Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Kolmogorov-Arnold Nätverk för förklarbar Förstärkningsinlärning
No full textThis thesis explores the effectiveness of Kolmogorov-Arnold Networks as interpretable function approximators in a Deep Reinforcement Learning context. We integrate Kolmogorov-Arnold Networks as both actor and critic networks within the Proximal Policy Optimization algorithm and benchmark their performances against Multi-Layer Perceptrons in two environments: CartPole and a Remote Electrical Tilt scenario. By integrating structured pruning, spline regularisation, andsymbolic regression, Kolmogorov-Arnold Networks produce compact policies characterised by sparse connectivity and interpretable symbolic expressions. Kolmogorov-Arnold Networks agents match the performance of MultiLayer Perceptrons while requiring significantly fewer parameters. Moreover, Kolmogorov-Arnold Networks make the extraction of closed-form symbolic policies possible, accurately approximating the learned behaviour and exposing the decision structure of the agent. In both environments, the symbolic outputs reflected the relevant input variables and control strategies. While Kolmogorov-Arnold Networks introduce additional training overhead, the resulting improvements in transparency and compactness make them a promising alternative for Reinforcement Learning applications where interpretability is essential.Denna uppsats undersöker effektiviteten hos Kolmogorv-Arnold Nätverk som tolkningsbara funktionsapproximatorer i ett Deep Förstärkningsinlärning-sammanhang. Vi integrerar KolmogorvArnold Nätverk som både aktörs- och kritikernätverk i Proximal Policy Optimization-algoritmen och jämför deras prestanda med Multi-Layer Perceptrons i två miljöer: CartPole och ett Remote Electrical Tilt-scenario. Genom att integrera strukturerad beskärning, spline-regularisering och symbolisk regression producerar KolmogorvArnold Nätverk kompakta policyer som kännetecknas av gles konnektivitet och tolkningsbara symboliska uttryck. Kolmogorv-Arnold Nätverk-agenter matchar prestandan hos Multi-Layer Perceptrons samtidigt som de kräver betydligt färre parametrar. Dessutom gör Kolmogorv-Arnold Nätverk det möjligt att extrahera symboliska policyer i sluten form, vilket ger en exakt approximation av det inlärda beteendet och avslöjar agentens beslutsstruktur. I båda miljöerna återspeglade de symboliska utdata de relevanta ingångsvariablerna och kontrollstrategierna. Även om Kolmogorv-Arnold Nätverk medför ytterligareutbildningsomkostnader, gör de resulterande förbättringarna i transparens och kompakthet dem till ett lovande alternativ för förstärkningsinlärningapplikationer där tolkningsbarhet är avgörande
Turbulence Generation and Left Ventricular Hemodynamics Elucidated Through Flow Decomposition
No full textIn recent years, the triple decomposition of the velocity gradient tensor has emerged as a novel vortex identification method in fluid flows. Although early algorithms for computing it were limited by an incomplete physical interpretation of the underlying mathematics, the decomposition has the potential to contribute to more than just vortex identification, such as shear estimation in blood flow and analysis of turbulence generation. An attractive feature of the triple decomposition is its ability to give a rotation measure uncontaminated by shear, something that many established methods fail to do. However, several different algorithms have been proposed for computing it, and not all of them yield the same results. Here, advances are presented not only in explaining this non-uniqueness and motivating a unified and simplified approach for computing the triple decomposition, but in widening the scope of its applications as well. In blood flow, shear is an important parameter that, if sustained at a high level, may contribute to platelet activation and subsequent thrombosis events such as stroke or myocardial infarction. Simulations are presented here of the intraventricular blood flow in the left ventricle of a human heart, both using a simplified model of the mitral valve to simulate transcatheter edge-to-edge repair, and introducing a novel arbitrary Lagrangian-Eulerian fluid-structure interaction model of the mitral valve. The triple decomposition is demonstrated to outperform the established von