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
คณะแพทยศาสตร์
This study explores the application of deep convolutional neural networks (CNNs) for accurate pill identification, addressing the limitations of traditional human-based methods. Using a dataset of 1,250 images across 10 household remedy drugs, various CNN architectures, including YOLO models, were tested under different conditions. Results showed that natural lighting was optimal for imprinted pills, while a lightbox improved detection for plain pills. The YOLOv5-tiny model demonstrated the best detection accuracy, and efficientNet_b0 achieved the highest classification performance. While the model showed strong results, its generalization is limited by sample size and drug variability. Nonetheless, this approach holds promise for enhancing medication safety and reducing errors in outpatient care.
คณะวิศวกรรมศาสตร์
This research aims to investigate the adulteration of Khao Dawk Mali 105 rice based on storage age using Near-Infrared Spectroscopy (NIRS) with Fourier Transform Near-Infrared Spectroscopy (FT-NIR) in the wavenumber range of 12,500 – 4,000 cm-1 (800 – 2,500 nm). Storage duration significantly impacts the quality of cooked rice. This research is divided into two parts: 1) to investigate the feasibility of separating rice according to storage age (1, 2, and 3 years) using the best model created by an Ensemble method combined with Second Derivative, which achieved an accuracy of 96.3%. 2) To investigate adulteration based on storage age by adulterating at 0% (all 2- and 3-year-old rice), 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, and 100% (all 1-year-old rice). The best model was created using Gaussian Process Regression (GPR) combined with Smoothing + Multiplicative Scatter Correction (MSC), with coefficients of determination (r²), root mean square error of prediction (RMSEP), bias, and prediction ability (RPD) values of 0.92, 8.6%, 0.9%, and 3.6 respectively. This demonstrates that the adulteration model can be applied to separate rice by storage age (1, 2, and 3 years). Additionally, the color values of rice with different storage ages show differences in L* and b* values.
คณะเทคโนโลยีการเกษตร
-