2024

2023

2022

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

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

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

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.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle langtidsplanmål

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

2020

2021

Kunnskapsdepartement

Arbeids- og inkluder

Energidepartementet

Nærings- og fiskerid

Diverse

Teknologi

Matematikk og naturvitenskap

Oslo

LTP3 Styrket konkurransekraft og innovasjonsevne

LTP3 Et kunnskapsintensivt næringsliv i hele landet

LTP3 Uttesting og kommersialisering av FoU

LTP3 Høy kvalitet og tilgjengelighet

LTP3 Rettede internasjonaliseringstiltak

LTP3 Hav og kyst

LTP3 Petroleum og mineraler

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

Næringsliv

Portefølje Energi og transport

Portefølje Forskningssystemet

Portefølje Muliggjørende teknologier

Portefølje Innovasjon

Programmer

Frittstående prosjekter

Storbritannia

Innovasjonsprosjekt

Internasjonale utlysninger

Bransjer og næringer

IKT forskningsområde

Politikk- og forvaltningsområder

Digitalisering og bruk av IKT

Petroleum

Anvendt forskning

Internasjonalisering

Artikkel 185 (ny fra 2014)

Utviklingsarbeid

Verifisering, pilotering, demonstrasjon (ny fra 2014)

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

The project aims to develop a high-fidelity MVP of robotic furniture designed to optimize urban living spaces and enhance life quality. This initiative merges advanced robotics and AI with practical design to address space efficiency in densely populated areas.

Key R&D challenges include integrating robotics and AI to create adaptable furniture systems, ensuring safety through rigorous testing and third-party certifications, and applying real-world feedback to refine functionality. The project involves significant technical and regulatory hurdles in engineering consumer-friendly, safe, and responsive furniture.

Starting December 2024, a three-month pilot phase with selected Norwegian businesses will test the product's real-world application and collect operational data. Feedback from end-users will be gathered through qualitative interviews, informing iterative improvements to enhance design and functionality.

This project leverages existing scientific, technical, and business knowledge in innovative ways, aiming to develop a unique product that sets new industry standards. It is characterized as experimental development, pushing technological boundaries in furniture design.

By February 2025, feedback and pilot data will be used to finalize a market-ready product, ensuring it meets user needs for functionality and aesthetics. This initiative represents a pioneering effort to transform urban living, combining experimental development with practical application to create sustainable and adaptable living solutions.

Development of high-fidelity MVP of AI driven robotic furniture to be piloted in realistic environment with pilot clients.

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

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

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

Prosjektet «Wheelchair Activity Monitoring» (WHAM) sikter både på å øke fysisk aktivitet blant rullestolbrukere, og på å bidra til bredere mål om mangfold og inkludering av personer med nedsatt mobilitet, ved å fremme større tilgjengelighet og deltakelse gjennom innovativ teknologi og forskning.

Rullestolbrukere er tre til fem ganger mindre aktive enn den generelle befolkningen, noe som øker risikoen for å utvikle forebyggbare sykdommer. Selv om det finnes retningslinjer for fysisk aktivitet som er tilpasset rullestolbrukere, trenger vi fortsatt effektive måter å implementere disse på samt nøyaktig teknologi for å spore mulige endringer i fysisk aktivitet. WHAM har som mål å bidra til økt fysisk aktivitet blant rullestolbrukere ved å lage digitale verktøy for å monitorere og gi tilbakemelding på rullestolbrukerens aktivitet. WHAM består av tre faser: to år ved University of British Columbia (UBC), som inkluderer et samarbeid med eksperter innen atferdsendrings-intervensjoner for rullestolbrukere; ett år ved Norges teknisk-naturvitenskapelige universitet (NTNU) og et halvt år ved Maastricht Instruments - de to siste fasene er viet til å utvikle de digitale teknologiene. 

