|
การศึกษาปัญญาประดิษฐ์ด้วยโครงข่ายประสาทเทียมคอนโวลูชั่นแบบสมบูรณ์ในการตรวจสอบรอยร้าวเพื่อประเมินโครงสร้างอาคาร |
|---|---|
| รหัสดีโอไอ | |
| Title | การศึกษาปัญญาประดิษฐ์ด้วยโครงข่ายประสาทเทียมคอนโวลูชั่นแบบสมบูรณ์ในการตรวจสอบรอยร้าวเพื่อประเมินโครงสร้างอาคาร |
| Creator | สุธาสินี เกตุเกษร |
| Contributor | พรหมพัฒน ธัญสิริชัยศรี, ที่ปรึกษา |
| Publisher | มหาวิทยาลัยธรรมศาสตร์ |
| Publication Year | 2567 |
| Keyword | การตรวจสอบรอยร้าว, อากาศยานไร้คนขับ, โครงข่ายประสาทเทียมแบบคอนโวลูชั่นแบบสมบูรณ์, การสร้างแบบจำลองสามมิติด้วยภาพถ่าย, อาคารชลประทาน, ความกว้างของรอยร้าว, Crack inspection, Unmanned aerial vehicles (UAVs), Fully convolutional network (FCN), Photogrammetry-based 3D modeling, Hydroelectric buildings, Crack width |
| Abstract | ปัญหาหลักของโครงสร้างคอนกรีตมาจากการผุกร่อน แตกร้าว ทรุดตัวการพังทลาย และอื่น ๆ การตรวจสอบโครงสร้างอาคารจึงมีความสำคัญอย่างมาก เพื่อให้ทราบถึงปัญหา และแนวทางการซ่อมแซมบำรุงรักษาได้ทันท่วงที ก่อนที่จะเกิดการพังทลายที่ไม่สามารถซ่อมแซมบำรุงรักษาได้ และบางพื้นที่เป็นพื้นที่เสี่ยงอันตรายไม่สามารถเข้าถึงได้ งานวิจัยนี้ได้ศึกษาสภาพอาคารชลประทาน คือ เขื่อนเจ้าพระยา จังหวัดชัยนาท ซึ่งได้ดำเนินการสำรวจอาคารชลประทาน โดยใช้อากาศยานไร้คนขับและถ่ายภาพอาคารชลประทาน และนำภาพถ่ายที่ได้มาสร้างแบบจำลอง 3 มิติ ด้วยกระบวนการ Structure From Motion (SFM) หลังจากนั้นดำเนินการเตรียมข้อมูลภาพถ่ายรอยร้าวชนิดต่าง ๆ ของอาคารชลประทาน เพื่อสอนปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) โดยจะใช้ภาพถ่ายขนาด 150 x 150 พิเซล จำนวน 2,400 ภาพ แบ่งเป็น ชุดฝึกสอน 1,920 ภาพ และชุดทดสอบ 480 ภาพ พบว่า ปัญญาประดิษฐ์ที่ทำการสอนมีค่า Training Loss น้อยที่สุด เท่ากับ 0.0588 และ Validation Loss น้อยที่สุด เท่ากับ 0.0994 ถ้า Loss หรือ Error น้อย บ่งบอกถึงปัญญาประดิษฐ์มีการเรียนรู้ที่ดีและมีประสิทธิภาพ นำปัญญาประดิษฐ์ที่ได้มาตรวจสอบรอยร้าวบนแบบจำลอง 3 มิติ และเปรียบเทียบผลที่ได้จากแบบจำลอง 3 มิติ โดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) กับวัดจริงในสนาม โดยได้ดำเนินการวัดความกว้างของรอยร้าวในแบบจำลอง โดยใช้ปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) จำนวน 28 จุด และดำเนินวัดจริงในสนามในจุดเดียวกัน เพื่อทำการเปรียบเทียบผลที่ได้ พบว่า มีค่า Error ไม่เกิน 0.1 มิลลิเมตร มีค่าความคลาดเคลื่อนน้อยมาก เมื่อเทียบกับขนาดความกว้างของร้อยร้าวในหน่วยมิลลิเมตร ซึ่งถือได้ว่าปัญญาประดิษฐ์มีประสิทธิภาพมาก และเปรียบเทียบผลจากแบบจำลอง 3 มิติ โดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) กับการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) โดยฝ่ายความปลอดภัยเขื่อนและอาคารชลประทาน สำนักงานชลประทานที่ 12 