Mises-like scalar shear stress, which is shown to be contaminated by strain. A mathematical stability analysis of the shear, strain and rotation components from the triple decomposition is also used to motivate a novel process in turbulence generation. In a simulation of two adjacent vortices interacting to develop turbulent flow, a zig-zag pattern is identified as a mechanism that rearranges small-scale secondary vortices to transfer energy to larger scales, contributing to the formation of a turbulent energy spectrum. The results presented in this thesis contribute not only to better understanding and more straightforward computation of the triple decomposition, but also demonstrate its usefulness in improving analysis of potentially adverse shear in blood flow, as well as of fundamental aspects of turbulence generation.Under de senaste åren har triple decomposition av hastighetsgradienten framträtt som en ny metod för virvelidentifiering i flöden. Även om tidiga algoritmer för att beräkna den begränsades av en ofullständig fysisk tolkning av den underliggande matematiken, har dekompositionen potential att bidra till mer än enbart virvelidentifiering, exempelvis till uppskattning av skjuvning i blodflöde och analys av turbulensgenerering. En attraktiv egenskap hos triple decomposition är dess förmåga att ge ett rotationsmått som inte är kontaminerat av skjuvning, något som många etablerade metoder misslyckas med att uppnå. Flera olika algoritmer har dock föreslagits för att beräkna den, och alla ger inte samma resultat. Här presenteras framsteg inte bara gällande förklaring av denna brist på entydighet, och därigenom motivering av ett enhetligt och förenklat tillvägagångssätt för att beräkna triple decomposition, utan också gällande utvidgning av dess tillämpningsområden. I blodflöde är skjuvning en viktig parameter som, om den upprätthålls på en hög nivå, kan bidra till aktivering av blodplättar och påföljande tromboembolism såsom stroke eller hjärtinfarkt. Här presenteras simuleringar av det intraventrikulära blodflödet i den vänstra kammaren i ett mänskligt hjärta, både med användning av en förenklad modell av mitralisklaffen för att simulera kateterburen edge-to-edge-reparation, och med introduktion av en ny arbitrary Lagrangian-Eulerian fluid-struktur-interaktionsmodell av mitralisklaffen. Triple decomposition demonstreras överträffa det etablerade måttet von Mises-like scalar shear stress, som visas vara kontaminerat av töjning. En matematisk stabilitetsanalys av skjuvnings-, töjnings- och rotationskomponenterna från triple decomposition används också för att motivera en ny process inom turbulensgenerering. I en simulering av två intilliggande virvlar som interagerar för att utveckla turbulent flöde identifieras ett sicksackmönster som en mekanism som omorganiserar småskaliga sekundära virvlar och därmed överför energi till större skalor, vilket bidrar till att ett turbulent energispektrum bildas. Resultaten som presenteras i denna avhandling bidrar inte bara till en bättre förståelse och mer direkt beräkning av triple decomposition, utan demonstrerar också dess användbarhet för förbättrad analys av potentiellt skadlig skjuvning i blodflöde, samt av fundamentala aspekter av turbulensgenerering.QC 20251218</p
Maskininlärning med syntetisk data för prediktion av företag med hög tillväxt
No full textIdentifying high-growth firms is a critical challenge in finance and strategic investment, particularly within the context of mergers and acquisitions (M&A). This thesis explores the application of machine learning and synthetic data generation to improve early-stage detection and prediction of high-growth companies, using three-year samples of standardized financial statement data for private limited companies in Sweden, Norway, and Finland. To address the rarity of high-growth firms, which introduces severe class imbalance, we employ Conditional Tabular GANs (CTGAN), a deep generative model tailored to tabular data, to generate synthetic minority class samples. These are used to augment the real training data, with the goal of improving classification performance. CatBoost, a gradient boosting algorithm specifically optimized for categorical and tabular features, is used as the primary model for binary classification. Performance is evaluated using ROC-AUC, PR-AUC, and F1-score