2024

2023

2022

2021

Portefølje Naturvitenskap og teknologi ikon

The research system

Portefølje Humaniora og samfunnsvitenskap ikon

Ground-breaking research

Portefølje Samisk ikon

Sámi society and culture

Portefølje Demokrati, styring og fornyelse ikon

Democracy and global development

Portefølje Velferd, kultur og samfunn ikon

Welfare, culture and society

Portefølje Helse ikon

Health

Portefølje Klima- og polarforskning ikon

Climate and environment

Portefølje Landbasert mat, miljø og bioressurser ikon

Land-based food, the environment and bioresources

Portefølje Energi, transport og lavutslipp ikon

Energy and transport

Portefølje Muliggjørende teknologier ikon

Enabling technologies

Portefølje Industri og tjenestenæringer ikon

Innovation

LTP Climate, environment and environmentally friendly energy

Climate and loss of natural diversity

Internationalization

Societal security and civil preparedness

Renewal in the public sector

Velferdstjenester

Frontpage Image

Marine icon

Petroleum og mineraler

LTP Hav ikon

Oceans and coastal areas

LTP2 Muliggjørende og industrielle teknologier ikon

Enabling and industrial technologies

Trust and community

Professional environment

High quality and accessibility

LTP Climate

Strengthened competitiveness and innovation capacity

LPT Health

 An innovative business community

LTP3 Helse

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

LTP2 Utvikle fagmiljøer av fremragende kvalitet

LTP2 Samfunnssikkerhet og samhørighet ikon

LTP2 Fornyelse i offentlig sektor ikon

LTP2 Klima, miljø og miljøvennlig energi ikon

Forsidebilde optimalisert

project-bank-technical

Et innovativt næringsliv ikon

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Marin ikon

Forsidebilde

Statistics

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...or see the summary and other information about the projects you have selected

Portfolios

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

How the grants are distributed between organisations, counties, subject areas etc....

Here are some examples of searches you can perform in the Project Databank

All long term plan objectives

About Text Queries

No thematic area or topic related to the project

has received funding in the programme period

No popular science description is available

have received funding in the programme period

The project with project number {{project number}} was not found

Technical description

Woops, something went wrong. Please refresh the page. If the error persists, please contact us.

