การประยุกต์ TreeNet® Regression ในการสร้างเส้นมาตรฐานของการทดสอบการอัดแน่นดิน

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) สำหรับการพยากรณ์ตัวแปรทางปฐพีกลศาสตร์ (Dry Density : DD) โดยอาศัยตัวแปรพยากรณ์หลักคือ Moisture content (MC) ผู้วิจัยได้ใช้แบบจำลองกลุ่มต้นไม้ (Tree-based ensemble model) กับชุดข้อมูลจำนวน 600 ตัวอย่าง และทำการปรับค่าพารามิเตอร์ที่เหมาะสมที่สุดผ่านกระบวนการตรวจสอบไขว้ 5 ส่วน (5-fold cross-validation) โดยประเมินประสิทธิภาพของแบบจำลองด้วยค่าสัมประสิทธิ์การตัดสินใจ (R-squared) และค่าความคลาดเคลื่อนเฉลี่ยสัมพัทธ์ (MAPE) ผลการวิจัยพบว่าแบบจำลองสุดท้ายที่ประกอบด้วยต้นไม้ 296 ต้น มีความสามารถในการทำนายบนชุดข้อมูลทดสอบได้อย่างน่าเชื่อถือ โดยมีค่า
R-squared เท่ากับ 48.73% และ MAPE เท่ากับ 12.14% โดยไม่พบปัญหาการเรียนรู้ที่มากเกินไป (Overfitting) ที่สำคัญ แบบจำลองสามารถจับความสัมพันธ์ที่มีความซับซ้อนและไม่ใช่เชิงเส้นตรง (Non-linear) ระหว่างตัวแปร MC และ DD ได้อย่างมีประสิทธิภาพ ซึ่งแสดงให้เห็นว่าอิทธิพลของ MC ต่อค่าพยากรณ์มีการเปลี่ยนแปลงไปในแต่ละช่วงค่า โดยสรุป การศึกษานี้แสดงให้เห็นถึงศักยภาพของเทคนิคการเรียนรู้ของเครื่องในการสร้างแบบจำลองพยากรณ์สำหรับปัญหาทางปฐพีกลศาสตร์ที่มีความสัมพันธ์ซับซ้อน และยืนยันว่า MC เป็นปัจจัยสำคัญอย่างยิ่งในการทำนายผลลัพธ์