metrics, while SHAP values are used to interpret feature importance. The results show generally good classifying accuracy considering the class imbalance. It was also seen that augmenting real data with synthetic high-growth samples offers modest but consistent performance improvements in certain specific configurations but still has some limitations in other contexts. SHAP analysis reveals that company size, asset growth, and age are among the most predictive features for identifying high-growth firms. These findings suggest that synthetic data generation, in some cases, can support machine learning models in early identification of high-growth companies.Att identifiera företag med hög tillväxt är en kritisk utmaning inom finans och strategiska investeringar, särskilt i samband med "Mergers and Acquisitions" (M&A). Denna uppsats undersöker tillämpningen av maskininlärning och syntetisk datagenerering för att förbättra tidig identifiering och prediktion av sådana företag, med hjälp av treåriga urval av standardiserade finansiella redovisningsdata för privata aktiebolag i Sverige, Norge och Finland. För att hantera sällsyntheten av företag med hög tillväxt, vilket leder till en stor obalans i datan, använder vi Conditional Tabular GANs (CTGAN), en djupinlärningsmodell anpassad för strukturerad tabulär data, för att generera syntetiska företag ur minoritetsklassen. Dessa används för att förstärka den verkliga träningsdatan med målet att förbättra klassificeringsprestandan. CatBoost, en maskininlärningsmodell som är specifikt optimerad för kategoriska och tabulära variabler, används som huvudmodell för binär klassificering av företagen. Prestandan utvärderas med hjälp av prestandamått så som ROC-AUC, PR-AUC och F1-score, och SHAP-värden används för att tolka viktiga variabler. Resultaten visar generellt bra klassificeringsförmåga med hänsyn till obalansen mellan klasserna. De visar också att förstärkning av verklig data med syntetisk företagsdata ger blygsamma men konsekventa prestandaförbättringar i vissa specifika konfigurationer men har fortfarande vissa begränsningar i andra sammanhang. SHAP-analysen visar att företagets storlek, tillväxt i tillgångar och ålder är några av de mest prediktiva faktorerna för hög tillväxt. Resultaten antyder att syntetisk datagenerering i vissa fall kan stödja maskininlärningsmodeller med tidig identifiering av företag med hög tillväxt
Metodutveckling för detektion av flerfaldiga kromatininteraktioner med hjälp av streckkod och dropp-sekvensering
No full textDen tredimensionella organiseringen av kromatin spelar en avgörande roll i genregleringen, men traditionella metoder för att studera kromatininteraktioner, såsom Hi-C och ChIA-PET, saknar upplösning på enskilda komplex. detta examensarbete presenteras utvecklingen av Droplet-Barcoded-Sequencing for Multiwise Interaction Analysis (DBS-MIA), en ny metod som kombinerar kromatinimmunoprecipitering (ChIP) med droppbaserad barkodning för att möjliggöra högupplöst detektion av kromatininteraktioner. Metodens nyckelkomponenter omfattar ett datorbaserat urval av restriktionsenzymer (DpnII och NlaIII) för att optimera fragmentstorlekar, design av streckodade adaptrar som är resistenta mot sekundära strukturer samt en optimerad protokoll för avbindning. Felsökningsarbetet visade att avbindning vid 65 °C i närvaro av Proteinase K gav avsevärt bättre DNA-återvinning än kortare behandlingar vid hög temperatur.The three-dimensional organization of chromatin plays a critical role in gene regulation, yet traditional methods for studying chromatin interactions, such as Hi-C and ChIA-PET, lack single-complex resolution. This thesis presents the development of Droplet-Barcoded-Sequencing for Multiwise Interaction Analysis (DBS-MIA), a novel method combining chromatin immunoprecipitation (ChIP) with droplet-based barcoding to enable high-resolution detection of chromatin interactions. Key components of the method include computational selection of restriction enzymes (DpnII and NlaIII) to optimize fragment sizes, design of barcoded adapters resistant to secondary structures, and optimization of decrosslinking protocols. Troubleshooting revealed that decrosslinking at 65°C with Proteinase K significantly improved DNA recovery compared to shorter, high-temperature treatments. Successful integration of these steps together with future integration of droplet sequencing technologies establishes a framework for future analyses of chromatin interactions at single-complex resolution, potentially offering new insights into 3D genome organization, paving the way for clinical application
