งานวิจัยเรื่องการปรับปรุงความแข็งแรงของเซลล์อิเล็กโทรไลต์ชนิดแข็ง มีวัตถุประสงค์ในการหาแนวทางปรับปรุง คุณสมบัติของเซลล์อิเล็กโทรไลต์ชนิดแข็ง ซึ่งผลิตจากซีเมนต์และสารที่เป็นตัวช่วยในการพัฒนาโครงสร้างของซีเมนต์ให้กำเนิดกระแสไฟฟ้าได้ มีองค์ประกอบของ Sodium chloride (NaCl) และ Graphite เป็นองค์ประกอบหลัก ที่มีความสามารถในการให้กระแสไฟฟ้าในระดับอ่อนๆได้ โดยมีวัตถุประสงค์เพื่อเป็นแหล่งกำเนิดกระแสไฟฟ้าสำหรับการใช้เป็นวัสดุปูพื้น ในงานวิจัยนี้มีขั้นตอนการดำเนินงาน โดยประกอบด้วยการเตรียมซีเมนต์กับน้ำ Sodium chloride (NaCl) และ Graphite เพื่อเพิ่มความสามารถในการนำไฟฟ้าของวัสดุงานวิจัยนี้คาดหวังเป็นอย่างยิ่งว่า จะสามารถพัฒนาคอนกรีตปูพื้นที่สามารถให้กำเนิดแสงไฟฟ้าและสามารถที่จะพัฒนาต่อยอดเพื่อประยุกต์ใช้ในงานอื่นๆในอนาคต
ในปัจจุบัน ความต้องการใช้พลังงานไฟฟ้าเพิ่มขึ้นนอย่างต่อเนื่อง ส่งผลให้เกิดการพัฒนาเทคโนโลยีและนวัตกรรมใหม่ ๆ เพื่อเพิ่มแหล่งพลังงานทางเลือกที่มีความยั่งยืนและเป็นมิตรต่อสิ่งแวดล้อม หนึ่งในแนวทางที่ได้รับความสนใจ คือการพัฒนาวัสดุที่สามารถผลิตและกักเก็บพลังงานไฟฟ้าได้ในตัวเอง ซึ่งสามารถนำไปใช้ในโครงสร้างพื้นฐานต่าง ๆเช่น พื้นทางเดิน อาคาร หรือพื้นที่สาธารณะ ดังนั้น งานวิจัยนี้จึงมีเป้าหมายเพื่อพัฒนาและปรับปรุงคุณสมบัติของเซลล์อิเล็กโทรไลต์ชนิดแข็งที่มีโครงสร้างพื้นฐานจากซีเมนต์ โดยมุ่งเน้นการเพิ่มความแข็งแรงของวัสดุควบคู่ไปกับการรักษาคุณสมบัติการนำไฟฟ้า เพื่อให้สามารถนำไปใช้งานเป็นวัสดุปูพื้นที่สามารถผลิตกระแสไฟฟ้าได้ งานวิจัยนี้คาดหวังว่าจะเป็นแนวทางสำคัญในการ พัฒนาวัสดุก่อสร้างสามารถต่อยอดไปสู่การประยุกต์ใช้ในอนาคตได้อย่างมีประสิทธิภาพ
คณะวิศวกรรมศาสตร์
ในงานวิจัยนี้ เรานำเสนอ Power Grid Analyzer (PGAz) ซึ่งเป็นซอฟต์แวร์โอเพนซอร์สที่พัฒนาโดยใช้ MATLAB ออกแบบมาเพื่อวิเคราะห์และควบคุมโครงข่ายไฟฟ้าแห่งอนาคต ในระยะแรก PGAz ได้รวมคุณสมบัติหลัก 4 ประการ ได้แก่ การวิเคราะห์การไหลของกำลังไฟฟ้า (PF), การวิเคราะห์การไหลของกำลังไฟฟ้าที่เหมาะสมที่สุด (OPF), การวิเคราะห์เสถียรภาพเชิงสัญญาณขนาดเล็ก (SSSA) และ การจำลองผลตอบสนองในโดเมนเวลา (TS) ในส่วนที่ 1 ของงานวิจัยนี้ เรามุ่งเน้นไปที่การพัฒนา PF และ OPF โดยนำเสนอรูปแบบของเครื่องมือที่พัฒนาขึ้น รวมถึงคำสั่งที่ใช้ในซอฟต์แวร์ สำหรับการแก้ปัญหา PF และ OPF เราได้พัฒนาและรวมเอาหลายเทคนิคทั่วไปที่มีประสิทธิภาพไว้ใน PGAz ได้แก่ Newton-Raphson Method, Gauss-Seidel Method, Interior Point Method, Iwamoto’s Method, Fast Decoupled Load Flow, Genetic Algorithm - GA, Particle Swarm Optimization - PSO นอกจากนี้ เรายังให้ความสำคัญกับประเด็นที่สำคัญ อัลกอริธึม และกรณีศึกษาต่างๆ ที่ได้รับการทดสอบกับระบบทดสอบมาตรฐานของ IEEE ตั้งแต่ IEEE 5-bus ไปจนถึง IEEE 300-bus ซึ่งผลลัพธ์ที่ได้รับแสดงให้เห็นถึงความสามารถของ PGAz ในการใช้งานเพื่อการศึกษาและการวิจัยในด้าน PF และ OPF สุดท้าย เราได้วางแผนพัฒนา Part II ซึ่งจะเน้นไปที่ SSSA และ TS เป็นหลัก โดยมีเป้าหมายเพื่อเพิ่มขีดความสามารถของ PGAz ในการศึกษาการวิเคราะห์เสถียรภาพและการจำลองเชิงเวลาของโครงข่ายไฟฟ้าแห่งอนาคต
