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
คณะวิทยาศาสตร์
A smartphone-based colorimetric sensor for quantitative detection of pyridoxine (Vitamin B6, VB-6) in functional drink samples has been realized by developing double layer hydrogel. Electrostatic interaction initiates the cross-linking and produces double layer hydrogel.
คณะเทคโนโลยีสารสนเทศ
Currently, the issue of developmental writing disabilities in children is a matter of great importance for school-age children. Diagnosing whether a child has developmental writing disabilities relies on writing skill assessments, which are administered to those seeking diagnosis and evaluated by medical professionals or experts. However, there are still limitations in the diagnostic process, which depends heavily on expert physicians, leading to a high demand for human resources. To address this, we have developed a method for scoring writing skill assessments using image processing technology, based on existing scoring criteria. Currently, three criteria are used for scoring: writing position, article format, and copying speed. We have also created a web application to make the system more accessible and easier to use.
คณะวิทยาศาสตร์
Otitis Media is an infection of the middle ear that can occur in individuals of all ages. Diagnosis typically involves analyzing images taken with an otoscope by specialized physicians, which relies heavily on medical experience to expedite the process. This research introduces computer vision technology to assist in the preliminary diagnosis, aiding expert decision-making. By utilizing deep learning techniques and convolutional neural networks, specifically the YOLOv8 and Inception v3 architectures, the study aims to classify the disease and its five characteristics used by physicians: color, transparency, fluid, retraction, and perforation. Additionally, image segmentation and classification methods were employed to analyze and predict the types of Otitis Media, which are categorized into four types: Otitis Media with Effusion, Acute Otitis Media with Effusion, Perforation, and Normal. Experimental results indicate that the classification model performs moderately well in directly classifying Otitis Media, with an accuracy of 65.7%, a recall of 65.7%, and a precision of 67.6%. Moreover, the model provides the best results for classifying the perforation characteristic, with an accuracy of 91.8%, a recall of 91.8%, and a precision of 92.1%. In contrast, the classification model that incorporates image segmentation techniques achieved the best overall performance, with an mAP50-95 of 79.63%, a recall of 100%, and a precision of 99.8%. However, this model has not yet been tested for classifying the different types of Otitis Media.