Clean Fuel Vehicle Performance Test Service Unit provides performance and efficiency testing services for electric vehicles and vehicles using petroleum fuels, including being a prototype for research projects on clean fuel energy that is environmentally friendly. The main testing tools are the Chassis Dynamometer and the Engine Combustion Exhaust Analyzer. The service unit provides measurement and testing services in accordance with the announcement of the Department of Land Transport on determining the power of electric motors used to drive vehicles according to the Motor Vehicle Act B.E. 2563 for all types of electric vehicles, such as modified electric motorcycles, modified electric tuk-tuks, and modified electric cars, etc.
เนื่องจากในปัจจุบันมีการเจริญเติบโตทางด้านอุตสาหกรรม เทคโนโลยี เศรษฐกิจ การขนส่ง และการคมนาคมเป็นอย่างมาก ทำให้มีการใช้รถยนต์สำหรับการคมนาคมและขนส่งอย่างมากมาย ทั้งรถยนต์นั่งส่วนบุคคล และรถยนต์นั่งสาธารณะ เช่น รถแท็กซี่และรถตุ๊กๆนั่นเอง ซึ่งจากข้อมูลเมื่อปี 2556 ในกรุงเทพมหานคร มีรถแท็กซี่ประมาณ 120,000 คัน ในจำนวนนี้มีรถแท็กซี่ที่จดทะเบียนในเขตกรุงเทพมหานครจำนวนทั้งสิ้น 108,616 คัน แต่มีรถแท็กซี่ที่ผ่านการตรวจสอบมาตรฐานคุณภาพตัวรถตามที่กรมการขนส่งทางบกกำหนด จำนวน 24,859 คัน หรือคิดเป็น 23 % ของจำนวนรถแท็กซี่ที่จดทะเบียนในเขตกรุงเทพมหานครเท่านั้น ทั้งนี้ในอนาคตอันใกล้ กลุ่มรถยนต์นั่งส่วนบุคคล และรถยนต์นั่งสาธารณะเหล่านี้จะถูกผลักดันจากนโยบายสนับสนุนของรัฐบาลให้เปลี่ยนมาเป็นรถยนต์ไฟฟ้าในจำนวนมาก เพื่อมาแทนยานยนต์ที่ใช้เชื้อเพลิงจากน้ำมันซึ่งจะเป็นแนวทางในการลดการนำเข้าน้ำมันดิบจากต่างประเทศ และช่วยลดมลพิษไอเสียที่เกิดขึ้นมาจากเครื่องยนต์สันดาปภายในเหล่านั้น ที่ส่งผลกระทบต่อการเกิดภาวะโลกร้อน (Global warming) โดยตรง ดังนั้นยานยนต์ไฟฟ้าปริมาณมากมายที่จะถูกนำมาใช้งานจริงบนท้องถนนต้องผ่านการตรวจสอบและทดสอบสมรรถนะอย่างถูกต้องตามเกณฑ์มาตรฐานจากกรมการขนส่งทางบกโดยตรง หรือจากหน่วยบริการวิชาการเฉพาะทางด้านการทดสอบสมรรถนะยานยนต์เชื้อเพลิงสะอาดที่ได้รับอนุญาตให้เป็นผู้แทนตรวจสภาพรถยนต์ไฟฟ้าได้ จึงเป็นมูลเหตุให้มีการจัดตั้งหน่วยบริการวิชาการเฉพาะทางด้านการทดสอบสมรรถนะยานยนต์เชื้อเพลิงสะอาดขึ้น เพื่อรองรับการการตรวจสอบและทดสอบสมรรถนะยานยนต์ไฟฟ้าตามเกณฑ์มาตรฐานจากกรมการขนส่งทางบก ซึ่งขณะนี้หน่วยบริการวิชาการเฉพาะทางด้านของเราได้มีความร่วมมือจากคณะวิทยาศาสตร์ คณะวิศวกรรมศาสตร์ วิทยาลัยนานาชาติและหน่วยงานภาครัฐและเอกชน อาทิเช่น กรมส่งเสริมอุตสาหกรรม ภาค 5, บริษัท ไทยคิงมอเตอร์ อินโนเวชั่น จำกัด, บริษัท เอ็ส บี เอ็ม เอ็นจิเนี่ยริ่ง จำกัด, บริษัท ช่วยราม เอ็นจิเนี่ยริ่ง จำกัด และสมาคมการค้ารถสามล้อส่วนบุคคล และมอเตอร์ไซค์ไฟฟ้า เพื่อสนับสนุนการตรวจสอบและทดสอบสมรรถนะยานยนต์ไฟฟ้า เช่น บริการทดสอบประสิทธิภาพกำลังงาน ประสิทธิภาพการเผาไหม้และค่าไอเสียของรถยนต์สันดาปภายใน รถยนต์นั่งสาธารณะ(รถแท็กซี่)ในกรุงเทพมหานคร โดยเฉพาะในเขตลาดกระบัง นอกจากนี้ยังจะเป็นการบูรณาการการศึกษาสำหรับการเรียนการสอนในรายวิชา 05106335 หน่วยปฏิบัติการทางอุตสาหกรรมปิโตรเคมี ของภาควิชาเคมี คณะวิทยาศาสตร์ ที่มีสาระสำคัญมุ่งเน้นให้ผู้เรียนได้รับการเรียนรู้การถ่ายโอนโมเมนตัม การไหลของอากาศ การดุลมวล โมเมนตัมและพลังงาน รายวิชาด้าน Software and Automotive Engineering ของภาควิชาวิศวกรรมเครื่องกล คณะวิศวกรรมศาสตร์ และวิทยาลัยนานาชาติ ได้เข้าเรียนรู้ และฝึกงานที่หน่วยบริการวิชาการเฉพาะทางด้านการทดสอบสมรรถนะยานยนต์เชื้อเพลิงสะอาด เพื่อเตรียมความพร้อมก่อนที่จะออกไปทำงานจริง ดังนั้น การเพิ่มพูนความรู้และประสบการณ์ในรายวิชาที่กำลังศึกษาจึงมีความสำคัญเป็นอย่างยิ่งต่อการพัฒนาองค์ความรู้ในเชิงปฏิบัติได้เป็นอย่างดี
คณะวิทยาศาสตร์
Direct Arc Plasma Generator with Six Nozzles, Applications of Plasma Technology and Progress in Nuclear Fusion and Thailand Tokamak-1 (TT1) Development
คณะอุตสาหกรรมอาหาร
This study aims to investigate the co-encapsulation technique of vitamin C and coenzyme Q10 within liposomes to enhance their stability and encapsulation efficiency and evaluate their antioxidant activity and release behavior under simulated gastrointestinal conditions. Liposomes were prepared using the High-Speed Homogenization Method, and their characteristics, including particle size, zeta potential, encapsulation efficiency, and antioxidant activity, were analyzed using DPPH, ABTS, and FRAP assays. The results demonstrated that co-encapsulation significantly improved the stability of vitamin C and coenzyme Q10 compared to single encapsulation. The liposomes exhibited high encapsulation efficiency and maintained strong antioxidant activity. The release profile under simulated gastrointestinal conditions also indicated a sustained and controlled release. These findings highlight the potential of the co-encapsulation technique in enhancing the efficacy of functional bioactive compounds, making it applicable to the food and nutraceutical industries.
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.