http://www.repository.rmutt.ac.th/xmlui/handle/123456789/583 Mon, 10 Aug 2026 22:37:48 GMT 2026-08-10T22:37:48Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4741 Title: การพัฒนาเทคนิคการตรวจจับและจำแนกเชื้อราด้วยการเรียนรู้เชิงลึก Authors: อนุรักษ์ พรหมโคตร Abstract: การเรียนรู้เชิงลึก (Deep Learning) ในปัจจุบันมีการนำไปใช้ร่วมกับเทคนิคทางการแพทย์ เนื่องจากความสามารถในการสกัดคุณลักษณะที่ซับซ้อนจากข้อมูลขนาดใหญ่ อย่างไรก็ตามการเรียนรู้ เชิงลึกยังเผชิญกับความท้าทายหลายประการ เช่น ความต้องการทรัพยากรการประมวลผลและข้อมูล จำนวนมาก ปัญหาการตีความผลลัพธ์ของโมเดลที่ซับซ้อน ดังนั้นดุษฎีนิพนธ์นี้จึงมุ่งเน้นการพัฒนาโมเดล การเรียนรู้เชิงลึกสำหรับการตรวจจับและจำแนกเชื้อราทางการแพทย์ การศึกษานี้ได้ทำการออกแบบโมเดลโครงข่ายคอนโวลูชัน (Convolutional Neural Network: CNN) ให้ทำงานร่วมกันแบบขนาน (dual-network) ร่วมกับ Spatial Transformer Network (STN) เพื่อช่วยเพิ่มความเสถียรในการสรุปผลทั่วไป นอกจากนี้ โครงข่ายยังได้รับการหลอม รวมการทำงานร่วมกับ drop block เพื่อคัดกรองข้อมูล และ residual block เพื่อลดปัญหา vanishing gradients ภายใต้ deeper network โมเดลที่ออกแบบนี้ได้ทดลองกับเชื้อรา 5 ชนิด คือ Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus สุดท้ายโมเดลข้างต้นถูกนำมาวัด ประสิทธิภาพในการตรวจจับและจำแนกเชื้อราด้วยเทคนิค Accuracy และ Precision ผลการฝึกอบรมแสดงให้เห็นถึงประสิทธิภาพสูงสุดที่ร้อยละ 98.30, 98.24 และ 98.97 สำหรับ drop block, STN และ residual block ตามลำดับ ในการจำแนกเชื้อรา พบว่า drop block สามารถ จำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 92.89, 93.50, 91.78, 96.61 และ 95.73 ตามลำดับ ในส่วนของ STN สามารถจำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 95.16, 76.96, 89.33, 100.0 และ 77.95 ตามลำดับ และ residual block สามารถจำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 98.91, 82.50, 94.11, 100.0 และ 87.43 ตามลำดับ; Deep learning is widely applied in medical techniques because it can extract complex features from large datasets. However, it still faces several challenges, including the need for substantial computing resources and data and difficulties in interpreting complex model results. Therefore, this dissertation focuses on developing deep learning models for detecting and classifying medical fungi. This study designed a parallel dual-network convolutional neural network (CNN) model incorporating a spatial transformer network (STN) to improve generalization stability. The network was further strengthened by integrating drop blocks to filter data and residual blocks to mitigate vanishing gradients in deeper networks. The model was tested on five fungi species: Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus. Finally, accuracy and precision metrics evaluated the model's fungi detection and classification performance. The training results showed the highest accuracy at 98.30, 98.24, and 98.97% for the drop block, STN, and residual block, respectively. In fungi classification, the drop block achieved precision rates of 92.89, 93.50, 91.78, 96.61, and 95.73% for Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus, respectively. The STN classified Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus with precision rates of 95.16, 76.96, 89.33, 100.0, and 77.95%, respectively. The residual block achieved 98.91, 82.50, 94.11, 100.0, and 87.43% with precision rates for Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus, respectively. Thu, 01 Jan 2567 00:00:00 GMT http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4741 2567-01-01T00:00:00Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4740 Title: การหาขนาดและตำแหน่งที่เหมาะสมของสถานีประจุยานยนต์ไฟฟ้าในระบบจำหน่ายไฟฟ้าต่อร่วมกับโซลาร์ฟาร์มและระบบสะสมพลังงานแบตเตอรี่ Authors: ศักดิ์สิทธิ์ ดีอ่ำ Abstract: การเพิ่มขึ้นของยานยนต์ไฟฟ้า ส่งผลให้ระบบจำหน่ายไฟฟ้าประสบปัญหาการสูญเสีย กำลังไฟฟ้า ความไม่เสถียรของแรงดัน และต้นทุนการดำเนินงานที่สูงขึ้น การบูรณาการพลังงาน หมุนเวียน เช่น โซลาร์ฟาร์มและระบบสะสมพลังงานแบตเตอรี่ สามารถช่วยลดปัญหาเหล่านี้ได้ อย่างไร ก็ตาม การกำหนดตำแหน่งและขนาดที่เหมาะสมของสถานีประจุยานยนต์ไฟฟ้า โซลาร์ฟาร์มและระบบ สะสมพลังงานแบตเตอรี่ เป็นงานที่มีความซับซ้อน เนื่องจากพฤติกรรมการประจุของยานยนต์ไฟฟ้า