Många broar i Sverige börjar närma sig sin fulla livslängd och kommer i framtiden behöva byggas om eller renoveras. Speciellt svårt att hantera är grundläggning med djupa pålar. De djupa befintliga pålarna kan komma vara i vägen för den nya konstruktionen, och det är normalt inte är ekonomiskt eller praktiskt möjligt att ta bort dessa genom rivning. Ett mer ekonomiskt alternativ kan vara att återanvända pålarna för den nya konstruktionen. För att göra detta måste en bärighetsutredning utföras för att säkerställa att pålkonstruktionens bärförmåga överstiger lasteffekterna. Den traditionella beräkningsmodellen använd för dessa äldre pålgrupper vid byggnation bygger på enkla antaganden relativt till de mer avancerade beräkningsmodellerna som används i nutida projektering. Dagens  nya beräkningsmodeller inkluderar sidomotstånd från den omliggande jorden samt fast inspänning av pålarna i pålplint, genom linjärmodellering med antagen ekvivalent pållängd. Detta kräver kännedom om den omliggande jordens hållfasthetsegenskaper. I föreliggande examensarbete undersöks om dagens mer avancerade beräkningsmodeller ger en annan lastfördelning och därmed lasteffekter än den traditionella beräkningsmodellen för äldre pålgrupper, samt hur markundersökningar ska användas för att ge indata till dessa. För att göra detta har ett normalt 10-påligt mellanstöd för gamla Lidingöbron studerats i en fallstudie. Gamla Lidingöbron färdigställdes 1926 och användes som förbindelse mellan Lidingö och Stockholm. Den marktekniska undersökningen för bron utfördes 1914. Lilla Lidingöbron planeras att ersätta den gamla bron 2023. För den här bron, utfördes markundersökningar 2014 med moderna undersökningsmetoder. I området finns även undersökningspunkter från årtalet 1957 och 1963 som utfördes för vägbron som uppfördes i början av 1960-talet. De nyligen utförda markundersökningarna från 2014 används för att bedöma tillförlitligheten för de äldre markundersökningar. Den viktigaste faktorn, för beräkningsmodellen för kontroll av befintliga pålgrupper, var möjligheten att anta fast inspänning av pålarna, då leran har mycket låg (<20 kPa) odränerade skjuvhållfasthet i området. Sidomotståndet från jorden hade en mindre roll på grund av den låga odränerade skjuvhållfastheten men även för endast jord över den ekvivalenta pållängden anses aktiv vilket mäts från sjöbotten nedåt.  Den traditionella beräkningsmodellen är enkel och snabb att utföra, men med en vanlig omfattning av marktekniska undersökningar kan den moderna beräkningsmodellen för befintliga pålgrupper användas. Den mer avancerade beräkningsmodellen kan utföras relativ enkelt med stöd av en matematisk programvara som Mathcad. Föreliggande arbete visar även att äldre geotekniska undersökningspunkter från 1950-talet antingen i  närliggande områden kan användas i samband med beräkningar baserade på empiri för att utföra en analys med tidigare nämnd moderna beräkningsmodell. Ingenjören kan använda ett mer konservativt värde för jordens hållfasthetsegenskaper med relativt liten påverkan på resultatet från pålgruppsberäkningen. Denna mer avancerade modell ger en mer fördelaktig lastspridning i pålgruppen och således lägre lasteffekter på de enskilda pålarna, vilket gör att en mindre bärförmåga erfordras på de individuella pålarna.  

Byggindustrin är en av de industrier som påverkar miljön mest. Den står för cirka 50 % av den globala materialanvändningen. Enligt Boverket (2024) stod bygg- och fastighetssektorn för cirka 39 % av Sveriges totala miljöpåverkan år 2022.Bygg- och fastighetssektorns växthusgasutsläpp uppgick till cirka 10,8 miljoner ton koldioxidekvivalenter. Detta motsvarar 22% av Sveriges totala växthusutsläpp.Detta arbete har fokuserat på att undersöka skillnaderna som finns inom projekteringsprocessen när man implementerar återbruk och när man projekterar på ett mer traditionellt sätt. Detta då återbruksarbete är ett av sätten byggbranschen kan minska miljöpåverkan på. Studien avser att bidra med en ökad förståelse samt klargöra hur återbruk kan implementeras på ett effektivt sätt under projekteringsprocessen och hur cirkulära lösningar kan tillämpas inom byggbranschen.Studien har gjorts genom att information samlats från diverse källor som undersökt återbruksarbete. Utöver det har ett flertal intervjuer utförts med sakkunniga inom branschen som tidigare arbetat samt än idag arbetar med olika typer av projektering. Främst har det varit projektledare från AFRY.Resultatet visar att återbruksarbetet fortfarande har en lång väg att gå innan det blir ett effektivt alternativ som kan standardiseras inom projekteringen. Idag finns det ett antal olika små lösningar som bidrar till arbetet med återbruk men utmaningarna är fortfarande många.Aktörerna anser att ett av de viktigaste stegen i detta arbete är att integrera återbruket så tidigt som möjligt. Detta då tidsåtgången är en av de största utmaningarna som finns kring detta arbetssätt.Ett annat hinder som idag bromsar arbetet med återbruk är frågan kring kvalitetssäkring. Dels för att det krävs mer arbete för att testa återbrukat material, dels på grund av frågetecken som finns gällande garantier och ansvar. Det saknas fortfarande övertygande fördelar för att få fler aktörer att delta i detta arbete. Resultatet visar även att de flesta aktörer önskar en bredare implementering av återbruk och att många av de är intresserade av att hitta fler hållbara, långsiktiga lösningar. Det som efterfrågas är någon typ av incitament för att få detta arbete att utvecklas ordentligt.Studiens slutsats är bland annat att även om utmaningarna är många så finns det potentiella lösningar för de alla. Det som saknas i dagsläget är drivkraften för att få detta arbete att utvecklas mer. Det kan vara både statliga krav som driver företag att sätta sig in mer i detta arbete, men det kan också vara olika typer av incitament, till exempel ekonomiska stöd, klimatkrav i upphandling eller miljöcertifieringar, för att uppmuntra aktörer inom byggbranschen att bidra mer till denna fråga.

I takt med att klimatförändringarna driver på en snabb omställning till nettonollutsläpp spelar transformationen av energisektorn en central roll. Den snabba utvecklingen inom artificiell intelligens (AI) väcker frågan om det finns synergier mellan AI och den förnybara energisektorn. Syftet med detta examensarbete är att undersöka tillämpningar av AI och datavetenskap inom den förnybara energisektorn samt att ge en översikt riktad till energiingenjörer utan förkunskap om AI och datavetenskap. Studien genomfördes som en systematisk litteräröversikt. Studien granskade 171 kvalitetsgranskade artiklar och översiktsartiklar publicerade mellan 2022 och 2024, från databaserna Scopus och Web of Science. Resultaten identifierar tre dominerande tillämpningsområden för AI: prognostisering, prediktivt underhåll och integration av förnybar energi i elnätet. Maskininlärning (ML) och artificiella neurala nätverk (ANN) är de mest förekommande metoderna, särskilt inom prognostisering där tidsseriedata är central. Prediktivt underhåll omfattar metoder som bildanalys för tillståndsbedömning av utrustning samt prediktion av fel baserat på historiska driftdata i syfte att minska driftstopp. Resultaten indikerar även att AI verkar särskilt bevandrad i att hantera komplexa icke-linjära samband som är nyckeln i att öka produktionen och integrera förnybar energi i elnätet. Studien identifierar även tekniska utmaningar samt etiska frågor och samhällsfrågor kopplade till användningen av AI inom energisektorn.

