การติดตามและทำนายการทดสอบทางเคมีของประเภทน้ำ: ระบบ LIMS
Article Sidebar
Main Article Content
บทคัดย่อ
การจัดการข้อมูลมีบทบาทสำคัญในระบบจัดการข้อมูลห้องปฏิบัติการ (Laboratory Information Management Systems: LIMS) ซึ่งมีบทบาทในการจัดเก็บข้อมูลลูกค้าและสนับสนุนกระบวนการวิเคราะห์ทางเคมีของตัวอย่างน้ำ อย่างไรก็ตาม การบริหารจัดการกระบวนการทดสอบสารเคมีอย่างมีประสิทธิภาพนั้นยังคงเผชิญกับความท้าทายหลายประการ โดยเฉพาะอย่างยิ่งด้านค่าใช้จ่าย การจัดสรรทรัพยากร และการจัดการของเสีย แดชบอร์ดที่ออกแบบอย่างเหมาะสมสามารถช่วยเพิ่มประสิทธิภาพของกระบวนการใช้สารเคมีและการวางแผนการใช้ทรัพยากรอย่างเหมาะสม งานวิจัยนี้นำเสนอข้อมูลในรูปแบบของแดชบอร์ดที่ประกอบด้วยการวิเคราะห์ข้อมูลเชิงประวัติศาสตร์ควบคู่กับการทำนายข้อมูล โดยมีวัตถุประสงค์หลักเพื่อวิเคราะห์และแสดงข้อมูลประวัติการทดสอบตัวอย่างน้ำ อันเป็นพื้นฐานสำหรับการพัฒนาแบบจำลองเชิงพยากรณ์ด้วยเทคนิค Gradient Boosted Regression กระบวนการวิจัยเริ่มจากการรวบรวมข้อมูลจากระบบ LIMS ของศูนย์เครื่องมือวิทยาศาสตร์และรับรองมาตรฐาน คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์ จากนั้นจึงดำเนินการเตรียมข้อมูล ซึ่งครอบคลุมถึงการทำความสะอาดและจัดโครงสร้างข้อมูลให้เหมาะสม ก่อนนำไปใช้ในการสร้างแบบจำลองและนำเสนอผลลัพธ์ในรูปแบบภาพข้อมูลเชิงวิเคราะห์ (data visualization) ที่สะท้อนทั้งข้อมูลจริงและข้อมูลที่ได้จากการพยากรณ์ โดยโมเดลดังกล่าวมีค่าความแม่นยำที่วัดจาก R-squared เท่ากับ 0.82 การศึกษานี้มีส่วนช่วยในการพัฒนาความแม่นยำของการคาดการณ์ปริมาณตัวอย่างน้ำที่ส่งเข้าทดสอบ ซึ่งนำไปสู่การจัดสรรทรัพยากรอย่างมีประสิทธิภาพ และสามารถลดการสูญเสียจากการสั่งซื้อสารเคมีที่มากเกินความจำเป็น หรือน้อยจนไม่เพียงพอกับความต้องการ ทั้งนี้แนวทางดังกล่าวยังส่งผลเชิงบวกต่อการลดต้นทุนและผลกระทบต่อสิ่งแวดล้อม อันเป็นการยกระดับคุณภาพของการให้บริการด้านการทดสอบคุณภาพน้ำในภาพรวม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Wang, D., Singhasemanon, N. and Goh, K. (2016). A statistical assessment of pesticide pollution in surface waters using environmental monitoring data: Chlorpyrifos in Central Valley. Science of The Total Environment 571: 332 - 341. doi: 10.1016/j.scitotenv.2016.07.159.
Yang, J. (2023). Predicting water quality through daily concentration of dissolved oxygen using improved artificial intelligence. In Scientific Reports, 13. doi: 10.1038/s41598-023-47060-5.
Nair, J.P. and Vijaya, P.M.S. (2021). Predictive models for river water quality using machine learning and big data techniques - A survey. In: Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS) Coimbatore, India: IEEE. 1747 - 1753. doi: 10.1109/ICAIS509 30.2021.9395832.
Khan, Y. and Chai, S.S. (2016). Predicting and analyzing water quality using machine learning: A comprehensive model. In: Proceedings of the IEEE Long Island Systems, Applications and Technology Conference (LISAT). Farmingdale, New York: IEEE. 1 - 6. doi: 10.1109/LISAT.2016.7494106.
Li, Y., Mao, S., Yuan, Y., Wang, Z., Kang, Y. and Yao, Y. (2023). Beyond tides and time: Machine learning’s triumph in water quality forecasting. American Journal of Applied Mathematics and Statistics 11(3): 89 - 97. doi: 10.12691/ajams-11-3-2.
Wei, S., Richard, R., Hogue, D., Mondal, I., Xu, T., Boyer, T. and Hamilton, K. (2024). High resolution data visualization and machine learning prediction of free chlorine residual in a green building water system. Water Research X 24(11): 100244. doi: 10.1016/j.wroa.2024.100244.
