Original Title: Compression Strength Prediction of RSC Corrugated Fiberboard Boxes by Artificial Neural Network using Multiple Materials and Design Parameters
Source: doi.org/10.34044/j.anres.2025.59.2.05
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការព្យាករណ៍កម្លាំងសង្កត់នៃប្រអប់កេសកាតុងប្រភេទ RSC ដោយប្រើបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតតាមរយៈការប្រើប្រាស់សម្ភារៈចម្រុះ និងប៉ារ៉ាម៉ែត្ររចនា

ចំណងជើងដើម៖ Compression Strength Prediction of RSC Corrugated Fiberboard Boxes by Artificial Neural Network using Multiple Materials and Design Parameters

អ្នកនិពន្ធ៖ Tita Archaviboonyobul (Department of Packaging and Materials Technology, Kasetsart University), Ravipim Chaveesuk (Department of Argo-Industrial Technology, Kasetsart University), Jay Singh (Packaging Program, Orfalea College of Business, Cal Poly State University), Tunyarut Jinkarn (Department of Packaging and Materials Technology, Kasetsart University)

ឆ្នាំបោះពុម្ព៖ 2025 Agriculture and Natural Resources

វិស័យសិក្សា៖ Packaging Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃភាពមិនសូវច្បាស់លាស់ក្នុងការគណនាកម្លាំងសង្កត់នៃប្រអប់កេស (RSC) ដោយប្រើរូបមន្តស្តង់ដារចាស់ ដែលតែងតែទាមទារការធ្វើតេស្តជាក់ស្តែងនៅក្នុងមន្ទីរពិសោធន៍នាំឱ្យខាតបង់ពេលវេលា និងថវិកាជាច្រើន។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យដែលទទួលបានពីសំណាកប្រអប់កេសពាណិជ្ជកម្មចំនួន ៦៣០ នៅប្រទេសថៃ ដើម្បីបង្កើតគំរូទស្សន៍ទាយតាមរយៈការរៀនម៉ាស៊ីន។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Simplified McKee's Formula
រូបមន្តសាមញ្ញរបស់ McKee (McKee's Formula)		 ងាយស្រួលប្រើប្រាស់ និងមានប្រជាប្រិយភាពក្នុងការប៉ាន់ស្មានកម្លាំងសង្កត់នៃប្រអប់នៅដំណាក់កាលរចនាវិស្វកម្ម ដោយមិនត្រូវការទិន្នន័យស្មុគស្មាញច្រើន។ មិនបានគិតបញ្ចូលភាពស្វិតបត់បែននៃកេសកាតុង និងប៉ារ៉ាម៉ែត្ររចនាជាច្រើន (ដូចជាទីតាំងបោះពុម្ព ឬប្រភេទស្រទាប់រលក) ដែលធ្វើឱ្យមានកម្រិតលម្អៀងខ្ពស់ក្នុងការទស្សន៍ទាយ។ សូចនាករ R² = 0.737 និងអត្រាកំហុស MAPE = 37.16%
Backpropagation Neural Network (BPN17-13-1)
បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត BPN17-13-1		 មានភាពត្រឹមត្រូវខ្ពស់បំផុត និងមានសមត្ថភាពវិភាគទំនាក់ទំនងស្មុគស្មាញរវាងអថេររហូតដល់ ១៧ (រួមមានវិមាត្រ សម្ភារៈ និងការបោះពុម្ព) ក្នុងពេលតែមួយ។ ត្រូវការសំណុំទិន្នន័យ (Dataset) ច្រើនដើម្បីយកមកបង្វឹកម៉ូដែលកុំព្យូទ័រ និងទាមទារចំណេះដឹងផ្នែករៀនម៉ាស៊ីន (Machine Learning) ក្នុងការរៀបចំ។ សូចនាករ R² = 0.982 និងអត្រាកំហុស MAPE មានត្រឹមតែ 7.99% ប៉ុណ្ណោះ

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារឱ្យមានការប្រមូលទិន្នន័យពីសំណាកជាក់ស្តែងជាមុនសិន រួមជាមួយនឹងការប្រើប្រាស់ឧបករណ៍មន្ទីរពិសោធន៍ និងកម្មវិធីកុំព្យូទ័រសម្រាប់បង្កើតម៉ូដែល AI។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ទិន្នន័យក្នុងការសិក្សានេះត្រូវបានប្រមូលពីសំណាកប្រអប់កេសពាណិជ្ជកម្មនៅប្រទេសថៃ និងធ្វើតេស្តក្នុងលក្ខខណ្ឌអាកាសធាតុក្តៅហើយសើម (27°C, 65% RH)។ លក្ខខណ្ឌនេះគឺមានលក្ខណៈស្រដៀងគ្នាខ្លាំងទៅនឹងអាកាសធាតុនៅក្នុងប្រទេសកម្ពុជា ដែលធ្វើឱ្យម៉ូដែល និងលទ្ធផលពីការស្រាវជ្រាវនេះមានភាពស័ក្តិសមបំផុត សម្រាប់យកមកអនុវត្តផ្ទាល់ក្នុងវិស័យឧស្សាហកម្មកម្ពុជា ដោយមិនចាំបាច់មានការកែប្រែទិន្នន័យច្រើន។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការទស្សន៍ទាយដោយបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតនេះ មានសក្តានុពលខ្ពស់សម្រាប់ជួយឧស្សាហកម្មផលិតកម្ម និងភស្តុភារនៅកម្ពុជា ក្នុងការកាត់បន្ថយការខាតបង់ពីការខូចខាតប្រអប់ទំនិញ និងសន្សំសំចៃថ្លៃដើម។

