2025

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

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

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

LTP3 Helse

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap 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

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

Portfolios

En god beskrivelse av denne siden for søkemotoroptimalisering

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

Prosjektet har som mål å øke bevisstheten om nye trafikksikkerhetsutfordringer og formidle kunnskap om pågående forskning i Norge. Gjennom et arrangement rettet mot ungdom og skoleklasser ønsker vi å presentere metoder og verktøy innen veitrafikkforskning, med særlig fokus på atferdsmetoder som simulatorstudier, naturlige trafikkstudier, ytelsesvurdering og biometriske metoder som øyesporing.

Arrangementet vil holdes på Norsk Teknisk Museum i Oslo. Gjennom presentasjoner fra trafikkskoler, Trygg Trafikk, forsikringsselskaper, universiteter og forskningsinstitusjoner får deltakerne innsikt i ulike perspektiver på trafikksikkerhet og trafikkopplæring.

Prosjektet skal også synliggjøre atferdsforskningsmetoder i skjæringspunktet mellom psykologi, ingeniørfag, informatikk og design, som blir stadig viktigere i en digitalisert verden. Ved å engasjere den yngre generasjonen håper vi å inspirere til videre forskning og karriere innen trafikksikkerhet og transportforskning.

Trygg på norske veier: nye risikoer og smarte løsninger

Amanda Ledell, a PhD candidate at NTNU and member of the PREFERENCE project (Project number: 336355, focused on enabling fiscal metering for CCS) plans to go to KROHNE Ltd. in Wellingborough, UK, on a research visit during the fall of 2025. Her research focuses on transient modelling and uncertainty analysis for digital twins of CCS Systems via the development of estimation algorithms for multiphase mass flow estimation. The stay will focus on a collaboration between Amanda and researchers at the R&D department at KROHNE Ltd. and is crucial for Amanda's research as she needs extensive datasets of multiphase mixtures with traceability, which are hard to come by and KROHNE possesses. Furthermore, the domain knowledge among the researchers at KROHNE will help her develop uncertainty estimates for the measurements which are critical for the PREFERENCE project as it focuses on building a primary reference where the algorithm is intended to be used.

Research stay for Primary Refence for CCS at KROHNE

DIVE utvikler et nytt paradigme kalt AI4Ocean. Det implementerer tre komplementære funksjoner til eksisterende digitale tvilling-systemer (DTO) og går utover dagens teknologiske nivå: “what-if”- og “kausale” utforskningskomponenter i DTO, samt en “hav-visualisator”. Nyheten i DIVE ligger i fokus på fysikk-baserte modeller, som går utover klassifisering og prediksjon, og utvikler multimodale generative modeller for havets dynamiske tilstander og oppdagelse av årsakssammenhenger. En hav-visualisator – et brukervennlig og intuitivt visualiseringsverktøy – vil muliggjøre drift og tilgang til resultatene fra what-if- og kausal-utforskerne. Brukere kan generere forklaringer, gjenkjenne regler og sammenhenger, og skape ny kunnskap for bedre beslutningsprosesser. Metodene vil bli validert og demonstrert i tre brukstilfeller: i) strøm- og sedimenttransport i kystområdene i vestlige Svartehavet, ii) Lofoten-Vesterålen (LoVe) Blue Economy Digital Twin, og iii) bruk av regnradar i offshore vindkraft. Prosjektet benytter en samarbeidsbasert tilnærming til læring og forskning for å skape ny kunnskap innenfor en Quadruple Helix (QH)-innovasjonsramme. Den gjentakende QH-prosessen har som mål å øke validiteten av forskningsresultater, redusere tiden fra forskning til praktisk anvendelse, og støtte bærekraftig samfunnsinnvirkning. Forventet effekt spenner fra å bygge bro mellom oseanografer og AI-forskere, utviklingen av et nytt fagfelt – AI4Ocean, til etablering av et bærekraftig partnerskap innen Blå økonomi som engasjerer sivilsamfunnet, akademia, myndigheter og industri gjennom aktiviteter i et Living Lab. Gjennom samarbeid vil man forutse utviklingen i de involverte sektorene, definere scenarier, inkludere dem i DTO og evaluere dem opp mot nasjonale, europeiske og internasjonale strategier og politikk. Målet er å styrke økosystemforvaltning, med fokus på behovene til lokalsamfunn, næringsliv og forvaltning, og å generere samfunnsøkonomiske gevinster for flere aktører.

DIVE elaborate a novel paradigm AI4Ocean. It implements 3 complementary functions to the exiting DTO systems and beyond the state of the art: the “what-if” and “causal” exploration DTO components and the “ocean visualizer”. DIVE novelty lays in focusing on physic informed models, performing beyond the classification and prediction tasks, elaborating multi-modal generative models for the ocean dynamic states and the discovery of causal relations. An ocean visualizer, easy to use and intuitive visualization tool, will enable operation and access to the results of what-if and causal explorers. Users can generate explanations, recognize rules and associations and generate new knowledge for informed decision making processes. The methods will be validated and demonstrated on 3 use cases: i) currents and sediment transports within the Western Black Sea coastal areas, ii) Lofoten-Vesterålen (LoVe) Blue Economy Digital Twin, and iii) Rain radars application to offshore wind. The project adopts the collaborative learning and research approach for new knowledge creation in a Quadruple Helix (QH) innovation framework. The recurrent QH aims to increase the validity of research results, shorten the time from research and practical applications and support a sustainable impact in society. The expected impact ranges from bridging the gap between oceanographers and AI scientists, the development of a new field - AI4Ocean -, establish a sustainable Blue Economy partnership engaging Civil Society, Academia, Policy, and Industry via the activities of a Living Lab. Through collaborative actions, will be anticipated the evolution of the sectors involved, scenarios will be defined, included in the DTO and evaluated against national, EU and international policies and strategies. Thus, aiming to strengthen ecosystem management, focusing to the needs and requests of the local communities, industries, and management, generating societal and economic benefits to multiple stakeholders.

Digital Twin for Innovation in Oceanic Visualization and Exploration

Befolkningsveksten frem mot 2050 forventes i hovedsak å skje i urbane områder, som allerede mangler plass til nye boliger, næringsliv og grøntarealer. Dagens politikk legger ytterligere press på arealbruk i urbane områder ved å favorisere fortetting fremfor ekspandering. Med hyppigere ekstremværhendelser relatert til klimaendringer blir grøntarealer enda viktigere for å sikre klimatilpassede og bærekraftige urbane samfunn. Naturbaserte løsninger (NBL) kan bidra til å redusere klimarisiko, redusere klimagassutslipp, og skape rekreasjonsverdi og andre økosystemtjenester. For å sikre effektiv arealutnyttelse trengs en transparent metode for å sammenlikne scenarier og alternative arealutnyttelser. SUrbArea vil utvikle et rammeverk for håndtering av overvannsrisiko for å støtte bærekraftig utvikling av urbane områder under et klima i endring. Vi vil bruke verdsettingsindikatorer for direkte og indirekte markedsvirkninger og ikke-markedsvirkninger, som usikkerhet og tilleggsverdiene ved NBL, og forberede GIS- og klimadata skreddersydd for urban risikovurdering og forvaltning. SUrbArea tar i bruk en tverrsektoriell tilnærming til kommunal arealplanlegging, som tar hensyn til behov og interesser fra infrastruktureiere, innbyggere, utbyggere og tjenesteleverandører, og en tverrfaglig tilnærming inkludert klima- og miljøvitenskap, overvannsmodellering og -håndtering, samfunnsvitenskap og ressursforvaltning. 12 partnere fra forskning, offentlige og private organisasjoner danner et praksisfelleskap som skal teste, evaluere og dokumentere reelle pilotprosjekter fra partnerkommuner.

A rapidly increasing proportion of the Norwegian population lives in urban areas, causing increased pressure on urban land use. Urban municipal policy places further pressure on land use in urban areas by favouring population densification and industrial development in existing areas rather than outward expansion. Estimated population growth to 2050 will exacerbate conflicting land use interests as most growth will occur in urban areas, which already lack space for new housing, business and industry, and green areas. Increasingly frequent extreme weather events related to climate change are also anticipated and green areas are needed to support climate change adaptation to secure resilient and sustainable urban communities. Nature-based solutions (NBS) may offer mitigation of present and future risks and provide benefits such as GHG emission reduction, recreational and aesthetic value, and ecosystem services delivery. NBS implementation requires land area; thus, a transparent method of comparing development scenarios and management options is needed to balance conflicting interests. SUrbArea will develop a stormwater risk management framework to support sustainable urban area development under a changing climate. We will use valuation indicators for direct and indirect market impacts and non-market impacts, such as insecurity and the co-benefits of NBS, and prepare ready-to-use GIS and climate data tailor-made for urban risk assessment and management. SUrbArea adopts a cross-sectoral approach to municipal area planning, accounting for needs and interests of infrastructure owners, residents, developers, and service providers, and an interdisciplinary approach including climate and environmental sciences, stormwater modelling and management, economics, social sciences, and resource management. SUrbArea involves 12 partners from research, public and private organisations, and forms a co-production platform using real cases from partner municipalities for demonstration.

Reducing societal risk in a changing climate using nature-based solutions in sustainable urban area development

SSB rapporterer at det hvert år er gjennomsnittlig 101 personer som dør i trafikken. 10% av disse ulykkene hadde dårlige dekk. Tapte liv, skader og personskader koster samfunnet milliarder av kroner hvert år. Ut av de 1600 kjøretøyene som krysser grensen hver dag, blir dekkene grundig kontrollert på kun 20-30. Følgende er at lastebiler med dårlige dekk skaper kaos på norske vinterveier. Roadguard har utviklet et system som kan automatisk kontrollere dekk på kjøretøy i trafikken, og som nå er i aktivt bruk av Statens vegvesen for å minke antallet farlige dekk på veiene. Uten å påvirke trafikken, kan systemet avlese spordybe på hvert av dekkene på kjøretøyene som passerer. Ved bruk av maskinlæring kan systemet også gjenkjenne dekktype, slit og skader. Målet for systemet er å redde liv og beskytte miljøet ved å gjøre trafikken sikrere gjennom innsamling av data for bedre offentlig og privat bestyring av dekk. Der kontroller har før vært begrenset av manuell kapasitet, sikter Roadguard på å gjøre informasjon om dekkslitasje lett tilgjengelig for vegvesenet, politi, og førere. Slik data vil kunne gjøre transportbransjen mer sikker, og også mer bærekraftig fordi dekkdata kan legge grunnlag for mer miljøvennlige reguleringer samt forskning på mer miljøvennlig dekkteknologi. 

