2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

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

Helse- og omsorgsdep

Klima- og miljødepar

Kultur- og likestill

Medisin og helsefag

Oslo

LTP3 Muliggjørende og industrielle teknologier

LTP3 Nano-, bioteknologi og teknologikonvergens

Helseforetak

Portefølje Banebrytende forskning

Portefølje Forskningssystemet

Portefølje Helse

Portefølje Muliggjørende teknologier

Programmer

Annen støtte (t.o.m. 2019)

Bioteknologi

FNs Bærekraftsmål

Internasjonalisering

Politikk- og forvaltningsområder

Anvendt forskning

Grunnforskning

Helse

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

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

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

Exploring ebselen Derivatives for Parkinson's Disease Therapy

Novel vaccine platform for animal health

Autonomous Hooking System (AHS): Enhancing Safety and Efficiency in Lifting and Handling Operations

Limb wounds in horses are common, however healing is exceedingly slow and fraught with complications. Contrary to body wounds, limb wounds demonstrate only a small amount of wound contraction. The specialist procedure of applying split-thickness skin grafts to limb wounds stimulates wound contraction by unknown mechanisms. The objective of this project is to identify those mechanisms to develop a treatment strategy for equine limb wounds for use in general  practice. Limb wounds are severely impacting animal welfare due to an extended healing/treatment duration, and the risk of euthanasia due to a poor functional outcome. By stimulating wound contraction, healing time will be reduced, and the functional outcome improved, directly benefitting the welfare of wounded horse and reducing treatment cost for the owner. Aim: To identify dermal components stimulating wound contraction, and to develop this knowledge into future state-of-the-art treatment of equine limb wounds for use in general practice. Hypotheses: i) Application of dermal fractions to collagen gels seeded with equine fibroblasts will increase gel contraction in vitro; ii) Application of dermal fractions to experimental limb wounds in vivo, will increase wound contraction resulting in a faster healing time versus wounds treated by conventional methods. Methods: i) The contractile effect of different dermal components will be assessed in a collagen gel/ fibroblast model; ii) Identified dermal components will be tested in a standardized experimental limb wound model in vivo (n=5). Ultimately, results from this project are expected to improve wound treatment in horses, directly impacting animal welfare by reducing healing time and improving the functional outcome of wounded horses. This will also directly benefit horse owners and caretakers and making veterinarians able to offer better treatment solutions.

HESTEFORSK - Raskere og bedre sårheling hos hest med autologe hudkomponenter

Developing Gene Therapy for Brain Diseases

By step-change EURAD-2 means a new era via a more effective and efficient public research, development and demonstration (RD&D) in Europe, and a deepening of research cooperation between MS having different radioactive waste inventories, and with programs at various stages of development. 

The scope of EURAD-2 builds upon the achievements of EJP EURAD-1 and EURATOM PREDIS. At a strategic level it is structured by the EURAD-1 Roadmap, while the prioritized scope refers to the updated Strategic Research Agenda (SRA)6. EURAD-2 continues to collaboratively develop, maintain and consolidate at the European level the scientific and technical basis of RWM, including disposal.

The scope of EURAD-2 includes scientific and technical activities on all steps (from “cradle to grave”) of RWM:
- Radioactive waste inventory including steps to minimize final radioactive waste to be managed;
- Radioactive waste characterization & processing (including pre-treatment, treatment and conditioning);
- Interim storage of radioactive waste; and
- Disposal solutions – with the main focus on geological disposal of spent fuel, high-level waste (HLW) and long-lived intermediate level waste (ILW).

Specific RD&D required for near-surface or surface disposal and low-level waste (LLW), will be addressed.Nuclear facility dismantling and decommissioning activities are however excluded, although interfaces, and particularly aspects that impacts final disposal could be considered.

The project aims to connect with the wider European Community through, e.g., SNETP, NEA, DigiDECOM community, IGDTP, IAEA, ENSREG, ERDO Association,  and will encourage interaction between different national programmes.

EUROPEAN PARTNERSHIP ON RADIOACTIVE WASTE MANAGEMENT 2 (EURAD-2)

Midlene fra FME-Forskningssentre for miljøvenn fordelt på år

Midlene fra FME-Forskningssentre for miljøvenn fordelt på fylker

Midlene fra FME-Forskningssentre for miljøvenn fordelt på fagområde

Senior project manager

PES-prosjektet skal utarbeide en sterk FME-søknad i samarbeid med industri, universiteter og andre FoU-aktører til fristen 25. november 2015. 

Hovedmålet for den tenkte FME "Sustainable Transport" er å bidra til visjonen om fremtidig mobilitet med null-utslipp. Vi vil samle til en felles nasjonal innsats for å realisere et bærekraftig transportsystem i Norge, med et samtidig fokus på verdiskapning for norsk industri og service-næring.

FME Sustainable Transport

Målet vårt er å generere dynamiske fiskeplasser for å øke sannsynligheten for at brukere lykkes med å fange fisk. Dette baserer seg på hypotesen om at mislykkede fiskeopplevelser på angitte steder påvirkes av ugunstige forhold, inkludert temperatur, saltholdighet, strømmer, tilgjengelighet av mat, predator-unngåelsesstrategier osv. Denne digitale tjenesten viser illustrative tilfeller skapt gjennom deduktiv resonnering ved bruk av en form for kunnskap referert til som taus kunnskap eller know-how. Denne taus kunnskapen, tilegnet gjennom induktiv resonnering basert på begrensede personlige feltopplevelser, generaliseres deretter gjennom slutninger for å forutsi sannsynligheter på steder som ikke tidligere er utforsket. Som et resultat inneholder den digitale tjenesten subjektivitet, skjevhet og begrensninger på grunn av begrenset omfang av personlige erfaringer og manglende dynamikk.
Derfor hadde prosjektet som mål å utnytte maskinlæring (ML) for å modellere taus kunnskap ved hjelp av positive eksempler og utnytte ML-modellens generaliseringskapasitet for global skalerbarhet og hastighet. De primære forskningsutfordringene omfatter fire aspekter: 1) Datasettet mangler ikke-positive eksempler og består bare av positive tilfeller. 2) Manuell generering av positive eksempler introduserer forurensning gjennom subjektivitet, feil og inkonsekvens. Korrektheten deres er ikke validert. 3) Betydelige datahull eksisterer, spesielt i nærheten av strandlinjen, som er et område av spesiell interesse. 4) Et innledende gjetning eller forhåndssannsynlighet for at et sted er positivt (som en fiskeplass) kan være 1-5% eller mye mindre. Dette er i konflikt med antagelsen til klassifikatorene om at de fleste tilfeller er positive.
Vi leverte geospatiale pakker som omfatter polygoner generert gjennom AI-pipelinen. Disse polygonene representerer både statiske og dynamiske modi. Dette gjelder ikke bare for én art, men for 23 marine fiskearter, over marine områder, inkludert Norge, Danmark, Sverige, Finland, Tyskland og Nederland.
Disse resultatene er basert på innovasjoner innen AI-pipeliner. Vi etablerte AI-pipeliner som kan generere fiskeplasser globalt innen et par dager. Å utføre denne oppgaven manuelt, som tidligere, ville kreve flere års kostbar arbeidskraft. Vi utviklet en AI-pipeline som består av algoritmer for dataforbehandling (sammenslåing, harmonisering og interpolering), generering av funksjoner ved bruk av første- og andreordens partielle derivater, utvinning av romlige mønstre gjennom flerskala konvolveringsoperasjoner ved hjelp av nyskapende konvolusjonskjerneformer som annulus og kile ved ulike romlige skalaer. I tillegg introduserte vi ideen om å tilordne outlier-fraksjonen med subjektivitet, feil og inkonsekvens som oppstår fra den menneskelige annoteringsprosessen for å formulere problemet med positiv-only learning som et én-klasse klassifiseringsproblem.
Ensemble-baserte isolasjonsskoger og histogram-baserte klassifikatorer overgikk andre algoritmer. Vi oppnådde nøyaktighet målt ved ROC-AUC rangeres fra 52% til 79%. Fra de eksperimentelle resultatene på de tre skalaene fant vi at generaliseringskapasitetene lider av grunnleggende utfordringer med generalisering i topografiske data og tilpasningen eller global inkonsekvens av annoteringer.
Disse AI-pipelinene ble utviklet gjennom læring fra mange mislykkede undersøkelser, som imidlertid ga oss en dypere forståelse av egenskapene ved læringsproblemet. Vår tilnærming involverte kategorisering av problemet i grunnleggende læringsparadigmer. Å behandle romlig diskrete piksler som uavhengige prøver tillot oss å bruke tradisjonelle ML-algoritmer for binær klassifisering i tabulære data (1D). Alternativt tillot betraktningen av den romlige avhengigheten til nærliggende piksler bruk av konvolusjonelle nevrale nettverk for end-to-end-funksjonsutvinning og læring for enten semantisk segmentering eller flerobjektsdeteksjon. For å håndtere uregelmessigheten i havgrensene og forhindre utvidelse av manglende data, benyttet vi grafnettverk i stedet for konvolusjonelle nevrale nettverk (CNN), løse utvidelsesproblemet samtidig som vi fortsatt utnyttet romlige korrelasjoner. Stabling av romlige rutenett i tidsdomenet tillot oss å nærme oss problemet som en 3D- eller 4D-læringsoppgave både i rom og tid. Det vi lærte fra disse eksperimentene er at å behandle ikke-annoterte prøver som negative eksempler uten videre førte til 1) vanskeligheter med å konvergere i optimalisering eller 2) tilfeldige forutsigelser.
Vi foreslår å fortsette å utvikle nye algoritmer for å 1) utvikle nyskapende én-klasse algoritmer for å avslappe antagelsen om at flertallet er positivt, det vil si å adressere konflikten mellom trenings- og testdata: mest positivt i treningsdataene i motsetning til mest negativt i testdataene. 2) løse generaliseringsproblemet til ML-modeller i topografiske data. 3) skape algoritmer for å generere representativ negative eksempler som gjør det mulig å bygge kraftigere modell.

