ยานยนต์ไฟฟ้าดัดแปลง
ปัจจุบันมีการพัฒนาเทคโนโลยียานยนต์ที่ขับเคลื่อนด้วยพลังงานไฟฟ้า (Electric Vehicle: EV) ทดแทนเทคโนโลยียานยนต์พลังงานน้ำมันเชื้อเพลิง (Internal Combustion Engine: ICE) เพื่อลดปัญหามลพิษสิ่งแวดล้อมที่มีแนวโน้มสูงขึ้นในทุกประเทศทั่วโลก ซึ่งประเทศไทยเริ่มมีการผลักดันนโยบายการส่งเสริมยานยนต์พลังงานไฟฟ้าผ่านหลายกระทรวงที่เกี่ยวข้องตลอดระยะเวลาที่ผ่านมา เช่น การนำรถโดยสารไฟฟ้ามาทดสอบให้บริการประชาชนผ่านหน่วยงาน ขสมก. แต่อุปสรรคสำคัญของโครงการคือต้นทุนเริ่มต้นของราคายานยนต์ไฟฟ้ามีราคาสูง แม้ว่ายานยนต์ไฟฟ้าจะมีค่าดำเนินการต่อระยะทางต่ำกว่าการใช้เชื้อเพลิงฟอสซิลมากก็ตาม จึงทำให้ผู้ประกอบการยังไม่ให้ความสนใจในการเปลี่ยนการใช้งานจากรถเครื่องยนต์สันดาปภายในเป็นยานยนต์ไฟฟ้า ดังนั้นการดัดแปลงรถเดิมเป็นรถไฟฟ้าจึงเป็นทางเลือกหนึ่งที่จะช่วยลดต้นทุนส่วนนี้ลงได้ โครงการนี้จะใช้เทคโนโลยีนี้กับการดัดแปลงรถกระบะเก่าให้เป็นรถ 2 แถวไฟฟ้า เพราะการใช้งานรถ 2 แถวมีระยะทางเฉลี่ยต่อวันค่อนข้างคงที่ ทำให้การออกแบบที่เหมาะสมมีเงื่อนไขที่ไม่เป็นอุปสรรคมากนัก และผู้ประกอบการขับรถ 2 แถว มีข้อจำกัดด้านงบประมาณในการเปลี่ยนไปใช้ยานยนต์ไฟฟ้า ดังนั้นโครงการนี้จะส่งผลให้เป็นการผลักดันให้เกิดการเปลี่ยนแปลงไปใช้งานยานยนต์ไฟฟ้ามากขึ้น นอกจากนี้เมื่อรถเครื่องยนต์สันดาปลดลงจะช่วยทำให้สิ่งแวดล้อมดีขึ้นด้วยย
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.
คณะบริหารธุรกิจ
This research aimed to develop the mixed tea from longan peels and seeds. Population studied were longan farmers who planted longan and preserved the longan product in Ampur Wang Nam Yen, Sa Kaeo Province. From the results, it was found that from By-product in the production of dehydrated longan, longan peels and seeds, which can be processed into ready-to-drink powdered tea. This not only helps reduce waste from the production process but also contributes to generating additional income from these by-products.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
The design and construction of a detailed bathroom model with structural components aim to provide a comprehensive understanding of plumbing and electrical systems in bathrooms. This project enables learners to study the intricacies of bathroom infrastructure through a highly detailed model.