Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Maskininlärningsmodellering för Virtuella Sensorer i Kylsystem för Tunga Batterielektriska Lastbilar
No full textThe modern transportation is rapidly undergoing a major shift towards electrification to improve sustainability and reduce its carbon footprint. The electrification progress includes heavy duty commercial vehicles, creating opportunities to introduce novel technologies in the development process. Compared conventional trucks propelled by internal combustion engines, battery electric trucks have more complex thermal management systems that need to operate optimally to fulfill the requirements on vehicle range and driver cabin comfort. The development of efficient thermal management system is becoming ever-more model-based ranging from detailed physics-based models to reduced order modeling techniques. Methods of developing reduced order models for virtual sensing, could reduce costs for truck testing and increase efficiency of the development of the thermal system. The coolant flow in the system is of special interest, since controlling the flow in the system plays a significant role of thermal management. The project investigates how qualitative data can be generated from the physics-based GT-Suite model and used to build two different deep machine learning models to estimate the flow at various points in the cooling system. The results indicate that the developed methods work well for estimating the flow in this system and that the accuracy is close to simulated measurements. This report concludes that this approach provides an effective method for creating virtual sensors with satisfactory accuracy. The report further proposes a method to determine the actuator settings for a requested coolant flow by integrating a feedback loop with a PID controller and utilizing the virtual sensors in Simulink environment.Tunga lastbilar har länge varit en av AB Volvos centrala produkter på marknaden. På senare år har både samhällsutvecklingen och Volvo alltmer riktat sitt fokus mot elektrifiering. Integrationen av elektriska drivlinor i tunga lastbilar är dock en stor utmaning, eftersom det krävs mycket energi för att möjliggöra långa och krävande körningar. I jämförelse med en lastbil med förbränningsmotor, har elektriska lastbilar ännu högre krav på optimering av dess termiska system, på grund av den större inverkan på fordonets räckvidd. I detta sammanhang blir lastbilens kylsystem en avgörande komponent, eftersom aktuatorer, batterier och motorer utsätts för hög belastning under långa perioder. Ett kylsystem består av många olika komponenter, inklusive pumpar och ventiler som reglerar kylvätskeflödet till exempelvis motorer och batterier. När kylsystemet ska testas i verkliga lastbilar krävs sensorer för att mäta tryck, temperatur och i detta projekt flöde på olika platser i systemet. Att installera flödessensorer på alla nödvändiga punkter i en lastbil kan dock vara både kostsamt och praktiskt svårt, vilket har gjort virtuella sensorer till en alltmer intressant lösning.Genom att modellera lastbilar med hjälp av matematiska formler och data från tester har virtuella miljöer för simulering utvecklats. I detta projekt används ett kylsystem som har modellerats i programvaran GT-Suite, ett simuleringsverktyg för bland annat termiska system i fordon. Modeller i GT-Suite är ofta komplexa och kan ibland kräva långa simuleringstider. För att optimera styrningen av kylsystemet är det fördelaktigt att utveckla modeller som snabbt kan förutsäga flödet i olika delar av systemet och därigenom möjliggöra snabba tester av olika styrstrategier. Detta projekt syftar till att utveckla metoder som kan användas för att skapa modeller som fungerar som virtuella sensorer i lastbilen och samtidigt har snabba responstider. Två metoder utvecklades för att modellera kylvätskeflödet i systemet. Dessutom utvecklades en metod för att bestämma vilken styrsignal som behövs för att uppnå ett önskat flöde vid en viss punkt i systemet. Huvudfokus har varit att skapa ett koncept för hur detta kan göras. Projektet undersöker hur kvalitativ data kan genereras från GT-Suite och användas för att bygga två olika djupa maskininlärningsmodeller för att estimera flödet på olika platser i kylsystemet. Resultaten indikerar att de utvecklade metoderna fungerar väl för att estimera flödet i detta system och att noggrannheten är nära verkliga mätningar. De utvecklade modellerna kan förutsäga flödet i systemet på bara några sekunder