Men innsamling av dekkdata er ikke like lett under alle forhold! Vann kan skape mye optisk støy og senke påliteligheten til målinger i pøsregn. I prosjektet "Robuste optiske systemer for presis måling av dekkprofil under krevende forhold" skal Roadguard, med støtte fra SINTEF og Tronrud Engineering, videreutvikle måleteknikker for å bedre håndtere tungt regn og våte veier. Sammen skal vi forske på og utvikle nye design, og kombinere forbedrede optiske metoder med mer avansert programvare innen machine vision og maskinlæring, for å utvide bruken av systemet til all væreforhold.

Dette prosjektet vil til syvende og sist gjøre deg tryggere på veien, og bidra til å minke trafikkens miljøavtrykk.

In this project we are developing an innovative system for automatic monitoring of tyres in traffic, which will reduce road accidents caused by worn-out and illegal tyres. The system, developed in collaboration with Statens vegvesen, uses advanced optical techniques to evaluate tyre conditions in real-time, without disrupting traffic flow. The system will also be able to register tyre type and model, along with tyre wear and tread depth. Such data can be used by the road authorities, commercial vehicle fleets, and vehicle owners to ensure timely maintenance and compliance with safety regulations. Improved tyre data will also be able to inform environmental research and policy.

The primary objective of the project is to enhance the ability of the system to process wet tyres and the effect of resulting water dynamics. As a surface is wetted, the reflective properties and conditions change, causing signals to get both weaker and stronger depending tyre condition and position. As water films get thicker, random noise levels from stray reflections also increase due to change in surface morphology, bubbles, and dirt. In heavy rainfall, the tyre might even be completely occluded by splashing water. The project aims to address these issues through research and development focused on producing new hardware solutions, developing an optimal optical design, and improving the machine vision techniques. The work will include systematic studies of tyre conditions and resulting images, development of new machine vision approaches using deep learning, as well as experimental work to collect annotated data and to develop improved hardware, including optical configurations and modes of operation.

Robust Optical Systems for Accurate Tyre Tread Measurement in Harsh Conditions

I dag blir jernbaneinspeksjon utført manuelt, en prosess som er både tidkrevende og kostbar. Kontrollører må fysisk, ofte til fots og om natten, bevege seg langs skinnegangen for å vurdere tilstanden til ulike komponenter. AutoKontroll-prosjektet har som mål å utvikle full-automatiserte og del-automatiserte løsninger for å utføre enkelte av disse kontrollene. Dette er tenkt å gjøres ved automatisk analyse av bilder av infrastruktur tatt fra tog-monterte kameraer.
 
Prosjektet står overfor flere utfordringer. En av dem er å utvikle et kamerasystem som kan ta standardiserte kvalitetsbilder av jernbaneinfrastrukturen. I tillegg må det utvikles metoder for å finne og sammenligne bilder av samme komponent tatt på forskjellige tidspunkter. En annen stor utfordring er å utforme metoder for automatisk å oppdage relevante endringer i tidsserier av bilder, samt gjenkjenne kjente feil og avvik.
 
Ved å gjøre jernbaneinspeksjon mer effektiv og kostnadseffektiv og derfor øke sikkerheten og oppetiden for togtrafikken, har AutoKontroll-prosjektet potensial til å transformere jernbanedriften i Norge. Prosjektet er et samarbeid mellom Bane NOR og Norsk Regnesentral.

AutoKontroll-prosjektet tar sikte på å automatisere og forbedre utvalgte kontrolloppgaver av jernbanen. Dette ved å bruke kameraer, repetitivt bildeopptak og automatisk bildeanalyse. Formålet er å forbedre inspeksjonskontrollene ved å gjenkjenne feil og detektere endringer og avvik. Dette kan potensielt automatisere og forbedre kontrollene, noe som kan øke effektiviteten og redusere kostnadene forbundet med kontroll av jernbaneinfrastrukturen.

Prosjektet byr på flere FoU-utfordringer. Det vil kreve utvikling av et kamerasystem for å ta opp relevante bilder av jernbaneinfrastrukturen, samt metoder for å samregistrere bilder tatt av samme objekt på forskjellige tidspunkter. Videre vil det kreve utvikling av metoder for automatisk endrings- og anomalideteksjon i tidsserier av bilder, samt gjenkjenning av kjente feil og avvik.

Sluttresultatet vil bli evaluert gjennom en kvantitativ sammenligning av manuell og automatisk kontroll. Dette vil vise potensialet for å forbedre og automatisere enkelte kontrollrutiner, noe som kan føre til betydelige kostnadsbesparelser og mer effektiv drift. Prosjektet er et samarbeid mellom Bane NOR og Norsk Regnesentral.

AutoKontroll - Automatisert kontroll av jernbane

DIGITEC-Hydro-prosjektet introduserer et nytt konsept kalt "Equivalent Power Plant" (EPP), som gjør det mulig for små vannkraftverk å delta i strømnettets balanseringstjenester. Ved å koble sammen flere småkraftverk og bruke digitale tvillingsimuleringer, kan man beregne energiproduksjonen, selv for elvekraftverk (RoR) uten vannmagasiner. Superkondensatorer, som raskt kan lagre og frigjøre energi, hjelper disse kraftverkene med å tilpasse seg raskere, noe som gjør dem mer fleksible enn før.

Denne løsningen reduserer slitasje på maskinene og minimerer miljøpåvirkningen, siden generatorene kan operere mer skånsomt. Ved å kombinere digitale tvillinger og superkondensatorer, gjør EPP-systemet små vannkraftverk i stand til å bidra til stabiliteten i strømnettet, samtidig som risikoen reduseres og deltakelsen i energimarkedene øker.

The DIGITEC-Hydro project will develop a novel 'Equivalent Power Plant' (EPP) concept for aggregated control of hydropower plants. This will enable smaller-scale hydro plants to participate in grid balancing markets, using digital twin simulations of waterway and powerplant, plus super-capacitor energy storage technology, to optimally deliver grid balancing services without negative impact on the plant or the environment.

By using digital twin simulations, we can calculate the dispatchable storage capacity from RoR and small-scale hydropower plants without reservoirs. The use of rapid discharge supercapacitors as short-term energy storage allows RoR powerplants with slow response time, and small-scale hydropower plants without a full-fledged turbine regulator, to contribute to these higher value ancillary services markets through interconnection in an EPP system.

Coordinated control of power plants and supercapacitors together mean the aggregated power delivery from an EPP can be changed quickly, while the physical generators are controlled in a gentle manner thanks to energy temporarily delivered from supercapacitors, leading to reduced wear on machinery, reduced risk of failure or accidents, and low environmental impact.

6365 Intelligent hydropower control using digital twin technology

Gjelder etablering av en søknad rettet mot en utlysning fra EDF-programmet.

VANGUARD - Versatile Autonomous Navigation for Group UAVs in Adverse and Resilient Domains

Sjøfrakt er en kompleks og uforutsigbar bransje, hvor mange faktorer påvirker prisen på å frakte varer over havet. For kommersielle aktører i den maritime næringen er det avgjørende å ha tilgang til presis og oppdatert informasjon – spesielt om fraktrater, som svinger kraftig og er vanskelige å forutsi.
Ved Institutt for maritime operasjoner ved Universitetet i Sørøst-Norge har forskere utviklet en ny digital løsning som tar sikte på å gjøre nettopp dette enklere. Gjennom prosjektet MaritimeForecasting har teamet kombinert avanserte matematiske modeller med maskinlæring for å forutsi fraktrater med imponerende presisjon – opptil 95 % nøyaktighet innen linjefart.
Mens de fleste eksisterende løsninger hovedsakelig baserer seg på historiske data, bruker MaritimeForecasting moderne maskinlæringsmetoder som kan analysere store datamengder og identifisere mønstre og trender i sanntid. Resultatet er en prediksjonsplattform som gir ukentlige, månedlige og årlige prognoser – og som samtidig er konkurransedyktig på pris.
I dette prosjektet er det utviklet og testet en funksjonell prototype for plattformen. Denne er blitt prøvd ut i en målgruppe for å vurdere brukervennlighet, markedsbehov, betalingsvillighet og mulige barrierer. Samtidig er det gjort innledende analyser av potensielle forretningsmodeller.
Prosjektteamet består av oppfinneren av programvaren, Dr. Ziaul Haque Munim – ekspert i maritim økonomi og logistikk, og forretningsutviklere samt innovation manager fra USN-TTO COIN, universitetets enhet for kommersialisering og innovasjon.

Forecasting trends within the maritime industry

Hovedaktivitetene i omsøkt PES-prosjekt er å sørge for å utvikle et så godt konsept og søknadsbeskrivelse at vi opppnår finansiering under utlysningen "HORIZON-MISS-2024-CLIMA-01-03)". 

I det ligger å:
* utvikle et godt "Use Case" inkl definere arbeidspakker 
* konsolidere konsortium
* bidra med input til søknadstekst, samt formalia i EU-portal
* revidere og kvalitetssikre søknad før innsending

Den grunnleggende ideen i LastMile prosjektet og "use case" knyttet til Gjøsund hamn er å demonstrere forretningsmodell for Gjøsund hamn som  grønn industriell symbiose og ved bruk av digital tvilling og AI tiltrekke seg investeringer i fornybar energiproduksjon og annen nødvendig infrastruktur.

LastMile

Earth Observation Analysis For Defense Challenge

Carrion is a patchy resource in ecological systems, and assessing the distribution and biomass quantity in a system is a fundamentally unanswered question. Our project has gathered spectral data in previous field campaigns in an attempt to detect reindeer carcasses in open, treeless systems by their spectral properties. For this project we will visit and collect high precision location measurements of carcass sites of varied ages, using a high precision instrument such as a GNSS Trimble R1. Locations from reindeer carrion from 2024 will be used as an independent test dataset for spatial distribution models we have been working on predicting carrion distribution in the landscape. We will also conduct drone surveys at 30m altitude over 50x50m area around reindeer carcasses, to characterise spectra at a higher spatial scale, to scale up carcass detection algorithms we have been working on.

