Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Faltande neurala nätverksmodeller för upptäckt av flervägsutbredningsinterferens i pulsade radarsignaler i en icke-koherent mottagare
No full textThis thesis researches if convolutional neural network models can be used to detect and classify multipath signal propagation in radar signals. Specifically, a convolutional neural network model is used to detect multipath propagation in a simulated frequency modulated pulsed radar signal. A combined determin- istic and stochastic signal propagation software model is used to generate a labeled data set that emulates pulses detected by radar warning system located on a vessel in a marine environment. The simulated data set is created and quantified with MATLAB and is represented in the form of in- phase and quadrature signals. The model is trained and evaluated on data that represent no multipath signal propagation, multipath signal propagation, and non-multipath interference (two separate emitters that interfere without multipath) in two separate scenarios for a wide range of signal-to-noise ratios. The machine learning model has an average accuracy of 91.78% on the test set and produces robust results for high signal-to-noise environments for the multipath classes.Denna masteruppsats undersöker om faltande neurala nätverksmodeller kan användas för att upptäcka och klassificera flervägsutbredning i radarsignaler. Ett neuralt nätverk med faltande filter används för att upptäcka flervägsutbredn- ing i en simulerad, pulsad, frekvensmodulerad radarsignal. En kombinerad deterministisk och stokastisk signalutbredningsmodell används för att genere- ra en märkt datamängd som emulerar pulser upptäckta av ett radarvarnarsystem placerat på en farkost i en marin miljö. Det simulerade datamängden är skapad med hjälp av MATLAB och representeras i kvadraturamplitudmodellering. Modellen är tränad och utvärderad på data som representerar fallen ingen flervägsutbredning, flervägsutbredning samt falsk flervägsutbredning (två sepa- rata radarkällor som interfererar utan flervägsutbredning) för en mängd signal- brusförhållanden i två olika scenarier. Maskininlärningsmodellen har en genomsnittlig prestanda på 91.78% och är robust även i svåra brusförhållanden för flervägsutbredningsklasserna
Mobility Benefit Districts. Travel and liveability impacts, acceptability and governance of new tools for accelerating transitions in the 15min city : MBD15, WP2 working report on the Learning Case Lincoln-Siedlung, Darmstadt (Germany)
No full textQC 20250408</p
Natural Language Communication with Sensor Data Through a LLM-Integrated Protocol : A Case Study
No full textThe ability to share data can facilitate cooperation and decision making throughout the entire life cycle of buildings, from initial stages of planning, through design and construction, up to the management of assets and towards end of life and recycling or reuse. Accordingly, the different actors of the Construction industry can share data and functionalities across software platforms through automated processes. Such processes involve stakeholders with heterogeneous backgrounds; for this reason, it is of value to make data available to people without expert knowledge of specific programs or computer systems. This study is concerned with digital protocols for automated capturing of real-time sensor data for the assessment of building performance. The research explores a Large Language Model (LLM) driven protocol for sensor data acquisition to evaluate building performance, leveraging the existing database where building data is stored. Using pre-written prompts which instruct how to carry out tasks in a step-by-step manner, the LLM can utilize pre-defined functions built upon API calls for communication with sensor data, including data acquisition, post-processing, and interpretation. The LLM receives instructions by the User using natural language. Initial tests underscore the protocol feasibility, highlighting its potential utility to improve the data communication of existing digital twins for individuals without professional expertise in building management. A case study exemplifies how human instructions in natural language trigger the LLM to invoke a request for indoor climate sensor data in a building. The developed tool was tested by professionals working in the Construction industry and the Educational Sector to provide feedback on its practical application. This evaluation helped to identify weaknesses for future developments and proved the flexibility and adaptability of the method. As advancements in Artificial Intelligence (AI), particularly in LLMs, continue to surge, there is anticipation for further refinements. This includes cost reduction, enhanced stability, and the integration of more advanced functionalities such as advanced data analysis using machine learning coded by LLM.Part of proceedings ISBN 978-3-031-87363-8, 978-3-031-87364-5QC 20250408</p