คณะวิทยาศาสตร์
ปัญหาพิเศษนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองการทำนายราคาทองคำโดยใช้ตัวแปรเชิงปริมาณและ ข้อมูลข้อความจากข่าว งานวิจัยนี้ใช้ตัวแปรต้น 9 ตัว ได้แก่ ราคาน้ำ มันดิบเบรนท์ ราคาน้ำมันดิบ WTI ราคาโลหะเงิน ราคาแพลทินัม อัตราดอกเบี้ยนโยบายของธนาคารกลางสหรัฐ (FED) ดัชนีตลาดหุ้น ญี่ปุ่น นิกเคอิ 225 ดัชนีค่าเฉลี่ยอุตสาหกรรมดาวโจนส์ ดัชนี S&P 500และข้อมูลข่าวจากสำนักข่าวกรุงเทพธุรกิจ ข้อมูลข่าวสารที่เกี่ยวข้องจะ ถูกนำมาวิเคราะห์ด้วยเทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing - NLP) และนำมาประยุกต์ใช้ร่วม กับแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) โดยเปรียบเทียบ 3 วิธี ได้แก่ Gradient Boosting, Machine Learning Models และ Regression Analysis จากนั้นทำการประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด 3 ตัว ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error: RMSE), ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error: MAE) และ สัมประสิทธิ์การกำหนด (Coefficient of Determination: R^2) งานวิจัยนี้คาดหวังว่าแบบจำลองที่พัฒนาขึ้นจะสามารถช่วยให้นักลงทุนและนักวิเคราะห์สามารถใช้ข้อมูลเชิงปริมาณและข่าวสารในการทำนายราคาทองคำได้อย่างมีประสิทธิภาพมากขึ้น
คณะวิศวกรรมศาสตร์
ระบบสร้างภาษามือไทยเชิงกำเนิดมีเป้าหมายในการพัฒนาแพลตฟอร์ม การสร้างแบบจำลอง 3 มิติและแอนิเมชัน ที่สามารถแปลง ประโยคภาษาไทยเป็นท่าทางภาษามือไทย (TSL) ที่ถูกต้องและเป็นธรรมชาติ โครงการนี้ช่วยเสริมสร้างการสื่อสารสำหรับ ชุมชนผู้บกพร่องทางการได้ยินในประเทศไทย โดยใช้แนวทางที่อิงกับ แลนมาร์ก (Landmark-Based Approach) ผ่านการใช้ Vector Quantized Variational Autoencoder (VQVAE) และ Large Language Model (LLM) ในการสร้างภาษามือ ระบบเริ่มต้นด้วยการ ฝึกโมเดล VQVAE โดยใช้ข้อมูลแลนมาร์กที่สกัดจากวิดีโอภาษามือ เพื่อให้โมเดลเรียนรู้ การแทนค่าแบบแฝง (Latent Representations) ของท่าทางภาษามือไทย หลังจากนั้น โมเดลที่ฝึกแล้วจะถูกใช้เพื่อ สร้างลำดับแลนมาร์กของท่าทางเพิ่มเติม ซึ่งช่วยขยายชุดข้อมูลฝึกโดยอ้างอิงจาก BigSign ThaiPBS Dataset เมื่อชุดข้อมูลได้รับการขยายแล้ว ระบบจะทำการ ฝึก LLM เพื่อสร้างลำดับแลนมาร์กที่ถูกต้องจากข้อความภาษาไทย โดยลำดับแลนมาร์กที่ได้จะถูกนำไปใช้ สร้างแอนิเมชันของโมเดล 3 มิติใน Blender เพื่อให้ได้ท่าทางภาษามือที่ลื่นไหลและเป็นธรรมชาติ โครงการนี้ถูกพัฒนาด้วย Python โดยใช้ MediaPipe สำหรับการสกัดแลนมาร์ก OpenCV สำหรับการประมวลผลภาพแบบเรียลไทม์ และ Blender’s Python API สำหรับสร้างแอนิเมชัน 3 มิติ ด้วยการผสานเทคโนโลยี AI, การเข้ารหัสผ่าน VQVAE และการสร้างแลนมาร์กด้วย LLM ระบบนี้มุ่งหวังที่จะ เชื่อมช่องว่างระหว่างข้อความภาษาไทยและภาษามือไทย เพื่อมอบแพลตฟอร์มการแปลภาษามือแบบโต้ตอบ ในเวลาจริง ให้กับชุมชนผู้บกพร่องทางการได้ยินในประเทศไทย