หลังคารักษ์น้ำ

ที่มา คำถาม และเป้าหมาย

เพิ่มพื้นที่รับน้ำให้ครัวเรือนที่ยังใช้โอ่งหรือถังเดิม โดยไม่ต้องดัดแปลงหลังคาบ้าน และไม่เหมารวมว่าน้ำทุกหยดมีคุณภาพเท่ากัน

💧

ปัญหา

ปากโอ่งมีพื้นที่รับฝนจำกัด ขณะที่น้ำจากหลังคาหรือพื้นผิวรับน้ำอาจมีฝุ่น เศษใบไม้ และสิ่งสะสม โดยเฉพาะน้ำช่วงแรกหรือ First Flush

❓

คำถามโครงงาน

แผงรับน้ำฝนที่เคลื่อนย้ายและปรับมุมได้ ร่วมกับเซนเซอร์ การกรอง และข้อมูลสภาพอากาศ ช่วยเพิ่มพื้นที่รับน้ำและสนับสนุนการใช้น้ำอย่างเหมาะสมได้หรือไม่

🎯

เป้าหมาย

ศึกษามุมที่เก็บน้ำได้ดี First Flush และการกรอง พร้อมพัฒนาระบบติดตามข้อมูลฝน คุณภาพน้ำ และ PM2.5 ผ่าน Windows, Firebase และ iOS

สมมติฐาน 1

มุมแผงมีผลต่อการไหล

มุมสูงขึ้นทำให้น้ำไหลเร็วขึ้น แต่หากเร็วเกินไปอาจกระเด็นออกนอกรางและลดปริมาณที่เก็บได้

สมมติฐาน 2

น้ำช่วงแรกขุ่นกว่า

First Flush ชะล้างฝุ่นที่สะสมบนพื้นผิว จึงคาดว่าจะมีความขุ่นและ TDS สูงกว่าน้ำช่วงถัดไป

สมมติฐาน 3

การกรองช่วยลดอนุภาค

ชุดกรองตะกอน ถ่านกัมมันต์ และเซรามิก คาดว่าจะลดความขุ่นได้ชัดเจน แต่ไม่กำจัดสารละลายหรือเชื้อโรคทั้งหมด

แนวคิดการใช้งานจริง

แผงรับน้ำฝนตามฤดูกาล

ระบบนี้ไม่ใช่หลังคาบ้านที่เปลี่ยนมุม แต่เป็นแผงรับน้ำฝนแยกจากตัวบ้าน สามารถเคลื่อนย้าย ล้าง ปรับมุม และพับเก็บได้ นำออกมาติดตั้งในฤดูฝนแล้วต่อรางลงสู่โอ่งหรือถังที่มีอยู่เดิม

การคำนวณเชิงทฤษฎี · ไม่ใช่ผลทดลอง

แผง 2 × 2 เมตรเทียบกับปากโอ่ง Ø 0.50 เมตร

ประมาณ 15.88 เท่า

คำนวณจาก V = P × A × C ภายใต้ฝนแนวดิ่ง ไม่มีลม แผงเอียง 30° มีพื้นที่ฉาย 3.464 m² และ C=0.90 ส่วนปากโอ่งมีพื้นที่ 0.196 m² และ C=1.00 หรือมากกว่าประมาณ 1,488% โดยประสิทธิภาพจริงต้องพิสูจน์ด้วยการทดลอง

ภาพรวมระบบต้นแบบ

ระบบที่สร้างจริงและแนวคิดการจัดเส้นทางน้ำถูกแยกสถานะให้ชัดเจน เพื่อไม่อ้างความสามารถเกินต้นแบบ

🌦️

ข้อมูลอากาศ

ฝนย้อนหลัง/พยากรณ์ + เซนเซอร์ PM2.5

⛺

แผงรับน้ำปรับมุม

30 × 30 ซม. · micro:bit + Servo

🧪

ตรวจน้ำ

pH · Turbidity · TDS

🧱

กรอง 3 ขั้น

ตะกอน · คาร์บอน · เซรามิก

📱

แสดงผล

Windows + iOS

สร้างแล้ว / อยู่ระหว่างทดสอบ

ฮาร์ดแวร์และการควบคุม

แผงรับน้ำต้นแบบ 30 × 30 ซม. ราง และกลไกปรับมุม
เซอร์โวมอเตอร์ควบคุมด้วย micro:bit
เซนเซอร์ pH ความขุ่น และ TDS
ปั๊มน้ำและคำสั่งล้างแผงรับน้ำ
เซนเซอร์ PM2.5 ณ จุดติดตั้ง ส่งข้อมูลไป Firebase
ชุดกรอง 3 ขั้น และถังเก็บไม่เกิน 5 ลิตร
LED แสดงสถานะจำลอง UV‑C เพื่อความปลอดภัย

