การพยากรณ์วิถีการเคลื่อนที่ของจรวดขวดน้ำโดยใช้โครงข่ายประสาทเทียมที่ฝังหลักฟิสิกส์ (PINNs) เปรียบเทียบกับโมเดลเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
จรวดขวดน้ำเป็นสื่อการทดลองที่ช่วยเสริมสร้างความเข้าใจแนวคิดฟิสิกส์พื้นฐาน เช่น กฎการเคลื่อนที่ของนิวตันและการเคลื่อนที่แบบโปรเจกไทล์ งานวิจัยนี้นำเสนอการเปรียบเทียบประสิทธิภาพระหว่างโมเดลโครงข่ายประสาทเทียมเชิงลึก (Deep Learning: DL) และโครงข่ายประสาทเทียมที่ฝังหลักฟิสิกส์ (Physics-Informed Neural Networks: PINNs) ในการพยากรณ์วิถีการเคลื่อนที่ของจรวดขวดน้ำแบบสองมิติ โดยใช้ข้อมูลการทดลองจากการปล่อยจรวดภายใต้แรงดันระหว่าง 1.5 2.2 2.7 และ 3.0 บาร์ และปริมาณน้ำระหว่าง 100 ถึง 300 มิลลิลิตร ข้อมูลถูกบันทึกจากวิดีโอแล้วนำมาประมวลผลเป็นตำแหน่งเชิงเวลา ทั้งสองโมเดลได้รับการฝึกด้วยชุดข้อมูลเดียวกันโดยใช้พารามิเตอร์การฝึกเช่นเดียวกันผลการทดลองพบว่าโมเดล PINN ให้ค่าคลาดเคลื่อนเฉลี่ยรากที่สอง (RMSE) เท่ากับ 0.2949 เมตร ขณะที่โมเดล MLP ให้ค่า RMSE เท่ากับ 0.3158 เมตร ผลลัพธ์นี้แสดงให้เห็นว่าการผนวกสมการการเคลื่อนที่ซึ่งเป็นกฎเกณฑ์ทางกายภาพเข้าไปในกระบวนการเรียนรู้ของ PINN ช่วยให้โมเดลมีความทนทานต่อความไม่สมบูรณ์และสัญญาณรบกวนในข้อมูลจริงได้ดีกว่า ส่งผลให้การทำนายมีความน่าเชื่อถือและแม่นยำสูงกว่าโมเดลที่เรียนรู้จากข้อมูลเพียงอย่างเดียว
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Goodfellow, I., Bengio, Y. and Courville, A. (2016). Deep learning. Cambridge: MIT Press.
Hesthaven, J.S. and Ubbiali, S. (2018). Non-intrusive reduced order modeling of nonlinear problems using neural networks. Journal of Computational Physics 363: 55 - 78. doi: 10.1016/j.jcp.2018.02.037.
Karniadakis, G.E., Kevrekidis, I.G., Lu, L., Perdikaris, P., Wang, S. and Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics 3(6): 422 - 440. doi: 10.1038/s42254-021-00314-5.
LeCun, Y., Bengio, Y. and Hinton, G. (2015). Deep learning. Nature 521: 436 - 444. doi: 10.1038/nature14539.
Marranghello, G.F., Lucchese, M.M. and da Rocha, F.S. (2022). Analysis of the propulsion phase of water rockets using smartphone sensors and video analysis. The Physics Teacher 60(6): 437 - 440. doi: 10.1119/10.0013856.
Putra, R.D. and Sakti, A.W. (2022). Student development: Implementation of water rocket media as a project-based learning tool to improve the literacy of junior high school students during the pandemic. ASEAN Journal for Science Education 1(1): 1 - 8.
Raissi, M., Perdikaris, P. and Karniadakis, G.E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics 378: 686 - 707. doi: 10.1016/j.jcp.2018.10.045.
