SINTEF Open
Not a member yet
11374 research outputs found
Sort by
In Situ Stress Estimation Using ISDM with Data from Hydraulic Tests for Røldal HPP, Norway
Full text linkHydraulic test is one of the most common methods to determine the in situ stress conditions in the rock mass, especially at great depth, where the test locations are accessible by drillholes only. This paper discusses the hydraulic fracturing of intact rock (HF) and hydraulic test on pre-existing fractures (HTPF). The paper critically reviews the current understanding of HF and HTPF test methods and suggests corrections and improvements. The associated calculation methods using HF and HTPF data are also re-introduced with detailed discussions. To demonstrate the calculation process, SINTEF uses ISDM for the calculation of in situ stress with Monte Carlo simulation to get a priori estimates, which is also done by other researchers. SINTEF runs the stress calculations for different a priori estimates based on repeated Monte Carlo simulations to reduce the sensitivity of the solution to the a priori estimates. This calculation process is applied to data obtained from hydraulic tests carried out in a group of short drillholes (30 m) at Røldal hydropower project in Norway. Two calculation alternatives were performed, which are (a) Calculation using ISDM for HF tests, (b) Calculation using ISDM for HF and HTPF tests. A comparison is also made for the obtained results with the result from classical HF tests. The paper discusses the applicability of the ISDM method, impact factors on the accuracy of the ISDM, practical challenges and uncertainties during measurement and calculation processes, and possible improvements.publishedVersio
Nyhavna: A Harbour Area on Its Way to Climate Neutrality: Empirical Insights and Learnings for Different Stakeholders
Full text linkpublishedVersio
Development and evaluation of the Digit Triplet Test in Swahili language
Full text linkBackground: The development of a Digit Triplet Test in the Swahili language is an essential step towards providing accurate hearing assessment for Swahili-speaking populations.
Objectives: This study aimed to develop a Digit Triplet Test in Swahili through a two-part procedure consisting of an optimisation phase and an evaluation phase using normal hearing participants.
Method: A total of 34 subjects participated in the study. During the optimisation phase, a psychometric intelligibility function was determined for each recorded digit, allowing for volume adjustments to standardise the threshold across all digits. This resulted in a lower threshold and a steeper psychometric function for both the triplets and the test lists. Using the optimised speech material, four test lists were created, each containing 27 triplets composed of digits between 1 and 9. The finalised material was then evaluated.
Results: In the final version, the mean Speech Reception Threshold (SRT) for the participants was −8.9 ± 0.6 dB Signal-to-Noise Ratio (SNR), and the mean slope was 24.7 ± 3.5%/dB using triplet scoring.
Conclusion: The psychometric function for normal listeners shows a steep slope with little variation between subjects and across test lists.
Contribution: The test results are comparable to those of Digit Triplet Tests developed in other languages, indicating the effectiveness and reliability of the Swahili Digit Triplet Test for hearing assessments.publishedVersio
Hva må til for å akselerere omstilling av norsk havnesektor? Omstillingsagenda nasjonal arena
Full text linkpublishedVersio
What does it take to meet zen goals? A framework to support ZEN realization
Full text linkMål, mandater og rammeverk er "søylene" i strukturen for oppnåelse av ZEN i denne rapporten. Før implementeringen starter, bør den ledende organisasjonen utføre en “forhåndsanalyse” for å sikre at disse elementene er ivaretatt. En ZEN-muliggjører er en veileder som støtter oppbyggingen av disse søylene.
ZEN-muliggjøreren (Engelsk: ZEN Enabler, Z.En), presentert i kapittel 3, fungerer som en veileder for den ledende organisasjonen. Den hjelper til med å etablere nøkkelfaktorer for å realisere ZEN i samarbeid med andre involverte parter. Kjernen i Z.En er en firetrinns prosess kalt ‘ASAP-modellen’. Denne modellen består av trinnene: Forutse (Anticipate), Tilpasse (Shape), Evaluere (Assess) og Forankre (Pin). Disse trinnene definerer hvilke handlinger som må være på plass for å sikre en vellykket implementering av ZEN (se Tabell 1). ASAP-modellen støtter en iterativ tilnærming til målstyring og retter fokus mot ZEN-kriteriene og nøkkelindikatorene (KPI-ene) som er angitt i Tabell 2. Disse brukes gjennom hele prosjektets livssyklus. ASAP-modellen fokuserer også på faktorer som påvirker samarbeidet (se Tabell 3), og som bør adresseres tidlig i prosessen.
