Chalmers Open Digital Repository
Not a member yet
26247 research outputs found
Sort by
Prissättning av offentliga elbilsladdare – en marknadsmodellering
No full textThis thesis investigates how dynamic pricing influences profitability and utilization at public fast-charging stations for electric vehicles. As electric vehicle adoption increases, efficient management of charging demand and competitive pricing strategies may become essential for charge point operators.
The study uses an agent-based model to simulate fast-charging stations along a highway, capturing interactions between demand fluctuations, competition and customer behavior. The model evaluates how static versus dynamic pricing strategies impact user distribution, queue times, station utilization, and operator profitability under varying market conditions.
Key findings indicate that dynamic pricing can lower average customer costs, slightly reduce queues, and give early adopters a competitive edge when it comes to profitability under competitive market situations. In the case of a matured market where dynamic pricing has become the norm for operators, adopting a dynamic price model may become essential to remain competitive. For maximum effectiveness, pricing strategies should be adapted to customer segments and local competition, and complemented by capacity planning during peak periods
Effect of Additives on Mechanical Properties and Cell Viability in Yeast-Based 3D-Printable Building Materials
No full textThis thesis explores the development of 3D printable building materials using engineered living materials (ELMs) based on yeast. The aim was to understand how different additives such as glycerol, calcium carbonate, and alternative yeast strains affect the material’s mechanical strength and the survival of living cells. The results showed that moderate amounts of glycerol improved flexibility and cell viability, while calcium carbonate increased the material’s resistance to compression. Non-conventional yeasts like Rhodotorula graminis and Yarrowia lipolytica were also tested, with varying success in long-term survival. Overall, the study highlights how additive choices impact both the physical and biological properties of yeast based ELMs, offering insights for more sustainable construction materials
Automating Financial Report Analysis and Generation using LLMs
No full textBackground: The emergence of Large Language Models (LLMs) has enabled automation of complex natural language processing across a wide range of domains. Still, their application and research on designing them in the financial domain remains limited.
Objective: This study explored how LLMs can be integrated into financial report analysis and commentary generation, with a particular focus on the software engineering challenges encountered during the design and implementation of such solutions.
Method: A Design Science Research methodology was used where an exploratory case study was conducted. Two LLM-based systems were iteratively designed and evaluated: one employing local open-source models in a multi-agent workflow, and the other utilizing GPT-4o. Both solutions were evaluated through expert assessments of a real-world financial reporting use case.
Results: It was observed that LLMs had great potential to automate tasks within financial reporting workflows, yet their integration presents challenges. Through iterative development and expert evaluation, several issues were identified, including prompt design, contextual dependency, and trade-offs between implementation options. Cloud-based models were found to offer greater fluency and ease of use, but raised concerns related to data privacy and reliance on external services. In contrast, local open-source models provide stronger data control and compliance but require substantially more engineering effort to ensure reliability and usability.
Conclusion: LLMs showed strong potential for automating financial reporting, but their integration requires careful attention to architecture, prompt design, and system reliability. Successful implementation depends on addressing domain-specific challenges through tailored validation mechanisms and engineering strategies that strike a balance between accuracy, control, and compliance
Intelligent Cabins – Energy Efficiency and Passenger Comfort in BEVs
No full textThis technical report investigates strategies for enhancing energy efficiency and occupant thermal comfort in Battery Electric Vehicle (BEV) cabins during cold climate operations. Using high-fidelity Computational Fluid Dynamics (CFD) in STAR-CCM+, the study characterizes the complex relationship between HVAC parameters, specifically inlet temperature and mass flow rates, and human physiological responses. The research integrates advanced thermo-physiological models, including the Fiala and Berkeley models, to provide a detailed analysis of local thermal sensation and comfort across diverse occupant demographics. Key findings from the parametric study indicate that a vane inlet temperature of 32 °C, resulting in an average cabin temperature of approximately 24.6 °C, provides the highest thermal comfort for both male and female occupants, achieving a Predicted Percentage of Dissatisfied (PPD) of nearly 5 %. The study demonstrates that while adjustments to the ventilation mass flow rate have a negligible impact on occupant comfort, reducing the flow from 0.2 kg/s to 0.1 kg/s can yield measurable energy savings, potentially extending vehicle range by 3–5 km during winter driving. Additionally, the results highlight the significant influence of solar loads on thermal perception, noting that occupants feel “chilly” at 24 °C when radiative heating is absent. This work serves as a foundation for designing intelligent, occupancy-aware climate control systems that balance passenger well-being with vehicle performance
