Page 66 - FoodFocusThailand No.247 November_December 2026

STORAGE, HANDLING & LOGISTICS

สนามไฟฟ้าเพื่่�อส่งเสริิมการิเกิดนิวเคลีียสแลีะควบคุมการิเติิบโติ 2. กรอบการพยีากรณ์์อายีุการเก็บร้กษาแบบไดนามิก (Dynamic
ของผลีึกนำ�าแข็ง ซึ่ึ�งมีส่วนช่่วยริักษาโคริงสริ้างแลีะเน่�อสัมผัสของ Shelf-Life Prediction; DSLP) โดยเปลีี�ยนจากการิติริวจวัดแบบติั�งริับ
อาหาริ (Passive Monitoring) แลีะวันหมดอายุแบบติายติัว สู่การิพื่ยากริณ์อายุ
ขณะเดียวกัน การิควบคุมกริะบวนการิแช่่แข็งสามาริถอาศััย การิเก็บริักษาที�ปริับติามสภาวะจริิง โดยใช่้บริริจุภัณฑ์์อัจฉริิยะริ่วมกับ
เทคโนโลยีีการวิิเคราะห์์ขั้้�นสููง เช่่น การจำำาลองกระบวินการ E-nose, E-tongue แลีะเซึ่นเซึ่อริ์ก๊าซึ่ เพื่่�อติริวจจับสาริริะเหย (VOCs)
(Digital Simulation) กล้องจำุลทรรศน์แบบเลเซอร์สู่องกราด พื่ริ้อมบูริณาการิข้อมูลีทั�ง 3 ด้าน ได้แก่ สูภาวิะแวิดล้อม (Environmental
เชิิงคอนโฟคอล (Confocal Laser Scanning Microscopy; Information) สูถี่านะคุณ์ภาพ (State Information) แลีะขั้อบเขั้ติ
CLSM), สูเปกโทรสูโกปีอินฟราเรดใกล้ (Near Infrared ควิามเสูี�ยีง (Risk Information) เข้ากับโมเดลี Deep Learning เช่่น
Spectroscopy; NIRS) นิวิเคลียีร์แมกเนติิกเรโซแนนซ์ (Nuclear 1D-CNN, TCN และ CNN-LSTM เพื่่�อพื่ยากริณ์อายุการิเก็บริักษาที�
Magnetic Resonance; NMR/LF-NMR) แลีะคล่�นอ้ลติราซาวินด์ เหลี่ออยู่ (RSL) การิเปลีี�ยนแปลีงคุณภาพื่ แลีะความน่าจะเป็นที�ผลีิติภัณฑ์์
(Ultrasound) เพื่่�อปริะเมินการิถ่ายเทความริ้อน การิกริะจายติัว จะเน่าเสีย

ของนำ�า แลีะการิเปลีี�ยนแปลีงของผลีึกนำ�าแข็งแบบเริียลีไทม์ 3. ระบบดิจำิท้ลทวิินและการควิบคุมแบบป้อนกล้บวิงปิด (Digital
ส่วนเทคโนโลยีีการละลายีนำ�าแขั้็งขั้้�นสููง เช่่น การละลายี Twins & Closed-Loop Control) การิผสานดิจิทัลีทวิน (Digital Twin; DT)
ด้วิยีไมโครเวิฟ การให์้ควิามร้อนแบบโอห์์มมิก แลีะการละลายี กับการิควบคุมแบบพื่ยากริณ์ติามแบบจำาลีอง (Model Predictive Control;
ด้วิยีคล่�นควิามถี่ี�วิิทยีุ จะช่่วยเพื่ิ�มความริวดเริ็วแลีะ MPC) จะช่่วยจำาลีองแลีะควบคุมสภาวะความเย็นสำาหริับผลีไม้กลีุ่มที�มี
ความสมำ�าเสมอของการิลีะลีายนำ�าแข็ง พื่ริ้อมลีดความเสียหาย การิสุกหลีังเก็บเกี�ยว (Climacteric Fruits) โดยใช่้แบบจำาลีองพื่ลีศัาสติริ์
ติ่อคุณภาพื่ของผลีิติภัณฑ์์ เทคโนโลียีเหลี่านี�จึงไม่ได้ทำางานแยก ของไหลี (Computational Fluid Dynamics; CFD) เพื่่�อกำาหนดติำาแหน่ง
ออกจากริะบบโลีจิสติิกส์ แติ่กำาลีังถูกเช่่�อมเข้ากับริะบบอัจฉริิยะ ติิดติั�งเซึ่นเซึ่อริ์ที�เหมาะสมแลีะจำาลีองสภาพื่แวดลี้อมความเย็นทั�วพื่่�นที�
เพื่่�อให้ห่วงโซึ่่ความเย็นสามาริถทำางานเป็นวงจริติั�งแติ่ จากนั�นจะใช่้ข้อมูลีพื่ยากริณ์ควบคุมริะบบริะบายอากาศั ก๊าซึ่เอทิลีีน แลีะ
“ริับริู้–วิเคริาะห์–พื่ยากริณ์–ติัดสินใจ–ควบคุม” ได้อย่างติ่อเน่�อง อุณหภูมิโดยอัติโนมัติิ เพื่่�อริักษาคุณภาพื่ ลีดความสูญเสีย แลีะปริะหยัด
พื่ลีังงาน ทั�งนี� การิเลี่อกเทคโนโลียีติ้องคำานึงถึงความแม่นยำา ความเริ็ว แลีะ
เทคโนโลยีีอััจฉริิยีะกัับกัาริจัดกัาริห่่วงโซ่่ความเยี็น ความเหมาะสมกับการิใช่้งานจริิง (Wei et al., 2026)
เชิิงพยีากัริณ์์ 4. การบูรณ์าการ IoT บล็อกเชิน และการบริห์ารจำ้ดการเชิิงรุก
ในห่วงโซึ่่ความเย็นแลีะการิขนส่งอาหาริแช่่เย็นแลีะแช่่เย่อกแข็ง (IoT & Blockchain Integration) การิใช่้จมูกอิเลี็กทริอนิกส์ริ่วมกับปัญญา