ការធ្វើសមាហរណកម្មបច្ចេកវិទ្យា AI ទៅក្នុងការគណនារចនាសម្ព័ន្ធវេចខ្ចប់ នឹងជួយលើកកម្ពស់ស្តង់ដារគុណភាពផលិតផលនៅកម្ពុជាឱ្យកាន់តែមានភាពប្រកួតប្រជែង និងស្របតាមតម្រូវការទីផ្សារអន្តរជាតិ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាពីស្តង់ដារប្រអប់កេស និងប្រមូលទិន្នន័យ (Data Collection): ចុះកម្មសិក្សា ឬប្រមូលទិន្នន័យពីរោងចក្រផលិតប្រអប់កេស ដោយកត់ត្រាអថេរវិមាត្រ (ប្រវែង ទទឹង កម្ពស់) ប្រភេទស្រទាប់រលក (Flute B/C) ទម្ងន់ក្រដាសផ្ទៃ (Grammage) និងលទ្ធផលធ្វើតេស្តជាក់ស្តែងពីម៉ាស៊ីនសង្កត់ (Box Compression Test) ដើម្បីរៀបចំជាឯកសារ Excel ឬ CSV។
  2. ជំហានទី២៖ សិក្សាមូលដ្ឋានគ្រឹះនៃ Machine Learning: ចាប់ផ្តើមរៀនភាសាកូដ Python និងបណ្ណាល័យសំខាន់ៗសម្រាប់វិភាគទិន្នន័យដូចជា Pandas ព្រមទាំងបណ្ណាល័យបង្កើត Neural Network ដូចជា TensorFlow ឬ PyTorch ដោយផ្តោតលើរចនាសម្ព័ន្ធ Backpropagation Neural Network (BPN)។
  3. ជំហានទី៣៖ រៀបចំ និងសម្អាតទិន្នន័យ (Data Preprocessing): ប្រើប្រាស់ Scikit-Learn ដើម្បីបំប្លែងទិន្នន័យអក្សរ (ឧទាហរណ៍ទីតាំងបោះពុម្ព) ទៅជាកូដលេខ (One-hot encoding) និងធ្វើមាត្រដ្ឋានទិន្នន័យ (Normalization) ព្រមទាំងបែងចែកទិន្នន័យជាបីផ្នែកគឺ Training (80%), Testing (10%) និង Validation (10%) ដូចក្នុងការស្រាវជ្រាវនេះ។
  4. ជំហានទី៤៖ អភិវឌ្ឍ និងប្រៀបធៀបម៉ូដែលទស្សន៍ទាយ (Model Training & Evaluation): បង្កើតម៉ូដែល ANN ដោយសាកល្បងកំណត់ចំនួនស្រទាប់កណ្តាល (Hidden layers) និងគណនាកម្រិតភាពត្រឹមត្រូវដោយប្រើសូចនាករ R², RMSE, និង MAPE បន្ទាប់មកប្រៀបធៀបលទ្ធផលជាមួយនឹងការគណនាដោយប្រើរូបមន្ត McKee ធម្មតា។
  5. ជំហានទី៥៖ បង្កើតកម្មវិធីកុំព្យូទ័រតូចមួយ (Web Application): ប្រើប្រាស់ Streamlit នៅក្នុង Python ដើម្បីសរសេរជាផ្ទាំង Dashboard ងាយស្រួលប្រើប្រាស់មួយ ដែលអនុញ្ញាតឱ្យវិស្វករវេចខ្ចប់បញ្ចូលលេខប៉ារ៉ាម៉ែត្ររចនាទាំង១៧ រួចចុចឱ្យម៉ូដែល AI បង្ហាញលទ្ធផលកម្លាំងសង្កត់ (BCT) ភ្លាមៗដោយស្វ័យប្រវត្តិ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Artificial Neural Network (បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត) ជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងដោយយកគំរូតាមដំណើរការនៃខួរក្បាលមនុស្ស វាអាចរៀនពីទិន្នន័យចាស់ៗដើម្បីស្វែងរកទំនាក់ទំនងស្មុគស្មាញ និងធ្វើការទស្សន៍ទាយលទ្ធផលថ្មីៗដោយស្វ័យប្រវត្តិ។ ដូចជាកូនក្មេងដែលរៀនស្គាល់សត្វឆ្កែនិងឆ្មា តាមរយៈការមើលរូបភាពជាច្រើនដងរហូតដល់ចងចាំនិងបែងចែកដាច់ ដោយមិនបាច់មានអ្នកប្រាប់រាល់ដង។