แนวคิดที่นำเสนอด้วยภาพ

การจัดเส้นทางน้ำตามความเสี่ยง

ต้นแบบปัจจุบันยังไม่มีกลไกวาล์วเปลี่ยนทางน้ำอัตโนมัติ จึงสื่อสารหลักการด้วยแผนภาพ:

เสี่ยงสูง / เซนเซอร์ผิดปกติระบายทิ้งหรือใช้ล้างพื้น

ผ่านเกณฑ์เบื้องต้นกรองเพื่อใช้อุปโภค

ต้องการบริโภคฆ่าเชื้อ + ตรวจห้องปฏิบัติการ

การควบคุมด้วย micro:bit และ Windows

โปรแกรมควบคุมบน Windows เชื่อมต่อ micro:bit ผ่าน USB/Serial เพื่อสั่งงานและอ่านค่าจากต้นแบบ

↗️

ปรับมุมทีละ 5°

เลือกมุม 5°–45° และส่งคำสั่งให้เซอร์โวมอเตอร์ โดยจำกัดช่วงเพื่อป้องกันกลไก

📟

อ่านเซนเซอร์

รับค่า pH ความขุ่น และ TDS พร้อมเวลา เพื่อบันทึกและเปรียบเทียบผล

🚿

ปั๊มและล้างแผงรับน้ำ

สั่งเปิด–ปิดปั๊มและเริ่มขั้นตอนทำความสะอาดจากโหมด Computer

🛡️

ข้อกำหนด Fail‑safe

ออกแบบให้ปั๊มหยุดเมื่อเริ่มระบบ จำกัดช่วงมุม และแจ้งเตือนเมื่อขาดการเชื่อมต่อหรือค่าผิดปกติ โดยต้องทดสอบยืนยันก่อนสรุปว่าทำงานครบถ้วน

โหมดการทำงานของระบบ

โหมด	สถานะ	หน้าที่
C · Computer	ใช้งานในต้นแบบ	ควบคุมมุม อ่านค่า ปั๊ม และล้างแผงจาก Windows
M · Manual	แนวทางพัฒนา	เพิ่ม/ลดมุมจากปุ่มบน micro:bit
P · Preset	แนวทางพัฒนา	เรียกมุมมาตรฐานสำหรับการทดลอง
R · Radio	ยังไม่ใช้	ควบคุมจาก micro:bit อีกตัว

ผังขาที่ใช้ในต้นแบบ

P0pH

P1Turbidity

P2TDS

P8Servo

P12Mode Button

P13Pump Relay

หมายเหตุ: ต้องใช้แหล่งจ่ายไฟภายนอกที่เหมาะสมกับ Servo/ปั๊ม และต่อกราวด์ร่วมกับ micro:bit

แอป iOS, Firebase และข้อมูลสิ่งแวดล้อม

แอปพัฒนาด้วย Swift รวมข้อมูลฝนจาก Open‑Meteo กับค่า PM2.5 ที่วัด ณ จุดติดตั้งและส่งผ่าน Firebase เพื่อช่วยวางแผนเก็บน้ำ ไม่ใช่เครื่องรับรองว่าน้ำดื่มได้

Swift iOS Application

Rain & Water Decision Dashboard

🗓️

ฝนย้อนหลัง 10 ปี

ดึงข้อมูล Historical Weather จาก Open‑Meteo เพื่อดูฤดูกาล แนวโน้ม และความถี่ของฝนในพื้นที่

🌧️

โอกาสฝนตก

แสดงข้อมูลพยากรณ์และช่วงเวลาที่คาดว่าจะเกิดฝน เพื่อเตรียมแผงและความพร้อมของถัง

🌫️

PM2.5 ณ จุดติดตั้ง

รับค่าจากเซนเซอร์ของต้นแบบ ส่งขึ้น Firebase และอ่านมาแสดงบนแอป iOS พร้อมเวลาอัปเดต