We could not find what you were looking for

See statistics related to this LTP objective

See projects related to this LTP objective

related to this LTP objective have received grants

has been granted to projects related to this LTP objective

has been granted to projects related to this portfolio

related to this portfolio have received grants

About Prosjektbanken

Kunnskapsdepartement

Diverse

Forsvarsdepartemente

Samfunnsvitenskap

Oslo

LTP3 Høy kvalitet og tilgjengelighet

LTP3 Fagmiljøer og talenter

LTP3 Tillit og fellesskap

LTP3 Demokrati, styring og forvaltning

Instituttsektor

Portefølje Banebrytende forskning

Portefølje Demokrati og global utvikling

Portefølje Forskningssystemet

Frittstående prosjekter

Zambia

Forskerprosjekt

Politikk- og forvaltningsområder

Internasjonalisering

Demokrati, makt og styring

Grunnforskning

Effektene av fysisk og seksuell vold på ofre og deres familier kan være ødeleggende og vedvarende, med potensielt langvarige konsekvenser for fysisk og mental helse, utdanning, sysselsetting og bruk av velferdstjenester. Mens strafferettssystemet anses som en viktig del av offerets gjenopprettingsprosess, er det begrenset empirisk forskning på hvorvidt strafferettslige prosesser hjelper og/eller hindrer bedring langs disse ulike dimensjonene. I dette prosjektet vil vi adressere dette kunnskapshullet ved å bruke en kombinasjon av kvantitative og kvalitative forskningsmetoder. I de kvantitative analysene vil vi bruke administrative registerdata som dekker hele befolkningen sammen med kvasi-eksperimentelle metoder for å kunne trekke kausale slutninger. Vi vil også benytte maskinlæringsteknikker for prediksjon. De kvalitative analysene vil supplere de kvantitative analysene ved å gi kontekst til et komplekst felt av saker og ofre og ved å identifisere potensielle mekanismer mellom strafferettslige prosesser og utfall for ofrene. Samlet vil disse metodene gi en mer robust, representativ og nyansert forståelse av hvordan kontakt med strafferettssystemet påvirker offeret på tvers av flere viktige livsområder både på kort og lang sikt. Prosjektet ledes av Folkehelseinstituttet (FHI) med Frischsenteret og Universitetet i Oslo som partnere. Prosjektet har et rådgivende utvalg med medlemmer fra Nasjonalt kunnskapssenter om vold og traumatisk stress (NKVTS), ETH Zurich, Universitetet i Oslo, Frischsenteret, Universitetet i Bergen, og OsloMet. Det er også tilknyttet en brukergruppe bestående av personer og organisasjoner som er i kontakt med ofre for vold og overgrep.

Victims of sexual and physical violence is one of the most vulnerable groups in our society. The criminal justice system (CJS) serves a critical role in providing assistance to victims of these crimes, enabling them to seek justice, protection, compensation, and closure. Yet, knowledge about whether the CJS helps or harms these victims is extremely limited. This project aims to remedy this by providing a comprehensive understanding of the role of the CJS in supporting and providing restoration for victims of physical and sexual violence in Norway. We will utilize a combination of quantitative and qualitative research methods across disciplines to study outcomes across multiple important life domains, both in the short and long run. For the quantitative analyses we will use exceptionally rich longitudinal administrative register data with full population coverage combined with state-of-the-art quasi-experimental methods for credible causal inference and predictive machine learning techniques. The qualitative analysis will be based on narrative interviews with victims, providing context and insights into how interactions with the CJS shape life stories. The results will yield a robust and nuanced understanding of how the different stages of the CJS impacts victims. This is particularly urgent given how the current emphasis on legal responses to assaults has caused a sense of obligation and civic duty for especially women to report incidents, while the chances of legal closure remain small. In addition to advancing the methods for quasi-experimental designs and machine learning within quantitative criminology, this project will provide valuable insights for policymakers, stakeholders, and practitioners working in the field of victim support and rehabilitation and may inform current legal reform efforts aimed at addressing these issues.

Helpful or harmful: The effects of criminal justice system contact on victims of sexual and physical violence

Dette prosjektet er et nasjonalt samarbeid mellom fire kunnskapssentre for barn og unges psykiske helse og
barnevern (RKBU Midt-Norge, Vest, Nord og RBUP Øst Sør), fire universiteter (NTNU, UIB, UIS og UIT), to kommuner
(Stjørdal og Bjørnafjord kommune) og en brukerorganisasjon (ADHD Norge). Intervensjoner mot
skolefraværsproblemer hos unge er tilgjengelige internasjonalt, men bør videreutvikles for å gi større effekt og
brukervennlighet, samt tilpasses norske forhold (Maynard et al., 2018). En dansk intervensjon (Back2School; B2S) er
nylig utviklet og evaluert (Johnsen et al., 2024). Basert på erfaringer fra en nasjonal norsk pilotstudie med B2S, de
danske resultatene og kvalitative erfaringer vil dette prosjektet identifisere barrierer ved den utprøvde
intervensjonen, jobbe for å forbedre innhold knyttet til de identifiserte barrierene samt utarbeide og sikre
implementering gjennom en detaljert plan for intervensjonen, dens oppstart og drift, tilpasset norske kommuner og
tjenester. I dette arbeidet samskapningsprosesser stå sentralt.

Optimalisering av Back2School tiltaket for bruk i Norge

Målet for FUSE er å utvikle kunnskap og metoder for energieffektive og trygge skipsoperasjoner ved å kombinere KI og skips hydrodynamikk som muliggjør raske utslippsreduksjoner fra den globale flåten gjennom neste generasjons ruteoptimalisering.