Mångsidigt tvåfotonmikroskop med fotostimulering för studier av hörselsystemet
No full textTwo-photon microscopy is a powerful tool for studying the auditory system, enablingboth functional calcium imaging and high-resolution morphological analysis. Thisproject aims to optimize the microscope by adapting its scanning system to differentimaging needs. While the resonant mirror system is well-suited for fast in vivo calciumimaging, it lacks the spatial resolution required for detailed morphological studies oforganoids and cochlear hair cells. To address this, we implemented an alternativeGalvo-Galvo scanning system. Comparing both systems, we found that the Galvo-Galvo configuration offers superior spatial resolution, enabling clearer visualizationof fine structures in the cochlea and in neuronal imaging such as individualneurons, their nuclei, and dendrites. These findings highlight the importance ofselecting the appropriate scanning system based on the specific imaging requirements.Additionally, a photostimulation pathway including an Spatial Light Modulator (SLM)to control neuronal activity via opsins was designed, built and aligned. By combiningimaging and photostimulation, this project aims to record and trigger neuronalprocesses to reproduce the natural activity of a network of neurons.Tvåfotonmikroskopi är ett kraftfullt verktyg för att studerahörselsystemet och möjliggör både funktionell kalciumavbildning och högupplöstmorfologisk analys. Detta projekt syftar till att optimera mikroskopet genom attanpassa dess skanningssystem till olika avbildningsbehov. Medan det resonantaspegelsystemet är väl lämpat för snabb in vivo-kalciumavbildning, saknar det denrumsliga upplösning som krävs för detaljerade morfologiska studier av organoideroch cochleära hårceller. För att åtgärda denna begränsning implementerade vi ettalternativt Galvo-Galvo-skanningssystem.Vid jämförelse av båda systemen fann vi att Galvo-Galvo-konfigurationen erbjuderöverlägsen rumslig upplösning, vilket möjliggör tydligare visualisering av finastrukturer i cochlean och vid neuronal avbildning, såsom individuella neuron, derascellkärnor och dendriter. Dessa resultat betonar vikten av att välja ett lämpligtskanningssystem baserat på specifika avbildningskrav.Dessutom designades, byggdes och justerades en fotostimuleringsväg med en SpatialLight Modulator (SLM) för att styra neuronal aktivitet via opsiner. Genom attkombinera avbildning och fotostimulering syftar detta projekt till att registrera ochtrigga neurala processer för att återskapa den naturliga aktiviteten i ett neuraltnätverk
Djupinlärning för prediktion av maskinparametrar för strålbehandling
No full textThis thesis investigates the application of deep learning to automate and enhance Volumetric Modulated Arc Therapy (VMAT) treatment planning. Traditional VMAT planning relies on solving a dose-mimicking optimization problem to determine machine parameters, a process that is highly sensitive to initial conditions due to its non-convex nature. Commonly, initialization involves fluence map optimization (FMO) followed by leaf conversion, which often results in suboptimal machine parameters for VMAT. Recent studies in deep learning for VMAT machine parameter prediction have explored architectures like 3D U-Nets and encoder-decoder models to directly predict MLC leaf positions and monitor units (MUs). While promising, these approaches face challenges such as data scarcity and limited generalizability. The reliance on 3D inputs, which require large datasets of segmented anatomical structures or dose distributions, has restricted their applicability to single cancer types, often necessitating separate models for each site. The proposed method employs a 2D U-Net model to predict multi-leaf collimator (MLC) apertures directly from beam’s eye view (BEV) dose slices. The predicted apertures are then used to initialize MU-only optimization, producing machine parameters for dose computation or further optimization. This thesis addresses four key research questions related to mitigating data scarcity challenges, assessing model generalizability across cancer sites, and evaluating the resulting plans in terms of dose conformity and optimization efficiency. The methodology involved curating a dataset of breast and prostate cancer plans, implementing a tailored feature extraction process, and training the 2D U-Net model. Model performance was evaluated using metrics such as Dose Mean Absolute Error and Gamma Passing Rates (3%/3 mm). Additionally, the