臺灣

本研究開發智慧寵物健康監控系統，融合熱顯影感測、AI學習、物聯網與邊緣運算，解決傳統健康監測無法即時數據化與預警的問題。初期以問卷與5W2H問題分析建構四大功能：體溫監測與AI發燒預測、糞便辨識與分類、飲食與飲水記錄、異常即時通報。 系統採用MLX90640熱顯影模組與ESP32-S3監測體溫，糞便辨識以Edge Impulse訓練模型，搭配ESP32-S3CAM實現即時運算。飲食行為由 HX711 與超音波感測器記錄，並同步推播至 Discord平台。分類模型參考獸醫建議導入布里斯托分類法，提升精準度。系統具備低成本、高精度與高度擴展性，展現智慧照護應用潛力。

目前大部分電解產氫反應（HER）均使用貴金屬，如鉑和鈀，作為催化劑。而我們提出了更便宜的 FexNiyP 金屬磷化物用於經濟製氫。在催化劑的製備中採用不同的化學成分（x/y 比例）和合成條件（氧化溫度）。並將合成樣品通過掃描式電子顯微鏡（SEM）、能量色散 X射線光譜（EDS）和 X光繞射儀（XRD）進行了鑑定，以確認其形態、成分和晶體結構。再通過線性掃描伏安法（LSV）測試了它們的 HER催化效率。實驗結果發現，磷化程度強烈影響催化性能，且可以通過合成條件來適當調整，而 250° C是最佳氧化溫度。此外，電化學測試顯示，FeP 啟動反應所需之能量最低，具有最低的過電位(overpotential)；而 NiP 反應路徑最佳，具有最低的塔菲爾斜率(Tafel slope)。我們的結果解決了 HER的反應機構，並對氫燃料生產的發展提供了有用信息。

水漬常見於日常生活中，許多人都因它難以清除，或因錯誤的清潔方式，使其變得更加明顯而感到困擾。我們可以藉由探究水漬殘留的因素，實驗各種清潔方式，進而找出最佳的清潔方法。 本實驗首先分析影響水漬殘留的因素，例如水的成分及擦拭方式。透過加熱石灰水，我們製作出水漬。接著，我們調配不同濃度的檸檬酸清潔劑，測試其清除水漬的效果。經過多次實驗，我們發現檸檬酸清潔劑的濃度比例為8公克檸檬酸比100毫升水時，清潔效果最良好。此外，我們進一步進行輪軸實驗，結果顯示，纖維長度越長、抹布孔隙越小，清潔效果越好。 本研究發現了清潔水漬的最佳方式，希望這些發現能幫助人們更輕鬆、有效地去除水漬，保持環境清潔，減少日常生活中的困擾。

國中時就對渦蟲這種生物有所耳聞，對其最大的了解就是強大的復原能力，為了深入了解這種神奇的功能，我們嘗試幾種不同的環境因素，試著觀察其對渦蟲眼點再生速率之影響。 文獻探討時，發現變動的磁場會對生物體的細胞增殖產生影響，也發現在特定模擬超重力環境下人體細胞增殖會加速，因此我們皆對這兩種情況設計了不同的以渦蟲為實驗，除了驗證之外，也想試著發現論文以外未探討的影響，像是我們也試驗了不同換水頻率、光照強度、光波長、飼養密度下對渦蟲的影響，最後的數據分析和結果討論也總結了這六個實驗的影響，為相關研究提供參考並對日後渦蟲的複製與大量養殖提高了可能性。

亞硝酸鹽與對胺基苯甲酸 (4-Aminobenzoicacid, PABA)反應生成重氮化合物，並與 N-(1- 萘基) 乙二胺二鹽酸鹽 (N-(1-Naphthyl)-1,2-ethanediamine dihydrochloride, NED) 進行偶聯反應，進一步生成紫色、褐色的化合物，使水凝膠的表面從無色轉變成化合物的顏色。隨著亞硝酸鹽濃度的改變，水凝膠成色的效果也會有所不同，這也導致了其表面灰階的變化。重氮化偶聯反應可用於亞硝酸鹽的比色測定，亦被證明可用於實際水樣本中的亞硝酸鹽檢測。

