បញ្ហា (The Problem)៖ មជ្ឈមណ្ឌលទិន្នន័យប្រើប្រាស់ថាមពលអគ្គិសនីយ៉ាងច្រើនសម្បើមសម្រាប់ប្រព័ន្ធត្រជាក់ (Cooling System) ហើយវិធីសាស្ត្រគ្រប់គ្រងបច្ចុប្បន្នដែលផ្អែកលើគំរូរូបវន្ត មានភាពស្មុគស្មាញក្នុងការរចនា និងជារឿយៗមិនមានប្រសិទ្ធភាពខ្ពស់នោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធស្នើឡើងនូវក្បួនដោះស្រាយការគ្រប់គ្រងភាពត្រជាក់ (CCA) ដោយប្រើប្រាស់បច្ចេកវិទ្យា Deep Reinforcement Learning ដើម្បីរៀនពីទិន្នន័យតាមដាន និងបង្កើនប្រសិទ្ធភាពនៃការគ្រប់គ្រងដោយស្វ័យប្រវត្តិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| DefaultE+ (Baseline Control) ការគ្រប់គ្រងតាមលំនាំដើមដែលមានស្រាប់នៅក្នុងកម្មវិធី EnergyPlus |
មានស្ថេរភាព និងត្រូវបានប្រើប្រាស់ជាស្តង់ដារសម្រាប់ការប្រៀបធៀបនៅក្នុងការធ្វើត្រាប់តាម (Simulation)។ | ពឹងផ្អែកលើការកំណត់ចំណុចគោលដៅ (Set-points) ដែលមានភាពរឹង និងមិនអាចបត់បែនតាមបម្រែបម្រួលបរិយាកាសបានល្អឥតខ្ចោះ។ | PUE ជាមធ្យមគឺ ១.៣៧៦ (ចំណាយថាមពលខ្ពស់ជាងគេក្នុងការពិសោធន៍)។ |
| Two-Stage (TS) Approach វិធីសាស្ត្រពីរដំណាក់កាល (ការបង្កើតគំរូ និងការដោះស្រាយបញ្ហា) |
ប្រើប្រាស់ក្បួនដោះស្រាយបរមាភិបាល (Optimization) ដូចជា Differential Evolution ដើម្បីស្វែងរកដំណោះស្រាយ។ | ទាមទារការគណនាច្រើននៅពេលប្រតិបត្តិការជាក់ស្តែង និងបង្ហាញលទ្ធផលមិនមានស្ថេរភាពនៅក្នុងការធ្វើតេស្ត។ | មិនមានប្រសិទ្ធភាពជាងវិធីសាស្ត្រមូលដ្ឋានប៉ុន្មានទេ ហើយមានអស្ថេរភាពក្នុងការគ្រប់គ្រងសីតុណ្ហភាព។ |
| CCA (Proposed - DDPG Based) ក្បួនដោះស្រាយការគ្រប់គ្រងភាពត្រជាក់ដោយប្រើ Deep Reinforcement Learning |
អាចរៀនពីទិន្នន័យដែលមានស្រាប់ (Offline training) និងធ្វើការសម្រេចចិត្តដោយស្វ័យប្រវត្តិសម្រាប់ប្រព័ន្ធដែលមានភាពស្មុគស្មាញខ្ពស់។ | ទាមទារទិន្នន័យប្រវត្តិសាស្ត្រច្រើនសម្រាប់បណ្តុះបណ្តាល និងត្រូវការការកំណត់ Hyper-parameter យ៉ាងប្រុងប្រយ័ត្ន។ | សន្សំសំចៃថាមពលត្រជាក់បាន ១១% ក្នុងការធ្វើត្រាប់តាម និងរហូតដល់ ១៥% លើទិន្នន័យជាក់ស្តែង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារធនធានកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការបណ្តុះបណ្តាល និងប្រព័ន្ធប្រមូលទិន្នន័យដែលមានគុណភាព។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យអាកាសធាតុនៃប្រទេសសិង្ហបុរី និងទិន្នន័យប្រតិបត្តិការពីមជ្ឈមណ្ឌលកំពូលកុំព្យូទ័រជាតិសិង្ហបុរី (NSCC)។ នេះគឺជាចំណុចវិជ្ជមានយ៉ាងខ្លាំងសម្រាប់កម្ពុជា ដោយសារយើងមានអាកាសធាតុតំបន់ត្រូពិក (ក្តៅ និងសើម) ដូចគ្នា ដែលធ្វើឱ្យលទ្ធផលនៃការសិក្សានេះអាចយកមកអនុវត្តបានដោយផ្ទាល់។
វិធីសាស្ត្រនេះមានសារៈប្រយោជន៍ខ្លាំងសម្រាប់កម្ពុជា ដែលជាប្រទេសមានថ្លៃដើមអគ្គិសនីខ្ពស់ និងត្រូវការប្រព័ន្ធត្រជាក់ខ្លាំងសម្រាប់មជ្ឈមណ្ឌលទិន្នន័យ។
