Using Physics-Informed Machine Learning for reusing power system components
| Diarienummer | |
| Koordinator | Kungliga Tekniska Högskolan - Skolan för elektroteknik och Skolan f elektroteknik & datavetens |
| Bidrag från Vinnova | 3 800 000 kronor |
| Projektets löptid | november 2021 - november 2025 |
| Status | Pågående |
| Utlysning | Cirkulär och biobaserad ekonomi |
| Ansökningsomgång | Ökad resurseffektivitet för en cirkulär industri |
Viktiga resultat som projektet gav
Ja, vi har uppnått vårt mål att använda PINN för att öka förståelsen för hur kraftkomponenter kan användas och konstrueras på ett mer hållbart sätt.
Långsiktiga effekter som förväntas
Projektet kommer att förbättra förståelsen för isoleringens åldrande och utvidga forskningen om nya material. Med hjälp av fysikbaserade neurala nätverk (PINN) syftar det till att optimera komponenter i kraftsystem och utforska hållbara produktionsmetoder. Framtida steg inkluderar utveckling av digitala tvillingar och simulering av alternativa material, såsom naturliga esteroljor, för att förbättra återvinning, effektivitet och hållbarhet inom kraftindustrin.
Upplägg och genomförande
Projektet genomfördes enligt plan. Vissa svårigheter uppstod på grund av begränsad datatillgänglighet. Men eftersom vi också har anslutit oss till CIGRE:s arbetsgrupp för ett liknande ämne (doktoranden Federica Bragone ingår i arbetsgruppen) såg vi att detta är ett vanligt problem för den internationella industrin. Detta gör projektets slutresultat ännu mer betydelsefulla. Den oväntade utmaningen har alltså faktiskt lett till en viktigare upptäckt.