This research aims to study the waste management process of horse manure, the production process of organic fertilizer from horse waste, and opinions on the use of innovative organic fertilizer from horse manure. A mixed-method approach, combining qualitative and quantitative research, is employed. The organic fertilizer is produced from horse manure, which is a waste that incurs disposal costs. Through the fermentation process, it is transformed into an environmentally friendly fertilizer containing essential nutrients beneficial to plants. According to the laboratory analysis of the organic fertilizer conducted by the Soil Science Laboratory, Faculty of Agricultural Technology, King Mongkut's Institute of Technology Ladkrabang, it was found that organic fertilizer from horse manure contains essential nutrients for plant growth, including macronutrients, secondary nutrients, and micronutrients. This reflects the potential of horse waste management, the production process of organic fertilizer from horse manure, the efficiency of the organic fertilizer, and strategies for adding value to expand its commercialization.
ปัจจุบันกีฬาขี่ม้าในประเทศไทยได้รับความนิยม และเกิดฟาร์มเลี้ยงม้าในประเทศไทยมากขึ้น ส่งผลให้เกิดปัญหาการจัดการของเสียจากม้า โดยม้าแต่ละตัวผลิตมูลเฉลี่ย 18-23 กิโลกรัมต่อวัน หรือประมาณ 1 ตันต่อเดือน หากไม่มีการจัดการที่เหมาะสม อาจก่อให้เกิดปัญหาด้านสิ่งแวดล้อม เช่น กลิ่นเหม็น การแพร่กระจายของเชื้อโรค และข้อร้องเรียนจากชุมชนโดยรอบ เจ้าของฟาร์มต้องเสียค่าใช้จ่ายในการกำจัดมูลม้า แนวทางหนึ่งที่ช่วยลดปัญหาคือการนำของเสียจากม้ามาผลิตเป็นปุ๋ยอินทรีย์ ซึ่งเป็นกระบวนการที่ช่วยลดของเสียและเพิ่มมูลค่าทางเศรษฐกิจ เพื่อพัฒนาคุณภาพปุ๋ยอินทรีย์ สามารถนำสารเร่งหมักมาใช้เพื่อลดระยะเวลาการหมัก และเสริมแหนแดงเพื่อเพิ่มปริมาณไนโตรเจนในปุ๋ย ซึ่งช่วยให้ได้ปุ๋ยที่มีประสิทธิภาพสูงขึ้นและสามารถนำไปใช้เชิงพาณิชย์ สร้างรายได้ให้กับเจ้าของฟาร์มและเป็นมิตรกับสิ่งแวดล้อม
คณะวิศวกรรมศาสตร์
This research aims to reduce the time required to resolve customer issues by focusing on improvements based on lean principles and the application of technology. The researcher conducts the case study at Nexter Digital and Solution Co., Ltd. to enhance workflows, establish new work standards, and integrate Bot technology into the processes to reduce resolution time and set new performance benchmarks for the company. The research proposes key ideas, such as identifying the root cause of problems, reducing redundant processes, implementing Lean methodologies, and applying technology to streamline operations. The research identifies two main issues to be resolved. The first involves addressing customer complaints, where the results show that the average resolution time reduces from 5 days to 3 days, representing a 38% decrease. The second issue involves solving problems for vendors, where the results show that the average response time reduces from 20 minutes to within 1 minute, a 98.5% decrease. The findings from both cases not only improve customer service but also establish a new standard for responding to and resolving internal issues more efficiently.
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.
คณะวิทยาศาสตร์
The current residential solar panels lack an adequate monitoring system, which hinders their optimal utilization. This research aims to design an Internet of Things (IoT) monitoring system and employ machine learning techniques to predict the current and voltage generated by solar panels. Experimental studies have revealed a correlation between dust accumulation and the current output of solar panels. The proposed system facilitates the prediction of the optimal time for cleaning solar panels.