2023

2022

2021

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

Nærings- og fiskerid

Kunnskapsdepartement

Diverse

Teknologi

Agder

LTP3 Styrket konkurransekraft og innovasjonsevne

LTP3 Et kunnskapsintensivt næringsliv i hele landet

LTP3 Hav og kyst

LTP3 Marine bioressurser og havforvaltning

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

Næringsliv

Portefølje Innovasjon

Portefølje Mat og bioressurser

Portefølje Muliggjørende teknologier

Programmer

Innovasjonsprosjekt

Bransjer og næringer

IKT forskningsområde

Politikk- og forvaltningsområder

Digitalisering og bruk av IKT

FNs Bærekraftsmål

Marin

Reiseliv

Anvendt forskning

Nordområdene

Tjenesterettet FoU

Utviklingsarbeid

The Arctic region is witnessing more frequent shipping accidents than ever which require accurate search and rescue operations. The existing communication systems use drones with radio frequency (RF) technology, which has limited bandwidth and cannot offer 4G/5G connectivity due to harsh weather constraints. It further limits the capacity of drones and affects the resolution of images and videos. The current research proposes to design free space optical communication (FSOC) link-based drones that can enhance connectivity between multiple drones and rescue ships as well as the capacity of drones to produce high resolution images and videos. The proposed FSOC-based drones can provide highspeed connectivity than the existing RF technology. The research will collect atmospheric turbulences data from the Arctic region and use it for designing the FSOC link. Furthermore, to enhance the capacity of FSOC-based drones, the research will design advanced multiplexing schemes (Mode Division Multiplexing and Orthogonal Code Division Multiple Access) and to ensure link stability, omnidirectional receiver will be designed. The research will further evaluate the performance of proposed FSOC link under the impact of various atmospheric turbulences. The expected outcomes of this research will lead to the optimisation of FSOC-based drones in expanding search areas and improving communication systems for SAR operations in the Arctic region.

Optimization of Free Space Optical Communication Link based Drones for Search and Rescue Operations in the Arctic Region

Sjøisen i Arktis har minket drastisk de siste tiårene, og Polhavet forventes å være isfritt om sommeren mot slutten av århundret. Denne nedgangen har utsatt store havområder for vind, noe som har resultert i at det oftere dannes store bølger i Polhavet. Disse bølgene kan forplante seg over flere titalls til hundrevis av kilometer i sjøisen, knekke den og akselerere smeltingen. Disse fysiske prosessene – bølger som knekker sjøis og effekten dette har på sjøissmelting og vekst – mangler i modellene vi bruker for å forutsi klimautviklingen. Dette bidrar til store usikkerheter i klimamodeller. Effekten av bølger på sjøisen er heller ikke tatt med i prognoser for havets og sjøisens forhold, som brukes av skip som opererer i islagte farvann. I ForWArd ønsker vi å vurdere bølgenes innvirkning på sjøisens utvikling i det stadig røffere Polhavet. I dette arbeidet brukes en svært avansert modell som inkluderer sjøis, hav, bølger og deres interaksjoner. Vi skal først vurdere hvor godt den representerer forholdene i Polhavet sammenlignet med de få tilgjengelige observasjonene. Vi vil så bruke modellen til å undersøke hvordan bølgehøyden og arealet av ødelagt sjøis har utviklet seg de siste tre tiårene. Deretter vil vi kombinere modellen vår med forholdene i det fremtidige Polhavet gitt av klimafremskrivninger, for å undersøke hvordan betydningen av interaksjoner mellom bølger og is vil utvikle seg ettersom sjøis avtar i det 21. århundre. Vår modells estimering av "bølgepåvirkningen" vil tillate polarvitenskapsmiljøet å vurdere hvor usikre deres klimaspådommer uten bølger er. Til syvende og sist vil våre modellresultater og utviklinger legge grunnlaget for å legge til bølgeeffekter i hav- og sjøisvarsler i Arktis. Dette vil gjøre varslene mer nøyaktige og bidra til sikkerheten for menneskelig aktivitet i denne regionen.

