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
คณะเทคโนโลยีการเกษตร
The design site of 22 hectares of agricultural land in this area is located in Tatata District, Iglenburg Province. The design concept of this area aims to encourage farmers and communities to earn income from the agricultural products produced in this area, and emphasizes that this area is a "living market", which can not only create food from a variety of crops, but also establish a balanced ecosystem and promote biodiversity in this area. The market will become a sustainable market area, which is not only beneficial to society in promoting economy, but also beneficial to the environment. The area will serve as a social and learning center, where community members can fully exchange agricultural information and experience and stimulate the economy in the community in another way.
คณะวิทยาศาสตร์
In raising crickets for meat consumption, the growth rate and growth period of crickets are important data used to identify the number of crickets per breeding area at each age. Therefore, the researcher has an idea to create a system for monitoring the growth rate of crickets in a closed system using an infrared camera combined with computer image processing to study the growth and identify the growth period of crickets at each age in order to obtain knowledge that can be disseminated to farmers to improve the breeding process for maximum efficiency.
คณะเทคโนโลยีการเกษตร
Durian is a crucial economic crop of Thailand and one of the most exported agricultural products in the world. However, producing high-quality durian requires maintaining the health of durian trees, ensuring they remain strong and disease-free to optimize productivity and minimize potential damage to both the tree and its fruit. Among the various diseases affecting durian, foliar diseases are among the most common and rapidly spreading, directly impacting tree growth and fruit quality. Therefore, monitoring and controlling leaf diseases is essential for preserving durian quality. This study aims to apply image analysis technology combined with artificial intelligence (AI) to classify diseases in durian leaves, enabling farmers to diagnose diseases independently without relying on experts. The classification includes three categories: healthy leaves (H), leaves infected with anthracnose (A), and leaves affected by algal spot (S). To develop the classification model, convolutional neural network (CNN) algorithms—ResNet-50, GoogleNet, and AlexNet—were employed. Experimental results indicate that the classification accuracy of ResNet-50, GoogleNet, and AlexNet is 93.57%, 93.95%, and 68.69%, respectively.