Sedan Brundtlandrapporten har hållbar utveckling etablerats som en central norm inom stadsutvecklingspraktiken, med hållbar stadsutveckling ofta betraktat som ett närmast självklart mål för den samtida urbaniseringen, där miljöskydd, ekonomisk tillväxt och social välfärd kombineras i en gemensam politisk agenda. Denna självklarhet kan dock förstås som ett uttryck för sunt förnuft, föreställningar som framstår som universella och okontroversiella, men som i själva verket är historiskt och geografiskt situerade och formade av specifika makt- och kunskapsrelationer. I praktiken innebär detta att hållbar stadsutveckling inte utgör ett entydigt koncept, utan snarare en komplex, föränderlig och ofta konfliktfylld process som kontinuerligt omförhandlas i olika socio-materiella sammanhang.Trots denna erkända komplexitet har hållbar stadsutveckling kritiserats för att operationaliseras genom en ekologisk moderniseringsdiskurs, där teknologisk innovation och resurseffektivisering förväntas möjliggöra fortsatt ekonomisk tillväxt utan att äventyra framtida generationers behov. Denna pragmatiska policylogik har bidragit till en avpolitisering av hållbarhetsfrågan genom att tona ned konflikter mellan social, ekonomisk och ekologisk rättvisa och mer tillväxtorienterade marknadslogiker. Följden har blivit att hållbarhet därmed riskerar att reproducera rådande urbaniseringsmönster snarare än att transformera dem. I denna mening kan hållbara stadsutvecklingsprojekt förstås som en sustainability fix, där en uttalad hållbar planeringspraktik legitimerar en fortsatt stadsutvecklingspraktik som inte skiljer sig nämnvärt från den gängse urbaniseringspraktiken.I den svenska kontexten har denna praktik utvecklats genom en lång tradition av att arbeta med hållbar stadsutveckling, där Sverige positionerat sig som internationell föregångare, med ett stort antal ambitiösa projekt och ett flertal nationella strategier för ökad innovation, samverkan och lokal kapacitet för hållbar utveckling. En central del av denna agenda har varit utvecklingen av hållbara stadsdelar, där projekt fungerar som experimentella miljöer för att testa nya tekniska, sociala och planeringsmässiga lösningar, där några flaggskeppsprojekt i storstadsregionerna fått betydande uppmärksamhet och stor nationell och internationell spridning som goda exempel på hållbar stadsutveckling.Denna dominans av storstadsbaserade exempel har emellertid skapat ett kunskapsgap kring hållbar stadsutveckling i mer perifera och peri-urbana miljöer. Peri-urbanisering beskriver ett samtida urbaniseringsmönster där stadens centrala och perifera egenskaper sammanflätas i heterogena och fragmenterade landskap präglade av ett mittimellanskap. Dessa miljöer är inte resultatet av rådande planeringsideal utan snarare oplanerade processer som uppstått när rumsliga och funktionella strukturer expanderat. Samtidigt som peri-urbana miljöer ofta marginaliseras inom forskningen och planeringspraktiken utgör de i dag centrala arenor för en ny urbanisering och därmed potentiella platser för innovation och transformation.Mot denna bakgrund syftar avhandlingen till att undersöka vad som händer när konceptet hållbara stadsdelar mobiliseras till peri-urbana kontexter. Fokus ligger på de rumsliga, institutionella och konceptuella omkonfigurationer som uppstår när policyer, praktiker och idéer översätts mellan olika sammanhang. Avhandlingen utgår från teorier om policy-mobilitet, som betonar att urbana policyer inte sprids som färdiga paket utan transformeras genom processer av översättning, mutation och omkonfigurering. Detta perspektiv möjliggör en analys av hur hållbar stadsutveckling formas i ett dialektiskt samspel mellan dominerande diskurser och lokala förutsättningar i den situerade kontexten.Teoretiskt är studien förankrad i en poststrukturalistisk och relationell tradition, där rum förstås som assemblage, dynamiska konfigurationer av socio-materiella relationer i ständig tillblivelse. I kombination med kritisk urbanteori belyser detta hur mobilisering av urbana policyer kan fungera som hegemoniska interventioner som reproducerar ojämn utveckling och rådande maktstrukturer, samtidigt som rumslig och diskursiv kontingens öppnar för mothegemoniska möjligheter och alternativa utvecklingar. Avhandlingen integrerar även litteratur om platsbaserad utveckling, social innovation ochtransformativ innovationspolitik för att utforska hur hållbara omställning kan förankras kontextuellt utifrån lokala förutsättningar snarare än skalas upp från tidigare exempel.Empiriskt undersöks dessa frågor genom en analys av planeringsdokument för hållbara stadsdelar i Sverige samt en fördjupad fallstudie av Jakobsdalen i Borlänge, ett projekt som representerar mobiliseringen av hållbar stadsdelsutveckling till en peri-urban kontext. Borlänge, med sin industriella historia och djupa erfarenhet av territoriell stigmatisering, utgör ett illustrativt exempel på hur hållbarhetsdiskurser mobiliseras för att omforma platsers identitet i attraktionshöjande syfte. Fallstudien möjliggör därmed en analys av både möjligheter och utmaningar kopplade till hållbar stadsdelsutveckling i kontexter präglade av periferalisering och komplexa socio-spatiala konfigurationer.Avhandlingens övergripande mål är att problematisera hur hållbara stadsdelar konceptualiseras och mobiliseras inom planerings- och policydiskurser samt att identifiera vilka konsekvenser detta får i peri-urbana miljöer. Studien strävar även efter att utforska möjligheter för framväxten av mer kontextkänsliga och transformativa praktiker genom att utveckla och testa ett designbaserat arbetssätt där hållbar stadsutveckling behandlas genom gränsobjekt som syftar till att dialektiskt möjliggöra gemensamma tolkningsprocesser mellan aktörer och kontextuella förutsättningar för att organisera och öppna upp för transformativa och innovativa lösningar anpassade till lokala förutsättningar.Genom denna ansats bidrar avhandlingen till en fördjupad förståelse av hållbar stadsutveckling som en relationell och situerad praktik. Den visar hur dominerande urbana artikulationer av hållbarhet riskerar att reproducera rådande utvecklingsmönster och samtidigt försvåra översättningen av policyer till olika kontexter. Avhandlingen visar hur det leder till stora utmaningar för hållbar stadsutveckling i peri-urbana miljöer. Samtidigt framhävs potentialen i dessa miljöer som platser för innovation och transformation, där kontextuella dynamiker kan fungera som resurser snarare än hinder. Därmed argumenterar avhandlingen för behovet av en mer pluralistisk och kontextmedveten mobilisering av hållbar stadsutveckling, som erkänner diversitet och öppnar för alternativa urbaniseringspraktiker.

Semi-empiriska ”group-contribution” metoder (GC-metoder) erbjuder ett snabbt och enkelt sätt att förutsäga polymerers egenskaper med hjälp av regressionsanalys, antingen direkt utifrån experimentella data för den aktuella egenskapen eller indirekt via korrelerade strukturella parametrar. Befintliga GC-metoder har emellertid huvudsakligen optimerats för syntetiska polymerer. I detta examensarbete presenteras en ny parametrisk regressionsmodell anpassad för GC-analys av biopolymerer såsom kitosan, cellulosa, hemicellulosor och polynukleotider. Metoden bygger på den rotationsisomeriska tillståndsmodellen (RIS-modellen) och gitterteori, och tar hänsyn till intermolekylära interaktioner genom att relatera Tg till fundamentala termodynamiska storheter. Metoden är väl lämpad för integrering med maskininlärningstekniker och möjliggör både statistisk hypotesprövning och kontinuerlig, iterativ modellförbättring med hjälp av Bayesianska metoder. Arbetets huvudsakliga fokus ligger på metodutveckling, men som ett konceptbevis tillämpas modellen för att visa hur glasomvandlingstemperaturen (Tg) hos xylanliknande polymerer kan förutsägas.

