เมื่อคลองเต็ม: ดิจิทัลทวินสำหรับระบบระบายน้ำ และบทเรียนจากน้ำท่วมกรุงเทพฯ กันยายน 2569

วันที่ 26 กันยายน 2569 หลังฝนตกเกือบต่อเนื่อง 48 ชั่วโมง และบางพื้นที่มีปริมาณฝนสะสมเกือบ 300 มม. กรุงเทพมหานครประกาศให้ทั้ง 50 เขตเป็นพื้นที่ประสบสาธารณภัย สถานีสูบน้ำทั้งหมดเดินเครื่องเต็มกำลัง รวมกันราว 1,200 ลูกบาศก์เมตรต่อวินาที และผู้ว่าฯ สรุปสถานการณ์ไว้ประโยคเดียวว่า ปัญหาคือคลองเต็ม

ขอส่งกำลังใจให้ทุกบ้าน ทุกร้าน และทุกชุมชนที่ยังต้องรับมือกับน้ำอยู่ในขณะนี้ บทความนี้ไม่ได้พูดถึงการกู้ภัยเฉพาะหน้า แต่พูดถึงสิ่งที่จะสำคัญหลังน้ำลด: ทำไม เมืองที่มีอุโมงค์ระบายน้ำยักษ์ 4 แห่งและจุดตรวจวัดแบบเรียลไทม์กว่า 300 จุด ยังท่วมได้ และเครื่องมือแบบไหนจะช่วยให้ผู้ควบคุมระบบตัดสินใจได้ดีขึ้นในครั้งหน้า

คำตอบสั้น ๆ คือ นี่เป็นปัญหาของ เครือข่าย The Nation รายงานการประเมินของคุณชวลิต จันทรรัตน์ ผู้เชี่ยวชาญด้านน้ำ ว่าสาเหตุหลักคือฝนที่ระบบระบายน้ำในพื้นที่ระบายออกไม่ทัน ไม่ใช่น้ำเจ้าพระยาล้นตลิ่ง แม่น้ำยังต่ำกว่าตลิ่งราว 40 ซม. ที่จุดตรวจวัดสองจุด แต่คลองที่ระดับน้ำใกล้ตลิ่งทำให้น้ำฝนจากถนนไหลลงระบบระบายได้ช้า น้ำจึงค้างอยู่บนถนน

นี่คือระบบที่ทุกส่วนผูกกัน และระบบแบบนี้คือสิ่งที่ดิจิทัลทวินถูกสร้างมาเพื่อจัดการ

1. ทำไม "คลองเต็ม" จึงเป็นโจทย์ของการสร้างแบบจำลอง

สำนักการระบายน้ำ กทม. อธิบายความเสี่ยงของเมืองด้วยแนวคิด"สามน้ำ" คือ น้ำเหนือ น้ำหนุน และน้ำฝน โดยน้ำฝนกลายเป็นปัจจัยที่น่ากังวลที่สุดจาก "ฝนระเบิด" ที่ตกหนักในเวลาสั้น การบรรยายเดียวกันเมื่อเดือนมิถุนายน 2569 ระบุว่า กทม. เพิ่มขีดความสามารถระบายน้ำฝนจาก 60 เป็น 80 มม. ต่อชั่วโมง มีอุโมงค์ระบายน้ำขนาดใหญ่ใช้งานแล้ว 4 แห่ง และมีแก้มลิงใต้ดิน "Water Bank" รับน้ำช่วง 15 นาทีแรกของฝนหนัก

ทั้งหมดนี้เป็นการพัฒนาที่เกิดขึ้นจริง แต่ตัวเลขมิลลิเมตรต่อชั่วโมงอธิบายได้เพียงขั้นเดียวของห่วงโซ่:

1. ฝนตกบนถนนและหลังคา ไหลลงบ่อพักริมถนน
2. ท่อระบายน้ำพาน้ำไปลงคลอง
3. คลองพาน้ำไปยังสถานีสูบน้ำและปากอุโมงค์
4. เครื่องสูบและอุโมงค์ส่งน้ำลงเจ้าพระยา

