การหาจุดรั่วของท่อใต้ผิวดินด้วยเทคโนโลยีปัญญาประดิษฐ์ (AI)
อย่างที่ทราบกันว่า การสูญเสียน้ำในระบบท่อน้ำใต้ผิวดิน เป็นปัญหาที่สำคัญสำหรับการบริหารจัดการน้ำ ซึ่งเป็นสาเหตุที่ทำให้ต้องเพิ่มค่าใช้จ่ายในการดำเนินงานโดยไม่จำเป็น การตรวจจับน้ำรั่วเป็นขั้นตอนสำคัญที่สามารถช่วยลดการสูญเสียของน้ำและเพิ่มประสิทธิภาพในการใช้ การสูญเสียน้ำที่ไม่สามารถเรียกเก็บเงินได้มีอัตราเฉลี่ยอยู่ที่ 35% เฉลี่ยในเอเชียและอาจเพิ่มขึ้นอีก และปริมาณที่ประมาณไว้ต่อปีของการสูญเสียน้ำที่ไม่สามารถเรียกเก็บเงินได้ ในระบบบริการน้ำในเอเชียอยู่ในระดับประมาณ 29 พันล้านลูกลูกบาศก์เมตร หรือเทียบเท่ากับเกือบ 9 พันล้านดอลลาร์สหรัฐต่อปี
สาเหตุหลักของท่อรั่ว คือ ท่อที่หมดอายุการใช้งานแล้ว รวมถึงการยุบตัวของดินซึ่งนำความเครียดและความดันเข้ามาในท่อทำให้ท่อเกิดความเสียหาย ในการค้นหาและการซ่อมแซมระบบท่อน้ำที่รั่วนั้นเป็นงานที่ต้องทำอย่างต่อเนื่อง การใช้วิธีการแบบดั้งเดิมในการค้นหาท่อรั่วหรือการใช้ “Acoustic rod” เป็นเครื่องมือที่ตรวจจับน้ำรั่วในระบบท่อน้ำ โดยการฟังเสียงของน้ำที่รั่วออกมาจากท่อและทำการวิเคราะห์ โดยผู้ใช้เครื่องมือซึ่งต้องใช้ความชำนาญและประสบการณ์ ทำให้วิธีการนี้ความแม่นยำจะขึ้นอยู่กับทักษะของบุคลากร ในบางครั้งอาจเกิดความคลาดเคลื่อนเนื่องจากความเมื่อยล้าและประสบการณ์ที่น้อย
การนำเทคโนโลยีใหม่ๆมาใช้ เช่น ปัญญาประดิษฐ์ (Artificial Intelligence: AI) อาจเป็นสิ่งที่ช่วยลดปัญหานี้ได้ โดย “Sonic GL” เครื่องมือตรวจจับการรั่วไหลของน้ำ จากบริษัท WI.Plat Co., Ltd. ประเทศเกาหลี ได้นำเทคโนโลยีปัญญาประดิษฐ์หรือที่รู้จักกันในชื่อ AI เข้ามาช่วยในการตรวจสอบท่อรั่ว ซึ่งใช้โมเดล Convolutional Neural Network (CNN) ในการวิเคราะห์ข้อมูลเสียงน้ำรั่ว
การใช้โมเดล Convolutional Neural Network (CNN) ในการตรวจจับเสียงน้ำรั่วมักจะเริ่มต้นด้วยขั้นตอนการเตรียมข้อมูลที่เหมาะสม เช่น การแปลงเสียงเป็นรูปภาพหรือแผนภาพที่เหมาะสมสำหรับการประมวลผลของ CNN หลังจากนั้นจึงใช้โครงข่าย CNN เพื่อเรียนรู้ลักษณะเฉพาะของเสียงน้ำรั่ว ขั้นตอนหลังจากการเรียนรู้แล้ว เราสามารถนำโมเดล CNN ที่ได้มาใช้ในการจำแนกเสียงที่มีลักษณะเป็นเสียงน้ำรั่วและเสียงปกติ ซึ่งเมื่อใช้กับข้อมูลเสียงใหม่ๆ โมเดลจะสามารถบ่งชี้ว่าเสียงนั้นเป็นเสียงน้ำรั่วหรือไม่
ขั้นตอนการประยุกต์ใช้ CNN ในการตรวจจับเสียงน้ำรั่วอาจประกอบด้วยขั้นตอนดังนี้:
