បញ្ហា (The Problem)៖ ការកំណត់កម្លាំងសង្កត់ (Unconfined Compressive Strength - UCS) នៃដីលាយស៊ីម៉ងត៍តាមវិធីសាស្ត្រពិសោធន៍បែបប្រពៃណីទាមទារពេលវេលា និងចំណាយច្រើន។ ដូច្នេះ ការសិក្សានេះមានគោលបំណងប្រើប្រាស់វិធីសាស្ត្ររៀនដោយម៉ាស៊ីន (Machine Learning) ដើម្បីដោះស្រាយបញ្ហានេះប្រកបដោយប្រសិទ្ធភាពខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអភិវឌ្ឍម៉ូដែលបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដោយប្រើប្រាស់សំណុំទិន្នន័យចំនួន ៥០ គំរូ ជាមួយនឹងអថេរធាតុចូលចំនួន ៩ ទាក់ទងនឹងសមាសភាពដី និងបរិមាណស៊ីម៉ងត៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Experimental Methods វិធីសាស្ត្រពិសោធន៍តាមមន្ទីរពិសោធន៍បែបប្រពៃណី |
ផ្តល់លទ្ធផលជាក់ស្តែង និងអាចទុកចិត្តបានខ្ពស់តាមរយៈការធ្វើតេស្តផ្ទាល់លើគំរូដីពិតៗ។ | ចំណាយពេលវេលាយូរ និងទាមទារថវិកាច្រើនក្នុងការរៀបចំគំរូ និងដំណើរការម៉ាស៊ីនតេស្តកម្លាំងសង្កត់។ | ផ្តល់ទិន្នន័យមូលដ្ឋាន (UCS) សម្រាប់ប្រើប្រាស់ក្នុងការផ្ទៀងផ្ទាត់ និងបណ្តុះបណ្តាលម៉ូដែលកុំព្យូទ័រ។ |
| Artificial Neural Network (ANN) - 2 Hidden Layers ម៉ូដែលបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដែលមាន ២ ស្រទាប់លាក់ (៤ និង ៣ ណឺរ៉ូន) |
អាចទស្សន៍ទាយកម្លាំងសង្កត់បានយ៉ាងរហ័ស មានភាពត្រឹមត្រូវខ្ពស់ និងអាចវិភាគទំនាក់ទំនងដ៏ស្មុគស្មាញ (Non-linear) រវាងលក្ខណៈដីនិងកម្លាំងបានយ៉ាងល្អ។ | ទាមទារសំណុំទិន្នន័យ (Dataset) ច្រើននិងច្បាស់លាស់ដើម្បីបណ្តុះបណ្តាល ហើយពិបាកពន្យល់ពីដំណើរការគណនាខាងក្នុង (Black-box nature)។ | ទទួលបានមេគុណ R² ស្មើនឹង ០.៩៥៤៥ (សម្រាប់ការបណ្តុះបណ្តាល) និង ០.៩២១២ (សម្រាប់ការធ្វើតេស្តផ្ទៀងផ្ទាត់) ជាមួយកំហុស RMSE ទាបត្រឹម ០.៤៧៧៧ MPa។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃធនធាននោះទេ ប៉ុន្តែការប្រើប្រាស់ម៉ូដែលរៀនដោយម៉ាស៊ីន (Machine Learning) ជារួមតម្រូវឱ្យមានឧបករណ៍កុំព្យូទ័រ និងទិន្នន័យជាក់លាក់។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យតូចត្រឹមតែ ៥០ គំរូ ដែលដកស្រង់ចេញពីការស្រាវជ្រាវមុន (Gajurel et al.) ដែលអាចនឹងមានភាពលម្អៀងទៅលើលក្ខខណ្ឌដីនៅតំបន់ភូមិសាស្ត្រជាក់លាក់ណាមួយ (មិនមែននៅវៀតណាម ឬកម្ពុជា)។ សម្រាប់ប្រទេសកម្ពុជា ការយកម៉ូដែលនេះមកប្រើប្រាស់ដោយផ្ទាល់អាចនឹងមិនសុក្រឹតនោះទេ លុះត្រាតែមានការប្រមូលទិន្នន័យដីក្នុងស្រុក (Local soil data) បន្ថែមដើម្បីបណ្តុះបណ្តាលម៉ូដែលឡើងវិញ។
ទោះបីជាទិន្នន័យអាចមានភាពខុសគ្នា ប៉ុន្តែវិធីសាស្ត្រនិងការរៀបចំបណ្តាញសរសៃប្រសាទនេះ មានសក្តានុពលខ្ពស់មែនទែនក្នុងការយកមកអនុវត្តនៅក្នុងវិស័យសំណង់ និងហេដ្ឋារចនាសម្ព័ន្ធនៅក្នុងប្រទេសកម្ពុជា។
សរុបមក ការធ្វើសមាហរណកម្មរវាងចំណេះដឹងផ្នែកវិស្វកម្មភូមិសាស្ត្រ (Geotechnical Engineering) និងវិទ្យាសាស្ត្រទិន្នន័យ (Data Science) នឹងក្លាយជាកាតាលីករដ៏សំខាន់ក្នុងការជំរុញប្រសិទ្ធភាព និងគុណភាពនៃការសាងសង់នៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Artificial Neural Networks (ANN) | ជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងដោយត្រាប់តាមរបៀបធ្វើការនៃខួរក្បាលមនុស្ស ដោយប្រើប្រាស់បណ្តាញនៃ 'ណឺរ៉ូនសិប្បនិម្មិត' (Artificial Neurons) ដើម្បីរៀនពីទិន្នន័យចាស់ៗ ស្វែងរកទំនាក់ទំនងស្មុគស្មាញ និងធ្វើការព្យាករណ៍លទ្ធផលថ្មីៗ។ | ដូចជាកូនក្មេងដែលរៀនស្គាល់សត្វឆ្កែនិងឆ្មា ដោយការមើលរូបភាពច្រើនៗដដែលៗ រហូតដល់វាអាចចំណាំបានដោយខ្លួនឯង។ |
