งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการหมักร่วม (Co-fermentation) ระหว่างแบคทีเรียกรดแลคติก (Lactic Acid Bacteria, LAB) และยีสต์ Saccharomyces cerevisiae ในการผลิตเบียร์เปรี้ยว (Sour Beer) โดยมุ่งเน้นผลกระทบของการหมักร่วมต่อคุณภาพของผลิตภัณฑ์ ได้แก่ ค่า pH ปริมาณกรดอินทรีย์ ปริมาณน้ำตาล และคุณลักษณะทางประสาทสัมผัส ในการทดลอง ใช้แบคทีเรียกรดแลคติกสายพันธุ์ที่คัดเลือก และยีสต์ S. cerevisiae ในสภาวะการหมักที่ควบคุม อัตราส่วนของจุลินทรีย์ถูกปรับให้เหมาะสมเพื่อส่งเสริมการเจริญเติบโตและการสร้างสารสำคัญ ผลการทดลองพบว่า การหมักร่วมสามารถลดค่า pH ได้อย่างมีนัยสำคัญเมื่อเทียบกับการหมักด้วยยีสต์เพียงอย่างเดียว นอกจากนี้ ยังมีการเพิ่มขึ้นของกรดแลคติกเนื่องจากการใช้น้ำตาลของเชื้อLAB ซึ่งส่งผลต่อรสชาติที่เป็นเอกลักษณ์ของเบียร์เปรี้ยว
เบียร์เปรี้ยว (Sour Beer) เป็นเบียร์ประเภทหนึ่งที่มีรสเปรี้ยวเฉพาะตัว ซึ่งเกิดจากกระบวนการหมักที่ต่างจากเบียร์ทั่วไป ความเปรี้ยวของ เบียร์เปรี้ยวเกิดจากการใช้แบคทีเรียกรดแลกติก (Lactic acid bacteria) และยีสต์เช่น Lactobacillus และ Pediococcus,ในการหมักเพิ่มทางเลือกให้กับผู้บริโภค Sour Beer เป็นตัวเลือกที่น่าสนใจสำหรับคนที่ต้องการประสบการณ์รสชาติใหม่ๆ แตกต่างจากเบียร์รสขมทั่วไป โดยมีทั้งรสเปรี้ยวที่เบาและรสเข้มข้น การหมักและกระบวนการผลิตเฉพาะทาง การทำ Sour Beer ต้องใช้ความรู้และเทคนิคพิเศษทำให้ต้องมีการควบคุมกระบวนการหมักอย่างใกล้ชิดซึ่งส่งเสริมการพัฒนาทักษะและนวัตกรรมในอุตสาหกรรมการผลิตเบียร์ ผู้ผลิตต้องเข้าใจลักษณะของจุลินทรีย์ที่ใช้และรู้จักการควบคุมรสชาติ ทำให้ Sour Beerมีความสำคัญในการพัฒนาอุตสาหกรรมเบียร์ไปสู่ความสร้างสรรค์ใหม่ๆ
คณะวิศวกรรมศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อตรวจสอบปลอมปนของข้าวสารพันธุ์ขาวดอกมะลิ 105 ตามอายุการเก็บรักษา ด้วยเทคนิคเนียร์อินฟราเรดสเปกโทรสโกปี โดยใช้ฟูเรียร์ทรานฟอร์มเนียร์อินฟราเรดสเปกโทรสโกปี (FT-NIR) จำนวนคลื่น 12,500 – 4,000 cm-1 (800 – 2,500 nm) ซึ่งอายุการเก็บรักษาของข้าวที่แตกต่างกันส่งผลต่อคุณภาพข้าวหุงสุก งานวิจัยนี้แบ่งเป็น 2 ส่วน 1) เพื่อตรวจสอบความเป็นไปในการแยกข้าวสารตามอายุการเก็บรักษา 1 2 และ 3 ปี แบบจำลองที่ดีที่สุดสร้างด้วย Ensemble ร่วมกับ Second Derivative มีค่าความถูกต้อง (Accuracy) เท่ากับ 96.3% 2) ตรวจสอบการปลอมปนตามอายุการเก็บรักษา โดยปลอมปนที่ 0% (ข้าว 2 และ 3 ปีทั้งหมด), 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% และ 100% (ข้าว 1 ปีทั้งหมด) แบบจำลองที่ดีที่สุดสร้างด้วย Gaussian Process Regression (GPR) ร่วมกับ Smoothing + Multiplicative Scatter Correction (MSC) โดยมีค่าสัมประสิทธิ์การกำหนด (r²) ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ยของการทำนาย (RMSEP) ค่าความคลาดเคลื่อนเฉลี่ย (Bias) และค่าความสามารถในการทำนาย (RPD) เท่ากับ 0.92 8.6% 0.9% และ 3.6 ตามลำดับ แสดงให้เห็นว่าแบบจำลองการปลอมปนสามารถนำไปประยุกต์ใช้ได้สำหรับการตรวจสอบการแยกประเภทข้าวตามอายุการเก็บรักษา 1 ปี 2 ปี และ 3 ปี นอกจากนั้นค่าสีของข้าวที่อายุการเก็บรักษาต่างกันมีค่าสี L* และ b* ต่างกันอีกด้วย
คณะวิศวกรรมศาสตร์
รายงานสหกิจศึกษาฉบับนี้ เป็นการนำเสนอโครงงานการสร้างระบบควบคุม (DCS) สำหรับหม้อไอน้ำในโรงงานน้ำตาล ซึ่งต้องการพัฒนาระบบควบคุมหม้อไอน้ำ 1-8 ให้ทำงานร่วมกันได้ภายใต้ระบบ DCS ของ ABB โดยใช้โปรแกรม ABB Ability™ System 800xA ภาพรวมการทำงานของระบบคือการสร้างโปรแกรมควบคุมที่เริ่มจากรับกากอ้อยที่เหลือจากการหีบอ้อยในการผลิตน้ำตาลมาใช้เป็นเชื้อเพลิงให้หม้อไอน้ำ ควบคุมการทำงานของหม้อไอน้ำตั้งแต่การดูดอากาศเข้าห้องเชื้อเพลิง ควบคุมการทำงานภายในหม้อไอน้ำ ตลอดจนการบำบัดอากาศที่ออกจากหม้อไอน้ำก่อนปล่อยออกสู่บรรยากาศ โดยโครงงานเริ่มตั้งแต่การสร้างโปรแกรม DCS ออกแบบและจัดทำกราฟิกหน้าจอแสดงผล HMI ศึกษาและออกแบบระบบควบคุมการทำงานของหม้อไอน้ำ จัดทำเอกสารเกี่ยวกับโครงงานและกระบวนการควบคุมด้วยระบบ DCS โดยใช้โปรแกรม ABB Ability™ System 800xA ตลอดจนถึงผลลัพธ์ของการปฏิบัติงาน
คณะเทคโนโลยีสารสนเทศ
รายงานฉบับนี้เป็นส่วนหนึ่งของการนำความรู้ที่ได้จากการศึกษาโมเดล Machine Learning และแนวทางการพัฒนาโมเดลทำนายลูกค้าที่มีแนวโน้มที่จะยกเลิกการใช้บริการบัตรเครดิตของธนาคารมาประยุกต์ใช้กับข้อมูลจริงในอุตสาหกรรมบัตรเครดิตของสถาบันทางการเงิน ผ่านการฝึกงานที่สถานประกอบการทางการเงินแห่งหนึ่ง ซึ่งผู้จัดทำได้ทำการพัฒนาโมเดลทำนายลูกค้าที่มีแนวโน้มที่จะยกเลิกการใช้บริการบัตรเครดิตของสถาบันทางการเงินจากข้อมูลลูกค้าจริงผ่านระบบที่สถานประกอบการใช้งาน ซึ่งมุ่งเน้นไปที่การสร้างโมเดลที่สามารถทำนายการเลิกใช้บริการของลูกค้าได้อย่างแม่นยำ โดยมีการเลือกฟีเจอร์ข้อมูลให้เหมาะสมกับโมเดลการทำนายและลักษณะเฉพาะของข้อมูลในอุตสาหกรรมบัตรเครดิต เพื่อโมเดลที่มีประสิทธิภาพและถูกต้องมากที่สุด โดยรายงานฉบับนี้ยังครอบคลุมถึงการนำโมเดลที่ได้เข้าไปเป็นส่วนหนึ่งของการการพัฒนาเว็บไซต์เพื่อช่วยให้แผนกอื่นๆที่เกี่ยวข้องสามารถใช้งานโมเดลทำนายได้อย่างสะดวก โดยผู้ใช้สามารถอัปโหลดข้อมูลสำหรับการทำนายและรับผลลัพธ์จากโมเดลได้ทันที นอกจากนี้ยังมีการสร้าง Dashboard เพื่อนำเสนอข้อมูลเชิงลึกที่เกิดจากการทำนายของโมเดล เช่น การระบุกลุ่มลูกค้าที่มีความเสี่ยงสูงในการเลิกใช้บริการ รวมถึงข้อมูลเชิงวิเคราะห์ที่มีความสำคัญต่อการตัดสินใจเชิงกลยุทธ์ ซึ่งจะช่วยสนับสนุนการวางแผนการตลาดและการรักษาลูกค้าในองค์กรได้อย่างมีประสิทธิภาพมากยิ่งขึ้น