แต่ละขั้นทำงานได้ดีเท่าที่ขั้น ถัดไป ยอมให้ เมื่อน้ำในคลองใกล้ตลิ่ง ท่อที่ระบายลงคลองก็ไหลช้าลง เมื่อท่อเอ่อ บ่อพักริมถนนก็รับน้ำไม่ได้ เครื่องสูบต้องยกน้ำขึ้นสูงกว่าเดิมจึงสูบได้น้อยลง ระดับน้ำในคลองที่สูงขึ้นเพียงไม่กี่สิบเซนติเมตร อาจเปลี่ยนได้ว่าถนนเส้นไหนท่วมและท่วมนานแค่ไหน และฝน 100–150 มม. ต่อวันติดต่อกันสองวัน คือบททดสอบของความจุและสถานะของทั้งระบบ ไม่ใช่แค่ความสามารถระบายสูงสุดต่อชั่วโมง

ไม่มีตัวเลขเดียวบนแดชบอร์ดที่จับเรื่องนี้ได้ แต่แบบจำลองของเครือข่ายจับได้

2. ดิจิทัลทวินคืออะไร และไม่ใช่อะไร

เราเคยเขียนบทแนะนำดิจิทัลทวินแบบทั่วไปไว้แล้ว สำหรับระบบระบายน้ำ นิยามที่ใช้งานได้จริงแคบกว่านั้น ดิจิทัลทวินของระบบระบายน้ำมี 3 ส่วน:

• แบบจำลองของเครือข่าย พื้นที่รับน้ำ ท่อ คลอง บ่อหน่วงน้ำ เครื่องสูบ ประตูระบายน้ำ และจุดปล่อยน้ำ พร้อมขนาดและความสามารถจริง
• การซิงก์ข้อมูลสด ค่าจากเซ็นเซอร์ ทั้งระดับน้ำในคลองและบ่อสูบ เครื่องวัดฝน เรดาร์ สถานะเครื่องสูบและประตูน้ำ ระดับแม่น้ำและน้ำขึ้นน้ำลง คอยดึงสถานะของแบบจำลองให้ตรงกับความเป็นจริงตลอดเวลา
• การจำลอง what-if ที่เริ่มจาก ตอนนี้ ถามได้ว่า "ถ้า… แล้วสองชั่วโมงข้างหน้าจะเป็นอย่างไร" โดยเริ่มจากสถานะปัจจุบันของเครือข่าย ไม่ใช่จากสมมติฐานตอนออกแบบ

ส่วนที่สามนี่แหละคือความต่าง แดชบอร์ด บอกว่าคลองอยู่ที่ 2.1 ม. ตอนนี้ การจำลองเพื่อการออกแบบ บอกว่าเครือข่ายจะรับพายุรอบ 10 ปีตามทฤษฎีได้อย่างไรเมื่อทุกอย่างทำงานปกติ ส่วน ทวิน บอกว่าคลอง เส้นนี้ ซึ่งอยู่ที่ 2.1 ม. ตอนนี้ จะเป็นอย่างไรถ้ากลุ่มฝนถัดไปมาถึงใน 40 นาที และเครื่องสูบหมายเลข 3 ยังเสียอยู่

3. เรื่องนี้พิสูจน์แล้วในกรุงเทพฯ

นี่ไม่ใช่เรื่องเพ้อฝัน ในโครงการนำร่องสำหรับ กทม. ที่ได้รับทุนจากรัฐบาลสหราชอาณาจักร Mott MacDonald ได้สร้างระบบพยากรณ์น้ำท่วมจากฝนแบบเรียลไทม์สำหรับพื้นที่ 17 ตร.กม. ในเขตวังทองหลาง โดยปรับเทียบเรดาร์ตรวจฝน C-band ของเมือง สร้างแบบจำลองชลศาสตร์ของท่อ สถานีสูบ และคลองอย่างละเอียด แล้วฝึกโมเดล machine learning ตัวแทน (surrogate) ที่ให้ผลใกล้เคียงแบบจำลองเต็มแต่เร็วกว่ามาก คือจำลองเหตุการณ์ฝน 41 ครั้งได้ใน 30 วินาที เทียบกับ 30 ชั่วโมงของแบบจำลองเต็ม โดยคลาดเคลื่อนเฉลี่ยราว 20 มม. ข้อมูลตรวจวัดอัปเดตทุก 5 นาที และพยากรณ์น้ำท่วมล่วงหน้า 2 ชั่วโมงอัปเดตทุก 10 นาที