study analyzed optimization efficiency by monitoring objective value curves during dose-mimicking optimization. The results demonstrate that the proposed approach significantly improves dose conformity compared to FMO-based initialization. Plans initialized with predicted MLC apertures achieved higher gamma passing rates and lower dose MAE. The General model, trained on combined breast and prostate data, effectively predicted machine parameters for both cancer sites, demonstrating its capacity to generalize across diverse anatomies. This directly tackles the reliance on 3D model inputs in recent studies, which demand extensive datasets and have limited adaptability across multiple cancer sites. Furthermore, analysis of objective value curves suggests that the proposed initialization method could potentially reduce the number of optimization iterations needed to achieve clinically acceptable dose distributions, improving planning efficiency. While the study is limited to generated, non-clinically approved plans and focuses on a single treatment machine, the findings highlight the potential of this approach to set new benchmarks in VMAT planning. Future research should prioritize validation on clinical plans, extending the method to additional cancer sites and multi-arc treatments, and conducting comparative studies with recent 3D deep learning approaches. This thesis contributes to the growing body of research exploring AI- driven radiotherapy solutions, providing a foundation for more accurate, efficient, and adaptable VMAT treatment planning systems.Denna avhandling undersöker tillämpningen av djupinlärning för att au- tomatisera och förbättra planeringen av Volumetric Modulated Arc The- rapy (VMAT). Traditionell VMAT-planering bygger på att lösa ett dos- efterliknande optimeringsproblem för att bestämma maskinparametrar, en process som är mycket känslig för initiala förhållanden på grund av dess icke-konvexa natur. Vanligtvis innebär initieringen optimering av fluenskartor (FMO) följt av bladkonvertering, vilket ofta resulterar i suboptimala maskinparametrar för VMAT. Nyare studier inom djupinlärning för prediktion av maskinparametrar vid VMAT har utforskat arkitekturer som 3D U-Nets och encoder-decoder- modeller för att direkt förutsäga MLC-bladspositioner och monitorenheter (MUs). Även om dessa metoder är lovande, står de inför utmaningar som databegränsning och begränsad generaliserbarhet. Användningen av 3D-inmatningar, som kräver stora dataset av segmenterade anatomiska strukturer eller dosfördelningar, har begränsat deras användbarhet till enskilda cancerformer, vilket ofta kräver separata modeller för varje område. Den föreslagna metoden använder en 2D U-Net-modell för att förutsäga öppningar i multi-leaf kollimatorn (MLC) direkt från dosutsnitt i strålögonvy (BEV). De förutsagda öppningarna används sedan för att initiera MU-endast optimering, vilket genererar maskinparametrar för dosberäkning eller vidare optimering. Denna avhandling adresserar fyra centrala forskningsfrågor rela- terade till att hantera utmaningar med databegränsning, utvärdera modellens generaliserbarhet över olika cancerområden och bedöma de resulterande planerna utifrån dosöverensstämmelse och optimeringseffektivitet. Metodiken omfattade skapandet av ett dataset med bröst- och prostatacan- cerplaner, implementering av en anpassad funktionsutvinningsprocess och träning av 2D U-Net-modellen. Modellens prestanda utvärderades med hjälp av metrik som dosens medelfel (Dose MAE) och gammaövergångsfrekvenser (3%/3 mm). Dessutom analyserades optimeringseffektiviteten genom att övervaka målfunktionskurvor under dos-efterliknande optimering. Resultaten visar att den föreslagna metoden avsevärt förbättrar dosöver- ensstämmelsen jämfört med FMO-baserad initiering. Planer som initierades med förutsagda MLC-öppningar uppnådde högre gammaövergångsfrekvenser och lägre Dose MAE. Den generella modellen, som tränades på kombinerad data från bröst- och prostatacancer, förutsåg effektivt maskinparametrar för båda cancerformerna och visade sin kapacitet att generalisera över olika anatomier. Detta adresserar direkt beroendet av 3D-modellinmatningar i nyare studier, som kräver omfattande dataset och har begränsad anpassningsförmåga över flera cancerområden. Vidare tyder analysen av målfunktionskurvor på att den föreslagna initieringsmetoden potentiellt kan minska antalet optimerings- iterationer som behövs för att uppnå kliniskt acceptabla dosfördelningar, vilket förbättrar planeringseffektiviteten. Även om studien är begränsad till genererade, ej kliniskt godkända planer och fokuserar på en enda behandlingsmaskin, framhäver resultaten potentialen hos denna metod att sätta nya standarder för VMAT-planering. Framtida forskning bör prioritera validering på kliniska planer, utvidga metoden till ytterligare cancerformer och multi-arc-behandlingar samt genomföra jämförande studier med nyare 3D-djupinlärningsmetoder. Denna avhandling bidrar till den växande forskningen kring AI-drivna lösningar för strålterapi och lägger en grund för mer exakta, effektiva och anpassningsbara system för VMAT-planering
