ESC lab

ESC lab Electrochemical Energy Storage and Conversion Laboratory, Department of Mechanical Engineering, King Mongkut's University of Technology Thonburi

เราควรเชื่อถือการทดลองมากกว่า Simulation จริงหรือ?คนจำนวนไม่น้อยเชื่อว่าการทดลองมีความน่าเชื่อถือมากกว่าการจำลองด้วยคอมพ...
15/10/2026

เราควรเชื่อถือการทดลองมากกว่า Simulation จริงหรือ?

คนจำนวนไม่น้อยเชื่อว่าการทดลองมีความน่าเชื่อถือมากกว่าการจำลองด้วยคอมพิวเตอร์ (Simulation) เพราะการทดลองคือการวัดสิ่งที่เกิดขึ้นจริง ขณะที่ Simulation เป็นเพียงการคำนวณจากแบบจำลอง(สมการ)ที่มนุษย์สร้างขึ้น เราอาจกำหนดสมมติฐานหรือตัวเลขบางอย่างลงไป แล้วได้ผลลัพธ์ที่ดูสมเหตุสมผล ทั้งที่ในความเป็นจริงอาจไม่ได้เป็นเช่นนั้นเลย

ผมคิดว่า หากเราตั้งคำถามกับ Simulation เพราะมันอาจไม่ตรงกับความเป็นจริง เราก็ควรตั้งคำถามกับการทดลองด้วยเช่นกัน เพราะ การวัดสิ่งที่เกิดขึ้นจริง ไม่ได้หมายความว่าเราจะเข้าใจสิ่งที่เกิดขึ้นนั้นอย่างถูกต้องเสมอไป
----------

ในการทดลอง สิ่งที่เราวัดได้อาจเป็นผลรวมของปรากฏการณ์หลายชนิดที่เกิดขึ้นพร้อมกัน ทั้งสัญญาณรบกวน ข้อจำกัดของเครื่องมือวัด ความคลาดเคลื่อนในการสอบเทียบ และกลไกทางฟิสิกส์อื่น ๆ ที่เราอาจยังไม่เข้าใจ

ตัวอย่างเช่น เราอาจวัดกระแสไฟฟ้าได้อย่างแม่นยำ แต่กระแสที่วัดได้นั้นอาจประกอบด้วยทั้งกระแสจากปฏิกิริยาไฟฟ้าเคมีที่เราสนใจ และกระแสจากปรากฏการณ์อื่น ๆ หากเราไม่สามารถแยกองค์ประกอบเหล่านี้ออกจากกันได้ การวัดที่แม่นยำก็ไม่ได้รับประกันว่าเราจะตีความกลไกเบื้องหลังได้อย่างถูกต้อง

ความแม่นยำของการวัด กับความถูกต้องของคำอธิบาย จึงเป็นคนละเรื่องกัน
-------

ในทางกลับกัน Simulation เปิดโอกาสให้เราศึกษาความสัมพันธ์ภายในระบบภายใต้เงื่อนไขที่กำหนดได้อย่างเป็นระบบ เราสามารถเปลี่ยนพารามิเตอร์เพียงตัวเดียว แล้วตรวจสอบว่าผลลัพธ์เปลี่ยนแปลงไปอย่างไร หรือทดลองแยกกลไกทางฟิสิกส์บางอย่างออกจากกัน เพื่อดูว่าแต่ละกลไกมีส่วนต่อพฤติกรรมของระบบมากน้อยเพียงใด

ข้อได้เปรียบสำคัญของ Simulation จึงไม่ใช่เพียงการคำนวณได้รวดเร็ว หรือการควบคุมตัวแปรได้ดีกว่าการทดลองในทุกกรณี แต่คือการที่เราสามารถเข้าไปตรวจสอบองค์ประกอบภายในแบบจำลองได้โดยตรง ซึ่งในระบบจริง เราอาจไม่สามารถแยกหรือควบคุมกลไกแต่ละชนิดได้อย่างอิสระเช่นนั้น

แน่นอนว่า การควบคุมทุกอย่างในคอมพิวเตอร์ไม่ได้ทำให้ Simulation ถูกต้องโดยอัตโนมัติ หากสมมติฐานไม่เหมาะสม สมการพื้นฐานไม่ถูกต้อง คำนวณมาไม่ดี หรือแบบจำลองละเลยกลไกสำคัญ ผลลัพธ์ก็อาจคลาดเคลื่อนจากความเป็นจริงได้เช่นกัน สิ่งที่เราตรวจสอบได้โดยตรงจาก Simulation คือพฤติกรรมของระบบภายใต้แบบจำลองที่สร้างขึ้น ส่วนแบบจำลองนั้นจะอธิบายธรรมชาติได้ดีเพียงใด ยังต้องอาศัยเหตุผลทางฟิสิกส์และหลักฐานอื่น ๆ มาประกอบ
---------

ผมเริ่มเข้าใจเรื่องนี้อย่างจริงจังระหว่างเรียนปริญญาเอก เมื่อผมต้องสร้างแบบจำลองทางฟิสิกส์ขึ้นมา แล้วใช้แบบจำลองนั้นศึกษาว่าพารามิเตอร์ทางกายภาพแต่ละตัวส่งผลต่อพฤติกรรมของระบบอย่างไร

งานวิจัยระดับปริญญาเอกของผมเกี่ยวข้องกับการวัดสัญญาณทางไฟฟ้าเคมี แล้วใช้ข้อมูลที่ได้อนุมานกลับไปถึงพารามิเตอร์ทางกายภาพของระบบ แต่การเชื่อมโยงระหว่างสัญญาณที่วัดได้กับพารามิเตอร์ที่เราต้องการทราบไม่ได้ตรงไปตรงมาเสมอไป เพราะสัญญาณหนึ่งอาจเกิดจากกลไกหลายชนิดที่ทำงานร่วมกัน เราจึงจำเป็นต้องสร้างแบบจำลองทางฟิสิกส์ขึ้นมา เพื่อทำความเข้าใจว่าแต่ละกลไกมีส่วนต่อสัญญาณที่สังเกตได้อย่างไร และเราสามารถอนุมานข้อมูลเกี่ยวกับระบบจากสัญญาณนั้นได้มากน้อยเพียงใด

ในงานลักษณะนี้ ผมมองแบบจำลองเป็นเสมือนความจริงอ้างอิงภายใต้สมมติฐานที่กำหนดไว้ หากต้องการทราบว่าพารามิเตอร์ตัวหนึ่งส่งผลต่อระบบอย่างไร เราก็เปลี่ยนเฉพาะพารามิเตอร์นั้น แล้วตรวจสอบผลที่เกิดขึ้น โดยคงเงื่อนไขอื่นไว้เท่าเดิม วิธีนี้ช่วยให้ผมแยกแยะความสัมพันธ์เชิงเหตุและผลภายในแบบจำลองได้ชัดเจนขึ้น โดยไม่ต้องเผชิญกับปรากฏการณ์ทุกอย่างที่เกิดขึ้นพร้อมกันเหมือนในระบบจริง

แน่นอนว่า สิ่งที่ค้นพบยังอยู่ภายใต้ขอบเขตของสมมติฐานที่ใช้ แต่ประสบการณ์นี้ทำให้ผมตระหนักว่า Simulation ไม่ได้มีหน้าที่เพียงทำนายผลการทดลอง หากยังเป็นเครื่องมือที่ช่วยให้เราเข้าใจกลไกทางฟิสิกส์ และตรวจสอบความสัมพันธ์ที่อาจมองเห็นได้ยากจากการสังเกตระบบจริงเพียงอย่างเดียว
----------

เมื่อไม่นานมานี้ ผมได้รีวิวบทความของนักวิจัยอาวุโสท่านหนึ่งในสาขา ซึ่งนำแบบจำลองทางฟิสิกส์กลับมาทบทวนสมการคลาสสิกที่ใช้ในงานเคมีไฟฟ้ามาตั้งแต่ก่อนสงครามโลกครั้งที่สอง สมการดังกล่าวเองก็มีรากฐานจากแบบจำลองและการอนุมานทางคณิตศาสตร์ ไม่ใช่เพียงการนำข้อมูลจากการทดลองมาจัดรูปเป็นสมการเท่านั้น

สิ่งที่ทำให้ผมสนใจไม่ใช่เพียงการนำสมการที่ใช้กันมานานเกือบแปดสิบปีกลับมาศึกษาอีกครั้ง แต่เป็นความพยายามที่จะสร้างสมการในรูปแบบทั่วไป โดยไม่จำเป็นต้องยึดติดกับเงื่อนไขเริ่มต้นเฉพาะบางอย่างที่ใช้ในวิธีการดั้งเดิม

เรื่องนี้ทำให้ผมนึกถึงคำถามสำคัญข้อหนึ่ง

หากสมการหนึ่งใช้ได้ภายใต้เงื่อนไขเฉพาะ เรากำลังเห็นข้อจำกัดของปรากฏการณ์ทางฟิสิกส์เอง หรือกำลังเห็นข้อจำกัดของวิธีที่เราใช้ศึกษาและอธิบายปรากฏการณ์นั้น?

