Original Title: Design of Cyber-Physical Waste Management Systems Focusing on Energy Efficiency and Sustainability
Source: doi.org/10.3390/designs6020039
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរចនាប្រព័ន្ធគ្រប់គ្រងសំណល់តាមបែបសាយប័រ-រូបវន្ត ដោយផ្តោតលើប្រសិទ្ធភាពថាមពល និងចីរភាព

ចំណងជើងដើម៖ Design of Cyber-Physical Waste Management Systems Focusing on Energy Efficiency and Sustainability

អ្នកនិពន្ធ៖ Mohammad Zaher Akkad (Institute of Logistics, University of Miskolc, Hungary), Sameh Haidar (Faculty of Information Technology, Damascus University, Syria), Tamás Bányai (Institute of Logistics, University of Miskolc, Hungary)

ឆ្នាំបោះពុម្ព៖ 2022, Designs (MDPI)

វិស័យសិក្សា៖ City Logistics and Environmental Engineering

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយពីបញ្ហាស្មុគស្មាញនៃការគ្រប់គ្រងសំណល់រឹងទីក្រុង និងផលប៉ះពាល់បរិស្ថាន ដោយស្នើឡើងនូវប្រព័ន្ធគ្រប់គ្រងសំណល់ឆ្លាតវៃ ដើម្បីកាត់បន្ថយការប្រើប្រាស់ថាមពល និងការបញ្ចេញឧស្ម័នពុល។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ការរចនាប្រព័ន្ធសាយប័រ-រូបវន្ត (Cyber-Physical System) ដោយរួមបញ្ចូលបច្ចេកវិទ្យាអ៊ីនធឺណិតនៃវត្ថុ (IoT) និងគំរូគណិតវិទ្យា ជាមួយនឹងក្បួនដោះស្រាយដើម្បីស្វែងរកផ្លូវដឹកជញ្ជូនដែលល្អបំផុត។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Genetic Algorithm (GA)
ក្បួនដោះស្រាយពន្ធុវិទ្យា (Genetic Algorithm)
ផ្តល់លទ្ធផលល្អបំផុតក្នុងការកាត់បន្ថយការប្រើប្រាស់ថាមពល និងការបញ្ចេញឧស្ម័នពុល។ ដំណើរការគណនាមានល្បឿនលឿនគួរសម និងសន្សំពេលបានច្រើនជាង PSO ក្នុងករណីមួយចំនួន។ ចំណាយពេលគណនាយូរជាង SA ជាពិសេសនៅពេលដែលចំនួនធុងសំរាម (ទិន្នន័យ) មានការកើនឡើង។ កាត់បន្ថយថាមពល និងការបញ្ចេញឧស្ម័នបាន ៤៤.៤% ព្រមទាំងកាត់បន្ថយចម្ងាយធ្វើដំណើរបាន ៥៨.៥% ធៀបនឹងដំណោះស្រាយប្រពៃណីធម្មតា។
Particle Swarm Optimization (PSO)
ការបង្កើនប្រសិទ្ធភាពហ្វូងភាគល្អិត (Particle Swarm Optimization)
ផ្តល់លទ្ធផលប្រកបដោយប្រសិទ្ធភាពខ្ពស់ក្នុងការកាត់បន្ថយចម្ងាយធ្វើដំណើរ (៥៨.៧%) និងសន្សំសំចៃថាមពលប្រហាក់ប្រហែលនឹង GA ដែរ។ អាចចំណាយពេលគណនា (Execution time) យូរបំផុតក្នុងចំណោមក្បួនដោះស្រាយទាំងបី ប្រសិនបើទំហំទិន្នន័យធំកើនឡើង ដែលមិនសូវស័ក្តិសមសម្រាប់ប្រតិបត្តិការបន្ទាន់។ កាត់បន្ថយថាមពល និងការបញ្ចេញឧស្ម័នបាន ៤៤.៤% និងកាត់បន្ថយចម្ងាយធ្វើដំណើរបាន ៥៨.៧%។