ASAP-modellen iverksettes først av den ledende organisasjonen. Dette gjøres ved at en dedikert person, kalt en ZEN-champion, tar initiativ til å bruke modellen, og deretter involverer de relevante partene. ZEN-champions er personer som har forståelse for ZEN-visjonene og har kompetanse innen prosessledelse. Det må utpekes en i hver organisasjon som en kontinuerlig koordinerings og grensesnittkontakt så snart organisasjonen er involvert i ZEN prosjektet. ZEN-champions er drivkraften bak implementeringen av Z.En og dermed en viktig suksessfaktor for å lykkes med ZEN.
Verdien av å ha et enkelt, sentralt rammeverk å referere til er anerkjent, spesielt gitt det store antallet prosesser som foregår i forbindelse med en ZEN-utvikling og det påfølgende behovet for koordinering. Z.En har som hovedmål å skape åpenhet og tydelighet i disse prosessene. Det er mange måter å utføre
Mål, mandater og rammeverk er "søylene" i strukturen for oppnåelse av ZEN i denne rapporten. Før implementeringen starter, bør den ledende organisasjonen utføre en “forhåndsanalyse” for å sikre at disse elementene er ivaretatt. En ZEN-muliggjører er en veileder som støtter oppbyggingen av disse søylene.
ZEN-muliggjøreren (Engelsk: ZEN Enabler, Z.En), presentert i kapittel 3, fungerer som en veileder for den ledende organisasjonen. Den hjelper til med å etablere nøkkelfaktorer for å realisere ZEN i samarbeid med andre involverte parter. Kjernen i Z.En er en firetrinns prosess kalt ‘ASAP-modellen’. Denne modellen består av trinnene: Forutse (Anticipate), Tilpasse (Shape), Evaluere (Assess) og Forankre (Pin). Disse trinnene definerer hvilke handlinger som må være på plass for å sikre en vellykket implementering av ZEN (se Tabell 1). ASAP-modellen støtter en iterativ tilnærming til målstyring og retter fokus mot ZEN-kriteriene og nøkkelindikatorene (KPI-ene) som er angitt i Tabell 2. Disse brukes gjennom hele prosjektets livssyklus. ASAP-modellen fokuserer også på faktorer som påvirker samarbeidet (se Tabell 3), og som bør adresseres tidlig i prosessen.
ASAP-modellen iverksettes først av den ledende organisasjonen. Dette gjøres ved at en dedikert person, kalt en ZEN-champion, tar initiativ til å bruke modellen, og deretter involverer de relevante partene. ZEN-champions er personer som har forståelse for ZEN-visjonene og har kompetanse innen prosessledelse. Det må utpekes en i hver organisasjon som en kontinuerlig koordinerings og grensesnittkontakt så snart organisasjonen er involvert i ZEN prosjektet. ZEN-champions er drivkraften bak implementeringen av Z.En og dermed en viktig suksessfaktor for å lykkes med ZEN.
Verdien av å ha et enkelt, sentralt rammeverk å referere til er anerkjent, spesielt gitt det store antallet prosesser som foregår i forbindelse med en ZEN-utvikling og det påfølgende behovet for koordinering. Z.En har som hovedmål å skape åpenhet og tydelighet i disse prosessene. Det er mange måter å utføre oppgavene som er foreslått i Z.En , og derfor gir ikke Z.En spesifikke instruksjoner om hvordan de skal utføres. I stedet identifiserer vi de utfordringene som kan ligge skjult bak disse oppgavene, samt diskuterer hvordan de kan håndteres. Dette inkluderer blant annet å ta hensyn til de involverte aktørenes motivasjon for å delta, samt å håndtere usikkerheter i prosjektet og eksterne variabler som kan påvirke utfallet.