ในบางครั้ง เราอาจเริ่มต้นจากแบบจำลองเพื่ออธิบายผลการทดลอง แต่เมื่อเข้าใจแบบจำลองมากขึ้น เราก็อาจกลับไปตั้งคำถามกับสมการที่ใช้กันมานานหลายสิบปีได้เช่นกัน แบบจำลองจึงไม่ได้เป็นเพียงเครื่องมือสำหรับยืนยันสิ่งที่เรารู้อยู่แล้ว แต่อาจเป็นเครื่องมือสำหรับค้นหาข้อจำกัดของความรู้เดิม และขยายขอบเขตความเข้าใจของเราให้กว้างขึ้น
---------

นอกไปจากนั้น ผมคิดว่าเราควรตั้งคำถามกับแนวคิดที่ว่า Simulation จะมีความน่าเชื่อถือได้ก็ต่อเมื่อผ่านการตรวจสอบกับผลการทดลองเสมอไปด้วย เพราะวิธีคิดเช่นนี้อาจทำให้เรามองการทดลองเป็นคำตอบสุดท้าย และมองแบบจำลองเป็นเพียงสิ่งที่ต้องพยายามทำให้สอดคล้องกับคำตอบนั้น

ในความเป็นจริง ความสัมพันธ์ระหว่างทั้งสองอาจเป็นไปได้ทั้งสองทาง เราใช้การทดลองตรวจสอบแบบจำลองได้ แต่ก็สามารถใช้แบบจำลองช่วยออกแบบการทดลอง เพื่อเลือกเงื่อนไขที่เหมาะสมสำหรับแยกแยะกลไกทางฟิสิกส์ หรือทดสอบสมมติฐานที่แตกต่างกันได้เช่นกัน

แน่นอนว่า นี่ไม่ได้หมายความว่าเราควรออกแบบการทดลองเพื่อทำให้ผลตรงกับแบบจำลองที่เราต้องการ แต่หมายถึงการใช้ความเข้าใจทางฟิสิกส์และความสามารถของแบบจำลองมาช่วยกำหนดว่า เราควรทดลองอย่างไรจึงจะได้หลักฐานที่มีความหมายมากที่สุด หากผลที่ได้ไม่ตรงกับคำทำนาย เราก็ต้องพร้อมทบทวนทั้งแบบจำลอง สมมติฐาน และวิธีตีความผลการทดลอง

การทดลองไม่ควรเป็นเพียงสนามสอบที่แบบจำลองต้องผ่าน และแบบจำลองก็ไม่ควรเป็นกรอบที่บังคับให้เราตีความผลการทดลองไปในทิศทางที่กำหนดไว้ล่วงหน้า ทั้งสองควรช่วยกันเปิดเผยข้อจำกัดของความเข้าใจที่เรามีอยู่

ท้ายที่สุด เป้าหมายไม่ใช่การทำให้การทดลองกับ Simulation ให้ผลตรงกันให้ได้ แต่คือการค้นหาว่า หากทั้งสองไม่สอดคล้องกัน เราจะเรียนรู้อะไรจากความไม่สอดคล้องนั้นได้บ้าง
----------

ท้ายที่สุด ผมไม่ได้ต้องการเสนอว่าเราควรเชื่อถือ Simulation มากกว่าการทดลอง แต่คิดว่าเราไม่ควรตัดสินความน่าเชื่อถือจากประเภทของเครื่องมือเพียงอย่างเดียว

การทดลองเปิดโอกาสให้เราเผชิญหน้ากับธรรมชาติ และอาจเปิดเผยปรากฏการณ์ที่แบบจำลองยังอธิบายไม่ได้ ส่วน Simulation ช่วยให้เราแยกแยะกลไก ตรวจสอบความสัมพันธ์ และสำรวจผลของเงื่อนไขต่าง ๆ ได้อย่างเป็นระบบ ทั้งสองมีข้อจำกัดและมีคุณค่าในแบบของตัวเอง และสามารถช่วยตรวจสอบซึ่งกันและกันได้

การทดลองอาจบอกเราว่าเกิดอะไรขึ้น ขณะที่แบบจำลองช่วยให้เราเข้าใจว่าเหตุใดจึงเกิดขึ้น และหากเปลี่ยนเงื่อนไขบางอย่าง สิ่งที่เกิดขึ้นจะเปลี่ยนไปอย่างไร แต่ในทางกลับกัน หากผลการทดลองไม่สอดคล้องกับแบบจำลอง ความไม่สอดคล้องนั้นก็ไม่จำเป็นต้องเป็นความล้มเหลว แต่อาจเป็นจุดเริ่มต้นของคำถามใหม่ที่เราไม่เคยคิดจะถามมาก่อน

สำหรับผม นี่คือเสน่ห์อย่างหนึ่งของการทำวิจัย เราไม่ได้มีหน้าที่เพียงวัดสิ่งที่เกิดขึ้น หรือคำนวณผลลัพธ์ที่คาดว่าจะเกิดขึ้น แต่ต้องพยายามค้นหาว่าเหตุใดสิ่งเหล่านั้นจึงเกิดขึ้น และขอบเขตความเข้าใจของเราสิ้นสุดลงตรงไหน

การเห็นสิ่งที่เกิดขึ้นจริง ไม่ได้แปลว่าเราจะเข้าใจว่าทำไมมันจึงเกิดขึ้น และการคำนวณสิ่งที่เกิดขึ้นได้ ก็ไม่ได้แปลว่าเราเข้าใจธรรมชาติแล้วเช่นกัน

เป้าหมายของวิทยาศาสตร์ไม่ใช่การทำให้สิ่งที่เราวัดได้ตรงกับสิ่งที่เราคำนวณ แต่คือการทำความเข้าใจธรรมชาติให้ได้มากกว่าที่เราเคยเข้าใจ

เพิ่งเช็ค Proof เสร็จไปงานวิจัยนี้ศึกษาปัญหาการออกแบบโครงสร้าง porous electrode ใน electrochemical systems โดยกำหนดระบบต...
14/10/2026

เพิ่งเช็ค Proof เสร็จไป

งานวิจัยนี้ศึกษาปัญหาการออกแบบโครงสร้าง porous electrode ใน electrochemical systems โดยกำหนดระบบตัวอย่างเป็น proton exchange membrane fuel cell (PEMFC) โดยนำแนวคิดจาก nonequilibrium thermodynamics มาเชื่อมโยงกับ topology optimization และ entropy generation analysis เพื่อศึกษาว่า การ coupling ระหว่างกระบวนการขนส่งต่าง ๆ ส่งผลต่อโครงสร้างที่เหมาะสม สมรรถนะทางไฟฟ้าเคมี และความสูญเสียทางเทอร์โมไดนามิกส์อย่างไร

ผมอยากลองสรุปเนื้อหาสำคัญของงานนี้ให้ฟังกันครับ
---------

1. เราศึกษาระบบอะไร และสร้างแบบจำลองอย่างไร?

ในงานนี้ เราเลือกศึกษาด้าน cathode ของ PEMFC ซึ่งประกอบด้วยชั้นวัสดุพรุนสองส่วน ได้แก่ gas diffusion layer (GDL) และ catalyst layer (CL)

แม้ทั้งสองชั้นจะอยู่ในฝั่งเดียวกัน แต่มีหน้าที่แตกต่างกัน GDL ทำหน้าที่ช่วยลำเลียงออกซิเจนไปยังบริเวณที่เกิดปฏิกิริยา ขณะที่ CL เป็นบริเวณที่มีปฏิกิริยา oxygen reduction เกิดขึ้น และต้องอาศัยทั้งออกซิเจน โปรตอน และอิเล็กตรอนเพื่อให้ปฏิกิริยาดำเนินไปได้

ดังนั้น การออกแบบโครงสร้างของทั้งสองชั้นจึงต้องคำนึงถึงความต้องการที่แตกต่างกัน ทั้งการขนส่งสารตั้งต้น การนำความร้อน และการนำประจุ

แบบจำลองของเราเป็นระบบสองมิติ (2D) โดยเราพิจารณาการขนส่งหลักสี่ประเภท ได้แก่ Heat transport, Species transport, Electron transport, Proton transport

สิ่งสำคัญคือ เราไม่ได้ตั้งสมการของกระบวนการเหล่านี้ให้เป็นอิสระจากกันทั้งหมด แต่ใช้กรอบ nonequilibrium thermodynamics เพื่ออธิบายความสัมพันธ์ระหว่าง thermodynamic driving forces และ fluxes ของกระบวนการขนส่งต่าง ๆ

ในเชิงคณิตศาสตร์ ความสัมพันธ์ดังกล่าวถูกแสดงผ่าน transport-coefficient matrix ซึ่งมีองค์ประกอบที่สะท้อนทั้งการขนส่งหลักและผลของ coupling ระหว่างกระบวนการ

จากนั้น เรานำสมการทั้งหมดไปเชื่อมกับ topology optimization โดยกำหนดให้เพิ่มอัตราการเกิดปฏิกิริยาไฟฟ้าเคมีโดยรวมภายใต้ข้อจำกัดของสัดส่วนวัสดุแต่ละเฟส

โจทย์จึงไม่ได้เป็นเพียงการคำนวณว่าอิเล็กโทรดที่มีอยู่ทำงานอย่างไร แต่เป็นการค้นหาว่า หากสามารถจัดสรรเฟสของแข็ง เฟสอิเล็กโทรไลต์ และช่องว่างภายในบริเวณออกแบบได้อย่างอิสระ โครงสร้างแบบใดจะเหมาะสมที่สุดภายใต้แบบจำลองนั้น
---------

2. เมื่อพิจารณา transport coupling โครงสร้างที่เหมาะสมเปลี่ยนไปอย่างไร?