Humor for graduate training
No full textHumor genuinely engages graduate students with their scientific training.QC 20250424</p
Mitigating uncertainties in adaptive radiation therapy by robust optimization
No full textThe fractionated delivery of radiation therapy leads to discrepancies between the planning image and the patient geometry throughout the treatment course. Adaptive radiation therapy (ART) addresses this issue by modifying the plan based on additional image information acquired closer to the time of delivery. However, technologies used in ART introduce new uncertainties in the treatment modeling. This thesis deals with the mitigation of uncertainties that are introduced in the context of ART workflows. The first two appended papers address mitigating uncertainty related to localizing the tumor and the relevant organs-at-risk (OARs). In Paper A, we consider phantom cases with isotropic, microscopic tumor infiltration around a visible tumor. We compare minimization of the expected value of the objective function to the conventional minimization of an objective function applied to a margin designed to contain the tumor with sufficient probability. The results show that the approach can improve the sparing of a nearby OAR, at the expense of increasing the total dose. In Paper B, we compare multiple formulations of the objective function under contour uncertainty, given a non-isotropic uncertainty model represented by a set of contour scenarios. At comparable tumor dose, margins derived from the scenarios outperform methods from clinical practice in terms of sparing OARs and limiting the total dose. In comparison, considering the scenarios explicitly, including minimizing the expected value of the objective function over the scenarios, spares the OARs further at the expense of total dose. The three subsequent papers address motion-related uncertainty, which is particularly relevant in particle treatments. In Paper C, we investigate a robust optimization method that explicitly considers the radiation delivery’s time structure. It is applied to lung cancer cases with synthesized, irregular breathing motion, and the results indicate that it outperforms the conventional method that does not consider the time structure. In Paper D, we simulate the use of a real-time adaptive framework that re-optimizes the plan during delivery, based on the observed and anticipated patient motion. It is shown to have substantial dosimetric benefits, even under simplifying approximations that would facilitate an actual real-time implementation. In PaperE, we estimate the error associated with performing dose calculations that consider motion when the temporal resolution of the time-varying patient image is low. We apply a method to synthesize intermediate images and propose a temporal resolution required to mitigate the error. Finally, in Paper F, we address some of the computational issues introduced by the robust optimization methods from the other papers. We propose methods that reduce the number of scenarios considered during robust optimization to reduce the associated computation times.Vid fraktionerad strålbehandling administreras strålningen i mindre doser över flera behandlingstillfällen. Detta medför avvikelser mellan patientens faktiska anatomiska tillstånd vid varje enskild fraktion och den bild som använts för dosplanering. Adaptivstrålbehandling (ART) adresserar denna utmaning genom modifiering av behandlingsplanen utifrån ytterligare bildinformation som erhålls närmre inpå leverans av en enskild fraktion. Teknologier som används i ART introducerar dock nya osäkerheter i behandlingsmodelleringen. Denna avhandling undersöker hantering av de osäkerheter som uppstår i samband med arbetsflöden för ART. Avhandlingens första två bifogade artiklar behandlar metoder som hanterar osäkerhet i lokaliseringen av tumören och berörda riskorgan. I Artikel A använder vi oss av fantomfallmed isotrop, mikroskopisk tumörinfiltration runt en synlig tumör. Vi jämförminimering av målfunktionens väntevärde med konventionell minimering av en målfunktiontillämpad på en marginal som är utformad för att innefatta tumören med högsannolikhet. Resultaten visar att metoden kan förbättra skyddet av ett närliggande