Den fjärde industriella revolutionen innebär flexibel tillverkning där autonoma mobila robotar samverkar över delade trådlösa nätverk. Femte generationens (5G) mobilnätsteknik—och dess efterföljare Beyond 5G och 6G—har lyfts fram som möjliggörande infrastruktur, med löften om nätverksslicing (network slicing), differentierad tjänstekvalitet och edge computing som skulle kunna frigöra industrirobotar från kablar utan att offra reglerprecision. Den samtida framväxten av physical AI och paradigmet med AI-nativa radioaccessnätverk, som sammanför AI-beräkningar med nätverksinfrastruktur, förstärker ytterligare både löftet och komplexiteten i denna integration. Denna avhandling undersöker huruvida den nuvarande forskningen är rustad att utnyttja denna infrastruktur—och identifierar flera strukturella felanpassningar som fältet måste adressera. 

Avhandlingen består av fyra faser. En systematisk översikt av edge computing för cyberfysiska system visar att industriell tillverkning är den främsta drivkraften för tillämpningar, men att edge computing i 5G-bemärkelse och systematisk behandling av tillförlitlighetsaspekter till stor del saknas i litteraturen. En fokuserad granskning avslöjar vidare ett fält som är terminologiskt fragmenterat, metodologiskt begränsat till optimering på rörelsenivå med signalstyrka som fokus, och nästan helt frånkopplat från faktisk telekommunikationsinfrastruktur. Granskningen resulterar i en taxonomi och utvärderingskriterier som tillhandahåller en strukturerad terminologi för att karakterisera och jämföra tillvägagångssätt inom robotik- och telekommunikationsområdena. 

Som svar demonstrerar ett planeringsramverk gemensam kommunikations- och uppdragsplanering genom att formulera koordinering av flera robotar i planeringsspråket PDDL (Planning Domain Definition Language), där 5G:s fysiska resursblock behandlas som explicita beslutsvariabler i planeringen tillsammans med uppgiftstilldelning och sekvensering. Detta minskar spektrumbehovet med femtio procent och uppfyller samtidigt planens restriktioner inom acceptabel beräkningstid. 

En empirisk mätstudie på en privat 5G-testbädd i industriell miljö utmanar sedan ett centralt antagande som delas av de flesta befintliga kommunikationsmedvetna planeringsmetoder: att gynnsamma signalförhållanden på ett tillförlitligt sätt resulterar i faktisk systemprestanda. En kommersiell strålgångsbaserad simulator förutspådde signalkvaliteten med rimlig noggrannhet, men överskattade systematiskt den tillgängliga datahastigheten, och den dominerande källan till prediktionsfel visade sig vara anpassning av antalet samtidiga dataströmmar vid flerantennöverföring (MIMO). En modell baserad på Gaussisk processregression minskade prediktionsfelet med ungefär två tredjedelar och eliminerade systematiskt fel. Testbädden saknade dessutom stöd för nätverksslicing på radioaccessnätverksnivå, vilket både planeringsramverket och den bredare litteraturen förutsätter—en klyfta mellan standardiserade gränssnitt och faktiskt tillgänglig funktionalitet. 

Sammanfattningsvis kulminerar inte avhandlingen i ett enskilt överlägset ramverk utan i en mer mödosamt vunnen insikt: fältets algoritmiska sofistikering döljer diskrepanser från industriell verklighet som verkar på flera nivåer samtidigt—konceptuell, modellerings-, infrastruktur- och utvärderingsnivå. På konceptuell nivå utökas rörelseplanerare med signalnivåmätetal när uppdragsplanerare borde utökas med abstraktioner på nätverkstjänstnivå. På modelleringsnivå optimerar planerare för signalstyrka medan de fenomen som bestämmer datahastigheten i moderna cellulära system ligger bortom signalstyrka-baserade modeller. På infrastrukturnivå förblir de nätverksfunktioner som antas i litteraturen ofullständigt realiserade i kommersiell utrustning. Detta arbetes praktiska bidrag ligger i att systematiskt synliggöra dessa diskrepanser och i att erbjuda både analytiska verktyg och en konstruktiv artefakt som tillsammans stakar ut en mer verklighetsförankrad väg framåt. Att förverkliga visionen om den smarta fabriken kräver inte enbart bättre algoritmer utan en omorientering av antaganden, formalismer och utvärderingsmetoder—från rörelseplanering till uppdragsplanering, från signalstyrka till nätverkstjänstabstraktioner, och från simuleringsbaserad validering till grundad på mätningar.

Rapid changes and increasing climatic variability across the widely varied Köppen-Geiger regions of northern Europe generate significant needs for adaptation. Regional planning needs high-resolution projected temperatures. This work presents an integrative statistical bias correction framework that incorporates Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), and Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoStaNet) models. The framework is evaluated with a multicriteria decision system, Deep Learning-TOPSIS (DL-TOPSIS), for ten strategically chosen meteorological stations encompassing the temperate oceanic (Cfb), subpolar oceanic (Cfc), warm-summer continental (Dfb), and subarctic (Dfc) climate regions. Norwegian Earth System Model (NorESM2-LM) Coupled Model Intercomparison Project Phase 6 (CMIP6) outputs were bias-corrected during the 1951–2014 period and subsequently validated against independent historical observations (1951–2014) of day-to-day temperature metrics, extreme value distributions (99th percentile), and thermodynamic coupling (Diurnal Temperature Range). The ViT showed improved performance (Root Mean Squared Error (RMSE): 1.01 °C; R² : 0.92), allowing for production of credible bias-corrected projections. Under the SSP5-8.5 scenario, the Dfc and Dfb climate zones are projected to warm by 4.8 °C and 3.9 °C (Summer T m a x ), respectively, by 2100, with expansion in the diurnal temperature range by more than 1.5 °C. The Time of Emergence signal first appears in subarctic winter seasons (Dfc: ~ 2032), signifying an urgent need for adaptation measures. The presented framework offers station-based, high-resolution estimates of uncertainties and extremes, with direct uses for adaptation policy over high-latitude regions with fast environmental change.

Världen står inför utmaningen att byta från fossila bränslen till grönenergi för att motverka klimatförändringar. För att uppnå detta så behöverförnyelsebara energikällor optimeras för att täcka upp för det betydande gapet ienergiproduktion då fossila källor producerar mer än dubbelt så mycket som vind, soloch vattenkraft tillsammans. Vattenkraft anses vara den mest flexibla av de tre och ärdärför en attraktiv resurs att optimera. Detta projekt strävar efter att ta ett ytterligaresteg i processen att göra vattenkraft mer effektivt genom att analysera hur olikaregressions algoritmer kan användas för att förutsäga inflödet till dammar genom attanvända öppna meteorologisk data, vilket i detta fall är flödet i bifloder. De slutsatsersom dras är att det inte finns någon enskild algoritm som tydligt överträffar de andra idet generella fallet eller ger tillräckliga resultat. Ytterligare arbete krävs för att avgöravilka modifikationer av algoritmer och indata, såsom regional nederbörd, snösmältoch lokalt klimat, som skulle kunna bidra till variationen i inflödet.