Arctic sea ice decline under climate change has allowed waves to form and grow more easily in the Arctic Ocean. These waves propagate into the sea ice over tens to hundreds of kilometres, fragmenting it into small floes. This area of broken ice, known as the Marginal Ice Zone (MIZ), is a highly complex region where many interactions occur between the ocean, sea ice, and atmosphere. The action of waves strongly affects these interactions, with rapid feedbacks on the sea ice. However, climate models do not account for these wave-ice interaction processes, which likely contributes to the strong biases in their estimation of modelled sea ice extent and volume and their inability to capture short-term sea ice extent variability. Given the lack of observations available, numerical models remain the best way to estimate how wave-ice interaction processes can impact Arctic sea ice, but most wave-ice coupled models are still prototypes. In ForWArd, we will use one of the most advanced of these models to assess this impact in the context of climate change. To this aim, we will use the latest observations to calibrate the modelled wave-affected area and produce a 30-year-long hindcast of the MIZ extent evolution to analyse how it responded to larger wave height, delayed refreezing, and thinner ice. Then, we will assess the relative importance of the wave-ice interactions suspected to affect sea ice in the MIZ using well-documented events. Finally, we will estimate how waves will contribute to sea ice extent and volume variability in the coming decades, as large areas of open water will remain open until late in the autumn. The flexibility of our setup will allow us to test the sensitivity of our results to model resolution and assumptions, giving invaluable insights into the biases induced by misrepresenting wave-ice interactions. ForWArd will also pave the way for the integration of wave effects in sea ice forecasts, a requirement for safer operations in ice-infested waters.

Forecasting Wave impact as Arctic sea ice declines

Sustainable cultivation of polychaetes as feed in aquaculture

Akvatiske sopp (AS) er en betydelig del av biologisk mangfold i ferskvanns og marine økosystemer. De er avgjørende komponenter i akvatiske økosystemer og har viktige økosystemfunksjoner som nedbrytere av dødt organisk materiale, mutualistiske symbionter, parasitter og patogener som kontrollerer dyre- og plantepopulasjoner. AS påvirker syklusen av karbon og næringsstoffer og fungerer som en ernæringskilde for høyere trofiske nivåer i næringsnettet. Til tross for deres betydning for akvatisk biologisk mangfold, økosystemfunksjoner og tjenester, og overlegent potensiale for biovurdering av vannmiljøer, mangler vi for tiden nasjonale overvåkingsprogrammer for AS. Vi har betydelige kunnskapshull om taksonomisk og funksjonelt biologisk mangfold og distribusjon av AS, samt deres følsomhet for endringer i klima- og arealbruk. Dette er spesielt kritisk for truede økosystemer som isbreer og elvemunninger som er under rask endring på grunn av menneskeskapte klimaendringer og tilstedeværelsen av andre menneskeskapte stressfaktorer som forurensninger. Med bruk av moderne DNA-sekvenseringsmetoder, arkivprøver fra nasjonale overvåkingsprogrammer og satellittbilder kan vi nå adressere kunnskapshull i AS-mangfold og distribusjon, bane vei for at AS kan inkluderes i store nasjonale overvåkingsprogrammer og forutsi responsen fra AS til endringer i klima- og arealbruks ved hjelp av modellering. NorMoSTFun bidrar til disse målene som en del av det multinasjonale prosjektet MoSTFun (Monitoring Strategies and Tools to address knowledge gaps on aquatic Fungal Biodiversity) som er finansiert av Biodiversa+-programmet.

Aquatic fungi (AF) are a significant part the of biodiversity in freshwater and marine ecosystems. They are crucial components of aquatic ecosystems and have important ecosystem functions as decomposers, parasites and pathogens that control animal and plant populations and affect carbon and nutrient cycling. They also function as a source of nutrition for higher trophic levels. Despite their importance for aquatic biodiversity, ecosystem functions and services, and superior potential for bioassessment of aquatic environments, we currently lack national monitoring programs for AF. We have substantial knowledge gaps on taxonomic and functional biodiversity and distribution of AF, as well as their sensitivity for climate and land-use changes. This is especially critical for threatened ecosystems such as glaciers and estuaries that are under rapid change due to human-caused climate change and the presence of other anthropogenic stressors such as pollutants. With the use of modern -omics methods, archival samples from national monitoring programs and earth observation technologies we can now address knowledge gaps in AF diversity and distribution, pave the way for AF to be included in large-scale national monitoring programs and predict the response of AF to climate and land-use changes using modelling. NorMoSTFun is contributing to these aims as part of the multinational MoSTFun (Monitoring Strategies and Tools to address knowledge gaps on aquatic Fungal Biodiversity) project that is funded by the Biodiversa+ program.