Simulated Annealing (SA)
ក្បួនដោះស្រាយការរំងាស់តាមកំដៅ (Simulated Annealing)
ដំណើរការស្វែងរកលទ្ធផលលឿនបំផុត (ត្រឹមតែប្រភាគនៃវិនាទី) ដោយសារភាពសាមញ្ញរបស់វា ដែលស័ក្តិសមបំផុតសម្រាប់ប្រព័ន្ធដែលត្រូវការការឆ្លើយតបរហ័ស។ ការធ្វើឱ្យប្រសើរឡើង (Optimization) មិនសូវបានកម្រិតខ្ពស់ដូច GA និង PSO នោះទេ គឺនៅសល់គម្លាតថាមពលដែលត្រូវប្រើប្រាស់ច្រើនជាងបន្តិច។ កាត់បន្ថយថាមពល និងការបញ្ចេញឧស្ម័នបាន ៣៨.៤% និងកាត់បន្ថយចម្ងាយធ្វើដំណើរបាន ៥០.៧% ដោយចំណាយពេលគណនាលឿនបំផុត។
Random Solution (RS)
ដំណោះស្រាយចៃដន្យ ឬបែបប្រពៃណី (Random Solution / Baseline)
មិនត្រូវការការគណនាស្មុគស្មាញ ឬប្រព័ន្ធកុំព្យូទ័រធំដុំសម្រាប់រៀបចំផែនការនោះទេ ដោយរថយន្តអាចចេញទៅប្រមូលសំរាមតាមទម្លាប់។ មានការត្រួតស៊ីគ្នានៃផ្លូវធ្វើដំណើរច្រើន ស៊ីប្រេងខ្លាំង ចំណាយពេលយូរ និងបញ្ចេញឧស្ម័នពុលទៅក្នុងបរិយាកាសច្រើនបំផុត។ ជាខ្សែបន្ទាត់គោល (Baseline) ដែលស៊ីថាមពលរហូតដល់ ១៩៧៤ ទៅ ៣១៧៦ kWh និងមានចម្ងាយធ្វើដំណើរវែងជាងគេ (រហូតដល់ ៥៨ គីឡូម៉ែត្រ)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារប្រព័ន្ធកុំព្យូទ័រដែលមានកម្លាំងមធ្យមសម្រាប់ការគណនាក្បួនដោះស្រាយ ព្រមទាំងការវិនិយោគលើឧបករណ៍ចាប់សញ្ញា (Sensors) និងប្រព័ន្ធអ៊ីនធឺណិតនៃវត្ថុ (IoT) សម្រាប់បំពាក់លើធុងសំរាម។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងសង្កាត់ទី ៨ (VIII District) នៃទីក្រុង Budapest ប្រទេសហុងគ្រី ដោយប្រើប្រាស់ការសន្មត់បរិមាណសំរាមតាមបែបប្រូបាប៊ីលីតេចៃដន្យ (Uniform distribution)។ សម្រាប់ប្រទេសកម្ពុជា ការយកគំរូនេះមកអនុវត្តទាមទារឱ្យមានការប្រមូលទិន្នន័យពិតប្រាកដពីតំបន់ដែលមានប្រជាជនរស់នៅកុះករ និងតំបន់ពាណិជ្ជកម្ម ព្រោះទម្លាប់នៃការបង្កើតសំណល់មានភាពខុសគ្នាឆ្ងាយ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ប្រព័ន្ធគ្រប់គ្រងសំណល់បែបសាយប័រនេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកដោះស្រាយបញ្ហាសំរាមនៅតាមទីក្រុងធំៗក្នុងប្រទេសកម្ពុជា ដើម្បីកាត់បន្ថយការកកស្ទះ និងសន្សំសំចៃការចំណាយ។

ជារួម បច្ចេកវិទ្យានេះមិនត្រឹមតែជួយកាត់បន្ថយថ្លៃដើមប្រតិបត្តិការរបស់ក្រុមហ៊ុនប្រមូលសំរាមប៉ុណ្ណោះទេ ថែមទាំងលើកកម្ពស់សោភ័ណភាព និងជំរុញការអភិវឌ្ឍទីក្រុងឆ្លាតវៃ (Smart City) នៅកម្ពុជាផងដែរ ប្រសិនបើមានការវិនិយោគត្រឹមត្រូវលើហេដ្ឋារចនាសម្ព័ន្ធ IoT។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ស្វែងយល់ពីបច្ចេកវិទ្យា IoT និងការប្រមូលទិន្នន័យ: សិក្សាពីរបៀបតំឡើងឧបករណ៍ចាប់សញ្ញា (Ultrasonic sensors) និង Microcontrollers (ឧទាហរណ៍ ArduinoRaspberry Pi) លើធុងសំរាម ដើម្បីវាស់កម្រិតបរិមាណសំរាម និងបញ្ជូនទិន្នន័យជាក់ស្តែង។