Recreational fishing (RF) involves at least 226 million participants worldwide, it generates an annual economic value of 5.9 billion euros in EU and 29 billion euros in the US. Until recent years, studies show that RF has nearly invisibly contributed to approximately 12% of global fishing removal; and it has caused 27% to declining in stock of two endangered species. We have identified 5 main barriers in achieving sustainability in RF:
- No or limited real-world georeferenced and time-tagged catch data. 
- No or limited tools for monitoring and control RF activities.
- No or limited communication channels.
- Limited knowledge about where to fish.
- Post-reactive, not predictive or proactive.
The FiskHer App could be an good tool in tackling the 5 barriers towards sustainable RF.
We develop a new digital service – FiskHer.ai – leveraging state-of-the-art data science and machine learning technologies for promoting and facilitating of sustainable marine recreational fishing. The idea is to discover scalable machine learned models that accurately predict most probable RF spots with high spatial and temporal resolution in Norway and worldwide. We achieve this via synergized transformation of the domain expertise earned in field owned by FiskHer AS to machine learned models, which are incrementally learned continuously lifelong with user contributed new data. The expected results of the project are a new integrated large dataset with validated labels, new underwater 360 degree video and hyperspectral imaging data for a few fishing spots, software for data integration and automated machine learning, scalable machine learned models for accurate and spatio-temporal resolved predictions. This innovation is most important to us because:
1. it allows us to go from static to dynamic areas.
2. It gives us a wonderful tool that will save us years of manual registration.
It will thus be cost-effective and innovative for us, and enable us to deliver many years ahead of schedule.

AI4FISH - AI for sustainability in marine recreational fishing participation:  
Scalable spatio-temporally resolved ML models

Prosjektet utviklet, testet og initiere kommersialiseringen av en IKT-løsning som inkluderer:

- sensorer som inngår i UpTech-smarthomeløsningen (italiensk partner Automa S.r.l.);
- sensorer og funksjoner som inngår i DomoCare-løsningen (sveitsisk partner DomoSafety S.A.);
- innsamling av longitudinal sensordata;
- algortimer for behandling og tolkning av sensordata;
- kunnskapsweb om demensinformasjon til pårørende;
- app for pårørendevarsling og presentasjon av sensordata.

Formålet var ved hjelp av sensordata å oppdage og skille mellom vanlige og avvikende dagliglivets aktiviteter hos brukeren (person med hukommelsesproblemer eller demens). Avvikende aktiviteter genererer en varsel eller en alarm til pårørende eller tjenesteytere slik at de kan å intervenere. Karde hadde en viktig rolle i utforming av appen samt programmering av den i samarbeid med Kardes underleverandør i prosjektet Ulster University.
Informasjonen om avvik kan også brukes for å utforme kognitive øvelser eller trivselsfremmede aktiviteter for primærbrukere, noe som ble gjort eksperimentelt i prosjektet. Vaksdal kommune i Norge var Kardes utprøvingspartner i prosjektet.

The project will develop, test and bring to the market an innovative ICT solution, the so-called Home4Dem solution, which will include:
- all the sensors already used by the Up-Tech solution;
- all the functions already available in the DomoCare solution;
- additional sensors, such as the emergency button, new automatic lights, humidity and temperature alerts, anti-theft alarms, sensing vibration and other functionalities like rinsing water developed at the iHomeLab. Their purpose is to help in detecting and to differentiate activities of daily living. The platform is targeted to be open and adaptable. The platform is developed in a way that those sensors can be exchanged, removed or added and thus it can be adapted for most use cases.

The sensors are optimized for low power usage. It is targeted to run for about two years without the need to exchange the battery. Different designs are evaluated to adapt the needs in carrying or fixing the node. Also the usability of the sensor node is a central goal. It has to be easily mounted and used without or only few and simple actions required by the user.

- A new kinect-based depth-analysis function, which can provide more accurate information regarding activities such as:
-- food intake by the person in the house;
-- adherence to drug prescriptions;
-- current ability of the person to carry out the Activities of Daily Living (ADL) and the Instrumental ADL (see the promising work by Mulin and colleagues );
-- falls or other home accidents.

-A prevention-oriented smart behavior analysis algorithm which will interact with the users of the ICT solution, providing real-time feedback regarding ongoing risk and/or other relevant events in the home (medicine reminder, lifestyle recommendation - e.g. reminder in case of low physical activity etc.).

HOME-based ICT solutions FOR the independent living of people with DEMentia and their caregivers

Når partikkelfysikere i dag leter etter universets byggestener, for eksempel den gåtefulle mørke materien som holder galaksene sammen, står de overfor alvorlige flaskehalser i form av tunge numeriske beregninger. For å teste realistiske nye fysikkmodeller mot den mengden av data som eksisterer i dag fra alt fra astrofysiske observasjoner til eksperimenter ved Large Hadron Collider, må de store parameterrommene til modellene utforskes i detalj. Dette betyr gjentatte presise numeriske evalueringer av teoretiske prediksjoner for modellen for ulike parameterverdier. Det kan være nødvendig med millioner til milliarder av slike reevalueringer totalt for en enkelt modell, avhengig av antall parametere i modellen. Hver av disse prediksjonene er beregningsmessig svært kostbare, og det er i dag umulig å gjøre nøyaktige tester på alt untatt de aller enkleste modellene, selv ved bruk av superdatamaskiner.