Field validation of spatially predictive reindeer carrion distribution models, RiS ID 11512

Den sikkerhetspolitiske situasjonen i dag har ført til at bruk av atomvåpen ikke lenger er helt utenkelig. Det er derfor viktig for beredskapsmyndigheter i Europa å ha verktøy for å vurdere konsekvenser dersom det skulle skje. Prosjektet PREDICT vil analysere situasjoner som involverer detonering av kjernevåpen og implikasjoner for mennesker i etterkant. Fra et strålevernsperspektiv kan lite gjøres i områder som er direkte påvirket av en stor eksplosjon. Fokus er dermed på nedfallssonene, hvor strålevern med hensyn til befolkningen bør prioriteres og hvor egnede tiltak kan iverksettes for å redusere konsekvenser.

Det er ulike grep som må tas for å nå målet om å etablere et robust system for å vurdere virkningen fra kjernefysiske detonasjoner. Et første trinn innebærer å dokumentere vår forståelse av hvordan en soppsky dannes etter en eksplosjon, hvordan radioaktivitet sprer seg i atmosfæren og hvilke faktorer som har stor betydning for nedfallet. De radioaktive isotopene som har betydning for strålings-eksponering skal identifiseres og prosjektet skal utvikle detonasjonsscenarier for videre testing av ulike framgangsmåter å gjøre slike vurderinger. Matematiske simuleringer er avgjørende for vår evne til å forutsi hva som kan skje etter en detonasjon. Prosjektet vil derfor gi en oversikt (dvs. gi en kapabilitetsbaseline) og deretter forbedre  modeller som brukes i våre beslutningsstøttesystemer. Vi ser på viktige modeller som brukes til å simulere atmosfærisk spredning, ekstern strålings-eksponering og radioaktivitetsoverføring i næringskjeder. Oversikten vil inkludere modellene som er vanlig å bruke i Norge og i flere europeiske land, inkludert Sverige, Danmark, Tyskland og Storbritannia. Prosjektet vil teste ulike modeller og analysere av hvilke faktorer (f.eks. detonasjonstype og værforhold) som har betydning for deres innvirkning på resultatene av simuleringene. Prosjektet skal også utvikle informasjon og råd til befolkningen om konsekvensreduserende tiltak ved en eventuell detonasjon av kjernevåpen. En viktig del av dette arbeidet er kommunikasjon med berørte parter (stakeholdere) for å teste om slik informasjon er forståelig og praktisk.

Prosjektet er delt inn i 4 hoved arbeidspakker (WPs), en kort beskrivelse av disse er gitt nedenfor.
1.   Karakterisering av luftbåren radioaktivitet 
•	Identifisere radionuklider av potensiell betydning for ulike tidsfaser etter en  atombombeeksplosjon
•	Finne ut hvordan ulike faktorer som påvirker dannelsen av radioaktive skyer og hvordan skykarakteristikker kan beskrives som inngangsdata til atmosfæriske spredningsmodeller. 
•	utvikle noen få representative detonasjonsscenarier 
2.  Modellforbedring
•	Videreutvikle  spredningsmodellene for nukleære detonasjoner med hovedvekt på  parameteriseringer som tar hensyn til partikkelstørrelser og våt- og tørravsetningsprosesser.
•	Studere retensjonstider på ulike overflatetyper i miljøet og etablere en optimal kombinasjon av eksterne dosekoeffisienter som funksjon av tid
•	Tilpasse modeller for overføring av radionuklider i næringskjeder; 

3. Modellsammenligning
•	Sammenligne og evaluere atmosfæriske spredningsmodeller blant annet ved hjelp av historiske data
•	Studere  sensitiviteten i  konsentrasjoner og doser i forskjellige avstander og til forskjellige tider til ulike modellparametere. 
•	Kvantifisere sensitivitet og usikkerhet i  modellresultater knyttet til variable værforhold.
•	Gi anbefalinger fra øvelsene
4. Tiltaksstrategier
•	Identifisere geografiske områder for tiltak (f.eks. jod tabletter og innmelding) ved bruk av scenarier for nukleære detonasjoner og resultater av dosemodelleringen fra WP3
•	Studere eksisterende råd for atomulykker (utslipp fra kjernekraftverk) og se hvordan dette kan tilpasses nukleære detonasjoner. 
•	Teste ut hvordan informasjonen kan brukes i praksis gjennom «Stakeholder» møter og utvikle hensiktsmessige kommunikasjonsstrategier
Prosjektet skal også inkludere utdanning, opplæring og formidling

ImPRovements in atmospheric dispErsion moDellIng and proteCTive action strategies in case of nuclear detonations

Arealbruk er i dag ein sterk drivar for klimagassutslepp, sårbarheit for klimaendringane og redusert naturmangfald. Dei tre fylkeskommunane på Vestlandet jobbar for å ta vare på natur ved å synleggjere moglegheiter for synergiar og avveging mellom naturmangfald, jordvern og klima. 
Saman med Vestlandsforsking og Norsk institutt for naturforsking (NINA), vil vi betre rammeverket for avgjerdsgrunnlaget for arealdisponering med omsyn til natur og klima. Slik kan vi vere med på å sikre gode avgjersler som er i tråd med regionale planar i dei tre fylka, og nå nasjonale og internasjonale forventningar om berekraftig arealbruk og reduksjon av klimagassar i arealbrukssektoren. 
Kvifor held vi på vestlandet fram med avgjerdsler om arealbruk som forsterkar både natur- og klimakrisa, tvert imot gode råd og klare forventingar? Vestlandsforsking vil søke å forstå kva vilkår som må til for at samspeleffektar mellom klima og naturmangfald vert betre forstått og vektlagt i politiske avgjerder om arealbruk. 
NINA vil forbetre kunnskapsgrunnlaget for naturtypar. I dag er det mangel på oppdaterte og heildekkande kart for natur, ettersom det er dyrt, ressurskrevjande og vanskeleg å kartlegge i felt. Bruk av maskinlæring for å analysere satellittdata har effektivisert kartlegging av myr, og gir mogelegheit for høgare nøyaktigheit og oftare oppdateringar av kart. NINA vil vidareutvikle denne metoden for å kunne kartlegge andre naturtypar i tillegg. 
Rogaland og Møre og Romsdal har publisert sine første arealrekneskap med Agder fylkeskommune sin metode. Saman med Vestland, vil dei tre fylka vidareutvikle denne metoden, og skape eit arealrekneskap som gjer at vi kan sjå arealbruk i samanheng på tvers. Resultata frå Vestlandsforskings og NINAs forsking vil nyttast i dette arbeidet.
Saman har vi eit heilskapleg prosjekt som ser både på vilkår for å forbetre og effektivisere avgjerdsprosessar i offentleg sektor, med datagrunnlag og verktøy for god planlegging, forvaltning og avgjerdsler.

Arealbruk er i dag ein sterk drivar for klimagassutslepp, sårbarheit for klimaendringane og redusert naturmangfald. Nasjonale forventningar til regional og kommunal planlegging 2023–2027 forutset at fylkeskommunane og kommunane bidreg til å nå måla om reduserte klimagassutslepp, og sikring av naturmangfald gjennom planlegging.  Offentleg forvaltning har i dag ikkje godt nok kunnskapsgrunnlag eller verktøy for å vektlegge klima og miljø i avgjerdsprosessar om arealbruk. Med eit tverrfagleg team av samfunnsvitarar, naturvitarar og byråkratar, vil vi utvikle eit innovativt verktøy og medverknadssopplegg for å auke desse omsyna under arealdisponering. Vi skal betre ein nyutvikla metode for heildekkande naturkartlegging og lage eit verktøy for arealrekneskap som skal takast i bruk i arealforvaltning så raskt som mogeleg. Prosjektet skal også avdekke vilkår for at dei nye data og metodane vert brukt og vektlagd i avgjerdsprosessar.
Noverande system for konsekvensutgreiing er tidvis utilstrekkeleg for å sikre naturmangfald og økosystemtenester. Bruk av fjernmåling og djuplæring har berre vore brukt i Norge til kartlegging av våtmark med stor suksess. Vil vi vidareutvikle denne metoden og skape eit heildekkande naturtypekart. Verktøy for arealrekneskap har blitt utvikla i fylkeskommunane Agder og Viken. Vi vil bygge vidare på desse metodane og tilpasse dei til vestlandske behov og naturforhold. Dette gjer vi gjennom brukarinvolvering, vidareutvikling og testing. Resultata i prosjektet vil få stor nytte for den offentlege forvaltninga på Vestlandet, med potensial for oppskalering nasjonalt og internasjonalt, gjennom medverknad og samskaping.
Med betre arealplanlegging vil resultata gi høve til å bruke oppdatert, kartfesta kunnskap tidleg i planprosessen, auke fagleg kvalitet på alternativvurderingar og bidra til høgare prioritering av fortetting. Dette vil føre til sikring av naturmangfald, reduksjon av klimagassutslepp, auka karbonlagring, klimatilpassing og jordvern.

