บทความนี้มีวัตถุประสงค์เพื่อออกแบบและสร้างระบบผลิตไฟฟ้าจากหม้อไอน้ำขนาดเล็ก เพื่อศึกษาหาตัวแปรที่มีผลต่อสมรรถนะของระบบ โดยระบบประกอบด้วยอุปกรณ์หลัก 2 ส่วน คือ 1) หม้อไอน้ำชนิดท่อไฟขนาด 120 กิโลกรัมต่อชั่วโมง ใช้ LPG เป็นเชื้อเพลิง หัวเผาชนิด Gun Type ติดตั้งอุปกรณ์อุ่นน้า ป้อนบริเวณปล่องไอเสีย 2) ชุดผลิตไฟฟ้ากังหันไอน้าแบบ Root Blow ขนาด 1500 วัตต์ ต่อตรงกับเครื่องกำเนิดไฟฟ้ากระแสตรงขนาด 500 วัตต์พร้อมระบบ การทดลองปรับตั้งความดันผลิตไอน้า 1 บาร์ และ 2 บาร์ อัตราการผลิตไอน้า 120 กิโลกรัมต่อชั่วโมง อุณหภูมิน้ำป้อนที่ 30, 45, 60 องศาเซลเซียส ทั้งกรณีไหลผ่านและไม่ผ่านอุปกรณ์อุ่นน้ำป้อน จากผลการทดลองพบว่า ที่อุณหภูมิน้ำป้อนที่ 60 องศาเซลเซียส กรณีน้ำไหลผ่านอุปกรณ์อุ่นน้ำป้อน มีประสิทธิภาพหม้อไอน้ำสูงสุด ร้อยละ 84.25 มีประสิทธิภาพกังหันไอน้ำสูงสุดและประสิทธิภาพเครื่องกำเนิดไฟฟ้าสูงสุดเท่ากับร้อยละ 87.50 และ 75.50 ตามลำดับ

บทความนี้เสนอชุดทดสอบ (Testbench) สำหรับศึกษาค่าพารามิเตอร์วงจรสมมูลของโหลดแบบเหนี่ยวนำ (Induction load equivalent circuit) ในระบบเตาแม่เหล็กไฟฟ้าในครัวเรือน โดยใช้วงจรแปลงผันกำลังไฟฟ้ากระแสสลับเป็นกระแสสลับโดยตรงแบบเรโซแนนท์คลาสอี ซึ่งช่วยลดความซับซ้อนของระบบแปลงพลังงานแบบเดิม โดยทั่วไปพารามิเตอร์ตัวเหนี่ยวนำสมมูล และความต้านทานสมมูล จะ วัดด้วยเครื่องวัดแอลซีอาร์มิเตอร์ (LCR meter) ภายใต้สัญญาณกระตุ้น ขนาดเล็ก (Small-signal) ซึ่งจะทำให้เกิดผลคลาดเคลื่อนเมื่อใช้งานที่ ระดับกำลังไฟฟ้าสูง บทความนี้จึงนำเสนอวิธีการศึกษาค่าพารามิเตอร์ ภายใต้สภาวะการทำงานจริง โดยใช้เงื่อนไขการสวิตช์ที่แรงดันเป็นศูนย์ (ZVS) และการสวิตช์ที่อัตราการเปลี่ยนแปลงแรงดันเป็นศูนย์ (ZVDS) ร่วมกับโครงข่ายภาระแบบขนาน (Parallel load network) ที่ระดับหนึ่งในสี่ของกำลังไฟฟ้าของพิกัดสูงสุด วิธีการที่นำเสนอนี้ให้การวิเคราะห์ที่เป็นระบบและคุณลักษณะทางไฟฟ้าของโหลดได้แม่นยำกว่าวิธีดั้งเดิม ผลการทดสอบยืนยันว่าพารามิเตอร์ที่ได้จากการนำเสนอนี้มีความสอดคล้องกับผลการทดลองในวงจรต้นแบบมากกว่าการวัดด้วยเครื่องมือวัดทั่วไปอย่างมีนัยสำคัญ

