This cooperative education project aims to enhance the efficiency of Hydrogen Manufacturing Unit 2 (HMU-2) and Pressure Swing Adsorption 3 (PSA-3) by using AVEVA Pro/II process modeling and a Machine Learning model for process simulation. The study found that the AVEVA Pro/II model predicted outcomes with deviations ranging from 0–35%, including a hydrogen flow rate deviation from the PSA unit of 12%, exceeding the company’s acceptable limit of 10%. To address this, a Machine Learning model based on the Random Forest algorithm was developed with hyperparameter tuning. The Machine Learning model demonstrated high accuracy, achieving Mean Squared Errors (MSE) of 8.48 and 0.18 for process and laboratory data, respectively, and R-squared values of 0.98 and 0.88 for the same datasets. It outperformed the AVEVA Pro/II model in predicting all variables and reduced the hydrogen flow rate deviation to 4.75% and 1.35% for production rates of 180 and 220 tons per day, respectively. Optimization using the model provided recommendations for process adjustments, increasing hydrogen production by 7.8 tons per day and generating an additional annual profit of 850,966.23 Baht.
บริษัท ไทยออยล์ จำกัด (มหาชน) (TOP) ประกอบธุรกิจโรงกลั่นน้ำมันที่มีกระบวนการผลิตที่ทันสมัยและมีประสิทธิภาพสูง เพื่อผลิตและจำหน่ายน้ำมันปิโตรเลียมสำเร็จรูปป้อนตลาดในประเทศเป็นส่วนใหญ่ ทั้งยังขยายการลงทุนให้ครอบคลุมการผลิตผลิตภัณฑ์ปิโตรเคมี นํ้ามันหล่อลื่นพื้นฐาน เอทานอล รวมถึงการลงทุนในธุรกิจไฟฟ้า ตลอดจนธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียม และปิโตรเคมีทางเรือ ธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียมสำเร็จรูปทางท่อ และธุรกิจให้คำปรึกษาทางด้านพลังงาน ซึ่งมีโรงกลั่นอยู่ที่อำเภอศรีราชา จังหวัดชลบุรี โครงงานสหกิจนี้เกี่ยวข้องกับการทำงานร่วมกับหน่วยผลิต Hydrogen Manufacturing 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) ซึ่งผลิตไฮโดรเจนบริสุทธิ์สูงสำหรับใช้ในกระบวนการต่าง ๆ เช่น Hydrocrackers, Hydrodesulphuriser และ Hydrotreaters หน่วยผลิตนี้มีบทบาทสำคัญในการแยกก๊าซธรรมชาติเหลือใช้จากกระบวนการก่อนหน้า ซึ่งมีความซับซ้อนสูงและต้องการการควบคุมอุณหภูมิและความดันอย่างแม่นยำเพื่อให้กระบวนการทำงานได้อย่างมีประสิทธิภาพ เนื่องจากการขาดเครื่องมือจำลองกระบวนการที่มีประสิทธิภาพส่งผลต่อความสามารถในการผลิตและประสิทธิภาพโดยรวม ทำให้ไม่สามารถส่งไฮโดรเจนให้กระบวนการข้างต้นได้ตามความต้องการ การใช้โปรแกรม AVEVA Pro/II ซึ่งเป็นเครื่องมือสำคัญในการจำลองกระบวนการผลิตในหน่วย HMU-2 และ PSA-3 พบว่ามีข้อผิดพลาดในการจำลองบางกระบวนการ ซึ่งส่งผลกระทบต่อความแม่นยำในการคาดการณ์พารามิเตอร์ที่เกี่ยวข้องกับการผลิตไฮโดรเจน การพัฒนาโมเดล Machine Learning จึงเป็นแนวทางใหม่ที่มีศักยภาพในการเพิ่มความแม่นยำในการคาดการณ์พารามิเตอร์กระบวนการต่าง ๆ เช่น อุณหภูมิ ความดัน และอัตราการไหล การนำเทคนิค Machine Learning มาช่วยในการคาดการณ์และปรับปรุงกระบวนการผลิตไฮโดรเจนให้ได้ตามความต้องการของหน่วยผลิตในบริษัทจึงเป็นสิ่งสำคัญในการเพิ่มประสิทธิภาพการผลิตและตอบสนองความต้องการที่สูงขึ้นได้อย่างมีประสิทธิผล
คณะวิทยาศาสตร์
With the urgent need for rapid screening of Aflatoxin B1 (AFB1) due to its association with increased liver cirrhosis and hepatocellular carcinoma cases from contaminated agricultural foods, we propose a novel electrochemical aptasensor. This aptasensor is based on trimetallic nanoparticles AuPt-Ru supported by reduced graphene oxide (AuPt-Ru/RGO) modified on a low-cost and disposable goldleaf electrode (GLEAuPt-Ru/RGO) for detection of AFB1. The trimetallic nanoparticle AuPt-Ru was synthesized using an ultrasonic-driven chemical reduction method. The synthesized AuPt-Ru exhibited a waxberry-like appearance, with AuPt core-shell structure and ruthenium dispersed over the particles. The average particle size was 57.35 ± 8.24 nm. The AuPt-Ru was integrated into RGO sheets (inner diameter of 0.5 to 1.6 µm) in order to enhance electron transfer efficiency and increase the specific immobilizing surface area of the thiol-5’-terminated modified aptamer (Apt) to target AFB1. With a large electrochemical surface area and low electrochemical impedance, GLEAuPt-Ru/RGO displays