🚦

คำแนะนำแบบระดับสี

สรุป “เตรียมเก็บ / เก็บเพื่ออุปโภค / หลีกเลี่ยงการเก็บ” จากกฎที่อธิบายได้

Rain‑Smart Collector09:41

🌦️

68%

โอกาสฝนตกวันนี้

PM2.5 Sensor32 µg/m³

FirebaseUpdated

ฝนสะสมที่คาดการณ์12.4 mm

คำแนะนำเบื้องต้น
เตรียมระบบได้ แต่ควรแยก First Flush และตรวจคุณภาพน้ำก่อนใช้

หน้าจอจำลองเพื่อแสดงแนวคิด ตัวเลขเป็นตัวอย่าง ไม่ใช่ค่าที่วัดได้จริง

ระบบข้อมูลที่ทำงานแล้ว

Open‑Meteo + PM2.5 Sensor + Firebase

วิเคราะห์ข้อมูลฝนย้อนหลัง แสดงพยากรณ์ รับค่า PM2.5 จากเซนเซอร์ ส่งไป Firebase และแสดงบน iOS พร้อมประเมินด้วยกฎที่อธิบายได้

ต้องตรวจสอบ

การทดสอบแอป

เปรียบเทียบ JSON กับหน้าจอ ทดสอบกรณี API ล้มเหลว ตรวจเวลาอัปเดต และทดสอบกฎคำแนะนำอย่างน้อย 20 สถานการณ์

ต่อยอด AI

เมื่อมีข้อมูลเพียงพอ

สร้างแบบจำลองทำนายฝนหรือ First Flush พร้อมแบ่งชุด train/test และรายงาน Accuracy, Precision, Recall หรือ Brier Score

ข้อควรตีความ: ค่า PM2.5 หลักในแอปมาจากเซนเซอร์ ณ จุดติดตั้งผ่าน Firebase ส่วนข้อมูล Air Quality จาก Open‑Meteo ใช้เปรียบเทียบบริบทระดับพื้นที่ได้ ทั้งสองแหล่งเป็นข้อมูลอากาศและไม่สามารถยืนยันความปลอดภัยของน้ำฝนได้

วิธีดำเนินการทดลอง

ลดจำนวนตัวแปรให้ทดลองได้จริง ควบคุมปริมาตร ตำแหน่ง และอัตราการปล่อยน้ำ พร้อมทำซ้ำ 3 ครั้งต่อเงื่อนไข

แผนทดลอง · Experiment A

ผลของมุมแผงรับน้ำ

สอบเทียบมุม 5°–45° ทีละ 5°
ปล่อยน้ำจำลอง 2,000 mL ด้วยตำแหน่งและอัตราเดียวกัน
วัดปริมาตร เวลา อัตราการไหล และประสิทธิภาพ
ทำมุมละ 3 ครั้งและใช้ค่าเฉลี่ย

แผนทดลอง · Experiment B

น้ำช่วงแรก (First Flush)

ใช้มุมที่ให้ผลดีที่สุดจาก Experiment A
กระจายฝุ่นจำลองชนิดและมวลคงที่
เก็บตัวอย่างช่วง 0–1,000 และ 1,000–2,000 mL
วัด pH ความขุ่น และ TDS จำนวน 3 ครั้ง

แผนทดลอง · Experiment C

ชุดกรองสามขั้น

เตรียมน้ำทดสอบ 1,500 mL ต่อรอบ
เก็บตัวอย่างก่อนกรองและหลังแต่ละขั้น
วัด pH ความขุ่น TDS และปริมาตรน้ำกลับคืน
ทดสอบ LED จำลอง UV‑C 20 ครั้ง

แผนตรวจสอบ · Experiment D

PM2.5 → Firebase → iOS

อ่านค่าจากเซนเซอร์พร้อมเวลา
ตรวจค่าที่บันทึกใน Firebase
เทียบค่าบน iOS กับค่าต้นทาง
ทดสอบอย่างน้อย 20 รอบ รวมกรณีเครือข่ายขัดข้อง

