งานนี้พัฒนา LSTM สองแขนง global–local ผสาน multi-head cross-attention เพื่อพยากรณ์เส้นโค้งแรงดัดทั้งหมดของ UHPC เสริมเส้นใยบะซอลต์ขนาดมหภาค และทำ ablation ที่ประตูภายใน LSTM เพื่อทดสอบการ generalize ไปยังสูตรผสมที่ไม่เคยเห็น
ข้อค้นพบสำคัญ
- บางการดัดแปลง cell ให้ error และเวลา train ดีกว่า baseline โดย no-forget-gate ลด MSE 57.7% และ MAE 30.7% ผู้เขียนเสนอว่า gate บางส่วนอาจไม่จำเป็นสำหรับการตอบสนองเชิงกลที่มี regime change ในชุดข้อมูลนี้
ทำไมจึงมีความสำคัญระดับโลก
การพยากรณ์เส้นโค้งเต็มแทน peak strength เพียงค่าเดียวมีประโยชน์ต่อการออกแบบความเหนียว การแตกร้าว และ digital twin ของวัสดุก่อสร้าง และอาจลดจำนวนการทดสอบทำลายหากมีการยืนยันภายนอก
บทบาทของนักวิจัยไทย
นักวิจัยจากหน่วยตรวจสอบและเสริมกำลังโครงสร้าง มหาวิทยาลัยธรรมศาสตร์ร่วมเชื่อมข้อมูลทดลอง UHPC กับ machine learning ที่ออกแบบตามลักษณะการเปลี่ยน regime ของวัสดุ
ข้อจำกัดที่ควรรู้
บทคัดย่อไม่ให้จำนวน specimen/mixes การแบ่ง train-test uncertainty หรือ baseline อื่น เสี่ยง data leakage หากเส้นโค้งหรือสูตรใกล้กันอยู่ข้ามชุด และเปอร์เซ็นต์ error reduction อาจเริ่มจาก baseline ที่อ่อน ไม่มี physics constraint หรือ blind external laboratory test