ระบบจัดเก็บและค้นหางานวิจัยอัจฉริยะ

การทำนายพฤติกรรมการอบแห้งกระชายขาวภายใต้สุญญากาศด้วยแบบจำลองโครงข่าย ประสาทเทียม

ภาณุศักดิ์ มูลศรี | กระชายขาว การอบแห้งสุญญากาศ โครงข่ายประสาทเทียม

จำนวนผู้เข้าชม

Creative Commons License

การทำนายพฤติกรรมการอบแห้งกระชายขาวภายใต้สุญญากาศด้วยแบบจำลองโครงข่าย ประสาทเทียม is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 3.0 Thailand License.

เปิดลิงก์เอกสาร

EndNote OpenURL

Collection	RMUTK Research Repository (RMUTK IR) วารสารวิชาการ — e-Journal Articles
ID RMUTK Digital	RMUTK000117
Title	การทำนายพฤติกรรมการอบแห้งกระชายขาวภายใต้สุญญากาศด้วยแบบจำลองโครงข่าย ประสาทเทียม
Alternative title	PREDICTION OF VACUUM DRYING KINETICS OF FINGERROOT USING ARTIFICIAL NEURAL NETWORK MODELS
Authors	ภาณุศักดิ์ มูลศรี (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) ผู้แต่งหลัก สัญชัย รำเพยพัด (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) อภิเดช บุญเจือ (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) วิชชุพงษ์ วิบูลเจริญ (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) ศรันย์ คัมภีร์ภัทร (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) ไมตรี ธรรมมา (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) วริศราภรณ์ จรโคกกรวด (มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน) ดร.อำพล พิชัยเชิด
Faculty	คณะครุศาสตร์อุตสาหกรรม
Journal Title	Journal of Science and Technology Thonburi University
ISSN	2730-3837
Volume / Issue / Pages	Vol.10 \| No.1 \| pp.51-68
Published	2026-06-22
Year	2569
Level	ระดับชาติ (TCI) TCI กลุ่ม 2
Abstract	การอบแห้งเป็นกระบวนการหลังการเก็บเกี่ยวที่มีความสำคัญต่อคุณภาพ ความปลอดภัย และอายุการเก็บรักษาของ สมุนไพรและพืชสมุนไพร งานวิจัยนี้มุ่งเน้นการพัฒนาแบบจำลองโครงข่ายประสาทเทียม (Artificial Neural Network: ANN) เพื่อทำนายพฤติกรรมการอบแห้งของกระชายขาว (Boesenbergia rotunda) ภายใต้สภาวะสุญญากาศ โดยได้ทำการทดลอง อบแห้งที่ความดันสัมบูรณ์ 3 ระดับ (5, 10 และ 15 kPa) และความหนาตัวอย่าง 3 ระดับ (3, 5 และ 7 mm) โดยพิจารณาตัว แปรสำคัญ ได้แก่ ความชื้น (Moisture Content; MC) อัตราส่วนความชื้น (Moisture Ratio; MR) และอัตราการแห้ง (Drying Rate; DR) ผลการทดลองชี้ให้เห็นว่า การอบแห้งที่ความดันต่ำ 5 kPa ช่วยเพิ่มประสิทธิภาพในการคายน้ำ ทำให้ ระยะเวลาอบแห้งสั้นที่สุด ในขณะที่ความดันที่สูงขึ้นส่งผลให้การคายน้ำช้าลง แบบจำลอง ANN ที่พัฒนาขึ้นมีโครงสร้าง ประกอบด้วย 2 ชั้นซ่อน (Hidden Layers) พร้อมกลไกการหยุดก่อนเวลา (Early Stopping) และการปรับอัตราการเรียนรู้ (Learning Rate Reduction) เพื่อเพิ่มประสิทธิภาพการเรียนรู้ ผลการประเมินพบว่าแบบจำลองมีความสอดคล้องกับข้อมูล การทดลองอย่างดีเยี่ยม โดยได้ค่า R2 มากกว่า 0.98, ค่า RMSE ต่ำกว่า 0.03 และค่า MAPE อยู่ระหว่าง 3.8–10.9% แสดงให้ เห็นถึงความน่าเชื่อถือและความสามารถของ ANN ในการทำนายพฤติกรรมการอบแห้งภายใต้สภาวะสุญญากาศได้อย่าง Received: Aug 28, 2025 Revised: Jun 16, 2026 Accepted: แม่นยำ ดังนั้น การวิจัยครั้งนี้แสดงให้เห็นถึงศักยภาพของ ANN ในการประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพและควบคุม กระบวนการอบแห้งสุญญากาศของสมุนไพร ซึ่งมีประโยชน์ต่อการออกแบบระบบการอบในระดับอุตสาหกรรม การประหยัด พลังงาน และการคงคุณภาพของสมุนไพรที่มีคุณค่าทางยา คำสำคัญ : กระชายขาว, การอบแห้งสุญญากาศ, โครงข่ายประสาทเทียม, อัตราการแห้ง
Abstract (EN)	Drying is a crucial post-harvest process that significantly affects the quality, safety, and shelf-life of herbal materials. This study aimed to develop an Artificial Neural Network (ANN) model to predict the drying behavior of fingerroot (Boesenbergia rotunda) under vacuum conditions. Drying experiments were conducted at three absolute pressures (5, 10, and 15 kPa) and three sample thicknesses (3, 5, and 7 mm), with key response variables including moisture content (MC), moisture ratio (MR), and drying rate (DR). The results indicated that drying at a low pressure of 5 kPa enhanced moisture removal efficiency, resulting in the shortest drying time, whereas higher pressures slowed down the drying process. The developed ANN model consisted of two hidden layers and incorporated early stopping and learning rate reduction mechanisms to optimize training performance. Model evaluation showed excellent agreement with experimental data, with R2 values exceeding 0.98, RMSE below 0.03, and MAPE ranging from 3.8% to 10.9%, demonstrating the reliability and predictive capability of the developed ANN model for vacuum drying behavior prediction. This study highlights the potential of ANN for improving efficiency and controlling vacuum drying processes of herbal materials, contributing to industrial-scale dryer design, energy savings, and preservation of bioactive compounds in medicinal herbs. Keywords : Fingerroot, Vacuum Drying, Artificial Neural Network, Drying Rate
Keywords (TH)	กระชายขาว การอบแห้งสุญญากาศ โครงข่ายประสาทเทียม อัตราการแห้ง
Keywords (EN)	Fingerroot Vacuum Drying Artificial Neural Network Drying Rate
Access Level	Open Access (เปิดสาธารณะ)

ลิงก์แหล่งเผยแพร่

เอกสารฉบับเต็ม (ลิงก์ภายนอก)

https://ph03.tci-thaijo.org/index.php/trusci/article/view/4266

เปิดลิงก์