Tilbake til søkeresultatene

STIPINST-Stipendiatstillinger i instituttsektoren

Stipendiatstilling 17 SINTEF (2021-2023)

Tildelt: kr 4,2 mill.

Modellering og simulasjon av fysiske systemer gir verdifull innsikt i deres interne sammensetning og åpner dermed muligheter for feilsøking og prediktivt vedlikehold. I flere tiår har de primære verktøy for å modellere fysiske systemer vært basert på numeriske og analytiske metoder, som stiller (prohibitive) høye krav til regnekraft i takt med at kompleksiteten økes. Maskinlæring har vist seg som et lovende alternativ til å utnytte den økende tilgang på måledata. På tross av økende datamengder, er de tilgjengelige data ofte støyete eller ikke representative for hele systemet, hvilket leder til upålitelige prediksjoner. I stedet for å velge den ene eller den anden metode er målet å inkludere fysikk og domenekunnskap i maskinlæringsalgoritmer og dermed minimere risikoen for upålitelige prediksjoner. Metodene anvendes på industrielle data i kontekst av prediktivt vedlikehold som f.eks. økt levetid for vindturbiner og eller oppdage operasjonelle uregelmessigheter i maritime manøvreringsmaskineri.

Budsjettformål:

STIPINST-Stipendiatstillinger i instituttsektoren

Finansieringskilder