Hovedideen er å utvikle metoder for mer nøyaktige numeriske modeller for skipsytelse, inkludert både energi- og bevegelsesegenskaper, ved å bruke kunstig intelligens i kombinasjon med klassisk hydrodynamikk. Tradisjonelle hydrodynamiske modeller er basert på grunnprinsipper og reflekterer fysiske lover. Kunstig intelligens kan trenes på operasjonelle data til å finne nye sammenhenger i dataene utover det man vet fra fysikkens lover. Begge tilnærmingene har sine fordeler og ulemper, og vi tar sikte på å kombinere det beste fra begge tilnærmingene og utvikle hybridmodeller. 
Potensielle effekter av de nye skipsmodellene vil evalueres gjennom bruk i ruteplanlegging.

Som utgangspunkt vil vi samle brukerkrav fra industripartnerne med fokus på to utvalgte brukstilfeller; deep sea og fergedrift. Forskningsaktivitetene vil dekke dataanalyse, KI og skipshydrodynamikk og reiseoptimalisering og beslutningsstøtte. Relevante forskningstemaer innebærer å sammenligne de ulike tilnærmingene for å estimere skipsytelse, vurdere nøyaktighet og gyldig bruk av modellene og evaluering av modellenes sensitivitet og anvendelighet. Til slutt vil den potensielle effekten av å bruke hybridmodeller i reiseoptimalisering bli undersøkt og demonstrert. En ph.d.-kandidat vil bli utdannet fra NTNU med fokus på å fusjonere KI med skipshydrodynamikk. 

Prosjektpartnerne er SINTEF Ocean, SINTEF Ålesund, NTNU, Torghatten, Vard Electro, NAVTOR og G2 Ocean.

The FUSE vision is to rapidly reduce emissions from the global fleet by unlocking the full potential of operational data through fusing AI and ship hydrodynamics for next generation voyage optimization. The main idea is to develop theoretical approaches and methodology utilizing the potential of using AI in combination with classical hydrodynamics to develop more accurate numerical models for ship performance, including both energy and motion characteristics. Traditional hydrodynamic models are based on first-principle, reflecting physical laws. AI-based models which uses operational data are used to establish a statistical relationship between inputs and outputs. Both approaches have their pros and cons, and we aim to fuse the best of both approaches and develop hybrid models as input to voyage planning and onboard decision support systems.  As a starting point, we will gather user requirements from the industrial partners focusing on two selected use cases; deepsea and ferry operations. The industry partners will be involved during the whole project period ensuring that the competence and results can be exploited into their product and services. The industry partners will contribute with operational data from their ships as research data. 

The research activities will cover data analytics, AI and ship hydrodynamics and voyage optimization and decision support. Research partners are SINTEF Ocean, SINTEF Ålesund, and NTNU. A PhD candidate will be educated from the NTNU with supervisors from Marine Technology and Engineering Cybernetics with focus on fusing AI with ship hydrodynamics. Relevant research topics involve comparing the different approaches for estimating ship performance, considering accuracies and valid usage of the models and evaluation of sensitivity and applicability of the models. Finally, the potential impact of using hybrid models in voyage optimization will be investigated and demonstrated.

Fusing AI and Ship Hydrodynamics for Next-Gen Voyage Optimization

Offentlig forvaltning (kommuner, fylkeskommuner og statsforvaltningen) har behov for gode og detaljerte stedfestede data for å oppnå forståelsen som kreves for å fatte gode politiske og administrative beslutninger i byggesaker, planprosesser, byutvikling og tilsvarende prosesser.  I eksisterende offentlige geodatabaser er fysiske objekter, for eksempel bygninger, i hovedsak representert med todimensjonale geometrier (punkt, linjer og flater). Tredimensjonale volumgeometrier gir en langt bedre representasjon av virkeligheten og danner et sikrere grunnlag for analyser og visualisering. Samtidig antas det at etablering av volumgeometrier i offentlige geodatabaser vil medføre nye utfordringer for datainnsamling og forvaltning. 

