បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមជាក់ស្តែងនៃការប្រើប្រាស់វិធីសាស្ត្រគ្រប់គ្រងដំណើរការស្តូកាស្ទិច (SPC) ដើម្បីរកឃើញការលេចធ្លាយទឹកទាន់ពេលវេលានៅក្នុងបណ្តាញចែកចាយទឹក ដែលជារឿយៗរងផលប៉ះពាល់ដោយតម្លៃមិនប្រក្រតី ការប្រែប្រួលដោយចៃដន្យ និងទិន្នន័យដែលមានទំនាក់ទំនងគ្នា (autocorrelated data)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការប្រៀបធៀបវិធីសាស្ត្រ Cumulative Sum (CUSUM) កម្រិតខ្ពស់ចំនួន ៧ ដោយរួមបញ្ចូលពួកវាទៅក្នុងក្បួនដោះស្រាយ LILA និងធ្វើតេស្តការរកឃើញនៅលើទិន្នន័យបណ្តាញ L-Town benchmark។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Standard CUSUM វិធីសាស្ត្រ CUSUM ស្តង់ដារ (Standard CUSUM) |
មានភាពសាមញ្ញ ដំណើរការលឿន និងងាយស្រួលក្នុងការគណនា។ | ទាមទារទិន្នន័យដែលមានរបាយធម្មតា (Normally distributed) ងាយរងឥទ្ធិពលពីតម្លៃខុសប្រក្រតី (Outliers) និងមានអត្រាផ្តល់សញ្ញាព្រមានខុស (False Positive) ខ្ពស់។ | ប្រើពេលរកឃើញមធ្យម (aTTD) ៩.១ ថ្ងៃ ប៉ុន្តែមានកម្រិតភាពត្រឹមត្រូវ (Precision) ត្រឹមតែ ០.៨៩ និងពិន្ទុ F1 ០.៩៤។ |
| Transformed & robust CUSUM (tr) វិធីសាស្ត្រ CUSUM បំប្លែងទិន្នន័យ និងរឹងមាំ (tr) |
អាចដោះស្រាយជាមួយទិន្នន័យមិនប្រក្រតី និងតម្លៃខុសប្រក្រតីបានល្អប្រសើរ ដោយប្រើការបំប្លែង Box-Cox និងស្ថិតិ Trimean។ | ត្រូវការសំណុំទិន្នន័យគ្រប់គ្រង (In-control set) ធំដើម្បីកំណត់ប៉ារ៉ាម៉ែត្រ និងអាចរកឃើញតែទំហំនៃការប្រែប្រួលដែលបានកំណត់ទុកជាមុនប៉ុណ្ណោះ។ | ប្រើពេលរកឃើញមធ្យម (aTTD) ១១.៦ ថ្ងៃ និងទទួលបានពិន្ទុ F1 ០.៩៧ ដែលមានភាពប្រសើរជាង CUSUM ស្តង់ដារ។ |
| GWMA-CUSUM (gw) វិធីសាស្ត្រ GWMA-CUSUM ផ្តល់ទម្ងន់ទិន្នន័យ (gw) |
មានភាពរសើបខ្ពស់ក្នុងការរកឃើញការលេចធ្លាយតូចៗ (Incipient leaks) តាមរយៈការផ្តល់ទម្ងន់ដែលអាចបត់បែនបាន។ | ទាមទារការកំណត់ Hyperparameters យ៉ាងស្មុគស្មាញសម្រាប់ស៊េរីទិន្នន័យនីមួយៗ ដែលពិបាកក្នុងការអនុវត្តជាក់ស្តែង។ | ទទួលបានពិន្ទុ F1 ១.០ និងប្រើពេលរកឃើញមធ្យម ១២.៨ ថ្ងៃ (លុះត្រាតែមានការកែតម្រូវ Hyperparameter ដោយផ្ទាល់)។ |
| Nonparametric & adaptive CUSUM (adn) វិធីសាស្ត្រ CUSUM មិនប្រើប៉ារ៉ាម៉ែត្រ និងអាចសម្របខ្លួនបាន (adn) |
មិនត្រូវការការសន្មត់លើទម្រង់របាយទិន្នន័យ និងអាចចាប់ផ្តើមដំណើរការដោយមិនត្រូវការទិន្នន័យប្រវត្តិ (Self-starting)។ | មិនសូវមានភាពរឹងមាំចំពោះទិន្នន័យដែលមានទំនាក់ទំនងគ្នា (Autocorrelated data) និងងាយផ្តល់សញ្ញាខុសបើមានការប្រែប្រួលដោយចៃដន្យច្រើន។ | ទទួលបានពិន្ទុ F1 ១.០ សមត្ថភាពរកឃើញល្អឥតខ្ចោះ ជាមួយពេលរកឃើញមធ្យម (aTTD) ១៤.៦ ថ្ងៃ។ |
