An automated hydroponic system for household use has been developed to cater to individuals with limited space who wish to conveniently and easily grow their own salad greens at home. This system is designed to automatically control nutrient delivery by setting appropriate electrical conductivity (EC) and pH levels tailored to the specific salad greens being grown. It includes artificial lighting to enable cultivation in confined spaces with insufficient sunlight and is more cost-effective than similar systems available on the market. System testing revealed that the automated control of EC and pH values performed effectively, achieving the preset levels within 30 minutes and maintaining them consistently throughout operation. In an experiment growing green oak lettuce using a simulated balcony setup, the plants demonstrated a higher growth rate compared to conventional methods, particularly when artificial lighting was used.
ในการปลูกผักไร้ดินหรือไฮโดรโปนิกส์ (Hydroponics) เกิดขึ้นจากความพยายามของนักวิทยาศาสตร์ในช่วงทศวรรษ 1930 ที่ต้องการหาวิธีการปลูกพืชโดยไม่ต้องใช้ดิน ซึ่งเหมาะกับการปลูกพืชในพื้นที่จำกัดหรือในเขตที่ขาดแคลนดินเพาะปลูก การค้นคว้าในเรื่องนี้พบว่าพืชต้องการธาตุอาหารที่ละลายในน้ำเพื่อเจริญเติบโตได้ดีและสามารถควบคุมคุณภาพของสารอาหารได้อย่างมีประสิทธิภาพ ในยุคปัจจุบัน การปลูกผักไร้ดินได้รับความนิยมมากขึ้น เนื่องจากสามารถใช้พื้นที่เพาะปลูกอย่างมีประสิทธิภาพ เช่น การปลูกในอาคารหรือพื้นที่เมืองที่จำกัด ลดปริมาณการใช้น้ำด้วยการหมุนเวียนน้ำกลับมาใช้ซ้ำ อีกทั้งยังช่วยเพิ่มความปลอดภัยด้านอาหาร เนื่องจากลดความเสี่ยงจากการปนเปื้อนของโรคพืชและแมลงที่อยู่ในดิน การปลูกผักไร้ดินยังสามารถให้ผลผลิตได้ตลอดทั้งปี ไม่ขึ้นกับฤดูกาล ช่วยสนับสนุนความมั่นคงทางอาหารในเมืองใหญ่และสอดคล้องกับแนวคิดการเกษตรยั่งยืน เพื่อให้การปลูกผักสลัดเป็นเรื่องที่ง่ายขึ้นและลดอุปสรรคในการจัดการการใส่ปุ๋ยให้เหมาะสม ผู้ศึกษาได้สนใจที่จะพัฒนาระบบไฮโดรโปนิกส์แบบควบคุมอัตโนมัติสำหรับใช้ในครัวเรือนที่สามารถทำงานได้ด้วยตัวเองเพื่อสนับสนุนผู้ปลูกที่เริ่มต้นใหม่หรือผู้ที่ขาดประสบการณ์ด้านการเกษตรระบบที่พัฒนาขึ้นนี้ถูกออกแบบมาเพื่อลดความซับซ้อนในการคำนวณปริมาณปุ๋ยที่เหมาะสมรวมถึงการเติมปุ๋ยในเวลาที่เหมาะสม นอกจากช่วยประหยัดเวลาและแรงงานแล้วระบบนี้ยังมีความสามารถในการปรับปริมาณปุ๋ยให้สอดคล้องกับการเจริญเติบโตของผักสลัดในแต่ละช่วง ส่งผลให้ผู้ปลูกผักสลัดสามารถมั่นใจได้ว่าผักจะได้รับสารอาหารที่จำเป็นอย่างครบถ้วน ทำให้ผลผลิตมีคุณภาพสูงและมีโอกาสสำเร็จในการปลูกมากขึ้น
คณะบริหารธุรกิจ
This project is a part of KMITL business student’s thesis. The topic is business plan about blazers and trousers made by recycled fabric
คณะอุตสาหกรรมอาหาร
The Mahachanok mango sauce is crafted from low-grade mangoes sourced from Ban Nong Bua Chum in Kalasin Province. Utilizing advanced food science technology, it effectively reduces agricultural waste and enhances product quality. This sauce is enriched with prebiotic fiber that supports the growth of beneficial gut microorganisms. With low sugar content, it is a healthy choice free from artificial colors and flavors. Its rich, natural taste makes it versatile, perfect for enhancing a wide variety of dishes, both savory and sweet.
คณะวิศวกรรมศาสตร์
This research suggested natural hemp fiber-reinforced ropes (FRR) polymer usage to reinforce recycled aggregate square concrete columns that contain fired-clay solid brick aggregates in order to reduce the high costs associated with synthetic fiber-reinforced polymers (FRPs). A total of 24 square columns of concrete were fabricated to conduct this study. The samples were tested under a monotonic axial compression load. The variables of interest were the strength of unconfined concrete and the number of FRRlayers. According to the results, the strengthened specimens demonstrated an increased compressive strength and ductility. Notably, the specimens with the smallest unconfined strength demonstrated the largest improvement in compressive strength and ductility. Particularly, the compressive strength and strain were enhanced by up to 181% and 564%, respectively. In order to predict the ultimate confined compressive stress and strain, this study investigated a number of analytical stress–strain models. A comparison of experimental and theoretical findings deduced that only a limited number of strength models resulted in close predictions, whereas an even larger scatter was observed for strain prediction. Machine learning was employed by using neural networks to predict the compressive strength. A dataset comprising 142 specimens strengthened with hemp FRP was extracted from the literature. The neural network was trained on the extracted dataset, and its performance was evaluated for the experimental results of this study, which demonstrated a close agreement.