  2. អនុវត្តការប្រើប្រាស់ទីតាំងភូមិសាស្ត្រ និងផ្លូវពិតប្រាកដ: រៀនប្រើប្រាស់ Open Route Service API រួមជាមួយផ្ទាំងគ្រប់គ្រងដូចជា QGISPython ដើម្បីទាញយកទិន្នន័យផ្លូវជាក់ស្តែង (ចម្ងាយនិងពេលវេលា) នៅរាជធានីភ្នំពេញ ជំនួសឱ្យការប្រើបន្ទាត់ត្រង់។
  3. សរសេរកូដសម្រាប់ក្បួនដោះស្រាយ Metaheuristic: ចាប់ផ្តើមសរសេរកូដសាកល្បងដោយប្រើ Python ជាមួយបណ្ណាល័យ (Libraries) ដូចជា DEAP សម្រាប់ Genetic AlgorithmPySwarm ឆ្លើយតបទៅនឹងបញ្ហាកំណត់ផ្លូវ (Vehicle Routing Problem)។
  4. កសាងប្រព័ន្ធគំរូខ្នាតតូច (Prototype): បង្កើតគម្រោងសាកល្បងមួយនៅបរិវេណសាកលវិទ្យាល័យ ដោយបំពាក់ធុងសំរាមឆ្លាតវៃចំនួន ១០ ទៅ ២០ ធុង រួចប្រើប្រាស់ Simulated Annealing ដើម្បីគណនាផ្លូវប្រមូលសំរាមប្រចាំថ្ងៃដែលចំណាយពេលតិចបំផុត។
  5. វាយតម្លៃផលប៉ះពាល់បរិស្ថាន និងសេដ្ឋកិច្ច: ចងក្រងទិន្នន័យប្រៀបធៀបការចំណាយប្រេងឥន្ធនៈ និងបរិមាណឧស្ម័នពុលដែលភាយចេញ រវាងការប្រមូលសំរាមបែបប្រពៃណី និងប្រព័ន្ធឆ្លាតវៃ ដោយយោងតាមស្តង់ដារ Euro VI ដើម្បីបង្ហាញពីគម្លាតនៃប្រសិទ្ធភាព។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Cyber-Physical System គឺជាប្រព័ន្ធដែលតភ្ជាប់ពិភពរូបវន្ត (ដូចជាធុងសំរាម រថយន្ត) ទៅនឹងពិភពកុំព្យូទ័រ និងអ៊ីនធឺណិត ដើម្បីប្រមូលទិន្នន័យ វិភាគព័ត៌មាន និងបញ្ជាត្រឡប់មកវិញដោយស្វ័យប្រវត្តិ ដែលអនុញ្ញាតឱ្យប្រព័ន្ធតាមដានស្ថានភាពជាក់ស្តែង និងធ្វើការសម្រេចចិត្តបានយ៉ាងឆ្លាតវៃ។ ដូចជាការបំពាក់ភ្នែក (សេនស័រ) និងខួរក្បាល (កុំព្យូទ័រ) ទៅឱ្យវត្ថុគ្មានជីវិត ដើម្បីឱ្យពួកវាអាចដឹងពីបរិស្ថានជុំវិញ និងចាត់ចែងការងារដោយខ្លួនឯង។
Capacitated Vehicle Routing Problem (CVRP) គឺជាបញ្ហាគណិតវិទ្យាក្នុងការស្វែងរកផ្លូវធ្វើដំណើរដែលខ្លីបំផុត និងចំណាយថាមពលតិចបំផុតសម្រាប់រថយន្តដឹកជញ្ជូនមួយក្រុម ដោយត្រូវគោរពតាមលក្ខខណ្ឌកំណត់ថារថយន្តនីមួយៗអាចផ្ទុកទម្ងន់បានប៉ុន្មានកម្រិតអតិបរមា។ ដូចជាអ្នករត់កង់បីដឹកអីវ៉ាន់ ដែលត្រូវគិតថាគួរជិះតាមផ្លូវណាដើម្បីប្រមូលឥវ៉ាន់ឱ្យអស់ និងចំណេញសាំងបំផុត ដោយមិនឱ្យលើសទម្ងន់កង់បី។
Metaheuristic algorithms គឺជាក្បួនដោះស្រាយកម្រិតខ្ពស់ដែលប្រើប្រាស់យន្តការស្រដៀងនឹងធម្មជាតិ ដើម្បីស្វែងរកចម្លើយដែលល្អបំផុត (ឬកៀកនឹងល្អបំផុត) សម្រាប់បញ្ហាស្មុគស្មាញខ្លាំង ដែលកុំព្យូទ័រធម្មតាមិនអាចគណនាអស់គ្រប់ជម្រើសក្នុងពេលខ្លី។ ដូចជាការរកម្ជុលក្នុងបាតសមុទ្រ ដោយមិនបាច់រកគ្រប់សង់ទីម៉ែត្រ តែប្រើវិធីស្មានតំបន់ណាដែលមានឱកាសមានម្ជុលច្រើនជាងគេ ហើយរកតែតំបន់នោះ។
