The design and development of an electric locomotive for the TRRN Railway Challenge 2025 aims to enhance learning potential and apply various theories in practical settings. The focus is on developing the locomotive to pass various tests, including acceleration, automatic braking system, noise, vibration, energy consumption, and durability throughout the competition. Additionally, the project helps improve skills in writing engineering design reports, which enables students to develop their analytical and discussion abilities in order to successfully complete each test according to the competition rules.
การแข่งขัน TRRN Railway Challenge เป็นเวทีที่เปิดโอกาสให้ทีมนักศึกษาและวิศวกรรุ่นใหม่จากทั่วโลกได้ออกแบบและพัฒนาหัวรถจักรไฟฟ้าขนาดเล็กเพื่อนำไปแข่งขันภายใต้เงื่อนไขและข้อกำหนดที่กำหนดไว้ การแข่งขันนี้จัดขึ้นเพื่อส่งเสริมการเรียนรู้เชิงปฏิบัติการและการพัฒนาทักษะทางวิศวกรรมระบบราง ซึ่งเป็นอุตสาหกรรมที่มีบทบาทสำคัญต่อการขนส่งและพัฒนาโครงสร้างพื้นฐานของประเทศต่างๆ 1. พัฒนาศักยภาพนักศึกษาและวิศวกรรุ่นใหม่ ส่งเสริมการเรียนรู้และการประยุกต์ใช้ความรู้ด้านวิศวกรรมระบบรางในสถานการณ์จริง สร้างโอกาสให้ผู้เข้าร่วมฝึกฝนการทำงานเป็นทีมและการแก้ปัญหาอย่างเป็นระบบ ยกระดับมาตรฐานเทคโนโลยีระบบราง 2. ช่วยให้เกิดนวัตกรรมใหม่ในการออกแบบและพัฒนาหัวรถจักรไฟฟ้า กระตุ้นให้เกิดการพัฒนาเทคโนโลยีที่มีประสิทธิภาพสูงขึ้น เช่น ระบบควบคุมอัตโนมัติและการใช้พลังงานอย่างคุ้มค่า 3. เสริมสร้างความสามารถในการแข่งขันในระดับสากล เปิดโอกาสให้นักศึกษาและวิศวกรได้แสดงศักยภาพในเวทีระดับโลก เพิ่มขีดความสามารถของประเทศในการพัฒนาอุตสาหกรรมระบบรางและเทคโนโลยีที่เกี่ยวข้อง 4. เชื่อมโยงความรู้ทางทฤษฎีกับการปฏิบัติจริง ผู้เข้าร่วมจะได้ฝึกฝนทักษะการออกแบบ การวิเคราะห์ และการทดสอบหัวรถจักร ช่วยให้เกิดความเข้าใจเชิงลึกเกี่ยวกับปัจจัยที่ส่งผลต่อสมรรถนะของหัวรถจักร เช่น อัตราเร่ง ระบบเบรก เสียงรบกวน และความทนทาน
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.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
Toys Design from Scrap Wood Waste by Pallet Maker Group Co., Ltd.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
This artwork was created based on the universal concepts of global warming and post-apocalyptic world, which has caused disturbances and chaos in ecosystems, leading to the extinction of many living beings on Earth due to human actions. Repairing and restoring this world may therefore be a false hope, connected to my personal experience of losing loved ones and the sorrow from setting high hope, through the artistic process using Animation Art and Sound Art.