Dette prosjektet har som mål å fjerne slike beregningsmessige flaskehalser gjennom et tverrfaglig samarbeid mellom partikkelfysikere og statistikere. For å nå målet vil prosjektet følge en rekke forskjellige forskningsstrategier: det vil skape moderne maskinlæringsverktøy for å utføre presisjonsberegninger i kvantefeltteori, samt evaluere deres usikkerhet, og det vil utvikle et programvarerammeverk for å bruke disse i høyenergifysikk. For å redusere antallet reevalueringer som trengs for å utforske nye fysikkmodeller, vil prosjektet utvikle sofistikerte nye statistiske teknikker for å pålitelig kunne påvise de best tilpassede parameterregionene i modellene, og kunne gjøre modellsammenligninger mulig innenfor dagens begrensninger i beregningskapasitet. Til slutt vil prosjektet bruke disse resultatene til å utforske fem forskjellige nye fysikkmodeller som er spesielt interessante som løsninger på noen av de store problemene i høyenergifysikk i dag, for eksempel hva mørk materie er for noe.

When exploring the smallest fundamental constituents of the Universe physicists are faced with very serious calculational bottlenecks. To compare new physics models to data, for example from the Large Hadron Collider or astrophysical observations, we need to perform very computationally expensive calculations in quantum field theory (QFT); expensive due to the increasing complexity of higher-order quantum corrections. These are today too slow to perform at the necessary precision except for the simplest models. At the same time, the interpretation of the models given the available data, the best-fit regions of their parameter spaces, and the comparison of different models with each other through their goodness-of-fit, is made computationally intractable due to the size of the parameter spaces of the models and the complexity of the likelihood evaluation for each model.

The solution to these inherent problems can not be found in physics alone. This project builds on an interdisciplinary collaboration between physicists and statisticians focused on statistical learning and inference problems in high-energy physics. The project will develop machine learning based regression techniques to speed up QFT calculations with a proper probabilistic interpretation of uncertainties from higher-order contributions, it will develop a continual learning framework for faster emulation of the likelihood for model parameters, and it will investigate new improved statistical approaches to the problems of best-fit and goodness-of-fit using these emulations.

Finally, the project will investigate a number of promising new physics models that can answer questions such as: What is dark matter? Are the properties of the Higgs boson indicating that the Universe is fundamentally unstable? Why is there more matter than anti-matter in the Universe?  If funded, this project will increase the reach of large and costly experiments in answering these questions for a relatively small extra cost.

Developing solvents for unclogging the calculational bottleneck in high-energy physics

ndelen ikke-regulerbar kraft øker i Europa, og fram mot 2050 skal hele den Europeiske elektrisitetsforsyningen være fornybar.  Norsk vannkraft har stor lagringskapasitet i ekisterende magasin som kan brukes til storskala balansering og energilagring i samvirke med kraftnettet på kontinentet og i Storbritannia. Dette prosjektet skal undersøke om norsk vannkraft kan spille en vesentlig rolle i kampen mot klimaendringer.

Dette skal gjøres gjennom å analysere virkninger på CO2-utslipp i Europa, strømpriser i Norge og Europa, samt miljøforhold i norske magasin og vassdrag som følge av ulike scenarier for utvikling av kraftsystemet og mellomlandsforbindelser i 2030 og 2050.

Prosjektet skal bruke moderne modellverktøy til konsistente analyser av energisystem, markeder og drift av kraftverk og reguleringsanlegg. Resultater skal kommuniseres bredt til vannkraftbransjen, myndigheter og allmennheten.

Forskningspartnere i prosjektet er SINTEF Energi, NTNU, Fraunhofer Institute fra Tyskland og University of Trento fra Italia. Prosjektet finansieres av Norges Forskningsråd, Agder Energi, BKK, EnergiNorge, Hydro Energi, Lyse Produksjon og Sira-Kvina kraftselskap.

European countries are decarbonising their energy systems to meet climate targets. To achieve this, large amounts of wind and solar power generation are replacing fossil sources, drastically increasing the share of unregulated power production. Consequently, the need for storage and flexibility increases. 

Improved knowledge on how hydropower can be used to balance variable renewable energy sources (VRE) are needed. Based on the results from the HydroBalance project and power system scenarios from openENTRANCE, HydroConnect will evaluate the effects of the Norwegian hydropower system providing balancing services to the European power system at short (2030) and long (2050) time horizons with different scenarios of power system development. The project will analyse the effects of using Norwegian hydropower for large-scale balancing for continental Europe and the UK, answering important research questions:

1.	How can Norwegian hydropower contribute to the decarbonisation of the European power system?
2.	What are the consequences on the Norwegian power system of delivering balancing services to Europe?
3.	What are the implications of participating in several markets on operations and income of hydropower plants?
4.	What will be the impacts of future hydropower operations on environmental conditions in reservoirs?

An important novelty of HydroConnect is the interdisciplinary approach, allowing for consistent analyses of weather, load, generation, operation of hydropower plants and reservoirs, hydrodynamic processes and environmental conditions in reservoirs. Through linking several models, the analyses will stretch from a European level down to specific catchments and single reservoirs in the hydro system. The project will provide novel insights to economic and environmental impacts of hydropower operations in Norwegian reservoirs by using state-of-the-art models in scenario analyses of economic consequences, CO2-emissions and for environmental impacts in reservoirs.

HydroConnect - Impacts of connecting Norwegian hydropower to continental Europe and the UK

Climate change will have impacts on electricity markets, both on demand and supply. In Norway, important likely impacts are that the supply of hydropower and wind power will be boosted by weather changes, while warmer winters will dampen heating demand. H owever, in other European countries, the climate change impacts in this sector will be different. The focus of this research is how the impacts for Norway and other Nordic countries thereby depend on electricity market integration and climate policies dom estically and in Europe. With emphasis on Norway and less on other European countries, CELECT analyses the effects of climate change on demand for and supply of electricity in Europe. The analysed effects are allowed to interact in market models under alt ernative assumptions about regulatory and other developments in the energy and electricity markets, and in terms of policies addressing climate change. The analysis emphasizes welfare effects, but includes issues such as including the identification of wi nners and losers. An important part of this research is to analyse policy options for Norway. The value of Norwegian renewable energy resources to its owners likely depends crucially not only on climate change but on energy and climate change policies dom estically and in the rest of Europe.

Climate change impacts in the Electricity Sector

CFEED produserer hoppekrepsegg for den marine oppdrettsnæringen. Industriell hoppekrepsproduksjon er en forretningsidé som fortsatt er i tidlig fase, og CFEED er i dag det eneste operative selskapet som produserer hoppekreps til den globale akvakulturnæringen. Selektiv avl er et kraftfullt verktøy som kan brukes til å forbedre ønskede egenskaper hos husdyr. Hos hoppekreps er fekunditet (fruktbarhet) en høyst arvelig egenskap hvilket gjør at selektiv avl synes som en lovende fremgangsmåte for å permanent øke produktiviteten av hoppekrepegg i en populasjon. I prosjektet "Selektiv avl av hoppekreps – SELCOP" skal vi, for første gang, initiere et avlsprogram for hoppekrepsen Acartia tonsa hvor målet er å øke eggproduksjonsrater i CFEED's nåværende, kommersielle populasjon. Dette vil bidra til å redusere arbeidskostnader og øke produktivitet og lønnsomhet for selskapet.

Produksjon av hoppekreps består i dag hovedsakelig av manuelt arbeid. Automasjon av manuelle operasjoner vil muliggjøre rask oppskalering av produksjonskapasitet og forretningsutvidelse, men dette vil kreve utvikling av unik teknologi og kontrollsystemer. I SELCOP skal vi designe, bygge og implementere autonome hoppekreps-produksjonsenheter i CFEED's fabrikk. Disse tankene vil bli brukt til å måle de genetiske fremskrittene som kommer frem av avlsarbeidet i semikommersiell skala. SELCOPs innovasjoner vil tilrettelegge for bærekraftig vekst i selskapet gjennom økt konkurransekraft og unik teknologi.