Den snabba integreringen av artificiell intelligens (AI) inom utbildning har möjliggjort ett paradigmskifte från att se datorer som statiska verktyg till att behandla dem som symbiotiska partners inom en samverkande “människa-AI-allians”. Detta examensarbete undersöker tillämpningen av generativ artificiell intelligens (GenAI) inom matematikundervisning, med specifikt fokus på konstruktion och utvärdering av en AI agent utformad för att ge återkoppling enligt de fyra nivåer som definieras av Hattie och Timperley: uppgift, process, självreglering och person. Genom en iterativ designprocess innefattade studien utveckling och testning av flera versioner av agenten med hjälp av modellen Llama 3.3 70B, huserad på en lokal server på en svensk gymnasieskola. Prompt engineering delen vägleddes av IDEA ramverket och tillämpade principerna PARTS (Persona, Aim, Recipients, Theme, Structure) och CLEAR (Concise, Logical, Explicit, Adaptive, Restrictive) för att förfina agentens pedagogiska beteende. Empiriska data samlades in från ungefär 60 konversationer med svenska gymnasieelever och analyserades genom tematisk analys för att kartlägga interaktioner mot de teoretiska återkopplingsnivåerna. Resultaten bekräftar att genAI agenter är kapabla att ge återkoppling på alla fyra nivåer, även om återkoppling på uppgiftsnivå förblev mest förekommande på grund av stora språkmodellers grundläggande tendens att ge omedelbar verifiering. Tematiska fynd belyste en framgångsrik förskjutning mot återkoppling på processnivå och användningen av ledtrådar av typen “Vart ska jag härnäst?” för att aktivera elevernas självreglering. En kritisk “upplösning av självreglering” observerades dock i komplexa textuppgifter, där agenterna ofta föll tillbaka på direkt instruktion, vilket potentiellt kan framkalla en “expertise reversal effect”. Även om genAI erbjuder en kraftfull potential för omedelbar kognitiv stöttning (scaffolding), lägger den en betydande utvärderingsbörda på de lärande, som måste besitta tillräckliga förkunskaper för att upptäcka sakfel eller “hallucinationer”. Studien drar slutsatsen att en framgångsrik integrering av AI agenter kräver ett “humans in the loop” ramverk för att mildra tekniskt beroende och säkerställa att teknologin förstärker, snarare än ersätter, elevens egen kognitiva ansträngning.

This deliverable describes the main developments carried out in WP6, with focus on models and algorithms to improve long-term and short-term timetabling of the railway network. The activities in WP6 aim at increasing infrastructure and transport utilisation capacity through optimised and robust timetables, synchronized with rolling stock planning. These objectives have been targeted through

a. The development of advanced algorithms for the generation and adjustment of timetables and rolling stock planning, which will be further developed and completed in WP7

b. The definition a suitable family of use cases, which will be demonstrated in WP7

c. The implementation of specific technical enablers.

Addressed technical enabler and the defined use cases and demonstrators are synthetically reported in the background Section 3 of this document.

All the timetabling and rolling stock planning problems tackled in WP6 require to find good quality solutions fulfilling various physical and logical requirements, and the business rules of the railway infrastructure managers and railway undertakings. As such, they can be viewed as optimization problems, which can be modelled and solved by means of mathematical optimization, an AI discipline which concerns the making of optimal decisions. With few exceptions, the models developed in WP6 are based on Mixed Integer Linear Programming or Constraint Programming, solved then by means of specialized commercial solvers (as CPLEX, or GUROBI), or by ad-hoc heuristic algorithms, such as local search, genetic algorithms, simulated annealing. Mathematical decomposition and graph theory are also exploited to model and solve various problems.

Although the algorithms developed in WP6 are not yet fully completed – they will be in the first year of WP7 – still some interesting and promising conclusions can be drawn. In fact, tests on realistic instances have been performed. It turns out that the developed methods work well for the size and the type of instances for which they are designed. In turn, this implies that we can expect they will tackle the instances arising in the demonstrations of the planned use-cases. Ultimately, this means that in general the approaches will be able to support human planners in their activities, and to automatize segments of the current planning process. Preliminary results show that solutions of high quality can be produced in short computing time. One limit is that, since the algorithms will be completed and demonstrated in WP7, these conclusions are still very preliminary. Also, the solution of full integrated problems appears to be still out of reach, and we need to content ourselves with tackling suitable subproblems. For instance, we can possibly compute an optimal or quasi-optimal timetable for the entire Norwegian network, and subsequently calculate an associated optimal rolling stock rotation, and solve the stabling problem, but we are still far from being able to solve to optimality the three problems jointly. 

In this study, we explore the feasibility of single-trial predictions of odor registration in the brain using olfactory bio-signals. We focus on two main aspects: input data modality and the processing model. For the first time, we assess the predictability of odor registration from novel electrobulbogram (EBG) recordings, both in sensor and source space, and compare these with commonly used electroencephalogram (EEG) signals. Despite having fewer data channels, EBG shows comparable performance to EEG. We also examine whether breathing patterns contain relevant information for this task. By comparing a logistic regression classifier, which requires hand-crafted features, with an end-to-end convolutional deep neural network, we find that end-to-end approaches can be as effective as classic methods. However, due to the high dimensionality of the data, the current dataset is insufficient for either classifier to robustly differentiate odor and non-odor trials. Finally, we identify key challenges in olfactory BCIs and suggest future directions for improving odor detection systems.

Decoding visual images from brain activity has significant potential for advancing brain-computer interaction and enhancing the understanding of human perception. Recent approaches align the representation spaces of images and brain activity to enable visual decoding. In this paper, we introduce the use of human-aligned image encoders to map brain signals to images. We hypothesize that these models more effectively capture perceptual attributes associated with the rapid visual stimuli presentations commonly used in visual brain data recording experiments. Our empirical results support this hypothesis, demonstrating that this simple modification improves image retrieval accuracy by up to 21% compared to state-of-the-art methods. Comprehensive experiments confirm consistent performance improvements across diverse EEG architectures, image encoders, alignment methods, participants, and brain imaging modalities.

Icke-Newtonska fluider är allestädes närvarande i många naturliga och syntetiska processer som omger oss. Även om vi bokstavligen är omslutna av luft eller vatten och Newtonska fluider är oundgängliga för industriella framsteg är, från ett tekniskt perspektiv, Newtonska fluider endast en del av helheten - strömmande mediers fysik - där en mer komplett och generell beskrivning, utan några antaganden om konstant viskocitet, är läran om icke-Newtonska fluider. Inom detta kunskapsfält kan den grundläggande komplexiteten vara oerhörd, vilket avviker från den norm som sätts av Newtonska fluiders ofta intuitiva och bekanta beteende varför - givet fältets omfattande flora av öppna problem - det krävs djupa grundläggande undersökningar. Olika klasser av icke-Newtonska fluider kan ha skjuvberoende viskocitet, lagra elastisk energi och frigöra denna ur fas med det lokala strömningsfältet och till yttermera visso med multipla tidsskalor, genomgå konstant och bilateralt sönderfall och rekonstruktion, ha minneseffekter, åldras och kan till och med vara levande materia.         

I denna avhandling studeras en mängd fenomen relevanta för tidsberoende flöden och övergångar mellan olika tillstånd som uppkommer i icke-Newtonska fluiders dynamik experimentellt med ett brett spektrum av metoder för flödes- och reologimätningar. Fluider med viskoelastiska (VE), elastoviskoplastiska (EVP) och tixo-elastoviskoplastiska (TEVP) beteenden har studerats med avseende på väggslirning, tryckdriven kanalströmning, tixotropi och minneseffekter, elasticitets- och skjuvbandsdrivna instabiliteter, tröghetsdominerade instabiliteter och transition till turbulens, krypdynamik samt strömning runt föremål och i kanaler med varierande form och tvärsektion. För detta ändamål har mättekniker som partikelbildsvelocimetri (PIV), laser Doppler velocimetri (LDV), Doppler-optisk koherenstomografi (D-OCT), strukturbestämningar nyttjandes intensitetssignalen från optisk koherenstomografi (OCT) och polariserande avbildning (PLI) samt reometri med konstant, oscillerande och superpositionsreologi. Resultaten avser såväl utveckling av och nyttjande av mätteknikerna som fysikalisk tolkning av de studerade tidsberoende strömningarna, rapporteras i de bilagda manuskripten och sammanfattas i den direkt följande sammanfattningen.