โครงการเองยังระบุขั้นต่อไปไว้ด้วย รวมถึงการเชื่อมข้อมูล SCADA เพื่อควบคุมการปฏิบัติงานได้ดีขึ้น

ช่องว่างตรงนี้คือสิ่งที่เราสนใจที่สุด ทั้งสำหรับเมือง และยิ่งกว่านั้นสำหรับ พื้นที่เอกชน ที่ตั้งอยู่ในระบบระบายน้ำของเมือง เช่น นิคมอุตสาหกรรม โรงงาน โรงพยาบาล ดาต้าเซ็นเตอร์ คลังสินค้า รู้ว่าน้ำจะไปอยู่ตรงไหนคือครึ่งแรก ครึ่งหลังคือ จากสิ่งที่รู้ ชั่วโมงหน้าเราควรทำอะไรกับเครื่องสูบ ประตูน้ำ และคนของเรา

4. สถาปัตยกรรม

flowchart TD
    A1["เซ็นเซอร์ระดับน้ำในคลองและบ่อสูบ"] --> SY["ซิงก์สถานะและตรวจคุณภาพข้อมูล"]
    A2["เครื่องวัดฝนและพยากรณ์ฝนระยะสั้นจากเรดาร์"] --> SY
    A3["สถานะเครื่องสูบและประตูน้ำจาก SCADA"] --> SY
    A4["ระดับแม่น้ำและน้ำขึ้นน้ำลง"] --> SY
    SY --> M["แบบจำลองเครือข่ายชลศาสตร์ SWMM"]
    M --> SR["ตัวรันสถานการณ์ what-if"]
    SR --> SG["ML surrogate สำหรับคำตอบเร่งด่วน"]
    M --> SG
    SR --> O1["พยากรณ์ความลึกและเวลาน้ำท่วม"]
    SG --> O1
    SR --> O2["ข้อเสนอการเดินเครื่องสูบและประตูน้ำ"]
    O1 --> FS["แจ้งเตือนและเปิดเคสผ่าน Flood SOC"]
    O2 --> OP["เจ้าหน้าที่เวรเป็นผู้ตัดสินใจ"]
    FS --> OP

ซิงก์สถานะ ทุกไม่กี่นาที ค่าจากเซ็นเซอร์จะอัปเดตสภาพเริ่มต้นของแบบจำลอง ทั้งระดับน้ำในคลองและบ่อสูบ เครื่องสูบตัวไหนเดิน ประตูน้ำบานไหนเปิด ระดับแม่น้ำและน้ำหนุนที่จุดปล่อย โดยผ่านการตรวจคุณภาพก่อน — เครื่องวัดที่ค้าง กระโดด หรือเงียบ ไม่ควรเป็นตัวขับแบบจำลอง

แบบจำลองชลศาสตร์ EPA SWMM เหมาะมาก เพราะเป็นโอเพนซอร์ส ใช้ฟรี ใช้กันทั่วโลก และจำลองเครื่องสูบ ประตูน้ำ ฝาย รวมถึงน้ำเอ่อย้อน (backwater) ท่อล้น และการไหลย้อนกลับได้โดยตรง ซึ่งคือพฤติกรรมเบื้องหลัง "คลองเต็ม" พอดี ส่วน PySWMM ทำให้โค้ด Python เดินแบบจำลองทีละขั้นและปรับการเดินเครื่องสูบหรือประตูน้ำระหว่างจำลองได้

ตัวรันสถานการณ์และ surrogate สำหรับเครือข่ายระดับไซต์ SWMM รันได้เร็วพอที่จะทดสอบหลายสถานการณ์ในแต่ละรอบอัปเดต สำหรับเครือข่ายระดับเมือง โครงการนำร่องที่วังทองหลางแสดงเส้นทางที่พิสูจน์แล้ว คือฝึก ML surrogate จากผลการรันแบบจำลองจำนวนมาก

ผลลัพธ์ส่งถึงคน ไม่ใช่ส่งไปสั่งเครื่องสูบ พยากรณ์และข้อเสนอจะไปถึงเจ้าหน้าที่เวร และเข้าสู่ระบบแจ้งเตือนและเปิดเคสแบบเดียวกับที่เราอธิบายไว้ในบริหารน้ำท่วมแบบ SOC ทวินให้คำแนะนำ คนเป็นผู้ตัดสินใจ