I prosjektet ønsker vi å avklare hvilke behov, muligheter og utfordringer offentlig forvaltning og private aktører ser i forbindelse med innføring av volumgeometrier i offentlige geodatabaser. I første omgang vil det fokuseres på bygninger, men prosjektet skal også se videre mot hvordan fysiske objekter kartlegges og forvaltes i andre geodatabaser. Utredningen skal gjøres i tett samarbeid med representanter fra ulike nivå av offentlig forvaltning og private aktører med ulike roller i økosystemet rundt innsamling og forvaltning av stedfestet informasjon. Etablerte samarbeidskanaler som Norge digitalt og Geovekst vil benyttes i prosjektet.  

På basis av kartlagte behov, muligheter og utfordringer skal det beskrives prinsipper for innføring av volumgeometrier i norske offentlige geodatabaser. Disse prinsippene vil bli anvendt i et mulig hovedprosjekt der innsamling og forvaltning av volumgeometrier innføres i de sentrale geodatabasene Felles Kartdatabase (FKB) og Matrikkelen.

Utredning av prinsipper for innføring av volumgeometrier i norsk geodataforvaltning

Ettersom flere mennesker lever lenger, trenger vi flere helsetjenester, spesielt for akutte helseproblemer. Dette legger mye press på helsesystemet vårt, som inkluderer hjemmeomsorg, sykehjem, lokale klinikker og sykehus. For å sikre at vi kan ta vare på alle i fremtiden, må vi finne måter å hjelpe eldre mennesker med å holde seg sunne og unngå å trenge mye omsorg.
PAI-prosjektet jobber med dette problemet. Prosjektet bruker kunstig intelligens (KI) for å forutsi hvilken type omsorg eldre mennesker kan trenge ved å se på helsedata. Ved å oppdage helseproblemer tidlig, kan vi ta skritt for å forhindre at de blir verre. Dette kan bety at vi forhindrer fall i sykehjem eller endrer en persons medisinering på deres lokale klinikk. Dette bidrar til å unngå sykehusopphold, som kan være dyre og stressende.
Imidlertid er det vanskelig å forutsi helsebehov fordi dataene vi har kan variere mye. Det kan være forskjellig avhengig av hvor personen bor, og hvilke helseproblemer de har. For å håndtere dette, jobber PAI-prosjektet med mennesker som mottar omsorg og helsearbeidere for å utvikle KI-verktøy. Prosjektet tester disse verktøyene i virkelige situasjoner i Spania, Sverige og Norge.
Prosjektet bruker en blanding av metoder for å samle inn og analysere data. Dette inkluderer både tall (kvantitative data) og folks erfaringer og meninger (kvalitative data). Målet er å hjelpe eldre mennesker ved å gi dem riktig omsorg til rett tid, forhindre at skader og sykdommer blir verre. Det hjelper også helsearbeidere ved å sørge for at ressursene brukes effektivt og skaper et godt arbeidsmiljø. Løsningene de finner kan brukes på mange forskjellige steder.

As the population ages, the demand for healthcare services increases, including acute care. This puts a strain on healthcare resources, making efficient care management crucial at all levels - home, nursing homes, primary care, and hospitals.
The PAI project aims to address this challenge by using artificial intelligence (AI) to predict the care needs of older individuals. By analyzing patient monitoring data, the project can detect early signs of health or functional decline. This allows for preventive measures to be taken, reducing the need for costly acute care and aftercare. For example, hospitalizations can be prevented by avoiding falls in nursing homes or adjusting medication in primary care.
However, predicting the care needs of older patients is not straightforward. It involves dealing with varying data availability, quality, and potential interventions across different care levels and diagnoses. To tackle this, the PAI project uses a design science approach and a multiple case study design. It develops analytics in collaboration with care recipients and healthcare practitioners and implements them in real-life settings in Spain, Sweden, and Norway.
The project uses a mixed-methods strategy for data collection and analysis, combining quantitative and qualitative elements. This includes the thematic interpretative analysis of meeting notes, interviews, and observations, as well as the statistical longitudinal trend analysis of Key Performance Indicators in the respective healthcare systems.
The benefits of the PAI project are twofold. Older individuals receive adequate early care, preventing injuries and the worsening of diseases. Healthcare staff can use their resources more effectively, creating a sustainable and satisfying work environment. The outcomes of the project are scalable and can be applied in various contexts, making it a valuable contribution to the future of European healthcare.