ultra-high sensitivity for AFB1 detection. Differential pulse voltammetry (DPV) measurements revealed a linear range for AFB1 detection range from 0.3 to 30.0 pg mL-1 (R2 = 0.9972), with a limit of detection (LOD, S/N = 3) and a limit of quantification (LOQ, S/N = 10) of 0.009 pg mL-1 and 0.031 pg mL-1, respectively. The developed aptasensor also demonstrated excellent accuracy in real agricultural products, including dried red chili, garlic, peanut, pepper, and Thai jasmine rice, achieving recovery rates between 94.6 and 107.9%. The fabricated aptamer-based GLEAuPt-Ru/RGO performance is comparable to that of a modified commercial electrode, which has great potential application prospects for detecting AFB1 in agricultural products.
คณะครุศาสตร์อุตสาหกรรมและเทคโนโลยี
"Green and Smart City Innovation" is a concrete integration of social innovation and innovation for smart city in Chiang Rai Province with an interdisciplinary collabarative learning approach based on the research and development of learning in the area by the community. Project Title : “APOLE” Cultural Product Design: The Cultural Product Design Beyond. “City development that aims to improve the quality of life By increasing the efficiency of service city management cost reduction and use of resources Emphasis is placed on the participation mechanisms of the public sector, private sector, public sector, and academic sector. Under the concept of developing a livable, modern, sustainable city that provides citizens in the city with a good quality of life. by leveraging technology and innovation as tools” to move towards a Smart City in the future The government sector uses technology as a driving force. Emphasis is placed on creating an infrastructure system. (Infrastructure) to be consistent with the living conditions of local people. By laying down telecommunications infrastructure, smart poles, arranging electrical wires and grounding communication cables. Installation of intelligent CCTV systems, air quality improvement, Internet of Things (IoT) devices, and Internet of Things (IoT) technology control systems, which help improve people's quality of life so that they can live with more quality.
คณะเทคโนโลยีการเกษตร
This experiment aimed to study the suitable types of polymers for coating with chlorophyll extract and the quality of cucumber seeds after coating. The experiment was planned using a Completely Randomized Design (CRD) with four replications, consisting of five methods involving seeds coated with different types of polymers: Polyvinylpyrrolidone, Sodium Alginate, Carboxy Methyl Cellulose, and Hydroxypropyl Methylcellulose, each polymer being coated alongside chlorophyll, with uncoated seeds serving as the control method. The coating substance was prepared by extracting chlorophyll from mango leaves, then mixed with each type of polymer at a concentration of 1%, using an 8% concentration of chlorophyll extract. The properties of each coating method, such as pH and viscosity of the coating substance, were examined before coating the cucumber seeds with a rotary disk coater model RRC150 at a coating rate of 1,100 milliliters per 1 kilogram of seeds. Subsequently, the seeds were dried to reach the initial moisture level using a hot air blower, and seed quality was assessed in various aspects, including seed moisture, germination rate under laboratory conditions, germination index, and seed fluorescence under a portable ultraviolet light illuminator, as well as light emission spectrum analysis using a Spectrophotometer. The experiment found that each type of polymer could be used to form a film together with chlorophyll, which had appropriate pH and viscosity for the coating without affecting seed quality and showed fluorescence on the seed surface both under portable ultraviolet light and spectral emission analysis with a Spectrophotometer. Using HPMC as the film-forming agent with chlorophyll was the most suitable method, enhancing seed fluorescence efficiency.