The " Center of Invention for Future and Sustainability Project (Continuing)" serves as a continuation of a pilot initiative focused on the retrofitting of older buildings (Vach. 7), specifically a five-story structure. The primary aim of this project is to develop methodologies for enhancing the sustainability of existing buildings in order to mitigate carbon dioxide emissions. In the execution of the Future and Sustainability Innovation Development Center Project (Continuing), a comprehensive analysis of relevant data and theoretical frameworks has been undertaken, leading to the formulation of a research methodology designed to identify optimal strategies for retrofitting older buildings to reduce carbon dioxide emissions. This approach is structured into three principal phases: the combustion of fuels associated with transportation, labor, and materials; the electricity consumption during the construction process; and the accumulation of greenhouse gases from both existing and new construction materials. The project employs an experimental research design, wherein empirical data is collected to evaluate and quantify the equivalent carbon dioxide emissions arising from the construction of new buildings compared to the retrofitting of the selected case study building. Subsequent analysis of the collected data revealed that retrofitting the existing structure—through the integration of sustainable design principles—resulted in greenhouse gas emissions of 11.88 kgCO2e/sq.m. In contrast, the emissions associated with new building construction amounted to 299.35 kgCO2e/sq.m., indicating a reduction in carbon dioxide emissions by a factor of approximately 26 when compared to the construction of new buildings.
จากแนวคิดการพัฒนาอย่างยั่งยืน (Sustainable Development) ที่ทำให้เกิดโครงการศูนย์พัฒนาสิ่งประดิษฐ์เพื่ออนาคตและความยั่งยืน ซึ่งได้มีการนำร่องในการทดลองแนวทางการปรับปรุงอาคารเดิม ซึ่งเป็นอาคารห้าชั้น ได้ดำเนินการแล้วในชั้นที่1และ2 โดยคำนึงถึงความยั่งยืนด้วยการลดการปล่อยคาร์บอนไดออกไซด์ ทั้งในระหว่างการปรับปรุงอาคาร เช่น การใช้เศษคอนกรีตจากการทุบรื้อพื้นและผนังเดิมมาใช้ทำกล่องเกเบี้ยน (Gabion box) เพื่อยกระดับพื้น เป็นการนำวัสดุกลับมาใช้ซ้ำ ช่วยลดการปล่อยคาร์บอนจากการขนย้ายและฝังกลบ, การใช้นวัตกรรมจากธรรมชาติ (Bio Base) เช่น ดินอัดที่นำมาใช้เป็นส่วนประกอบของอาคาร เพื่อลดการใช้อิฐที่ต้องเผาซึ่งก่อให้เกิดก๊าซคาร์บอนไดออกไซด์, การใช้วัสดุก่อสร้างจากธรรมชาติ เช่น ไม้ยางพารา เป็นต้น และในการดำเนินการของอาคาร เช่น การติดตั้งเซลล์แสงอาทิตย์ (Solar cell) เพื่อสร้างพลังงานไฟฟ้าใช้เองภายในโครงการ ลดการใช้พลังงาน, การจัดนิทรรศการทั้งถาวรและหมุนเวียนเพื่อให้เกิดความรู้ ความเข้าใจ และความตระหนักรู้ต่อสถานการณ์ของโลก โดยเฉพาะปัญหาสภาวะโลกร้อน เป็นต้น นับเป็นจุดเริ่มต้นในการทำความเข้าใจต่อกระบวนการก่อสร้างที่ช่วยลดการปล่อยคาร์บอน ในส่วนของโครงการต่อเนื่องนี้ มีเป้าหมายที่จะต่อยอดจากอาคารที่มีค่าการปล่อยก๊าซคาร์บอนไดออกไซด์ในปริมาณที่ต่ำ ไปสู่แนวคิด net zero emissions การปล่อยก๊าซเรือนกระจกสุทธิเป็นศูนย์ คือการที่ปริมาณการปล่อยก๊าซเรือนกระจกมีความสมดุล เท่ากับก๊าซเรือนกระจกที่ถูกดูดซับออกจากชั้นบรรยากาศ ซึ่งในสภาวะสมดุลนี้จะไม่เพิ่มปริมาณก๊าซเรือนกระจกในบรรยากาศ และหากทุกประเทศทั่วโลกสามารถบรรลุเป้า net zero emissions ได้ ก็จะสามารถหยุดการปล่อยก๊าซเรือนกระจกส่วนเกินที่ส่งผลให้เกิดปรากฏการณ์โลกร้อนได้ โดยสานต่อกระบวนการก่อสร้างที่ปล่อยคาร์บอนไดออกไซด์ต่ำ เพิ่มพื้นที่สีเขียวในโครงการเพื่อช่วยในการดูดกลับคาร์บอนไดออกไซด์ นำเอานวัตรกรรมที่เกี่ยวข้องกับการพัฒนาวัสดุก่อสร้างในปล่อยคาร์บอนไดออกไซด์ต่ำหรือไม่ปล่อยเลยมาใช้งานในโครงการเพื่อสนับสนุนและเผยแพร่งานวิจัยด้านนี้ให้มีการใช้งานอย่างแพร่หลาย ส่งเสริมให้เกิดการพัฒนาความรู้และช่วยในแก้ปัญหาซึ่งเป็นข้อจำกัดต่างๆ และสามารถสร้างให้เกิดการนำไปใช้ได้ง่าย โดยการนำเสนอรูปแบบนวัตกรรมที่หลากหลายเพื่อเป็นแนวทางในการนำไปปรับใช้ อีกทั้งทางโครงการยังจัดพื้นที่สนับสนุนการพัฒนาสิ่งประดิษฐ์เพื่อให้ผู้ที่สนใจการพัฒนานวัตกรรมที่ไม่มีอุปกรณ์ที่จำเป็นได้มาใช้พัฒนาสิ่งประดิษฐ์ของตนเอง เป็นส่งเสริมให้เกิดการคิดค้นนวัตกรรมใหม่ๆ ที่จะเป็นประโยชน์ต่อการลดภาวะโลกร้อน
คณะเทคโนโลยีการเกษตร
-
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.
คณะวิทยาศาสตร์
Atopic dermatitis patients are the second largest number among skin disease patients. There is no cure for atopic dermatitis, and it can only be treated to relieve symptoms, causing chronic disease. There is a chance that opportunistic infections will enter and cause more disease from the patient's wound, causing the patient to have complications from other infections. This study is interested in studying the reduction of the chance of opportunistic infections in patients with atopic dermatitis using natural extracts. The interest is in Plu Kaow and long pepper because there is data supporting the inhibition of microorganisms. The leaves of both plants are crudely extracted, soaked in 95% ethanol for 7 days, filtered with a Buchner filter, and the extracts are tested for phytochemicals to analyze phenolic components, flavonoids, tannins, anthocyanin, DPPH, and tested for antimicrobial properties. The experiments consisted of 5 types of gram-positive and gram-negative bacteria: E. coli, Bacillus subtilis, Pseudomonas aeruginosa, Staphylococcus aureus, and Staphylococcus epidermidis. The researcher expects that this can be further developed and used to treat patients with atopic dermatitis.