Predicting Care Needs of Older Adults in the Healthcare System through AI-enabled Analysis of Patient-Monitoring Data

Utviklingen av havvind er et viktig element i det grønne skiftet og det forventes å ekspandere betraktelig, også i områder med sjøis i særdeleshet Østersjøen. Her er relativt grunt vann slik at det i hovedsak planlegges og bygges bunnfaste konstruksjoner. EU har mål om å produsere 60GW fra havvind før 2030, og mye av dette vil komme i Østersjøen. Tekniske løsninger for havvind er viktig ikke bare for EU, men svarer også på minst tre av FNs 13 bærekraftmål ((#7, #9, #13) og vil ha indirekte positiv effekt i forhold til fem andre ( (#3, #8, #9, #11 and #12).
Sjøis og is-krefter fra sjøis på havvindsinstallasjoner representerer en av de største usikkerhetene for design og operasjon av havvindsturbiner. De eksisterende standarder og retningslinjer er hovedsakelig gitt i IEC614000-3-1 and DNV-ST-0437, og disse er stort sett basert på "Arctic Offshore structures for the petroleum industry" i ISO19906. Det er to vesentlige forskjeller mellom installasjoner for havvind og for olje og gass. For det første er oljeplattformer større, stivere responderer mye mer statisk, mens vindturbiner er slankere og mer dynamiske. For det andre kan man vanlig vis i Arktis regne med tilnærmet uendelig store drivende krefter fra tung is, men i Østersjøen (og andre områder hvor det planlegges havvind) er det lettere isforhold (isen er mellom 0.3 m og 1.2 m), og de drivende kreftene (fra særlig vind og strøm) kan begrense is-kreftene. Usikkerhetene ligger både i etablering av fordelinger av, og korrelasjoner mellom de relevante is-parameterne (is-tykkelse, konsentrasjon osv.) og i de deterministiske og probabilistiske modeller for å beregne laster og respons. IceWise kommer til å adresse begge disse.

IceWise addresses sea ice actions on offshore wind turbines. Offshore wind is one of the vital renewable energies for the future and Europe wants to reach at least 60 GW installed in EU waters by 2030. This means more wind turbines in the Baltic sea where sea ice is on the the major uncertainties.

IceWise combines the competence of NTNU in ice mechanics and ice actions on offshore structures with competence within satellite remote sensing of sea ice at UiT to carry out world-leading research needed for Norwegian industry to reduce uncertainty in ice action estimations and to pave the way for improved operational planning and standardization of design method for offshore wind turbines.

WP1 Sea ice statistics, WP2 Ice state definition and WP3 Probabilistic modelling, address respectively the sea ice statistics and ridges statistics from satellite remote sensing data (WP1), defining an ice state based on multi-modal data product and calculate deterministic ice loads (WP2) and probabilistic modelling of ice ridge and level ice action (WP3).
The international  DTU-Space (Skourup) will co-supervise the PhD in WP1 (UiT) and we plan for with two full day scientific workshops per year (at NTNU and at Aalto) with the researchers and the PhDs.

Scientific papers published in high level international journals, high qualified personnel (PhD and master students) available for employment in Norwegian industry and development of better standards and guidelines for estimating ice actions on bottom-fixed wind turbines are three major results from the project.

A steering committee with member from all Norwegian partners will meet 4 times per year and ensure good progress. it will also be two full day physical workshop with all partners annually. The PhD students will meet and be challenged by the industry with their applied perspective.