NorMoSTFun: Monitoring Strategies and Tools to address knowledge gaps on aquatic Fungal biodiversity in Norway

I Norge har det vært en økende trend til å benytte regnbueørret (Oncorhynchus mykiss) i oppdrett på grunn av dens raske vekst og toleranse for et bredt spekter av miljøforhold. I dag utgjør regnbueørret 5 % av den årlige produksjon av laksefisk i Norge. Produksjonen har økt med 14 % det siste tiåret, dvs. fra 14453 til 85233 tonn, noe som gjør regnbueørret til den nest mest produserte arten etter atlantisk laks. Til tross for den store interessen er oppdrett av regnbueørret begrenset på grunn av ulike produksjonsutfordringer. Næringen er bl.a avhengig av sesongbasert rognproduksjon. En utfordring er redusert tilgang på rogn i perioden fra juni til oktober, hvilket resulterer i en 5-måneders periode uten tilgang på stor settefisk, fra mars til juni året etter. Videre er forståelsen av hvordan ulike miljøfaktorer initierer og påvirker utviklingen av sjøvannstoleranse dårlig dokumentert. Bl.a. er overføring til sjøvann basert på kroppsstørrelse i stedet for osmoregulatorisk kapasitet. Av den grunn kan settefisken møte ulike helse og velferds utfordringer etter overføring til sjøvann, noe som kan forklare økende dødelighet (rundt 10 %) og høy forekomst av taper fisk (rundt 10 %) i sjøanleggene. Denne utfordringen påfører oppdrettere betydelige økonomiske tap og representerer et velferdsproblem.
I Sande-prosjektet har vi som mål å utvikle nye produksjonsprotokoller for regnbueørret, fra rogn til stor settefisk, basert på optimalisert temperatur, lysrytme og vannkvalitet. En kritisk faktor i prosjektet vil være testing og validering av nye oppdrettsprosedyrer for å kontrollere fiskevekst og utviklingshastighet for å forlenge eller forkorte smoltproduksjonsperioden og tidspunkt for utsetting til sjø. I tillegg vil vi utvikle nye verktøy og analyser for å vurdere smoltkvalitet og tidspunkt for smoltvindu. Denne kunnskapen vil utgjøre en ny biologisk protokoll som tar sikte på å forbedre produksjonen av settefisk av regnbueørret, og som kan leveres til sjøanlegg hele året.

Idéen bak dette prosjektet er å utvikle en sesong uavhengig protokoll (Best Management Practice, BMP) for regnbueørret, fra befruktet rogn til leveringsklar smolt (settefisk), basert på optimalisert temperatur, lysrytme kontroll og styrt vannkvalitet (CO2 nivå), herunder kartlegge konsekvenser på fiskens ytelse, fysiologi, helse og produksjonstid. 
Prosjektet vil innbefatte tre feltforsøk som gjennomføres hos Sande Settefisk. I første forsøk vil effekt av temperatur på tilvekst, helse og kvalitetsutvikling hos regnbueørret i RAS bli kartlagt. Ett sentralt spørsmål vil være; Hvor mye kan vi endre produksjonstiden til ørret i settefiskfasen i vekstintervallet 20 til 400 gr gitt at snitt-temperaturen endres fra 12 til 8?C.  Dette spørsmålet er viktig da en forsinkelse kan benyttes til å dekke perioder hvor oppdretter står uten settefisk som følge av underskudd på egg om våren. Videre vil vi kartlegge hva som er optimalt lysregime under styrt smoltutvikling, herunder gir best smoltkvalitet. Avslutningsvis vil vi undersøke sammenheng mellom variasjon i vannkvalitet (CO2 nivå) på velferd, tilvekst, helse og kvalitet hos regnbueørret. En viktig del av utviklingsarbeidet vil være teste og validere en nyutviklet analyse for vurdering av smoltkvalitet hos regnbueørret (1. Innovasjon). Basert på positive funn og en integrert tolkning av samspillet mellom biologi, drift og vannmiljø, vil vi foreslå analysemetoder og strategier som bedrer fiskens kvalitet og tilvekstpotensial. Kunnskapen vil sammenfattes i en ny biologisk protokoll (BMP, 2. Innovasjon) for optimal sesonguavhengig produksjon av høykvalitets regnbueørret.  I sum vil prosjektet bidra til å sikre en jevn tilgang på settefisk som kan overføres til sjø hele året, og derav styrke oppdrett av regnbueørret i ett bærekraftig fremtidsrettet perspektiv.