Waveguide-based Characterization of Magnetically-biased Soft Ferrites for Nonreciprocal Devices at Sub-THz Frequencies
No full textFerrites, traditionally used for non-reciprocal microwave devices, have so far mainly been limited to sub-100GHz frequencies due to lack of low-loss high-frequency ferrite materials and due to missing high-frequency characterisation data of recently appearing sub-THz soft-magnetic materials. In this study, we investigate the electromagnetic properties of the commercially available soft ferrite TT2-111 in the 69-110 GHz frequency range, with and without a magnetic bias, by mapping a parameterized model to the measurement data by minimizing a multi-variable error function over the whole frequency band. We are using, to the best of our knowledge for the first time in this frequency range for magnetic materials, a waveguide-based characterization method, which, as shown in this paper, is superior to free-space quasi-optical material characterization methods previously used in this frequency range. The material was characterized to a relative permittivity of 12.6, a dielectric loss tangent of 0.006, and a transverse permeability ranging from 0.86 to 0.99 in the investigated frequency band, which asserts the suitability of soft magnetic materials for this frequency range. The parameter-matched simulation model is excellently able to reproduce the behaviour of the measured data.Part of ISBN 978-2-87487-081-1QC 20251215</p
NK Parkaden Housing
No full textThe housing shortage problem has always been a significant issue in Stockholm. As we continue to build new housing, available space for construction is becoming increasingly limited. Building on top of an exciting building in central Stockholm is an effective solution to increace urban density. NK Parkaden was designed by Hans Asplund in the early 1960s and was given a blue label by the city, which means that it should be highly preserved and protected. I believe the best way to protect a building is by utilizing its value, bringing in more people, and making them love it as we do
AI-Based Prediction of Stock Movements: LSTM and GRU Models for the Swedish Market
No full textAtt förutse aktiekursrörelser är en central utmaning för investerare som strävar efteratt minska risker och öka framgången för sina investeringar. Detta examensarbeteundersöker potentialen hos två AI-baserade modeller, Long Short-Term memory(LSTM) och Gated Recurrent Unit (GRU), för att förutsäga kortsiktigaaktiekursrörelser på 5 aktier inom den svenska energisektorn. Modellerna tränadesmed historisk data, inklusive closing price och index, och utvärderades bland annatmed felmåttet Mean Squared Error. Resultaten visade att GRU presterade bättre änLSTM för kortsiktiga prognoser, tack vare dess enkla struktur och effektivareträningsprocess. Studien identifierade även indexinkludering som både har positivoch negativ effekt på resultatet beroende på modell och tidsperiod. Arbetet bidrar tillatt förbättra förutsägelser av aktier och föreslår flera områden för framtida forskning,såsom integration av fler parametrar och avancerade AI-modeller. Predicting stock price movements is a central challenge for investors seeking toreduce risks and increase the success of their investments. This thesis examines thepotential of two AI-based models, Long Short-Term Memory (LSTM) and GatedRecurrent Unit (GRU), to predict short-term stock price movements for five stocksin the Swedish energy sector. The models were trained on historical data, includingclosing prices and indices, and were evaluated using metrics such as Mean SquaredError. The results showed that GRU outperformed LSTM for short-term forecastsdue to its simpler structure and more efficient training process. The study alsoidentified that the inclusion of indices has both positive and negative effects on theresult, depending on the model and the time period. This work contributes toimproving stock predictions and suggests several areas for future research, such asthe integration of additional parameters and advanced AI models.