5. what-if ในทางปฏิบัติหน้าตาเป็นอย่างไร

ด้านล่างคือหัวใจของตัวรันสถานการณ์ ใช้ PySWMM กับแบบจำลองขนาดเล็กที่ตั้งใจทำให้ง่าย: พื้นที่ผิวแข็ง 20 เฮกตาร์ (ราว 125 ไร่) ระบายลงบ่อสูบ มีเครื่องสูบ 2 ตัวยกน้ำลงคลอง และพายุที่ความเข้มฝนสูงสุด 90 มม. ต่อชั่วโมง โค้ดจะจำลองพายุลูกเดิมซ้ำภายใต้เงื่อนไขต่างกัน แล้วรายงานระดับน้ำสูงสุดในบ่อสูบ

from pathlib import Path
from pyswmm import Simulation, Links, Nodes

BASE = Path("site.inp").read_text()

def run_scenario(canal_level_m=-0.5, failed_pumps=()):
    """Replay the same storm through the twin under one what-if condition."""
    inp = Path(f"scn_{canal_level_m}_{'-'.join(failed_pumps) or 'all'}.inp")
    inp.write_text(BASE.replace("CANALLEVEL  0:00  -0.5", f"CANALLEVEL  0:00  {canal_level_m}")
                       .replace("CANALLEVEL  12:00  -0.5", f"CANALLEVEL  12:00  {canal_level_m}"))
    peak = 0.0
    with Simulation(str(inp)) as sim:
        links, sump = Links(sim), Nodes(sim)["SUMP"]
        for _ in sim:
            for pid in failed_pumps:
                links[pid].target_setting = 0.0   # pump out of service
            peak = max(peak, sump.depth)
    return peak

ผลจากการรัน 4 สถานการณ์บนแบบจำลองตัวอย่างนี้:

สถานการณ์	ระดับน้ำสูงสุดในบ่อสูบ (บ่อเต็มที่ 3.50 ม.)
คลองระดับปกติ เครื่องสูบทำงานทั้ง 2 ตัว	0.47 ม.
คลองระดับปกติ เครื่องสูบเสีย 1 ตัว	1.76 ม.
คลองใกล้ตลิ่ง เครื่องสูบทำงานทั้ง 2 ตัว	1.12 ม.
คลองใกล้ตลิ่ง เครื่องสูบเสีย 1 ตัว	2.38 ม.

นี่คือแบบจำลองตัวอย่างเพื่ออธิบายวิธีการ ไม่ใช่แบบจำลองของพื้นที่จริงใด ๆ แต่รูปแบบที่เห็นคือสิ่งสำคัญ คลองสูงอย่างเดียวทำให้ระดับสูงสุดเพิ่มกว่าเท่าตัว เครื่องสูบเสียอย่างเดียวเพิ่มเกือบ 4 เท่า เกิดพร้อมกันเมื่อไรบ่อสูบก็ใกล้เต็ม เพราะเครื่องสูบที่ต้องสูบลงคลองที่เต็มแล้วจะส่งน้ำได้น้อยลงในจังหวะที่ต้องการมากที่สุด ในทวินจริง ระดับเริ่มต้นมาจากเซ็นเซอร์สด และลูปเดียวกันนี้ตอบคำถามของเจ้าหน้าที่ได้ภายในไม่กี่นาที

6. คำถามที่ทวินตอบได้กลางพายุ

• "ถ้าเครื่องสูบตัวนี้ทริปตอนนี้ พื้นที่ไหนท่วมก่อน และเมื่อไร" เรียงตามความลึกและเวลา ส่งทีมไปถูกที่ก่อน
• "ควรพร่องน้ำในคลองนี้ก่อนกลุ่มฝนถัดไปไหม" การสูบพร่องก่อนพายุตามพยากรณ์เรดาร์ช่วยเพิ่มที่รับน้ำ — ถ้าระบบปลายน้ำรับไหว
• "ที่ระดับแม่น้ำและน้ำหนุนตอนนี้ ควรเปิดประตูน้ำบานนี้ไหม" การแลกระหว่างช่วยพื้นที่หนึ่งกับเพิ่มภาระให้อีกพื้นที่ กลายเป็นตัวเลข ไม่ใช่การเดา
• "เครื่องสูบเคลื่อนที่ควรไปตั้งที่ไหน" ทดสอบจุดวางกับผลพยากรณ์ แทนการส่งไปตามเสียงที่ดังที่สุด
• "ถนนเส้นนี้จะแห้งเมื่อไร" จาก "2–3 วันถ้าฝนหยุด" กลายเป็นค่าประมาณรายพื้นที่ ซึ่งสำคัญมากสำหรับธุรกิจที่ต้องตัดสินใจว่าจะเปิดทำการเมื่อไร