I prosjektets tidligfase ble det utviklet en avlsplan som hensyntok kvantitativ genetikkteori spesifikt for A. tonsa, og basert på denne ble det bygget infrastruktur til å gjennomføre avlsforsøkene. Parallelt ble arbeidet med de produksjonstankene påbegynt for å sikre at disse var ferdigstilte og grundig testet i god tid før forsøkene med den nye fremavlede stammen hoppekreps skal gjennomføres senere i prosjektet.

Prosjektet har lyktes med å gjennomføre fem runder med selektiv avl på Acartia tonsa. En forutsetning for å ha lyktes med dette er den egenutviklede teknologien som har blitt utviklet i prosjektet og brukt i dette avlsarbeidet. Det har lyktes med å øke gjennomsnittlig eggproduksjon per hunn (fekunditet) betraktelig med selektiv avl, og målet som ble satt i prosjektbeskrivelsen ble nådd med selekterte individer. Nå gjenstår det å se om denne effekten avl har på fekunditet lar seg bevare når den selekterte linjen skal skaleres opp og benyttes i de semi-kommersielle produksjonsforsøkene hos CFEED. Det jobbes nå med å skalere opp kulturene i CFEEDs produksjonsanlegg. De autonome produksjonskarene som skal benyttes i forsøkene er klare til bruk, men det gjenstår fortsatt noe instrumentering som er pågående arbeid.

CFEED produces copepod eggs for the marine larviculture industry. An increase of per capita egg production would immediately result in increased income and company value. Selective breeding is a powerful tool to increase the performance of a population for desirable traits, and fecundity is a highly heritable trait in copepods which makes selective breeding a promising approach to permanently increase egg production in a population. By establishing a new line of highly fecund copepods through a selective breeding program, both egg production yields and resource utilization rates can be significantly improved. Such an innovation will facilitate economically sustainable company growth, enable higher turnovers and enable more competitive pricing. SELCOP will, for the first time, initiate a selective breeding program for Acartia tonsa to improve egg production rates for the current, commercial copepod population. We will develop and make use of advanced image analysis methodologies, using tailored optics and machine learning to achieve high accuracy monitoring of egg production rates in the breeding experiments. Our commercial production trials will test the improved strain to assess genetic gains in a realistic production environment. The overarching aim of the project is to bring forth an improved line of copepods with higher egg production rates and implement these in the daily operation at CFEEDs factory to increase resource utilization using autonomous production tanks innovated in SELCOP. This would reduce labour costs and increase stability and predictability in the production. The innovations will facilitate sustainable company growth in terms of increased production volumes and economic competitiveness, and unique, patentable technology which in turn will enable higher turnovers and more competitive pricing. With SELCOP, CFEED will take key steps towards manifesting the company's share in the global aquaculture markets for marine fish and shrimp species.

Selective Breeding of Copepods

Det framtidige europeiske kraftsystemet vil være tettere integrert og vil omfatte en større andel av uregulerbar fornybar produksjon enn i dag. Denne utviklingen blir drevet av bl.a. et sterkere utbygd nett, miljømål satt av EU og beslutninger om ned¬bygging av kjernekraft. Tettere markedskobling og mer uregulerbar produksjon vil kreve effektive balansetjenester, og muligens utvikling av nye produkter for håndtering av behovet for balansering i kraftsystemet.

Den iboende fleksibiliteten i vannkraften gir muligheter for effektiv balansering av uregulerbar produksjon. Ved utnyttelse av denne fleksibiliteten kan vannkraftprodusenter optimalisere fordeling av produsert energi og tilgjengelig kapasitet på de forskjellige markeder for kraft. Således kan verdien av fleksibel vannkraft økes ved deltagelse i flere markeder. Viktigheten av de forskjellige typer produkter i markedet kan endre seg betydelig i forhold til dagens situasjon Norden. I dag er spotmarkedet med én dags horisont det viktigste markedet for produsenter. Men vannkraftens fleksibilitet gir muligheter for aktiv deltagelse også i balansemarkeder. I Sentral-Europa er vannkraftens inntekter fra balansemarkeder betydelig høyere enn i det nordiske markedet i dag.

Prosjektet omhandler integrasjon av balansemarkeder i metoder for produksjonsplanlegging på lang- og mellomlang sikt. En viktig forskningsutfordring har vært å utvikle metodikk og datamodeller for å vurdere produsentenes inntektspotensial og den forventede marginale verdien av vann (vannverdi) for vannkraftsystem som selger både energi og balansetjenester. Vår forskning har omfattet mange balansemarkedsprodukter, f.eks. trege og hurtige reserver, balanseenergi og inertia. Hovedfokus har vært på salg av reservekapasitet, da det å gjøre produksjonskapasitet tilgjengelig som reserve er et alternativ til energiproduksjon, og kan dermed påvirke vannverdiene i vesentlig grad. 

Betydningen av å inkludere balansemarkeder i vannkraftplanleggingen har blitt analysert ved gjennom¬gang av eksisterende tilnærminger til problemet, demonstrasjon av konsepter ved konstruksjon av enkle konseptuelle modeller, og utvidelse av aktuell metodikk for produk¬sjonsplanlegging som brukes i dag. Vi har utvidet eksisterende og mye anvendt metodikk som stokastisk dynamisk programmering (SDP) og stokastisk dual dynamisk programmering (SDDP) til å omfatte salg av reservekapasitet. Utvidelsene har blitt implementert i form av forskningsprototype datamodeller og testet på reelle data, og er dokumentert i vitenskapelige artikler. Realistisk behandling av reservekapasitet vil normalt kreve mer presis representasjon av tekniske detaljer enn det som er mulig i modeller basert på lineærprogrammering. Eksempelvis vil representasjon av ikke-konvekse PQ-kurver og eksakt start-stopp av generatorer være viktig ved vurdering av reserver for nedregulering. For å kunne håndtere denne typen ikke-konveksiteter i planleggingsmodellene, har det blitt eksperimentert med en ny metodikk omtalt som stokastisk dual dynamisk heltall programmering (SDDiP). Prosjektet har i sum bidratt til utviklingen av en verktøykasse med metodikk og forskningsprototyper for vannkraftplanlegging som er godt egnet for å håndtere balansemarkeder i produksjonsplanlegging for vannkraft.

Vi tror at kompetansen som er bygget i dette prosjektet, sammen med den metodiske verktøykassen, vil utgjøre viktige bidrag for å tilpasse den operasjonelle vannkraftplanleggingen til fremtidens kraftmarkeder.

The future European electricity system will be more integrated and will include a larger share of renewable intermittent generation than what is the case today. This development is e.g. driven by environmental targets set by the European Union and decisio ns on downscaling of nuclear generation capacity. Tighter market couplings and increased contributions from intermittent generation will call for efficient balancing services, and possibly the development of new products to handle system balancing. 

The  flexibility of hydropower allows for efficient balancing of intermittent production. By fully utilizing this flexibility, hydropower producers can optimize the use and allocation of available capacity in the different electricity markets. Thus, the value  of flexible hydropower generation can be enhanced by participating in multiple markets. An increasing share of the income from hydropower production is likely to come from other markets than the day-ahead market.

This project aims at identifying how the  increasing importance of balancing markets influences the hydropower scheduling process and the tools that are used in the planning process. This goal will be achieved by defining how the hydropower strategy should be computed and interpreted taking into  account balancing markets. The focus of the project is the effect on seasonal and long-term hydropower scheduling, but in order to do this the whole planning process must be considered.