ได้ดำเนินการตรวจสภาพอาคารชลประทานเป็นประจำทุกปี พร้อมจัดทำเล่มรายงานวิเคราะห์ความปลอดภัยเขื่อน โดยใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) และจะประเมินสภาพแยกแต่ละองค์ประกอบของอาคารชลประทาน ด้วยวิธีดัชนีสภาพ (Dam Assessment by Condition Index) ซึ่งในงานวิจัยนี้จะทำการศึกษาบริเวณประตูเรือสัญจรเขื่อนเจ้าพระยา พบว่า ค่า CI ประตูเรือสัญจร โดยใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) เท่ากับ 3.656 และค่า CI ประตูเรือสัญจร จากแบบจำลอง 3 มิติ โดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) เท่ากับ 3.329 ซึ่งค่า CI มีค่าคะแนนระหว่าง 3 - 4 บ่งบอกถึง สภาพองค์ประกอบ มีความเสียหายเล็กน้อย (มีแนวโน้มในทางปกติ) ในการประเมินค่า CI ประตูเรือสัญจรนี้ แสดงให้เห็นว่า วิธีตรวจสอบร้อยร้าวโดยปัญญาประดิษฐ์ด้วยเทคนิค (FCN) มีความละเอียดมากกว่า ใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) และงานวิจัยนี้ พบว่า วิธีตรวจสอบร้อยร้าวโดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) นั้น ใช้ได้เฉพาะงานโครงสร้างอาคารคอนกรีตเท่านั้น ซึ่งในการตรวจสอบสภาพเขื่อนเจ้าพระยามีหลายองค์ประกอบที่ไม่ใช่โครงสร้างคอนกรีต จึงได้ทำการปรับปรุงกระบวนการตรวจสภาพอาคารชลประทาน โดยใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) ร่วมกับวิธีตรวจสอบร้อยร้าวโดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) บนแบบจำลอง 3 มิติ งานวิจัยนี้ ได้นำค่า CI ประตูเรือสัญจร ที่ประเมินโดยวิธีปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) บนแบบจำลอง 3 มิติ มาใช้ พบว่า ค่า CI ภาพรวมเขื่อนเจ้าพระยา โดยใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) เท่ากับ 3.58 และค่า CI ภาพรวมเขื่อนเจ้าพระยา โดยวิธีปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) บนแบบจำลอง 3 มิติ เท่ากับ 3.57 ซึ่งค่า CI ภาพรวมเขื่อนเจ้าพระยา มีค่าคะแนนระหว่าง 3 - 4 บ่งบอกถึง สภาพองค์ประกอบ มีความเสียหายเล็กน้อย (มีแนวโน้มในทางปกติ) ในการประเมิน ค่า CI ภาพรวมเขื่อนเจ้าพระยานี้ แสดงให้เห็นว่า วิธีตรวจสอบร้อยร้าวโดยปัญญาประดิษฐ์ด้วยเทคนิค Fully Convolutional Network (FCN) มีความละเอียดมากกว่าใช้วิธีการตรวจสภาพอาคารชลประทานด้วยสายตา (Visual Inspection) ซึ่งสามารถพัฒนา ต่อยอด และบูรณาการ ทั้ง 2 วิธีร่วมกันได้ เพื่อให้การเมินสภาพโครงสร้างคอนกรีตมีประสิทธิภาพมากที่สุด บงชี้ให้เห็นถึงสภาพโครงสร้างที่แท้จริง และอาคารชลประทานเขื่อนเจ้าพระยานี้ มีหน้าที่ช่วยเก็บกักน้ำไว้ใช้ในฤดูแล้ง และระบายน้ำเมื่อเกิดอุทกภัย โดยจะระบายไม่ให้เกินระดับ 2,500 ลูกบาศก์เมตร/วินาที ไม่ให้กระทบต่อพื้นที่ลุ่มต่ำริมแม่น้ำเจ้าพระยา โดยเฉพาะกรุงเทพมหานคร จึงมีความจำเป็นต้องตรวจสภาพเขื่อนเจ้าพระยา เพื่อเสนอขอรับการสนับสนุนงบประมาณประจำปี ในการซ่อมแซม ปรับปรุง และบำรุงรักษา ให้อยู่ในสภาพพร้อมใช้งานต่อไป |