ผลที่เห็นได้ชัดที่สุดเกิดขึ้นใน GDL โดยเฉพาะเมื่อพิจารณาผลของ heat–mass coupling ซึ่งสัมพันธ์กับ Soret effect

Soret effect เป็นปรากฏการณ์ที่ความแตกต่างของอุณหภูมิสามารถทำให้เกิดการขนส่งสารเพิ่มเติมจากการแพร่ที่เกิดจากความแตกต่างของศักย์เคมีหรือความเข้มข้นได้

กล่าวคือ ออกซิเจนไม่ได้เคลื่อนที่เพียงเพราะมีความแตกต่างของศักย์เคมีเท่านั้น แต่ความแตกต่างของอุณหภูมิก็สามารถมีส่วนกำหนดทิศทางและขนาดของ flux ได้ด้วย

ในงานนี้ เราเปรียบเทียบการออกแบบสองกรณี ได้แก่

กรณีแรก คือ no-coupling case ซึ่งละเลย coupling coefficients ในสมการขนส่ง

กรณีที่สอง คือ coupling case ซึ่งพิจารณาผลของ coupling ตามกรอบสมการที่พัฒนาขึ้น

เมื่อ coupling มีอิทธิพลมากขึ้น โครงสร้าง GDL ที่ได้จากการ optimization จะเปลี่ยนไปอย่างชัดเจน โดยมีการรักษาเฟสของแข็งไว้มากขึ้น และเกิดเส้นทางของวัสดุที่ต่อเนื่องกว่าในบางบริเวณ

ในทางกลับกัน โครงสร้างที่ได้จาก no-coupling case มีแนวโน้มสร้างบริเวณที่มีช่องว่างมากขึ้น เพื่อช่วยให้การขนส่งออกซิเจนทำได้สะดวก

ความแตกต่างนี้สะท้อน trade-off สำคัญระหว่างการขนส่งมวลกับการนำความร้อนและอิเล็กตรอน

การเพิ่มช่องว่างช่วยลดความต้านทานต่อการแพร่ของออกซิเจน แต่หากลดสัดส่วนของแข็งมากเกินไป ก็อาจทำให้เส้นทางการนำความร้อนและอิเล็กตรอนมีประสิทธิภาพลดลง ในทางกลับกัน การรักษาโครงข่ายของแข็งให้ต่อเนื่องช่วยสนับสนุนการนำความร้อนและประจุ แต่ก็อาจจำกัดพื้นที่สำหรับการขนส่งออกซิเจน

เมื่อมี heat–mass coupling เข้ามา การกระจายตัวของวัสดุที่เหมาะสมจึงต้องตอบสนองต่อปฏิสัมพันธ์ระหว่างกระบวนการเหล่านี้พร้อมกัน
---------

3. GDL และ CL ตอบสนองต่อ coupling แตกต่างกัน

ส่วนนี้เป็นหนึ่งในผลการศึกษาที่ผมคิดว่าน่าสนใจ เพราะแม้ทั้งสองชั้นจะอยู่ในอิเล็กโทรดเดียวกัน แต่การตอบสนองของโครงสร้างกลับแตกต่างกันอย่างชัดเจน

ใน GDL การเปลี่ยนแปลงของโครงสร้างค่อนข้างเด่นชัด เนื่องจากชั้นนี้มีความหนามากกว่า CL มาก และมีหน้าที่หลักในการขนส่งสารตั้งต้น จึงเปิดโอกาสให้ topology optimization จัดสรรช่องว่างและโครงข่ายของแข็งเพื่อสร้างเส้นทางการขนส่งที่แตกต่างกันได้

แต่ใน CL ความแตกต่างระหว่าง coupling และ no-coupling cases มีค่อนข้างน้อย

โครงสร้างที่เหมาะสมยังคงรักษาเฟสของแข็งให้กระจายตัวอย่างต่อเนื่อง เพื่อสนับสนุนการนำอิเล็กตรอน ขณะที่สัดส่วนของช่องว่างและอิเล็กโทรไลต์มีการกระจายตัวแบบไล่ระดับ โดยช่องว่างมีแนวโน้มลดลงเมื่อเข้าใกล้เมมเบรน ส่วนเฟสอิเล็กโทรไลต์มีแนวโน้มเพิ่มขึ้น เพื่อรองรับความต้องการในการขนส่งออกซิเจนและโปรตอนตามตำแหน่งต่าง ๆ

เหตุผลหนึ่งคือ CL มีความหนาเพียง 10 ไมโครเมตร ซึ่งจำกัดอิสระในการสร้างช่องทางที่แตกแขนงหรือมีความแตกต่างของโครงสร้างอย่างเด่นชัด อีกทั้งชั้นนี้ต้องรักษาบริเวณที่เอื้อต่อการเกิดปฏิกิริยาและเส้นทางการนำประจุให้ต่อเนื่อง

ผลดังกล่าวแสดงให้เห็นว่า แม้ transport coupling จะมีอยู่ในระบบเดียวกัน แต่อิทธิพลต่อโครงสร้างอาจไม่เท่ากันในแต่ละบริเวณ เพราะหน้าที่ทางกายภาพและข้อจำกัดเชิงเรขาคณิตของแต่ละชั้นแตกต่างกัน
-----------

4. โครงสร้างที่ได้ส่งผลต่อสมรรถนะอย่างไร?

หลังจากได้โครงสร้างจาก optimization แล้ว เราศึกษาการกระจายตัวของความเข้มข้นออกซิเจน อุณหภูมิ ศักย์ไฟฟ้า อัตราการเกิดปฏิกิริยา และ flux ของกระบวนการขนส่งต่าง ๆ

ผลการคำนวณแสดงให้เห็น trade-off ที่สำคัญอีกประการหนึ่ง

โครงสร้าง no-coupling case ที่มีช่องทางสำหรับก๊าซมากกว่า สามารถส่งเสริมการขนส่งออกซิเจนได้ดี และมีอัตราการเกิดปฏิกิริยาสูงกว่าในบางเงื่อนไข แต่ก็มีโครงข่ายของแข็งน้อยกว่า จึงมีข้อจำกัดด้านการนำความร้อนและอิเล็กตรอน

ใน coupling case การรักษาเฟสของแข็งไว้มากขึ้นช่วยให้ความร้อนถูกนำออกจากบริเวณที่เกิดปฏิกิริยาได้ดีขึ้น และช่วยรักษาเส้นทางการนำอิเล็กตรอน แต่ผลของ Soret effect สามารถสร้าง flux ของออกซิเจนในทิศทางตรงข้ามกับ flux ที่เกิดจากความแตกต่างของศักย์เคมี ทำให้การขนส่งออกซิเจนสุทธิลดลงในบางบริเวณ

หากการพิจารณาเฉพาะแรงขับที่เกี่ยวข้องกับการแพร่ของออกซิเจนอาจไม่เพียงพอที่จะอธิบายการขนส่งสุทธิในระบบที่มี coupling

ในแง่ของสมรรถนะ เมื่อเรานำโครงสร้างที่ optimize ด้วยแบบจำลองทั้งสองแบบกลับมาประเมินด้วยสมการที่มี coupling ครบถ้วนตามกรอบการศึกษานี้ พบความแตกต่างอย่างมีนัยสำคัญ

ที่แรงดันเซลล์ 0.65 V โครงสร้างที่ optimize โดยพิจารณา coupling ให้ความหนาแน่นกระแสประมาณ 1.19 A cm⁻² เทียบกับประมาณ 0.935 A cm⁻² สำหรับโครงสร้างที่ optimize โดยไม่พิจารณา coupling

เมื่อพิจารณาตลอดช่วงแรงดัน 0.73–0.43 V ความแตกต่างด้านสมรรถนะเพิ่มจาก 8.82% เป็น 47.3% ในกรณีดังกล่าว

สิ่งนี้แสดงให้เห็นว่า เมื่อ coupling มีความสำคัญ การละเลยผลดังกล่าวตั้งแต่ขั้นตอนการออกแบบอาจทำให้ได้โครงสร้างที่ไม่เหมาะสมเมื่อพิจารณาฟิสิกส์ของระบบอย่างครบถ้วนขึ้น
-----------

5. Entropy generation analysis บอกอะไรเรา

Entropy generation เป็นตัวชี้วัดความไม่ผันกลับของกระบวนการทางเทอร์โมไดนามิกส์ ซึ่งสามารถใช้วิเคราะห์ความสูญเสียที่เกี่ยวข้องกับการขนส่งความร้อน มวล ประจุ และปฏิกิริยาไฟฟ้าเคมี

การวิเคราะห์ของเราแยกแหล่งกำเนิด entropy generation ออกเป็นห้าส่วน ได้แก่ การถ่ายเทความร้อน, การขนส่งมวล, การขนส่งอิเล็กตรอน, การขนส่งโปรตอน, ปฏิกิริยาไฟฟ้าเคมี

ผลการศึกษาพบว่า ใน GDL การพิจารณา coupling เปลี่ยนการกระจายตัวของความสูญเสียอย่างชัดเจน

สำหรับกรณี coupling โครงสร้างมีความสูญเสียจากการถ่ายเทความร้อนต่ำกว่า เนื่องจากโครงข่ายของแข็งที่ต่อเนื่องช่วยให้การนำความร้อนมีประสิทธิภาพมากขึ้น ขณะเดียวกัน ความสูญเสียจากการขนส่งมวลกลับสูงขึ้น เพราะสัดส่วนช่องว่างที่ลดลงเพิ่มความต้านทานต่อการแพร่ของออกซิเจน

ส่วนความสูญเสียจากการขนส่งอิเล็กตรอนก็ลดลงในกรณี coupling เมื่อเทียบกับ no-coupling case ภายใต้เงื่อนไขเดียวกัน