Box Compression Test (តេស្តកម្លាំងសង្កត់ប្រអប់កេស) ជានីតិវិធីមន្ទីរពិសោធន៍ដើម្បីវាស់ស្ទង់កម្រិតទម្ងន់អតិបរមាដែលប្រអប់កេសមួយអាចទ្រទ្រង់បានពីលើ (Top-to-bottom) មុនពេលវាខូចទ្រង់ទ្រាយ ឬបាក់ស្រុត។ ដូចជាការសាកល្បងដាក់ដុំឥដ្ឋត្រួតលើគ្នាលើប្រអប់ក្រដាសមួយ ដើម្បីមើលថាតើវាអាចទ្រទម្ងន់បានប៉ុន្មានដុំទើបគាបសំប៉ែត។
Regular-Slotted-Container (ប្រអប់កេសប្រភេទ RSC) ជាទម្រង់ស្តង់ដារនៃប្រអប់កេសដែលពេញនិយមជាងគេបំផុតក្នុងវិស័យដឹកជញ្ជូន ដែលមានគម្របលើនិងក្រោមបត់ចូលគ្នាជួបគ្នានៅចំកណ្តាល។ ជាប្រអប់កេសកាតុងធម្មតាៗ ដែលយើងឧស្សាហ៍ឃើញគេប្រើសម្រាប់វេចខ្ចប់មី ឬភេសជ្ជៈ ដែលយើងត្រូវបិទស្កុតចំកណ្តាលគម្រប។
Flute (ស្រទាប់រលកកេសកាតុង) ជារចនាសម្ព័ន្ធក្រដាសដែលមានរាងជារលកបត់បែន ស្ថិតនៅចន្លោះផ្ទាំងក្រដាសសំប៉ែត (Liner) ដើម្បីជួយទប់លំនឹង បង្កើនភាពរឹងមាំ និងការពារការប៉ះទង្គិច។ ដូចជាឆ្អឹងជំនីរ ឬសសរគ្រឹះតូចៗ ដែលលាក់ខ្លួននៅចន្លោះជញ្ជាំងក្រដាសដើម្បីធ្វើឱ្យវារឹងមាំ និងមិនងាយបាក់ទក់។
Grammage (ទម្ងន់ក្រដាសផ្ទៃ) ជារង្វាស់នៃកម្រិតកម្រាស់ និងភាពហាប់នៃក្រដាស ដែលគេគិតជាក្រាមក្នុងមួយម៉ែត្រការ៉េ (g/m²) ដែលវាជះឥទ្ធិពលយ៉ាងខ្លាំងដល់កម្លាំងរបស់ប្រអប់កេស។ ដូចជាការថ្លឹងទម្ងន់សាច់ក្រណាត់ដែរ ក្រណាត់កាន់តែក្រាស់និងធ្ងន់ (លេខក្រាមកាន់តែខ្ពស់) វាកាន់តែស្វិតនិងរឹងមាំជាងក្រណាត់ស្តើង។
Edge Crush Test (តេស្តកម្លាំងសង្កត់គែមក្រដាស) ជាការវាស់ស្ទង់សមត្ថភាពនៃបន្ទះក្រដាសកាតុងបញ្ឈរ ក្នុងការទប់ទល់នឹងកម្លាំងសង្កត់ពីលើចុះក្រោមតាមបណ្តោយគែមរបស់វា ដែលជាទិន្នន័យសំខាន់សម្រាប់គណនាកម្លាំងប្រអប់។ ដូចជាការយកសន្លឹកបៀរមកបញ្ឈរ ហើយសាកល្បងសង្កត់ពីលើដើម្បីមើលថាតើវាអាចទ្រទម្ងន់បានប៉ុន្មានមុនពេលបត់កោង។
McKee's Formula (រូបមន្ត McKee) ជារូបមន្តគណិតវិទ្យាស្តង់ដារបែបបុរាណដែលវិស្វករវេចខ្ចប់តែងតែប្រើប្រាស់ ដើម្បីប៉ាន់ស្មានកម្លាំងសង្កត់របស់ប្រអប់កេស ដោយផ្អែកលើកម្លាំង Edge Crush Test កម្រាស់ក្រដាស និងបរិមាត្រប្រអប់។ ដូចជារូបមន្តមេគុណសាមញ្ញមួយដែលជាងសំណង់ប្រើសម្រាប់ប៉ាន់ស្មានចំនួនឥដ្ឋដែលត្រូវទិញ ដោយគ្រាន់តែវាស់ប្រវែងនិងកម្ពស់ជញ្ជាំង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