Experimental Assessment of the Effects of Cold Climate Weather Patterns on Novel PVT Collector Designs for Low Temperature Heat Pump Integration
No full textThis study investigates the impact of cold climate weather patterns on the thermal performance of two novel designs of extruded photovoltaic thermal (PVT) collectors optimized for integration with low-temperature heat pumps. The study aims to provide a comprehensive understanding of how different weather conditions, including condensation, rainfall, frost formation, and snow, affect the thermal output of these systems. The study compares two PVT designs, one with fins attached to the thermal collector and another without, to determine the optimal configuration for maximizing efficiency under varying cold climate conditions. The results indicate significant differences in performance between the finned and non-finned designs, with the finned design showing up to 11% better thermal performance. A strong impact on the thermal performance of the PVT as a result of the different weather patterns was also observed, with up to 60% thermal gains from rainfall, and 21% thermal losses during defrosting. This research fills a critical gap in the understanding of PVT performance in cold climates and provides valuable insights that can be used to determine the appropriate control strategies for heat pumps to enhance system efficiency. The findings offer a valuable contribution to the development of more efficient renewable energy systems in regions with harsh winter conditions.QC 20250402Smart Reno SE: Smart Renovation Strategies for Sustainable Electrificatio
Design och LCA av en biokomposit skateboard
No full textThis thesis examines the design and life cycle assessment (LCA) of a bio-compositeskateboard deck targeting improved sustainability while providing consistent stiffness.Conventional skateboard decks generally consist of 7-ply maple veneer and often useoil or formaldehyde based adhesives which contributes to climate and health problems.This project explores the suitability of bio-composites using wood veneers, flax fibres& bio-resins to create an eco-friendly skateboard deck.A standard prototype using wood veneer and epoxy was made along with test panelsusing various combinations of bio-based resin from Orineo with wood veneer andflax fibres. Manufacturing challenges such as excessive resin absorption, dry spotsand too soft panels demonstrated how difficult it was. Mechanical testing using 3-point bending and interlaminar shear strength showed lower performance for the bio-composites compared to the standard veneer epoxy model.To evaluate the environmental impacts of the skateboard models a cradle to gatelife cycle assessment was completed. The results showed substantially lower globalwarming potential but also higher cumulative energy demand for the flax Orineo-baseddesign compared to the veneer epoxy variant, although non-renewables were lower forthe flax Orineo design. Sensitivity analysis showed no great fluctuations in the LCAwith small changes to input data.The thesis concludes that while bio-composites have some performance limitationsthey still offer environmental benefits especially in reduced carbon footprint. Futurework should focus on optimising material combinations, improve manufacturingprocesses to enhance performance and sustainability and lastly examine end of lifealternatives.Denna avhandling undersöker designen och livscykelanalysen av en biokompositskateboard bräda med målet att förbättra hållbarheten samtidigt som styvheten hållsdensamma. Traditionellt byggs en skateboard med 7 lager av kanadensik lönnfanérsom ofta hålls ihop med olje- eller formaldehydbaserade klister, vilka bidrar tillbåde miljö- och hälsoproblem. Detta projekt utforskar lämpligheten att användabiokompositer för att göra en miljövänlig skateboardbräda.En standardprototyp byggdes med