งานวิจัยนี้นำเสนอ ฝาแฝดดิจิตอลของตู้ปลาเพื่อการตรวจสอบคุณภาพน้ำ โดยพัฒนาแบบจำลองเสมือนจริงที่สามารถแสดงค่าพารามิเตอร์สำคัญของน้ำ ได้แก่ ค่าความเป็นกรด-ด่าง, อุณหภูมิ, อัตราการไหลของน้ำ และ ออกซิเจนที่ละลายน้ำ แบบเรียลไทม์ ข้อมูลจากเซ็นเซอร์จะถูกประมวลผล และแสดงผลผ่านส่วนอินเทอร์เฟซกราฟิกผู้ใช้ เพื่อสะท้อนสถานะของตู้ปลาเสมือนจริง ซึ่งช่วยให้สามารถตรวจสอบและวิเคราะห์คุณภาพน้ำได้อย่างแม่นยำ และไม่พึ่งพาซอฟท์แวร์ราคาแพง
มีเป้าหมายในการสร้าง Digital Twin ของตู้ปลา เพื่อใช้เป็นกรณีศึกษาในการตรวจสอบคุณภาพน้ำ โดยนำเซ็นเซอร์ตรวจวัด ค่าความเป็นกรด-ด่าง (pH), อุณหภูมิ, อัตราการไหลของน้ำ และออกซิเจนละลายน้ำ มาประมวลผลและแสดงผลผ่านอินเทอร์เฟซกราฟิกแบบเรียลไทม์ ระบบนี้สามารถใช้เป็นสื่อการสอนด้าน คอมพิวเตอร์ช่วยงานเทคโนโลยีการผลิต โดยไม่ต้องพึ่งพาซอฟต์แวร์ราคาแพง ซึ่งช่วยลดต้นทุนและเพิ่มโอกาสในการศึกษา Digital Twin อย่างมีประสิทธิภาพ
คณะวิทยาศาสตร์
งานวิจัยนี้เป็นการศึกษาการผลิตน้ำมันไพโรไลซิสจากขยะพลาสติกฝังกลบที่ผ่านการคัดแยกจากหลุมฝังกลบขยะมูลฝอยอายุ 15 ปี จากองค์การบริหารส่วนจังหวัดนนทบุรี เพื่อนำมาผลิตเป็นเชื้อเพลิงทดแทนด้วยเตาปฏิกรณ์แบบเบดนิ่ง (Fixed-Bed Reactor) ที่อุณหภูมิ 450 องศาเซลเซียส ระยะเวลา 1 ชั่วโมง 30 นาที โดยใช้ก๊าซปิโตรเลียมเหลว (LPG) เป็นเชื้อเพลิงในการให้ความร้อน มีการออกแบบการทดลองออกเป็น 4 สภาวะ คือ ตัวอย่างขยะพลาสติกฝังกลบที่ยังไม่ผ่านการล้างแต่ทำการตัดลดขนาด ตัวอย่างขยะพลาสติกฝังกลบที่ผ่านการล้างและตัดลดขนาด ตัวอย่างขยะพลาสติกฝังกลบที่ยังไม่ผ่านการล้างและตัดลดขนาด และตัวอย่างขยะพลาสติกฝังกลบยังไม่ผ่านการล้างแต่ทำการตัดลดขนาด และใช้ถ่านกัมมันต์เป็นตัวเร่งปฏิกิริยา พบว่าผลิตภัณฑ์ที่ได้มีทั้งหมด 3 ประเภท คือ น้ำมัน (Py-oil) ถ่าน (Char) และก๊าซ (Gas) ในปริมาณที่แตกต่างกันออกไป นอกจากนี้ยังมีการเปรียบเทียบลักษณะและคุณภาพของน้ำมันไพโรไลซิสจากขยะพลาสติกฝังกลบ ได้แก่ ค่าความเป็นกรด-ด่าง (pH) ค่าความร้อน (Heating Value) ค่าความชื้น (Moisture content) เถ้า (Ash) และหมู่ฟังก์ชั่น (Functional group) รวมไปถึงองค์ประกอบทางเคมี โดยใช้การอ้างอิงมาตรฐานน้ำมันเตาตามประกาศกรมธุรกิจพลังงานเป็นเกณฑ์ ผลการวิเคราะห์ ที่ได้จึงสามารถอธิบายได้ว่าน้ำมันจากการไพโรไลซิสขยะพลาสติกฝังกลบในสภาวะใดที่มีความเหมาะสมและมีความคุ้มค่ากับการนำมาผลิตเชื้อเพลิงทดแทนน้ำมันเตาที่มีการใช้ในภาคอุตสาหกรรมได้ งานวิจัยนี้เป็นอีกหนึ่งแนวทางเลือกที่ช่วยในการจัดการขยะพลาสติกในบ่อฝังกลบให้มีปริมาณลดน้อยลง โดยเปลี่ยนขยะมูลฝอยให้เป็นเชื้อเพลิงทดแทนที่นำไปใช้ประโยชน์ได้จริง
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
ผลงานศิลปนิพนธ์หัวข้อเรื่อง “สงครามในม่านหมอก” เป็นการนำเสนอเรื่องราวที่ดัดแปลงมาจากเรื่องสั้นชื่อเดียวกันของ ผศ. ชาติณรงค์ วิสุตกุล เมื่อปี 2546 เกี่ยวกับโลกอนาคตที่ผู้คนแก่งแย่งและเห็นแก่ตัวจนก่อให้เกิดสงครามทำให้ผู้คนต้องพึ่งพา “เครื่องหายใจ” ในการใช้เพื่ออยู่รอดใน “หมอกพิษสีแดง” ภาคิน เด็กหนุ่มวัย 15 ต้องเดินทางร่วมกับกลุ่มผู้อพยพ พวกเขาเดินทางผ่านเมืองร้าง และบังเอิญพบเข้ากับเด็กชายไร้เครื่องหายใจที่พึ่งกำพร้าพ่อ ภาคินตัดสินใจช่วยเหลือ แม้คนอื่นจะไม่เห็นด้วยก็ตาม เด็กชายพยายามจะปลิดชีวิตตัวเองโดยการปิดเครื่องหายใจ ภาคินที่เข้าไปยื้อชีวิตเด็กกลับหมดสติลงจากการหายใจเอาอากาศพิษเข้าไป คนอื่น ๆ ที่เห็นสิ่งที่ภาคินทำเพื่อช่วยเพื่อนมนุษย์ ได้สำนึกและร่วมมือกันช่วยชีวิตทั้งสอง ภาคินทำให้ทุกคนรู้ว่า ในช่วงเวลาที่ยากลำบาก มนุษย์เราต้องร่วมมือ ช่วยเหลือกันไม่ใช่แตกแยก และเห็นแก่ตัว
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า