และการผลิตพลังงานหมุนเวียนมีความไม่แน่นอน จึงจำเป็นต้องใช้เทคนิคการเพิ่มประสิทธิภาพขั้นสูง ดุษฎีนิพนธ์นี้ใช้การจำลองมอนติคาร์โล ร่วมกับอัลกอริทึมพันธุกรรม การเพิ่มประสิทธิภาพ แบบฝูงอนุภาค การพัฒนาเชิงอนุพันธ์ และอัลกอริทึมวิวัฒนาการเชิงควอนตัม เพื่อเพิ่มประสิทธิภาพ ตำแหน่งและขนาดของประจุยานยนต์ไฟฟ้า โซลาร์ฟาร์มและระบบสะสมพลังงานแบตเตอรี่ ในระบบ จำหน่ายไฟฟ้า IEEE 33 บัส โดยใช้แบบจำลองเชิงสถิติของโหลดยานยนต์ไฟฟ้า และความผันผวนของ พลังงานหมุนเวียน นอกจากนี้ยังใช้การปรับโครงสร้างเครือข่ายด้วยสวิตช์ผูก เพื่อเพิ่มความมั่นคงและ เสถียรภาพของระบบ ผลการจำลองแสดงให้เห็นว่าการเพิ่มขึ้นของยานยนต์ไฟฟ้าในระดับสูง โดยเฉพาะที่ร้อยละ 50 ขึ้นไป มีผลกระทบอย่างมากต่อเสถียรภาพของแรงดันไฟฟ้าและการสูญเสียกำลังไฟฟ้า โซลาร์ฟาร์ม และระบบสะสมพลังงานแบตเตอรี่ ที่เหมาะสมสามารถลดการสูญเสียกำลังไฟฟ้าได้ถึงร้อยละ 33 และ ช่วยลดการปล่อยคาร์บอนไดออกไซด์ แนวทางที่ใช้การจำลองมอนติคาร์โลแสดงให้เห็นถึงความแม่นยำ และประสิทธิภาพที่เหนือกว่าวิธีแบบดั้งเดิม ซึ่งเป็นแนวทางสำคัญในการพัฒนาโครงข่ายไฟฟ้าที่มีความ ยั่งยืนและรองรับเพิ่มขึ้นของยานยนต์ไฟฟ้า ได้อย่างมีประสิทธิภาพ; The increasing adoption of electric vehicles (EVs) poses challenges for power distribution networks, including power losses, voltage instability, and higher operational costs. Integrating renewable energy sources like solar farm (PV) systems and battery energy storage systems (BESS) can help mitigate these issues. However, optimizing the placement and sizing of EV charging stations (EVCS), PV, and BESS is complex due to uncertainties in EV charging behavior and renewable generation, requiring advanced optimization techniques. This study employs Monte Carlo simulations along with genetic algorithms (GA), particle swarm optimization (PSO), differential evolution (DE), and quantum-inspired evolutionary algorithms (QEA) to optimize EVCS, PV, and BESS placement in the IEEE 33- bus distribution system. Stochastic modeling of EV loads and renewable energy fluctuations is incorporated, alongside an advanced reconfiguration algorithm to improve grid resilience and stability. Simulation results show that high EV penetration significantly affects voltage stability and power losses, particularly at 50% and above. Optimized PV and BESS integration reduces power losses by up to 33% and minimizes CO2 emissions. The proposed Monte Carlo-based approach outperforms traditional methods, providing accurate insights for efficient and sustainable EV-grid integration. Thu, 01 Jan 2567 00:00:00 GMT http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4740 2567-01-01T00:00:00Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4703 Title: Nanocrystalline Cellulose and Amorphous Cellulose from Fibers of Banana, Water Hyacinth and Bamboo Authors: Pruttipong, Pantamanatsopa Abstract: The growing demand for eco-friendly materials has driven research into new alternative research on using cellulose derived from agricultural waste. This study investigates the synthesis and analysis properties of nanocrystalline cellulose (NCC) and amorphous cellulose (AC) obtained from three agricultural residues: banana trunk fibers (BNNF), water hyacinth (WHF) fibers, and bamboo fibers (BBF) by means of the process of hydrolysis and dissolution in sulfuric acid. The research focuses on optimizing the production conditions and examining the structural properties, morphology and physicochemical properties of the obtained nanocellulose. The optimized acid hydrolysis conditions gave the highest NCC yields of 68. 44% for BNNF, 85. 3% for WHF, and 69. 