DNV will be invited as observer to IceWise and Høyland is reviewing the new DNV-RP-C205 about ice actions to ensure that IceWise is complementary.

Ice, Wind and Structures

mSpider: a universal “digital adaptor” to extract physical activity and health data from wearable sensors

I Nordsjøen finnes det organisk rike leirlag som har blitt begravd til flere kilometers dyp. Når slike leirlag blir begravd til flere kilometers dyp, blir de så varme at de begynner å generere olje og gass. Av all oljen og gassen som har blitt generert i Nordsjøen, har hele 98% lekket ut til havet over geologisk tid. Men hvor skjer dette? Hvor mye lekker ut? Hvilke miljøkonsekvenser har det? Hvordan påvirker det planer for CO2-lagring at væsker kan sive ut naturlig noen steder? Og kan det gi ny innsikt i hvor man bør lete etter olje og gass? Dette er spørsmål som InFluSe-prosjektet skal svare på. 

InFluSe står for "Integrated study of Fluid Migration and Seepage in the Southern Norwegian North Sea - Impact on Hydrocarbons, Environment, and CO2 storage". På grunn av de viktige konsekvensene hydrokarbonlekkasje i Nordsjøen har, er det mange som er interessert i dette prosjektet. Prosjektet ledes av Universitetet i Bergen, og har partnere fra industri, akademia og statsadminstrasjon, og disse partnerene inkluderer UiT, Equnior, Vår Energi, AkerBP, Aarhus Universitet, Geomar Kiel, Havforskningsinstituttet og Sokkeldirektoratet. 

I løpet av det første av fire år, skal vi ansette fire PhD-kandidater og gjennomføre et tokt på 20 dager med forskningsskipet G.O. Sars. Den første av PhD-stipendiatene skal bruke satellittdata til å undersøke hvor, når og hvorfor olje lekker i Nordsjøen. Den andre PhDen skal undersøke eksisterende brønn-, kjerne- og seismikk-data fra Nordsjøen for å finne ut hvilke veier hydrokarbonene migrerer under bakken. Den tredje skal samle inn og prosessere nye høy-oppløselige 3D-seismiske data over områder med mye lekkasje for å undersøke hvordan hydrokarbonene kommer seg gjennom takbergartene. Den siste skal undersøke geokjemiske og biologiske prøver fra hydrokarbonoppkommene for å finne ut hvor de kommer fra, hvor lenge de har vert aktive, og hvilke påvirkninger de har på miljøet.

In the Southern Norwegian North Sea (SNNS), analysis of satellite radar data supported by recent scientific cruise activity reveals a previously unknown pattern of natural oil seepage. This seepage pattern indicates the presence of a widespread and previously unknown hydrocarbon migration system. Combined with the extreme availability of subsurface data in the study area and our ability to conduct scientific cruises with state-of-the-art research vessels, the observed seepage pattern makes it possible to characterize and understand migration of fluids in sedimentary basins from source to seep, at a hitherto unparalleled level of detail. Through an integrated and cross-disciplinary research program, the InFluSe project partners will create a complete understanding of hydrocarbon migration and seepage in the SNNS through two scientific cruises, a comprehensive analysis and modelling program, and education of 4 PhDs and >10 MScs in the disciplines of geomatics, subsurface geology, geophysics and geochemistry. Firstly, we will determine the hydrocarbon migration pathways in the SNNS area and develop a baseline of natural hydrocarbon seepage in terms of distribution and rates that past and potential future well-related emissions can be evaluated against. Secondly, improved knowledge about distribution and rates of hydrocarbon seeps in the Norwegian North Sea will make it possible to assess the geological contribution of hydrocarbons, carbon and methane (the most important greenhouse gas after CO2) to the environment and atmosphere, something that is poorly understood from both a conceptual and regional perspective, and may be exacerbated by the shallow depth of seepage here. Thirdly, several CO2 storage licenses are in place in the SNNS and the impact of the observed seepage on the CO2 storage integrity in these areas will be addressed by InFluSe. Finally, understanding of pathways of hydrocarbon migration will help improve play models and de-risk exploration prospects.