| Nonparametric & adaptive CUSUM for autocorrelated data (corr) វិធីសាស្ត្រ CUSUM សម្រាប់ទិន្នន័យមានទំនាក់ទំនងគ្នា (corr) |
ដោះស្រាយបញ្ហាទិន្នន័យមានទំនាក់ទំនងគ្នា (Autocorrelation) បានយ៉ាងល្អ ដោយប្រើការកាត់បន្ថយទំនាក់ទំនង Cholesky (Decorrelation) កាត់បន្ថយការរំខានដោយចៃដន្យ។ | ការបន្ថយទំនាក់ទំនងអាចធ្វើឱ្យការពន្យារពេលក្នុងការរកឃើញការលេចធ្លាយកើនឡើងបន្តិច។ | ទទួលបានពិន្ទុ F1 ១.០ និងប្រើពេលរកឃើញមធ្យម (aTTD) ១៤.៤ ថ្ងៃ ដែលជម្រើសដ៏រឹងមាំបំផុតសម្រាប់ការអនុវត្តជាក់ស្តែង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ វិធីសាស្ត្រទាំងនេះផ្អែកលើការវិភាគទិន្នន័យជាចម្បង (Data-driven) ដូច្នេះវាមិនទាមទារម៉ូដែលធារាសាស្ត្រ (Hydraulic models) ដែលមានតម្លៃថ្លៃនោះទេ ប៉ុន្តែវាទាមទារទិន្នន័យសេនស័រច្បាស់លាស់ និងសមត្ថភាពគណនាផ្នែកស្ថិតិ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យស្តង់ដារ L-Town ផ្អែកលើបណ្តាញចែកចាយទឹកជាក់ស្តែងនៅប្រទេស Cyprus ដែលមានអាកាសធាតុមេឌីទែរ៉ាណេ និងលំនាំប្រើប្រាស់ទឹកខុសពីប្រទេសកម្ពុជា។ សម្រាប់កម្ពុជា ដែលមានរដូវប្រាំង និងរដូវវស្សាច្បាស់លាស់ ព្រមទាំងកំណើននគរូបនីយកម្មលឿន របបលំហូរទឹក និងសម្ពាធទឹកអាចមានការប្រែប្រួលខុសប្រក្រតី (Outliers) ធំជាង និងស្មុគស្មាញជាង ដែលទាមទារការសាកល្បងម៉ូដែលនេះឡើងវិញជាមួយនឹងទិន្នន័យក្នុងស្រុក។
វិធីសាស្ត្រផ្អែកលើទិន្នន័យ (Data-driven SPC) នេះមានសក្តានុពលខ្ពស់ណាស់សម្រាប់ប្រទេសកម្ពុជា ដោយសារវាមិនតម្រូវឱ្យមានការបង្កើតម៉ូដែលធារាសាស្ត្រស្មុគស្មាញ និងចំណាយខ្ពស់។
ការអនុម័តវិធីសាស្ត្រគ្រប់គ្រងដំណើរការស្តូកាស្ទិច (SPC) ដែលអាចសម្របខ្លួនបាន គឺជាជម្រើសដ៏ឆ្លាតវៃ និងសន្សំសំចៃក្នុងការធ្វើឱ្យប្រសើរឡើងនូវការគ្រប់គ្រងធនធានទឹក និងការកាត់បន្ថយការបាត់បង់ទឹកនៅក្នុងទីក្រុងនានានៃប្រទេសកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Stochastic Process Control | ជាការប្រើប្រាស់ក្បួនស្ថិតិដើម្បីតាមដានដំណើរការប្រែប្រួលដែលកើតឡើងដោយចៃដន្យ (stochastic) នៅក្នុងទិន្នន័យតាមពេលវេលា (ដូចជាសម្ពាធទឹក) ដើម្បីស្វែងរកភាពមិនប្រក្រតីណាមួយដែលខុសពីលំនាំដើម (ឧទាហរណ៍ ការលេចធ្លាយ)។ | ដូចជាគ្រូពេទ្យតាមដានក្រាហ្វិចចង្វាក់បេះដូងអ្នកជំងឺជាប្រចាំម៉ោង ដើម្បីចាប់មើលថាពេលណាវាលោតខុសចង្វាក់ធម្មតា។ |