ประสิทธิภาพ (%) = น้ำที่เก็บได้ ÷ 2,000 × 100

อัตราการไหล (mL/s) = น้ำที่เก็บได้ ÷ เวลา

การลดความขุ่น (%) = (ก่อน − หลัง) ÷ ก่อน × 100

ข้อมูลคาดการณ์และรูปแบบผลการศึกษา

ข้อมูลด้านล่างใช้กำหนดรูปแบบตารางและตรวจความสมเหตุสมผลเท่านั้น ต้องแทนด้วยผลทดลองจริงก่อนนำเสนอเป็นข้อค้นพบ

⚠️ DRAFT DATA: แทนค่าทุกช่องด้วยค่าเฉลี่ยจากการทดลองจริง พร้อมเก็บผลรายซ้ำ ภาพถ่าย และเงื่อนไขทดลองไว้เป็นหลักฐาน

6.1 ชุดข้อมูลคาดการณ์: ผลของมุมแผงต่อการเก็บน้ำ

78.2

5°

82.6

10°

86.9

15°

90.8

20°

93.7

25°

95.1

30°

94.2

35°

91.6

40°

88.3

45°

มุมแผงรับน้ำ	น้ำที่เก็บได้เฉลี่ย	เวลาเฉลี่ย	อัตราการไหล	ประสิทธิภาพ
5°	1,564 mL	70.5 s	22.2 mL/s	78.2%
10°	1,652 mL	60.1 s	27.5 mL/s	82.6%
15°	1,738 mL	51.9 s	33.5 mL/s	86.9%
20°	1,816 mL	44.8 s	40.5 mL/s	90.8%
25°	1,874 mL	39.2 s	47.8 mL/s	93.7%
30° · ค่าที่คาด	1,902 mL	35.0 s	54.3 mL/s	95.1%
35°	1,884 mL	31.9 s	59.1 mL/s	94.2%
40°	1,832 mL	29.0 s	63.2 mL/s	91.6%
45°	1,766 mL	27.1 s	65.2 mL/s	88.3%

สมมติฐานจากชุดข้อมูลคาดการณ์: มุม 30° อาจให้สมดุลระหว่างความเร็วกับความสามารถของราง ส่วนข้อสรุปจริงต้องพิจารณาค่าเฉลี่ย การกระจายของข้อมูล และหลักฐานจากการทดลอง

6.2 น้ำช่วงแรกที่มุม 30°

ช่วงน้ำ	pH	ความขุ่น	TDS
0–1,000 mL	6.91	38.6 NTU	68 ppm
1,000–2,000 mL	7.04	3.8 NTU	50 ppm

−90.2%

ความขุ่นที่คาดว่าจะลดลงระหว่างน้ำสองช่วง สนับสนุนแนวคิดแยก First Flush ก่อนนำไปกรอง

6.3 ผลการกรองสามขั้น

ก่อนกรอง

52.0 NTU

กรองตะกอน

20.5

ถ่านกัมมันต์

9.2

กรองเซรามิก

2.9

94.4%

ลดความขุ่น

86.0%

ได้น้ำกลับคืน 1,290/1,500 mL

จุดตรวจวัด	pH	ความขุ่น	TDS	ข้อสังเกต
ก่อนกรอง	6.89	52.0 NTU	74 ppm	อนุภาคแขวนลอยสูง
หลังกรองตะกอน	6.91	20.5 NTU	72 ppm	ลดตะกอนขนาดใหญ่
หลังถ่านกัมมันต์	6.98	9.2 NTU	69 ppm	ความขุ่นลดลงต่อเนื่อง
หลังกรองเซรามิก	7.01	2.9 NTU	67 ppm	ความขุ่นต่ำสุด

การตีความ: pH และ TDS เปลี่ยนเพียงเล็กน้อย เพราะตัวกรองชุดนี้เน้นลดอนุภาคและไม่ออกแบบเพื่อกำจัดไอออนละลายทั้งหมด หากเซนเซอร์ความขุ่นยังไม่ได้สอบเทียบด้วยมาตรฐาน NTU ต้องรายงานเป็น “ค่าความขุ่นสัมพัทธ์” แทน