Simulering av optiskt styrd resonanttunneldiodoscillator
No full textI takt med samhällets ökande krav på högre datahastigheter och större bandbredd
har kommunikationskanaler i terahertzområdet fått ökad betydelse. Enligt Edholms
lag, som förutspår att behovet av bandbredd fördubblas ungefär var 18:e månad, blir
behovet av kommunikationslänkar vid höga frekvenser alltmer påtagligt. Resonanttunneldiodoscillatorn (RTD-oscillatorn) uppvisar lovande prestanda som sändare i
kommunikationssystem, med studier som visat på uteffekter kring 1 mW vid 0,6 THz
och där det förutspås resonansfrekvenser på över 2 THz. I detta arbete har RTDoscillatorn simulerats med hjälp av numeriska metoder, där en fotokonduktor använts för att undersöka dess potential för amplitudmodulering. Resultaten visar
att en parallellkoppling av RTD-oscillatorn och fotokonduktorn kan ge upphov till
amplitudmodulation. Det framgår även att RTD-oscillatorn, trots nära ideala förhållanden, uppvisar en inbyggd begränsning som sätter ett övre tak för modulationshastigheten
Designing a Web-Based Graphical User Interface for Managing Digital Twin Simulations in Healthcare
No full textAbstract
With an aging population, a growing shortage of healthcare professionals, and increasing demand for care at home, the need for digitalization in healthcare is becoming more urgent. Integrating multiple medical devices into large-scale systems adds complexity, making thorough testing essential prior to real-world deployment. At Chalmers University of Technology, there is an ongoing research initiative developing a digital sandbox environment for managing digital twin simulations in healthcare. This thesis aimed to design a web-based graphical user interface (GUI) for the sandbox environment. Using a human-centered design approach, the GUI was developed through an iterative process involving prototyping and user testing,
grounded in a realistic fall detection simulation case. The resulting interface features two integrated but distinct views: a patient-centered view for clinical users and a system-oriented view for technical users, enabling effective cross-disciplinary collaboration. Although still an early prototype, the GUI provides a solid foundation for further development and serves as a foundation for future development and integration of more complex scenarios
Prediction of Vehicle Component Weights using Multi-Output Regression
No full textWith the ongoing digitalisation, many companies are exploring opportunities
to improve operational efficiency through machine learning.
Volvo Cars is part of this trend, and their Weight Management and
Optimization team seeks an automated way of managing data for component
weights of vehicles. The team performs data harmonisation as
a preliminary step, prior to production, which is currently computed
manually in Excel. This is inefficient and highly time-consuming, however,
machine learning models are believed to facilitate the process.
Hence, this thesis aims to investigate the feasibility of implementing a
machine learning model for automated data harmonisation, in combination
with a pipeline for managing the weight data and calculations.
The problem was formulated as a multi-output regression problem,
and neural network models and ensemble models were deemed appropriate
for the purpose. A significant part of this thesis involved
experimenting with different preprocessing techniques and model configurations
to find the optimal model performance. The results of the experiments indicated that the ensemble models
outperformed the neural network models, where XGBoost was the top
candidate. The best-performing XGBoost model achieved a validation
accuracy of 84% which was promising, however, the test accuracy was
modest, reaching only 22%. This performance was not considered sufficient
for the model to be implemented as a part of the final pipeline,
since the effort required for deployment of the tool was believed to
exceed the benefits. Nevertheless, there remains potential to optimise
the model further, and this study can be considered a guideline for
further work within this field. The results do not suggest that the use
of ensemble models for predicting vehicle component weights is unsuitable,
but rather that the optimal way of structuring this problem
was not found
Hur effektiv är den ökade kontrollen av företag och individer på byggarbetsplatser? Vilka åtgärder kan ytterligare minska risken för arbetslivskriminalitet?
No full textRapporten undersöker hur effektiv den ökade kontrollen av företag och individer på byggarbetsplatser
är i arbetet mot arbetslivskriminalitet. Studien fokuserar särskilt på arbetssättet med föranmälan och
inskrivning, och hur dessa används som verktyg för att motverka oseriösa aktörer inom
byggbranschen. Rapporten har genomförts tillsammans med Skanska Sverige AB, som de senaste åren
infört förstärkta arbetssätt för kontroll och uppföljning av leverantörer på arbetsplatsen, vilket utgör
centrala delar i studien.