We define the following major research tasks: 

1) Review existing m ethods and tools.
There is a need to develop general knowledge about integrated markets and how to model their co-existence.
2) Investigate the principles of integrated markets.
Based on the findings in 1), simple models will be developed to illustrate an d investigate basic principles.
3) Establish stochastic parametric models for balancing markets.
4) Integrate balancing market models in seasonal or long-term hydropower scheduling models.

Integrating Balancing Markets in Hydropower Scheduling Methods

Integrasjon av balansemarkeder ved produksjonsplanlegging for vannkraft

In the past decades, language models have increasingly moved from manually constructed, deductive rule based systems towards systems based on statistics and machine learning of authentic data. The construction of such language models presupposes very larg e amounts of suitable, annotated language data for every language in question. Current approaches are often generally called "corpus-based" due to their reliance on text or speech corpora, but other, derived language resources such as lexicons, wordnets,  termbanks etc. play an important role as well. Even newer approaches are aimed at building hybrid models that include both rule-based and data-based knowledge sources, e.g. weighted finite-state transducers.
CLARA has interdisciplinary relevance. The proj ect is primarily situated in the humanities, because the use of language sources, which are increasingly digitized, is pervasive in all humanities disciplines. CLARA will also have relevance for psychological and social science approaches to language incl uding the study of mental language processes and social dynamics of language groups. The project is also relevant beyond the Humanities and Social Sciences, since the traditional language sciences must be complemented by relevant knowledge from informatio n theory, statistics, computer science, cognitive science and artificial intelligence, to name just a few. Thus, the next generation of language researchers will need a new combination of training components which most universities and research institutio ns cannot offer by themselves.
The technological applications of CLARA are intersectoral. Language models have, for instance, a huge potential in the educational sector, which currently faces the gap between advanced research in Intelligent Computer-Assis ted Language Learning (ICALL) and the actual needs and practice of current Foreign Language Teaching (FLT). In the IT sector, localization, search engines and information retrieval constitute huge application area

Common Language Resources and their Applications (CLARA)

Den ytre delen av tårefilmen består av et lag med fettstoffer. Dette laget beskytter øyet fra omverdenen, forsinker fordampning av den underliggende tårefilmen og forhindrer dermed uttørking av øyets overflate. Tårefilmen består av tusenvis av proteiner, fettstoffer og metabolitter. De siste årene har teknologiske fremskritt gjort det mulig å analysere alle disse komponentene. 

Tørre øyne er en sykdom med flere bakenforliggende årsaker med det fellestrekk at de alle fører til en ustabil tårefilm. Dette prosjektet tar sikte på å tilrettelegge for et individualisert behandlingsregime for tørre øyne ved hjelp av kunstig intelligens. For å oppnå dette har vi planlagt fire underprosjekter:
1.	Beregne prevalensen av grå og grønn stær, aldersbetinget makula degenerasjon og andre vanlige øyesykdommer hos pasienter med tørre øyne. Alle data er nå samlet inn og under analyse.  
2.	Optimalisere behandlingsregimene for de forskjellige undergrupper av tørre øyne ved hjelp av kunstig intelligens. Her er det nå samlet inn data fra 1000 individuelle pasienter, mange av disse med mange oppfølgingstimer. Analyse er nå underveis. 
3.	Undersøke hvorvidt lysbehandling med Valeda (brukt for aldersbetinget makula degenerasjon) kan ha en terapeutisk effekt også for tørre øyne. Dette prosjektet startes opp høsten 2024. 
4.	Optimalisere behandlingsparameterne knyttet til lysbehandling, en ny og lovende behandling for tørre øyne, ved hjelp av kunstig intelligens for å bedre subjektive og objektive resultater. Her er det samlet inn store mengder data fra et stort antall pasienter med varierende antall behandlinger med varierende behandlingsintervaller. Analyser er nå underveis. 

Alle pasienter vil gjennomgå en grundig tørre øyne undersøkelse. Det tas biokjemiske prøver til analyse både før og etter gjennomført behandling med mål om å avklare, ikke bare de subjektive og objektive resultater, men også de biokjemiske effektene av diverse behandlingsregimer. Da dette genererer enorme mengder datamateriale vil vi bruke kunstig intelligens til å analysere dataene på en helt objektiv måte. Videre vil vi utvikle modeller som kan avdekke nye sammenhenger mellom diagnostikk og ulike behandlingsformer, inkludert lysbehandling, for tørre øyne med mål om å oppnå bedre behandlingsrespons.

The lipid layer of the human tear film functions as a hydrophobic barrier protecting the eye from external agents and prevents evaporation of the aqueous layer and, hence, corneal desiccation. The tear film consists of thousands of proteins, lipids and metabolites. Over the recent years, advances in analytical equipment has helped identify more than 600 lipid species from 17 lipid classes in human meibum and tear film. Dry eye disease (DED) is a multifactorial disease whose core hallmark is the disruption of tear film homeostasis.
The present proposal aims to contribute to the search for more personalised and lasting treatment regimens for DED through machine learning methods. To this end, the following projects are planned:
1. We aim to calculate the prevalence of DED among patients with glaucoma, age-related macular degeneration, cataract and other common eye diseases. 
2. Determine the ideal treatment regimen concerning subgroups and various stages of DED through machine learning. 
3. Determine whether photobiomodulation through Valeda might have a therapeutic effect on DED. 
4. Optimize IPL treatment parameters by means of machine learning to improve subjective and objective clinical findings resulting in a less inflammatory tear film.
All patients will undergo a thorough dry eye examination as well as proteomic and lipidomic analysis prior to- and after treatment with the goal of determining the subjective, clinical and biochemical effects of the therapy.
The present project will apply machine learning to analyse a vast dataset in a completely unbiased manner. Furthermore, we will utilize machine learning to discover novel associations between treatment response to subjective and objective parameters as a result of various treatment protocols and photobiomodulation. To our knowledge, machine learning, despite its exponentially increasing medical applications, has never been applied in this setting before, which increases the innovation potential of the project.

Optimization of current treatment regimens of dry eye disease through machine learning

BigInsight har oppnådd imponerende resultater i løpet av de første åtte årene: omfanget av arbeidet, fra utvikling av nye metoder til implementering av resultater med private og offentlige partnere, er ganske unikt i et internasjonalt perspektiv; omfanget av dets aktiviteter, på tvers av ulike anvendte områder og industrisektorer, som omfatter mange ulike vitenskapelige tilnærminger og teknikker, er enestående. Forskningsproduksjonen spenner fra vitenskapelige artikler publisert i de beste tidsskriftene til mange innovasjonsprodukter og tjenester, som allerede er i operativ bruk hos partnerne, eller i nær fremtid. 

BigInsight har en familie av private og offentlige partnere som motiverer, støtter, bidrar og veileder omsettelsen av metoder til innovasjon, en type samarbeid som er ganske unik og verdifull. For eksempel har BigInsight bidratt viktig til en vellykket håndtering av Covid-epidemiene i Norge ved å levere modeller, metoder og resultater til Folkehelseinstituttet (FHI), også en BigInsight-partner. Det er spesielt at arbeidet til BigInsight i årene 2018 og 2019 viste seg å være grunnleggende for den norske Covid-modelleringen. BigInsight FHI-UiO-NR-Telenor-teamet leverte estimater av reproduksjonstall og spådommer for sykehusinnleggelser, basert på mobilitetsdata for mobiltelefoner allerede fra mars 2020. Vi tror dette arbeidet var det første av denne typen over hele verden, og sannsynligvis fortsatt i dag er en ganske unik tilnærming i omfang og betydning. 