Nyskapande metodar for naturdata og arealrekneskap for å vise samspeleffektar mellom natur og klima på Vestlandet

WP1 - Project Management						
WP2 - System Requirements and Specifications						
T2.1 - Define operational profiles and requirements for the selected ship						
T2.2 - Definition of the  use-cases						
T2.3 - Create a monitoring and evaluation frameworks for ESS testing					
WP3 - Novel Powertrain Development for MV Maritime and Inland Applications						
T3.1 - Novel Battery Design Developments for Low Weight Energy Storage Systems						
T3.2 - Electric Microgrid Development for AC and DC MV maritime applications 						
T3.3 - Smart Control and Condition Monitoring for Propulsion Systems						
T3.4 - System Integration Analysis (Linked with Activity 6.1)						
WP4 - Safety and Certification						
T4.1 - Battery Safety for MV applications and fire supression technologies						
T4.2 - Certification Activities for Class approval						
T4.3 -Support the development of new standards and certification procedures						
WP5 - Digital Twin Technologies and Cloud Connection Real-Time Monitoring 						
T5.1 - Data Collection and Cloud Connection for Real-Time Powertrain Condition Monitoring						
T5.2 - Digital Twin Development for predictive analytics and optimisation control algorithm development						
T5.3 - Digital Twin integration into the Cloud and Real-Time predictive analytics						
T5.4 - Advanced Cybersecurity strategies development						
WP6 - System Integration, testing and validation						
T6.1 - System Integration and testing requirement specification						
T6.2 - System virtualization for non-onsite components						
T6.3 - System validation and testing						
WP7 -  Techno-Economical application, Life-Cycle Analysis and Market Application						
T7.1 - Techno Economical Analysis						
T7.2 - Life - Cycle Analysis						
T7.3 - Market Application and replication						
WP8- Communication, Dissemination and Exploitation

Low weight Battery concept design for MV electric microgrid for next generation ships

EchoValve er et prosjekt som er fokuserert på bruk av medisinsk ultralyd til diagnose og behandling av hjertklaffdefekter. Feil på hjerteklaffene kan være medfødte eller de kan oppstå i løpet av livet. Sannsynligheten for å utvikle hjerteklaffdefekter øker betraktelig når man passere 60 år og siden befolkningen i verden eldes er dette problemet stigende. Hjerteklaffdefekter kan føre til vesentlig forringelse av livskvalitet så derfor er det viktig å behandle dem. I prosjektet vil vi ta for oss flere aspekter ved diagnose og behandling av hjerteklaffdefekter. Det skal utvikles enn ny probe som gjør det lettere å avbilde hjertklaffer og klafferepasasjonsenheter.  Det skal videre utvikles nye metoder for beregning og visualisering av blodstrøm. De nye metodene skal blant annet gjøre det lettere å forstå hvor alvorlige lekkasjer gjennom de ulike hjerteklaffene er. Videre skal de nye metodene redusere støy og artifakter i bildene. Metodene skal fungere både i 2D avbildning og 3D avbildning. Det skal utvikles nye metoder for bedre å kunne visualisere klaffe-apparatet spesielt for kalsifiserte klaffer. De nye metodene skal gi bedre oppløste bilder og de skal gjøre det lettere å forstå og måle graden av kalsifisering

I løpet av de 10 siste årene har GE Vingmed Ultrasound gjort store framskritt når det gjelder å gjøre det lettere å diagnostisere mange ulike typer hjerteproblemer, men diagnostisering og behandling av hjerteklaff-feil er et område der det fortsatt trengs betydelig innsats. Feil på hjerteklaffene kan være medfødte eller de kan oppstå i løpet av livet. Sannsynligheten for å utvikle hjerteklaff-feil øker betraktelig når man passere 60 år og siden befolkningen i verden eldes er dette problemet stigende. Prosjektet har som formål å gjøre det lettere å diagnostisere og behandle pasienter med hjerteklaff-feil. Det er flere FOU utfordringer i prosjektet. Det skal utvikles an ASIC som skal inngå i en ny TransøsofagusEkkokardiografiprobe. Denne ASICen skal bidra til at man avbilde hjerteklaffer og klaffereperasjonsenheter med høy oppløsning og uten artifakter i bildet og den vil være en vesentlig nyvinning. Siden proben føres inn i pasientens spiserør er det svært strenge krav til lavt effektforbruk. En annen stor utfording i prosjektet vil være å komme fram til nye metoder for å beregne, prosessere og visualisere blodstrøm gjennom hjerteklaffene. Metodene må være robuste og kunne få fram lekkasjer på en mye bedre måte enn det som er mulig med dagens metoder. Det er også utfordringer i å visualisere selve klaffene med god bildekvalitet. Dette skyldes blant annet avvik i ultralydstrålene som vi ønsker å korrigere. For å kunne bestemme hvordan en pasient skal behandles er det viktig å finne ut i hvliken grad hjerteklaffene er kalsifiserte. En betydelig utfordring vil være å finne gode måter å visualisere kalsifisering.

EchoValve

In a recent study, researchers from NORSAR and ITES - University of Strasbourg worked on how to use machine learning to deal with big data coming from DAS-based geological monitoring. This study was led by joint master’s student M. Donnadille was focusing on the use of machine learning to learn how to classify events based on NORSAR’s conventional seismic data and transfer this model to DAS data. Simultaneously, PhD student J. Rimpot was leading efforts on self-supervised learning of classification of seismological records from a submarine volcano. To continue working on this collaboration, we would like to organize two visits between our two organizations. During these two visits, researchers will focus on the following tasks: Task 1 (Q2 2024) - Knowledge sharing through seminars and a small workshop (A. Turquet, T. Stangeland, C. Hibert, J. Rimpot, C. Huynh). This task will focus on the field of DAS data analysis, self-supervised learning, and transfer learning. Task 2 (Q2-Q3 2024) - Self Supervised Learning on DAS data on the NORFOX and the Pyrénées Datasets (A. Turquet, T. Stangeland, C. Hibert, J. Rimpot, C. Huynh) : Task 2 aims at testing self-supervised learning applied to DAS data for which a prior catalog of events exist. Task 3 (Q2-Q3 2024) - Transfer Learning on DAS data on the NORFOX and the Pyérnées datasets (A. Turquet, T. Stangeland, C. Hibert, J. Rimpot, C. Huynh) : Task 3 is focused on transfer learning of models trained on classical seismological data recorded by large band seismometers and applied to DAS data. The objective is to refine, validate and replicate this work on several datasets and to provide guidelines for future application for environmental seismology. Task 4 (Q3 2024) - ERC Consolidator writing  (A. Turquet, C. Hibert)  : Task 4 centers on the preparation of an ERC (European Research Council) Consolidator Grant proposal. We will work on this project proposal to be submitted to the 2025 ERC consolidator grant call.

DASGEO: Artificial Intelligence investigation of Geo-mass movements using Distributed Acoustic Sensing

I den siste tiden før døden inntreffer er det vanlig at pasienter mister evnen til å gi uttrykk for hvordan de har det. I denne perioden er det derfor vanskelig å vite hva pasienten opplever. Siden god kunnskap om pasientens bevissthetstilstand er avgjørende for å kunne gi riktig behandling, vil ethvert tegn til vedvarende bevissthet være verdifullt. Både for pleierne, pårørende, og ikke minst pasientene selv. 

Selv om evnen til å kommunisere vanligvis sammenfaller med bevissthet har fremskritt innen bevissthetsforskningen de siste tiårene gitt god grunn til å tro at mange ikke-kommuniserende pasienter er ved bevissthet. Med andre ord er det tilfeller der pasienter som ikke er kontaktbare, og som lett kan antas å være bevisstløse, høyst sannsynlig fremdeles har bevisste opplevelser. For eksempel har studier vist at så mye som 70% av forsøksdeltagere i narkose kan rapportere drømmer (nøyaktige tall er avhengig av stoff og dosering), og 40% av hjerneskadede pasienter i såkalt “vegetativ tilstand” har vist tegn til vedvarende bevissthet. Dette kan også være tilfelle hos noen pasienter som ligger for døden, og har mistet sin evne til å kommunisere.

I vårt prosjekt ønsker vi å bruke nyere verktøy basert på oppdatert kunnskap fra forskningsfronten om bevissthet for å studere omfanget av vedvarende bevissthet hos ikke-kommuniserende pasienter som ligger for døden. Ved hjelp av kvantitative og kvalitative metoder ønsker vi å utvikle verktøy som kan måle tegn til bevissthet direkte fra hjerneaktiviteten til slike pasienter, slik at pleierne kan være i bedre stand til å ivareta pasientenes velferd i deres siste tid. Vår gruppe, bestående av leger, etikere, og eksperter på hjernemåling vil jobbe i nært samarbeid med pleiere, pasientorganisasjoner, og pårørende for å forstå hvordan kunnskapen og verktøyene vi utvikler best kan brukes i klinisk praksis, til pasientenes beste.

In the terminal stage before death, patients often become partially or completely unresponsive and unable to communicate coherently with caretakers. Although unresponsiveness is often associated with unconsciousness, recent research has shown that a surprisingly high proportion of unresponsive patients retain consciousness in some patient populations (e.g. as much as 43% of unresponsive patients suffering from disorders of consciousness have been shown to be misclassified as unconscious). This may also be true for dying patients, meaning that they may suffer from symptoms such as pain, thirst, and anxiety, that are not recognized and treated. However, this potential issue has been largely ignored, and would benefit from being addressed using state-of-the art methods. Our cross-disciplinary team of experts on brain-based measures of consciousness, clinical palliative care, and medical ethics aims to contribute to solving this issue. 

Specifically, we will assess how the best brain-based measures of consciousness can be used in palliative care, to understand when and how often unresponsive dying patients retain consciousness covertly. In phase 1 of our project, we will select, adapt, and test theoretically and empirically sound candidate measures that are likely to be useful for detecting consciousness in unresponsive patients. These measures will be evaluated for use in the palliative care settings in control experiments with healthy volunteers and patients. In phase 2, we will apply the most promising candidate measures in unresponsive, dying patients, and evaluate their clinical value and apparent capacity to detect covert consciousness. 

Importantly, the project will be conducted in close collaboration with patients, their next of kin, interest organizations, and clinical staff, to ensure our tools can be used in ways that improve care for the dying and maintain dignity in a difficult time, rather than just adding to the interventional load at the end of life.

Assessing the presence of covert consciousness in unresponsive dying patients. 
A translational research project.