Genom en litteraturstudie samt intervjuer med totalt 19 kandidater från entreprenadbolag,
myndigheter, en branschorganisation och ett fackförbund belyser studien hur kontroll upplevs och
fungerar i praktiken. Resultatet visar att den ökade kontrollen har lett till en förbättrad översikt över
vilka företag och individer som befinner sig på byggarbetsplatser, minskad risk för svartarbete samt
ökad medvetenhet hos både huvudentreprenörer och underentreprenörer. Samtidigt framkommer det
att arbetssättet är tidskrävande och att det finns utmaningar kopplade till ansvarsfördelning,
hjälpmedel och att samtliga aktörer inte alltid efterlever kraven.
Rapporten lyfter behovet av tydligare kommunikation, ökad digitalisering, förstärkt samverkan mellan
myndigheter och näringsliv, samt att fler aktörer delar information om misstänkta oegentligheter.
Dessutom lyfter rapporten åtgärder, exempelvis utbildningsinsatser, tydliga kravmatriser och
sanktioner vid bristande efterlevnad. Sammanfattningsvis konstateras att kontrollåtgärderna har
potential att bidra till ett mer seriöst och transparent byggklimat, men att ytterligare förbättringar krävs
för att uppnå full effekt
Stänga gapet: Avancerad design av finger-gap reducers för fordonshjulhus
No full textFordonsindustrin står inför stora utmaningar kopplade till prestanda och räckvidd
hos dagens fordon. En viktig faktor i detta sammanhang är aerodynamiken, då en
betydande del av energiförlusterna i fordon orsakas av luftmotstånd. Ett område på
bilen som har identifierats som en viktig källa till dessa förluster är hjulhusen. Detta
arbete, som genomförts i samarbete med Volvo Cars, syftade därför till att utveckla
en adaptiv finger-gap reducer. En komponent som minskar avståndet mellan däck
och hjulhus för att optimera aerodynamiken. Arbetet har använt sig av iterativa designmetoder,
CAD-modellering, prototyputskrift i polypropylen och visualiseringar
för att utveckla och testa konceptet. En prototyp med fyra tryckpunkter som tillsammans
verkar för att uppnå önskad utformning på ytan konstruerades med hjälp
av CAD och 3D-printning i polypropylen. Varje tryckpunkt justerar ytan aktivt
med hjälp av stegmotorer via fjäderstålsstänger. Prototypen möjliggör omfattande
aerodynamiska tester i vindtunnel med varierande former utan manuella ingrepp
mellan testerna. Potentialen för detta koncept är inte bara minskat luftmotstånd
och ökad räckvidd, utan också betydande tidsbesparing vid aerodynamisk testning.
Filmer och visualiseringar har skapats för att tydliggöra konceptets funktion och
utvecklingspotential. Konceptet kan i framtiden vidareutvecklas för integration i
produktionsbilar
AI-baserad ruttplanering för effektivisering av fordons energiförbrukning
No full textDetta projekt syftar till att undersöka och testa hur inkorporering av höjddata, med hjälp från Google Elevation API till ett ruttplaneringssystem, påverkar energiförbrukningen. Ruttplaneringssystemet integrerar GPS-data i realtid, OSM-resurser och AI-algoritmer för bättre övergripande prestanda. Det primära målet är att få en uppskattning och förbättring av energiförbrukningen av en rutt med hjälp av AI. Resultaten visar att med hjälp av vägdata från Google API och OSM kan det skapas ett ruttplaneringssystem som genererar en rutt. Koordinater markeras längs vägsträckan för att sedan användas som utgångspunkter för datainsamling som AI algoritmen ska använda för beräkningar. Agenten beräknar sedan energikostnaden genom elevations- och hastighetsdata med hjälp av fysikaliska formler och reinforcement learning AI. Detta påvisar i sin tur att energieffektiviteten för ett fordon ökar med en signifikant mängd. Inkluderingen av ytterligare data såsom trafikflöde, farthinder och rondeller skulle kunna leda till en ännu lägre energikonsumtion och förbättra ruttplanerarens prestanda och noggrannhet ytterligare. Dessa faktorer påverkar körning och innebar även problem under testning och verifiering, då oförutsedda trafikförhållanden ej kunde inkluderas i mätning. Samtliga mål i projektet har uppnåtts. Ett fungerande system för energibaserad optimering av körning med hjälp av förstärkningsinlärning har utvecklats och testats, och resultaten visar att metoden har potential för framtida tillämpningar