งานวิจัยนี้ได้พัฒนาและประยุกต์ใช้แบบจาลองเครือข่ายประสาทเทียม (Artificial Neural Network, ANN) ร่วมกับเจเนติกอัลกอริทึมแบบหลายวัตถุประสงค์ (Multi-Objective Genetic Algorithm, MOGA) ในการวิเคราะห์หาตาแหน่งทางเข้าและช่องระบายอากาศที่เหมาะสมภายในแม่พิมพ์ฉีดขึ้นรูปผลิตภัณฑ์ยาง โดยใช้ผลการวิเคราะห์จากคอมพิวเตอร์ช่วยวิเคราะห์ทางวิศวกรรม (Computer-Aided Engineering, CAE) ในการสร้างฟังก์ชันวัตถุประสงค์ ซึ่งจากผลการพิจารณารูปแบบการไหล (Flow pattern) และตาแหน่งรอยประสาน (Weld line location) ของแบบจาลอง 2D 2.5D และ 3D เมื่อเปรียบเทียบกับผลการทดสอบฉีดขึ้นรูปจริง พบว่า แบบจาลอง 2.5D มีความเหมาะสมต่อการนาไปใช้วิเคราะห์การไหลสาหรับชิ้นงานผนังบาง เนื่องจากมีรูปแบบการไหลที่สอดคล้องกับการทดสอบฉีดจริงมากที่สุด โดยในกรณีศึกษาที่ 1 ได้ศึกษาชิ้นงานกรอบหน้าจอของคอมพิวเตอร์แบบพกพา ที่มี 4 ทางเข้า ซึ่งกาหนดค่าแรงดันฉีดและค่าเบี่ยงเบนมาตรฐานของแรงดันฉีดในแต่ละทางเข้าเป็นฟังก์ชันวัตถุประสงค์ จากผลการทดสอบแสดงให้เห็นว่า การใช้แบบจาลองเครือข่ายประสาทเทียมร่วมกับเจเนติกอัลกอริทึมแบบหลายวัตถุประสงค์ สามารถทานายตาแหน่งทางเข้าและช่องระบายอากาศที่มีความเหมาะสมที่สุดได้ โดยมีความแม่นยาเฉลี่ย 97.12% สาหรับกรณีศึกษาที่ 2 ผู้วิจัยได้พัฒนาแนวทางการลดจานวนของข้อมูลในการฝึกสอน โดยใช้ชิ้นงานที่มี 1 ทางเข้า ซึ่งใช้ค่าแรงดันฉีดและตาแหน่งรอยประสานเป็นฟัง ก์ชันวัตถุประสงค์ พบว่า แนวทางที่พัฒนาขึ้นมีความแม่นยาเฉลี่ย 99.39% และในกรณีศึกษาที่ 3 ผู้วิจัยได้กาหนดเงื่อนไขให้สามารถเพิ่มจานวนทางเข้าในกรณีที่แรงดันฉีดมีค่าสูงเกินกว่าที่กาหนด โดยใช้ชิ้นงานที่มี 2 ทางเข้า และใช้ฟังก์ชันวัตถุประสงค์เช่นเดียวกับกรณีศึกษาที่ 2 ในกรณีศึกษานี้ผู้วิจัยได้ประยุกต์ใช้ระเบียบวิธีแบ่งครึ่งช่วง (Bi-section method) สาหรับการกาหนดตาแหน่งรอยประสาน เพื่อลดเวลาในการกาหนดตาแหน่งทางเข้าที่เหมาะสม พบว่า แนวทางที่พัฒนาขึ้นสามารถทานายค่าแรงดันฉีดและตาแหน่งรอยประสานมีความแม่นยาเฉลี่ย 86.39% และนอกจากนี้ผู้วิจัยได้นาผลการทดสอบของกรณีศึกษาที่ 2 ไปเปรียบเทียบกับผลการทดสอบฉีดขึ้นรูปจริง ซึ่งพบว่า ผลที่ได้มีความสอดคล้องกับการทดสอบฉีดจริง ดังนั้นแนวทางที่ได้จากงานวิจัยจึงสามารถนาไปใช้ในการกาหนดตาแหน่งและจานวนของทางเข้าและช่องระบายอากาศได้อย่างมีประสิทธิภาพ เพื่อลดปัญ หารอยประสานที่เกิดขึ้นบนชิ้นงาน In this work, the Artificial Neural Network (ANN) was developed and employed with Multi-Objective Genetic Algorithm (MOGA) in order to optimize the location of gate and air vent in rubber injection mold. The predicted results obtained from Computer Aided Engineering (CAE) program i.e. CADMOLD was utilized to construct the multi-functional objectives. The 2, 2.5, and 3D models was simulated and compared with those obtained from experiments regarding to flow pattern and weld line location. The flow pattern analysis obtained from thin-wall moldings indicated that the 2.5D model was in agreement with the experimental result. For the case study 1, the front case of notebook computer, the number of gates used was 4 and the injection pressure and its standard deviations (SD) were specified as multi-functional objectives. The analytical results showed that the ANN incorporated with MOGA can be use for the prediction of gate and air vent locations with the accuracy of 97.12%. For the case study 2, the injection pressure and weld line location were employed as multi-functional objectives and the number of gate used was reduced to 1 gate. The accuracy for the developed model was 99.39%. For the case study 3, the model was developed by using the bi-section method in order to reduce the time consuming during the optimization for weld line location and that can also increased the number of gate used when the maximum injection pressure was reached. It was found that the developed model can predicted the occurred injection pressure and weld line position with the accuracy of 86.39%. In addition, it can also be seen that the predicted results obtained in the case study 2 were in good agreement with those from existing experimental results. Therefore, it can be concluded that the developed model can be employed as a valuable tool for the optimization of the number and location of gate and air vent in order to avoid the weld line problem in rubber injection mold.