งานวิจัยนี้มีวัตถุประสงค์เพื่อปรับปรุงกระบวนการผลิตกรดแกมมา-อะมิโนบิวทิริก (GABA) ในน้ำสับปะรดหมักโดยใช้โพรไบโอติกและแบคทีเรียกรดอะซิติก (AAB) ซึ่งเป็นจุลินทรีย์ที่มีศักยภาพในการเพิ่มปริมาณ GABA กระบวนการนี้ได้รับการพัฒนาเพื่อเพิ่มคุณค่าทางโภชนาการของน้ำหมักสับปะรด และช่วยเพิ่มมูลค่าให้กับผลผลิตสับปะรดไทยที่มีราคาต่ำมาเป็นเวลานาน การศึกษานี้มุ่งเน้นไปที่การหาสภาวะที่เหมาะสมสำหรับการผลิต GABA โดยพิจารณาปัจจัยต่าง ๆ เช่น ปริมาณน้ำตาล ค่า pH ระยะเวลาการหมัก และความเข้มข้นของ L-glutamate รวมถึงการเพาะเลี้ยงร่วมกันระหว่างโพรไบโอติกและแบคทีเรียกรดอะซิติก การทดลองดำเนินการโดยใช้เทคนิคการหมักแบบควบคุม และวิเคราะห์องค์ประกอบทางชีวภาพของน้ำหมักโดยใช้เครื่องมือขั้นสูง เช่น HPLC และ GC-MS ผลการวิจัยคาดว่าจะนำไปสู่การพัฒนาสูตรและกระบวนการผลิตเครื่องดื่มน้ำสับปะรดที่มีปริมาณ GABA สูง ซึ่งมีประโยชน์ต่อสุขภาพ เช่น ช่วยลดความเครียด ส่งเสริมการทำงานของสมอง และเพิ่มศักยภาพของอุตสาหกรรมอาหารหมักในประเทศไทย
การพัฒนากระบวนการผลิตกรดแกมมา-อะมิโนบิวทิริก (γ -aminobutyric acid) ในเครื่องดื่มจากน้ำสับปะรดด้วยโพรไบโอติกซึ่งเน้นการใช้แบคทีเรียกรดอะซิติกและโพรไบโอติกเพื่อเพิ่มประสิทธิภาพการผลิต GABA โดยที่มาของการวิจัยนี้เกิดจากความต้องการแก้ไขปัญหาราคาสับปะรดของไทยซึ่งมีราคาต่ำมาเป็นเวลานาน การผลิตเครื่องดื่มที่มี GABA สูง มีประโยชน์ต่อสุขภาพ เช่น ช่วยในการผ่อนคลาย ลดความวิตกกังวล และส่งเสริมการทำงานของสมอง
คณะวิศวกรรมศาสตร์
ถังบรรจุก๊าซความดันสูงที่ผลิตจากวัสดุประกอบ ได้แก่ คาร์บอนไฟเบอร์ เรซิน และพลาสติก ถูกออกแบบสำหรับบรรจุก๊าซธรรมชาติอัด (CNG) หรือไฮโดรเจน ซึ่งถูกเรียกว่าถังความดันสูง แบบที่4 โดยในงานวิจัยนี้ได้ออกแบบให้รองรับการใช้งานที่ความดัน 250 บาร์ สำหรับการขนส่งก๊าซธรรมชาติอัด
คณะวิทยาศาสตร์
ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
คณะวิศวกรรมศาสตร์
การออกแบบแผ่นวงจรพิมพ์ขั้นสูงสำหรับงานอุตสาหกรรมเป็นการทำงานในหลากหลายขั้นตอนและหลากหลายวิธีขึ้นกับแต่ละบริษัท โดยจากที่ได้รับการเรียนรู้การทำงานแล้วนั้น ได้ทำการใช้โปรแกรม Cadence Allegro ในการออกแบบแผ่นวงจรพิมพ์ และการทำสหกิจในครั้งนี้ได้รับการออกแบบในหลากหลายบอร์ดมีความยากและง่ายที่แตกต่างกันไปและการเรียนรู้ในการทำสหกิจนี้ไม่สามารถเรียนรู้รายละเอียดภายในมหาวิทยาลัยได้ โดยต้องทำงานกับหลายฝ่ายภายในบริษัท Analog Devices (Thailand) การออกแบบที่ได้จัดทำนี้ได้ความช่วยเหลือจากพี่เลี้ยงที่ดูแลและสอนงานช่วยให้การทำสหกิจผ่านพ้นไปได้ด้วยดี