Gressbasert fôrproduksjon spiller en kritisk rolle i norsk landbruk for produksjon av melk og kjøtt og er avgjørende for gårdsøkonomien. Med økende temperaturer på grunn av klimaendringer, kan flerårig raigras dyrkes lenger nord og i mer kontinentale regioner. Dette krever høye nivåer av nitrogengjødsling, fører til økte klimagassutslipp og nitrogenlekkasje. For å møte denne utfordringen er det avgjørende å avle fremtidige flerårige raigraskultivarer med høyere nitrogenbrukseffektivitet (NUE). DLT-Farming-prosjektet skal utvikle kunnskap for avl av flerårige raigraskultivarer med forbedret fôrkvalitet og lavere miljømessige fotavtrykk. Prosjektets mål er 1) å gjennomføre feltforsøk på to steder i Norge, med forskjellig mengde gjødselinnhold. 2) Utforme et bærekraftig IoT (Internet of Things) sensornettverk som kombinerer laveffektskommunikasjon og datalagring med AI/ML-teknikker for å vurdere jordkvalitet og nitrogenbrukseffektivitet i flerårig raigras. 3) Forbedring av nøyaktigheten og robustheten til fenomenprotokoller for innsamling av tørrstoffutbytte og næringsegenskaper ved bruk av avansert robotikk og sensorteknologi kombinert med AI/ML-modeller. 4) Identifisere og karakterisere genene relatert til nitrogenbrukseffektivitet gjennom genomomfattende assosiasjonsstudier. 5) Utvikle en AI/ML-dataanalyseplattform for autonom prosessering av store data samlet inn fra feltsensorer, lage en sanntidsrapporteringsapplikasjon for N-opptak, avlingsavling og kvalitetsdata for flerårig raigras. Integreringen av høykapasitetsfenomikk og genomikk i presisjonslandbruk tilbyr en bærekraftig tilnærming for å produsere høykvalitets og høyytende fôrgress med redusert gjødsel. Dermed støtter dette prosjektet flere av UNs mål for bærekraftig utvikling (f.eks. spesielt mål 2, mål 9, mål 13).

Feltforsøk ved NMBU og Graminor: Omfattende planlegging av feltforsøk og datainnsamling ved bruk av sensorer på droner og roboter ble igangsatt under vårt kick-off-møte og videreutviklet gjennom litteraturstudier. Vi valgte 40 flerårige raigrassorter, inkludert både diploider og tetraploider, tilpasset norske og andre europeiske klima, til forsøkene. Disse sortene, valgt fra vårt tidligere PPP-flerårige raigrassprosjekt, ble plantet i feltforsøk med tre gjødselbehandlinger (lav, normal, høy) og tre gjentakelser, med totalt 360 populasjoner. Forsøkene ble etablert ved NMBU (Vollebekk, Ås) i mai og ved Graminor (Ridabu, Hamar) i juli.

Integrasjon og foreløpig testing av jordsensorer: Vi integrerte MODBUS-RTU RS485 jordkvalitetsmålingssensorer for raskt å vurdere nitrogen-, fosfor- og kaliuminnholdet i jorda på tvers av ulike gjødselbehandlinger. I tillegg ble sensorer for jordfuktighet, pH, temperatur og elektrisk ledningsevne brukt til å overvåke saltinnhold og næringsstofftilgjengelighet i jorda. Disse sensorene ble integrert med Arduino Uno-mikrokontrollere og ROS (Robot Operating System) i laboratoriemiljø. Dataene som ble samlet inn fra disse sensorene vil bli analysert som forberedelse til utplassering i felt neste år.

Bildebasert datainnsamling fra felt ved bruk av UAV-er: Vi brukte UAV-er utstyrt med RGB- og multispektrale kameraer, integrert med DJIs programvare, for å fange ukentlige bildeopptak av raigrassfeltene på forskjellige flyhøyder, både før og etter høsting. Disse dataene vil bli brukt til å generere NDVI-baserte datasett for overvåking av avlingsvekst og helse, vegetasjonens grønnhet, høyde, tetthet og endringer i plantehelse og næringsinnhold. Dataene som hittil er samlet inn, vil snart bli analysert.

Datainnsamling fra felt ved bruk av bakkebaserte mobile roboter: Thorvald-mobilplattformen, utstyrt med en 3D-LiDAR og et RGB-D-kamera, ble brukt til å samle inn rekkevidde- og bildeopptak fra raigrassfeltene ved NMBU (Vollebekk, Ås) og Graminor (Hamar). Målet er å skape et bildebasert datasett for å støtte AI-modeller som kan estimere nitrogenopptak, nitrogenutnyttelseseffektivitet og plantebiomasse. Dataene som er samlet inn i år, vil bli analysert for å utvikle modeller som vi planlegger å bruke før neste års feltforsøk.

Grassland-based forage production plays a critical role in Norwegian agriculture for producing milk and meat and is crucial for the farm economy. With increasing temperatures due to climate change, perennial ryegrass, which is a high yielding and nutritious grass species, can be grown further north and in more continental regions. Expansion of the cultivation area of perennial ryegrass, which is mostly grown in monoculture for leys and requires high rates of nitrogen fertilization, leads to increased GHG emissions, and nitrogen leaching. To address this challenge, it is crucial to breed future perennial ryegrass cultivars with a higher nitrogen use efficiency (NUE). To speed up the development of improved cultivars, Norwegian perennial ryegrass breeding must be more efficient by incorporating advanced breeding methods and techniques. This project will utilize ecotypes and modern cultivars characterized in a previous Nordic/Baltic “Public-Private-Partnership (PPP) project for pre-breeding in perennial ryegrass”. NUE of these populations will be evaluated at two locations in Norway by integrating phenomics and genomics, to select the best NUE populations to incorporate in the breeding program. Phenomics creates huge amounts of data from various field sensors by drones and robots. Currently, no platform can process such big data in real-time. This project aims to establish an AI/ML-based data analytics platform for autonomous processing of big data, creating a real-time reporting application for dry matter yield and forage quality in grasses assisting breeders with rapid selection of superior genotypes and farmers with optimal harvest time decisions. The project will develop knowledge for breeding perennial ryegrass cultivars with improved forage quality and lower environmental footprints. Precision farming aided by utilization of the AI-based big-data platform will increase the economic output for farmers.

DLT-Farming: Data-Led Transformation Solution for Sustainable Forage Grass Farming using Robotics, Energy-Efficient Sensors and Genomics

Å forstå den indre strukturen til planeten Venus er avgjørende for å bestemme dens opphav og evolusjon, samt hvorfor forholdene er ulike de vi har på jorden.  De seismiske bølgene som skapes av hendelser på jorden, slik som jordskjelv, og som registreres av seismometre på bakken, benyttes til å kartlegge jorden helt inn til dens kjerne. Det er imidlertid betydelig mer teknologisk utfordrende å utplassere seismometre på Venus på grunn av de tøffe forholdene på overflaten (mer enn 460 °C og et trykk på nesten 90 atmosfærer). Derimot er forholdene mer behagelig høyere i atmosfæren (på 50-60 km høyde), hvor forholdene samsvarer mer med de på jorden. Kan vi utplassere seismometre i atmosfæren for å detektere seismiske bølger? På samme måte som en tromme sender ut lyd når den vibrerer, så skaper jordens overflate uhørbare akustiske bølger når jordskjelv inntreffer, kalt infralyd. Likevel er det foreløpig få seismiske hendelser som har blitt detektert ved hjelp av ballonger og vi overser graden av lærdom vi kan tilegne oss fra disse lydbølgene.

Prosjektet AIR har fullført sitt første år og har allerede svart på to kritiske spørsmål: Kan vi oppdage venusskjelv med et ballongoppdrag? Og kan vi bestemme egenskapene til Venus' indre med infralydbølger? De nye resultatene viser at svaret er ja på begge spørsmålene! Sammen med våre samarbeidspartnere fra Jet Propulsion Laboratory, det svenske Institutet för rymdfysik og California Institute of Technology, har vi demonstrert at et fire måneder langt oppdrag bør gi grunnlag for minst én klar deteksjon. Ikke bare fant vi ut at deteksjoner er svært sannsynlige, men vi viste også at en planets indre egenskaper kan bestemmes nøyaktig bare ved hjelp av den akustiske signaturen til et jordskjelv eller et venusskjelv. Arbeidet vårt er i seg selv tverrfaglig og kombinerer rammeverk for seismisk fare, storskala numeriske simuleringer av seismikk og akustikk, modeller fra geokjemi og resultater fra geodynamikk, det vil si modellering av planetens indre over millioner av år. La oss nå dykke ned i detaljene! 

Første spørsmål: Kan vi oppdage venusskjelv med et langvarig ballongoppdrag? Vi har undersøkt dette ved å beregne sannsynligheten for å observere et signal fra et venusskjelv over en gitt amplitudeterskel og i løpet av en viss observasjonstid. Amplitudeterskelen er viktig, siden små amplitudesignaler er begravd i støy, som for eksempel i vindturbulens, og inneholder ikke mye informasjon om planetens indre. På den annen side er det større sannsynlighet for at ballongen oppdager en hendelse jo lengre observasjonstiden er. Helst ville vi hatt ballongene våre på Venus-himmelen i over ti år, men det er teknisk umulig. Ved å vurdere flere modeller for antall venusskjelv på planeten og ved å simulere de akustiske signaturene til hvert venusskjelv, har vi kommet frem til at fremtidige oppdrag bør vurdere 3 til 4 måneder lange ballongflyvninger på Venus.
Det andre spørsmålet: Kan vi bestemme egenskapene til Venus' indre ved hjelp av infralydbølger? For å svare på dette spørsmålet har vi utviklet en ny inversjonsmodell som forsøker å gjenvinne kildeegenskapene så vel som Venus' indre kun ut fra den akustiske signaturen til et venusskjelv. Vi testet tilnærmingen vår på akustiske observasjoner av jordskjelv i Alaska, et svært seismisk aktivt område på jorden, som et valideringscase for vår nye inversjonsmodell. Vi klarte å finne flere egenskaper ved jordskorpen og mantelen på jorda med bare tre akustiske signaler, noe som er svært lovende for ballongsignaler på Venus.
Med AIR-prosjektet ønsker vi å bringe Venus-vitenskapen, seismologien og infralydsamfunnene sammen for å gjøre store fremskritt i forberedelsene til neste runde med planetariske oppdrag. Vi har derfor organisert den første workshopen på 10 år dedikert til Venus-seismologi fra NORSAR. Alt av materiale fra denne workshopen, inkludert presentasjoner, video- og tekstutskrifter, møtenotater og samarbeidsplaner vil bli gjort offentlig tilgjengelig på nettet for å åpne diskusjoner for et bredere publikum. Våre resultater har allerede fått mye oppmerksomhet fra det planetvitenskapelige miljøet på internasjonale konferanser og blir for tiden vurdert i vitenskapelige tidsskrifter. Hva er våre neste skritt, nå som vi har gjort betydelige fremskritt innen detekterbarhet og inversjon? To ord: vulkaner og usikkerheter. Faktisk har vulkansk aktivitet nylig blitt observert på Venus, og vulkaner vil generere både mye lyd i atmosfæren og i undergrunnen. Slike bølger kan fanges opp av ballongnettverket vårt og fortelle om underjordiske vulkanske prosesser, samt hjelpe oss med å lokalisere kilden til seismiske bølger. Målet vårt nå er å både modellere og analysere vulkanske signaler på jorden og ekstrapolere dem til forholdene på Venus. Vi vil i tillegg undersøke i detalj hvor mye usikkerhetene våre om bergartsegenskaper, signalbehandling og støyforhold vil påvirke de resulterende modellene på Venus' indre.