träfanér och epoxi samtidigt som testpanelergjordes med flertal olika kombinationer av material såsom linfibrer och träfanértillsammans med biomatrisen från Orineo. Tillverkningssvårigheter i form avhög matrisabsorption, torrfläckar och för mjuka paneler visade hur svårt det var.Mekanisk provning med 3 punktsböjning och interlaminär skjuvhållfasthet visadelägre prestanda för biokompositerna jämfört med standardmodellen med fanér ochepoxi.För att utvärdera skateboardmodellernas miljöpåverkan genomfördes en vagga-till-grind livscykelanalys. Resultaten visade betydligt lägre global uppvärmingspotentialmen också högre totalt energibehov för den lin- och Orineo baserade designen jämförtmed fanér-epoxivarianten. Dock var energibehovet från icke förnybara källor lägreför lin-Orineo designen. En känslighetsanalys visade inga stora variationer vid småförändringar av indata.Avhandlingen drar slutsatsen att även om biokompositer har något reduceradmekanisk prestanda erbjuder de ändå miljöfördelar, i synnerhet tack vare minskatkoldioxidavtryck.Framtida arbete bör fokusera på att optimera materialkombinationerna, förbättratillverkningsprocessen för att ge bättre prestanda och hållbarhet och slutligenundersöka alternativ för återvinning och avfallshantering
Probing Magnetism in Complex Transition Metal Oxides : Insights into Magnetic and Structural Behaviour
No full textTransition metal oxides (TMOs) exhibit a wide range of electronic and magnetic properties, making them essential in condensed matter physics. In magnetic TMOs, the ability to tune the magnetic properties offers valuable insights into correlated electron systems and potential functionalities in next-generation materials. This Licentiate thesis investigates how antiferromagnetic (AFM) ordering can be tuned in powder AReO4 (A = Mg, Zn), and LiFePO4 using large-scale facility techniques. We explore how the application of hydrostatic pressure or the substitution of the non-magnetic ion affects the magnetic structure and ordering temperatures. The work utilises muon spin spectroscopy and resonance (SR) and neutron powder diffraction (NPD) to probe the magnetic properties of these materials. For LiFePO4, high-pressure μ+SR experiments reveal that compressive strain enhances AFM ordering, contrary to theoretical predictions. For AReO4, NPD and μ+SR suggest two possible AFM spin structures. Our measurements show a remarkably low ordered magnetic moment for both MgReO4 and ZnReO4. Bond valence sum (BVS) analysis supports a Re6+ oxidation state in both compounds, and we attribute the low magnetic moment to strong spin-orbit coupling (SOC). This thesis demonstrates how NPD and μ+SR serve as complementary techniques for investigating complex magnetic systems and how a local probe, the muon, sensing only its immediate environment, can provide insight into macroscopic magnetic properties. The findings contribute to a deeper understanding of the magnetic phase of LiFePO4 and Re6+ magnetism in octahedral coordination with oxygen
Utvärdering av NIR-spektroskopi för att ersätta Karl-Fischer metoden vid vattenhaltsbestämning i läkemedelsprodukter
No full textNuwiq® är en rekombinant faktor VIII (FVIII) produkt som används för att behandla hemofili A, en recessiv X-kromosombunden sjukdom som kännetecknas av allvarlig FVIII-brist och främst drabbar män. Produkten säljs som ett frystorkat pulver och genomgår omfattande kvalitetskontroller innan frisläppning till patient, inklusive bestämning av vattenhalt. För närvarande görs detta med hjälp av den kolorimetrisk Karl-Fischer (KF) titrering som är en noggrann och väletablerad metod. KF-titrering kräver dock farliga kemikalier, är tidskrävande, arbetskrävande och är provförstörande. En alternativ metod för bestämning av vatteninnehåll skulle kunna vara Nära Infrard (NIR) spektroskopi, en icke-destruktiv, enkel och snabbare metod. Målet med detta projekt var att utvärdera om NIR-spektroskopi kunde ersätta KF-titrering för bestämning av vattenhalt i Nuwiq®. För att göra detta spetsades 30 olika batcher av Nuwiq® med varierande mängder fukt i en fuktkammare. Spektra av de spikade proverna samlades in med hjälp av en FT-NIR Antaris II i diffust reflektansläge och programvaran Result Operation. KF-titrering utfördes sedan på samma prover för att erhålla referensvärden. De insamlade spektra användes för att bygga en kalibreringsmodell i TQ Analyst med hjälp av Partial Least Squares (PLS) regression och olika kemometriska tekniker för att minska brus, jämna ut data och optimera