20/20

LED จำลอง UV‑C เปิดตามคำสั่ง

__/20

Historical/Forecast API ถูกต้อง

เชื่อมต่อแล้ว

PM2.5 Sensor → Firebase → iOS

__/20

กฎคำแนะนำในแอปถูกต้อง

วิเคราะห์ผล จุดแข็ง และคุณค่าของโครงงาน

คุณค่าของต้นแบบอยู่ที่การเชื่อมโยงข้อมูลหลายระดับ ตั้งแต่สภาพอากาศ การควบคุมเชิงกายภาพ ไปจนถึงคุณภาพน้ำและการตัดสินใจใช้งาน

⚖️

เหตุผลที่ต้องทดลองหลายมุม

มุมที่มากขึ้นอาจทำให้น้ำไหลเร็วขึ้น แต่รางมีขีดจำกัดในการรับน้ำและอาจเกิดการกระเด็น จึงต้องหาจุดสมดุลจากผลทดลองจริง ไม่สรุปจากความเร็วเพียงค่าเดียว

🔍

ตรวจสอบก่อนใช้งาน

การแยก First Flush และอ่านค่าหลายตัวช่วยลดการตัดสินใจจากลักษณะภายนอกเพียงอย่างเดียว แต่ยังต้องยอมรับขอบเขตของเซนเซอร์

🔗

ระบบครบวงจร

รวม micro:bit, servo, sensors, pump, filtration, Windows software, API และ Swift iOS ไว้ในโจทย์จัดการน้ำเดียวกัน

Science

แรงโน้มถ่วง การไหล First Flush ค่า pH ความขุ่น TDS และการกรอง

Technology

micro:bit เซนเซอร์ API โปรแกรม Windows และ Swift iOS

Engineering

กลไกปรับมุม รางรับน้ำ ปั๊ม ชุดกรอง และแนวคิด Fail‑safe

Mathematics

มุม อัตราการไหล ร้อยละ ค่าเฉลี่ย กราฟ และการประเมินแบบจำลอง

ข้อจำกัด ความปลอดภัย และการพัฒนาต่อ

การระบุสิ่งที่ระบบยังทำไม่ได้อย่างตรงไปตรงมาทำให้ข้อสรุปน่าเชื่อถือและใช้ต้นแบบได้อย่างปลอดภัย

ข้อจำกัดด้านความปลอดภัย

LED เป็นเพียงการแสดงสถานะจำลอง UV‑C จึงไม่มีการฆ่าเชื้อจริง ค่า pH ความขุ่น และ TDS เป็นการประเมินน้ำเบื้องต้น ส่วนเซนเซอร์ PM2.5 ตรวจอนุภาคในอากาศ ณ จุดติดตั้ง ไม่ได้ตรวจเชื้อโรค โลหะหนัก หรือสารเคมีในน้ำ น้ำจากต้นแบบห้ามดื่มโดยตรง จนกว่าจะผ่านการฆ่าเชื้อและตรวจคุณภาพทางจุลชีววิทยาและเคมีตามเกณฑ์น้ำบริโภค

ข้อจำกัดของการศึกษา

ผลใช้ได้กับขนาด วัสดุ และรางของต้นแบบนี้
ฝนจำลองต่างจากฝนจริงทั้งขนาดหยด ลม และความเข้ม
ค่าความขุ่นเป็น NTU ได้เมื่อสอบเทียบด้วยสารมาตรฐานเท่านั้น
เซนเซอร์ PM2.5 วัดอนุภาคในอากาศ ไม่ได้ตรวจสิ่งปนเปื้อนในน้ำ
ยังไม่มีวาล์วเปลี่ยนเส้นทางน้ำอัตโนมัติ
ข้อมูลคาดการณ์ทุกค่าต้องแทนด้วยผลจริง

แนวทางพัฒนาต่อ

เพิ่มวาล์วสามทางแบบ Fail‑safe และ First Flush อัตโนมัติ
เพิ่มเซนเซอร์อัตราการไหล ระดับน้ำ และอุณหภูมิ
ตรวจสอบความเที่ยงของเซนเซอร์ PM2.5 และความต่อเนื่องของข้อมูล Firebase
ทดลองฝนจริง วัสดุแผงหลายชนิด และความเข้มฝนหลายระดับ
ส่งตรวจ E. coli, Total Coliform และสารเคมีในห้องปฏิบัติการ
เก็บชุดข้อมูลระยะยาวเพื่อสร้างและประเมินโมเดล AI อย่างถูกต้อง

ทดลองเปลี่ยนมุมใน Rain Simulation →