ដោយសារអាកាសធាតុកម្ពុជាក្តៅពេញមួយឆ្នាំ ការបង្កើនប្រសិទ្ធភាពប្រព័ន្ធត្រជាក់គឺជាអាទិភាពខ្ពស់ ហើយបច្ចេកវិទ្យានេះផ្តល់នូវដំណោះស្រាយដែលមានប្រសិទ្ធភាពដោយមិនចាំបាច់ផ្លាស់ប្តូរគ្រឿងម៉ាស៊ីន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Power Usage Effectiveness (PUE) | ជាស្តង់ដាររង្វាស់ប្រសិទ្ធភាពថាមពលនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ។ វាគណនាដោយយកថាមពលសរុបរបស់អគារ (រួមទាំងប្រព័ន្ធត្រជាក់ និងភ្លើងបំភ្លឺ) ចែកនឹងថាមពលដែលប្រើដោយឧបករណ៍កុំព្យូទ័រ (IT Equipment) តែប៉ុណ្ណោះ។ តម្លៃកាន់តែកៀកនឹងលេខ ១.០ គឺកាន់តែល្អ។ | ដូចជាការវាស់ថាតើលុយប៉ុន្មានដែលយើងចំណាយលើថ្លៃដឹកជញ្ជូន ធៀបនឹងតម្លៃទំនិញដែលយើងទិញ។ |
| Deep Reinforcement Learning (DRL) | ជាវិធីសាស្ត្របង្រៀនបញ្ញាសិប្បនិម្មិត (AI) ដោយឱ្យវាធ្វើការសាកល្បងខុស និងត្រូវ (Trial and Error) នៅក្នុងបរិស្ថានជាក់លាក់មួយ។ AI នឹងទទួលបាន "រង្វាន់" នៅពេលវាធ្វើបានល្អ (សន្សំសំចៃភ្លើង) និង "ពិន័យ" នៅពេលវាធ្វើមិនល្អ (ម៉ាស៊ីនឡើងកម្តៅ)។ | ដូចជាការបង្រៀនក្មេងឱ្យជិះកង់ ដោយពួកគេរៀនពីការដួល និងការរក្សាលំនឹងដោយខ្លួនឯង។ |
| Deep Deterministic Policy Gradient (DDPG) | ជាក្បួនដោះស្រាយដ៏មានឥទ្ធិពលមួយនៅក្នុង DRL ដែលត្រូវបានរចនាឡើងសម្រាប់ប្រព័ន្ធដែលត្រូវការការគ្រប់គ្រងជាប់លាប់ (Continuous Control) ដូចជាការកែតម្រូវសីតុណ្ហភាព ឬល្បឿនកង្ហារ ដែលមិនមែនគ្រាន់តែជាជម្រើស បិទ/បើក ធម្មតានោះទេ។ | ដូចជាការបង្វិលចង្កូតរថយន្តយ៉ាងរលូនដើម្បីបត់ផ្លូវ ជំនួសឱ្យការបត់ឆ្វេង ឬស្តាំភ្លាមៗ។ |
| Actor-Critic Architecture | ជារចនាសម្ព័ន្ធបណ្តាញសរសៃប្រសាទ (Neural Network) ដែលមានពីរផ្នែកធ្វើការរួមគ្នា៖ ផ្នែកមួយឈ្មោះ "Actor" សម្រេចចិត្តថាត្រូវធ្វើសកម្មភាពអ្វី ហើយផ្នែកមួយទៀតឈ្មោះ "Critic" វាយតម្លៃថា តើសកម្មភាពនោះល្អ ឬអាក្រក់ប៉ុណ្ណា ដើម្បីផ្តល់មតិកែលម្អ។ | ប្រៀបដូចជាសិស្ស (Actor) កំពុងធ្វើលំហាត់ ហើយមានគ្រូ (Critic) នៅក្បែរចាំផ្តល់ពិន្ទុភ្លាមៗដើម្បីឱ្យសិស្សកែតម្រូវ។ |
| Set-points | គឺជាតម្លៃគោលដៅដែលកំណត់ដោយអ្នកគ្រប់គ្រង ឬ AI ដើម្បីឱ្យប្រព័ន្ធដំណើរការទៅដល់ចំណុចនោះ។ នៅក្នុងប្រព័ន្ធត្រជាក់ វាសំដៅលើសីតុណ្ហភាពដែលយើងចង់បាននៅចំណុចចេញខ្យល់ ឬទឹកត្រជាក់។ | ដូចជាការកំណត់លេខសីតុណ្ហភាព ២៥អង្សារ នៅលើតេឡេបញ្ជាម៉ាស៊ីនត្រជាក់។ |
| De-underestimation (DUE) | ជាបច្ចេកទេសសុវត្ថិភាពមួយដែលអ្នកនិពន្ធបង្កើតឡើង ដើម្បីការពារកុំឱ្យ AI ព្យាករណ៍សីតុណ្ហភាពទាបជាងការពិត។ ប្រសិនបើ AI គិតថាម៉ាស៊ីនត្រជាក់ជាងជាក់ស្តែង វាអាចនឹងបន្ថយថាមពលត្រជាក់ ដែលបណ្តាលឱ្យម៉ាស៊ីនឡើងកម្តៅ។ | ដូចជាការត្រៀមលុយថ្លៃអាហារឱ្យលើសពីការរំពឹងទុក ដើម្បីធានាថាមិនខ្វះលុយចាយ។ |
| Direct Expansion (DX) Cooling System | ជាប្រព័ន្ធត្រជាក់ដែលប្រើសារធាតុត្រជាក់ (Refrigerant) ដើម្បីស្រូបយកកម្តៅពីខ្យល់ដោយផ្ទាល់តាមរយៈបំពង់រ៉ាដ្យាទ័រ (Coils) ដោយមិនប្រើទឹកជាមធ្យោបាយចម្លងកម្តៅ។ | គឺដូចជាម៉ាស៊ីនត្រជាក់ដែលយើងប្រើនៅតាមផ្ទះទូទៅ ដែលមានកុំប្រេសឺរ និងកង្ហារផ្លុំខ្យល់ត្រជាក់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