riskorgan, på bekostnad av en ökad totaldos. I Artikel B jämför vi flera formuleringar av målfunktionen vid kontureringsosäkerhet, givet en icke-isotrop osäkerhetsmodellrepresenterad av en uppsättning konturscenarier. Vid jämförbar tumördos överträffar scenariobaserade marginaler metoder från klinisk praxis när det gäller att skonariskorgan och att begränsa totaldosen. Vidare visar sig metoder som explicit beaktarscenarierna var för sig, inklusive minimering av målfunktionens väntevärde övermängden scenarier, kunna skona riskorgan ytterligare på bekostnad av högre totaldos. Därefter följer tre artiklar som behandlar rörelserelaterad osäkerhet, vilket är särskilt relevant vid partikelstrålning. I Artikel C undersöker vi en optimeringsmetod som uttryckligen tar hänsyn till tidsstrukturen i leveransen av strålning. Metoden tillämpas på lungcancerfall med syntetiserad, oregelbunden andningsrörelse, och resultaten indikeraratt den överträffar en konventionell metod som inte tar hänsyn till tidsstrukturen. I Artikel D simulerar vi användningen av en realtidsadaptiv metod som optimerar behandlingsplanen under leveransen baserat på observerad och förväntad patientrörelse. Metoden visar betydande dosimetriska fördelar, även under förenklande antaganden som skulle underlätta en faktisk realtidsimplementering. I Artikel E uppskattar vi feletvid dosberäkningar som beaktar rörelse, när tidsupplösningen i den tidsberoende patientbilden är låg. Vi tillämpar en metod för att syntetisera mellanliggande bilder och föreslår en tillräcklig tidsupplösning för att minska felet. Slutligen behandlar vi i Artikel F vissa beräkningsmässiga utmaningar som introducerasav optimeringsmetoderna i övriga artiklar. Vi föreslår metoder som minskar antalet scenarier som beaktas vid robust optimering, för att också minska mängden beräkningar.QC 2025-04-28</p
Utvärdering och optimering av AI-baserad analys för basbandssystem : Effekterna av beskärning, klustring och kvantisering på neuronnätsförutsägelse av siktlinjeblockering
No full textMillimeter-wave and sub-terahertz frequencies are emerging as key technolo- gies for future baseband networks in the telecommunications industry, as they enable higher data rates and lower latency, critical factors for both users and service providers. However, these media rely heavily on maintaining a clear line-of-sight between the emitter and the receiver to provide the desired service level. Machine learning and neural network-based models have demonstrated promising results in predicting future line-of-sight conditions between a base station and a client, particularly by leveraging radar to sense the surrounding environment. Research has been conducted on developing machine learning models for predicting future line-of-sight blockage using radar. However, no real-world implementation has yet been industrialized and deployed, as several challenges remain. Baseband equipment is subject to stringent hardware constraints to minimize energy consumption and production costs, as well as strict timing requirements that significantly influence the feasibility of executing such models on the system. This thesis specifically examines the hardware requirements associated with running a model for line-of-sight blockage prediction, how these requirements scale with the neural network optimizations: network pruning, weight clustering, and network quantization, and if it is feasible to run this model on real-world deployed hardware. To accomplish this, we tested the model with all different combinations of software optimization, on two different inference platforms based on TFlite and ONNX, on one ARM and one X86-based simulated hardware platform using the gem5 hardware simulator. Each hardware platform was designed to mirror hardware that is suitable for a real-world baseband system. This thesis examines the hardware requirements for running a model developed by Demirhan and Alkhateeb for line-of-sight blockage prediction, how these requirements scale with the three neural network optimization techniques network pruning, weight clustering, and quantization, and the feasibility of deploying this model on real-world hardware. To evaluate this, the model was tested with various combinations of software optimizations on two different inference platforms, based on TFLite and ONNX, respectively. These tests were conducted on simulated ARM- and x86-based hardware platforms using the gem5 hardware simulator. Each simulated hardware configuration was designed to reflect architectures suitable for real-world baseband systems. The results in this thesis concluded