Physics Informed Neural Networks (PINNs) för neutroniska ekvationer
No full textArtificial Intelligence (AI), and more specifically Physics-Informed Neural Networks (PINNs), is playing an increasingly pivotal role in modern scientific and industrial applications, driving innovation across diverse fields. This thesis, "Physics Informed Neural Networks (PINNs) for neutronic equations," explores the potential of AI-driven methods in neutronics, a critical area of nuclear engineering. In this paper, we analyze the feasibility and limitations of PINNs when applied to neutronic equations, which are characterized by their eigenvalue nature, multidimensional complexity, and multigroup energy formulations. The study also evaluates Data-Enabled PINN (DEPINN), an advanced framework, and its relevance to current industrial applications. By addressing feasibility, accuracy, and practical constraints, this research aims to explore new opportunities for leveraging AI in core physics modeling. The results demonstrate that while the PINN framework yields satisfactory outcomes for solving the two-group diffusion equation on simple geometries, such as multiple fuel assemblies, it struggles to converge to a physically accurate solution for more complex systems, such as full-core nuclear reactor models. To address this limitation, sensor data or known flux points are integrated into the model, transitioning to a DEPINN framework. The DEPINN approach proves promising, achieving high-quality flux maps and accurate multiplication factors (keff) when provided with data representative of operational sensors (1,300 MW reactor). These capabilities highlight its potential for industrial applications.Artificiell Intelligens (AI), och mer specifikt Physics-Informed Neural Networks (PINNs), spelar en alltmer central roll inom moderna vetenskapliga och industriella tillämpningar och driver innovation inom en rad olika områden. Denna avhandling, "Physics Informed Neural Networks (PINNs) för neutroniska ekvationer", utforskar potentialen hos AI-baserade metoder inom neutronik, ett kritiskt område inom kärnteknik. I detta arbete analyseras genomförbarheten och begränsningarna av PINNs vid tillämpning på neutronikekvationer, vilka kännetecknas av sin egenvärdesnatur, multidimensionella komplexitet och flergrupps-energiformuleringar. Studien utvärderar också Data-Enabled PINN (DEPINN), en avancerad metodik, samt dess relevans för nuvarande industriella tillämpningar. Genom att adressera frågor om genomförbarhet, noggrannhet och praktiska begränsningar syftar denna forskning till att identifiera nya möjligheter att utnyttja AI inom kärnfysikalisk modellering. Resultaten visar att även om PINN-metoden ger tillfredsställande resultat vid lösning av tvågruppers diffusionsekvation för enkla geometrier, såsom bränsleknippen, har den svårt att konvergera mot en fysiskt korrekt lösning för mer komplexa system, exempelvis fullskaliga kärnreaktormodeller. För att hantera denna begränsning integreras sensordata eller kända flödesvärden i modellen, vilket möjliggör en övergång till DEPINN-metoden. DEPINN-ansatsen visar sig lovande och genererar högkvalitativa flödeskartor samt exakta multiplikationsfaktorer (keff) när modellen matas med data representativa för operativa sensorer (1,300 MW-reaktor). Dessa egenskaper belyser dess potential för industriella tillämpningar
Resiliensanalys för skyfall- och dagvattenhantering : En fallstudie för detaljplaneområdet Spelhagen i Nyköping
No full textNyköpings municipality have designed an detailed development plan within an land area owned by a private actor. The planning process is within the phase “granskning” and various investigations have been conducted, for example for topics such as stormwater, skyfall and environmental impact assessment. The thesis have been conducted to give new perspectives on the question how to plan and build with the stormwater and skyfall in mind. The focus of the study has been to perform a resilience analysis in order to complete the conducted investigations. In addition, the thesis have investigated whether or not the framework, which the resilience analysis have been based on, is suitable for answer questions regarding stormwater and skyfall. The methods used is site visit, semi-structured interviews and resilience assessment. The framework to analyse the resilience is based on the hand book ”Assessing Resilience in Social-Ecological Systems: Workbook for Practitioners” published of Resilience Alliance (2010). The interviews