WHAMs mål er:
1)	Å teste effekten av et treningsprogram på fysisk aktivitetsnivå og fitness blant rullestolbrukere,
2)	Å utvikle nøyaktige algoritmer for monitorering av fysisk aktivitet blant rullestolbrukere,
3)	Å lage et system som både monitorerer og gir tilbakemelding på fysisk aktivitet blant rullestolbrukere.

Wheelchair users (WCU) are three to five times more inactive than the general population, leading to a high risk of developing preventable secondary conditions. Although physical activity (PA) guidelines have been specifically developed for WCU, we lack systematic approaches to implement them in practice, as well as valid algorithms to monitor PA change in WCU through sensor-based solutions. Accordingly, the overall scientific aim of the WHeelchair Activity Monitoring project (WHAM) is to advance PA research and practice in WCU by developing valid digital markers for monitoring of and providing feedback on PA, paving the way for implementation and intervention. I will accomplish this through combining the complementary research fields of 1) behavioral intervention studies focusing on increasing PA in WCU (core competence University of British Columbia, UBC; outgoing phase) and 2) sensor-based PA monitoring (core competence Norwegian University of Science and Technology, NTNU; returning phase – consolidated by non-academic placement at Maastricht Instruments, which develop research prototypes including PA monitors). WHAM’s scientific aim is achieved through three objectives: 1) Measure the effect of a pragmatic exercise intervention trial on self-reported physical activity levels and cardio-respiratory fitness, 2) Develop valid algorithms for tracking PA markers in WCU, and 3) Co-create
a framework that outlines how PA can be conjointly monitored and provided feedback on in WCU. This fellowship will enable me to become established as an internationally recognized researcher in the field of “physical activity and disability”, while bringing together ongoing national disjointed research activities in this field. Altogether, my overall ambition is to contribute to reducing inequalities in daily-life participation among WCU compared to the rest of the population.

Topfinancing - WHeelchair Activity Monitoring project (WHAM)

From the SEA to the SOLution. An integrative assessment of marine pollution in a changing Arctic

Marine chemical pollution poses known threats to human health and to biodiversity, ecosystem and societal services. The Arctic is a major sink of global mercury (Hg) pollution. Arctic sediments, sea and glacial ice constitute vast Hg reservoirs. Recent studies raise concerns about their increasing role as local Hg sources. In a rapidly warming Arctic, the consequences of potentially increased environmental Hg on marine biota remain unknown. The objective of SEASOL is to identify the pathway(s) of Hg bioaccumulation in marine food webs of the High Arctic Kongsfjorden (Svalbard). This changing glacial fjord is recognised as a ‘natural laboratory’ of climate change in the Arctic. The fellow’s earlier research has shown the sole measurement of Hg levels as insufficient to connect biotic Hg dynamics to environmental change, whereas the analysis of Hg stable isotopes proved to be a promising tool for source discrimination and biotic transfer. SEASOL will build on the novel application of stable isotope analysis to identify the sources of Hg within the fjord system and the pathways to Hg accumulation within sentinel marine species. On the short-term, the study will provide fundamental knowledge to help understand how emerging sources of Hg from rapid environmental change will impact Arctic marine predators. On the long-term, SEASOL will contribute to the development of early-warning, adaptive management strategies, including modelling, for mitigating the cumulative impact of pollutants and climate change on Arctic marine species. This multidisciplinary approach and the central position of the host institution (Norwegian Polar Institute) in the field of Polar Research will equip the Fellow with a broad set of new skills and lay the foundation for building her specific niche as a future leader in marine pollution science.

Reality-Connected Machine Simulation of Heavy Machinery

The RealSim project proposal aims to connect machine simulation to reality in the framework of heavy machinery, which is an interdisciplinary application. The results of this project are expected to optimize machine performance, accurately and reliably predict machine failure, and reduce overall development and operation costs, thus, serving the Europe’s priority of green transformation and the United Nation’s sustainable development goal 9. The RealSim project will close the gaps of: (1) Onboard estimations of force and pressure components of heavy machinery; (2) Estimating deformability, cylinder friction, leakage, and valve dynamics of heavy machinery using independent nonlinear Kalman filters; (3) Employing dependent nonlinear Kalman filters in state estimators of heavy machinery; (4) Tuning algorithms for the covariance matrix of plant noise in the state estimation of heavy machinery. 