Sesonguavhengig produksjon av regnbueørret

Maritim- og offshoreindustrien har etterlyst en mer strukturert metode, som utnytter dagens teknologiske potensial, for å registrere og få tilgang til informasjon om fartøyets skrogtilstand. Utviklingen av en digital tvilling for vurdering av fartøyets skrogtilstand er et svar på dette som har flere fordeler.

Tidligere forskningsresultater har vist at droner tillater trygge,  automatiserte og fleksible fjerninspeksjoner. For å gi droneinspeksjoner en ekstra fordel, bør teknologi for å utføre droneinspeksjon mens fartøyet seiler, og muligheten til å automatisk gjøre tykkelsesmålinger, utvikles. Registrering av inspeksjonsdata fra droner til en digital tvilling er et naturlig neste steg. Gitt tilstrekkelig kvalitet på drone-innsamlede data, i tillegg til effektiv registrering av menneskelig innsamlede data, kan både menneskelige og dronebaserte inspeksjoner gi data til en digital tvilling og komplementere hverandre. Dette kan muliggjøre en mer effektiv overvåkning av skrogtilstand og redusere antall ganger mennesker utsettes for farene ved inspeksjon av trange/innestengte rom.

Ved å samle inn relevante skrogdata er det et potensial for å utnytte historisk informasjon fra en mengde fartøyer til å lage en statistisk modell for å forutsi skrogtilstanden. Dette kan tillate estimering av skrogets tilstand basert på operasjonelle forhold et fartøy har vært utsatt for. I kombinasjon med konstruksjonsmodeller kan dette også brukes til å automatisk lage skroginspeksjonsplaner som prioriterer områder med økt risiko for å ha feil.

Prosjektet ledes av DNV, et ledende klassifikasjonsselskap, i samarbeid med rederiene Altera Infrastructure og Klaveness, som er henholdsvis oljetanker- og lasteskipsoperatører i dette prosjektet, ScoutDI, en inspeksjonsdrone-leverandør, og NTNU gjennom Autonomous Robots Lab ved avdeling for kybernetikk.

The project will develop the concept of a digital twin of the hull condition for assessing the structural integrity and compliance of the physical hull. The digital twin is kept up to date with the physical hull over its lifetime by frequently collecting large amounts of data, in non-intrusive ways that do not interrupt business operations. This enables continuous monitoring and compliance assessment. Autonomous drones collect the data instead of humans to improve personnel safety. Automated damage detection and coating breakdown assessment assists the human expert, leading to improved quality of the structural integrity assessment. The project will enable digital twin-based surveys as industrial standard and realize economic and safety benefits as well as reducing environmental footprint due to reduced need for travels. 

The innovation will lead to improved quality and safety of vessel inspection services, in particular: 
1. Hull condition assessment and continuous compliance decision in a 3D digital twin, a multi-data digital representation of the physical hull based on data such as high-precision point clouds, videos, AIS and weather data. The digital twin also holds location-tagged thickness measurements, history of damages and repairs, and data of sister vessels. 
2. High coverage, high-quality, location-tagged data of the hull compartment, collected frequently by autonomous/automated drones with semantic knowledge of the physical structure. Automated data collection ensures standardized data which improves comparison with historical data. Drone-based collection during sailing or between discharge and loading of cargo causes minimal interruption of business operations. 
3. Automated damage detection in point clouds and videos, automated damage probability predictions based on data in the digital twin, and an automatically generated targeted inspection plan for the drones as well when physical inspections are deemed necessary.