| Cumulative Sum (CUSUM) | ជាវិធីសាស្ត្រស្ថិតិដែលបូកបញ្ចូលតម្លៃលម្អៀងតូចៗជាបន្តបន្ទាប់គ្នាពីចំណុចគោល ដើម្បីឱ្យវាឆាប់កើនឡើងច្បាស់រហូតដល់កម្រិតមួយដែលអាចបញ្ជាក់ថាមានការប្រែប្រួលពិតប្រាកដ។ វាងាយស្រួលចាប់បានការប្រែប្រួលតូចៗដែលកើតឡើងយូរ។ | ដូចជាការសន្សំលុយរាយកាក់រាល់ថ្ងៃ ដំបូងមើលមិនសូវឃើញច្រើនទេ តែយូរៗទៅវាក្លាយជាលុយដុំធំដែលអាចកត់សម្គាល់បានយ៉ាងងាយ។ |
| Model Reconstruction Error | ជាទំហំនៃភាពខុសគ្នា (error) រវាងតម្លៃដែលបានព្យាករណ៍ដោយម៉ូដែលកុំព្យូទ័រ និងតម្លៃជាក់ស្តែងដែលវាស់បានពីសេនស័រ។ បើកំហុសនេះកើនឡើងខុសប្រក្រតី មានន័យថាប្រព័ន្ធអាចមានបញ្ហាដូចជាលេចធ្លាយនៅក្នុងបណ្តាញ។ | ដូចជាការប្រៀបធៀបរូបថតចាស់របស់អ្នក និងមុខរបស់អ្នកផ្ទាល់ក្នុងកញ្ចក់បច្ចុប្បន្ន បើមានភាពខុសគ្នាខ្លាំង មានន័យថាមានអ្វីមួយប្រែប្រួលហើយ។ |
| Autocorrelation | គឺជាទំនាក់ទំនងរវាងទិន្នន័យក្នុងពេលបច្ចុប្បន្នជាមួយនឹងទិន្នន័យរបស់វាក្នុងអតីតកាល។ ក្នុងបណ្តាញទឹក សម្ពាធទឹកម៉ោង ៨ ព្រឹក អាចមានទំនាក់ទំនងនឹងសម្ពាធទឹកម៉ោង ៧:៥៥ ព្រឹក ដែលធ្វើឱ្យក្បួនស្ថិតិមួយចំនួនទាយខុសបើមិនបានកាត់បន្ថយទំនាក់ទំនងនេះ។ | ដូចជាអាកាសធាតុថ្ងៃនេះជះឥទ្ធិពលដល់អាកាសធាតុថ្ងៃស្អែក គឺវាមិនមែនកើតឡើងដោយចៃដន្យដាច់ដោយឡែកពីគ្នានោះទេ។ |
| Nonparametric methods | ជាវិធីសាស្ត្រស្ថិតិដែលមិនទាមទារការសន្មត់ទុកជាមុនអំពីទម្រង់នៃរបាយទិន្នន័យ (ឧទាហរណ៍ មិនចាំបាច់ជា Normal Distribution) ដែលធ្វើឱ្យវាមានភាពបត់បែនខ្ពស់សម្រាប់ទិន្នន័យជាក់ស្តែងដែលរាយប៉ាយគ្មានសណ្តាប់ធ្នាប់។ | ដូចជាការវាស់អាវកាត់តាមរាងជាក់ស្តែងរបស់មនុស្សម្នាក់ៗ ជាជាងការទិញអាវមានទំហំស្រាប់ (S, M, L) ដែលគេសន្មត់ថាសមនឹងមនុស្សគ្រប់គ្នា។ |
| Decorrelation | ជាដំណើរការបំប្លែងទិន្នន័យតាមបែបគណិតវិទ្យា (ដូចជាការប្រើ Cholesky decomposition) ដើម្បីដកចេញនូវទំនាក់ទំនងរវាងទិន្នន័យមុននិងក្រោយ (Autocorrelation) ធ្វើឱ្យទិន្នន័យនីមួយៗមានភាពឯករាជ្យពីគ្នា ដែលជួយកាត់បន្ថយការផ្តល់សញ្ញាព្រមានខុស (False alarms)។ | ដូចជាការបំបែកមនុស្សដែលចូលចិត្តនិយាយតាមគ្នាឱ្យនៅដាច់ពីគ្នា ដើម្បីឱ្យអ្នកអាចលឺគំនិតឯករាជ្យរបស់ម្នាក់ៗយ៉ាងពិតប្រាកដ។ |
| False Positive | ករណីដែលប្រព័ន្ធផ្តល់សញ្ញាព្រមានថាមានការលេចធ្លាយទឹកកើតឡើង ប៉ុន្តែតាមការពិតជាក់ស្តែងគឺមិនមានការលេចធ្លាយអ្វីនោះទេ។ នេះជារឿយៗបណ្តាលមកពីទិន្នន័យរំខាន (noise) ឬការប្រែប្រួលនៃការប្រើប្រាស់ទឹកខុសពីទម្លាប់ដើម។ | ដូចជាសំឡេងរោទ៍សុវត្ថិភាពលោតប្រាប់ថាមានចោរចូលផ្ទះ តែតាមពិតគ្រាន់តែឆ្មាលោតកាត់សេនស័រប៉ុណ្ណោះ។ |
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
