มคอ.3 รายละเอียดของกระบวนวิชา
1. ข้อมูลทั่วไปของกระบวนวิชา
วิชาบังคับก่อน
ไม่มี
พื้นฐานที่แนะนำ
- Structural Analysis
- Basic probability and statistics
- Basic programming, preferably Python
- Structural Dynamics เป็นประโยชน์สำหรับข้อมูลการสั่นสะเทือนและ SHM
2. คำอธิบายกระบวนวิชา
ภาษาไทย
หลักการของปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และการวิเคราะห์ข้อมูลสำหรับวิศวกรรมโครงสร้าง วงจรชีวิตข้อมูลทางวิศวกรรมโครงสร้าง การจัดเตรียมและทำความสะอาดข้อมูล การวิเคราะห์ข้อมูลเชิงสำรวจ การลดมิติและการสกัดคุณลักษณะ วิธีการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน การถดถอย การจำแนกประเภท การจัดกลุ่ม การตรวจจับความผิดปกติ การวิเคราะห์ข้อมูลอนุกรมเวลาและข้อมูลจากการตรวจวัดโครงสร้าง การประเมินและตรวจสอบแบบจำลอง การป้องกันการเกิด overfitting และ data leakage การอธิบายแบบจำลองและการประเมินความสำคัญของตัวแปร ความไม่แน่นอนและความน่าเชื่อถือของผลพยากรณ์ การบูรณาการความรู้ทางฟิสิกส์และกลศาสตร์โครงสร้างกับแบบจำลองข้อมูลเบื้องต้น การประยุกต์ใช้กับการพยากรณ์การตอบสนองของโครงสร้าง การประมาณค่าพารามิเตอร์ การตรวจจับความเสียหาย การประเมินสภาพโครงสร้าง และการสนับสนุนการตัดสินใจทางวิศวกรรม ตลอดจนข้อจำกัด จริยธรรม และการใช้ AI อย่างรับผิดชอบในงานวิศวกรรมโครงสร้าง
English
Principles of artificial intelligence, machine learning, and data analytics for structural engineering; structural engineering data lifecycle; data preparation and cleaning; exploratory data analysis; dimensionality reduction and feature extraction; supervised and unsupervised learning; regression, classification, clustering, and anomaly detection; time-series analysis and structural monitoring data; model evaluation and validation; prevention of overfitting and data leakage; model interpretability and feature importance; uncertainty and reliability of predictions; introductory integration of physics and structural mechanics with data-driven models; applications to structural response prediction, parameter estimation, damage detection, condition assessment, and engineering decision support; limitations, ethics, and responsible use of AI in structural engineering.
3. วัตถุประสงค์ของกระบวนวิชา
กระบวนวิชานี้มุ่งให้นักศึกษาสามารถใช้แนวคิดด้าน AI และ Data Analytics เพื่อแก้ปัญหาทางวิศวกรรมโครงสร้างอย่างเป็นระบบ โดยไม่มองแบบจำลอง AI เป็น black box แต่เชื่อมโยงข้อมูล แบบจำลอง และผลลัพธ์กับกลศาสตร์โครงสร้างและข้อจำกัดทางวิศวกรรม
นักศึกษาควรสามารถพิจารณาได้ว่าข้อมูลใดเหมาะสม แบบจำลองใดเหมาะสม ผลพยากรณ์น่าเชื่อถือเพียงใด ผลลัพธ์สอดคล้องกับกลศาสตร์หรือไม่ และจะนำผลไปใช้ในการตัดสินใจทางวิศวกรรมอย่างไร
4. Course Learning Outcomes (CLOs)
| CLO | ผลลัพธ์การเรียนรู้ |
|---|---|
| CLO1 | Explain fundamental concepts of AI, machine learning, and data analytics in the context of structural engineering problems. |
| CLO2 | Prepare, explore, visualize, and engineer features from structural engineering datasets using appropriate computational tools. |
| CLO3 | Develop and apply suitable regression, classification, clustering, and anomaly-detection models to structural engineering problems. |
| CLO4 | Evaluate, validate, interpret, and quantify the limitations and uncertainty of data-driven models using engineering-relevant criteria. |
| CLO5 | Integrate structural engineering knowledge with data-driven methods to design and communicate an AI-based solution for a structural engineering application. |
5. ความสัมพันธ์ระหว่าง CLO และ PLO
| CLO | PLO1 | PLO2 | PLO3 | PLO4 |
|---|---|---|---|---|
| CLO1 | ✓ | ✓ | ||
| CLO2 | ✓ | ✓ | ||
| CLO3 | ✓ | ✓ | ||
| CLO4 | ✓ | ✓ | ✓ | |
| CLO5 | ✓ | ✓ | ✓ | ✓ |
6. แนวทางการจัดการเรียนการสอน