I will consolidate and leverage my research career and position as a leading researcher in the field through integration in Assoc. Prof. Mohammad Poursina’s group at the Department of Engineering Sciences of the University of Agder (UiA), Norway. Here, I will acquire hands-on experience of working with actual mechatronic systems and develop efficient control algorithms. I will improve my knowledge of fluid power designing, control theory, instrumentation, and develop efficient coding skills. I will also develop entrepreneurial skills. The skills, knowledge, and international network that I will develop during this fellowship will put me in an excellent position to achieve my long-term goal of becoming a professor with my own independent research group at an esteemed university in EU. This fellowship will help me to prepare a strong ERC Starting Grant application in the future. It will also cater my additional goal of setting-up a research-related start-up in the future.

Information theory is a discipline at the intersection of statistics, engineering and computer science. As the study of information quantities, such as compression or communication capacities, information content or measures of statistical dependency, it is one of the theoretical underpinnings of data science.

Computational problems in information theory are highly non-linear. The goal of this project is to transfer state-of-the-art methods of computational non-linear algebra to information theory, to study the inherent algebraic complexity of information-theoretical problems and to provide tools for solving them in practice. The algebraic point of view has proven to be fruitful in seemingly unrelated areas, as witnessed by a surge of recent work in algebraic statistics, in particular on likelihood geometry. However, maximizing the likelihood function is the same as minimizing relative entropy — a specific information quantity. Hence, this project also aims at generalizing the techniques developed in likelihood geometry.

One focus is on the practical computation of information quantities using numerical and differential algebraic geometry. Such quantities are defined via non-linear optimization problems and we aim to pinpoint the algebraic complexity of these problems in instances of general interest, such as common information measures. The final objective is finding fundamental laws and limits of data science imposed by non-linear inequalities constraining the entropic region. These inequalities provide, by duality, universal bounds for many of the optimization problems studied in information theory.

Algebraic Theory of Information Quantities

Tenk på universet som en enorm ballong som alltid utvider seg. Jo lenger unna et punkt er på ballongen, jo raskere beveger det seg bort fra deg. Dette ligner på hvordan universet utvider seg, jo lenger unna en galakse er, jo raskere beveger den seg bort fra oss på jorden.

I mange år trodde forskerne at universets ekspansjon ble bremset. Begrunnelsen deres var at gravitasjonskraften fra all materie i universet virket mot denne utvidelsen. Imidlertid gjorde kosmologer i 1998 en overraskende oppdagelse gjennom studiet av fjerne supernovaer: utvidelsen av universet akselererer faktisk!

Dette betyr at avstanden mellom galaksene blir større og større i stadig økende hastighet. Det er som om ballongen blåses opp raskere og raskere.

Forskere vet ikke nøyaktig hva som får universet til å akselerere. De kaller den ukjente kraften som får dette til å skje "mørk energi". Mørk energi er overalt i universet, men den mørke energien vekselvirker ikke med materie i de formene som vi kan observere direkte.

NEVO-prosjektet er et nytt forsøk på å forstå egenskapene til mørk energi. NEVO vil bruke kraftige datamaskiner for å simulere universet og studere effekten av kandidater til den mørke energien på en måte som aldri har vært gjort før. Ved å studere disse simuleringene og utnytte høypresisjons-observasjonene fra Euclid-teleskopet som nylig er skutt opp i rommet, vil kosmologene være i stand til å bedre betydelig vår forståelse av den mørke energiens gåtefulle natur.

The Universe has entered an accelerating expansion phase in the last few billion years of its evolution, a phenomenon that is caused by the mysterious entity known as dark energy. Through the NEVO proposal, I aim to provide key insights about the properties of dark energy, which includes its time evolution and spatial distribution in the Universe. This objective will be achieved by utilizing cutting-edge cosmological N-body simulations and novel techniques to study cosmic EVOlution accurately.

