The research on improving the strength of solid electrolytes aims to enhance the properties of solid electrolyte materials produced from cement and additives that help develop the cement structure to generate electricity. The main components include sodium chloride (NaCl) and graphite, which contribute to the material’s ability to generate a weak electrical current. The objective is to develop an electricity-generating flooring material. This study involves preparing a mixture of cement, water, sodium chloride (NaCl), and graphite to enhance the material’s electrical conductivity. It is highly anticipated that this research will lead to the development of concrete flooring capable of generating electricity and can be further expanded for future applications.
ในปัจจุบัน ความต้องการใช้พลังงานไฟฟ้าเพิ่มขึ้นนอย่างต่อเนื่อง ส่งผลให้เกิดการพัฒนาเทคโนโลยีและนวัตกรรมใหม่ ๆ เพื่อเพิ่มแหล่งพลังงานทางเลือกที่มีความยั่งยืนและเป็นมิตรต่อสิ่งแวดล้อม หนึ่งในแนวทางที่ได้รับความสนใจ คือการพัฒนาวัสดุที่สามารถผลิตและกักเก็บพลังงานไฟฟ้าได้ในตัวเอง ซึ่งสามารถนำไปใช้ในโครงสร้างพื้นฐานต่าง ๆเช่น พื้นทางเดิน อาคาร หรือพื้นที่สาธารณะ ดังนั้น งานวิจัยนี้จึงมีเป้าหมายเพื่อพัฒนาและปรับปรุงคุณสมบัติของเซลล์อิเล็กโทรไลต์ชนิดแข็งที่มีโครงสร้างพื้นฐานจากซีเมนต์ โดยมุ่งเน้นการเพิ่มความแข็งแรงของวัสดุควบคู่ไปกับการรักษาคุณสมบัติการนำไฟฟ้า เพื่อให้สามารถนำไปใช้งานเป็นวัสดุปูพื้นที่สามารถผลิตกระแสไฟฟ้าได้ งานวิจัยนี้คาดหวังว่าจะเป็นแนวทางสำคัญในการ พัฒนาวัสดุก่อสร้างสามารถต่อยอดไปสู่การประยุกต์ใช้ในอนาคตได้อย่างมีประสิทธิภาพ
คณะวิศวกรรมศาสตร์
The Thai Sign Language Generation System aims to create a comprehensive 3D modeling and animation platform that translates Thai sentences into dynamic and accurate representations of Thai Sign Language (TSL) gestures. This project enhances communication for the Thai deaf community by leveraging a landmark-based approach using a Vector Quantized Variational Autoencoder (VQVAE) and a Large Language Model (LLM) for sign language generation. The system first trains a VQVAE encoder using landmark data extracted from sign videos, allowing it to learn compact latent representations of TSL gestures. These encoded representations are then used to generate additional landmark-based sign sequences, effectively expanding the training dataset using the BigSign ThaiPBS dataset. Once the dataset is augmented, an LLM is trained to output accurate landmark sequences from Thai text inputs, which are then used to animate a 3D model in Blender, ensuring fluid and natural TSL gestures. The project is implemented using Python, incorporating MediaPipe for landmark extraction, OpenCV for real-time image processing, and Blender’s Python API for 3D animation. By integrating AI, VQVAE-based encoding, and LLM-driven landmark generation, this system aspires to bridge the communication gap between written Thai text and expressive TSL gestures, providing the Thai deaf community with an interactive, real-time sign language animation platform.
วิทยาลัยวิศวกรรมสังคีต
Musical stories to enhance thinking skills of children aged 0-3 years using EF skills as a tool to enhance children development by focus on 3 basic skills. 1. Working memory 2. Inhibitory Control 3. Cognitive Flexibility
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.