resultaten. KF-referensvärdena parades ihop med sina motsvarande NIR-spektra för att skapa en kalibreringsmodell. Modellens prestanda utvärderades genom att analysera 12 olika Nuwiq-batcher® som inte ingick i kalibreringsuppsättningen. Kalibreringsmodellen visade en stark prediktiv förmåga, med en korrelationskoefficient på 0,99899, ett Root Mean Square Error of Calibration (RMSEC) på 0,0362 och ett Standard Error of Prediction (SEP) på 0,0346 – vilket tyder på att modellen inte var överanpassad och förutspådde referensvärdena med hög precision. I vissa fall förutspådde dock modellen inte vattenhalten exakt, vilket tyder på ett behov av ytterligare utvärdering. Sammanfattningsvis visar NIR-kalibreringsmodellen potential som ersättning för KF-titrering i rutinmässig analys för bestämning av vattenhalt i Nuwiq®. Kalibreringsprovuppsättningen bör dock utökas till 50–100 för att förbättra robustheten, noggrannheten och precisionen.Nuwiq® is a recombinant Factor VIII (FVIII) product used to treat Hemophilia A, a recessive X-linked disorder characterized by severe FVIII deficiency, primarily affecting men. The product is sold as a lyophilized powder and undergoes extensive quality control before release, including determination of water content. Currently, this is done using the coulometric Karl-Fischer (KF) titration method, a highly accurate and well-established method. However, KF titration requires hazardous chemicals, is time-consuming, labor-intensive, and is sample-destructive. An alternative method for water content determination could be Near Infrared (NIR) spectroscopy, a non-destructive, simple and faster method. The goal of this project was to evaluate whether NIR spectroscopy could replace KF titration for water content determination in Nuwiq®. To do this, 30 different batches of Nuwiq® were spiked with varying amounts of moisture in a humidity chamber. Spectra of the spiked samples were collected using a FT-NIR Antaris II in diffuse reflectance mode and the Result Operation software. KF titration was then performed on the sample samples to obtain reference values. The collected spectra were used to build a calibration model in TQ Analyst, using Partial Least Squares (PLS) regression and various chemometric techniques to reduce noise, smooth the data and optimize results. The KF reference values were paired with their corresponding NIR spectra to create the calibration model. The model’s performance was evaluated by analyzing 12 different Nuwiq® batches not included in the calibration set. The final calibration model revealed strong predictive ability, with a correlation coefficient of 0.99899, a Root Mean Square Error of Calibration (RMSEC) of 0.0362, and a Standard Error of Prediction (SEP) of 0.0346 – suggesting that the model was not overfitted predicted the reference values with high precision. However, in some cases, the model did not predict the water content accurately, indicating a need for further evaluation. In conclusion, the NIR calibration model shows potential as replacement for KF titration in routine analysis of water content determination in Nuwiq®. However, the calibration sample set should be expanded to 50-100 to improve robustness, accuracy and precision.
Utforskande av ett AI-agentbaserat arbetsflöde för att lösa utmanande kodningsproblem : En utvärdering av ett storspråkmodellbaserat multi-agentsystem
No full textGenerative Artificial Intelligence (Gen AI) models have become very popular, especially after the public release of ChatGPT in late 2022. The demonstrated capabilities of these models have led researchers to use them to build agentic workflows, including Multi-Agent Systems (MAS), and explore their potential. Previous studies that investigate these systems’ coding abilities have shown promising results. However, these studies have mainly used coding benchmarks consisting of simple coding problems, leaving a gap in understanding coding ability of agentic workflows when facing coding problems of greater difficulty. This study tries to fill this gap by developing a MAS and evaluating its coding ability against 120 selected coding problems taken from Kattis, with the difficulty levels ranging from easy to hard. In the experiment, both the developed MAS (configured with Llama 3-70b) and a single Large Language Model (LLM) (Llama 3-70b) were tested on the selected coding problems using Kattis’ assessment system. The experiment showed that the MAS was significantly better than the single LLM when zero- shot