หัวใจหลักสำคัญในการดำเนินงานภายในองค์กรสิ่งหนึ่ง คือ อุปกรณ์ที่สนับสนุนการทำงานรวมถึงการบริหารจัดการอุปกรณ์เหล่านั้นอย่างเป็นระบบ อย่างไรก็ตามการดำเนินงานดังกล่าวมักพบว่ามีข้อผิดพลาด และส่งผลให้เกิดความล่าช้าในการบริหารจัดการอุปกรณ์สนับสนุนเหล่านั้น และการติดตามสถานที่ตั้งของอุปกรณ์ ทางผู้วิจัยจึงได้มีแนวคิดในการพัฒนาเว็บไซต์สำหรับการติดตามและบริหารจัดการอุปกรณ์อิเล็กทรอนิกส์ โดยอ้างอิงข้อมูลจากองค์กรภาคเอกชนแห่งหนึ่งในพื้นที่กรุงเทพมหานคร ในรูปแบบเว็บไซต์ที่สามารถทำงานได้บนเครื่องคอมพิวเตอร์ส่วนบุคคล (Personal Computer-PC) ผ่านโปรแกรมเว็บเบราว์เซอร์ (Web Browser) และบนอุปกรณ์เคลื่อนที่ (Mobile) สำหรับการดำเนินงานบนอุปกรณ์เคลื่อนที่นั้นจะดำเนินการเฉพาะในส่วนของการสแกนคิวอาร์โค้ด (QR Code) เพื่อตรวจสอบสถานะของอุปกรณ์อิเล็กทรอนิกส์เท่านั้น ส่วนการดำเนินงานด้านการบริหารจัดการอุปกรณ์จะดำเนินการผ่านเครื่องคอมพิวเตอร์ส่วนบุคคล โดยใช้ภาษาเอชทีเอ็มแอล (HTML) และ ภาษาพีเอชพี (PHP) ในการพัฒนาระบบ นอกจากนี้ XAMPP 8.0.3 ถูกนำมาใช้ในการบริหารจัดการฐานข้อมูล โดยทำการทดสอบระบบผ่าน Google Chrome และ Microsoft Edge มีการประเมินประสิทธิภาพและความพึงพอใจของระบบโดยผู้เชี่ยวชาญจำนวน 3 คนและผู้ใช้ทั้งหมดที่เกี่ยวข้องจำนวน 8 คน ผ่านการประเมินโดยใช้วิธีการมาตราส่วนลิเคิร์ต (Likert Scale) จำนวน 5 ระดับ จากการพิจารณาค่ากลาง (x ̅) และค่าส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation-SD) ผ่านการออกแบบด้วยกระบวนการแบบอาไจล์ (Agile Methodology) และทดสอบระบบด้วยเทคนิคแบบกล่องดำ (Black box Testing) ด้วยวิธีการ Functional Design Verification Tests (FDVT)

The rapid dissemination of fake news through online news platforms and social media has become a major challenge, significantly influencing public opinion, political decision-making, and social stability. Recent fake news detection methods have achieved promising performance using deep contextual language models such as Bidirectional Encoder Representations from Transformers (BERT). However, most existing approaches process news articles independently and primarily focus on textual semantics while overlooking structural relationships among related news articles. Consequently, valuable graph-based information, including semantic similarity, shared entities, common publishers, and topical relationships, remains underutilized. This paper proposes GraphBERT4FakeNews, a graph transformer framework that jointly learns contextual semantic representations and graph structural information for English fake news detection. First, BERT generates contextualized embeddings from news articles. A news graph is then constructed by connecting semantically related articles according to contextual similarity. Subsequently, a GraphBERT encoder performs graph-aware self-attention to capture both local and long-range structural dependencies without relying on conventional graph convolution operations. Finally, a classification layer predicts whether a news article is genuine or fake. The proposed framework is evaluated on the publicly available FakeNewsNet benchmark, including the GossipCop and PolitiFact datasets. Experimental results demonstrate that GraphBERT4FakeNews effectively integrates semantic understanding with graph structural reasoning, leading to improved fake news detection performance compared with conventional language models and graph neural network approaches.

โครงการวิจัย เรื่อง การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ มีวัตถุประสงค์เพื่อ 1) การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ 2) ประเมินประสิทธิภาพของระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ และ 3) ประเมินความพึงพอใจของผู้ใช้งานระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ เครื่องมือที่ใช้ประกอบด้วยการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ แบบประเมินประสิทธิภาพการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ จำนวน 3 ท่าน และแบบประเมินความพึงพอใจระบบแจ้งซ่อมออนไลน์ โดยผู้ใช้งาน จำนวน 27 ท่าน (อาจารย์ เจ้าหน้าที่ และบุคลากรซ่อมบำรุงของมหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ) สถิติที่ใช้ในการวิเคราะห์ข้อมูล ได้แก่ ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน ผลการวิจัย พบว่า ผลการประเมินประสิทธิภาพการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ อยู่ในระดับมาก (x = 4.40, S.D. = 0.74) และด้านความพึงพอใจของผู้ใช้งาน อยู่ในระดับมากที่สุด (x = 4.51, S.D. = 0.62)

xxx

Accurate stock forecasting in the Thai capital market remains challenging due to high volatility and pronounced non -linear dynamics in financial time-series. This study conducts a comparative evaluation of machine learning (ML) models for one-day-ahead prediction of daily closing prices of stocks listed on the Stock Exchange of Thailand (SET). Two widely used technical indicators-Simple Moving Average (SMA) and Exponential Moving Average (EMA)-are employed as input features to capture trend and momentum. Five years of daily data (2019–2023) for three large-cap stocks (PTT. BK, BBL.BK, and CP ALL.BK) are used to assess model robustness under multiple market conditions. We examine three train-test splits (70:30, 80:20, 90: 10) to evaluate stability across data regimes. Experiments show that Linear Regression consistently outperforms competing approaches, achieving the highest coefficient of determination (R2) of 0.9758, and producing one-day-ahead forecasts closely aligned with actual closes for PTT.BK, BBL.BK, and CPALL.BK. The findings indicate that a systematic pipeline grounded in carefully selected technical indicators can provide an effective framework for stock-trend analysis and support investment decision-making in the volatile Thai equity market.