Our understanding of Earth's internal structure comes primarily from seismic waves that provide important constraints  on subsurface seismic-velocity properties. However, traditional inversion methods cannot be implemented in regions of limited seismic-station coverage, in particular on Venus due to its harsh surface conditions but also in remote Earth regions. This lack of seismic data greatly limits our understanding of Venus’ origin and evolution, but also of the Earth’s subsurface. However, the mechanical coupling between the ground and its atmosphere enables the seismic energy to be transmitted into the atmosphere as low-frequency acoustic waves carrying information about the seismic source and the subsurface properties. While infrasound is traditionally recorded at ground-based stations, which suffers from the same in-situ deployment limitations as seismic stations, recent studies have demonstrated that balloon platforms can be used to monitor seismic activity from the atmosphere at a low operational cost. Balloon-borne seismology is a new dynamic field considered to be the only way to investigate Venus' interior. However, inversion of balloon-borne infrasound data has never been reported in the literature as field data are lacking and the coupling between seismic and acoustic waves in realistic media is poorly understood. Taking advantage of balloon pressure data collected by the Jet propulsion Laboratory and the Swedish Institute of Space Physics during large-scale balloon campaigns, the current project will address these key theoretical and practical issues by analyzing and modeling these seismically-induced infrasound signatures to retrieve the source and subsurface properties. AIR will first process and model the seismo-acoustic waves to analyze the field data. Results will then be injected in a statistical Bayesian inversion framework to retrieve uncertainties on source and subsurface properties and field-data processing from balloon campaigns.

Airborne Inversion of Rayleigh waves

Hvordan kan nevrale nettverk bedre enn etablerte prognostiske markører forutsi pasientutfall flere år senere, kun ved hjelp av enkle mikroskopi-bilder av kreftvev? Hvilke egenskaper ved kreftvevet avslører pasientens utfall, og hva kan dette lære oss om metastatiske prosesser? Hovedmålet med dette prosjektet er å gi, i det minste delvis, svar på disse spørsmålene. 
Fokus for WP1 er å kartlegge vevet ved hjelp av multiparametriske biomarkører, og samholde disse med prediksjon fra nevrale nett i både tarm- og prostatakreft (CRC og PCa). I løpet av prosjektets første år har vi selektert 455 prostatektomier fra pasienter med distinkt god/dårlig prognose. Disse er snittet og farget med både HE- og Feulgen-farging, dokumentert på Aperio-, XR- og HighRes-skannere. De HE-fargede vevssnittene er grunnlaget for vår DoMore prognostiske markør, men gir også strukturell informasjon for tumoridentifikasjon, histologisk klassifisering, kvantifisering av stroma/epitel-forhold og mitosetelling. Feulgen er en DNA-spesifikk farge som blant annet benyttes til segmentering av cellekjerner, kvantifisering av DNA-innhold, nukleoli og kromatinorganisasjon. Et parallelt snitt er HE-farget før sekvensiell immunfarging. For PCa har vi brukt en målrettet tilnærming hvor relevante prognostiske mål involvert i genomisk instabilitet, celledeling og gener kjent for å være opp- eller nedregulert i kreft, samt gener med en etablert rolle i PCa, ble kvantifisert på transkript- og proteinuttrykksnivå. De som viste prognostisk relevans er nå validert i eksterne pasientkohorter, noe som har resultert i et utvalg på 8 kandidater for sekvensiell farging, og en protokoll for sekvensiell immunfarging for disse proteinene er optimalisert. I en parallell vevsblokk har vi utført grunn (30 GB) helgenomsekvensering. Amplifikasjoner og delesjoner i genomiske regioner som er rapportert å være assosiert med pasientutfall vil her kunne bli validert.
For CRC-materialet har vi valgt en mer utforskende tilnærming, der transkriptomet vil bli analysert in situ ved bruk av «spatial biology»-teknikker. Dette vil muliggjøre en dyptgående analyse av områdene som er kategorisert som prognostisk viktige av DoMore-klassifikatoren. Vi utfører for øyeblikket piloter for å bestemme passende plattform for disse analysene.
I WP2 er målet bl.a. å utvikle og trene cellekjernebaserte prognosemarkører samt å undersøke hvordan høyere bildeoppløsning (her 60x) påvirker prognosemarkørens nøyaktighet. Vi har segmentert cellekjerner i både 40x og 60x bildeoppløsning. Segmenteringen av kjerner i 60x Feulgen-skann ga nøyaktige resultater som vil være nyttige for metoder som Nucleotyping og DNA-ploidi. Segmenteringen i 40x HE-skann ga flere, men mindre nøyaktige segmenteringer, og har blitt brukt til å genere 87 millioner høyoppløslige bilder av cellekjerner fra 60x HE-skann. Disse vil være utgangspunkt for trening av prognosemarkører, etter vurdering av bildekvalitet. 
Trening av prognosemarkører med høyoppløselige bilder er basert på 60x småbilder (tiles). Vi har generert tiles med 60x, 40x og 10x oppløsning fra HighRes 60x HE-skannene, og også 40x og 10x tiles fra de tilsvarende Aperio 40x HE-skannene, for sammenligning. Tidligere trente DoMore-nettverk har blitt anvendt direkte på disse tilene uten å utføre en re-trening. Neste steg vil være å re-trene DoMore-klassifikatoren på tiles med 60x oppløsning.
I WP3 bruker vi verktøyene fra WP2 til å forklare DoMore-klassifikatoren vha den biologiske kartleggingen fra WP1. Vi har utviklet en ny metode for å justere skann av ulike farginger i samme snitt med celle-til-celle nøyaktighet. Den fungerer på tvers av forskjellige skannere, oppløsninger, farger og til og med forskjellige formater. Den opererer ved å oppdage de samme detaljene i de to skannene og strekker det ene bildet elastisk for å passe det andre. Metoden analyser hver celle i forhold til alle tilgjengelige målinger og lager rapporter og statistikker, inkludert tellinger for celler i mitose, positive og negative immunskåringer, og om cellen er innenfor stroma, tumor eller bakgrunnsområder. Varmekart kan genereres for ploidi og immunskåring. Etter hvert som flere metoder utvikles, vil deres resultater bli inkludert i de genererte statistikkene og rapportene.
HistoTracker, tidligere kalt MicroTracker, har blitt optimalisert for hastighet slik at alle operasjoner er raske og responsive for intuitiv interaktiv hva-hvis-økter. Veldig kompakte binære dataformater har blitt utviklet for å laste de store mengdene data som er nødvendige så hurtig som mulig. All funksjonalitet i HistoTracker er nå integrert i vår generelle bildevisningsapplikasjon: SeeMore. SeeMore-applikasjonen har mekanismer for å laste modulære tillegg for å utføre spesifikke oppgaver, som å bruke nevrale nettverk for å finne celler i mitose eller oppdage områder som er ute av fokus.

A rapidly increasing number of publications now demonstrate high performance of convolutional neural networks in medical diagnostics. However, few of these systems have reached the clinic, an important reason being their “black box” nature - the basis of their predictions is not traceable by humans. We have recently developed the DoMore-v1 classifier, a deep learning system for predicting patient outcome in colorectal cancer (Skrede et al., Lancet 2020;395:350-360). When independently tested on 1122 patients, the classifier outperformed all current prognostic biomarkers. However, an intriguing question remains: How can neural networks utilizing plain microscopic tissue images to predict patient outcome years later? Recent developments have provided methods that enhance our ability to visualize image areas of particular importance to network predictions. However, it seems unlikely that satisfactory understanding can be obtained without supplementing such information with concrete biomedical information, including biochemical measurements on cellular level. This latter information must be provided on image form, aligned to the images showing areas of particular importance to outcome predictions. Thus, the first work-packages in the project develop methods for simultaneous displaying various biochemical markers in pathological images and further develop tools for identifying the same cells in different images. The next packages aim at adapting and testing visualization methods to make them suitable for revealing features in pathological images utilized by prediction networks, while the last project activity is to connect important image characteristics and the biomedical markers. 
Through this combined biological and machine learning approach, we intend to provide methods to make our own and similar networks more transparent and thus easier to use for clinicians, as well as to improve our understanding of the biological mechanisms underlying metastatic disease.

Learning from Deep learning

Oivi’s team av dyktige og innovative ingeniører utvikler banebrytende teknologi for screening av sykdomstilstander som truer synet. Den første sykdommen som skal oppdages er en netthinnesykdom som heter “Diabetes Retinopati” (DR). Teknologien bygger på Norges første netthinnekamera utviklet av Oivi AS, og inkluderer funksjonalitet for automatisert bildetaking og diagnostisering ved hjelp av kunstig intelligens. DR er den ledende årsaken til blindhet som kan forebygges hos voksne over hele verden. Med rundt 537 millioner mennesker berørt av diabetes globalt, og tallene forventes å stige til 650 millioner innen 2045, er DR en økende bekymring.  Etter to år med diabetes vil 81 % av pasientene oppleve en viss grad av DR. Imidlertid kan tidlig screening og rettidig behandling forhindre synstap i over 95 % av tilfellene.

Å oppdage diabetes retinopati i de tidlige stadiene er utfordrende, siden det ofte ikke gir noen symptomer. Derfor er screening avgjørende for å identifisere risikopasienter og forebygge blindhet. Til tross for anbefalinger fra American Diabetes Association, gjennomgår bare 50 % av diabetespasienter i utviklede land årlige screeninger. Gullstandarden for diagnostisering av DR er kostbar og ofte utilgjengelig i fjerntliggende regioner eller regioner i utvikling.