7. ทำไมพื้นที่เอกชนควรมีทวินขนาดเล็กของตัวเอง

โรงงาน นิคม คอนโด และแคมปัสส่วนใหญ่มีท่อ บ่อสูบ และเครื่องสูบภายในของตัวเอง และทั้งหมดปล่อยน้ำลงคลองสาธารณะ เมื่อคลองเต็ม เครื่องสูบของไซต์ก็สูบได้น้อยลงในจังหวะที่ต้องใช้มากที่สุด ตรงกับที่ตัวอย่างข้างต้นแสดงให้เห็น

ทวินระดับไซต์มีขนาดเล็ก หลักสิบโหนด ไม่ใช่หลักหมื่น ต้องการแบบระบบระบายน้ำของไซต์ กราฟสมรรถนะเครื่องสูบ เซ็นเซอร์ระดับน้ำไม่กี่ตัว และระดับน้ำของคลองที่ไซต์ปล่อยน้ำลงไป แล้วตอบคำถามที่เมืองตอบแทนคุณไม่ได้: ถ้าคลองอยู่ระดับนี้ เราเดินไลน์ผลิตต่อได้อีกนานแค่ไหน อาคารไหนท่วมก่อนถ้าเครื่องสูบตัวใหญ่เสีย ควรเริ่มยกของขึ้นที่สูงตั้งแต่ตอนนี้หรือยัง

8. ส่วนที่ยาก พูดกันตรง ๆ

• แบบมักไม่ตรงของจริง แบบระบบระบายน้ำหลังก่อสร้างมักไม่ครบ ตะกอน การรุกล้ำ และขยะทำให้ความสามารถจริงต่างจากบนกระดาษ วันที่ 26 กันยายน เจ้าหน้าที่ กทม. ยังต้องออกเก็บขยะเพื่อให้ท่อริมถนนระบายได้ การปรับเทียบกับเหตุการณ์ในอดีตคือวิธีที่แบบจำลองจะรู้ความจริง
• แบบจำลองไม่ใช่ความจริง เป็นเครื่องมือเปรียบเทียบทางเลือก พยากรณ์ต้องแสดงเป็นช่วง และเจ้าหน้าที่ต้องเห็นว่าแบบจำลองมั่นใจแค่ไหน
• เซ็นเซอร์มักพังตอนที่ต้องใช้ การซิงก์สถานะต้องถือว่าเครื่องวัดที่เงียบหรือค้างคือปัญหา เป็นกฎ "ความเงียบคือสัญญาณ" แบบเดียวกับใน SOC
• การควบคุมเครื่องสูบคือระบบ OT เราแนะนำให้ออกแบบเป็นระบบให้คำแนะนำเท่านั้น การเชื่อมต่อ SCADA ควรเป็นแบบอ่านอย่างเดียวโดยค่าเริ่มต้น และเฝ้าระวังเหมือนระบบ OT อื่น ๆ โดยเฉพาะหน่วยงานที่อยู่ในกลุ่มโครงสร้างพื้นฐานสำคัญทางสารสนเทศตาม พ.ร.บ.การรักษาความมั่นคงปลอดภัยไซเบอร์

9. อะไรมีแล้ว อะไรสร้างตามโครงการ อะไรอยู่นอกขอบเขต

มีให้ใช้แล้ววันนี้:

• งานเชื่อมต่อข้อมูล IoT และ edge ผ่านบริการพัฒนา Edge และคอมพิวติ้งแบบกระจาย ได้แก่ การรับข้อมูลเซ็นเซอร์ เกตเวย์ และแดชบอร์ดบน Python, Django และ FastAPI
• ส่วนประกอบของ simpliSOC สำหรับแจ้งเตือนและจัดการเคส และบริการ TAK Integration สำหรับประสานงานภาคสนาม

