The AfterDay Horizon project is a two-player survival game developed to raise awareness of the impact of climate change. It leverages Virtual Reality (VR) technology and a website as gaming platforms. In the game, players experience a world where civilization has collapsed due to global warming, forcing the remaining population to live in bunkers to avoid environmental dangers. AfterDay Horizon focuses on collaboration between the two players to complete various missions that help the bunker’s inhabitants survive as long as possible. These missions are designed to encourage teamwork and decision-making in challenging scenarios, while also raising awareness of the potential consequences of climate change if left unresolved. Preliminary testing of the game showed that players successfully completed the missions and worked well together. However, some missions were complex and time-consuming, indicating areas for improvement to enhance the overall enjoyment and gameplay experience.
การทำงานเป็นทีมถือเป็นสิ่งสำคัญ เนื่องจากในทุกการทำงานต้องอาศัยการประสานงานร่วมกันระหว่างบุคคลหลายฝ่าย การทำงานด้วยตัวคนเดียวโดยปราศจากความร่วมมือจากผู้อื่นนั้นเป็นไปได้ยาก และไม่สามารถนำไปสู่ความสำเร็จได้อย่างมีประสิทธิภาพ ดังนั้นองค์กรส่วนใหญ่จึงให้ความสำคัญกับ ทักษะการทำงานเป็นทีม โดยมักกำหนดให้เป็นหนึ่งในคุณสมบัติที่จำเป็นสำหรับการรับสมัครบุคลากรใหม่ เนื่องจากการปฏิบัติหน้าที่ของแต่ละบุคคล แม้อาจแตกต่างกัน แต่ล้วนมุ่งสู่เป้าหมายเดียวกันในภาพรวมขององค์กร ดังนั้นการขาดความเข้าใจในการทำงานร่วมกันส่งผลให้เกิดปัญหาหลายด้าน เช่น ประสิทธิภาพในการทำงานลดลง ความสัมพันธ์ในทีมที่มีความตึงเครียด การสูญเสียทรัพยากรโดยไม่จำเป็น ขวัญกำลังใจของพนักงานลดลง และอาจกระทบต่อภาพลักษณ์ขององค์กร นอกจากนี้ยังลดโอกาสในการพัฒนาและสร้างสรรค์สิ่งใหม่ๆ ขององค์กร จากปัญหาดังกล่าว ทางผู้จัดทำได้เล็งเห็นถึงความสำคัญของการร่วมมือกันทำงานและการทำงานเป็นทีม ทางผู้จัดทำจึงได้คิดทำเกมเอาชีวิตรอดที่รองรับผู้เล่นสองคน ที่มีชื่อว่า อาฟเตอร์เดย์ ฮอไรซอน (AfterDay Horizon) โดยเกมอาฟเตอร์เดย์ ฮอไรซอนเป็นเกมที่เน้นความร่วมมือระหว่างผู้เล่นสองคนผ่านแพลตฟอร์มเทคโนโลยีความเป็นจริงเสมือน (Virtual Reality : VR) และเว็บไซต์ ซึ่งมีเป้าหมายเพื่อฝึกการสื่อสารและการทำงานเป็นเป็นทีม ภายในตัวเกมจะนำเสนอในธีมของโลกที่อารยธรรมล่มสลาย ที่ผู้คนได้หลบภัยในบังเกอร์ (Bunker) เพื่อป้องกันตนเองจากอันตรายจากสภาวะแวดล้อมที่ไม่เหมาะสมต่อการดำรงชีวิตภายนอก โดยผู้เล่นทั้งสองจะต้องร่วมมือกันทำภารกิจเพื่อให้คนในบังเกอร์มีชีวิตรอดให้ได้ภายในระยะเวลาที่กำหนด
วิทยาลัยเทคโนโลยีและนวัตกรรมวัสดุ
-
คณะวิศวกรรมศาสตร์
Currently, lithium batteries are widely used in electronic devices and electric vehicles, making the estimation of their State of Health (SOH) crucial. Accurate SOH estimation helps extend battery lifespan, reduce maintenance costs, and prevent safety issues such as overheating or explosions. This project aims to study and analyze mathematical models of batteries and develop SOH estimation techniques using Neural Networks to enhance accuracy and evaluation speed. The experiment involved collecting charge and discharge data from three lithium battery cells under controlled temperature conditions while maintaining a constant current. The current, voltage, and time data were recorded and analyzed to determine the battery capacity for each cycle. These data were then used to train a Neural Network model. The results demonstrated an effective method for predicting battery health status. The outcomes of this project can contribute to the development of a Battery Management System (BMS) that improves battery efficiency and longevity. Additionally, it provides a foundation for applying artificial intelligence techniques in the energy sector effectively.
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.