Syftet med denna avhandling är att fördjupa förståelsen för hur hållbarhet kanintegreras i stadsutveckling genom olika former av styrning.

Avhandlingenfokuserar på två verktyg för att styra hållbarhetsfrågor i stadsutveckling, somvarit centrala för stadsutvecklingen i Sverige senaste åren: certifieringssystemför hållbara stadsdelar och urbana experiment.

När det gäller certifieringssystem har tidigare forskning i huvudsak analyseratinnehåll, indikatorer och strukturer i befintliga system. I denna avhandlingligger istället fokus på hur certifieringssystem för stadsdelar utvecklas ochformas genom avvägningar mellan olika principer och krav som styr derasutformning.

Vad gäller urbana experiment finns det ofta en uttalad förväntan om attexperimentella projekt inom hållbar stadsutveckling ska generera lärande somkan tas vidare och få genomslag i andra sammanhang. Samtidigt har självatestandet ofta stått i centrum, medan frågor om hur lärande faktisktorganiseras och skalas inom kommunala organisationer fått mindreuppmärksamhet. I detta sammanhang undersöker avhandlingen hur lärandefrån urbana experiment kan identifieras, organiseras och skalas i kommunalpraktik.

Utifrån dessa empiriska studier analyseras även vad resultaten innebär förförståelsen av hur certifieringssystem och urbana experiment kan användas föratt styra hållbarsfrågorna i stadsutveckling.IVAvhandlingen bygger främst på en kombination av transdisciplinära ochdesignorienterade forskningsansatser, där kunskap utvecklas i nära samspelmed praktik. En central del av forskningen utgörs av utvecklingen av ”Citylab –certifiering av en stadsdels hållbarhet”, där forskaren varit aktivt involverad iutvecklingsprocessen. Detta arbete har möjliggjort en fördjupad analys av deavvägningar, spänningar och överväganden som präglar utvecklingen avcertifieringssystem.

Utöver Citylab-studien omfattar avhandlingen två empiriska studier av urbanaexperiment i kommunal kontext. Studierna belyser lärande och uppskalningfrån urbana experiment genom både prövning av nya arbetssätt och analys avkommunala tjänstepersoners erfarenheter och organisatoriska förutsättningar.

Avhandlingens huvudsakliga resultat visar att utvecklingen avcertifieringssystem för hållbara stadsdelar präglas av återkommandeavvägningar mellan konkurrerande principer. Detta gäller exempelvisspänningar mellan att utforma system som är enkla att använda och samtidigttillräckligt omfattande för att uppfattas som trovärdiga och metodologiskttillförlitliga. Genom att synliggöra dessa avvägningar bidrar avhandlingen tillen fördjupad förståelse av vilka frågor och prioriteringar som präglarutvecklingen av certifieringssystem, samt hur de val som görs kan motiverasoch göras mer transparenta. Därigenom ger resultaten också ökad förståelseför varför certifieringssystem utformas som de gör och vilka begränsningarsom följer av olika designval.

Studierna av urbana experiment visar att experiment kan skapa viktigamöjligheter för lärande och innovation i kommunal praktik, men att dettalärande ofta förblir situationsbundet och projektberoende. För att urbanaexperiment ska få genomslag bortom enskilda projekt krävs mer struktureradearbetssätt för att identifiera, artikulera och ta tillvara lärdomar. Resultatenvisar särskilt att uppskalning av lärande är beroende av organisatoriskaförutsättningar inom kommuner, såsom tydliga mandat, resurser ochmottagarkapacitet, snarare än av experimentens innehåll eller omfattning i sig.

Sammantaget visar avhandlingen att certifieringssystem och urbanaexperiment är fundamentalt olika sätt att styra hållbarhetsfrågor istadsutvecklingen. Certifieringssystem tenderar att förstärka redan etableradestandarder, samtidigt som kravet på mätbarhet innebär att hållbarhetsfrågorsom är svårare att kvantifiera riskerar att hamna i bakgrunden. Vidareförutsätter certifieringssystem att rådighet kan avgränsas till enskilda aktörer,vilket står i kontrast till att mång hållbarhetsfrågor behöver lösas genomVsamverkan. Urbana experiment kan i stället bidra till att etablera ett merprojektbaserat arbetssätt, där återkommande pilotprojekt ochinnovationssatsningar ibland sker på bekostnad av att befintliga lösningarskalas upp och integreras i ordinarie verksamhet. Samtidigt visar resultaten attbåda dessa verktyg kan spela viktiga roller för att stödja integreringen avhållbarhet i stadsutveckling, förutsatt att deras styrande effekter ochbegränsningar uppmärksammas och hanteras i praktiken.

Urbaniserade landskap genomgår snabba förändringar i takt med förtätning, konkurrens om marken och klimatförändring. Dessa förändringar påverkar inte bara ekologiska funktioner utan också människors möjligheter att möta natur i vardagen. Särskilt barns tillgång till närliggande natur lyfts i forskningen fram som betydelsefull för fysiskt och mentalt välbefinnand, miljömedvetenhet och på sikt även ansvarstagande för miljö och biologisk mångfald. Samtidigt är kunskapen fortfarande begränsad om vilka samhälleliga förutsättningar som möjliggör barns meningsfulla och långsiktiga relationer till natur i urbaniserade miljöer. Denna licentiatavhandling undersöker hur planering och förvaltning av grönområden och civilsamhällets engagemang och aktiviteter tillsammans formar barns möjligheter att möta och relatera till sin stadsnära natur. Studien är förankrad i hållbarhetsvetenskap och forskning inom social-ekologiska system, där begreppet stewardship används som analytisk perspektiv för att förstå hur ansvar för relationen människa-natur tar sig i uttryck inom olika delar av samhället. Avhandlingen består av två kvalitativa fallstudier i Stockholmsområdet. Den första studien analyserar planering och förvaltning av mångfunktionell grön-blå infrastruktur genom intervjuer med kommunala och regionala tjänstepersoner. Den andra studien undersöker hur svenska idrotts -och friluftsorganisationer bidrar till barns naturkontakt genom pedagogiskt engagemang, återkommande aktiviteter ute i naturen, och lärande över generationer. Resultaten visar att planering och förvaltning av grön- och blåområden har stor betydelse för de strukturella förutsättningarna för barns naturkontakt. Samtidigt framkommer att friluftsliv och barns vardagliga naturkontakt ofta har en svag ställning i de formella planeringsprocesserna som präglas av sektorsuppdelning och konkurrerande markanvändningsintressen. Parallellt fungerar civilsamhällets friluftsorganisationer som viktiga sociala och pedagogiska aktörer där barn erbjuds återkommande aktiviteter och erfarenheter i naturen. Sammantaget visar studierna att barns möjligheter att utveckla långsiktiga relationer till naturen formas i samspelet mellan strukturella och relationella förutsättningar. Den fysiska planeringen och förvaltningen av stadslandskapet avgör i vilken utsträckning natur finns tillgänglig i vardagen, medan civilsamhällets praktiker bidrar till de erfarenheter, kunskaper och betydelser genom vilka barn lär sig att relatera till landskapet och dess ’när-natur’. Genom att koppla samman formella planeringsprocesser med vardagliga naturpraktiker bidrar avhandlingen till hållbarhetsvetenskap genom att belysa hur stewardship formas i mötet mellan institutionella aktörer och civilsamhällets engagemang, men också genom att tydligare inkludera barns röster och erfarenheter i samtalet kring urbana landskap och en hållbar utveckling.

