Metallic nanoparticles embedded in cellulose nanocrystal (MNPs/CNC) films were prepared by solution casting for antimicrobial and fungus in edible peel fruit. MNPs/CNC was synthesized by ultrasonic waves. The as-synthesized was characterized by the chemical characteristics by the transmission electron microscope (TEM), X-ray photoelectron spectroscopy (XPS), X-ray diffraction analysis (XRD), Fourier transform infrared spectrometer (FT-IR), zeta potential analyzer, and UV-visible spectrophotometer. MNPs/CNC films had high potential in antimicrobial and fungus. Therefore, MNPs/CNC can be used to wrap edible peeled fruit to inhibit the growth of microorganisms, which can effectively extend the shelf life of fruits.
ประเทศไทยเป็นหนึ่งในผู้ส่งออกผลไม้รายสำคัญของโลก โดยเฉพาะผลไม้ที่รับประทานแบบไม่ปอกเปลือก ซึ่งผลไม้เหล่านี้มีแนวโน้มเสื่อมคุณภาพหรือเกิดการเน่าเสียระหว่างการขนส่ง อันเป็นผลมาจากการปนเปื้อนของเชื้อราและแบคทีเรียที่สามารถพบได้จากปัจจัยหลายประการ เช่น สภาพแวดล้อมในการเพาะปลูก องค์ประกอบของดิน หรือกระบวนการขนส่ง เชื้อจุลินทรีย์เหล่านี้สามารถเจริญเติบโตได้โดยใช้น้ำตาลจากผลไม้เป็นแหล่งพลังงาน ซึ่งส่งผลให้โครงสร้างของเนื้อผลไม้เปลี่ยนแปลง ความสดลดลง และกระตุ้นกระบวนการเน่าเสียให้เกิดขึ้นเร็วขึ้น งานวิจัยนี้จึงได้สังเคราะห์ฟิล์มเซลลูโลสนาโนคริสตัลที่ฝังอนุภาคนาโนโลหะสำหรับการยับยั้งจุลชีพบนผลไม้ที่รับประทานแบบไม่ปอกเปลือก สำหรับใช้เป็นบรรจุภัณฑ์อัจฉริยะ เพื่อช่วยยืดอายุการเก็บรักษา ลดอัตราการเน่าเสีย และรักษาคุณภาพของผลไม้ให้ยาวนานขึ้น
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
A Photographic series that expresses the abstract states of myself, towards the question of existence that results from being surrounded by expectations of both surrender and freedom of expression, this series focuses on my own subjectivities in order to bring back memories of almost forgotten feelings and make them clear once more.
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
This special problem aims to study and compare the performance of predicting the air quality index (AQI) using five ensemble machine learning methods: random forest, XGBoost, CatBoost, stacking ensemble of random forest and XGBoost, and stacking ensemble of random forest, SVR, and MLP. The study uses a dataset from the Central Pollution Control Board of India (CPCB), which includes fifteen pollutants and nine meteorological variables collected between January, 2021 and December, 2023. In this study, there were 1,024,920 records. The performance is measured using three methods: root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination. The study found that the random forest and XGBoost stacking ensemble had the best performance measures among the three methods, with the minimum RMSE of 0.1040, the minimum MAE of 0.0675, and the maximum of 0.8128. SHAP-based model interpretation method for five machine learning methods. All methods reached the same conclusion: the two variables that most significantly impacted the global prediction were PM2.5 and PM10, respectively.