which have been embedded into the resilience analysis. When questions from the analysis have been answered, the model applied, thresholds identified, actors assessed and new strategies designed and resulted in new aspects on the land queries. In theory the results from the analysis means a new case study have been studied in dept and the resilience concept get further spread. In practice the result means that the planers on Nyköpings municipality have received a new perspective on land and water questions. The main benefit it yields more in dept understanding of how resilience assessments can be used in urban planning. What remains in the planned development area is the physical design of solutions for handling the stormwater and skyfall. Furthermore the study illustrates the need for an updated resilience assessment framework to better fit urban planners which investigates the connection between environment and society. Nyköpings kommun har detaljplanelagt ett markområde som ägs av en privat aktör. Planprocessen är för nuvarande i granskningsskedet och flertalet utredningar av bl.a. dagvatten, skyfall och miljökonsekvensbeskrivning har genomförts. Studien har utförts för att få nya perspektiv på frågan hur man ska planera, bebygga och samtidigt utforma lösningar för dagvatten och skyfall. Studiens fokus har varit att genomföra en resiliensanalys för att komplettera de genomförda utredningarna. Dessutom har studien undersökt om ramverket som resiliensanalysen har använt är lämpligt för att besvara frågeställningar kring dagvatten och skyfall. Metoderna som har använts är platsbesök, semistrukturerade intervjuer och resiliensanalys. Ramverket för analysen av resiliens baseras på en handbok som heter ”Assessing Resilience in Social-Ecological Systems: Workbook for Practitioners” publicerad av Resilience Alliance (2010). Intervjuerna har använts som underlag i resiliensanalysen. När frågorna i analysen besvarats, modellerna applicerats, trösklarna identifierats och aktörerna utvärderats kunde strategier utformas och resulterade i nya aspekter på markfrågan. I teorin betyder resultaten från analysen att en ny fallstudie kan studeras och resiliensbegreppet har fått ytterligare spridning. I praktiken betyder resultaten att planerarna på Nyköpings kommun har fått ett nytt perspektiv på mark och vattenfrågan. Huvudnyttan med studien är att det ger en ytterligare förståelse för hur resiliensanalys kan användas i ett tidigt skede i samhällsplaneringen. Det som återstår att lösa i detaljplaneområdet är både den fysiska utformningen av lösningar för hanteringen av dagvatten och skyfall. Studien belyser dessutom behovet av en uppdatering av det teoretiska ramverket, för att bättre kunna passa samhällsplanerare som utvärderar sambandet mellan samhälle och natur.
The consequences of the lack of data registration for the traceability of single-use medical devices in the operating room : A study on patient safety, quality of care, and efficiency
No full textStudien undersöker konsekvenserna av avsaknaden av spårbarhet av medicintekniska engångsartiklar på Nya Karolinska i Solna. Informationssökning, semistrukturerade intervjuer och observation har tillämpats för insamling av data för genomförande av en riskanalys. Två engångsartiklar analyserades utifrån den potentiella risken att en vårdskada uppstår. Riskanalysen resulterade i att det finns en patientsäkerhetsrisk med användandet av dessa artiklar. Riskerna kan reduceras med hjälp av registrering, vilket även möjliggör spårbarhet och kan minimera stressfaktorer för vårdpersonal i operationssal. Resultatet av studien visar att registrering av medicinska engångsartiklar under operation medför förbättrad patientsäkerhet, vårdkvalitet och effektiv sjukvård.The study examines the consequences of the lack of traceability of single-use medical devices at Nya Karolinska in Solna. Information retrieval, semi-structured interviews, and observation were applied to collect data for a risk analysis. Two single-use items were analyzed based on the potential risk of causing patient harm due to medical care. The risk analysis concluded that there is a patient safety risk associated with the use of these items. These risks can be reduced through registration, which also enables traceability and minimizes stress factors for healthcare staff in the operating room. The study's results indicate that the registration of single-use medical devices during surgery leads to improved patient safety, healthcare quality, and efficient medical care