that neither unstructured pruning nor clustering affected the hardware requirements of running the model. Quantization greatly reduced the memory traffic volume and bandwidth by 44% and 62% respectively, but increased inference time by 48% on TFlite and 50% on ONNX. Structured pruning improved all hardware characteristics across the board, with a 34% to 80% decrease in the number of committed CPU instructions, a 51% to 70% decrease in memory volume, and a 25% decrease to a 45% increase in bandwidth depending on the platform, as well as providing the lowest inference time. Integer instructions, SIMD integer instructions, and SIMD floating-point instructions were the most utilized CPU instructions regardless of the platform, with quantization heavily skewing the results from SIMD floating-point to SIMD integer instructions. Lastly, we concluded that running this model for line-of-sight prediction on hardware suitable for baseband systems would be feasible, as the expected inference time on real hardware would be lower than 30ms, allowing for fast reactions to environmental changes.Millimetervågor och sub-terahertzfrekvenser är dominanta i framtida bas- bandsnätverk inom telekomindustrin. Dessa frekvenser möjliggör högre hastigheter och lägre latens, två avgörande faktorer för både användare och operatörer. Samtidigt är dessa tekniker starkt beroende av fri sikt mellan sändare och mottagare för att kunna uppnå önskad prestanda. Användning av maskininlärning och modeller baserade på neurala nätverk har visat stor potential för att förutsäga framtida förhållanden för fri sikt mellan en basstation och en användare, särskilt genom att använda radar för att kartlägga omgivningen. Tidigare forskning har tagit fram maskininlärningsmodeller för att förutse blockering av fri sikt med hjälp av radar. Än så länge har dock inga lösningar implementerats i verkliga industriella system då det fortfarande existerar flera utmaningar som behövar hanteras. Basbandsutrustning har strikta hårdvarukrav för att hålla energiförbrukning och produktionskostnader nere, samtidigt som hårda tidskrav begränsar vad som faktiskt kan köras på systemen. I den här projektet har vi undersökt vilka hårdvarukrav som krävs för att köra en modell för att förutsäga blockering av fri sikt. Vi har också studerat hur dessa krav påverkas av olika optimeringar av neurala nätverk, såsom nätverksbeskärning, viktklustring och kvantisering, samt om det är praktiskt möjligt att köra modellen på verklig hårdvara som används i basbandsystem. För att genomföra detta testades modellen med olika kombinationer av mjukvaruoptimeringar på två inferensplattformar baserade på TFlite och ONNX. Dessa kördes på en ARM- och en X86-baserad simulerad hårdvaruplattform med hjälp av hårdvarusimulatorn gem5. Varje plattform var utformad för att efterlikna hårdvara som kan förekomma basbandsystem. Resultaten visade att ostrukturerad beskärning och klustring inte hade någon större inverkan på modellens hårdvarukrav. Kvantisering däremot minskade både minnesåtkomstvolymen och minnesbandbredden markant, med 44% respektive 62%, men ledde också till en ökning av inferenstiden med 48% för TFlite och 50% för ONNX. Strukturerad beskärning förbättrade däremot alla aspekter av hårdvarukraven, med en minskning av CPU- instruktionerna med 34–80%, en minskning av minnesåtkomstvolymen med 51–70%, samt en förändring av minnesbandbredden som varierade mellan en minskning på 25% och en ökning på 45% beroende på plattform. Dessutom hade denna optimering de kortaste inferenstiderna. Vi fann också att heltalsinstruktioner, SIMD-heltalsinstruktioner och SIMD-flyttalsinstruktioner var de mest frekvent använda CPU-instruktionerna, oavsett plattform. Kvantisering påverkade kraftigt fördelningen mellan SIMD- flyttals- och heltalsinstruktioner och ledde till en ökad användning av heltalsinstruktioner. Sammanfattningsvis visar resultaten att det är möjligt att köra en modell för förutspå blockeringar av fri sikt på hårdvara som är lämplig för basbandsystem. Den beräknade inferenstiden för modellen på verklig hårdvara förväntas vara under 30 millisekunder, vilket gör att systemet kan reagera snabbt på förändringar i omgivningen
Fine-Tuning a Deep Learning Model for grasping synthesis of unknown objects in recycling : Improving grasping success rate for scrap metal recycling