prompting was used, increasing acceptance rates by 6.7% and decreasing failure rates by 11.7%. Overall, the results of this study suggest that using a designed LLM-based MAS offers a significant performance boost compared to a single LLM.Generativa AI-modeller (Gen AI) har blivit väldigt populära, speciellt efter ChatGPTs lansering i slutet av 2022. Modellernas uppvisade förmåga har lett till att forskare börjat använda dem för att bygga agentbaserade arbetsflöden, inklusive multi-agentsystem (MAS), samt utforskat deras potential. Tidigare studier som undersökt dessa systems kodningsförmågor har visat lovande resultat. Däremot har dessa studier i stort sett bara använt sig av kodningstester som består utav enklare kodningsproblem. Detta har lämnat en lucka i förståelsen av kodningsförmågan hos agentbaserade arbetsflöden när de möter svårare kodningsproblem. Denna studie försöker fylla denna lucka genom att utveckla ett MAS och evaluera dess kodningsförmåga mot 120 slumpmässigt utvalda kodningsproblem tagna från Kattis, med svårighetsgrader från lätt till svår. I experimentet testades både det utvecklade MAS (konfigurerat med Llama 3-70b) och en stor språkmodell (Llama 3-70b) på de utvalda kodningsproblemen. Därefter utvärderades deras genererade lösningar av Kattis. Experimentet visade att det MAS var signifikant bättre än den enskilda stora språkmodellen när inmatningsinstruktioner utan exempel användes. Acceptansgraden ökade med 6,7 % och felfrekvenser minskade med 11,7 %. Resultaten från denna studie tyder på att användningen av ett designat MAS ger en signifikant prestandaförbättring jämfört med en enskild stor språkmodell
NetHealth: ett system som automatiskt självläker felkonfigurationer i nätverket : Skapande av ett system som automatiskt upptäcker och åtgärdar felkonfigurationer i passiva optiska nätverk
No full textOver time, the amount of networking equipment has increased exponentially. As the networks grow, so does the complexity of managing them. Numerous errors and misconfigurations can appear in a network over its lifetime at any given time. Detecting and correcting those as soon as possible is a priority for many businesses. In this thesis, a new network automation system called NetHealth is presented. It can actively monitor failures and misconfigurations that can occur across multiple networks at any time. In the case of misconfigurations, it effectively corrects them according to the original intended state. Also, a network simulator called FakeNOS and a chaos engine that randomly creates failures and misconfigurations have been developed to test the system’s response under a controlled chaotic environment. The results prove that NetHealth can detect failures in under 5 minutes and resolve misconfigurations in less than 3 minutes. Although it only works in Passive Optical Network (PON) as of today, it has been designed so it can be easily extended to any other network. Moreover, a significant contribution of this thesis is all the statistics of the libraries used to connect to the devices and the developed tools to test the systems, such as the chaos engine and the FakeNOS network simulator.Med tiden har mängden nätverksutrustning ökat exponentiellt. I takt med att nätverken växer ökar också komplexiteten i hanteringen av dem. Många fel och felkonfigurationer kan dyka upp i ett nätverk under dess livstid och vid varje given tidpunkt. Att upptäcka och korrigera dessa så snart som möjligt är en prioritet för många företag. I denna avhandling presenteras ett nytt system för nätverksautomation som kallas NetHealth. Det kan aktivt övervaka fel och felkonfigurationer som kan uppstå i flera nätverk när som helst. Vid felkonfigurationer korrigerar systemet dem effektivt så att de återgår till det ursprungligen avsedda tillståndet. Dessutom har en nätverkssimulator kallad FakeNOS och en kaosmotor som slumpmässigt skapar fel och felkonfigurationer utvecklats för att testa systemets respons i en kontrollerad kaotisk miljö. Resultaten visar att NetHealth kan upptäcka fel på mindre än 5 minuter och åtgärda felkonfigurationer på mindre än 3 minuter. Även om det bara fungerar i PON nu, har det utformats så att det enkelt kan utvidgas till alla andra nätverk. Dessutom är ett viktigt bidrag i den här avhandlingen all statistik över de bibliotek som används för att ansluta till enheterna och de utvecklade verktygen för att testa systemen, till exempel kaosmotorn och nätverkssimulatorn FakeNOS