Genetic algorithm (GA) ជាវិធីសាស្ត្រគណនាដែលយកគំរូតាមទ្រឹស្តីវិវឌ្ឍន៍របស់ធម្មជាតិ (ការបង្កាត់ពូជ និងការបន្តពូជ) ដោយបន្តជ្រើសរើសចម្លើយដែលល្អៗ បញ្ចូលគ្នាដើម្បីបង្កើតជាចម្លើយថ្មីមួយដែលកាន់តែប្រសើរជាងមុនពីមួយជំនាន់ទៅមួយជំនាន់ រហូតទាល់តែបានលទ្ធផលល្អបំផុត។ ដូចជាការយកកសិផលដែលល្អៗ (គោសាច់ច្រើន និងគោកម្លាំងខ្លាំង) មកបង្កាត់ពូជគ្នា ដើម្បីបានកូនគោដែលមានលក្ខណៈល្អទាំងពីរមុខ។
Particle swarm optimization (PSO) ជាក្បួនដោះស្រាយដែលយកត្រាប់តាមអាកប្បកិរិយារបស់ហ្វូងសត្វ (ដូចជាហ្វូងចាប ឬហ្វូងត្រី) ពេលដើររកចំណី ដោយចម្លើយនីមួយៗរៀនសូត្រពីបទពិសោធន៍ខ្លួនឯង និងសមាជិកផ្សេងទៀតក្នុងហ្វូង ដើម្បីឆ្ពោះទៅរកគោលដៅរួមដែលល្អបំផុត។ ដូចជាហ្វូងចាបកំពុងហើររកចំណី បើចាបមួយឃើញកន្លែងមានចំណី វាស្រែកហៅចាបផ្សេងទៀតឱ្យហើរសម្រុកមកកន្លែងនោះទាំងអស់គ្នា។
Simulated annealing (SA) ជាវិធីសាស្ត្រដោះស្រាយបញ្ហាដែលយកគំរូតាមដំណើរការរំងាស់លោហៈ (ដុតឱ្យក្តៅខ្លាំង រួចទុកឱ្យត្រជាក់បន្តិចម្តងៗ) ដែលអនុញ្ញាតឱ្យកុំព្យូទ័រទទួលយកចម្លើយអាក្រក់នៅដំណាក់កាលដំបូងៗ ដើម្បីចៀសវាងការជាប់គាំងនៅត្រង់ចម្លើយមិនសូវល្អ រហូតដល់វាស្វែងរកឃើញចម្លើយល្អបំផុតចុងក្រោយ។ ដូចជាការវង្វេងផ្លូវក្នុងព្រៃ ពេលខ្លះយើងត្រូវសុខចិត្តដើរថយក្រោយ ឬឡើងភ្នំសិន ទើបអាចមើលឃើញផ្លូវធំដែលត្រូវចេញពីព្រៃបាន។
Internet of Things (IoT) គឺជាបណ្ដាញប្រព័ន្ធដែលភ្ជាប់ឧបករណ៍រូបវន្តនានា (ដូចជាធុងសំរាម ម៉ាស៊ីន ឬយានយន្ត) ទៅកាន់អ៊ីនធឺណិត ធ្វើឱ្យពួកវាអាចទាក់ទងគ្នា ផ្លាស់ប្តូរទិន្នន័យគ្នា និងធ្វើការងាររួមគ្នាដោយស្វ័យប្រវត្តិដោយមិនបាច់មានមនុស្សចាំបញ្ជា។ ដូចជាការផ្តល់ទូរស័ព្ទដៃឱ្យសម្ភារៈប្រើប្រាស់ក្នុងផ្ទះ ដើម្បីឱ្យពួកវាអាចឆាតប្រាប់យើង និងប្រាប់គ្នាវាពីអ្វីដែលកំពុងកើតឡើង។
Multi-echelon systems គឺជាប្រព័ន្ធដឹកជញ្ជូន ឬខ្សែសង្វាក់ផ្គត់ផ្គង់ដែលមានច្រើនថ្នាក់ ឬច្រើនដំណាក់កាល ដែលក្នុងបរិបទនេះ គឺការដឹកជញ្ជូនសំរាមពីធុងទៅទីតាំងប្រមូលផ្តុំបណ្តោះអាសន្នសិន (ថ្នាក់ទី១) មុននឹងដឹកបន្តទៅទីតាំងកែច្នៃ ឬចាក់សំរាមចោលចុងក្រោយ (ថ្នាក់ទី២)។ ដូចជាប្រព័ន្ធប្រៃសណីយ៍ ដែលអ្នកផ្ញើលិខិតទៅកាន់ប៉ុស្តិ៍ប្រៃសណីយ៍ស្រុកសិន រួចទើបរថយន្តធំដឹកលិខិតទាំងអស់បន្តទៅកាន់ប៉ុស្តិ៍ប្រៃសណីយ៍កណ្តាលនៅរាជធានីភ្នំពេញ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