Integrated study of Fluid Migration and Seepage in the Southern Norwegian North Sea - Impact on Hydrocarbons, Environment, and CO2 storage

I løpet av de neste tiårene skal det bygges og driftes mange havvindmøller, noe som er viktig for å få til det grønne skiftet. Dette gir mange muligheter for norske verft. Norge er kjent for å være best i verden på design og produksjon av maritimt utstyr, og vi har gode forutsetninger for å lykkes med havvind. Men for å lykkes må verftene bli mer effektive.

Norske verft har tidligere blitt kritisert for å være for dyre og lite produktive. Selv om det går bedre, må de bli enda mer effektive. De må redusere kostnadene med 10-15% for å kunne vinne nye kontrakter og bidra til at havvindindustrien blir lønnsom. Derfor trenger vi mer kunnskap om hvordan verftene kan jobbe smartere.

Digitale tvillinger og kunstig intelligens har vist seg å fungere godt i andre industrier for å redusere kostnader og øke effektiviteten. I verftsindustrien har man hittil mest brukt digitale modeller til produktutvikling. Vi vet lite om hvordan de kan hjelpe med å planlegge arbeidskraft, utstyr og infrastruktur bedre. Med digitale tvillinger og kunstig intelligens kan verftene få bedre data og analyser, som gir mer detaljerte og nøyaktige planer. Dette kan redusere tid brukt på oppgaver som ikke skaper verdi.

Målet med TWinYards-prosjektet er å finne ut hvordan vi kan gjøre norske verft mer effektive ved å bruke digitale tvillinger og kunstig intelligens. Da kan verftene redusere kostnader og bidra til bærekraftig drift og en bærekraftig satsing på havvind.

A high number of offshore wind turbines is expected to be built, installed, operated, and decommissioned over the next decades, constituting a critical element in the green shift. This offers numerous opportunities for the Norwegian yard industry. Norway leads globally in maritime equipment design and production, with unique expertise and infrastructure, providing a solid foundation for success in offshore wind. However, the success relies on more efficient yard operations. The Norwegian yard industry's lack of cost competitiveness and productivity has been stressed previously, and even though there are signs of improvement, their effectiveness should have been much higher. They need to reduce costs by 10-15% to win newbuild orders in the long run and be able to contribute to the cost efficiency improvements required for a profitable offshore wind industry. There is, therefore, an urgent need for increased knowledge on efficient operations of the yards. 

Digital twins and artificial intelligence have been successfully used in manufacturing to reduce costs and improve efficiency. In the yard industry, the use of digital models has primarily been from a product perspective. There is a lack of knowledge on how they can support efficient planning of the people, equipment, and infrastructure at yards. With digital twins and artificial intelligence, yards gain access to robust data and analytical capabilities that provide more detailed and accurate plans and schedules that minimize non-value adding activities, promising a significant reduction in non-value adding time.

The overall objective of TWinYards is to develop knowledge on how to achieve resource efficiency and flow in the Norwegian yard industry by exploiting digital twins and artificial intelligence. The yards will thereby be able to reduce costs and contribute to green yard operations and a sustainable shift towards offshore wind.

TWinYards – Scaling up for offshore wind at Norwegian yards: Efficient operations through digital twins and artificial intelligence

Karbon (CO2) fangst og lagring, CCS, mottar betydelig interesse på grunn av det presserende behovet for massiv dekarbonisering av industrisektorer, spesielt innen industrier med høye utslipp (sement, avfallsforbrenning, metallurgi, etc.). Løsemiddelbasert CO2-fangst har nådd kommersialiseringsstadiet, og akseptabel modenhet for industriell distribusjon. Men avhengighet av konvensjonelle kjeler øker basert på fossilt brensel for å levere det betydelige varmebehovet for regenerering av løsningsmiddel, energikostnadene og teknologiens CO2-intensitet, og hindrer dermed mulighetene for rask industriell distribusjon.