ใน CL ผลของ coupling ต่อการกระจายตัวของ entropy generation มีขนาดเล็กกว่า และปฏิกิริยาไฟฟ้าเคมียังคงเป็นแหล่งกำเนิด entropy generation ที่สำคัญที่สุดในแบบจำลองนี้

ผลดังกล่าวชี้ให้เห็นว่า การพิจารณาเฉพาะสมรรถนะรวมอาจไม่เพียงพอ หากเราต้องการเข้าใจกลไกของความสูญเสียภายในระบบ เพราะแม้โครงสร้างสองแบบจะให้ผลด้านสมรรถนะใกล้เคียงกัน แต่ความสูญเสียอาจกระจายตัวไปยังกลไกต่าง ๆ ในสัดส่วนที่แตกต่างกันได้

การประเมินทั้งสมรรถนะและ entropy generation จึงช่วยให้เราเห็นภาพของระบบได้ครบถ้วนกว่าการใช้ตัวชี้วัดเพียงชนิดเดียว
--------

สำหรับผม งานนี้เป็นตัวอย่างหนึ่งของการนำความเข้าใจทางฟิสิกส์ไปใช้ในการออกแบบเชิงคำนวณ โดยเชื่อมโยงตั้งแต่สมการการขนส่งระดับต่อเนื่อง ไปจนถึงโครงสร้างที่เหมาะสมและการประเมินความสูญเสียของระบบครับ

ป.ล. Framework นี้ใช้กับอุปกรณ์เคมีไฟฟ้าอื่นๆได้ทั้งหมด ไม่ว่าจะเป็น แบตเตอรี่ลิเทียม แบตเตอรี่ไหล หรือ อิเล็กโทรไลเซอร์ ครับ

เรากำลังทำวิจัยเพื่อหาคำตอบ หรือเพียงเพื่อทำให้คำตอบเดิมดีขึ้นเรื่อย ๆตอนผมเรียนปริญญาโท ผมเป็นคนคิดหัวข้อวิจัยขึ้นมาเอง...
12/10/2026

เรากำลังทำวิจัยเพื่อหาคำตอบ หรือเพียงเพื่อทำให้คำตอบเดิมดีขึ้นเรื่อย ๆ

ตอนผมเรียนปริญญาโท ผมเป็นคนคิดหัวข้อวิจัยขึ้นมาเอง ด้วยความรู้ความเข้าใจที่ยังมีอยู่อย่างจำกัดในเวลานั้น หัวข้อที่ผมเลือกคือการออกแบบช่องทางการไหล (flow channel design) เพื่อช่วยในการส่งสารตั้งต้นและระบายน้ำภายในอุปกรณ์เซลล์เชื้อเพลิงแบบพอลิเมอร์อิเล็กโทรไลต์ (PEMFC)

ในเวลานั้น ผมทราบดีว่ามีนักวิจัยจำนวนมากทำงานในหัวข้อนี้ และคิดว่าหากเดินหน้าทำวิจัยเรื่องนี้ต่อไปเรื่อย ๆ ก็น่าจะสร้างผลงานตีพิมพ์ได้อีกมากมาย เพียงปรับเปลี่ยนรูปแบบหรือขนาดของช่องทางการไหล หรือเปลี่ยนเงื่อนไขการทำงานบางอย่าง แล้วศึกษาว่าการเปลี่ยนแปลงเหล่านั้นส่งผลต่อสมรรถนะของเซลล์เชื้อเพลิงอย่างไร

พูดกันตรง ๆ ตอนนั้นผมคิดแค่ว่า เราสามารถทำวิจัยเรื่องนี้ต่อไปได้เรื่อย ๆ ปรับนู่นนิดนี่หน่อย แล้วก็ตีพิมพ์ไปได้อีกหลายบทความ

แน่นอนว่า งานวิจัยลักษณะนี้ไม่ได้ไร้ประโยชน์ การปรับปรุงรายละเอียดของการออกแบบสามารถสร้างประโยชน์ให้กับเทคโนโลยีได้จริง แต่ในเวลานั้น ผมไม่เคยตั้งคำถามกับตัวเองอย่างจริงจังว่า เรากำลังทำสิ่งเหล่านี้ไปเพื่ออะไร และเราจะต้องทำการศึกษาในลักษณะนี้ต่อไปอีกนานแค่ไหน

จนกระทั่งผมได้ไปเรียนปริญญาเอก
------

วันแรกที่ผมเดินทางไปถึงญี่ปุ่นและเข้าไปที่แล็บเป็นครั้งแรก ผมได้นั่งพูดคุยกับอาจารย์ที่ปรึกษา เล่าให้แกฟังถึงงานวิจัยที่ผมทำมาตั้งแต่สมัยปริญญาโท

หลังจากฟังผมเล่าจนจบ แกก็ถามคำถามหนึ่งขึ้นมาว่า

“คุณรู้ไหมว่า รูปร่างของช่องทางการไหลแบบไหนดีที่สุด?”

คำถามนี้ฟังดูเหมือนเป็นคำถามธรรมดา แต่เมื่อคิดให้ดี มันเป็นคำถามที่ตอบได้ยากมาก

อาจารย์ที่ปรึกษาของผมเป็นบรรณาธิการของวารสารชั้นนำแห่งหนึ่งในสาขาไฮโดรเจน และงานวิจัยระดับปริญญาโทของผมเองก็ได้รับการตีพิมพ์ในวารสารนั้นด้วย แกเข้าใจเนื้อหาของงานวิจัยเป็นอย่างดี และผมคิดว่าคำถามนี้ไม่ได้เกิดขึ้นเพราะแกต้องการให้ผมตอบว่าดีไซน์แบบไหนดีที่สุดในทันที แต่เป็นการชวนให้ผมกลับไปคิดว่า ตลอดเวลาที่ผ่านมา เรากำลังพยายามตอบคำถามอะไรกันแน่

แกพูดต่อว่า คำถามนี้ตอบได้ยากก็จริง แต่สิ่งที่นักวิจัยจำนวนมากทำกันอยู่คือการพยายามปรับปรุงการออกแบบที่มีอยู่แล้ว ทำให้มันดีขึ้นอีกเล็กน้อย แล้วก็พยายามทำให้ดีขึ้นไปอีก เพื่อให้สามารถแสดงให้เห็นได้อย่างชัดเจนว่าสิ่งที่เราทำนั้นดีกว่าของเดิมจริง ๆ

เราทดลองเปรียบเทียบรูปแบบต่าง ๆ ปรับเปลี่ยนรายละเอียด แล้วใช้ทรัพยากรและงบประมาณวิจัยไปกับการพิสูจน์ว่าการเปลี่ยนแปลงแต่ละครั้งทำให้สมรรถนะดีขึ้นได้มากน้อยเพียงใด

แกไม่ได้บอกว่างานวิจัยเหล่านี้ไม่มีคุณค่า แต่สิ่งที่แกกำลังชวนให้ผมคิดคือ ในยุคที่คอมพิวเตอร์มีประสิทธิภาพสูงขึ้นมากแล้ว เรายังจำเป็นต้องทำงานวิจัยในลักษณะนี้เป็นหลักอยู่อีกหรือ?

แทนที่จะคิดรูปแบบการออกแบบขึ้นมาทีละแบบ แล้วทดลองดูว่าแบบไหนดีกว่ากัน เราจะสามารถใช้หลักการทางฟิสิกส์และวิธีการคำนวณ เพื่อค้นหาคำตอบว่า รูปแบบการออกแบบที่ดีที่สุดควรมีหน้าตาเป็นอย่างไรได้หรือไม่?

หากเราสามารถตั้งโจทย์ได้อย่างเหมาะสม เราอาจไม่จำเป็นต้องใช้ทรัพยากรจำนวนมากไปกับการปรับปรุงสิ่งที่เรารู้อยู่แล้วทีละนิด แต่สามารถนำทรัพยากรเหล่านั้นไปใช้ค้นหาคำตอบในพื้นที่ที่กว้างกว่าเดิม หรือแม้แต่ตั้งคำถามใหม่ที่เราไม่เคยคิดจะถามมาก่อน

แทนที่จะพยายามทำคำตอบเดิมให้ดีขึ้นเรื่อย ๆ เราอาจควรถามตัวเองก่อนว่า มีวิธีอื่นที่จะช่วยให้เราค้นพบคำตอบที่ดีกว่าได้หรือไม่
------

วันนั้นผมอาจยังไม่เข้าใจสิ่งที่แกต้องการสื่อทั้งหมด แต่เมื่อเวลาผ่านไป ผมจึงค่อย ๆ เข้าใจว่าสิ่งที่ผมได้เรียนรู้จากแกไม่ได้มีเพียงวิธีการทำวิจัยแบบใหม่ หากเป็นวิธีคิดในการตั้งคำถามวิจัยที่แตกต่างออกไป

แกไม่ได้เริ่มต้นจากการถามว่า เราจะทำสิ่งที่มีอยู่แล้วให้ดีขึ้นได้อย่างไร แต่เริ่มจากการถามว่า เรารู้หรือยังว่าอะไรคือสิ่งที่ดีที่สุด และเราจะค้นหาคำตอบนั้นได้อย่างไร

