การหาค่าเหมาะสมที่สุดแบบจำลองตัวแทนที่ใช้การถดถอยกระบวนการเกาส์เซียนและวิธีฝูงอนุภาคสำหรับปัญหาการออกแบบทางวิศวกรรม
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอการหาค่าเหมาะที่สุดแบบจำลองตัวแทน (Surrogate Model Optimization; SMO) เพื่อการออกแบบทางด้านวิศวกรรม SMO ที่ถูกนำเสนอในบทความนี้มีกระบวนการหาคำตอบเพื่อให้ใช้คำตอบที่สร้างขึ้นจำนวนน้อย และมีการปรับสเกลตัวแปรก่อนทำแบบจำลองตัวแทน เพื่อให้มีตัวแปรแต่ละตัวมีผลกระทบต่อการหาคำตอบใกล้เคียงกัน โดยประยุกต์ใช้ขั้นตอนวิธีการเรียนรู้ของเครื่องแบบการถดถอยร่วมกับขั้นตอนวิธีหาค่าเหมาะที่สุด โดยขั้นตอนวิธีการเรียนรู้ของเครื่องแบบถดถอยที่เลือกเพื่อประเมินได้แก่ การถดถอยด้วยกระบวนการเกาส์เซียน (GPR), การถดถอยซัพพอร์ตเวกเตอร์ (SVR), และโครงข่ายประสาทเทียม (ANN) ขณะที่ขั้นตอนวิธีหาค่าเหมาะที่สุดที่ใช้คือ Particle Swarm Optimization (PSO) ซึ่งจากการทดสอบด้วยปัญหาฟังก์ชันมาตรฐานพบว่า SMO ที่ใช้ GPR ร่วมกับ PSO มีประสิทธิภาพสูงที่สุด และดีกว่าเทคนิคทางด้านการออกแบบการทดลองซึ่งก็คือวิธีทากูชิ โดยจาก 3 ปัญหาฟังก์ชันมาตรฐาน SMO ใช้ GPR ร่วมกับ PSO ดังกล่าวมีความคลาดเคลื่อนเฉลี่ยเท่ากับ 0.0001, 0.0000, 0.0856 ขณะที่วิธีทากูชิมีความคลาดเคลื่อนเฉลี่ยเท่ากับ 0.0000, 0.1249, 1.0000 ตามลำดับ SMO ที่ใช้ GPR ร่วมกับ PSO สามารถแก้ไขปัญหาการออกแบบทางด้านวิศวกรรมมาตรฐานและปัญหาการออกแบบคำนวณเชิงตัวเลขโดย Solidworks ได้อย่างดี โดยให้ค่าวัตถุประสงค์การออกแบบที่มีความคลาดเคลื่อนจากผลเฉลยแม่นตรง (Exact Solution) เพียง 0.63 % และ 0.58 % สำหรับ 2 ปัญหาการออกแบบทางด้านวิศวกรรมมาตรฐานซึ่งทราบผลเฉลยแม่นตรง ดังนั้น SMO ที่ใช้ GPR ร่วมกับ PSO จึงเหมาะสมสำหรับการหาค่าเหมาะที่สุดแบบจำลองตัวแทนสำหรับปัญหาการออกแบบวิศวกรรม
Article Details
เอกสารอ้างอิง
H. Zhu, Z. Zhou, M. Wang, X. Yu, Y. Wu. C. Chen, and J. Qiao, “Integrated Design Optimization Method for Pavement Structure and Materials Based on Further Development of Finite Element and Particle Swarm Optimization Algorithm,” Construction and Building Materials, vol. 426, 136080, 2024.
X. Li., H. Su., J. Yang, G. Gao, and Y. Wang, “NURBS-boundary-based Quadtree Scaled Boundary Finite Element Method Study for Irregular Design Domain,” Engineering Analysis with Boundary Elements, vol. 159, pp. 418-433, February 2024.
S. Zhang, C. Deng, F. Wei, J. Li, X. Luo, and J. Ma, “Efficient Structure Optimization of Downhole Thermal Management System via Transfer Learning Surrogate Modeling,” Journal of Energy Storage, vol. 151, 120543, 2026.
R. Dai, J. Jie, Z. Wang, H. Zheng, and W. Wang, “Automated Surrogate-assisted Particle Swarm Optimizer With an Adaptive Parental Guidance Strategy for Expensive Engineering Optimization Problems,” Journal of Computational Design and Engineering, vol. 12, no. 3, pp.145-183, March 2025.
P. Manmatharasan, G. Bitsuamlak, and K. Grolinger, “AI-driven Design Optimization for Sustainable Buildings: A Systematic Review,” Energy and Buildings, vol. 332, 115440, April 2025.