本研究徹底解決電容式觸控毛筆的擬真性問題。我們研究被動式電容觸控筆的材料與工作原理，得知材料能夠產生高電容，就能產生高靈敏度觸控感應。厚度薄、面積大以及高介電常數的材料能產生高電容，都是良好的電容式觸控材料。這結果推翻了「電容觸控原理是基於材料的導電性或靜電傳導能力」的假說。有別於導電刷毛(碳纖維)筆頭的乾式觸控筆，我們直接將真實毛筆改造成觸控毛筆，利用「溼潤軟毛筆頭」具有高電容特性以及電容串並聯原理，開發出「全真軟毛被動式電容觸控筆」。得到與真實毛筆書寫過程相同筆性、筆觸與藝術效果，是目前擬真度最高的觸控毛筆。這個創新設計製程簡單且不需電源，因此具有節能與低成本的優點。

平行四連桿機構廣泛應用於機械手臂中，若於桿件上加掛橡皮筋，可顯著降低轉動所需力矩，實現節能。然而，現有設計多依賴經驗與試錯法，缺乏系統化方法。本研究開發出高直觀性橡皮筋平行四連桿輔助設計程式，能提升機構設計效率與準確性。透過建立橡皮筋施加於連桿的數值分析力矩模型，並透過實驗數據對彈力常數進行非線性修正，提高模型有效性。同時，構建綜合指標以評估系統性能，並運用基因演算法搜尋最佳參數組合。實驗結果顯示，運用輔助設計程式尋找橡皮筋的最佳掛置點，能抵銷高達99%連桿所需做功，展現極高應用潛力。未來將納入轉動慣量與摩擦力，進一步提升模型現實性，並推廣至其他四連桿機構設計，為機械系統節能提供全面解決方案。

背景：預測分子性質如溶解度、毒性及熔沸點對於基礎科學至關重要。然而，實驗測量這些性質耗時且昂貴，因此本研究使用多種機器學習模型藉由調整變相來準確預測熔、沸點。 方法：本研究使用超過一萬筆數據及兩種類型的機器學習方法：淺度與深度學習。淺度學習由 PyCaret實現，並以Mordred作為分子描述器；深度學習使用圖神經網路，包括（CMPNN和GCN），並調整隱藏層參數。 結果：CMPNN在目前嘗試的模型中表現最佳。發現影響沸點預測的關鍵特徵是piPC1，與鍵級相關；熔點則是AATS0d，與σ電子的 Moreau-Broto自相關有關。 結論：CMPNN模型在沸點與熔點預測中均表現最佳。沸點中深度學習模型優於淺度學習模型（p<0.05）。此外，使用SHAP成功找出piPC1和AATS0d對最關鍵。本研究不僅得出了高準確性的模型，還發現了影響分子性質的關鍵特徵，且可擴展至其他預測。

我們以實驗室及生活上容易取得的重物與乒乓球模擬網路上跳水彈射手中球體的沃辛頓射流實驗。結果發現以圓形的類天然海棉托住乒乓球丟入水中可成功產生射流，因此選擇此為托球的載體進行實驗。依據我們的實驗結果，至少需要15公分水深才能形成完整的射流彈射出乒乓球，原則上在下落軌跡完全垂直於水面時，落下高度越高，球體彈射高度越高，實際實驗水深15公分以上時，落下高度50公分彈射高度約可達47公分，但結果受限於托球的海綿在落下高度40公分後下落軌跡不穩定，若期望更高的射流強度需要尋找更穩定下落的載體。最後我們將實驗影片逐格分析計算，證實球體彈射過程是一個反覆受到重力及空氣阻力等因素影響降速，又受到下方射流水柱力量推擠而加速的過程，初步建立以乒乓球標示射流噴射過程運動模式的邏輯。

本研究探討在一場圓桌會議中，n人逐一亂序入場找尋各自對應的名牌編號(1~n號)入座，其中1號第一個入場並坐到了k號位，此後入場的人們若發現與自己編號相同的位置是空的，就直接入座；若與自己編號相同的位置被占走了，就以逆時針方向尋找空位入座。在上述的規則下，若共有n 人，且 1 號坐到 k號位的情況，給予與問題相關統計量的組合證明。後續本研究將規則改為1 ~ p號 按照順序進場且皆想坐到 k 號位的前提下，探討了坐錯的人們是怎麼樣的循環和坐錯人數的次數分佈。並多數的研究結果皆與 stirling numbers of the first kind 有相關。 本研究還 探討了共有 n 人，且 1 號坐到 k號位的情況下， 坐錯人數的標準差函數的遞增情況 與對數函數完全曲線相關。