Digital media operates on a curious boundary between storage and loss. While each new storage format promises a permanent solution to our exponentially expanding media libraries, they inevitably fail or otherwise become unusable. This paper reflects on a long-term design process that attempts to bring a different paradigm to the experience of personal digital media: destruction. We present an annotated portfolio of a set of sound listening devices, critically unpacking the particular temporal, perceptual, and experiential qualities that emerge when designing for the loss of personal media. These annotations show how destruction comes to matter in designing against the traditional bias towards growth and accumulation in HCI.

Under de senaste åren har den teknologiska utvecklingen lett till ett ökat antal säkerhetskritiska tjänster och applikationer som kräver kommunikationstjänster av hög pålitlighet. För att möta prestandakrav erbjuder mobilnätsoperatörer serviceavtal (SLA) som specificerar garanterade nivåer för kommunikationskvalitet (QoS). Att upprätthålla hög QoS är emellertid utmanande, speciellt i scenarier med stor variation och rörlighet, där förändrade förhållanden för täckning, interferens och nätverkslast kan skifta de underliggande statistiska egenskaperna för QoS. För att hantera problemen med varierande statistiska egenskaper har ML-baserad prediktiv QoS (pQoS) föreslagits för att hjälpa nätverkssystemet att proaktivt upptäcka och förebygga framtida försämringar av QoS.

Denna avhandling formulerar problem med datadriven pQoS för cellulära nätverk, med fokus på den trådlösa kanalen, datatakt och svarstid. Det huvudsakliga forskningsbidraget är en uppsättning prediktionsmetoder som hanterar både dynamiska miljöer och praktiska begränsningar vid driftsättning. En omfattande empirisk jämförelse av neuronnätsarkitekturer för kanalprediktion ger vägledning för att välja lämpliga modeller i mobila trådlösa miljöer. För att minska effekterna av konceptförskjutning i pQoS-modeller introducerar avhandlingen ett distribuerat ramverk för gemensam klustring och prediktion, där nätverksceller grupperas och klusterspecifika prediktorer tränas samtidigt som antalet modeller hålls lågt. För prediktion på användarsidan i scenarier med hög rörlighet föreslår avhandlingen geografisk klustring kombinerad med federerad inlärning, vilket möjliggör lokal anpassning samtidigt som integritets- och kommunikationsbegränsningar beaktas. Dessa prediktionsramverk utvecklas med iterativa approximativa lösare och inkluderar konvergensgarantier för att förbättra noggrannheten för pQoS-modellerna. Den första algoritmen utvärderas med hjälp av ett simuleringsverktyg för en digital nätverkstvilling (NDT) som presenteras i avhandlingen. Avhandlingen presenterar också ett NDT-ramverk som predikterar den möjliga datatakten för användare i nätverket utifrån det aktuella nätverkstillståndet.

Sammantaget visar resultaten att en kombination av klustring, distribuerad inlärning och realistisk systemmodellering avsevärt kan förbättra robustheten i pQoS-modeller under krävande omständigheter. Forskningsbidraget i avhandlingen tillhandahåller metoder som kan stödja tillförlitlig kommunikation i framtida trådlösa nätverk. Framtida forskning bör utveckla en teoretisk grund för att integrera sannolikhetsmedvetenhet och SLA-nivåer i prediktionsmodeller. På så sätt kan forskningen skapa pQoS-ramverk som optimerar prediktionsnoggrannhet, riskhantering för kritiska tjänster och anpassningsförmåga i icke-stationära trådlösa miljöer.

Detta projekt föreslår utvecklingen av ett AI-förstärkt system för fastighetsoch anläggningsstyrning (Facility Management Control System, FMCS) med fokus på energieffektivisering i industrimiljöer, särskilt för resursoptimering i reflowugnar. Traditionella FMCS-lösningar erbjuder realtidsövervakning av viktiga hjälpsystem såsom kylvatten, elektricitet och tryckluft. Genom framsteg inom maskininlärning möjliggörs en övergång från passiv övervakning till prediktiv styrning, vilket i sin tur skapar förutsättningar för proaktiv resursallokering och kostnadsreduktion. Den största utmaningen ligger i att bygga en tillförlitlig prediktionsmodell baserad på en begränsad datamängd. För att hantera detta utvecklades ett djupinlärningsbaserat FMCS med en Long Short-Term Memory-arkitektur (LSTM) anpassad för tidsseriedata. Modellen består av 4–6 LSTM-lager följt av ett tvålagrigt neuralt nätverk med ReLU-aktiveringsfunktioner. Systemet fokuserar specifikt på övervakning och optimering av kväveförbrukning, samtidigt som syrekoncentrationen hålls inom tillåtna gränsvärden. Syftet är att identifiera ineffektivitet och minska operativt spill. Empiriska resultat visar att modellen kan bidra till en kostnadsbesparing på cirka 60% av kvävekostnaderna, vilket demonstrerar lösningens genomförbarhet i produktionsmiljö.

Applikationsspecifika integrerade kretsar (ASICs) erbjuder överlägsen prestanda och energieffektivitet jämfört med traditionella processorer, men till betydande tillverkningskostnader. SiLago-ramverket hanterar detta genom en ny designmetodik som möjliggör enkel komposition genom sammanfogning av fördesignade block. Inom detta ramverk tillhandahåller Dynamically Reconfigurable Resource Array version 2 (DRRA-2) en Coarse Grain Reconfigurable Architecture (CGRA) för strömmande applikationer. Det definierar en struktur av celler, som var och en innehåller resurser, som sammanfogas för att bilda godtyckliga system. Denna avhandling utforskar tillämpningen av Design For Testing (DFT)- tekniker och Inbyggt självtest (Built-In Self-Test, BIST) för den hierarkiska arkitekturen, med fokus på Data Path Unit (DPU)-resursen. DFT-tekniker integreras under designprocessen för att stärka tillverkningsbarheten för stora konstruktioner. BIST är särskilt användbart för att tillhandahålla testkapacitet när en chip har installerats på en krets. Detta arbete implementerar en BIST på DPU med Elektronisk designautomatisering (EDA)-verktyg. BIST bygger på skanningskedjeinsättning och baseras på STUMPS-arkitekturen. Vi utvärderar både en automatiskt genererad och en anpassad BIST för att utforska olika designval. Sedan undersöker vi arkitektoniska överväganden såsom skanningskomprimering, återanvändning av befintliga stift och delning av BIST-hårdvara mellan identiska block. Slutligen tillämpas designoptimeringar för att förbättra BIST:s felfångst på DPU. Experimentella resultat visar att den bästa BIST-konfigurationen för DPU uppnår en felfångst på mellan 71% och 78%, beroende på arkitekturen. För detta är den totala arealöverbelastningen 22% till 35% av DPU:s areal. Den implementerade BIST kräver dock speciell hårdvara för att styra DPU:ns primära portar. Det försämrar den maximala frekvensen från 975 till 852 MHz. För att undvika denna frekvensminskning bör alternativa metoder för att styra de primära portarna undersökas. För tester utan BIST, ger skanningskomprimering i kombination med fullskanning en 20% minskning av testtiden för en liknande felfördelning som med endast fullskanning.