A comprehensive understanding of the nature of dark energy requires a thorough investigation of viable candidates and their impact on different stages of the Universe. However, the consistent and accurate modeling of dark energy candidates has been largely neglected so far. To address this gap, I propose the development of a novel, integrated framework that utilizes state-of-the-art relativistic N-body simulations along with the hi_class code, to accurately model dark energy candidates in both linear and non-linear scales.

NEVO: illuminating the dark cosmos

Global natur- og miljøforvaltning er en av vår tids mest sentralt og vanskellige mål. Mange av utfordringene skyldes motsetningene mellom vår fragmenterte politiske verden og økosystemer som ikke forholder seg til landegrenser eller politiske skillelinjer.
Ulike biologiske samfunn (biomer) som ligger i én stat, kan ikke løsrives fra et større økosystem. Derfor er flere «lokale» naturområder blitt del av den globale miljøforvaltningen.
Prosjektet RESOLVING skal se på politiske løsninger for en naturforvaltning som både er:
(i) lokal: som del av en stats territorium og hjem til ulike befolkningsgrupper
(ii) global: som kritiske deler av planetens økosystem
Hva betyr denne forvaltningen på flere nivåer for staters suverenitet?
Vi vet allerede mye om utfordringene nasjonalt oppdelt myndighet utgjør for effektiv forvaltning av jordens økosystemer. Vi vet derimot langt mindre om hvordan forsøkene på å styre jordens komplekse og grenseløse økosystemer faktisk kan endre selve systemet som forsinker den globale forvaltningen: statlig suverenitet.
RESOLVING vil prøve å forstå denne dynamikken ved å undersøke gruppene som faktisk utøver internasjonal naturforvaltning på vegne av eller parallelt med statene. Prosjektet vil her se nærmere på styringen av to områder som er viktige for hele verden: Amazonas-regnskogen og Guineabukta.
RESOLVING undersøker hvordan tiltak for å ta vare på disse områdene – laget på både internasjonalt, nasjonalt og lokalt nivå – fungerer sammen. Hvilke aktører får mer makt? Hvem blir inkludert i beslutningsprosessene og hvem blir utelatt?

The RESOLVING project asks: How does global governance of nature transform the exercise of sovereign power? Scientific evidence of the environment as a complex system of planetary dimensions has elevated several natural resources as objects of global governance. Primary forests and maritime biomes particularly capture global attention because of their systemic relevance for our planetary ecosystem. Still, international politics operates within a framework locating authority over nature indivisibly into territorially discrete and independent states. This project investigates the implications for sovereignty stemming from the construction of nature as a global governance object. We build on existing conceptualizations of sovereignty as a combination of de jure sovereign authority and bundles of de facto sovereign competence. In the case of nature, while permanent sovereignty over natural resources is an immutable property of state authority, a wider range of actors can be involved in defining the ways in which these resources are governed or even in governing them. RESOLVING will focus on two parcels of local nature especially entangled in global governance: the Amazon rainforest and the Gulf of Guinea. The project will investigate how networks of actors work across levels of governance to produce sovereign competence and exert sovereign power over nature in these regions. Sovereign power is the capacity to achieve de facto sovereign competence, here identified as the capacity to define and implement the rules of human–nature interaction. We look at multilevel governance from three angles: the global, the state, and the local. The comparative analysis of those networks across levels, regions, and regimes complexes will allow for identifying the mechanisms driving the rebundling of sovereign power with or away from the state, and a better understanding of the consequences of that process.