ความแตกต่างนี้สำคัญมาก เพราะหากเราเริ่มต้นจากรูปแบบการออกแบบที่เราคุ้นเคย เราก็มีแนวโน้มที่จะใช้เวลาส่วนใหญ่ไปกับการปรับปรุงรูปแบบเหล่านั้น เราอาจได้ช่องทางการไหลที่ดีขึ้น ได้สมรรถนะที่สูงขึ้น และได้ผลงานวิจัยเพิ่มขึ้นเรื่อย ๆ แต่ทั้งหมดนี้ไม่ได้หมายความว่าเราเข้าใกล้คำตอบที่ดีที่สุดแล้วเสมอไป

ในทางกลับกัน หากเราเริ่มต้นจากหลักการทางฟิสิกส์ ตั้งคำถามถึงกลไกการถ่ายเทมวล การถ่ายเทประจุ และปฏิสัมพันธ์ระหว่างปรากฏการณ์ต่าง ๆ ภายในระบบ เราอาจพบว่ารูปแบบการออกแบบที่เหมาะสมที่สุดนั้นแตกต่างไปจากสิ่งที่เราคุ้นเคยอย่างสิ้นเชิง

และนั่นคือจุดที่เครื่องมืออย่าง topology optimization เข้ามามีบทบาท

แทนที่เราจะเป็นผู้กำหนดรูปทรงของโครงสร้างล่วงหน้า แล้วค่อยศึกษาว่ามันทำงานได้ดีเพียงใด เราสามารถกำหนดปัญหาจากหลักการทางฟิสิกส์ วัตถุประสงค์ และข้อจำกัดของระบบ แล้วใช้กระบวนการคำนวณค้นหาโครงสร้างที่เหมาะสมขึ้นมาได้

แน่นอนว่า การคำนวณไม่ได้ทำให้เราหลุดพ้นจากข้อจำกัดของแบบจำลอง และไม่ได้รับประกันว่าเราจะได้คำตอบที่ดีที่สุดในโลกแห่งความเป็นจริงเสมอไป เรายังต้องอาศัยความเข้าใจทางฟิสิกส์ การตรวจสอบความถูกต้อง และการทดลองเพื่อยืนยันผลลัพธ์

แต่สิ่งที่เปลี่ยนไปคือ เราไม่จำเป็นต้องจำกัดตัวเองอยู่กับรูปแบบที่เราคิดขึ้นมาได้ตั้งแต่ต้นอีกต่อไป เราสามารถเริ่มต้นจากหลักการ แล้วเปิดโอกาสให้กระบวนการค้นหานำเราไปสู่โครงสร้างที่เราอาจไม่เคยนึกถึงมาก่อน

จากการปรับปรุงสิ่งที่เรารู้จัก ไปสู่การค้นหาสิ่งที่เราอาจยังไม่เคยรู้จักมาก่อน
------

เมื่อมองย้อนกลับไป ผมคิดว่าบทสนทนาในวันแรกที่ไปถึงญี่ปุ่นมีอิทธิพลต่อเส้นทางการทำวิจัยของผมอย่างมาก มันทำให้ผมเริ่มสนใจคำถามที่ใหญ่กว่าการออกแบบช่องทางการไหลในเซลล์เชื้อเพลิง และค่อย ๆ ขยายไปสู่การค้นหาว่า โครงสร้างของวัสดุพรุนภายในระบบไฟฟ้าเคมีควรมีลักษณะอย่างไร เพื่อให้เกิดการขนส่งมวลและปฏิกิริยาเคมีที่เหมาะสมที่สุด ภายใต้ข้อจำกัดทางฟิสิกส์และอุณหพลศาสตร์ของระบบ

จนถึงวันนี้ ผมยังคิดว่าคำถามลักษณะนี้มีอะไรให้ค้นหาอีกมากมาย

วิธีคิดนี้ทำให้ผมนึกถึงคำถามที่เกี่ยวข้องกับงานของนิโกลาส์ เลโอนาร์ด ซาดี คาร์โนต์ (Nicolas Léonard Sadi Carnot) ในยุคที่เครื่องจักรไอน้ำกำลังได้รับการพัฒนาอย่างต่อเนื่อง วิศวกรพยายามปรับปรุงเครื่องจักรให้ทำงานได้ดีขึ้น แต่คำถามสำคัญอีกข้อหนึ่งคือ อะไรเป็นตัวกำหนดขีดจำกัดของประสิทธิภาพ และระบบจะมีประสิทธิภาพได้สูงสุดเพียงใดภายใต้หลักการทางฟิสิกส์

แทนที่จะมองเพียงว่าจะทำเครื่องจักรที่มีอยู่ให้ดีขึ้นได้อย่างไร การศึกษาของคาร์โนต์ช่วยวางรากฐานให้กับการทำความเข้าใจขีดจำกัดของเครื่องจักรความร้อนในเชิงทฤษฎี ซึ่งต่อมากลายเป็นส่วนสำคัญของการพัฒนาอุณหพลศาสตร์

สำหรับผม นี่เป็นตัวอย่างที่ชัดเจนว่า บางครั้งความก้าวหน้าที่สำคัญไม่ได้เกิดจากการปรับปรุงสิ่งที่มีอยู่ให้ดีขึ้นเพียงอย่างเดียว แต่เกิดจากการตั้งคำถามในระดับที่ทำให้เราเข้าใจว่า ระบบนั้นทำอะไรได้บ้าง และมีข้อจำกัดอะไรที่เราไม่สามารถก้าวข้ามได้

แน่นอนว่า การปรับปรุงเทคโนโลยีและการศึกษาทฤษฎีไม่ใช่สิ่งที่ต้องเลือกทำเพียงอย่างใดอย่างหนึ่ง ทั้งสองแนวทางสามารถส่งเสริมซึ่งกันและกันได้ แต่การมองเห็นความแตกต่างระหว่างการปรับปรุงสิ่งที่มีอยู่กับการค้นหาหลักการที่กำหนดขีดจำกัดของระบบ ช่วยให้เรามองเห็นโอกาสในการทำวิจัยที่แตกต่างออกไป

และผมคิดว่า นี่เป็นหนึ่งในสิ่งสำคัญที่นักวิจัยควรเรียนรู้ ไม่ใช่เพียงการหาคำตอบให้ได้มากขึ้นเรื่อย ๆ แต่คือการกล้าตั้งคำถามที่ทำให้เราเห็นว่า ยังมีคำตอบอีกมากมายที่เราไม่เคยคิดจะค้นหามาก่อน
------

ยิ่งทำวิจัยมากขึ้น ผมยิ่งรู้สึกว่า สิ่งที่เราควรพยายามทำให้เติบโตไม่ใช่จำนวนบทความตีพิมพ์ หรือแม้แต่ค่า h-index ของเราเอง

เราไม่ได้ต้องการบทความมากมายเพียงเพื่อให้มีบทความมากมาย และเราไม่ได้ต้องการ h-index ที่สูงเพียงเพื่อให้ตัวเลขในประวัติผลงานดูดีขึ้น

สิ่งที่เราต้องการคือการค้นพบความรู้ใหม่ การทำความเข้าใจปรากฏการณ์ที่ก่อนหน้านี้เราอธิบายไม่ได้ และการสร้างกรอบความคิดหรือวิธีการใหม่ที่ช่วยให้คนอื่นสามารถเดินหน้าค้นหาคำตอบในสิ่งที่เรายังไม่รู้ได้ต่อไป

แน่นอนว่า การตีพิมพ์เป็นส่วนสำคัญของกระบวนการทางวิทยาศาสตร์ เพราะความรู้ที่ค้นพบต้องได้รับการสื่อสาร ตรวจสอบ และต่อยอดจากนักวิจัยคนอื่น ๆ ส่วนตัวชี้วัดอย่าง h-index ก็อาจช่วยสะท้อนอิทธิพลของผลงานในบางมิติได้ แต่ทั้งสองอย่างควรเป็นเครื่องมือและผลที่อาจเกิดขึ้นจากการทำวิจัย ไม่ใช่เหตุผลที่เราทำวิจัยตั้งแต่แรก

ผมคิดว่าเราควรถามตัวเองด้วยว่า เบื้องหลังตัวเลขเหล่านั้น เรากำลังสร้างความรู้อะไรขึ้นมา และความรู้นั้นเปลี่ยนแปลงสิ่งที่เราเข้าใจเกี่ยวกับโลกใบนี้ไปมากน้อยเพียงใด

หากเราตั้งคำถามได้ถูกต้อง และค้นพบคำตอบที่มีความหมาย ผลงานตีพิมพ์ก็จะเป็นช่องทางหนึ่งที่ทำให้ความรู้นั้นเดินทางไปถึงผู้อื่น และหากความรู้นั้นมีอิทธิพลมากพอ ตัวเลขต่าง ๆ ก็อาจตามมาเอง

แต่หากเราเริ่มต้นจากการถามว่าจะทำอย่างไรให้มีบทความเพิ่มขึ้นอีกหนึ่งบทความ เราอาจใช้เวลาทั้งชีวิตไปกับการสร้างผลงานจำนวนมาก โดยไม่เคยหยุดถามตัวเองเลยว่า สิ่งที่เรากำลังทำอยู่นั้นกำลังพาเราเข้าใกล้คำตอบที่สำคัญจริง ๆ หรือไม่

สำหรับผม สิ่งที่ได้เรียนรู้จากอาจารย์ที่ปรึกษาในวันนั้น ไม่ใช่การทำวิจัยให้ได้มากขึ้น แต่คือการมองหาคำถามที่ใหญ่พอจะเปลี่ยนวิธีคิดเกี่ยวกับปัญหา และกล้าที่จะค้นหาคำตอบที่เราเองก็ยังไม่รู้ว่าจะมีหน้าตาเป็นอย่างไร