Att förstå och modellera användarnas upplevelse i VR är en viktig utmaning för utformningen av adaptiva och engagerande interaktiva system. Befintliga beräkningsmetoder är ofta begränsade till text- och ljudstudier och har svårt att fånga de flyktiga emotionella nyanserna som är inneboende i VR. För att övervinna denna begränsning undersöker detta arbete om VR-specifika beteendesignaler kan integreras i ett befintligt ramverk för upplevelsedetektering för att förbättra prediktionsprestandan. Med hjälp av de inbyggda sensorerna i Meta Quest Pro samlade denna studie in multimodala beteendedata i realtid, inklusive blickbanor, överkroppshållning och ansiktsuttryckssignaler. Studien undersöker hur införlivandet av ansiktsuttryckssignaler förbättrar den multimodala fusionsprediktionsprestandan. Med hjälp av Meta Quest Pros inbyggda sensorer samlade studien in synkroniserade data om blick, ansiktsuttryck och överkroppshållning under spelets gång. För att validera ramverkets effektivitet implementerades en multiplayersamarbetsversion VR av brädspelet Pandemic. Detta resulterade i en högkvalitativ dataset bestående av synkroniserade beteendedata och självrapporterade njutningspoäng från 20 deltagare. För att hantera utmaningarna med frekvens- och densitetsheterogenitet i multimodala data utvärderade denna studie systematiskt tre förbehandlingsstrategier: rådatabaslinje, tidsfönster och toppintervallfiltrering. Experimentella resultat visade signifikanta skillnader i modalitetskänslighet för förbehandlingsstrategier: ansiktsuttrycksdata visade starkast prediktiv kraft efter extrahering av högintensiva känsloutbrott med toppintervallfiltrering, medan ljud- och textmodaliteter presterade optimalt under den kontextbevarande tidsfönsterstrategin. Vidare visade en jämförande analys av fusionsarkitekturer att en förutsägelseslagerbaserad sen fusionsstrategi väsentligt överträffade tidig fusion och enkelmodala baslinjemodeller. Detta tillvägagångssätt möjliggjorde integration av kompletterande information från olika modaliteter på förutsägelsesnivå, vilket visade stark statistisk signifikans. Dessa resultat tyder på att ansiktsuttryckssignaler ger kompletterande information till tal och text och kan bidra till mer exakt förutsägelse av njutning i kollaborativa VRmiljöer.

I testmiljöer för Cloud-RAN är förmågan att enumerera alla optimala konfigurationer särskilt värdefull för flexibilitet, resiliens och reproducerbarhet—men de flesta metoder för placering av virtuella nätverksfunktioner och Service Function Chaining skalar antingen dåligt eller returnerar endast en enda lösning. Denna avhandling behandlar laboratorieorkestrering som ett komplett sökproblem och tillämpar Constraint Programming med CP-SAT-lösaren (OR-Tools) som ett alternativ till klassiska angreppssätt. Vi föreslår en tvåstegsmetod som först minimerar antalet ytterligare enheter som krävs och därefter enumererar alla lösningar vid den kostnaden. För att uppnå skalbarhet utformar vi en modulär mikrotjänst som kombinerar grafdekomposition, parallell lösning och online-avduplikering. Omfattande experiment i realistiska laboratoriemiljöer visar att CP-SAT unikt kombinerar uttrycksfull constraint-modellering, inbyggd enumerering av flera lösningar och praktisk prestanda. Jämfört med Mixed-Integer Programming, klassisk CP och en djupförst-baserad metod enumererar CP-SAT konsekvent alla optimala lösningar samtidigt som körtid och minnesanvändning reduceras. Resultaten visar att CP-SAT erbjuder en tillförlitlig, leverantörsneutral grund för automatiserad orkestrering i testbäddar för disaggregerade Radio Access Networks. Mer allmänt bidrar arbetet med en återanvändbar metodologi för komplett optimal enumerering i kombinatoriska optimeringsproblem med heterogena logiska begränsningar.

Merparten av framstegen inom styrning av humanoida robotar drivs idag av experiment på proprietära, slutna system. Dessa slutna system hämmar dock gemenskapsdriven utveckling, försvårar modifiering och utbyggnad av hårdvaran, samt medför ofta kostsamma reparationer och kritiska tidsfördröjningar. För att adressera dessa problem presenterar vi i denna avhandling en humanoid robot med öppen källkod, och demonstrerar dess förmåga inom rörelseföljning och gång. Vår humanoida robot är kompakt, kostnadseffektiv och dess 3D-utskrivna komponenter kan modifieras eller utökas med ytterligare sensorer eller verktyg. Vi skapar en noggrann simuleringsmodell av roboten, inklusive identifiering av aktuatorparametrar, och använder denna modell för att träna styrpolicyer för rörelseföljning och gång i simulering. Vid rörelseföljning är roboten avsedd att följa en given referensrörelse, antingen från en förinspelad sekvens eller i realtid via pose-estimering från en webbkamera, medan roboten vid gång följer ett hastighetskommando. För båda uppgifterna överförs de tränade policyerna direkt till den fysiska roboten, vilket påvisar simuleringsmodellens noggrannhet. Vi utvärderar vanliga varianter av policyer för rörelseföljning och jämför resultaten. Vidare utvärderar vi kvantitativt överföringen från simulering till verklighet för förflyttning; vi observerar ett betydande gap mellan simulering och verklighet, men konstaterar att den tränade policyn är robust mot detta och ändå framgångsrikt följer hastighetskommandon på den fysiska roboten.

Objektdetektion är ett forskningsområde inom datorseende som omfattar både lokalisering och klassificering av objekt i bilder. Användningsområdena är många, från autonom körning till att hitta avvikelser i medicinsk radiologi. En stor utmaning inom dessa områden som intensifierats med växande dataset är behovet av korrekt annoterade dataset. Traditionellt har identifiering och korrigeringen av annoteringsfel varit beroende av manuell granskning från mänskliga annoterare, en metod som är både kostsam och svår att skala upp. Syftet med denna studie är att utveckla ett ramverk som använder en Vision-Language Model (VLM) för att automatisera arbetet med att hitta och korrigera annoteringsfel i verkliga dataset, och därmed förbättra modellprestandan. Detta arbete fyller en lucka i forskningen, då tidigare studier främst har fokuserat på att rengöra syntetiska dataset med VLMs och därmed missat komplexiteten i felannoteringar i verklig data. I detta arbete appliceras en rengöringsprocess i två-steg på ett riktigt dataset med orienterade gränsboxar fokuserat på att identifiera registreringsskyltar och företagsloggor på fordon. Först används en del som identifierar potentiella fel, sedan valideras de av en VLM (Qwen 2.5 VL). Flera olika strategier utvärderas, däribland binär klassifiering och Chain- of-Thought (CoT) och fine-tuning. Resultatet visar att även om binär prompting och klassifiering presterade bäst så ökade finjusteringen rengöringsprestandan för samtliga strategier. Därför valdes den finjusterade binära modellen för att rengöra träningsdataseten. Resultatet visar att en objektdetekteringsmodell tränad på det icke rengjorda och det VLM-rengjorda datasetet presterade liknande, samtidigt gav det finjusterade VLM-rengjorda datasetet signifikant bättre prestanda. Detta indikerar att finjusterade VLMs effektivt kan användas för att rengöra verkliga dataset för objektdetektering, vilket erbjuder en skalbar lösning för att förbättra modellers prestanda.