Rebundling sovereignty over local nature in global governance

Tørkeperioder kan gjøre bakken hardere og frastøte seg vann, dette fører til økt fare for flom og jorderosjon hvis det skulle komme styrtregn. Sammenfallende hendelser hvor en tørkeperiode ender i styrtregn kan derfor forårsake større skader på infrastruktur og avlinger enn enkelthendelser med kun tørke eller styrtregn. Global oppvarming har forårsaket at både tørkeperioder og styrtregn intensiveres og skjer oftere, som også kan føre til at sammenfallende hendelser med tørke etterfulgt av styrtregn også kan intensiveres og skje oftere. 
Selv om det er funnet en økning i tørkeperioder og ekstremnedbør med global oppvarming også i klimamodellene, er det også en stor spredning mellom modellene på hvor mye og i hvilke områder som opplever mer tørke og nedbør. Prosjektet vil undersøke faktiske historiske hendelser hvor tørkeperioder endte i styrtregn i værobservasjoner og værmodelldata for å finne passende indekser som kan brukes til å analysere hvordan de forekommer i klimamodellene. Modeller på finere skala gjør en bedre jobb med å modellere nedbør, prosjektet vil derfor bruke finskala høytoppløselige klimamodeller og globale klimamodeller for å se hvordan tørkeperioder avsluttet med styrtregn forekommer i disse. De modellene som gjør det godt opp mot observasjoner vil bli identifisert.  Videre vil prosjektet studere endringene i hyppighet og intensitet av sammenfallende hendelser med tørke og styrtregn med global oppvarming.
En av grunnene man vet til hvorfor det er stor usikkerhet knyttet til hvordan klimamodellene gjenskaper nedbørsmønstre er hvordan fordamping varierer over skog- og andre arealer. I prosjektet vil vi se på effekten av avskoging og økt skogbruk i globale modeller, og gjøre egne beregninger over mindre areal på finskala for å for å se hvordan fordamping blir påvirket. Resultatene av prosjektet er viktig får å unngå eller minimere skadene slike sammenfallende med tørke etterfulgt av styrtregn kan forårsake.

Global warming intensifies drought and extreme precipitation. Compound events with droughts ending in intensified precipitation - DRIP can cause large damages but are extremely understudied. This project aims to estimate the change in frequency and intensity of DRIP events with global warming due to changes in the water-cycle. We will identify actual historical compound DRIP events and find indices that are suitable to identify these events in model data. As global climate models show a large spread in precipitation for both historical and the different future climate projections, there is expected to be a spread in model projections of DRIP events as well. We will constrain this spread by identifying global climate models that do a good statistical representation of historical DRIP events and by analyzing large ensembles to evaluate the natural variability. As higher resolution modelling shows a better representation of the water cycle, the project will analyze regional downscaled global models in identified regions of interest.  We will also perform in-house regional simulations of identified global models down to convection permitting scale to study the change in DRIP events with model resolution. The project will also target a highlighted uncertainty connected to the water-cycle by exploring how evapotranspiration and the occurrence of DRIP events found in climate models respond to land use change. For this analysis we will extend the regional downscaling to include sensitivity studies which contain deforestation and forestation. Results gained from DRIP will make a large contribution to the knowledge needed on future mitigation measures due to the increase in compound events.

DRIP - DRought ending in Intensified Precipitation

Muliggjøring av høyt automatisert tverrorganisatorisk arbeidsflytplanlegging

Midlene fra FRIPRO-Fri prosjektstøtte fordelt på år

Midlene fra FRIPRO-Fri prosjektstøtte fordelt på fylker

Midlene fra FRIPRO-Fri prosjektstøtte fordelt på fagområde

Associate professor

Automatisering av arbeidsflytplanlegging er en av de viktigste digitale transformasjonsaktivitetene. Å planlegge arbeidsflyt på tvers av organisasjoner krever kunnskap fra flere domener. I tillegg kreves det oversikt over hvordan disse arbeidsflytene samhandler med hverandre. Eksisterende datamaskinassisterte verktøy mangler vanligvis domenespesifikk kunnskap og fleksibel støtte for prosesser på tvers av organisasjoner, og de tar ofte heller ikke den faktiske opplevelsen til arbeidsflytdeltakerne i betraktning for å oppdage potensielle flaskehalser i arbeidsflytene. Derfor er arbeidsflytplanlegging fremdeles i stor grad en manuell prosess som er avhengig av menneskelige eksperter, f.eks. på sykehus og store bedrifter.