เพราะท้ายที่สุดแล้ว ผมคิดว่าสิ่งที่ทำให้การทำวิจัยมีความหมาย ไม่ใช่จำนวนคำตอบที่เราผลิตออกมา หรือจำนวนบทความที่เราตีพิมพ์ แต่คือการที่เราได้ค้นพบอะไรบางอย่างที่ทำให้มนุษย์เข้าใจโลกใบนี้ได้มากกว่าเดิม

ผมคิดว่าหนึ่งในปัญหาสำคัญของการพัฒนาวิทยาศาสตร์และเทคโนโลยี คือการที่เรามักตั้งคำถามถึงความคุ้มค่าเชิงพาณิชย์เร็วเกินไป ...
12/10/2026

ผมคิดว่าหนึ่งในปัญหาสำคัญของการพัฒนาวิทยาศาสตร์และเทคโนโลยี คือการที่เรามักตั้งคำถามถึงความคุ้มค่าเชิงพาณิชย์เร็วเกินไป จนบางครั้งเผลอใช้ข้อจำกัดของเทคโนโลยีในปัจจุบัน ไปเป็นกรอบกำหนดขอบเขตของสิ่งที่เราควรศึกษาในอนาคต

เรามักได้ยินคำถามทำนองว่า เทคโนโลยีนี้จะนำไปใช้งานจริงได้อย่างไร จะผลิตได้ในราคาที่แข่งขันกับเทคโนโลยีเดิมหรือไม่ และจะสร้างผลตอบแทนทางเศรษฐกิจได้มากเพียงใด

คำถามเหล่านี้ไม่ใช่คำถามที่ผิด ตรงกันข้าม มันเป็นคำถามที่จำเป็นอย่างยิ่งเมื่อเรากำลังพัฒนาผลิตภัณฑ์ วางแผนการผลิต หรือตัดสินใจนำเทคโนโลยีเข้าสู่ตลาด

แต่ปัญหาคือ เรากำลังใช้คำถามเหล่านี้ในขั้นตอนไหนของการสร้างความรู้?

หากเรากำลังพิจารณาว่าควรลงทุนสร้างโรงงานเพื่อผลิตเทคโนโลยีหนึ่งหรือไม่ การประเมินต้นทุนและความสามารถในการแข่งขันย่อมเป็นเรื่องสำคัญ แต่หากเรากำลังพิจารณาว่าควรศึกษาปรากฏการณ์ทางวิทยาศาสตร์บางอย่างหรือไม่ การใช้ราคาตลาดในปัจจุบันเป็นเกณฑ์ตัดสินตั้งแต่ต้น อาจเป็นการจำกัดโอกาสในการค้นพบโดยไม่รู้ตัว
--------

ลองพิจารณากรณีของแบตเตอรี่ลิเทียมไอออน เทคโนโลยีที่ปัจจุบันมีบทบาทสำคัญต่อทั้งอุตสาหกรรมอิเล็กทรอนิกส์ ยานยนต์ไฟฟ้า และระบบกักเก็บพลังงาน แต่กว่าจะมาถึงจุดนี้ได้ ต้องอาศัยการพัฒนาความรู้และเทคโนโลยีต่อเนื่องยาวนานหลายทศวรรษ

ในช่วงทศวรรษ 1970 นักวิจัยเริ่มศึกษาระบบแบตเตอรี่ลิเทียมอย่างจริงจัง หนึ่งในความท้าทายสำคัญคือ ลิเทียมมีคุณสมบัติทางเคมีที่น่าสนใจสำหรับการสร้างแบตเตอรี่ที่มีความหนาแน่นพลังงานสูง แต่การนำมาใช้งานจริงยังมีข้อจำกัดทั้งด้านความปลอดภัย ความเสถียร และอายุการใช้งาน

ต่อมาในช่วงทศวรรษ 1980 มีการพัฒนาวัสดุที่สามารถกักเก็บและปลดปล่อยลิเทียมไอออนได้อย่างเหมาะสม จนเกิดรากฐานสำคัญของแบตเตอรี่ลิเทียมไอออนแบบชาร์จซ้ำได้ และในปี 1991 Sony เริ่มนำแบตเตอรี่ลิเทียมไอออนออกจำหน่ายเชิงพาณิชย์

อย่างไรก็ตาม แม้กระทั่งเริ่มจำหน่าย ก็ไม่ได้หมายความว่าเทคโนโลยีนี้พร้อมจะแข่งขันกับทุกเทคโนโลยีที่มีอยู่แล้วในตลาด แบตเตอรี่ยังมีราคาแพง และในช่วงแรกก็ยังมีข้อจำกัดด้านสมรรถนะและการผลิต การนำไปใช้งานจึงค่อย ๆ ขยายตัว โดยเริ่มจากอุปกรณ์อิเล็กทรอนิกส์แบบพกพา ก่อนที่การพัฒนาอย่างต่อเนื่องจะเปิดโอกาสให้เกิดการใช้งานในวงกว้างขึ้น

ลองดูตัวเลขที่น่าสนใจที่สุดอย่างหนึ่ง

ราคาเฉลี่ยโดยประมาณของเซลล์แบตเตอรี่ลิเทียมไอออนลดลงจากประมาณ 10000 ดอลลาร์สหรัฐฯ ต่อ kWh ในปี 1991 เหลือเพียงประมาณ 80 ดอลลาร์สหรัฐฯ ต่อ kWh ในปัจจุบัน

นั่นหมายถึงราคาลดลงมากกว่า 99%

ลองจินตนาการว่า หากเราต้องการซื้อเซลล์แบตเตอรี่ที่มีความจุพลังงานรวม 60 kWh ตามตัวเลขเฉลี่ยนี้ ในปี 1991 จะมีมูลค่าเทียบเท่าเงินปีปัจจุบัน สูงถึงประมาณ 600,000 ดอลลาร์สหรัฐฯ ขณะที่ในปัจจุบัน จะเหลือเพียงประมาณ 4,800 ดอลลาร์สหรัฐฯ

แน่นอนว่า การเปลี่ยนแปลงดังกล่าวไม่ได้เกิดขึ้นเพราะใครคนใดคนหนึ่งค้นพบวิธีลดต้นทุนได้ในครั้งเดียว แต่เกิดจากการพัฒนาองค์ความรู้และนวัตกรรมหลายด้าน ตั้งแต่วัสดุอิเล็กโทรดและอิเล็กโทรไลต์ การเพิ่มความหนาแน่นพลังงาน การปรับปรุงกระบวนการผลิต การลดของเสีย การออกแบบเซลล์ การสร้างห่วงโซ่อุปทาน ตลอดจนการขยายกำลังการผลิตจนเกิดการประหยัดต่อขนาด

เมื่อมีการผลิตมากขึ้น ผู้ผลิตก็มีโอกาสเรียนรู้และปรับปรุงกระบวนการให้มีประสิทธิภาพยิ่งขึ้น ขณะที่ความต้องการจากตลาดขนาดใหญ่ก็ช่วยสนับสนุนการลงทุนเพื่อพัฒนาเทคโนโลยีรุ่นใหม่ วงจรระหว่างการวิจัย การพัฒนาทางวิศวกรรม การผลิต และการขยายตลาดจึงส่งเสริมซึ่งกันและกัน
--------

สิ่งสำคัญคือ ไม่มีใครคาดหมายได้หรอกว่าอีกสามสิบกว่าปีต่อมา แบตเตอรี่นี่จะมีราคาเท่าไหร่ และไม่มีใครสามารถระบุรายละเอียดของการค้นพบทั้งหมดที่จะทำให้การลดต้นทุนเกิดขึ้นได้อย่างแม่นยำตั้งแต่วันแรก

หากเราย้อนเวลากลับไปถามนักวิจัยในช่วงทศวรรษ 1970 หรือแม้แต่ในช่วงที่แบตเตอรี่ลิเทียมไอออนเริ่มวางจำหน่ายว่า เทคโนโลยีนี้จะสามารถแข่งขันกับรถยนต์ที่ใช้น้ำมันได้อย่างไร คำตอบในเวลานั้นย่อมแตกต่างจากสิ่งที่เรารู้ในวันนี้อย่างมาก

คำถามที่น่าสนใจจึงไม่ใช่เพียงว่า พวกเขาสามารถพิสูจน์ความคุ้มค่าเชิงพาณิชย์ได้หรือไม่ แต่คือ หากในเวลานั้นเราใช้ราคาตลาดและข้อจำกัดทางเทคโนโลยีที่มีอยู่เป็นเกณฑ์ตัดสินว่าจะอนุญาตให้ศึกษาต่อหรือไม่ เราจะสูญเสียโอกาสในการสร้างองค์ความรู้ไปมากเพียงใด?
--------

กรณีแบตเตอรี่ลิเทียมไอออนแสดงให้เห็นว่า ความสามารถในการแข่งขันทางเศรษฐกิจไม่ได้เป็นคุณสมบัติที่คงที่ของเทคโนโลยี แต่เปลี่ยนแปลงได้ตามองค์ความรู้ วัสดุ กระบวนการผลิต โครงสร้างอุตสาหกรรม และขนาดของตลาด

เทคโนโลยีที่ยังไม่คุ้มค่าในวันนี้ อาจกลายเป็นเทคโนโลยีที่คุ้มค่าในวันพรุ่งนี้ได้ แต่การเปลี่ยนแปลงเช่นนั้นไม่ได้เกิดขึ้นเอง เราจำเป็นต้องมีการวิจัยและพัฒนาอย่างต่อเนื่อง เพื่อค้นหาวิธีเอาชนะข้อจำกัดที่มีอยู่

