Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Optimerad DigitalisEring för klimatNeutrAl Industrialisering (ODEN-AI)

Diarienummer
Koordinator Linköpings universitet - Department of Management of Engineering
Bidrag från Vinnova 4 953 315 kronor
Projektets löptid november 2023 - november 2026
Status Pågående
Utlysning Avancerad digitalisering - Möjliggörande tekniker
Ansökningsomgång AI för avancerad digitalisering, 2

Syfte och mål

För hållbar fordonsindustri krävs miljövänlig tillverkning. Det innovativa företaget STILRIDE har utvecklat en unik flexibel vikteknik "STILFOLD", som minskar antalet komponenter och materialåtgången. Det sparar kostnader, förenklar produktion, ökar återvinning och minskar CO2 utsläpp. Automation är nyckeln men kräver stödsystem. ODEN-AI-projektet kommer därför integrera digitala tvillingar, materialmodeller och AI för att optimera automations- och vikningsprocessen. Det höjer AI-nivån inom mobilitetsektorn och kan anpassas till andra industrier och processer.

Förväntade effekter och resultat

ODEN-AI addresserar behovet att förutsäga materials beteende i komplexa tillverkningsprocesser, att modellera detta beteende och på så sätt snabba upp utveckling och införandet av nya hållbara lösningar. Projektet kommer att höja mognadsnivån för AI inom mobilitetssektorn genom den bevisade integrationen av avancerade AI-verktyg, materialmodellering och digitala tvillingar. På den specifika tillämpningsnivån kommer projektet att bidra till ökad hållbarhet inom mobilitetssektorn genom att stödja utvecklingen av STILFOLD med nödvändiga verktyg för att skala tekniken.

Planerat upplägg och genomförande

ODEN-AI kommer börja med att ta fram materialmodell för ett utvalt material med fokus på mobilitetsapplikationer. Denna kommer integreras i en digital tvilling med fysikmotor där också STILFOLDs tillverkningssätt modellerats. Materialmodellen kommer göras som fysikinformerat, neuralt nätverk vilket ger möjligheten att förutsäga komplexa samspel mellan material, process och geometri. Modellerna kalibreras mot verkliga data och används senare för att producera en exempelprodukt. Resultaten dissemineras genom workshops, open-source och akademiska publikationer.

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 27 maj 2024

Diarienummer 2023-02674