Maskininlärningsbaserad förutsägelse av diagnostiska felkoder i elfordonsbatterier : En multitemporal analys
No full textLithium-ion battery (LiB) dominates the traction battery market for battery electric vehicles (BEVs), in no small part due to its high energy density and long life-cycle. But the safety risks involved with the use of LiBs include overheating of battery cells that can potentially lead to fire incidents. This highlights the need for early fault prediction systems. Moreover, with the adoption of cloud technology, an increasing number of data-driven approaches have been enabled for the fault prediction of BEV LiBs. In particular, machine learning (ML) approaches have found success within this field, but there are some key challenges it faces such as limited fault data and the need for timely detection. This thesis proposes leveraging diagnostic trouble codes (DTCs) as proxy fault labels to predict critical BEV LiB faults using ML. DTCs are alerts generated by a vehicle’s self-diagnosis system and indicate a wide range of battery issues, but they are inherently reactive. By predicting critical DTCs using real-world BEV monitoring data, this work can transform these reactive alerts into proactive tools for fault prediction. Traditional supervised ML models—Decision Tree, Random Forest, and XGBoost—were trained on battery signals such as voltage, current, temperature, and state of charge (SoC) to predict critical DTCs. Short-term (120 minutes) and long-term (30 days) prediction frameworks were explored to explore the influence of temporal differences. The results demonstrates that ML models have robust performance when predicting critical DTCs. Random Forest achieved a F1-score of 0.9722 when predicting critical DTCs 45- minutes ahead while Decision Tree had a F1-score of 0.833 when predicting 3-days ahead on the hold-out test set. Long-term predictions benefited from XGBoost’s ability to handle non-linear feature interactions, with extended prediction windows yielding consistent improvements. Feature importance analysis revealed current-based signals as the most predictive, while SoC emerged as a key factor in identifying slower-evolving faults. This study highlights the potential of DTCs as proxy fault labels for ML-based BEV LiB fault prediction, advancing research for BEV predictive maintenance.Litiumjonbatterier (LiB) är de föredragna framdrivnings batterier för bat- teridrivet elfordon (BEV) på grund av dess höga energidensitet och långa livscyklar. Men säkerhätsriskerna som kommer med användning av batterierna inkluderar överhettning av batteri celler som kan potentiellt leda till brandincidenter. Detta motiverar behover av tidig felprediktion system. Dessutom har antagandet av moln teknologi möjliggjort användning av data- drivna metoder till felprediktionen av BEV LiB. Särskillt har maskininlärning metoder visat framgång, men de stötter på några utmaningar såsom begränsad feldata och behovet av tidig detektion. Denna avhandling föreslår att använda diagnostiska felkoder som anno- terad feldata för att prediktera krisika felkoder i BEV LiB. DTC är felkoder som genereras av fordones egna diagnos system. DTC:er kan indikera en stort mängd problem, men de är reaktiva och generareas efter ett fel har redan skett. Genom att prediktera kritiska DTC:er med hjälp av verkliga BEV LiB övervaknings data kan vi omvandla dessa reaktiva felkoder till proaktiva verktyg för felprediktion. Traditionella väglett lärande maskinlärnings modeller som Decision Tree, Random Forest och XGBoost tränades på batteri signal data som spänning, ström, temperature och ladningstillstånd för att prediktera kritiska DTC:er. Kortsiktiga (120 minuter) och långsiktiga (30 minuter) prediktions ramverk utforskades för att observera påverkan av tidsmässig skillnader. Reultaten demonstrerar att maskininlärnings modeller har robust prestanda när man prediktar kritiska DTC:er. Random Forest fick en F1-noggranhet av 0.9722 när den predikterar kritiska DTC:er 45 minuter i förväg, medans Decision Tree fick en F1-noggranhet av 0.833 när den predikterade 3 dagar i förväg på test data. XGBoost hade mest stabil prestanda över långsiktiga prediktioner, med ökande prestanda över längre prediktions fönster. Inbyggda funktions betydelsen visade att ström-baserade signaler hade mest betydelse, medans laddningstillståndets betydelse ökade vid långsiktiga prediktions ramverket. Den här studien visar potentialet hos DTC:er som annoterad feldata för maskininlärnings baserad felprediktion för batteridrivna elfordons litjumjon- batterier