การวิจัยนี้เป็นการชุบแข็งเหล็กกล้าผงอัดรีด ส่วนผสม 1.50%C 100%Si 8.00%Cr 1.50%Mo 0.40%Mn 4.0%V ภายใต้กระบวนการทางความร้อนและบำบัดเย็นต่างกัน 3 ตัวแปร เพื่อศึกษาประสิทธิภาพการต้านทานการสึกหรอของแม่พิมพ์ตัด โดยอบเหล็กกล้าให้ร้อนถึงอุณหภูมิออสเทนไนท์ที่อุณหภูมิ 1030°C คงอุณหภูมิ 30 นาที จากนั้นชุบแข็งด้วยแก๊สไนโตรเจนความดัน 3 บาร์ เย็นตัวลงถึงอุณหภูมิต่างกัน ประกอบด้วยที่อุณหภูมิ 35°C (ห้อง) ที่อุณหภูมิ -147°C และ -192°C โดยคงอุณหภูมิไว้ 4.0 ชั่วโมง จากนั้นอบคืนตัวที่อุณหภูมิ 525°C จำนวน 2 ครั้ง เจียนระไนขึ้นรูปเป็นชิ้นส่วนแม่พิมพ์ตัด (Banking Die) ขนาดเส้นผ่านศูนย์กลางของพั้นซ์ 10 มม. สำหรับตัดเหล็กแผ่น SUS 304 ความหนา 1.13 มม. จำนวน 20000 ครั้ง ผลการวิจัยปรากฏว่า มีความแข็ง 61.0 HRC. 61.0 HRC. และ 60.2 HRC. ตามลำดับ ไม่ต่างกันมากนัก ส่วนดายเป็น 59.9 HRC. 60.6 HRC. และ60.4 HRC. ตามลำดับ สำหรับแม่พิมพ์ที่ใช้ตัวแปรการเย็นตัวหลังชุบแข็งถึงอุณหภูมิห้องพั้นซ์มีน้ำหนักลดลง 0.0179 กรัม ขนาดเส้นผ่านศูนย์กลางลดลงเป็น 9.835 มม. ชิ้นงาน (Blank) มีขนาดของ Cut Band ช่วงเริ่มตัด 0.460 มม. เมื่อตัดถึง 20000 ครั้ง มีค่าเป็น 0.646 มม. สำหรับแม่พิมพ์ที่เย็นตัวหลังชุบแข็งถึงอุณหภูมิ -147°C ผลการตัดปรากฏว่าพั้นซ์น้ำหนักลดลง 0.0079 กรัม ขนาดเส้นผ่านศูนย์กลางลดลงเป็น 9.907 มม. ขนาด Cut Band ช่วงเริ่มตัด มีค่า 0.659 มม. และช่วงการตัดที่ 20000 ครั้ง มีค่าเป็น 0.448 มม. ส่วนแม่พิมพ์ที่เย็นตัวหลังชุบแข็งถึงอุณหภูมิ -192°C ผลการตัดปรากฎว่าพันซ์น้ำหนักลดลง 0.0173 กรัม ขนาดเส้นผ่านศูนย์กลางลดลงเป็น 9.886 มม. ขนาด Cut Band ช่วงเริ่มตัด มีค่า 0.633 มม. และช่วงการตัดที่ 20000 ครั้ง มีค่าเป็น 0.530 มม. ผลการวิจัยสรุปได้ว่าชิ้นงานที่ผ่านการชุบเย็นเมื่อเริ่มตัดจะมีการสึกหรอมากกว่า หลังจากจำนวนครั้งในการตัดเพิ่มขึ้นอัตราการสึกหรอจะช้าลง และพฤติกรรมการสึกหรอของคมตัดจากลักษณะการกระแทกของพั้นซ์และดายสำหรับตัดชิ้นงานพบว่าเป็นการสึกหรอแบบ Abrasive wear การบำบัดเย็นแต่เพียงครั้งเดียวหลังจากการเย็นตัวจากอุณหภูมิออสเทนไนท์ยังไม่สามารถลดออสเทนไนท์ตกค้างได้ทั้งหมด ควรบำบัดเย็นระหว่างการอบคืนตัวแต่ละครั้งและเวลานานขึ้นกว่า 20 ชั่วโมง และหลังจากการเจียระไนขั้นสุดท้าย (Finish to size) แล้วควรลดความเค้นอีกครั้ง จะสามารถคงสภาพคมตัดได้นานกว่า