This research paper examines the effectiveness of different machine learning (ML) models in analyzing how library usage influences the academic performance of Thammasat University students. By leveraging a comprehensive dataset that contains library interactions such as library of things (LoT) services, book borrowing and returning, and space services, this study evaluates five ML models: decision tree, k-nearest neighbors, Naïve Bayes, random forest, and support vector machine. The primary goal is to identify which library services and facilities significantly impact student success to provide actionable insights for customizing library offerings and enhancing academic outcomes. Results were that the decision tree model was particularly effective, delivering precise, reliable classification of factors affecting student academic performance into training data and data testing, using the 10-fold cross-validation procedure. These findings help demonstrate practical applications of ML in educational contexts and facilitate library strategic planning and management.

งานวิจัยนี้มีวัตถุประสงค์การวิจัยเพื่อ (1) ศึกษาลักษณะองค์ความรู้ในการจัดการเรียนการสอนที่ได้จากวิทยานิพนธ์ของประเทศไทย และ (2) เพื่อวิเคราะห์รูปแบบพัฒนาการองค์ความรู้ในการจัดการเรียนการสอนที่ได้จากวิทยานิพนธ์ของประเทศไทยในช่วงปีการศึกษา 2553–2562 แหล่งข้อมูลในการวิจัยนี้คือวิทยานิพนธ์สาขาวิชาหลักสูตรและการสอนของคณะครุศาสตร์และคณะศึกษาในระดับบัณฑิตศึกษา ทั้งระดับปริญญาเอกและปริญญาโทของประเทศไทยที่เผยแพร่ในฐานข้อมูลช่วงปีการศึกษา 2553–2562 และเป็นวิทยานิพนธ์ภาษาไทยเท่านั้น จำนวนรวมทั้งสิ้น 4,370 ฉบับ วิเคราะห์ข้อมูลด้วยการทำเหมืองข้อมูลและการวิเคราะห์บรรณมิติ ผลการวิจัยพบว่า (1) มหาวิทยาลัยทั้งสี่กลุ่มส่วนใหญ่เน้นการวิจัยเชิงทดลอง โดยตัวอย่างวิจัยเป็นครูและนักเรียนที่เป็นผู้เล่นหลักในการเรียนการสอน การออกแบบการวัดส่วนใหญ่มหาวิทยาลัยทุกกลุ่มเลือกศึกษาตัวแปรผลสัมฤทธิ์ทางการเรียน ความคิดเห็น ความพึงพอใจ และเจตคติ แต่ศึกษาตัวแปรทักษะและความสามารถจำนวนน้อยมาก วิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา สถิติทดสอบที และค่าประสิทธิภาพ E1/E2 อีกทั้งพบการวิเคราะห์ข้อมูลเชิงคุณภาพด้วยการวิเคราะห์เนื้อหาและการตีความมาช่วยอธิบายคำถามวิจัยเพิ่มมากขึ้น ในส่วนของการออกแบบนวัตกรรมทางการศึกษา มหาวิทยาลัยทั้งสี่กลุ่มเลือกพัฒนากิจกรรมการเรียนรู้มากที่สุด และ (2) มหาวิทยาลัยทั้งสี่กลุ่มมีพัฒนาการองค์ความรู้ในการจัดการเรียนการสอนที่สังเกตเห็นได้ไม่โดดเด่นมากเท่าที่ควร ทั้งการออกแบบการวิจัย การออกแบบการวัด การออกแบบการวิเคราะห์ข้อมูล และการออกแบบนวัตกรรมทางการศึกษา โดยผู้ได้รับประโยชน์ส่วนใหญ่ยังคงเป็นผู้เล่นหลักในการเรียนการสอน คือ ครู นักเรียน ผู้บริหาร และนักการศึกษา นอกจากนี้ มหาวิทยาลัยเปิดและมหาวิทยาลัยราชภัฏจะเน้นผู้ได้รับประโยชน์โดยอ้อม เช่น ชุมชนและท้องถิ่น

Graph convolutional networks have obviously influenced recommender systems. However, we argue that previous research has limitations: 1) unidirectional approaches are not enough to explicitly capture the representation learning, 2) social influence is ignored to extract the user preference drifts, and 3) simple and crude fusion methods are not enough to seamlessly amalgamate the diverse behavioral perspective. To address these limitations, this research proposes a novelty of Bidirectional Graph convolutional networks for social and sequential recommendation (BiG). A novel graph convolutional networks are modified into bidirectional graphs to explicitly learn the representation of dynamic user preference at social level and sequential level. A novel Bidirectional Gate (BiGate) is designed to amalgamate the diverse preferences of social and sequential influences. Empirical experiment illustrates that BiG outperforms state-of-the-art methods.