Design and Development of a Remote Battery Management System This research focuses on the design and development of a battery management system that enables remote monitoring and control, allowing users to customize battery cell properties as needed. The system is specifically designed for use with graphene battery cells and can be effectively applied to alternative energy systems for residential use.
1. เพิ่มประสิทธิภาพการจัดการพลังงาน – ระบบบริหารจัดการแบตเตอรี่ที่สามารถควบคุมและมอนิเตอร์ระยะไกลช่วยให้สามารถจัดการพลังงานได้อย่างมีประสิทธิภาพ ลดการสูญเสียพลังงาน และเพิ่มอายุการใช้งานของแบตเตอรี่ 2. รองรับเทคโนโลยีแบตเตอรี่กราฟีน – แบตเตอรี่กราฟีนมีศักยภาพสูงในการเก็บพลังงานและมีอายุการใช้งานยาวนาน โครงการนี้ช่วยทดสอบและพัฒนาการนำแบตเตอรี่กราฟีนไปใช้ในระบบพลังงานทางเลือก 3. เพิ่มความสะดวกและความปลอดภัยในการใช้งาน – การควบคุมและมอนิเตอร์แบตเตอรี่จากระยะไกลช่วยลดความเสี่ยงจากการเกิดปัญหาทางเทคนิค เช่น การชาร์จไฟเกินหรืออุณหภูมิสูงเกินไป ทำให้ระบบมีความปลอดภัยมากขึ้น 4. ส่งเสริมการพัฒนาเทคโนโลยีภายในประเทศ – โครงการนี้ช่วยสนับสนุนการพัฒนาเทคโนโลยีแบตเตอรี่และระบบบริหารจัดการพลังงานภายในประเทศ ลดการพึ่งพาเทคโนโลยีจากต่างประเทศ และเพิ่มขีดความสามารถในการแข่งขันด้านพลังงาน
คณะวิศวกรรมศาสตร์
This research suggested natural hemp fiber-reinforced ropes (FRR) polymer usage to reinforce recycled aggregate square concrete columns that contain fired-clay solid brick aggregates in order to reduce the high costs associated with synthetic fiber-reinforced polymers (FRPs). A total of 24 square columns of concrete were fabricated to conduct this study. The samples were tested under a monotonic axial compression load. The variables of interest were the strength of unconfined concrete and the number of FRRlayers. According to the results, the strengthened specimens demonstrated an increased compressive strength and ductility. Notably, the specimens with the smallest unconfined strength demonstrated the largest improvement in compressive strength and ductility. Particularly, the compressive strength and strain were enhanced by up to 181% and 564%, respectively. In order to predict the ultimate confined compressive stress and strain, this study investigated a number of analytical stress–strain models. A comparison of experimental and theoretical findings deduced that only a limited number of strength models resulted in close predictions, whereas an even larger scatter was observed for strain prediction. Machine learning was employed by using neural networks to predict the compressive strength. A dataset comprising 142 specimens strengthened with hemp FRP was extracted from the literature. The neural network was trained on the extracted dataset, and its performance was evaluated for the experimental results of this study, which demonstrated a close agreement.
คณะวิศวกรรมศาสตร์
Jaundice, a common condition in infants that results from high bilirubin levels in the blood, often requires early diagnosis and monitoring to prevent severe complications, especially in newborns. Traditional diagnostic methods can be time-consuming and subject to human error. This study proposes an approach for real-time jaundice detection using advanced image processing techniques and machine learning algorithms. By analyzing images captured in RGB color spaces, pixel values are extracted and processed through Otsu’s thresholding and morphological operations to detect color patterns indicative of jaundice. A classifier model is then trained to distinguish between normal and jaundiced conditions, offering an automated, accurate, and efficient diagnostic tool. The system’s potential to operate in real-time makes it particularly suited for clinical settings, providing healthcare professionals with timely insights to improve patient outcomes. The proposed method represents a significant innovation in healthcare, combining artificial intelligence and medical imaging to enhance the early detection and management of jaundice, reducing reliance on manual interventions and improving overall healthcare delivery.
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.