No full textThis thesis addresses the challenge of robotic grasping of unknown objects in recycling environments, a critical aspect of automating waste management processes. Robotic grasping systems often face difficulties with the variability in shape, size, and material of items, particularly in unstructured settings like recycling plants. The significance of this problem lies in the pressing need for efficient, automated sorting systems that can manage the diverse nature of scrap metal. We define scrap metal as the rest from crushed metallic components. This automation would reduce human involvement in hazardous environments. The complexity of the problem arises from the limitations of traditional grasping methods, which frequently depend on detailed 3D models or predefined grasp points that are not viable when dealing with unfamiliar objects. To tackle this issue, the research focused on finetuning an existing deep learning model, PEGG-Net, initially trained on an everyday object dataset. The adaptation process involved using a custom dataset of reallife scrap metal, with a 4 Degrees of Freedom (DoFs) grasping approach. The method utilized RGB-D images to predict grasp quality, angle, and width for each pixel, and a robot equipped with a radial gripper to test the grasp generated. A critical insight from this study was the adjustment of the batch normalization layers within the network, ensuring better alignment between the input data and the original training data—a key factor for successful finetuning in optimizing model performance, as well as highlighting the necessity of a comprehensive, accurate dataset for finetuning. The dataset was generated by conducting robotic grasp attempts on various objects, with each grasp scored to provide target outputs for the network. The results showed a significant increase in grasp success rate, improving from 43% with the original model to 95% postfinetuning. This marked enhancement underscores the importance of adapting general models to specific applications. The finetuned model exhibited improved object detection and more consistent grasping across various types of scrap metal, demonstrating the potential of finetuning deep learning models for practical, realworld robotic applications. Future research directions include expanding the methodology to accommodate moving objects, integrating feedback mechanisms from the gripper, and exploring more sophisticated grasping strategies, such as 6-DoF approaches.Denna avhandling behandlar utmaningen med att låta robotar greppa okända objekt i återvinningsmiljöer – en kritisk aspekt av automatiseringen av avfallshanteringsprocesser. Robotiska greppsystem ställs ofta inför svårigheter relaterade till variationer i form, storlek och material hos föremål, särskilt i ostrukturerade miljöer som återvinningsanläggningar. Problemet är särskilt relevant med tanke på det akuta behovet av effektiva, automatiserade sorteringssystem som kan hantera metallskrotets mångfacetterade natur. Här definieras metallskrot som rester från krossade metallkomponenter. Genom att automatisera denna process kan man minska den mänskliga exponeringen för farliga arbetsmiljöer. Utmaningens komplexitet grundar sig i begränsningarna hos traditionella greppmetoder, som ofta bygger på detaljerade 3D - modeller eller fördefinierade greppunkter – strategier som inte är praktiskt genomförbara vid hantering av okända objekt. För att möta denna utmaning fokuserade forskningen på att finjustera en befintlig djupinlärningsmodell, PEGG-Net, som ursprungligen tränats på ett dataset bestående av vardagsföremål. Anpassningen innebar användning av ett skräddarsytt dataset med verkligt metallskrot, där greppstrategin baserades på fyra frihetsgrader. Metoden använde RGBD-bilder för att förutsäga greppkvalitet, vinkel och bredd för varje pixel, och ett robotsystem med en radiell griptång användes för att testa de genererade greppen. En avgörande insikt i studien var justeringen av batchnormaliseringslagren i nätverket, vilket förbättrade samspelet mellan indata och de ursprungliga träningsdata – en nyckelfaktor för lyckad finjustering och optimering av modellens prestanda. Studien underströk också vikten av ett omfattande och korrekt dataset vid finjusteringsprocessen. Datasetet togs fram genom att roboten genomförde greppförsök på olika objekt, där varje försök poängsattes för att generera måldata för nätverket. Resultaten visade en markant förbättring i antalet lyckade grepp – från 43 % med den ursprungliga modellen till 95 % efter finjusteringen. Denna påtagliga förbättring belyser vikten av att anpassa generella modeller till specifika tillämpningar. Den finjusterade modellen uppvisade förbättrad objektdetektering och mer konsekventa grepp över ett brett spektrum av metallskrot, vilket tydligt visar potentialen hos finjusterade djupinlärningsmodeller för