På alle sine seks innovasjonsområder (markedsføring, helse, sensor, kraft, svindel og forklaring) er forskningsresultatene til BigInsight svært innovative, ofte basert på en kombinasjon av statistisk metode, maskinlæringstilnærminger og algoritmer, og effektiv implementering. BigInsights siste år (2024) vil være dedikert til høsting av vitenskapelige resultater, som skal publiseres i de beste internasjonale tidsskrifter og konferanser, og innovasjonsresultater, som skal settes i drift som produkter og tjenester.

BIG INSIGHT produces innovative solutions for key corporate challenges facing a consortium of private, public and research partners, by developing and applying original statistical and machine learning methodologies. Fulfilling the promise of the big data revolution, we shall invent deep analytical tools to extract knowledge from complex data and deliver BIG INSIGHT. Integrating data with substantial industrial knowledge, we construct personalised solutions, predict dynamic behaviours and control processes that are at the core of the partners' innovation. This leads to value creation and brings our partners to new leading positions in their global markets. Ten user partner, major Norwegian companies and public agencies operating in different markets, three research partners and their international collaborators, unite in BIG INSIGHT to form a unique and strong research hub which will discover radically new ways to target products, marketing, prices, therapies, equipment monitoring (and more) to individual needs and conditions, providing improved quality, precisions and efficacy.  We shall develop new approaches and tools to make predictions of critical quantities which are unstable and in transition, as customer behaviour, patient health, electricity prices, machinery condition, etc.  This will be possible thanks to the unprecedented availability of large scale measurements and detailed individual information together with new statistical theory, computational methods and algorithms, delivered by a world-class team of scientists. Our partners will harvest results which go directly into their operative pipelines. BIG INSIGHT provides capacity to the Norwegian knowledge-based economy, by training many graduate students and renewed undergraduate studies. BIG INSIGHT is unique in its type, bringing for the first time together different industrial and research traditions, to solve ambitious innovation challenges, with long-lasting advantages for Norway.

BIG INSIGHT - Statistics for the knowledge economy

Marine seismisk data inneholder signaler som representerer bølgeformer reflektert fra undergrunnen. Disse bølgeformene inneholder informasjon om de fysiske egenskapene til undergrunnen, for eksempel hastighetene til den elastiske bølgen som forplanter seg i de geologiske lagene. Ved å bruke informasjonen fra seismiske hastigheter, kan de elastiske bølgene migreres tilbake til sitt opprinnelige refleksjonspunkt i undergrunnen og dermed få et strukturelt bilde av geologien. Seismiske data er derfor essensielle for å forstå den geologiske historien på norsk kontinentalsokkel. Prosessen med å samle inn og prosessere seismisk data, før tolkning av geologien, består av mange prosesseringssteg og er ekstremt beregningskrevende. 

Lundin er en aktiv bidragsyter for å forbedre alle ledd i denne prosessen. I dette prosjektet har kandidaten benyttet seg av gjennombrudd innen dyp læring for å forbedre noen av disse geofysiske prosesseringsapplikasjonene og adressert problemstillinger som oppstår når man skal applisere slik data drevet teknologi på seismisk bølgefelt data. I løpet av prosjektperioden har kandidaten samarbeidet med andre stipendiater, noe som resulterte i medforfatterskap på to artikler som omhandler dyp læring anvendt innen seismisk prosessering, mer spesifikt til støyfjerning.  I hoveddelen av forskningen, hvor kandidaten selv har hatt hovedansvaret, har fokus vært dyp læring for seismisk data rekonstruksjon/interpolasjon hvor forskjellige teknikker fra digital-superoppløsning har blitt studert.  Kandidaten har publiserte to tidsskriftartikler som hovedforfatter, en tredje artikkel hvor kandidaten er andreforfatter er innsendt for evaluering. 

I løpet av prosjektperioden har metodiske elementer blitt presentert på to vitenskapelige konferanser og internt hos Lundin, samt bidratt til en konferanseartikkel. Arbeidet med metodeutviklingen i den nylig innsendte tidsskriftartikkelen, ble utført i samarbeid med en annen stipendiat og kommersiell leverandør, hvor det ble brukt elementer og kunnskap fra de to forrige publiserte artiklene. Den nyutviklete metoden er allerede satt i produksjon hos leverandøren, og resultater fra prosjektet skal presenteres på «The Biennial Geophysical Seminar 2022».  

I løpet av prosjektperioden gjennomførte kandidaten et 2.5 måneds utenlandsopphold ved Heriot-Watt universitetet i Edinburgh, hvor oppholdet ble avbrutt på grunn av Covid-19. Forskningen utført hos Heriot-Watt var rettet mot problemer relatert til det at mange steg i seismiske prosessering avhenger av at dataene er representert på et regulært grid.  Begrensninger i den fysiske innsamlingsprosessen gjør at dataene ikke har den påkrevede regulariteten. Under oppholdet ved Heriot-Watt studerte kandidaten metodikk som brukes for bildeutfylling, og utvidet og formalisert disse teknikkene for å passe til flerdimensjonal seismisk data gitt i et dyp lærings rammeverk.

In oil and gas exploration, artificially generated pressure waves are used to extract important information about the subsurface physical properties as well as the rocks geometrical appearance. In seismic inversion you formulate the forward problem, in order to make synthetic data, and try to fit this data with the observed data (field data). The closer synthetic data resembles field data, the closer we are to estimating the true model parameters. In this study we will investigate how we can use state of the art algorithms from both geoscience and datascience in order to predict a model which is closer to the true model. The proposed doctoral work will focus on combining methods used in geophysical processing and inversion with methods within the field of machine learning. The candidate will conduct research towards the use of numerical methods for optimizing and adapting methods and algorithms within these fields. The motivation and overall goal is to develop machine learning workflows in order to improve the efficiency of seismic processing and inversion processes.
In addition, as high resolution seismic, such as Broadband seismic, has become more and more sought after in the industry, attention will be directed towards research within the use of non-conventional streamer configurations, such as variable depth streamers and special VSP setups, and how they relate to seismic resolution. Case studies on field data will be implemented in this thesis work.

Machine Learning in Geophysical Processing and -Inversion

Energy use inflicts costs on society in terms of negative external effects on the environment (pollution and global warming). In this setting economists often talk of market failure, i.e. that competitive markets that otherwise are considered beneficial t o society do not lead to an efficient allocation of resources (including environmental resources). Standards, taxes, environmental markets, and international agreements are in use in a way that forces decision makers to take due account of the environment al cost that their actions lead to. While the policy effects of standards and taxes has been investigated thoroughly the same is not true for environmental markets and international agreements. 

The idea behind the various environmental markets that have  been established is to create markets for allowing detrimental activities to take place (emission of CO2 for example in the Kyoto agreement).  By adding such markets, competitive market forces may again become beneficial to society as the market failure partly is eliminated.  However, it is not a matter of indifference as to how these markets are designed. In particular, it is important that these markets are designed in such a way that they function competitively and are free from agents exercising mark et power. In this project we will focus on market power when analyzing environmental markets.

Not all international agreements on environmental issues result in markets of this kind. Still such international agreements may have a sizable impact on the en vironment. However, one of the main problems of international agreements is that they are voluntarily, there is no independent entity that may sanction deviating behavior and that participating countries accept and conform to. This does not mean that inte rnational agreements of this kind are completely without effects. Hitherto little research has been done on the effects such voluntary agreements, and we aim to evaluate such international environmental agreemen

Design, implementation and evaluation of environmental policy

This report for the Dynavac Separator project, spearheaded by Dynamic Well Solutions in collaboration with the University of Stavanger, outlines the progress of a waste management system designed to treat offshore drilling mud waste directly on platforms. The project's goal is to enhance environmental sustainability by reducing the need for waste transport to shore, thus minimizing the ecological footprint of offshore drilling while improving operational efficiency and creating high-value jobs. The project spans from April 2024 to October 2025 and is funded by the Research Council of Norway. This report details the activities and outcomes of the DynaSep system project, focusing on the development, validation, and communication of the system. The project involves multiple work packages (H1-H8) led by different groups, each responsible for specific aspects of the research and development process. Until now, we have started 6 work packages, and they are mostly finished. The key achievements and tasks for each work package are as follows:

Plunger System (H1): A prototype design of the plunger system was developed, and a digital twin was created to simulate its operation. The physical system has been manufactured and is ready for experimental testing.