สามาริถแบ่งกริอบการิทำางานแลีะการิพื่ยากริณ์อัจฉริิยะออกเป็น ปริะดิษฐ์์บนคลีาวด์ (E-nose & Cloud AI) ช่่วยติริวจวัดก๊าซึ่ริะเหยจาก
มิติิสำาคัญได้ดังนี� อาหาริแบบเริียลีไทม์ เพื่่�อปริะเมินอายุการิเก็บริักษาที�เหลี่ออยู่ (RSL) แลีะ
1. กรอบการทำางานเชิิงผสูมผสูานที�อาศ้ยีควิามรู้ทาง แจ้งเติ่อนความเสี�ยง ขณะที�หนังส่อเดินทางความสดดิจิทัลี (Digital
ฟิสูิกสู์และปัญญาประดิษฐ์์ (Knowledge-Guided & Hybrid AI Freshness Passport) จะใช่้บลี็อกเช่นบันทึกปริะวัติิแลีะผลีการิพื่ยากริณ์
Frameworks) เช่่น แบบจำาลีองปัญญาปริะดิษฐ์์สำาหริับการิแจ้ง คุณภาพื่เพื่่�อเพื่ิ�มความโปริ่งใสติลีอดห่วงโซึ่่ความเย็น ซึ่ึ�งข้อมูลีดังกลี่าวจะ
เติ่อนลี่วงหน้า (AI-Driven Early Warning) ที�ผสานหลีักเทอริ์โม- ช่่วยให้เกิดการิบริิหาริจัดการิเช่ิงริุกได้ เช่่น การิกำาหนดริาคาแบบไดนามิก
ไดนามิกส์เข้ากับการิเริียนริู้เช่ิงลีึกแบบผสมผสาน (Knowledge- (Dynamic Pricing) การิจัดส่งสินค้าที�ใกลี้หมดอายุไปยังติลีาดใกลี้เคียง
Guided CNN-BiLSTM) เพื่่�อทำานายการิเบี�ยงเบนของอุณหภูมิ ก่อน แลีะการิแจ้งเติ่อนเพื่่�อปริับสภาวะการิเก็บริักษาได้อย่างทันท่วงที
อาหาริริะหว่างการิขนส่ง โดย CNN (Convolutional Neural ห่วงโซึ่่ความเย็นอัจฉริิยะมีส่วนสำาคัญในการิช่่วยเพื่ิ�มความสามาริถใน
Network) ใช่้สกัดคุณลีักษณะของการิไหลีของอากาศัแลีะความริ้อน การิติิดติามสภาวะอาหาริ พื่ยากริณ์ความเสี�ยง แลีะติัดสินใจได้อย่าง
ขณะที� BiLSTM (Bidirectional Long Short-Term Memory) จะ ทันท่วงที ติั�งแติ่การิควบคุมอุณหภูมิ การิวางแผนขนส่ง ไปจนถึงการิจัด
ช่่วยวิเคริาะห์ข้อมูลีอนุกริมเวลีา เช่่น การิทำาความเย็นแลีะการิเปิด จำาหน่ายติามอายุการิเก็บริักษาที�เหลี่ออยู่จริิง อย่างไริก็ติาม ปริะสิทธิิภาพื่
ปริะติูริถ ริ่วมกับข้อมูลีหลีายแหลี่ง (Multi-Source Data) อาทิ ของริะบบขึ�นอยู่กับความน่าเช่่�อถ่อของข้อมูลี การิทดสอบแบบจำาลีองใน
อุณหภูมิเริิ�มติ้นของอาหาริ (ITF) แลีะริะยะเวลีาเปิดปริะติูสะสม สภาวะใช่้งานจริิง แลีะความเข้าใจของผู้ปฏิิบัติิงาน การิปริะยุกติ์ใช่้
(COT) ผลีการิศัึกษาสามาริถแจ้งเติ่อนความเบี�ยงเบนของอุณหภูมิ เทคโนโลียีอย่างเหมาะสมจึงไม่เพื่ียงช่่วยลีดการิสูญเสียอาหาริ แติ่ยังช่่วย
ได้ลี่วงหน้า 30 นาที โดยมีค่าความคลีาดเคลี่�อนเฉลีี�ย (RMSE) ปริะหยัดทริัพื่ยากริในการิผลีิติ พื่ริ้อมคงคุณภาพื่แลีะคุณค่าของอาหาริ
ปริะมาณ 0.31 °C แลีะลีดความคลีาดเคลี่�อนจากโมเดลีทั�วไปได้ ติลีอดห่วงโซึ่่อุปทาน

ริ้อยลีะ 18–71 (Duan et al., 2026)

66 FOOD FOCUS THAILAND NOV-DEC 2026

27/10/2569 BE 15:00
65-68_Storage_Logis_Ravis.indd 66 27/10/2569 BE 15:00
65-68_Storage_Logis_Ravis.indd 66