สร้างตามแต่ละโครงการ (ไม่มีผลิตภัณฑ์ "ทวิน" สำเร็จรูป):

• แบบจำลองเครือข่าย SWMM สร้างและปรับเทียบร่วมกับพันธมิตรด้านวิศวกรรมชลศาสตร์
• การซิงก์สถานะ การตรวจคุณภาพเซ็นเซอร์ ตัวรันสถานการณ์ และ ML surrogate เมื่อขนาดเครือข่ายจำเป็น
• แดชบอร์ดสำหรับเจ้าหน้าที่ และการเชื่อมเข้ากับการแจ้งเตือนของ Flood SOC
• การเชื่อม SCADA แบบอ่านอย่างเดียว เมื่อเจ้าของระบบอนุญาต

นอกขอบเขต:

• การออกแบบและรับรองงานวิศวกรรมชลศาสตร์ ซึ่งเป็นหน้าที่ของวิศวกรผู้มีใบอนุญาต
• การสั่งเครื่องสูบหรือประตูน้ำอัตโนมัติ การออกแบบของเราเป็นแบบให้คำแนะนำ
• การประกาศเตือนภัยอย่างเป็นทางการ ซึ่งยังเป็นอำนาจของ กทม. กรมป้องกันและบรรเทาสาธารณภัย และกรมอุตุนิยมวิทยา

คำถามที่พบบ่อย

เป็นผลิตภัณฑ์ที่ซื้อได้เลยไหม?
ไม่ใช่ เป็นสถาปัตยกรรมอ้างอิงที่สร้างจากเครื่องมือโอเพนซอร์ส (SWMM, PySWMM) และงานเชื่อมต่อระบบของเรา ส่งมอบรายไซต์ร่วมกับพันธมิตรด้านวิศวกรรมชลศาสตร์

กทม. ก็ทำอยู่แล้วไม่ใช่หรือ?
กทม. มีระบบตรวจวัดและพยากรณ์ของตัวเอง และโครงการนำร่องที่วังทองหลางแสดงให้เห็นว่าทำได้ในระดับเมือง ทวินระดับไซต์เป็นส่วนเสริม เพราะจำลองท่อ ของคุณ เครื่องสูบ ของคุณ และการตัดสินใจ ของคุณ

แม่นยำแค่ไหน?
แม่นเท่าที่ข้อมูลและการปรับเทียบอนุญาต ระยะแรกจึงต้องปรับเทียบกับเหตุการณ์ที่ผ่านมาเสมอ ทั้งภาพถ่าย คราบน้ำ และบันทึกระดับน้ำ และผลลัพธ์ต้องแสดงเป็นช่วง

ให้ระบบสั่งเครื่องสูบอัตโนมัติได้ไหม?
เราไม่แนะนำ ทวินให้คำแนะนำ เจ้าหน้าที่ของคุณเป็นผู้ตัดสินใจ และการเชื่อม SCADA เริ่มจากแบบอ่านอย่างเดียว

คุยกับเรา

ถ้าน้ำท่วมสัปดาห์นี้ถึงไซต์ของคุณ หรือเกือบถึง ส่งสิ่งที่มีมาให้เรา: แบบระบบระบายน้ำ (ไม่ครบก็ได้) รายการเครื่องสูบ คลองที่ไซต์ปล่อยน้ำลง และภาพถ่ายหรือบันทึกระดับน้ำจากเหตุการณ์ครั้งนี้ เราจะส่งแผนเริ่มต้นขนาดเล็กสำหรับทวินระดับไซต์ ที่ตอบคำถามเดียวที่คุณอยากได้คำตอบที่สุดเมื่อวันที่ 26 กันยายน

อีเมล hello@simplico.net

---

แหล่งที่มา:

• Bangkok underwater: All 50 districts now flood disaster zones — Malay Mail / AFP, 26 ก.ย. 2569
• Bangkok flooding may last until Sept 27 after 100–150mm daily rain — The Nation, 26 ก.ย. 2569
• Bangkok steps up flood defences as extreme rain intensifies — The Nation, 1 มิ.ย. 2569
• Bangkok smart flood management — Mott MacDonald
• Storm Water Management Model (SWMM) — US EPA
• PySWMM — Python wrappers for SWMM5