eC-Solv-teknologien er en revolusjonerende tilnærming utviklet av SINTEF for elektrifisering av løsemiddelbasert CO2-fangst.  Den erstatter den kjelbaserte energiforsyningen i disse systemene med en varmepumpe som gjenvinner varme som eksisterer i anlegget (adsorber/absorber, kompressorer, røykgass, etc.) og oppgraderer den for bruk i regenereringen av løsningsmiddelet. Vakuum påføres sammen med temperatursvingningen for å redusere temperaturforskjell mellom karbonatisering og regenerering, og dermed maksimere varmepumpens energieffektivitet.  Til tross for dets enkelhet og en enkel plug-and-play natur, påvirker konseptets tekniske implementering dimensjonering av prosesskolonner, driftstemperatur og trykk, og løsningsmiddel/sorbentvalg. Dette krever dermed en perfekt forståelse av den ikke-lineære interaksjonen mellom de forskjellige designaspektene. 

Prosjektet tar sikte på å tilpasse de teknologiske tekniske utsiktene til markedets voksende muligheter, og skape en sterk forretningsmodell for rask kommersialisering og industriell distribusjon.

ec-Solv Carbon Capture - Qualification Project

Kunstig intelligens og Datasyn basert identifikasjon av laks og automatisert langsiktig velferdsvurdering i akvakultur merder

Midlene fra HAVBRUK2-Stort program for havbruksforskning fordelt på år

Midlene fra HAVBRUK2-Stort program for havbruksforskning fordelt på fylker

Midlene fra HAVBRUK2-Stort program for havbruksforskning fordelt på fagområde

Researcher

The cAIge project aims to transform the way we monitor and assess salmon in fish farms. It plans to use advanced computer vision and artificial intelligence technology to automate the welfare monitoring and assessment of salmon. The project is organized into four distinct work-packages.

Work-Package one is focused on developing self-learning algorithms that can automatically detect high-level features of salmon, such as the eyes, fins, and body contours, from video streams. By identifying deviations from the standard appearance of these features, the system might detect anomalies that could indicate welfare issues, such as eye defects, wounds, or deformations.

Work-Package two is centered around the use of biometric techniques to identify individual salmon over time. This allows for long-term tracking of individual fish health and welfare status, a promising concept that could significantly enhance our understanding of individual and group health dynamics in full-scale fish farming.

Work-Package three aims to establish a correlation between fish welfare and various environmental and operational factors. By using AI reasoning strategies, the system will try to associate individual fish observations with overall fish population well-being, environmental conditions, and farming operations. This approach could help identify key contributors to fish health and enable the prediction of welfare scores under different scenarios.

Work-Package four is dedicated to the experimental validation and evaluation of the solutions created in the previous work-packages. This work-package also aims to ensure that the methods and algorithms developed are biologically accurate and relevant.

This project represents a significant leap forward in the area of computer vision and aquaculture. By automating the process of welfare monitoring, it contributes to enhancing the health and well-being of farmed salmon, while also improving the efficiency and sustainability of farming operations.

Technology development in cAIge will allow automated, machine-assisted monitoring of fish health and welfare in aquaculture farms at hitherto unprecedented precision levels. This is to be achieved by leveraging advanced AI-based computer vision technology along with individual fish re-identification algorithms for uninterrupted welfare assessment over time. In addition, the relationship between observed welfare status, environmental factors, and farming practices will be integrated into comprehensive models, thereby gaining a better understanding of how these factors interact to shape optimal holding conditions of fish in aquaculture. We emphasize that monitoring the welfare and responses to operational and environmental factors of individual fish over a prolonged period of time represents a significant advancement over the current practice to monitor the fish, thereby enabling researchers in the future to assess fish welfare and behavior on a scale never experienced before.

0 projects