Oivi-kameraet adresserer dette gapet ved å tilby automatisert bildefangst, noe som gjør omfattende screening mulig. Oivi forenkler screening, tidlig diagnose og ved å oppdage sykdomsforløpet tidlig vil behandlingsalternativene ofte være mye mer kostnadseffektive. Dette vil kunne redusere tilfellene av synstap betraktelig. Det opprinnelige markedet inkluderer land som India, hvor tilgangen til screening er begrenset. Oivi-kameraet og tjenesten vil gi et rimeligere alternativ til eksisterende netthinnekameraer, og gjøre den tilgjengelig for primærhelsetjenesten og diabetesklinikker over hele verden.

The team is building an integrated screening ophthalmic device to detect preventable vision threatening pathologies, with the first focus being Diabetic Retinopathy (DR), to be used at a point-of-care. The solution will be based on Oivi AS' successful development of Norway's first retinal camera, from a previous project, and will further integrate artificial intelligence to automated image capture. The project will be a stepping stone for tackling +39 degenerative retinal conditions using machine learning.
 
DR is a microvascular complication of diabetes caused by long term damage due to uncontrolled blood glucose levels. It is the leading cause of preventable blindness among adults. An estimated 537 million people globally are affected by diabetes and this number is projected to increase to 650 million by 2045. Within 10 years of onset 81% of diabetics will have some degree of DR, but over 95% of patients in vision loss can be prevented with early screening and timely treatment.

Diabetic retinopathy is difficult to diagnose in its early stages as it is asymptomatic, and hence, screening is the only way to identify such patients to prevent them from going blind. In the developed world only 50% of patients with diabetes get screenings in a given year despite recommendations by the American Diabetes Association. The gold standard of diagnosing DR is expensive and often unavailable in remote or developing parts of the world. 

The Oivi camera addresses these unmet needs with its automated image capture and diagnosis thereby enabling widespread screening. Oivi enables early diagnosis and inexpensive and early treatment options, thus significantly preventing vision loss. Initial plans are emerging markets like India, where the population has very limited screening. The Oivi device and service will have significant cost advantages compared to existing retinal cameras thereby expanding the market to the vast majority of primary care facilities and diabetic clinics.

OneVision: Retinal Camera with Integrated Machine Learning Screening and Diagnostics

Carrion is recognized as an important resource in many ecosystems, yet there are still difficulties in estimating the impacts on landscapes. Complex interactions with a wide range of taxa are involved, making it challenging to predict to what extent carrion trigger ecological responses, as this is dependent on factors such as e.g., climate, ecosystem productivity, necrobiome complexity. Arctic tundra ecosystems in Svalbard are nutrient and species-poor systems with very short growing seasons, it is expected that the ecological effect of carcasses are more pronounced here than at warmer ecosystems. One of REINCAR's objectives is to try estimate carrion biomass in Svalbard, to better understand the impacts carrion have on the landscape. For this, I plan on using a field spectrometer to get high resolution spectral data on reindeer cadavers, scale this up to other levels of remote sensing data (hyperspectral sensor on SIOS research Aircraft - Dornier 228), and create a model for reindeer cadaver detection. With successful cadaver detection using remote sensing data, we can extrapolate results over a larger area, move towards carrion biomass estimation, and then truly understand and quantify impacts carrion have on the landscape.

Detecting reindeer cadavers with remote sensing tools in the Arctic tundra of Svalbard, RiS ID 11512

WP1: Use case definitions (1st and 2nd life), specification and requirement (functionality and standardization) for 2nd life battery systems (CORVUS)

WP2: Development and adjustments of strategies for multi-operational BMS

WP3: State functions , battery models parametrization and cloud framework and Cybersecurity

WP4: Multi-operational BMS development

WP5: Standardization, LCA and Business cases

WP6: WP6 BMS Integration DEMOs

WP7: Demonstration of Project on 2ndLife real environments

BMS development for enhanced diagnostics to facilitate 2nd life applications

Jordobservasjon dekker alt fra drone- til satellittbilder og har applikasjoner med stor innvirkning på våre dagligliv. Eksempler inkluderer værvarsel, monitorering av skip, monitorering av landbruk og veldig mye mer. Disse applikasjonene krever enormt mye data, som i praksis må håndteres ved hjelp av automatiserte metoder.
Dyp læring (DL), den mest suksessfulle grenen av kunstig intelligens (AI), krever både store mengder referansedata og spesialiserte modeller. Dette fører til et problem ettersom man både trenger domene eksperter for datainnsamling og DL experter på for å designe modeller. Så, dersom et lite selskap ønsker å ta i bruk AI for tilpasset kartlegging vil det kreve en sterk tverrfaglig ekspertise og det vil være ekstremt kostbart.
Målet med ATERLIER-EO (Automatisert maskinlærings-rammeverk skreddersydd til jordobservasjon) prosjektet var å utvikle en automatisert løsning for maskinlæring anvendt på jordobservasjon, med mer effektive trenings-prosedyrer i stand til å redusere mengden data som kreves, samt bruke automatisert maskinlæring for å redusere den nødvendige DL ekspertisen.
For eksempel er automatiske kartlegginger av veier et utfordrende problem; veier er tynne, og selv om et menneske vet at de skal være koblet sammen kan det være vanskelig for en modell å lære, spesielt dersom trær dekker over veien i bildene. ATELIER-EO var planlagt å kunne håndtere slik kunnskap om sammenkobling, inkorporering av terrengmodeller og håndtering av andre utfordringer som for eksempel skydekke i bildene, og bruk av treningsbilder der for eksempel veier var tilstede som eneste input.
For å konkludere, ATELIER-EO's mål var å automatisk lage tilpassede kart fra satellitt-, fly-, og dronebilder, selv med begrenset data og begrenset menneskelig interaksjon, utvide domener hvor AI kan benyttes, og redusere kostnaden for tilpassede produkter.

Science and Technology AS (ST) is a young company specialised in the development of services using Artificial Intelligence (AI) applied to EO and onboard processing systems for satellites. Most notably, we focus on the efficient use of satellite data for sustainable EO services. The share of AI is continuously growing in ST’s portfolio. The company has ample experience in the execution of large scientific data processing and intelligent software application projects for both ESA, EU, and national clients within, but not limited to, the domains of forestry (e.g. disease detection, deforestation, tree species) and ice sheet monitoring (e.g. calving front lines, mapping of supraglacial lakes, snowpack properties).
DL has already shown great success in the areas mentioned above, despite two major bottlenecks: limited EO-specific domain knowledge within the DL field (and vice versa, limited DL knowledge in the EO field), and a long time to market. Together with the large amount of data often required, these bottlenecks currently limit ST’s commercial opportunities and the adoption of AI within the EO field both in Norway  and internationally.
This R&D project aims at extending and streamlining ST’s current DL technology stack, transforming it into an EO-specific, AutoML solution. Within this context, AutoML automates the tasks of applying ML to real-world problems, covering a complete pipeline from the raw dataset to the deployable machine learning model. 
Critical milestones of this project are related to the research required to reach the goals described above and incorporated in the progress plan.

ATELIER-EO: Automated machine learning framework tailored to Earth Observation

Menneskelig aktivitet strekker seg stadig lenger nord i Arktis, hvor atmosfærisk ising er en utfordring og en sikkerhetsrisiko, da den kan påvirke aktiviteter spesielt knyttet til bygg (bygninger, kommunikasjonstårn og skiheiser), energiproduksjon (infrastruktur for sol- og vindenergi), energidistribusjon (kabler og tårn i kraftnettet), transport (veier og broer), maritim- (skip, oppdrettsanlegg og oljerigger) og luftfartssektoren (fly- og bakkeforhold). nICE-prosjektet har som mål å etablere et tverrfaglig forskningsnettverk med fokus på; vitenskapelige og teknologiske problemstillinger knyttet til atmosfærisk ising på strukturer i nordområdene, å legge grunnlaget for utvikling av fremtidens norske kompetansesenter for ising, og å følge opp den strategiske planen til UiT og å støtte FNs bærekraftsmål i den arktiske regionen. Til tross for at det ofte forekommer atmosfærisk isdannelse i Norge, finnes det foreløpig ingen organisert forskningsrelatert infrastruktur for dette. nICE-prosjektet vil bidra til å initiere den strategiske visjonen, og vil forbedre kunnskapen om atmosfærisk isdannelsesfysikk og videreutvikle løsningene for å bekjempe ising. Dette prosjektet skal også bidra til å styrke Norges internasjonale forskningssamarbeid om temaer relatert til atmosfærisk ising, gjennom samarbeid med internasjonale institutter, eksperter og deltakelse i internasjonale forskningsinitiativer.

Human activities are increasingly extending into the high north areas of the Nordic region, where structural icing is a concern from operational, maintenance, safety, and financial perspectives. Structural icing events do not only take place in the Nordic region, but are also an issue for other cold regions around the world. Two types of structural icing mainly occur, 1) sea spray icing, 2) atmospheric icing. This project is mainly focused about atmospheric icing on structures.  Currently, atmospheric icing conditions in cold regions are insufficiently accommodated in the design requirements covered by the national and international standards. Therefore, there is a growing need to improve knowledge and strengthen expertise about atmospheric ice physics associated with icing on structures, ice detection & mitigation techniques, ice disaster management and safety of human industrial operations in icing conditions. 

The nICE project aims to strengthen the atmospheric icing related multi-disciplinary research activities in Norway and will also provide a platform for developing expertise and multi-disciplinary research infrastructure to study and improve knowledge about atmospheric ice accretion physics and its effects. Norway is an ice prone country, but currently no organized atmospheric icing research related infrastructure exists in Norway. In the nICE project, we aim to establish a base to build up research expertise and infrastructure for atmospheric icing, and to establish a future Norwegian icing centre of expertise hosted by UiT and make this an international research hub to address icing related issues. This will also help to strengthen Norway’s international research collaboration on atmospheric icing related topics through working with international institutes, experts, and participation in international research initiatives e.g., Horizon Europe.