Assessment of ship hull Integrity based on a Digital Twin

Global oppvarming fører til store endringer i Antarktis; isbreene, is bremmene og havisen smelter; det påvirker havstrømmer og dynamikk i Sørishavet som igjen påvirker de marine økosystemene og deres evne til å absorbere den økte atmosfærisk CO2 som er et resultat av menneskelig aktivitet. Sørishavet er har rike økosystemer hvor planteplankton og isalger effektivt lagrer CO2 gjennom fotosyntese. De nåværende og fremtidige endringene i den fysiske dynamikken i Sørishavet vil spille en stor rolle for fremtiden til marine økosystemer her og dermed evnen til å absorbere CO2.

Dette prosjektet har som mål å etablere et observatorium for biologisk mangfold og økosystemendring for det østlige Weddellhavet / Kong Haakon VII-havet. I denne regionen har det vært begrensede effekter av klimaendringer, men det er nå økende bevis økte miljøforvandling med betydelig innvirkning på biologisk mangfold og funksjonen til økosystemene. Det er begrenset data om økosystemet i dette området. Ved å etablere systematisk overvåkning av økosystemet, vil dagens status for økosystemet og det biologiste mangfoldet sammenlignes med antatte framtidige endringer. Dette vil bidra til å oppnå internasjonale mål for bevaring av marint biologisk mangfold og demping av klimaendringer.

This Biodiversa+ project aims to lay the foundation of a transnational Weddell Sea Observatory of Biodiversity and Ecosystem Change (WOBEC) for the Eastern Weddell Sea / King Haakon VII Sea (EWS) in the Southern Ocean. The Weddell Sea plays a key role for global ecosystem services, such as climate regulation and food provision, and hosts many species with conservation status. Acknowledging this unique ecological value, the EU and other members of the Convention for the Conservation of Antarctic Marine Living Resources (CCAMLR) are working towards a Marine Protected Area in the Weddell Sea (WSMPA). In the EWS, there is increasing evidence of a transition from a period of relatively muted climate change into an era of environmental transformation with significant impacts on biodiversity and ecosystem services. Until present, however, the ecosystem of the EWS has remained notoriously under-studied. By laying the foundations of systematic ecosystem monitoring in the EWS, WOBEC will provide a baseline of the present state of biodiversity and ecosystems against which change can be measured and contribute to a number of transnational goals in marine biodiversity conservation and climate change mitigation, including the UN Sustainable Development Goals, the EU Biodiversity Strategy for 2030, and the post-global biodiversity framework.

Weddell Sea Observatory of Biodiversity and Ecosystem Change

BioBoost+-prosjektet vil fremme kostnadseffektiv høyfrekvent prøvetaking og identifikasjon av marine planter og dyr ved å bruke Artificial Intelligence (AI)-teknologi på fotografier og video. Disse metodene vil bli brukt på habitater (sjøgressenger, skalldyrsenger og makroalgekroner), indikatorarter av økologisk og økonomisk betydning (f.eks. fisk, hummer, strandfugl), invasive arter og plankton (grunnlaget for næringsnettet). Ved Nord universitet vil fokus være på automatisering av analyser av dyreplanktonprøver samlet inn årlig i over 40 år, og nyere etablert overvåking av havbunnsfauna og fisk på livestream undersjøisk video i Saltfjord.

Disse dataene er nødvendige for å gi rettidig informasjon om helsen til økosystemene og endringer i biologisk mangfold i sammenheng med fiskeri, klimaendringer og invasive arter. Dette prosjektet i europeisk målestokk involverer åtte organisasjoner og har studiesteder i Middelhavet, Nord- og Norskehavet, inkludert steder med aktiv habitatrestaurering og marine verneområder. De forbedrede metodene vil akselerere tilgjengeligheten av informasjonen for forskere, myndigheter og innbyggere.