Vacuum Venturi (H2): A digital twin for the vacuum venturi system was developed, and a compact system from Envitec was integrated. The system is awaiting future tests.

Automatic Operation and Control (H3): While initial tests have been conducted with a simple prototype, further work on automation control has been delayed pending component readiness.

Performance Characterization (H4): Different disc types were evaluated for their effectiveness in mud separation. Discs with holes were found to perform better, and prototypes have been manufactured based on these findings.

Reliability Analysis (H5): Using machine learning approaches, specifically active learning, the team conducted structural reliability assessments of the Automatic Tank Cleaning (ATC) unit. The results show that the machine learning method provides a more efficient and accurate assessment than traditional probabilistic methods.

Experiment Validation (H6): Preliminary experiments have been conducted on basic system components like the plunger and vacuum venturi. However, the automatic control features are still under development.

Communication (H7): The project has been presented at international conferences, notably at the International Conference on Ocean Offshore and Arctic Engineering 2024. The presentation covered the Dynavac Separator and its innovative approaches, including the use of machine learning for structural reliability analysis.

Project Management (H8): The overall project is managed by Stian Gundersen, with regular updates and reviews conducted to ensure progress across all work packages.

Looking ahead, the project team plans to complete the remaining tasks, particularly focusing on automation, control, and comprehensive system testing. Five work steps have been planned for testing the DynaSep system under various conditions. A key goal is to fully integrate and test all components under real-world conditions.

In conclusion, the DynaSep project is on track to deliver an advanced, scientifically validated separation system for offshore drilling waste. The use of digital twin technology, coupled with innovative machine learning approaches, positions the Dynavac Separator as a pioneering solution with strong potential for industrial application in offshore waste management. The project has achieved significant milestones, with ongoing efforts to ensure a fully operational system by the end of the project period in 2025.

Dynamic Well Solutions AS designs, develops and manufactures complete and fully integrated well service
equipment for the oil and gas industry. In this project, we are proposing the Dynavac Separator (DynaSep) which is a
novel, fully integrated waste handling system that can allow drilling mud waste to be treated directly on board an offshore rig. This system is a digitalized, sustainable, responsible and cost-efficient waste management solution. DynaSep will process the drilling mud waste on board the rig to a level that is treatable by the rig’s own drilling waste processing units. This is highly beneficial for the environmental footprint, as it eliminates the need to send the drilling mud waste to shore for
treatment. This also entails large cost savings and elimination of weather-dependent and dangerous crane lifting
activities. DynaSep is characterized by a fully integrated automatic system supported by computer and machine learning, and all operations are performed automatically in a seamless fashion. Moreover, the product can be installed on all types of
offshore drilling platforms such as jack ups, semi-submersibles and drill ships.
This project will design, build, demonstrate, quantify the performance and show the robustness of the DynaSep
system using advanced state-of-the art digital twin models in combination with detailed reliability assessments.

Dynavac Separator – A sustainable and responsible system to handle offshore drilling waste

Glioblastoma multiforme er den vanligste ondartede hjernesvulsten. Median overlevelse for pasienter er mindre enn 24 måneder, og det er foreløpig ingen kur. Det er betydelige begrensninger for glioblastomterapi. Spesielt er glioblastomer svært heterogene og unike for hver pasient, og forhindrer "én terapi for alle."
I "Glioma-PerMed"-prosjektet vil vi etablere raske og effektive analyser og maskinlæringsalgoritmer for å forutsi de invasive egenskapene til gliom og oppnå personlig diagnostikk, legemiddeloppdagelse og pasientoppfølging.
Vi vil vurdere invasjonsegenskapene til gliomceller i hjerneorganoider, som er 3D in vitro-systemer av menneskelig hjerne og i sebrafisk-dyremodellen. Vi vil utvikle kvantitative analyser for å måle invasjonen av glioblastomceller og korrelere til deres genomiske og transkriptomiske landskap. Vi vil også screene for legemidler med mål om å identifisere molekyler som raskt kan overføres til GBM-pasienter i klinikkene.

Glioblastoma multiforme (GBM) is the most frequent malignant brain tumor. GBM possesses glioma stem cells (GSCs) that aggressively infiltrate the brain. GBM patients' median survival is <24 months, and there is no cure. There are also significant bottlenecks that currently limit GBM therapeutics: GBMs are highly heterogeneous and unique for each patient, preventing "one therapy for all." , and GSCs are highly diffusive from the tumour and invade the brain rapidly and unpredictably. 
In "Glioma-PerMed", we will establish rapid and efficient glioma invasion assays and machine learning algorithms to predict the GSCs invasion and achieve personalized diagnostics, drug discovery, and patient follow-up.
To this end, it is necessary to develop suitable models that recapitulate the complex human brain environment and translate into clinical application. 3D brain organoids, powerful in vitro systems of human brain tissues and emerging as a 3D substrate to model glioma, will be a centerpiece of this project. Building on our established patient-derived GSCs invasion assay in human brain organoids, we propose a highly interdisciplinary and translational research project, "Glioma-PerMed", to develop personalized glioma invasion assays in human brain organoids and zebrafish. We will quantitatively determine the GSCs invasion behaviors and correlate to their genomic and transcriptomic landscape with unbiased machine learning algorithms to stratify patients. Our "personalized glioma invasion" platform will also offer to screen FDA-approved drug libraries and identify molecules that can readily and quickly be transferred to GBM patients in the clinics. 
By inventing a strategy that can rapidly recapitulate the invasion behaviour of GSCs in individual patients, we will stratify GBM patient groups and identify patient-specific therapeutic molecules that can perturb GSCs invasions in clinical settings. Ultimately, our work will be the first step towards personalized GBM medicine.

Glioma invasion assays as a predictive tool for personalized glioma medicine

This project intend to develop advanced signal processing and information retrieval approaches for tem- 
poral analysis of SAR and POLSAR data, which can result in robust change detection and trend analysis 
algorithms. Within this research area, we will  focus on two important aspects; namely multi-class surface 
cover classication, and the detection and measurement of temporal change. The application areas will be 
related to surveillance of dynamic trends of northern land and ice (also snow covered) sur faces. The research 
is divided into three work packages; WP1: Data acquisition and pre-processing. WP2: Statistical modeling. 
WP3: Feature extraction and machine learning. In WP1 all relevant ground truth and existing SAR data 
will be collected, prepro cessed and organized into time series. Plans for further satellite and ground truth 
data acquisition will be made and carried out. In WP2 physical and statistical modeling of SAR/POLSAR 
data will be further developed. The idea is to extract texture feat ures, which together with features derrived 
from target decompsition methods, will enhance the classi?cation capabilities, and enable improved change 
detection and trend analysis. In WP3 analysis strategies and algorithms rooted in information theoretic  
and statistical learning theory will be developed and adapted to multidimensional SAR data. The team 
comprises national and international experts on processing and analysis of multi-temporal, multidimensional 
SAR remote sensing data, experts in machin e learning and pattern recognotion. in addition to experts from 
the application areas. The latter scientists have signi?cant experience from ?eld work. The overall project 
adminstration will be conducted by the University of Tromsø.

