น้ำท่วมต้องมี ‘ท่อ AI’ ท่อรางวัล James Dyson Award 2026

ทีมพัฒนาสหรัฐ เปิดตัวโปรโตไทป์ DrainWatch ระบบติดตามท่อระบายน้ำอัจฉริยะ ใช้เซ็นเซอร์อัลตราโซนิกตรวจระดับน้ำ ก่อนส่งข้อมูลให้ AI วิเคราะห์เครือข่ายท่อทั้งเมือง ตรวจจับจุดอุดตันและประเมินความเสี่ยงน้ำท่วมแบบใกล้เรียลไทม์

DrainWatch หนึ่งในผลงานที่ส่งเข้าประกวด James Dyson Award 2026 พัฒนาแนวคิดระบบตรวจสอบโครงสร้างพื้นฐานด้านท่อระบายน้ำและท่อน้ำเสียในเมือง โดยผสานเซ็นเซอร์เข้ากับ Machine Learning เพื่อช่วยให้หน่วยงานท้องถิ่นมองเห็นสภาพของระบบท่อใต้เมืองได้ต่อเนื่อง

โปรโตไทป์นี้เกิดขึ้นจากงานวิจัยด้านการรับมือปัญหาน้ำฝนในเมือง ได้รับทุนสนับสนุนจาก National Science Foundation (NSF) ที่ Illinois Tech เนื่องด้วยปัญหาระบบท่อเมืองจำนวนมากมีอายุเก่า ขณะที่มาตรฐานการออกแบบเดิมอาจไม่สอดคล้องกับปริมาณฝนและสภาพภูมิอากาศในปัจจุบัน

ทีมพัฒนาระบุว่า ปัญหาไม่ได้มีเพียงฝนที่ตกหนักขึ้น แต่เมืองจำนวนมากยังขาดข้อมูลว่าเกิดอะไรขึ้นภายในระบบท่อใต้ดิน

ตัวอย่างเช่น ในชิคาโก ท่อระบายน้ำจะได้รับการตรวจสอบตามรอบประมาณ 3 ปี เว้นแต่มีประชาชนร้องขอให้ตรวจสอบ ซึ่งในหลายกรณีหมายความว่า ปัญหาอาจเกิดขึ้นแล้วก่อนที่เจ้าหน้าที่จะเข้าไปตรวจ

เซ็นเซอร์ไม่กี่ตัว แต่พยายามมองให้เห็นท่อทั้งระบบ

DrainWatch แก้โจทย์ดังกล่าวโดยไม่จำเป็นต้องติดเซ็นเซอร์ในท่อทุกเส้น แต่เลือกติดตั้งเซ็นเซอร์อัลตราโซนิกตามจุดยุทธศาสตร์ของเครือข่าย

ตัวเซ็นเซอร์ติดตั้งภายในบ่อพักด้วยโครงยึดแบบโมดูลาร์ ทำหน้าที่วัดระดับน้ำภายในท่อ ก่อนส่งข้อมูลผ่านคลื่นวิทยุ Sub-GHz ไปยังอุปกรณ์รับส่งสัญญาณเหนือพื้นดินที่ใช้พลังงานแสงอาทิตย์ จากนั้นจึงส่งข้อมูลผ่านเครือข่ายโทรศัพท์มือถือไปยังเซิร์ฟเวอร์

จุดสำคัญอยู่ที่ขั้นตอนหลังจากนั้น เพราะ DrainWatch ใช้ Graph Neural Network (GNN) ซึ่งเป็นโมเดล Machine Learning ที่เหมาะกับการวิเคราะห์ข้อมูลซึ่งมีความสัมพันธ์กันเป็นเครือข่าย มาประกอบกับข้อมูลระบบสารสนเทศภูมิศาสตร์ หรือ GIS ของเครือข่ายท่อ

ระบบจึงดูได้ว่า “เซ็นเซอร์จุดนี้มีน้ำสูงเท่าไร” และ ประมาณสภาพการไหลของน้ำในเครือข่ายท่อส่วนอื่น ๆ ด้วย

โมเดลยังผสมหลักฟิสิกส์ของระบบระบายน้ำเข้ากับ Machine Learning โดยเริ่มฝึกจากแบบจำลองท่อสังเคราะห์ ก่อนปรับให้เข้ากับข้อมูลระบบท่อของแต่ละเมือง และเรียนรู้เพิ่มเติมจากข้อมูลจริงที่เซ็นเซอร์ส่งเข้ามาอย่างต่อเนื่อง

ท่อเริ่มตัน ระบบจับความผิดปกติได้

หนึ่งในความสามารถที่น่าสนใจที่สุดคือ การตรวจจับการอุดตันของท่อ

DrainWatch เปรียบเทียบระดับน้ำที่แบบจำลองคาดว่าจะเกิดขึ้นกับระดับน้ำที่เซ็นเซอร์ตรวจวัดได้จริง หากข้อมูลสองส่วนมีความผิดปกติแตกต่างกัน ระบบสามารถแจ้งจุดที่อาจเกิดปัญหาให้เจ้าหน้าที่ตรวจสอบ

เมื่อเกิดฝนตก ระบบยังสามารถอัพเดตการประเมินความเสี่ยงน้ำท่วมแบบใกล้เรียลไทม์ ช่วยให้หน่วยงานจัดลำดับว่าพื้นที่หรือท่อจุดใดควรได้รับการตรวจสอบก่อน

แนวคิดสำคัญของทีมพัฒนาจึงอยู่ที่การใช้ เซ็นเซอร์จำนวนไม่มาก แต่ใช้ AI เติมข้อมูลส่วนที่มองไม่เห็น เพื่อสร้างภาพรวมของเครือข่ายท่อขนาดใหญ่ แทนการติดเซ็นเซอร์ราคาแพงในทุกจุด

เป้าหมายคือเปลี่ยนการบริหารจัดการระบบท่อจากรูปแบบ Reactive หรือรอให้เกิดท่อตัน น้ำเอ่อ หรือประชาชนร้องเรียนแล้วจึงเข้าไปแก้ไข ไปสู่ Proactive Management ที่ใช้ข้อมูลประเมินความเสี่ยงและวางแผนบำรุงรักษาล่วงหน้า

ปัจจุบัน DrainWatch ยังเป็นโครงการพัฒนาและผลงานประกวด ไม่ใช่ระบบที่ถูกติดตั้งครอบคลุมเมืองชิคาโกทั้งหมด โดยต้นแบบรุ่นปัจจุบันผ่านการออกแบบและทดสอบในพื้นที่มหาวิทยาลัย และผลงานการออกแบบได้รับรางวัล Best in Show และ Best in Environmental Impact เมื่อเดือนพฤษภาคม 2569

ทีมผู้พัฒนาประกอบด้วย Beth Martini, Trevin Cox และ Michael Sansone โดย DrainWatch เป็นหนึ่งในผลงานที่ส่งเข้าประกวด James Dyson Award ประจำปี 2026