Multi-disciplinary Study of Atmospheric Ice Accretion Physics & Developing Optimal Technological Solutions to Minimize Ice Accretion Effects

Hjernesvulst er blant de mest dødelige krefttypene som finnes. Hovedmålet ved behandling av pasienter med hjernesvulst er å bremse veksten av svulsten. Til tross for år med forskning og utvikling, fungerer behandlingen kun for omtrent halvparten av pasientene som rammes, og det har vært lite forbedring i overlevelsesratene. Dette skyldes delvis at vi bruker en "one-size-fits-all" tilnærming når vi bestemmer behandling, uten å fullt ut ta hensyn til hvor mangfoldige og komplekse disse sykdommene kan være. En av de største utfordringene for pasientene og legene deres er å finne ut om en behandling virker, og å gjøre dette så tidlig som mulig. Tidlig i forløpet kan en svulst være liten, symptomfri og vanskelig å oppdage med vanlige tester. I dag må pasienter gjennomgå regelmessige kontroller i opptil et helt år før man ser om behandlingen faktisk har noen effekt. Det å endre medisiner eller behandlingsstrategier hjelper lite hvis vi gjør det for sent. For pasienter som kanskje ikke har lang tid igjen å leve, er denne ventetiden rett og slett ikke akseptabel. Vi trenger en ny måte å oppdage disse svulstene på og se om behandlingen pasienten får fungerer, og vi må klare å gjøre det tidlig, før symptomene kommer, og før vi kan oppdage svulstene ved hjelp av dagens metoder. 
Forskere ved Avdeling for Radiologi og Nukleærmedisin ved Oslo universitetssykehus kan ha funnet løsningen. De har utviklet CHRONOS, et system designet for å oppdage hjernesvulster tidlig og raskt se om en behandling virker. CHRONOS bruker vanlige MR-bilder (fungerer på både gamle og nye MR-maskiner) sammen med litt avansert matematikk og maskinlæring. Det kan oppdage endringer i hjernen som kan være et tegn på av svulsten vokser, og det kan oppdage vekst opptil seks måneder før dagens metoder. Dessuten gir det en pasientspesifikk analyse, noe som kan føre til mye bedre overlevelsesrater.
Dette KVAL-prosjektet har handlet om å forsikre oss om at CHRONOS gir forretningsmessig mening. Vi har snakket med bransjeledere, kartlagt markedspotensialet og forretningsmulighetene, og sørget for at vi har de nødvendige immaterielle rettighetene på plass. Prosjektet har styrket tilliten til at CHRONOS er unikt i det det kan gjøre, og vi tror det kan oppnås en betydelig kommersiell oppside ved å posisjonere CHRONOS i sentrum av en bredere strategi for et nytt selskap for å introdusere flere lignende MR-bildeløsninger. Vi planlegger å etablere et slikt selskap innen to år.

KVAL: CHRONOS – A tool for early detection of brain-tumor progression

Hjertesvikt er en av de vanligste hjertesykdommene og rammer over 64 millioner mennesker i verden hvert år. Den har en like høy dødelighet som de dødeligste krefttypene. Det finnes imidlertid ulike typer hjertesvikt, og det er utfordrende å diagnostisere og kategorisere pasientene riktig. Dette resulterer i at kardiologer, selv på ekspertnivå, har betydelig innbyrdes variasjon i hvordan de kategoriserer pasientene. En allment akseptert standard for diagnostiserer mangler, og det er stort behov for bedre diagnostiske metoder.
Forskere ved kardiologisk avdeling ved Oslo universitetssykehus, King’s College London og Nagoya City University har utviklet en ikke-invasiv, semi-automatisert analysemetode for å diagnostisere hjertesvikt og skreddersy terapi. Metoden er basert på rutinemessig ultralydvurdering av venstre hjertekammerfunksjon hos pasienter med symptomer på kortpustethet eller hjertesvikt. Metoden kan implementeres som programvare på både eksisterende og nye ultralydskannere i alle klinikker rundt om i verden. Verktøyet skal gjøre kardiologer i stand til å gi bedre og raskere diagnoser og tidligere og mer målrettet behandling og dermed bedre behandlingsresultater og redusere sykehusinnleggelse av pasientene.
Dette prosjektet har vist at det er forretningsmessig potensial for teknologien gjennom å undersøke industriinteresse og vurdere markedspotensial og gjennom å patentbeskytte teknologien.

KVAL: Non-Invasive Diagnostic Tool for Heart Failure

Det siste tiåret har det blitt betydelig enklere å følge ferden til store lasteskip over verdenshavene ved bruk av såkalte AIS data (Automated Identification System data) som angir skipets posisjon og med signaler som kan plukkes opp av satellitter. Denne type data har imidlertid flere begrensninger: de er ufullstendige i tid og rom, de kan manipuleres, AIS senderen kan slås av, og de sier ikke noe om hvilken type last som er ombord. Målet med SHIPTRACK prosjektet er å undersøke og demonstrere hvordan andre typer satelittdata kan supplementere AIS data for å øke presisjonen og informasjonen som kan hentes ut. Dette gjelder særlig optiske satelittdata (d.v.s. bilder av jordens overflate) eller satelittradardata som måler høyden til objekter eller landskapsformasjoner. Eksempelvis kan vi se for oss at optiske data kan brukes til å identifisere hvilke råvarer som ligger lagret i havneterminaler rundt om i verden, som igjen kan benyttes til å bestemme hvilken type last som tas ombord eller losses fra et skip. Tilsvarende kan man måle høyden på lagrede hauger av f.eks. kull i en havn over tid for å identifisere trender i tilbud og etterspørsel etter råvaren. Prosjektet SHIPTRACK er et tverrfaglig samarbeid mellom SNF AS ved Norges Handelshøyskole i Bergen, UiT Norges Arktiske Universitet i Narvik, Vake.ai, Equinor rederiene Western Bulk og Utkilen, samt Bergens Rederiforening.

Ship tracking data from the Automated Identification System (AIS) has several known quality issues: incomplete coverage in space and time, often erroneous data, and ease of manipulation. Moreover, AIS contains no information about cargo type, the true cargo volume/weight onboard, or the storage situation in the port. These challenges create the need for new knowledge in three main areas: Firstly, to identify and utilize alternative data sources that can be fused with AIS ship position data in order to fill in the gaps. Secondly, to develop novel methods to remotely identify the cargo types stored or loaded/discharged in a particular terminal. Thirdly, to track changes in stored volumes in wet and dry bulk ports using remote sensing technology. The SHIPTRACK project is a co-operation between shipping researchers at NHH/SNF, satellite data experts at the UiT Arctic University at Narvik, remote sensing startup VAKE.ai, shipping companies Utkilen and Western Bulk, and the Bergen Shipowners' Association. The project is highly interdisciplinary and aims to develop new knowledge from fusing satellite (optical and radar) and AIS data. The project intends to develop novel methods for the automated tracking of ships (during gaps or faulty AIS transmissions) and the extraction of metadata such as speed and loading condition from optical satellite data. Combined with new methods for the classification of commodity types and monitoring of stored volumes (both liquid and dry bulk) using remote sensing, this creates a very powerful tool for increasing visibility in the commodity supply chains and bulk freight markets. In terms of impacts, the project results contribute to better spatial resource allocation for bulk commodities, for instance by reducing uncertainty in restocking decisions, demand estimates and transportation planning. Improved ship tracking also facilitates safer and more efficient transportation and the prevention of potential of illegal and harmful activities.

Improving ship and cargo tracking with multi-source spatial data

Denne forskningen tar sikte på å etablere en automatisert prosess som benytter høypresisjon 3D-sensing og online (innebygde) visuelle læringsmotorer som kan opererer i naturlige omgivelser og være i stand til å tilpasse seg på en holistisk måte til operasjonelle endringer gjennom levetiden. Den tar sikte på å etablere et banebrytende teknologisk konsept for 3D maskinsyn som et tverrfaglig initiativ som kobler kostnadseffektivt og pålitelig dybdesyn med avansert maskinsyn og innebygd kunstig intelligens for å håndtere utfordringer fra tidsvarierende visuell sceneoppfatning i naturlige miljøer. Kombinasjonen av nylige gjennombrudd i utviklingen av 3D-syn (dvs. LiDAR) og i mobil databehandling (dvs. innebygd nevrale nett prosessorer) er grunnlaget for denne forskningen som vil muliggjøre sanntidsovervåking og visuell analyse ved hjelp av et nettverk av bittesmå, lav-kostnads 3D-kameraer med lavt strømforbruk. Denne forskningen understøtter etableringen av et internasjonalt relevant FoU-team innenfor 3D maskinsyn samt nye digitaliseringsmuligheter. 
I den forrige perioden arbeidet vi videre med å berike databasen med 3D-datasett, ved bl.a. å bruke opptak fra 3D-sensoren i et innendørs miljø sammen med data som blir kommentert i etterkant. Vi har utforsket metoder som forent læring, slik som spatiotemporal læring og nettbasert læring for segmentering, tolkning og forståelse av den visuelle scenen. Arbeidene har resultert i nye artikler publisert i IEEE-tidsskrift og konferanser. Vi har også organisert den 20. utgaven av IEEE Embedded Vision Workshop i forbindelse med CVPR 2024 for å fremme dette forskningstemaet på den internasjonale arenaen. I neste periode vil vi forfølge denne forskningen videre, utnytte forskningsoppholdet til studenten i Japan, med mål om nye publikasjoner.

The overall objective of this research is to give up the currently manual and time-consuming operational processes with well-composed digitalization using real-time 3D vision and learning processes. This research aims to initiate an automated process deploying high-precision 3D sensing and online (embedded) visual learning engines that operate in natural environments and are able to adapt in a holistic lifetime manner to changes during operations.
It targets establishing a groundbreaking technological concept for 3D machine vision as an interdisciplinary initiative linking cost effective and reliable depth sensing with advanced computer vision and embedded artificial intelligence to tackle challenges posed by time-varying visual scene perception in natural environments.
The combination of both recent breakthrough developments in 3D sensing (i.e. solid state LiDAR) and in mobile computing (i.e. embedded neural computing engine) is the basis for this research to tackle real-time monitoring and visual analysis using a network of tiny, low-cost and low-power smart 3D cameras, towards digital management services for operations and processes. This research has a potential to a radical change in many parts of the value chain in the industry and society and selected scenarios will be designed for impact evaluation and opening up integration opportunities. This activity fits the key strategical development of NORCE and its perspective to be number 1 in Norway within the next 5 years in machine vision innovation.
This research supports building an internationally-relevant R&D team on 3D machine vision towards enabling digitalization capabilites. NORCE has the role to develop Norway as leading hub with excellence and high-level of expertise on innovation for 3D machine vision as an enabler for digital processes and services.

NOK 538.0 mill. distributed between 112 projects

Display

Order by

Year