| Unconfined Compressive Strength (UCS) | ជារង្វាស់ទំហំនៃកម្លាំងសង្កត់អតិបរមាដែលគំរូដីមួយ (ជាទូទៅជារាងស៊ីឡាំង) អាចទ្រាំទ្របានមុនពេលវាប្រេះ ឬបែកបាក់ ដោយមិនមានកម្លាំងទប់ពីផ្នែកខាងចំហៀងឡើយ។ វាត្រូវបានប្រើដើម្បីវាយតម្លៃភាពរឹងមាំរបស់ដីក្រោយពេលលាយស៊ីម៉ងត៍រួច។ | ដូចជាការយកដុំឥដ្ឋមួយដុំមកដាក់ផ្ទុកទម្ងន់ពីលើរហូតដល់វាបែក ដើម្បីចង់ដឹងថាវាអាចទ្រទម្ងន់បានប៉ុន្មានគីឡូក្រាម។ |
| SHAP (SHapley Additive exPlanations) | ជាវិធីសាស្ត្រគណិតវិទ្យាក្នុងការវិភាគម៉ូដែល Machine Learning ដើម្បីបកស្រាយ និងបង្ហាញច្បាស់ថាតើអថេរធាតុចូលនីមួយៗ (ឧទាហរណ៍ បរិមាណស៊ីម៉ងត៍ ឬកម្រិតសំណើម) បានចូលរួមចំណែកឥទ្ធិពលប៉ុន្មានភាគរយក្នុងការសម្រេចចិត្តទស្សន៍ទាយលទ្ធផលចុងក្រោយ។ | ដូចជាការបែងចែកប្រាក់រង្វាន់ដល់កីឡាករម្នាក់ៗក្នុងក្រុមបាល់ទាត់ ដោយផ្អែកលើទំហំនៃការខិតខំប្រឹងប្រែង និងការស៊ុតបញ្ចូលទីរបស់ពួកគេរៀងៗខ្លួន។ |
| Root Mean Square Error (RMSE) | ជារង្វាស់ស្តង់ដារមួយដែលប្រើដើម្បីវាស់ពីកម្រិតនៃភាពខុសគ្នា (កំហុស) រវាងតម្លៃដែលម៉ូដែលកុំព្យូទ័របានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដដែលបានពីការវាស់វែងជាក់ស្តែង។ តម្លៃ RMSE កាន់តែតូច បញ្ជាក់ថាម៉ូដែរកាន់តែសុក្រឹត។ | ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងស៊ីប រួចវាស់ចម្ងាយសរុបនៃគ្រាប់ព្រួញទាំងអស់ដែលឃ្លាតពីចំណុចកណ្តាល ដើម្បីដឹងថាអ្នកបាញ់មានភាពច្បាស់លាស់កម្រិតណា។ |
| Liquid Limit | គឺជាកម្រិតសំណើមអតិបរមារបស់ដីនៅពេលដែលដីនោះប្រែប្រួលស្ថានភាពពីភាពស្អិត (Plastic state) ទៅជាទម្រង់រាវ (Liquid state) ដែលអាចហូរបាន។ វាជាសូចនាករមួយនៃសមត្ថភាពស្រូបទឹករបស់ដីក្នុងវិស្វកម្មភូមិសាស្ត្រ។ | ដូចជាការលាយម្សៅធ្វើនំ ប្រសិនបើចាក់ទឹកច្រើនពេកដល់កម្រិតមួយ ម្សៅនោះនឹងលែងស្អិតរមួត ហើយក្លាយជាទឹកខាប់ៗដែលអាចហូរបាន។ |
| Plasticity Index | ជាទំហំនៃគម្លាតរវាងដែនកំណត់រាវ (Liquid Limit) និងដែនកំណត់ប្លាស្ទិក (Plastic Limit) របស់ដី។ វាបញ្ជាក់ពីបរិមាណទឹកដែលដីអាចទាញយកបានដោយរក្សាបាននូវភាពស្អិតរមួត (មិនរាវពេក ឬមិនរឹងពេក)។ | ដូចជាដីឥដ្ឋសម្រាប់សូនរូប ប្រសិនបើវាមានសន្ទស្សន៍នេះខ្ពស់ មានន័យថាអ្នកអាចចាក់ទឹកលាយវា និងសូនជារូបរាងផ្សេងៗបានយ៉ាងងាយស្រួលដោយមិនងាយប្រេះ។ |
| Hyperparameter tuning | ដំណើរការនៃការផ្លាស់ប្តូរការកំណត់ (Settings) ផ្សេងៗរបស់ម៉ូដែល Machine Learning (ឧទាហរណ៍ ចំនួនស្រទាប់លាក់ ឬចំនួនណឺរ៉ូន) មុនពេលចាប់ផ្តើមបណ្តុះបណ្តាល ដើម្បីស្វែងរកបន្សំនៃការកំណត់ណាដែលផ្តល់លទ្ធផលព្យាករណ៍ល្អបំផុត។ | ដូចជាការបង្វិលប៊ូតុងសារ៉េប៉ុស្តិ៍វិទ្យុ ដើម្បីរកមើលប្រេកង់ណាដែលស្តាប់បានសំឡេងច្បាស់បំផុតដោយគ្មានសំឡេងរំខាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