เตรียมข้อมูล: การแปลงเสียงเป็นรูปภาพหรือแผนภาพที่เหมาะสมสำหรับการใช้ CNN ในการประมวลผล เช่น การแปลงเสียงให้เป็น Mel-spectrogram เพื่อเป็นภาพที่เหมาะสมสำหรับ CNN ในการเรียนรู้ลักษณะของเสียงน้ำรั่วและเสียงปกติ
สร้างและฝึกโมเดล CNN: สร้างโครงข่าย CNN ที่เหมาะสมสำหรับการจำแนกเสียงน้ำรั่วและเสียงปกติ โดยใช้ชุดข้อมูลที่มีเสียงที่มีป้ายชื่อเป็น "น้ำรั่ว" และ "ปกติ" เพื่อฝึกโมเดลให้รู้จักและจำแนกเสียงทั้งสองประเภท
การทดสอบและประเมิน: ทดสอบโมเดลที่ฝึกแล้วด้วยชุดข้อมูลที่ไม่เคยเห็นมาก่อน เพื่อประเมินประสิทธิภาพและความแม่นยำของโมเดลในการจำแนกเสียงน้ำรั่วและเสียงปกติ
การประยุก์ใช้งาน: นำโมเดลที่ได้มาใช้ในสถานการณ์จริง เช่น การใช้ในระบบตรวจจับเสียงน้ำรั่วในระบบท่อน้ำ โดยสามารถนำไปใช้กับการตรวจจับเสียงน้ำรั่วในเครือข่ายท่อน้ำของโรงงาน หรือการตรวจสอบระบบน้ำในอาคารและที่อยู่อาศัย เป็นต้น
วิธีใช้งาน Sonic GL: ทำการเก็บบันทึกข้อมูลเสียงโดยการวางเครื่อง SonicGL บนวาล์วน้ำ ซึ่งข้อมูลจะแสดงผลผ่าน Mobile Application Software NELOW หลังจากนั้น AI จะช่วยตัดสินใจว่าข้อมูลเสียงที่เก็บมานั้นเป็นจุดที่มีน้ำรั่วหรือไม่ อย่างไรก็ตามในการใช้งาน AI มาช่วยในการตัดสินใจควรเก็บข้อมูลเพิ่มเติม 2-3 รอบเพื่อป้องกันการผิดพลาดของระบบ
ดังนั้น การนำเทคโนโลยี ปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการหาจุดรั่วของท่อน้ำใต้ผิวดินนั้น นอกจากความแม่นยำในการหาจุดน้ำรั่วแล้ว ยังสามารถช่วยให้คนที่ไม่ใช่ผู้เชี่ยวชาญด้านการหาน้ำรั่ว สามารถค้นหาน้ำรั่วได้ด้วยตนเอง ประหยัดเวลา และยังลดค่าใช้จ่ายที่เสียไปโดยไม่รู้ตัวอีกด้วย ถือว่าเป็นนวัตกรรมที่น่าสนใจมากในยุคนี้เลยก็ว่าได้
อ้างอิง
Rangsarit Vanijjirattikhan, Sunisa Khomsay, Nathavuth Kitbutrawat, Kittipong Khomsay, Unpong Supakchukul, Sasiya Udomsuk, Jittiwut Suwatthikul, Nutthaphan Oumtrakul, Kanchanapun Anusart, (2022), AI-based acoustic leak detection in water distribution systems. Retrieved 24 April 2024, from https://www.nstda.or.th/
Lev Craig, Rahul Awati, (2022), What is a convolutional neural network (CNN). Retrieved 24 April 2024, from https://www.techtarget.com/
Emily, (2023), Intelligent Water Leak Management System. Retrieved 24 April 2024, from https://wiplat.com/