นี่คือเหตุผลที่ผมคิดว่า เราควรระมัดระวังอย่างยิ่งเมื่อนำคำถามเรื่องความคุ้มค่าเชิงพาณิชย์มาใช้ประเมินงานวิจัยตั้งแต่ต้น

สำหรับประเทศที่มีทรัพยากรวิจัยจำกัด เรื่องนี้ยิ่งมีความสำคัญ หากเราใช้ข้อจำกัดด้านงบประมาณเป็นเหตุผลให้ลงทุนเฉพาะงานวิจัยที่เห็นเส้นทางสู่ตลาดอย่างชัดเจน เราอาจเก่งขึ้นในการเลือกใช้เทคโนโลยีที่ผู้อื่นพัฒนาขึ้นแล้ว แต่กลับมีพื้นที่น้อยลงสำหรับการสร้างองค์ความรู้ที่จะทำให้เราพัฒนาเทคโนโลยีรุ่นถัดไปได้ด้วยตัวเอง

ผมไม่ได้คิดว่าการสนใจต้นทุนหรือการประยุกต์ใช้เป็นเรื่องล้าหลัง แต่ผมคิดว่าการนำข้อจำกัดทางเศรษฐกิจในปัจจุบันมาเป็นกรอบจำกัดการสร้างองค์ความรู้ในอนาคตต่างหาก ที่เป็นแนวคิดซึ่งเราควรตั้งคำถามอย่างจริงจัง

ประเทศที่มองเฉพาะสิ่งที่คุ้มค่าในวันนี้ อาจไม่มีวันสร้างองค์ความรู้ที่ทำให้สิ่งที่ไม่คุ้มค่าในวันนี้ กลายเป็นสิ่งที่คุ้มค่าในวันพรุ่งนี้ได้

เคยเห็นแต่คอนเทนต์ของชาวบ้าน วันนี้ถึงคิวตัวเองบ้าง ทำงานวิจัยมา 10 กว่าปี เพิ่งเคยเจอประสบการณ์แบบนี้เป็นครั้งแรกครับทั...
11/10/2026

เคยเห็นแต่คอนเทนต์ของชาวบ้าน วันนี้ถึงคิวตัวเองบ้าง

ทำงานวิจัยมา 10 กว่าปี เพิ่งเคยเจอประสบการณ์แบบนี้เป็นครั้งแรกครับ

ทั้งสองบทความเป็นบทความที่ผม co-author แล้วอยู่ดี ๆ ก็ได้รับเกียรติให้มาช่วยรีวิวผลงานของตัวเองซะอย่างนั้น 😆

จะให้คะแนน 10 เต็ม 10 ก็เกรงใจกรรมการท่านอื่นเขานะครับ 555
----

ด้วยความเคารพต่อผู้จัดครับ ถือเป็นสีสันสนุก ๆ ไม่ต้องซีเรียสกันนะครับ ผมกดปฏิเสธไปแล้วครับ 😂

ครั้งหนึ่ง ผมเคยพูดคุยกับนักวิจัยคนหนึ่งที่เข้ามาร่วมงานกับทีม ESC Lab ของเรา เขาจบปริญญาตรีและปริญญาโทจาก TU Darmstadt ...
10/10/2026

ครั้งหนึ่ง ผมเคยพูดคุยกับนักวิจัยคนหนึ่งที่เข้ามาร่วมงานกับทีม ESC Lab ของเรา เขาจบปริญญาตรีและปริญญาโทจาก TU Darmstadt ก่อนสำเร็จการศึกษาระดับปริญญาเอกจาก ETH Zurich

เขาเล่าให้ผมฟังว่า สิ่งหนึ่งที่ทำให้เขาประหลาดใจเมื่อได้เข้ามาสัมผัสงานวิจัยของทีมเราก็คือ แม้ ESC Lab จะอยู่ภายใต้ภาควิชาวิศวกรรมเครื่องกล แต่คำถามที่เราพยายามทำความเข้าใจกลับมีลักษณะของ Science อยู่มาก

ข้อสังเกตนี้ทำให้ผมกลับมาตั้งคำถามว่า จริง ๆ แล้ว เราควรแบ่งเส้นเขตแดนระหว่าง Science กับ Engineering ให้ชัดเจนขนาดนั้นหรือไม่?

โดยทั่วไป เรามักอธิบายว่า Science มีหน้าที่สร้างองค์ความรู้และทำความเข้าใจธรรมชาติ ส่วน Engineering นำความรู้เหล่านั้นมาประยุกต์ใช้เพื่อออกแบบและพัฒนาเทคโนโลยี คำอธิบายนี้ไม่ผิด แต่ก็อาจทำให้เรามองข้ามความจริงข้อหนึ่งไป นั่นคือ งานวิศวกรรมไม่ได้มีหน้าที่เพียงนำความรู้ที่มีอยู่แล้วไปใช้ แต่ยังสามารถเป็นจุดเริ่มต้นของการค้นพบความรู้พื้นฐานได้ด้วย

เรื่องราวของ Sadi Carnot กับการกำเนิดของเทอร์โมไดนามิกส์เป็นตัวอย่างที่น่าสนใจมากครับ
-----------

ในช่วงต้นศตวรรษที่ 19 เครื่องจักรไอน้ำเป็นเทคโนโลยีสำคัญที่ขับเคลื่อนการปฏิวัติอุตสาหกรรม การทำให้เครื่องจักรทำงานได้ดีขึ้นจึงมีคุณค่าทางเศรษฐกิจอย่างมหาศาล นักวิศวกรสามารถศึกษาวิธีลดการสูญเสีย ปรับปรุงชิ้นส่วน และเพิ่มกำลังงานที่ผลิตได้จากเชื้อเพลิงปริมาณเท่าเดิม

แต่ Carnot เลือกที่จะมองลึกลงไปกว่าการปรับปรุงเครื่องจักรแต่ละเครื่อง

ในหนังสือ Reflections on the Motive Power of Fire ที่ตีพิมพ์ในปี 1824 เขาพยายามทำความเข้าใจว่า อะไรเป็นตัวกำหนดความสามารถของความร้อนในการผลิตงาน และเครื่องจักรความร้อนมีข้อจำกัดพื้นฐานอย่างไร

คำถามจึงไม่ใช่เพียงว่า เครื่องจักรแบบไหนทำงานได้ดีกว่าอีกแบบหนึ่ง แต่คือ ไม่ว่าเราจะออกแบบเครื่องจักรได้ดีเพียงใด มีข้อจำกัดบางอย่างที่ธรรมชาติไม่อนุญาตให้เราก้าวข้ามได้หรือไม่?

นี่คือการเปลี่ยนระดับของคำถาม จากการพยายามปรับปรุงอุปกรณ์ ไปสู่การค้นหาหลักการทั่วไปที่ควบคุมอุปกรณ์ทุกชนิดในกลุ่มเดียวกัน

แน่นอนว่า ในยุคของ Carnot ความเข้าใจเรื่องความร้อนยังอยู่ภายใต้ทฤษฎีแคลอริก ซึ่งมองความร้อนเป็นสิ่งที่ถ่ายเทระหว่างวัตถุ แนวคิดของเขาจึงยังไม่ใช่เทอร์โมไดนามิกส์ในรูปแบบสมัยใหม่ทั้งหมด แต่ผลงานของเขาวางรากฐานสำคัญให้กับการพัฒนากฎข้อที่สองของเทอร์โมไดนามิกส์และแนวคิดเรื่องเอนโทรปีในเวลาต่อมา โดยมีนักวิทยาศาสตร์อย่าง William Thomson และ Rudolf Clausius เป็นผู้มีบทบาทสำคัญ

สิ่งที่เริ่มต้นจากปัญหาของเครื่องจักรไอน้ำจึงนำไปสู่กรอบความรู้ที่ใช้อธิบายข้อจำกัดของกระบวนการทางกายภาพ ตั้งแต่เครื่องยนต์และโรงไฟฟ้า ไปจนถึงระบบพลังงานและกระบวนการเคมีอีกมากมาย

ปัญหาทางวิศวกรรมเป็นจุดเริ่มต้น แต่ความรู้ที่เกิดขึ้นกลับมีขอบเขตกว้างไกลกว่าปัญหาตั้งต้นมาก
----------

ผมอดสงสัยไม่ได้ว่า หาก Carnot ต้องเขียนข้อเสนอโครงการเพื่อขอทุนวิจัยในระบบที่ให้ความสำคัญกับผลลัพธ์เชิงประยุกต์ที่ชัดเจนและวัดผลได้ เขาจะต้องอธิบายงานของตัวเองอย่างไร?

หากเขาเสนอว่าจะศึกษาข้อจำกัดพื้นฐานของเครื่องจักรความร้อน คำถามที่จะโดนถามอาจเป็นว่า งานนี้จะช่วยเพิ่มประสิทธิภาพเครื่องจักรได้กี่เปอร์เซ็นต์ ลดต้นทุนได้เท่าไร หรือจะนำไปใช้ประโยชน์ได้ภายในกี่ปี?