BioBoost+ is designed to improve non-invasive, cost-effective, and high-frequency sampling and identification of marine plants and animals by applying state-of-the-art Artificial Intelligence (AI) technology with digital imagery including real-time monitoring via camera networks and involvement of citizen science groups. These methods are applied to a wide range of taxa, from habitat-forming species (seagrass meadows, shellfish beds, and macroalgal canopies), indicator species of ecological and economic importance (e.g., coastal fish, lobsters, shorebirds), invasive species, and understudied groups (from microscopic, free-floating animals to rare fish). BioBoost+ enhances biodiversity monitoring within European regional seas from the Mediterranean, North and Norwegian Seas to support ongoing conservation interventions such as active habitat restoration projects and Marine Protected Areas (MPAs). Improved biodiversity monitoring will allow a better understanding of large-scale phenomena, such as thresholds, regime shifts and species invasions in vulnerable ecosystems, improve the capacity to predict the impacts of multiple stressors, and to develop better indicators of marine ecosystem health.

Boosting the Frequency and Scale of Marine Biodiversity Monitoring Using Digital Imagery and Artificial Intelligence

Vårt RIMARC-system utviklet sammen med MIT Ocean Research predikterer nøyaktige havbølger 4-8 minutter frem i tid, kun ved hjelp av navigasjonsradaren ombord. Det er også unikt at RIMARC predikterer hele bølgeoverflaten og nøyaktige bølgehøyder, og ikke bare varsler store bølger slik konkurrentene gjør.
Havbølgedynamikk er hovedutfordringen i alle operasjoner til sjøs. Marine operasjoner som dynamisk posisjonering (DP), offshore kranoperasjoner, installasjon og service av vindparker, og sjøtransport er komplekse operasjoner som er svært følsomme for havbølgedynamikk. I dag blir de fleste beslutninger ved fartøysoperasjoner basert på operatørenes erfaring og ferdigheter, og ikke objektive og kvantitative sanntidsmålinger og informasjon om nøyaktige bølgedata og fartøysbevegelser.
RIMARC-systemet vil forbedre sikkerheten og effektiviteten for alle havoperasjoner, både for offshore- og subsea-operasjoner, offshore vind- og andre spesialfartøy, mindre fartøy som oppdrettsfartøy, og handelsfartøy som passasjer- og lastefartøy.
Hovedmålet med prosjektet er å overføre RIMARC-programvaren fra en forskningsprototype til kommersielt tilgjengelige programvareplattformer og moduler. Dette prosjektet er i den pre-kommersielle fasen, og et hovedmål er å gjennomføre ytterligere fullskala testing og simuleringer av bølge- og bevegelsesprediksoner på de to DOF-testfartøyene Skandi Vega og Skandi Afrika for å gjøre systemet robust. Vi vil videreutvikle, teste og kvalifisere programvaren for bruk i kommersielle applikasjoner. I løpet av prosjektet vil vi jobbe kontinuerlig for å få bedre forståelse av markedsverdien og for å skape et mest mulig attraktivt system for markedet.
RIMARC vil gi havindustrien et billig og robust system som er enkelt å implementere i alle fartøy, både eksisterende fartøy og nybygg.

Commercialization of RIMARC – Next Minutes Prediction system for Ocean Waves and Vessel motions using the onboard navigation radars

Den internasjonale sjøfartsorganisasjonen (IMO) har satt et mål om å redusere klimagassutslippene (GHG) fra skipsfarten med 50 % innen 2050 sammenlignet med 2008-nivået. For å oppnå dette, innfører IMO avkarboniseringsregler, inkludert bruk av alternative drivstoff og krav om å regne ut drivstoffets GHG-utslipp på en helhetlig måte. Livsløpsutslipp av drivstoff omfatter utslipp fra råvareutvinning og -behandling, drivstoffproduksjon, transport, distribusjon og drivstoffbruk om bord på skipet. Men det er vanskelig å spore livsløpsutslipp av drivstoff nøyaktig på grunn av de mange drivstoffproduksjonsveiene som fører til svært forskjellige utslippsintensiteter for drivstoff, selv om drivstoffene er kjemisk identiske. I tillegg er drivstofforsyningskjeden for maritim sektor svært kompleks, noe som bidrar til vanskelighetsgraden av oppgaven. I et så komplekst drivstoffproduksjons- og reguleringsmiljø er det avgjørende med åpenhet, sporbarhet og nøyaktighet av utslippsdata. Uten å dokumentere og verifisere drivstoffets GHG-utslipp nøyaktig, er det umulig å måle framgangen i maritim avkarbonisering. Det digitale drivstoffpasset (DFP) har som mål å løse disse utfordringene ved å vise at det er mulig å dokumentere, spore og verifisere GHG-utslipp av marine drivstoff på tvers av drivstofforsyningskjeden. Dette vil bli oppnådd ved å bruke teknologiske byggesteiner: Livsløpsvurderingsmetode, drivstoffmerkingsteknologi og blokkjedeteknologi. Disse teknologiene er tilgjengelige og allerede godt etablerte. Etter vellykket demonstrasjon av prosjektet, kan drivstoffprodusenter, rederier og myndigheter stole på nøyaktigheten av dataene som genereres og deles gjennom DFP-systemet for kommersielle, regulatoriske og rapporteringsbehov. Dette hjelper med å spore utslippsreduksjonsmål for alle parter. Det fremmer også åpenhet, ansvarlighet, samarbeid og handling for bærekraft.