The objectives of this research are to propose a model for risk assessment of Measles and Rubella morbidity in Thailand to investigate factors influencing on the Measles and Rubella morbidity rates and to construct the disease maps of those two diseases. The generalized linear mixed model (GLMM) in which the responses have a Poisson distribution and the spatial effects follow a multivariate conditional autoregressive model (MCAR) are adopted. The dependent variables are the number of Measles and Rubella disease patients in each province. The factors considered are average temperature the amount of rainfall and regions. The results show that the temperature rainfall and regions influence on the Measles and Rubella morbidity rates. Measles and Rubella maps are easy for readers to see which areas are at high risk and to compare the morbidity rates among those areas by looking at those different colors.

The objectives of this research were to propose a model with some functions including CAR spatial effects and to select a proper model for predicting rince and rubber yields in southern provices of Thailand. A linear mixed model (LMM) with spatial effects and dummy varables and Fourier seasonal effects was proposed. Bayesian estimation was used and the estimated rice and rubber yields were used for prediction. The dependent variables were rice and rubber yields in southern provinces of Thailand. Factors considered were rain temperature soil fertilizer soil organic matter trend and also sesonal effects. The results show that rain temperature soil fertilizer soil organic matter trend and sesonal effects influence on rice and rubber yields. The proposed model with Fourier seasonal term is the most appropriate comparing to the model with dummy variable for season effects and the Holt-Winters model. Therefore the proposed model with Fourier sesaonal term should be the first consideration for prediction.

The objectives of this research are to propose a linear mixed model including spatial effects to present the distribution of air pollution of each gas being Sulphur dioxide (SO2) Nitrogen dioxide (NO2) Carbon monoxide (CO) and Ozone (O3) and particulate matter (PM10) and to investigate the factors related to those air pollution in each area of Bangkok Metropolitan Region. The spatial effects are assumed to be a conditional autoregressive (CAR) model. The dependent variables are the amount of SO2 NO2 CO O3 and PM10 in each area and the independents considered are Industrial area business area and suburb area. The results indicate that the factors influencing the amount of air pollution ranking from most to least are industrial area suburb area and business area respectively.

The objectives of this research are to propose a linear mixed model (LMM) with spatial correlation for an analysis of rice yields in Thailand to estimate the rice yield in each month of all provinces in Thailand to investigate factors influencing on the rice yields and to construct the maps of rice yields. A linear mixed model (LMM) in which the spatial effects follow the conditional autoregressive model (CAR) is used. The estimated rice yields are used to construct the rice yield maps. The dependent variables are the rice yield in each month of each province. The data are secondary data at a provincial level. The factors considered are rainfall averaged temperatures and regions. The results show that the factors influencing on the rice yields are rainfall averaged temperature and region. The amount of regional effects ordering from largest to smallest values are northestern region southern region western region central region eastern region and northern region respectively. The top ten provinces and months with high yields ranking from largest to smallest values are Ubon Ratchathani in November (1328000 ton) Surin in Novermber (1070000 ton) Si Sa Ket in Novermber (1023000 ton) Buri Ram in November (939400 ton) Nakhon Ratchasima in November (907500 ton) Roi Et in Novermber (852800 ton) Chiang Rai in Novermber (769800 ton) Khon Kaen in Novermber (692800 ton) Maha Sarakham in Novermber (676200 ton) Udon Thani in Novermber (620600 ton) respectively. The rice yeilds maps are easy for readers to identify which areas have high or low yields. They are a useful tool for planning decision making and implementing plans to help rice famers to increase their rice production.