MULTI-TEMPORAL SAR IMAGE ANALYSIS
Robust surface change detection and time series analysis of SAR and POLSAR images

Økende bevissthet om menneskeskapte klimaendringer har ført til en eksponsiell økning i mengden av klimadata fra både observasjoner og modeller de siste tiårene. Dette introduserer nye utfordringer for forskningsmiljøet med tanke på hvordan man effektivt kan analysere og tolke slike store mengder data. Prosjektet COLUMBIA (Constraining the Large Uncertainties in Earth System Model Projections with Big Data Approach) har som mål å adressere dette ved å ta i bruk avanserte statistiske metoder og nye maskinlæringsverktøy for å analysere klimamodellprojeksjoner.
 
Det tverrfaglige teamet, som består av forskere innenfor natur- og beregningsvitenskapen, har blant annet brukt maksinlæringsmetoder til å gi mer nøyaktige estimater av karbonsluk i havet. Forskningen viste at unøyaktigheter i modellenes representasjon av blanding i Nord-Atlanteren og Sørishavet førte til divergens i de simulerte karbonfluksene. Golfstrømmen og den subantarktiske fronten ble identifisert som nøkkelregioner hvor fremtidige observasjoner vil være avgjørende for å forbedre vår forståelse av hvordan havets karbonsluk vil reagere på fremtidige CO2-utslipp.
 
Vi utviklet en ny klyngemetode som kan hjelpe oss å evaluere i hvilken grad klimamodeller er i stand til  å simulere en realistisk ENSO (El Nino Southern Oscillation), den viktigste modusen for global klimavariabilitet. Mange modeller har fortsatt problemer med å reprodusere de observerte klimatiske egenskapene i det tropiske Stillehavet til tross for en markant økning i både kompleksitet og mengden av beregningsressurser som benyttes. Analysen basert på vår metode indikerer at fremtidige klimahendelser knyttet til ENSO, slik som tørke og skogbrann, vil bli hyppigere og øke i styrke.
 
Fortsatt miljøovervåking er avgjørende for å forbedre vår forståelse av klimasystemet og for å bedre kunne forutsi fremtidige endringer. På grunn av de enorme havområdene på jorden og de relativt begrensede forskningsressurser som er tilgjengelig er det umulig å observere alle relevante variabler i havet globalt. Vi bruker derfor maskinlæring sammen med klimamodelldata til å identifisere viktige havregioner der de fysiske og biogeokjemiske egenskapene i stor grad vil bli påvirket av fremtidige klimaendringer: Sørishavet, det tropiske Stillehavet og Nord-Atlanteren. Langsiktige klimaovervåkingsnettverk i disse nøkkelområdene vil kunne gi verdifull kunnskap for å innskrenke mulige fremtidige klimaprojeksjoner.

The increasing volume of climate model data makes the use of traditional analysis tool impractical. This hinders the discovery of new crucial knowledge for society. COLUMBIA initiates a multidisciplinary research activity that will result in a cutting-edge customizable methodology that aims to facilitate rigorous evaluation of large ensemble of Earth system models. 

The innovative assessment tool will be based on combining Machine Learning with robust statistics and multiple process-oriented assessments, and aims to filter 'good' models from the rest and therefore increasing our confidence when synthesizing future climate change projections. The proposed work is well timed as the process for upcoming IPCC-AR6 has just began and the first batch of new Earth system model simulations will become available in early 2018. The proposed integrated evaluation method is at the forefront of international efforts in understanding sources of model uncertainty and producing optimized future climate projections. The project outcome will therefore have a broad international relevance for both climate modeling and observational community. Customizing existing Machine Learning techniques for climate science will also brings new opportunities and values to the computer science community. 

New scientific knowledge gained from the project will provide critical support for the climate science community as well important inputs for the IPCC-AR6. A unique close collaboration between climate modellers and computational scientists exists within Uni Research and the Bjerknes Centre, ensuring seamless collaboration in developing the new method. Ultimately, method developed in COLUMBIA will produce a new generation of optimized climate change projections that will give the best advice to policy makers and help society to find the best adaption strategy for climate change.

Constraining the Large Uncertainties in Earth System Model Projections with a Big Data Approach

AutoCSP vil bidra med vitenskapelige kunnskap og moderne løsninger gjennom problemspesifikke «solvers» som kombinerer datadrevne maskinlæringsmodeller (ML) og logikkdrevne «constraint solvers» i et hybrid intelligent system. Disse løsningene genereres
automatisk fra beskrivelsen av problemet som skal løses (dvs. en begrensningsmodell), og er selvlært for å løse problemer med på en tilfredsstillelende og optimalisert måte, samtidig som riktigheten og tidseffektiviteten opprettholdes. For å nå dette målet undersøker prosjekter
a) hvordan man genererer treningsdata bare fra problembeskrivelsen
b) hvordan man presenterer dataene slik at ML-modellen forstår det
c) hvordan man effektivt kan lære av disse dataene, og
d) hvordan å kombinere alt i ett system.

Prosjektet gjennomføres i samarbeid med Universitetet i Bonn, Tyskland.

The AutoCSP project aims to enable the creation of fast and accurate problem-specific solvers for combinatorial optimization problems with strict constraints that automatically improve themselves. Examples of these problems include machine or job scheduling, timetabling, lot sizing, or vehicle routing. These problems are highly relevant in industrial settings like production planning or delivery scheduling and are embedded in intelligent decision support systems for other problem settings. The state-of-the-art technology to solve these problems are dedicated constraint solvers, which are highly optimized, but still require in-depth expertise to be correctly tuned and deployed. Searching for good or even optimal solutions often is time-consuming due to the enormous number of possible combinations that need to be explored while facing strong restrictions on which combinations form a feasible solution. This limitation is especially true when repeatedly solving the same problem with different input parameters, such as frequent production planning or fleet scheduling tasks. Even though the constraint model remains fixed, the solver does not use earlier solutions to accelerate solving new instances. 

AutoCSP advances the scientific knowledge for solving combinatorial optimization problems through a framework for creating problem-specific solvers as a hybrid intelligent system. This system combines data-driven machine learning (ML) models and logic-driven constraint solvers that verify and improve the ML model’s initial solution candidates. Our hybrid solvers are automatically generated and tuned from a constraint model to solve constraint satisfaction and optimization problems while maintaining exactness and time-efficiency.

AutoCSP: Self-Supervised Neuro-Symbolic Solvers for Constraint Satisfaction

The starting point is the special structure of the market for drugs: The patient is the principal, his or her doctor is the agent that decides on drugs. The doctor may have developed long-lasting relationships to certain producers. Third party financing i s implied by the reimbursements of medical expenses made by the government. The pharmaceutical industry is global, R&D intensive and with relatively few firms participating in the market. The market for pharmaceuticals is therefore a good example of marke ts studied within the field of economics called Industrial Organization, in which limited competition and interactions between firms, markets and consumers agents are essential elements. In recent years an increasing interest among empirical oriented rese archers has been directed towards analysing pharmaceutical markets, Berry et al (1994) and Reiss and Wolak (2005). 

Our project attempts at making a contribution to this empirical oriented research of pharmaceutical markets. In doing so we also attempt t o develop better tools for the government to control the by now rapid increase in drug expenses covered by the government. A novel feature of this project is the access to unique data. Since January 2004 all prescriptions in Norway are observed at an indi vidual level. The observations include information about the diagnosis of the patient, other characteristics of the patient, characteristics of the doctor, pharmacies and producers. 

Our empirical models enable us to calculate to what extent generic prod ucts replace branded products, the market power of firms and how it develops over time, the value to the society at large of the entry of new products, the value of products exiting from the Norwegian market and the fiscal impacts on government budget of different regulatory interventions in the market.

FME-Forskningssentre for miljøvenn

FME Sustainable Transport

Awarded: NOK 0.25 mill.

Summary

Funding scheme:

FME-Forskningssentre for miljøvenn

Funding Sources

Thematic Areas and Topics