ได้ 83

Abstract

This study aims to develop a mathematical model for predicting the calorific value of municipal solid waste based on its physical composition. Waste components such as food waste, paper, plastics, wood, rubber, textiles, and other materials were used as variables to analyze the relationship between waste composition and calorific value. The results indicate that the developed mathematical model can be used to estimate the calorific value of municipal solid waste and may provide useful information for waste management planning and waste-to-energy applications.

อ้างอิงผลงานนี้ / Cite this

รหัสโปรเจค

TF-2568-008

ชื่อเรื่อง

การพัฒนาแบบจำลองทางคณิตศาสตร์เพื่อคาดการณ์ค่าความร้อนของขยะมูลฝอยชุมชนในประเทศกำลังพัฒนา / Development of a Mathematical Model for Predicting the Heating Value of Municipal Solid Waste in Developing Countries

ผู้จัดทำ

อภิญญา สังข์แก้ว, นัสริน ปรีชาพืช, ณัฐกมล นันโมง, เสาวลักษณ์ ชิณวงษ์

อาจารย์ที่ปรึกษา

ศ.ดร.สมรัฐ เกิดสุวรรณ

ปีการศึกษา

2568 (C.E. 2025)

หน่วยงาน

ภาควิชาวิศวกรรมเครื่องกลและการบิน-อวกาศ (MAE) มจพ.

URL

https://maeconnect.eng.kmutnb.ac.th/projects/cmoi2rfe300bxxtyry74jgpdl