Det endelige målet med prosjektet, CROFLOW, er å utvikle en ny metodikk for å automatisere planlegging og revidering av arbeidsflyter på tvers av organisasjoner. Dette vil kunne bidra til en vellykket digitalisering i både offentlig og privat sektor i fremtiden. For å nå dette målet tar CROFLOW sikte på å utvikle en innovativ modelldrevet metodikk for å fange og analysere interaksjonene mellom flere arbeidsflyt og for å trekke ut deltakeropplevelser fra arbeidsflyt. De medfølgende analysene og verktøystøtten vil bidra til automatisert planlegging for tverorganisatoriske prosesser.

CROFLOW vil samarbeide med Uppsala University (Sverige) og University of Lübeck (Tyskland) for å anvende teoretiske og eksperimentelle metoder for å takle de identifiserte forskningsutfordringene. De endelige resultatene av prosjektet vil bli evaluert gjennom en casestudie hentet fra helsevesenet (levert av Avdeling for patologi, Haukeland universitetssykehus), der nesten alle prosesser er tverrfunksjonelle eller tverrorganisatoriske.

Prosjektets metodikk representerer et potensielt gjennombrudd i forhold til eksisterende teknikker for tverrorganisatoriske prosessor. Suksessen til CROFLOW vil kunne resultere i betydelige positive konsekvenser for planleggingspraksis.

Workflow planning is one of the most crucial digital transformation activities. Planning cross-organisational process workflows requires knowledge from multiple domains. In addition, it also requires an overview of how these workflows interact with each other wrt.  the dependency on both shared resources and on execution order.  Process-Aware Information Systems are commonly used in both private and public sectors to manage planning.  However, they usually lack domain-specific knowledge and flexible support for cross-organisational processes, and very often do not consider actual experience of the workflow participants, which may help detecting potential bottlenecks in the workflows. Therefore, workflow planning is still largely a manual process relying on human experts. 

The project aims at providing decision support for optimising workflow planning for cross-organisational processes and participant experience, based on abstract executable models. With the critical task dependencies specified by the planners, it automates the coordination of tasks and resources within individual concurrent workflows in a cross-organisational process, such that the synchronisation and revisioning of these concurrent workflow models across organisations can be done automatically. In addition, it uses the participant experience to uncover potential bottlenecks in existing workflows to assist future replanning.

The main contributions of CROFLOW are to provide automation for coordination of tasks and resources, bottleneck discovery, and dynamic revisioning for concurrent workflow models, which consequently are used to provide decision support for optimal workflow planning and participant experience. The project’s approach represents a potential breakthrough of the existing techniques for cross-organisational processes. The success of CROFLOW will result in substantial positive impacts on planning practice in both public and private sectors.

Enabling Highly Automated Cross-Organisational Workflow Planning

Olje- og gass-selskaper bruker betydelig tid og ressurser på å identifisere og evaluere prospekter før de driller en brønn. De må lage en presis modell av undergrunnen som viser om det er olje og gass til stede og om det er nok til at det lønner seg å drille. En presis undergrunnsmodell er også viktig for sikkerhet og for miljøkonsekvenser av utbyggingen.

I ReservoAIr lager vi en programvare som hjelper selskaper å lage en mer presis modell av undergrunnnen. Selskapene vil benytte programvaren til å predikere bergartenes egenskaper og tilstedeværelsen av sand ved hjelp av en ny maskinlæringsmetode.

Hittil i prosjektet har vi predikert geologiske formasjoner som injektitter og kanaler, samt predikert bergartsegenskaper. Vi har laget en prototype på en iterativ arbeidsflyt som gjør at brukeren kan tolke komplekse geologiske formasjoner med hjelp av maskinlæring. Resultatene er lovende og etter planen.

Metodene og programvaren vi utvikler for å lage en bedre undergrunnsmodell kan også brukes for å evaluere og monitorere et CO2-reservoar.