แม้กำหนดเป็น 3(3-0-6) แต่ควรใช้รูปแบบการเรียนแบบผสมระหว่างแนวคิดทางทฤษฎี การเขียนโปรแกรม การวิเคราะห์ข้อมูล และการตีความเชิงวิศวกรรม
- ใช้ Python เป็นเครื่องมือหลัก
- ใช้ structural engineering datasets จริงหรือจำลอง
- เปรียบเทียบ baseline model กับ machine-learning model
- เน้น train/validation/test separation อย่างถูกต้อง
- แยก predictive performance ออกจาก engineering validity
- ตรวจสอบผลด้วยหลักกลศาสตร์โครงสร้างหรือแบบจำลองเชิงฟิสิกส์เมื่อเหมาะสม
7. แผนการสอนรายสัปดาห์ 15 สัปดาห์
| สัปดาห์ | หัวข้อ | เนื้อหา/กิจกรรมสำคัญ | ชม. |
|---|---|---|---|
| 1 | Introduction to AI and Data Analytics in Structural Engineering | บทบาทของ AI/ML ในงานโครงสร้าง; data-driven vs physics-based approaches; problem formulation; examples in structural analysis, design, SHM, inspection, and asset management; AI workflow | 3 |
| 2 | Structural Engineering Data and Python Workflow | ชนิดของข้อมูล: numerical, categorical, time series, sensor data, simulation data; data tables and arrays; Python workflow with NumPy, Pandas, Matplotlib; reproducible analysis | 3 |
| 3 | Data Cleaning and Exploratory Data Analysis | Missing data, outliers, scaling, normalization, data quality; descriptive statistics; distributions; correlation; visualization; engineering interpretation of patterns | 3 |
| 4 | Feature Engineering and Dimensionality Reduction | Domain-informed features; statistical and structural features; normalization; transformations; PCA; feature selection; avoiding redundant or non-physical features | 3 |
| 5 | Regression for Structural Engineering | Linear and polynomial regression; regularization; tree-based regression; applications to response prediction, demand estimation, stiffness/parameter estimation; baseline models | 3 |
| 6 | Classification for Structural Condition Assessment | Logistic regression; decision trees; ensemble concepts; damage/condition classes; confusion matrix; precision, recall, F1-score; class imbalance | 3 |
| 7 | Model Evaluation, Validation and Generalization | Train/validation/test split; cross-validation; bias-variance tradeoff; overfitting; hyperparameter tuning; data leakage; engineering-relevant metrics | 3 |
| 8 | Midterm Assessment + Applied Machine Learning Workshop | Midterm assessment; integrated regression/classification exercise with structural dataset; interpretation of model errors and limitations | 3 |
| 9 | Unsupervised Learning and Structural Pattern Discovery | Clustering; K-means; hierarchical clustering; PCA-assisted visualization; grouping structural response patterns; exploratory condition assessment | 3 |
| 10 | Anomaly Detection for Structural Monitoring | Statistical baselines; distance-based and density-based approaches; one-class concepts; novelty detection; false alarms; anomaly detection for SHM data | 3 |
| 11 | Time-Series and Sensor Data Analytics | Time-series structure; segmentation; rolling statistics; trend and seasonality; feature extraction from vibration/monitoring data; handling temporal dependence; introduction to forecasting | 3 |
| 12 | Model Interpretability and Engineering Consistency | Feature importance; partial dependence concepts; local vs global explanations; sensitivity; checking model outputs against mechanics, trends, limits, and domain knowledge | 3 |
| 13 | Uncertainty, Reliability and Physics-Informed AI | Sources of uncertainty; prediction intervals/probabilistic prediction concepts; robustness; extrapolation risk; introduction to physics-guided/physics-informed machine learning; hybrid physics-data models | 3 |