I prosessen mot ZEN-realisering oppfordres det til å fokusere på fordelene som ZEN kan gi alle involverte parter. Dette kan fungere som en motivasjon til å engasjere og forplikte seg til programmet og prosjektet. Å skape insentiver, som for eksempel deling av byrder og risiko, å adressere mål som kan øke attraktiviteten i prosjektet, brukerkvaliteter, mm., samt å tydeliggjøre prosesser og utfordringer, er sentrale oppgaver for de ledende organisasjonene og premissgivende aktører. Dette kan inkludere offentlige myndigheter, beslutningstakere, infrastrukturleverandører, mm. Avklarte plattformer og arenaer for kommunikasjon spiller en viktig rolle i å redusere usikkerheten til de forskjellige aktørene. Dette oppnås ved å forstå hverandres mål og strategier fra starten av prosjektet. Videre bidrar dette til å skape en felles forståelse og fremmer samarbeidet mellom de involverte partene.
I konklusjonen av denne rapporten finner de forskjellige målgruppene (ledende organisasjon, eier og utvikler, utførende, mm.) råd om gjennomføringen av fremtidige ZEN prosjekter.publishedVersio
Transfer learning in building dynamics prediction☆
Full text linkBuildings account for approximately 40% of global energy use, largely due to heating, ventilation, and air conditioning (HVAC) systems. Advanced control strategies, such as model predictive control (MPC), are crucial for optimizing energy usage in smart buildings. For effective MPC, high-fidelity models are necessary to reliably predict thermal responses under varying conditions. Low development costs, scalability and ability to process high-dimensional data and capture non-linear relationships make deep neural networks (DNNs) apt for predicting complex building dynamics. However, developing DNNs for new buildings is challenging due to their extensive data requirements. This paper investigates the use of transfer learning to address this issue, based on studies of different building models in different Norwegian climates. By pre-training control-oriented deep neural network models on synthetic building operation datasets, developed using EnergyPlus, from a similar source building in a similar climate, these models can be fine-tuned for new target buildings with minimal data. The study makes three key contributions. First, it introduces and evaluates six fine-tuning strategies for pre-trained DNNs, offering empirical insights into optimal approaches for adapting complex encoder-decoder architectures. Second, it employs two custom key performance indicators to quantify the effectiveness of transfer learning strategies, providing a standardized framework for assessing transfer learning in building dynamics prediction. Third, the study demonstrates the importance of fine-tuning specific model components, such as decoder layers, and the benefits of adding dense layers or gated recurrent units, especially in cold climates, where introducing colder weather data significantly improves predictive accuracy. Key findings include better results from fine-tuning decoder layers, especially early ones, and the importance of adding new layers before fine-tuning specific ones. Target buildings in mild climates and with similar physical properties (U-values) showed more stable and faster improvement from transfer learning. For the cold-climate case studies, introducing colder weather in the fine-tuning datasets significantly improved prediction accuracy.publishedVersio
Exploring Multilevel Governance Networks in Deployment of Positive Energy Districts: Case of Salzburg
Full text linkpublishedVersio
View Quality Assessments: A Pilot Study of Field Methods
Full text linkThis paper describes findings from a workshop during which participants evaluated a series of window views. An explorative approach was applied to identify issues and testing methods useful in daylight research. The participants visited nine rooms with views of varied content, complexity, and viewing distance under the overcast sky. Participants used surveys with quantitative and qualitative questions, hand drawings, illuminance measurements, and photography to appraise the view quality. Subsequently, daylight simulations and neurocognitive tests have been carried out in two rooms with “bad” and “good” views. Multi-directional views were valued more than narrow or single-directional views. The cognitive testing showed numerical differences in several measures and a significant correlation between the difference scores for sadness and the difference scores for Trail Making Test-B across two rooms. The study identified that buildings of historical value, a presence of greenery, colored building facades, or a presence of people (content) contribute to a positive assessment of the view but are not included in the assessment criteria.publishedVersio