Enhancing Reservoir Characterization by Applying Machine Learning

I SHAIR har vi jobbet med en programvaretjeneste som predikerer anomalier i seismisk data som indikerer fluideffekter av olje eller gass. Vi har forbedret tolkningen av seismiske horisonter i hastighetsdata for å forbedre det seismiske bildet. Dette er også relevant for monitorering av CO2-lagring. 

Vi kombinerer to kjente, men forskjellige programvarer, fra norske RagnaRock Geo og britiske S-Cube. Ved å iterere mellom programvarene til RagnaRock og S-Cube kan vi gi mer nøyaktige resultater, og redusere støy og feil.

RagnaRocks teknologi utfører AI-drevet horisont-tolking. Teknologien er basert på den egenutviklede nyvinningen Geofysikkstyrt Nevralt Nettverk (GNN), som er basert på Convolutional Neural Networks, for å oppdage diskontinuiteter i bergstrukturen, og tolker disse som 'horisonter'.

S-Cube's teknologi, XWI, er resultatet av 20 års utvikling dekket av flere patenter. Det er en videreutvikling av tradisjonell fullbølgeforminversjon (FWI). Den produserer 3D-hastighetsmodeller av høy kvalitet for vurdering av grunne anomalier i undergrunnen.

Hovedresultatet vil bli verktøy som selges som et SaaS-produkt som selskapene vil bruke for mer presis analyse av dataene sine. 

Den kombinerte teknologien vil benytte hastighetsmodeller for å veilede og optimalisere den automatiske tolkningen som gjøres av RagnaRocks GNN.

Tjenesten er mer kostnadseffektiv enn mer manuelle analysemetoder som brukes for å tolke data. Oljeselskaper vil bli mer lønnsomme gjennom bedre analyse og høyere suksessrate. Vi reduserer sannsynligheten for feilboring når man leter olje eller gass, og kan derfor bidra til å miljøgevinst og mindre sløsing med ressurser. Utviklingen er også relevant for analyse av felt for lagring av CO2.

SHAIR will create a new software service that will deliver highly accurate interpretation of seismic data to determine the likely presence of oil or gas.

We will achieve this by a novel Machine Learning implementation that combines two known but disparate tools. The output of each tool can be used as the input of the other tool, so by looping round we can produce more and more accurate results, cancelling out noise and errors to continuously improve accuracy of results. (See Fig. 12 Annex)

RRG's technology currently contains an AI driven horizon interpretation with minimal human interpretation. It takes in migrated stacks in the time domain. It uses their improved Geophysics-guided Neural Networks (GNNs) innovation of Convolutional Neural Networks (CNNs) to detect discontinuities in the rock structure, and interprets these as 'horizons'.

S3's Technology, XWI, is the result of 20 years development covered by many patents. It is an advancement of traditional Full-Waveform Inversion (FWI). It produces high quality 3D Velocity models in assessing shallow anomalies.

The main result will be a novel suite of tools available to oil companies as a SaaS product via which the companies will pay to more accurately analyse their data.

The new technology will combine S3's XWI technology making use of velocity models to better constrain the automatic interpretation done by RRG's GNN. Pre-processed and migrated data will be the inputs for the AI interpretation.

The main result will be a new service using our experience to date of ML to create a service that would be more cost effective for oil companies than the traditional method of analysis to discover oil. Oil companies will become more profitable via better analysis and a higher rate of success. This improved interpretation of data should reduce the likelihood of drilling of oil or gas which results in none being found and therefore can help the environment and waste of such incidents.

0 antall prosjekter

PETROMAKS2-Stort program petroleum

Enhancing Reservoir Characterization by Applying Machine Learning

Tildelt: kr 9,0 mill.

Prosjektperiode: 2020-2025

Sted: Oslo

EUROSTARS-EUROSTARS

E!113703 Seismic Horizon Artificial Intelligence Regeneration

Tildelt: kr 1,3 mill.

Prosjektperiode: 2020-2022

Sted: Oslo