| 14 | AI System Design for Structural Engineering | End-to-end pipeline; problem definition, dataset design, model selection, validation, deployment considerations, monitoring model drift, responsible AI; project workshop | 3 |
| 15 | Project Presentation and Future Directions | Student project presentations; critique of model validity; lessons learned; links to SHM, Computer Vision, Digital Twin, optimization, and autonomous decision-support systems | 3 |
| รวม | 45 | ||
8. โครงสร้างความรู้ของกระบวนวิชา
Weeks 1–3
AI & Data Foundations
Weeks 4–8
Feature & Predictive Modeling
Weeks 9–11
Pattern & Monitoring Analytics
Weeks 12–13
Trustworthy Engineering AI
Weeks 14–15
System Integration
9. การประเมินผล
| วิธีการประเมิน | น้ำหนัก | CLO |
|---|---|---|
| Data-analysis assignments | 20% | CLO2–4 |
| Machine-learning exercises / coding tasks | 20% | CLO2–4 |
| Midterm examination | 20% | CLO1–4 |
| AI for Structural Engineering Project | 30% | CLO2–5 |
| Project presentation | 10% | CLO5 |
| รวม | 100% |
10. Term Project
Develop and Validate an AI/Data Analytics Solution for a Structural Engineering Problem
ตัวอย่างหัวข้อ: Structural response prediction, demand/capacity surrogate modeling, parameter estimation, damage/condition classification, SHM anomaly detection, sensor data analytics, structural model calibration support และ maintenance/inspection decision support
ตัวอย่างโจทย์
Develop and validate a machine-learning model for identifying changes in structural condition from vibration-based features.
องค์ประกอบขั้นต่ำของโครงการ:
- Problem definition and engineering objective
- Description and provenance of dataset
- Data quality assessment
- Exploratory data analysis
- Feature engineering
- Baseline model
- AI/ML model selection
- Validation strategy
- Appropriate performance metrics
- Engineering interpretation of model outputs
- Discussion of uncertainty, limitations, and extrapolation
- Final engineering recommendation
11. Software และเครื่องมือที่เหมาะสม
| ประเภท | ตัวเลือก |
|---|---|
| Programming | Python |
| Data manipulation | NumPy, Pandas |
| Visualization | Matplotlib / Plotly |
| Machine Learning | scikit-learn |
| Scientific computing | SciPy |
| Optional deep learning | PyTorch หรือ TensorFlow/Keras เฉพาะกรณีศึกษา |
| Notebook environment | Jupyter Notebook / JupyterLab |
| Data sources | Structural analysis results, FE simulation datasets, SHM datasets, material/experimental datasets |
12. ขอบเขตของกระบวนวิชา
กระบวนวิชานี้เน้น tabular data, numerical data และ time-series/sensor data สำหรับงานวิศวกรรมโครงสร้าง ขณะที่หัวข้อเฉพาะด้านอื่นควรเชื่อมโยงไปยังรายวิชาอื่นของ Intelligent Structural Engineering
- Image-based deep learning และ object detection → Computer Vision for Structural Inspection
- Sensor hardware, DAQ และ modal identification เชิงลึก → Structural Health Monitoring and Smart Sensing
- Real-time state synchronization และ digital representation → Digital Twin for Structures and Infrastructure
- Lifecycle prioritization และ maintenance optimization → Structural Asset Management and Decision Support
Is the model not only accurate, but also valid, interpretable, and useful for an engineering decision?
13. ตำแหน่งของกระบวนวิชาใน Intelligent Structural Engineering
↓
Structural Health Monitoring and Smart Sensing
↓
AI and Data Analytics for Structural Engineering
↓
Computer Vision / Digital Twin
↓
Structural Asset Management and Decision Support
กระบวนวิชานี้ทำหน้าที่เป็นแกนด้าน data-driven intelligence ของกลุ่ม Intelligent Structural Engineering โดยเชื่อมข้อมูลทางวิศวกรรมกับการพยากรณ์ การตรวจจับ การตีความ และการตัดสินใจ