praktisk, verklighetsnära robotik. Framtida forskningsvägar inkluderar att vidareutveckla metodiken för att hantera rörliga objekt, integrera återkopplingsmekanismer från gripdonet samt att utforska mer avancerade greppstrategier, såsom grepp med sex frihetsgrader.Ce mémoire de maîtrise aborde le défi de la préhension robotique d’objets inconnus dans les environnements de recyclage, un aspect critique de l’automatisation des processus de gestion des déchets. Les systèmes de préhension robotique sont souvent confrontés à des difficultés liées à la variabilité de la forme, de la taille et du matériau des objets, en particulier dans des environnements non structurés tels que les usines de recyclage. L’importance de ce problème réside dans le besoin de systèmes de tri efficaces et automatisés capables de gérer la nature diverse des déchets métalliques. Nous définissons ces déchets comme le reste de composants métalliques écrasés. Cette automatisation réduirait l’implication humaine dans des environnements dangereux. La complexité du problème provient des limites des méthodes de préhension traditionnelles, qui dépendent généralement de modèles 3D détaillés ou de points de préhension prédéfinis qui ne sont pas viables lorsqu’il s’agit d’objets non familiers. Pour résoudre ce problème, la démarche a été de se concentrer sur l’adaptation d’un modèle d’apprentissage profond existant, PEGG-Net, initialement formé sur un ensemble de données d’objets du quotidien. Le processus d’adaptation a impliqué l’utilisation d’un ensemble de données personnalisé de déchets métalliques réels, avec une approche de préhension à 4 degrées de libertés. La méthode utilise des images RVB-Profondeur (RGBD) pour prédire la qualité, l’angle et la largeur de la saisie pour chaque pixel, et un robot équipé d’une pince radiale pour tester la saisie générée. L’ajustement des couches de normalisation des lots au sein du réseau a constitué un élément essentiel de cette étude. Il a permis d’assurer un meilleur alignement entre les données d’entrée et les données d’apprentissage d’origine — un facteur clé pour une mise au point réussie en vue d’optimiser les performances du modèle — et de souligner la nécessité de disposer d’un ensemble de données complet et précis pour le réglage fin. L’ensemble des données a été généré par des tentatives de préhension robotique de divers objets, chaque préhension étant notée pour fournir des sorties cibles au réseau. Les résultats ont montré une augmentation significative du taux de réussite de la saisie, qui est passé de 43% avec le modèle original à 95% après le réglage fin. Cette nette amélioration souligne l’importance d’adapter des modèles généraux à des applications spécifiques. Le modèle affiné a permis une meilleure détection des objets et une saisie plus cohérente de divers types de déchets métalliques, ce qui démontre le potentiel de l’affinement des modèles d’apprentissage profond pour les applications robotiques pratiques et réelles. Les directions de recherche futures comprennent l’extension de la méthodologie pour prendre en compte les objets en mouvement, l’intégration de mécanismes de retour d’information de la part du préhenseur et l’exploration de stratégies de saisie plus sophistiquées, telles que les approches 6 degrées de libertés
Manual för att registrera exjobb i DiVA
No full textEn manual för administratörer som arbetar med DiVA.QC 20250507</p
Covariant spatio-temporal receptive fields for spiking neural networks
No full textBiological nervous systems constitute important sources of inspiration towards computers that are faster, cheaper, and more energy efficient. Neuromorphic disciplines view the brain as a coevolved system, simultaneously optimizing the hardware and the algorithms running on it. There are clear efficiency gains when bringing the computations into a physical substrate, but we presently lack theories to guide efficient implementations. Here, we present a principled computational model for neuromorphic systems in terms of spatio-temporal receptive fields, based on affine Gaussian kernels over space and leaky-integrator and leaky integrate-and-fire models over time. Our theory is provably covariant to spatial affine and temporal scaling transformations, and with close similarities to visual processing in mammalian brains. We use these spatio-temporal receptive fields as a prior in an event-based vision task, and show that this improves the training of spiking networks, which otherwise is known as problematic for event-based vision. This work combines efforts within scale- space theory and computational neuroscience to identify theoretically well-founded ways to process spatio-temporal signals in neuromorphic systems. Our contributions are immediately relevant for signal processing and event-based vision, and can be extended to other processing tasks over space and time, such as memory and control