The International Maritime Organization (IMO) only regulates the greenhouse gas emission of fuels from Tank-To-Wake but in the coming few years it is set to include Well-To-Tank emissions as well. We anticipate that documenting and verifying Well-To-Tank emissions of fuels will be more difficult than Tank-To-Wake emissions, primarily due to the multitude of feedstocks, energy sources and fuel production ways used to supply fuels. The Digital Fuel Passport project aims to accurately document and verify emissions incurred in the entire fuel value chain from raw material sourcing to fuel use, incorporating both Well-To-Tank and Tank-To-Wake emissions.
The DFP fosters collaboration among stakeholders within the fuel supply chain. The project will be enabled through multidisciplinary convergence of LCA of fuel emissions, fuel marking and laboratory analysis, and the use of distributed ledger technology. This initiative aims to bridge the existing trust gap among fuel suppliers, fuel users, regulators, and society at large. By doing so, it seeks to establish transparency, accuracy, and a consistent methodology for measuring and reporting emissions throughout the entire fuel value chain.  
To accomplish this objective, the project has formed partnerships with shipping companies, fuel producers, certification bodies, and fuel marking companies, all of whom share a vested interest in achieving the project's objectives. Successful completion of the project will represent a pivotal milestone in the pursuit of the IMO decarbonization target. By documenting emissions incurred throughout the fuel value chain, the DFP project empowers stakeholders with the transparency and trust needed to help the shipping industry to decarbonize. Several R&D challenges will be tackled in the project including how to link fuel emission data efficiently and reliably with fuel marker properties and identification of suitable fuel markers for green marine fuels.

Digital Fuel Passport

Midlene fra H20-ENERGY-Secure, clean and efficient energy fordelt på år

Midlene fra H20-ENERGY-Secure, clean and efficient energy fordelt på fylker

Midlene fra H20-ENERGY-Secure, clean and efficient energy fordelt på fagområde

Supporting the SET-Plan implementation plan for offshore WIND energy

The SETWind project supports the implementation of the SET-Plan Implementation Plan for Offshore Wind. The proposal has been developed in consultation with the Temporary Working group that authored the Implementation Plan and key stakeholder organisations including ETIPWIND, WindEurope, the EERA Joint Programme for Wind Energy, the IEA Wind TCP and the European Commission’s Joint Research Centre in Petten.   The SETWind project will update and work with the Implementation Plan to maintain it as a dynamic reference point for offshore wind energy research and innovation; it will monitor and report on progress towards the Implementation Plan targets of 1090 million € to be invested in R&I in the offshore sector until 2030; it will strengthen policy coordination in European offshore wind energy R&I policy by supporting the work of the SET-Plan Implementation Group for Offshore Wind; and it will facilitate a breakthrough in the coordination across borders of nationally funded R&I projects.   The SETWind project will be run in the same spirit as it was developed: as a collaborative efforts bringing in European and international stakeholders to translate the Implementation Plan into a living document by updating the research and innovation priorities and implementing these together with relevant stakeholders through nationally funded projects coordinated across borders.        

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.

H20-ENERGY-Secure, clean and efficient energy

Supporting the SET-Plan implementation plan for offshore WIND energy

Tildelt: kr 1,2 mill.

Populærvitenskapelig framstilling

Sammendrag

Budsjettformål:

H20-ENERGY-Secure, clean and efficient energy

Finansieringskilder

Temaer og emner