ในทางกลับกัน โครงการที่เสนอจะพัฒนาเครื่องจักรไอน้ำรุ่นใหม่ พร้อมตั้งเป้าหมายเพิ่มประสิทธิภาพและลดการใช้เชื้อเพลิงอย่างชัดเจน อาจอธิบายผลประโยชน์ที่คาดหวังได้ง่ายกว่า และสอดคล้องกับตัวชี้วัดของแหล่งทุนได้ตรงกว่า

แน่นอนว่า นี่เป็นเพียงสถานการณ์สมมติ ที่ตั้งใจชวนให้เราพิจารณาความเสี่ยงเชิงโครงสร้างของระบบที่ให้รางวัลกับงานซึ่งคาดการณ์ผลลัพธ์ปลายทางได้ง่ายเป็นพิเศษ

งานพัฒนาเทคโนโลยีมักมีตัวชี้วัดที่ระบุได้โดยตรง ไม่ว่าจะเป็นประสิทธิภาพ ต้นทุน หรืออายุการใช้งาน ขณะที่งานวิจัยพื้นฐานอาจไม่สามารถระบุล่วงหน้าได้ว่า ความรู้ใหม่จะนำไปสู่เทคโนโลยีอะไร หรือเมื่อไรจึงจะเกิดประโยชน์

ธรรมชาติไม่ได้รับประกันว่าจะเปิดเผยคำตอบตามรอบปีงบประมาณ และการค้นพบที่สำคัญก็ไม่ได้เกิดขึ้นตามตัวชี้วัดที่เรากำหนดไว้ล่วงหน้าเสมอไป

เมื่อการขอทุนจำเป็นต้องแสดงให้เห็นตั้งแต่ต้นว่าความรู้ใหม่จะถูกนำไปใช้อย่างไร นักวิจัยอาจมีแรงจูงใจให้เลือกศึกษาคำถามที่คาดการณ์คำตอบได้อยู่แล้ว มากกว่าคำถามที่สำคัญแต่ยังไม่รู้ว่าคำตอบจะเป็นอย่างไร

ในระยะยาว เราอาจได้เทคโนโลยีที่ดีขึ้นอย่างต่อเนื่อง แต่กลับมีพื้นที่น้อยลงสำหรับการค้นพบหลักการใหม่ที่เปิดทางไปสู่ความเป็นไปได้ซึ่งเราไม่เคยนึกถึงมาก่อน

บางที เราอาจกำลังให้ทุนกับการปรับปรุงคำตอบ มากกว่าการค้นหาคำถามใหม่

ผมไม่ได้คิดว่างานวิจัยพื้นฐานทุกชิ้นจะนำไปสู่การค้นพบครั้งสำคัญ หรือว่างานพัฒนาเทคโนโลยีมีคุณค่าน้อยกว่า เพราะงบประมาณมีจำกัดและความรับผิดชอบต่อสังคมเป็นเรื่องสำคัญ แต่การบริหารทุนอย่างมีความรับผิดชอบไม่จำเป็นต้องหมายถึงการสนับสนุนเฉพาะโครงการที่แสดงประโยชน์เชิงประยุกต์ได้ชัดเจนที่สุด เราควรมีระบบสนับสนุนที่เหมาะกับธรรมชาติและระยะเวลาของการสร้างความรู้แต่ละประเภทด้วย
-------

สำหรับผม เส้นแบ่งระหว่าง Science กับ Engineering ไม่ได้อยู่ที่ชื่อของสาขาวิชา แต่อยู่ที่ลักษณะของคำถามที่เรากำลังพยายามตอบ

เราสามารถเริ่มต้นจากความต้องการสร้างอุปกรณ์ที่ดีขึ้น แล้วค่อย ๆ ค้นพบหลักการพื้นฐานที่อธิบายการทำงานของมันได้ เช่นเดียวกับที่ความรู้ทางวิทยาศาสตร์อาจเกิดจากการออกแบบ การทดลอง และการแก้ปัญหาในระบบวิศวกรรม

บางครั้ง เราต้องการรู้ว่าอุปกรณ์แบบใดทำงานได้ดีที่สุด แต่บางครั้งคำถามที่สำคัญกว่าคือ เหตุใดมันจึงทำงานได้ดี อะไรเป็นตัวกำหนดสมรรถนะ และข้อจำกัดที่พบเกิดจากการออกแบบที่ยังไม่ดีพอ หรือเป็นข้อจำกัดพื้นฐานที่เราไม่สามารถหลีกเลี่ยงได้

คำถามเหล่านี้เป็นสิ่งที่ผมสนใจในงานวิจัยของ ESC Lab เช่นกัน

แม้ทีมของเราจะอยู่ในภาควิชาวิศวกรรมเครื่องกล และทำงานเกี่ยวกับแบตเตอรี่ เซลล์เชื้อเพลิง อิเล็กโทรไลเซอร์ และระบบกักเก็บพลังงานไฟฟ้าเคมี แต่สิ่งที่เราสนใจไม่ได้จำกัดอยู่เพียงการเพิ่มประสิทธิภาพของอุปกรณ์ เราพยายามทำความเข้าใจว่า การขนส่งมวลสาร การไหล ปฏิกิริยาไฟฟ้าเคมี และอุณหพลศาสตร์สัมพันธ์กันอย่างไร รวมถึงสัญญาณทางไฟฟ้าเคมีที่วัดได้สะท้อนกลไกทางกายภาพภายในระบบอย่างไร

ตัวอย่างเช่น เมื่อเราใช้ Topology Optimization ออกแบบโครงสร้างอิเล็กโทรดให้เหมาะสมกับการขนส่งและปฏิกิริยา เราอาจพบโครงสร้างที่แตกแขนงคล้ายรากไม้

เราอาจรายงานได้ว่าโครงสร้างดังกล่าวช่วยเพิ่มสมรรถนะได้มากเพียงใด ซึ่งเป็นผลลัพธ์ทางวิศวกรรมที่สำคัญ แต่คำถามของเราไม่ได้จบลงเพียงเท่านั้น

เหตุใดโครงสร้างลักษณะนี้จึงเกิดขึ้นภายใต้เงื่อนไขบางประการ? ความสัมพันธ์ระหว่างการขนส่ง ปฏิกิริยา และการสูญเสียพลังงานเป็นตัวกำหนดรูปแบบของโครงสร้างอย่างไร? และมีหลักการทั่วไปที่อธิบายผลลัพธ์เหล่านี้ ซึ่งสามารถนำไปใช้กับระบบอื่นได้หรือไม่?

เมื่อเราตั้งคำถามเช่นนี้ การออกแบบทางวิศวกรรมก็กลายเป็นเครื่องมือสำหรับสำรวจกลไกและค้นหาหลักการพื้นฐานไปพร้อมกัน เราเริ่มจากการออกแบบ ย้อนกลับไปทำความเข้าใจกลไก ค้นหาหลักการ แล้วนำความเข้าใจนั้นกลับมาพัฒนาการออกแบบให้ดีขึ้นอีกครั้ง

Science และ Engineering จึงไม่ได้เป็นเพียงสองขั้นตอนที่แยกจากกัน แต่เป็นกระบวนการที่ส่งเสริมซึ่งกันและกันอย่างต่อเนื่อง

ผมไม่ได้คิดว่างานวิจัยทุกชิ้นต้องค้นพบกฎธรรมชาติใหม่ งานพัฒนาเทคโนโลยีที่มุ่งแก้ปัญหาเฉพาะทางมีความสำคัญอย่างยิ่ง แต่เราก็ควรมีพื้นที่สำหรับงานวิจัยที่กล้าถามคำถามซึ่งยังไม่มีคำตอบชัดเจน แม้จะยังไม่สามารถระบุได้ตั้งแต่ต้นว่าคำตอบนั้นจะนำไปสู่การประยุกต์ใช้ใดก็ตาม

ท้ายที่สุด ชื่อของภาควิชาอาจบอกได้ว่าเราอยู่ตรงไหนในโครงสร้างของมหาวิทยาลัย แต่ไม่ควรเป็นตัวกำหนดว่าคำถามของเราจะไปได้ไกลแค่ไหน

เรื่องราวของ Carnot เตือนให้เราเห็นว่า การพยายามแก้ปัญหาทางวิศวกรรมอย่างลึกซึ้ง อาจพาเราไปไกลกว่าการแก้ปัญหานั้น และนำไปสู่ความเข้าใจธรรมชาติในระดับพื้นฐานมากขึ้น

บางครั้ง คุณค่าที่ยิ่งใหญ่ที่สุดของงานวิศวกรรม อาจไม่ใช่การสร้างเครื่องจักรที่ดีที่สุด แต่คือการค้นพบว่าอะไรเป็นตัวกำหนดขีดจำกัดของเครื่องจักรทุกชนิดตั้งแต่แรก

และบางที คำถามที่สำคัญที่สุดของงานวิจัย อาจไม่ใช่คำถามที่เรารับประกันได้ว่าจะนำไปสู่ประโยชน์อะไร แต่เป็นคำถามที่เมื่อเราเข้าใจคำตอบแล้ว จะทำให้เรามองเห็นโลกและความเป็นไปได้ทางเทคโนโลยีแตกต่างไปจากเดิมอย่างสิ้นเชิง

ที่อยู่

126 Pracha Uthit Road , Bang Mod, Thung Khru
Bangkok
10140

เว็บไซต์

แจ้งเตือน

เป็นคนแรกที่รู้ข่าว: เราจะส่งอีเมลแจ้งเมื่อ ESC lab โพสต์ข่าวสารและโปรโมชั่น อีเมลของคุณจะไม่ถูกนำไปใช้เพื่อวัตถุประสงค์อื่น และคุณสามารถยกเลิกการรับข่าวสารได้ทุกเมื่อ

ทางลัด

แชร์

หมวดหมู่