Leading Edge Erosion Influence on the Aeroelastic Response in a Transonic Compressor Cascade : A Numerical and Experimental Approach
No full textCurrent trends to enhance the aeroengines efficiency rely on more challenging working conditions with lighter, slender, and high-loaded blades. Thishigh power-to-weight ratio can make the blades from the front stages moreprone to face aeromechanic instabilities such as flutter. While key factorsthat affect flutter onset are well established in the literature, the effect ofleading edge erosion mechanisms is vastly sparse or not reported.An oscillating transonic linear cascade has been conceptualized and developed for validation at KTH Royal Institute of Technology. In this testrig, an assessment of the effect of the leading edge erosion mechanism onthe aeroelastic response is performed. The analyzed operating points arerepresentative of a transonic axial compressor at part speed where a shockinduced separation mechanism is present. The aeroelastic measurementsare performed at the first natural bending mode. The presented thesis comprises three key aspects: the aeroelastic response of a smooth reference case,the identification of limitations in roughness wall modeling, and the aeroelastic response under leading edge erosion mechanisms. For the latter, theblades have been subjected to an increase in roughness at the leading edgefor the rough case, and the leading edge has been eroded and roughened forthe eroded case.The results indicate that for the smooth case, the numerical modelstend to overpredict the aeroelastic response downstream from the shockinduced separation compared to the experimental data. Surface roughnesswall modeling showed limitations when separated regions exist at fully roughwall regimes. When erosion mechanisms are introduced, the numerical results predict an opposite trend compared to the experimental observations.The experimental data from the eroded case showed a local increase in theunsteady pressure amplitude while the phase remained unchanged.Nuvarande trender för att förbättra effektivitet hos moderna flygmotorer bygger på alltmer utmanande driftförhållande med lättare, smalare och höglastade blad. Detta resulterar i ett högt effekt-till-vikt-förhållande som kan göra bladen i de främre stegen i en flygmotor mer benägna att drabbas av aeromekaniska instabiliteten, såsom fladder. Aven om nyckelfaktorer som påverkar fladderpåslag är ¨ väl etablerade i litteraturen, är effekterna av erosionsmekanismer som utvecklas på bladets framkant till följd av långvarig och ogynnsam drift mycket sparsamt studerade eller i vissa fall inte rapporterade alls. En oscillerande transsonisk linjär kaskad har konceptualiserats och utvecklats vid Kungliga Tekniska Högskolan (KTH) för studier av aeroelastisk gensvar hos kompressorblad. I denna testrigg genomförs en utvärdering av effekten av framakantserosion på det aeroelastiska gensvaret. Driftpunkter som analyseras är representativa för en transsonisk axiell kompressor vid dellast, där en stötvågsinducerad separationsmekanism uppstår. De aeroelastiska mätningarna utförs vid den första böjmoden. Den här avhandlingen omfattar tre nyckelaspekter: det aeroelastiska gensvaret för ett referensfall med nominell bladgeometri, identifiering av begränsningar i modellering av bladens ytråhet, samt det aeroelastiska gensvaret för kompressorblad med eroderad framkant. För de senare fallen har kaskadskovlarna utsatts först för en ökad ytråhet i framkantsområdet (benämns som rough case i texten), och i nästa steg har även erosion av framkanten inducerats (benämns som eroded case vidare i texten). Resultaten visar att i fallet med en ökad ytråhet tenderar de strömningsberäkningsmodeller som använts i studien att överskatta det aeroelastiska svaret nedströms från den stötvågsinducerade separationen, jämfört med de experimentella data. Modeller för simulering av ökad ytråhet visade sina begränsningar i fallet med separerad strömning och fullt utvecklade höga ytråhetsförhållanden. När erosionsmekanismer introduceras predikterar de numeriska simuleringar en motsatt trend jämfört med vad som har observerats i experiment. Mätdata från det eroderade fallet visar en lokal ökning av den instationära tryckamplituden medan fasförskjutningen förblir oförändrad jämfört med referensfallet