46% for BBF, while the acid dissolution conditions gave the highest AC yields of 62.2% for BNNF, 71.6% for WHF, and 65.1% for BBF. Analysis of material properties using techniques XRD, FTIR, SEM and TEM revealed structural differences between NCC and AC. In this regard, NCC showed a high crystallinity index (82.3 %-89.5 %), which was a result of the efficient removal of amorphous parts by hydrolysis process, and the TEM image showed the appearance of straight rods (whisker-like morphology) with a diameter of 4–20 nm and a length of 50– 500nm. In contrast, AC showed a lower crystallinity index. (26.2%-35.45%) and appeared to be clustered together due to the dissolution of the crystal structure. Furthermore, zeta potential analysis revealed that NCC had significantly better colloidal stability (−30.93 mV to −43.24 mV) compared to AC (−19.73 mV to −17.25 mV), which was due to the formation of charged sulfate ester groups during the acid hydrolysis process. This stability made NCC and AC more suitable for applications that required different stable dispersion in colloidal systems. This research highlighted the potential upscale of NCC and AC as sustainable materials for biocomposites, biomedical applications and industrial processes. In particular, this study could be considered the first time that bamboo sawdust, banana trunks and water hyacinth have been successfully converted into nanocellulose, demonstrating the feasibility of harnessing these renewable resources to develop green technologies. The research results not only helped solve the environmental problems related to agricultural waste but also paved the way for innovative cellulose applications in sustainable materials development. Mon, 01 Jan 2024 00:00:00 GMT http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4703 2024-01-01T00:00:00Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4695 Title: Performance Analysis and Econometric Assessment of a Community Waste Power Plant Biogas System Authors: Oluwaseun, Olanrewaju Akinte Abstract: The global composition of energy consumption is experiencing a massive transformation as a result of nonrenewable energy resources, and the consumption of conventional energy causes greenhouse gas emissions. The clean and sustainable energy development system known as renewable energy system serves as the main focus in replacing conventional energy sources. The enhancement of energy network stability and smoothing operation of intermittent energy generation from renewable energy power sources, therefore, is being processed by the energy storage system during the power flow. The technologies associated with energy storage systems are updated and improved continuously to meet up with energy demand to reduce the rate of fuel consumption for greater reliability and minimizing energy cost when connected to the grid system or disconnected from the grid network. This dissertation focused on a flexible and steady clean energy source from municipal wastes that was integrated successfully with the utility grid operation in On-Nut community in Bangkok, Thailand. The configuration of biomass gasifier system from municipal wastes with storage system following dispatched algorithms was designed with the grid system as a unified microgrid network. The proposed generating system was modeled experimentally, mathematically, and schematically to determine the most efficient power generation management, energy cost productivity, and sectional energy contribution between the biogas generators and grid system. An optimized controlling algorithm with feedback control systems was designed by an industrial HOMER analysis application to perform technical supervision and econometrics of the energy flow management by switching operation to the most productive electric energy cost service and efficient operational network system from the integrated power system architectures operating energetically in different modes. The research results showed that the proposed configuration of biogas-grid connected lithium-ion storage network recorded the highest level of technical efficiency in terms of energy purchase of 239,764 kWh and energy sales to the grid of 1,959,426 kWh. The lowest net energy purchase was 1,719,661 kWh while the configuration of biogas-grid connected zinc bromide storage network attained the most economical energy system in terms of overall cost of $ 8,647,863.00 and the operating cost of $ 143,974.00. The investment return rate was 17.00 Percent and the internal return rate was 20.30 Percent. The payback period was 4.83 years. Mon, 01 Jan 2024 00:00:00 GMT http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4695 2024-01-01T00:00:00Z