C. Yang, J. Yang, and Y. Qin, “Research on Comparative of Multi-surrogate Models to Optimize Complex Truss Structures,” KSCE Journal of Civil Engineering, vol. 28, no. 6, pp. 2268-2278, 2024.
H. Xie, T. Wang, D. Meng, W. Zeng, and L. Guo, “Efficient Optimization of Noise-reducing Orifice Plates in Nature Gas Pressure Regulators Based on Adaptive Multi-scale Sampling-kriging Model,” Scientific Reports, vol. 16, 5872, 2026.
T. Kohno, N. Funayama, L. Xiao, S. Yamaguchi, and S. Imazato, “Predicting and Optimizing Viscosity of Dental Resin Composites With Gaussian Process Regression and Bayesian Optimization,” Dental Materials, vol. 42, no. 7, pp. 1112-1119, 2026.
J. J. Dang, S. Park, Y. Kim, “Design Optimization of Half-wave Resonator (Hwr) With a Machine Learning-based Framework Using Gaussian Process Regression and Multi-objective Genetic Algorithms,” Nuclear Engineering and Technology, vol. 58, no. 9, 104393, 2026.
Y. Yang, X. Song, Z. Deng, and J. Yu, “Gaussian Process Regression-Based Optimization of Fan-Shaped Film Cooling Holes on Concave Walls,” Fluid Dynamics and Materials Processing, vol. 22, no. 1, 9, 2026.
Z. Zheng, Q. Xu, Y. Feng, Y. Dai, Z. Chen, and Y. Wu, “Optimization Design of a Pre-swirl Duct for a Container Ship: A Simulation-based Design Method Integrating a Support Vector Regression Surrogate Model,” Ocean Engineering, vol. 352, part 1, 124574, 2026.
E. Mohammadipour, F. Adib, and M. Ghorbani, “Machine Learning–guided Optimization of PEO Coating Parameters Using Support Vector Regression for Enhanced Corrosion Resistance of AZ31 Magnesium Alloy,” Results in Engineering, vol. 29, 109408, 2026.
Z. Wang, C. Zheng, J. A. Mulyanto, Y. Wu, M. Chen, G. Yang, “Artificial Neural Network Surrogate Modeling and NSGA-II Algorithm-driven Aerodynamic Optimization for Wind-resilient and Sustainable Supertall Buildings,” Advanced Engineering Informatics, vol. 69, part D, 104047, 2026.
A. Allouhi, M. B. Amine, K. A. T. Aoul, “Metaheuristic Multi-objective Optimization With Artificial Neural Networks Surrogate Modeling for Optimal Energy-economic Performance for CSP Technology,” Energy and AI, vol. 20, 100488, 2025.
J. Kennedy, R. Eberhart, R. “Particle Swarm Optimization”. Proceedings of IEEE International Conference on Neural Networks, vol. 4, pp.1942–1948, 1995.
F. Ülker, S. Emiroglu, and Y. Uyaroglu, “A Combined Double Chaotic Maps and Subswarm Based Enhanced Particle Swarm Optimization for Global Optimization and Engineering Design Problems,” Alexandria Engineering Journal, vol. 142, pp. 91-113. April 2026.
K. Djermouni, S. Tamalouzt, A. Berboucha, K. F. Sayeh, L. Abad, Y. Belkhier, M. Benbouzid, “Improving Real-time Photovoltaic Power Delivery Through Integrated Advanced Fault Localization and Particle Swarm Optimization,” Applied Energy, vol. 414, 127786, 2026.
W. C. Weng, F. Yang, and A. Elsherbeni, “Electromagnetics and Antenna Optimization Using Taguchi’s Method,” Synthesis Lectures on Computational Electromagnetics, vol. 2, no 1, pp.1-94, 2007.
C. Lyu, Y. Song, D. Yang, W. Wang, S. Zhu, Y. Ge, L. Wang, “Surrogate Model of Liquid Cooling System for Lithium-Ion Battery Using Extreme Gradient Boosting,” Applied Thermal Engineering, vol. 213, 118675, 2022.
M. Matsunaga, C. Fujio, H. Ogawa, Y. Higa, and T. Handa, “Nozzle Design Optimization for Supersonic Wind Tunnel by Using Surrogate-Assisted Evolutionary Algorithms,” Aerospace Science and Technology, vol. 130, 107879, 2022.
L. Mustapha, H. Thorel, and Y,. E. Herpe, “Design of Experiments to Assess the Effect of Culture Components on Metabolism Expression and Albumin Secretion in Heparg Cell Line,” Pharmacological Research - Reports, vol. 5, 100084, 2026.
A. R. Parkinson, R. J. Balling, and J. D. Hedengren Optimization Methods for Engineering Design, Brigham Young University Press, 2013.
