This study was conducted to develop a prototype cooling cover for transporting raw milk, aiming to provide a solution for maintaining the quality of raw milk during transportation to milk collection centers. The cooling cover is made using Phase Change Material (PCM), produced from water mixed with a gelling agent, in an amount of 5.6 kg, attached around an aluminum milk tank (with a capacity of 25 L). The cover is then covered with a UV-reflective fabric in two types: polyvinyl chloride (PVC) and high-density polyethylene (HDPE). The temperature reduction performance of both types of covers was evaluated by measuring water temperatures at various points along the radial and vertical directions of the milk tank at six points, using type-T thermocouples, under three environmental conditions: a constant temperature of 25 °C, 35 °C, and outdoor ambient temperature (average temperature 35.5 °C) for a minimum duration of 180 min. The experimental results revealed that at 120 min., the water in the tank covered with PCM-PVC and PCM-HDPE covers had temperatures lower than the ambient temperature by 12.6 °C and 12.9 °C, respectively, under a constant ambient temperature of 25 °C, and under a constant ambient temperature of 35 °C lower by 16.7 °C and 16.4 °C, respectively, and outdoor conditions. Since the temperature reduction performance of PCM-PVC and PCM-HDPE covers showed no significant difference, the performance of microbial quality preservation of raw milk was assessed only with PCM-PVC cover in comparison to a non-covered case (control), by measuring coliform and Escherichia coli counts using compact dry plates. Results indicated that after 120 min., milk in the tank covered with PCM-PVC had an average coliform count of 1.6 × 10^4 CFU/ml and E. coli count of 2 × 10^3 CFU/ml, which was lower than the non-covered control with an average coliform count of 1.5 × 10^4 CFU/ml and E. coli count of 1.1 × 10^4 CFU/ml. This study concludes that the temperature reduction achieved by the cooling cover can help inhibit coliform growth to levels below raw milk quality standards, demonstrating the potential of the cooling cover in maintaining the quality and safety of raw milk during transport, ultimately contributing to an improved quality of life for Thai dairy farmers.
โดยทั่วไปการขนส่งน้ำนมดิบจากฟาร์มของเกษตรกรรายย่อยไปยังศูนย์รวบรวมน้ำนมดิบขนส่งโดยใส่ น้ำนมดิบในถังโลหะผลิตจากเหล็กกล้าไร้สนิม (Stainless steel) หรืออะลูมิเนียมที่ไม่มีการควบคุมอุณหภูมิ ส่งผลให้ อุณหภูมิของน้ำนมดิบมีโอกาสเพิ่มสูงขึ้นอย่างต่อเนื่อง ซึ่งส่งเสริมให้เชื้อจุลินทรีย์เจริญได้ดีจนทำให้น้ำนมดิบเสื่อมเสียคุณภาพและเป็นอันตรายต่อผู้บริโภค เนื่องจากอุณหภูมิมีอิทธิพลต่อคุณภาพของน้ำนมดิบอย่างมากโดยเฉพาะคุณภาพด้านจุลินทรีย์ น้ำนมดิบอุดมไปด้วยสารอาหารที่เป็นประโยชน์และมีความเป็นกรด-ด่าง (pH) ประมาณ 6.6 - 6.8 ซึ่งเป็นสภาวะที่เหมาะกับการเจริญเติบโตของเชื้อจุลินทรีย์หลายชนิด การเก็บรักษาน้ำนมดิบที่อุณหภูมิบรรยากาศจึงเป็นการส่งเสริมให้เชื้อจุลินทรีย์สามารถเพิ่มจำนวนได้อย่างรวดเร็วจนเกินเกณฑ์มาตรฐานได้ภายในเวลา 2-5 ชั่วโมง การใช้เครื่องทำความเย็นเป็นวิธีการลดอุณหภูมิน้ำนมดิบที่มีประสิทธิภาพในระยะยาว ซึ่งเครื่องทำความเย็นโดยทั่วไปเป็นระบบทำความเย็นแบบอัดไอซึ่งมีราคาแพง ต้องการระบบส่งไฟฟ้าที่มีความเสถียรและการบำรุงรักษาอย่างถูกต้องสม่ำเสมอ ทำให้เกษตรกรผู้เลี้ยงโคนมรายย่อยที่มีจำนวนโคนมไม่เกิน 20 ตัวไม่มีความจำเป็นที่จะนำระบบทำความเย็นมาใช้เพราะอาจไม่คุ้มค่ากับการลงทุน เมื่อเทียบกับผลผลิตที่เกิดขึ้น (Economy of scale) ด้วยเหตุนี้เกษตรกรเหล่านี้จึงต้องขนส่งน้ำนมดิบหลังการรีดเสร็จให้เร็วที่สุด และต้องไม่เกิน 2 ชั่วโมง เพื่อให้เป็นตามข้อกำหนดมกษ. 6003 - 2553 ไม่เช่นนั้นต้องลดอุณหภูมิน้ำนมดิบให้ต่ำกว่า 4 °C แล้วนำส่งศูนย์รวบรวมน้ำนมดิบภายในเวลา 24ชั่วโมงการศึกษานี้จึงจัดทำขึ้นเพื่อเสนอนวัตกรรมการทำความเย็นที่มีต้นทุนต่ำและใช้งานง่าย นั่นคือ เสื้อคลุมเย็นที่ประกอบขึ้นจากวัสดุเปลี่ยนสถานะ (Phase Change Material, PCM) ที่สามารถหาซื้อได้ทั่วไป คณะผู้วิจัยคาดหวังว่านวัตกรรมนี้จะสามารถช่วยเกษตรกรรายย่อยให้สามารถรักษาคุณภาพน้ำนมดิบระหว่างการขนส่งจากฟาร์มไปยังศูนย์รวบรวมน้ำนมดิบได้โดยสร้างภาระทางการเงินให้กับเกษตรกรน้อยที่สุด
คณะเทคโนโลยีสารสนเทศ
This report is part of applying the knowledge gained from studying machine learning models and methods for developing a predictive model to identify customers likely to cancel their credit card services with a bank. The project was carried out during an internship at a financial institution, where the creator developed a model to predict customers likely to churn from their credit card services using real customer data through the organization's system. The focus was on building a model that can accurately predict customer churn by selecting features that are appropriate for the prediction model and the unique characteristics of the credit card industry data to ensure the highest possible accuracy and efficiency. This report also covers the integration of the model into the development of a website, which allows related departments to conveniently use the prediction model. Users can upload data for prediction and receive model results instantly. In addition, a dashboard has been created to present insights from the model's predictions, such as identifying high-risk customers likely to cancel services, as well as other important analytical information for strategic decision-making. This will help support more efficient marketing planning and customer retention efforts within the organization.
คณะแพทยศาสตร์
Migraine, a prevalent neurological disorder, is the third most common disease globally, causing significant health and financial burdens. It has four stages: prodrome, aura, headache, and postdrome. The prodrome (also known as premonitory) stage is crucial as it precedes the headache by up to 72 hours. Taking medication during the premonitory peroid has shown to prevent the headache phase . However, the symptoms of premonitory period lack specificity, making it difficult for patients to know if they’re experiencing premonitory symptoms. Calcitonin-gene related peptide (cGRP),is a protein that plays a key role in migraine pathogenesis and studies found that salivary cGRP levels increase during the premonitory stage. This study aims to develop and evaluate a lateral flow immunoassay kit for detecting salivary cGRP levels in migraine patients during the prodrome stage. It can serve as a confirmation tool for premonitory symptoms.
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.