Metallartefakter (MA) i bilder från konstråletomografi (CBCT) uppstår när de röntgenstrålar som används i bildtagningsprocessen absorberas oregelbundet av metalliska objekt i patientens kropp. Artefakterna kan framträda som mörka områden eller ljusa strimmor i bilden och kan därmed dölja underliggande vävnad som krävs för korrekt analys eller behandling av patienten. Metallartefaktreducering (MAR) är processen att avlägsna dessa artefakter genom bildinpainting eller interpolation. I denna examensuppsats implementerar vi två djupinlärningsmodeller baserade på brusreducerande diffusionsprobabilistisk modellering (DDPM) för MAR: RePaint, som använder en ovillkorlig DDPM, och Palette, som är en villkorlig DDPM tränad specifikt för inpainting. Utöver dessa två DDPM-metoder testar vi även en enkel U-Net-arkitektur. Även om tidigare forskning har visat lovande resultat vid användning av DDPM:er för MAR, har begränsad forskning genomförts kring huruvida dessa metoder är tillräckligt tidseffektiva för att kunna implementeras i nära realtidsmiljöer där beräkningstid är en viktig faktor. Vi jämför dessa djupinlärningsbaserade metoderna med moderna linjära interpolationsmetoder för MAR för att avgöra om någon av metoderna realistiskt skulle kunna implementeras i faktiska arbetsflöden utan en avsevärd ökning av beräkningstid jämfört med klassiska interpolationsmetoder. Metoderna jämförs med avseende på både kvantitativa mått såsom structural similarity index measure (SSIM), peak signal-to-noise ratio (PSNR), root mean square error (RMSE) och bearbetningstid, samt genom en kvalitativ jämförelse av de bearbetade bilderna. Vi observerar att både den enklare U-Net-baserade metoden och Palette uppvisar en betydande förbättring i MAR-kvalitet jämfört med de linjära metoderna samtidigt som de har jämförbara bearbetningstider, samt att UNet är något bättre än Palette i båda dessa aspekter. RePaint-metoden gav inte tillfredsställande resultat, sannolikt på grund ett behov av ett djupare nätverk för att fullt ut träna en ovillkorlig DDPM; metoden kan dock avfärdas på grund av dess avsevärt högre beräkningstid. Dessa resultat tyder på att relativt enkla U-Net-arkitekturer kan tränas och implementeras i rekonstruktionspipelines för bearbetning av CBCT-bilder för att förbättra kvaliteten på MAR, samtidigt som de bibehåller liknande bearbetningstider som linjära metoder.

Nätfiske är en av de mest förekommande formerna av cyberbrottslighet och fortsätter att vara ett växande hot i takt med att digitala enheter och tjänster utökas, samt att cyberattacker blir mer sofistikerade. Medan organisationer ofta hanterar nätfiskerelaterade risker genom strukturerade utbildningar bland deras anställda är motsvarande engagemang gentemot allmänheten mindre förekommande. Detta medför en lucka i arbetet med kännedom om cyberhot och digital motståndskraft. Syftet med denna uppsats är att utreda hur svenska medborgares kännedom om nätfiske kan stärkas genom en utvärdering av genomförbarheten och den upplevda användbarheten hos ett spelbaserat utbildningsverktyg. En jämförande studie genomfördes med 29 deltagare som delades in i två grupper och genomförde ett för- och eftertest för att mäta förmågan att identifiera nätfiskeförsök i termer av accuracy och recall. Användarupplevelser samlades även in genom en enkät med Likertscalefrågor och frågor med öppna svar. Resultaten visar att deltagare som använde den spelbaserade metoden visade på en högre utveckling av recall i samtliga ålderskategorier, varav den starkaste effekten visades bland deltagare mellan åldrarna 18-29 år. Den spelbaserade metoden var även associerad med högre engagemang, motivation och upplevt lärande. Trots det uppfattades den textbaserade metoden som mer tidseffektiv. Sammanfattningsvis, resultaten indikerar att spelbaserat lärande kan fungera som ett alternativ till befintliga initiativ för nätfiskekännedom. Dock krävs vidare utveckling av speldesignen för att förbättra användbarheten och uppnå bättre acceptans.

Stora språkmodeller (LLM) har visat exceptionell prestanda när det gäller uppgifter som rör naturligt språk, men de har svårt med domänspecifika frågor. Denna avhandling undersöker effektiviteten av domänadaptiv kontinuerlig förträning (DAP) för att förbättra cybersäkerhetsmedvetenheten hos tre öppen källkodsförtränade LLM:er – Llama-3.1-8B, DeepSeek-R1-Distill-Qwen-14B och Llama-3.3-70B – på ett relativt litet domänspecifikt korpus (1 miljon, 50 miljoner, 118,8 miljoner token). . De anpassade modellerna utvärderas mot sina motsvarigheter och en baslinje för cybersäkerhet LLM, Llama- Primus-Base (8B parametrar, 2,77B tokens). I tre benchmarktest – CTIMCQ, CyberMetric och SecEval – presterade DAP-modellerna bättre än basmodellerna och Llama-Primus-Base, där 70B-modellen visade bättre resultat än de öppen källkodsbaserade baslinjemodellerna. Dessa resultat indikerar att DAP kan förbättra LLM:s förståelse för cybersäkerhet med en liten datasetstorlek och utan övervakad finjustering (SFT)/förstärkt inlärning med mänsklig feedback (RLHF).

Denna masteruppsats undersöker och jämför styrstrategier för stabilisering och referensföljning av en tvåhjulig inverterad pendelrobot. Studien fokuserar på tre modellbaserade metoder: linjär kvadratisk regulator (LQR), linjär modellprediktiv reglering (MPC) och restriktionssnävande MPC (CTMPC), tillsammans med en databaserad neuronnätsregulator (NNC) utformad för realtidsimplementering. Utvärderingen delas upp i en simulerings- och en experimentfas. Simuleringsfasen består av två delar: banföljningssimuleringar under nominella initialvillkor samt uppskattning av attraktionsområdet (RoA) med en Monte Carlo-metod. För detta ändamål används en certifierad terminalmängd beräknad direkt från de olinjära dynamiken, vilket garanterar invarians för det slutna systemet och möjliggör att simuleringarna kan avbrytas när mängden nås. Validering på hårdvara utförs för LQR- och NNC-regulatorerna genom stabiliserings- och referensföljningsuppgifter, medan MPC och CTMPC inte är genomförbara för realtidsimplementering på den inbyggda plattformen. Denna begränsning motiverar användningen av NNC, som approximerar beteendet hos CTMPC men förblir lämpad för implementering på hårdvara. I simulering presterar alla regulatorer jämförbart under nominella villkor. Det uppskattade RoA är identiskt för de modellbaserade regulatorerna, medan NNC uppvisar ett mindre RoA. I hårdvaruexperiment under osäkerheter överträffar däremot NNC LQR, tack vare att den tränats på den robusta CTMPC-strategin. Studien visar att även om konventionella modellbaserade regulatorer uppnår stark nominell prestanda, kan robustheten mot osäkerheter förbättras genom robusta formuleringar och deras inlärda approximationer. NNC erbjuder ett beräkningsmässigt effektivt sätt att efterlikna CTMPC-beteende på inbyggd hårdvara, vilket möjliggör förbättrad prestanda jämfört med LQR under verkliga förhållanden utan att kräva onlineoptimering.

Fotomasker är viktiga mallar som möjliggör mönsteröverföring till substat med hjälp av fotolitografi. Med den fortlöpande nedskalningen av komponentgeometrier ställs fotomasktillverkningen inför krav på strikt kontroll av etsprocesser för att minimera variationer i kritska dimensioner (CD). Torretsning, särskilt ICP-RIE, erbjuder anisotrop etsning, hög precision och processflexibilitet, men är känslig för mönsterdensiteten på masken samt plasmaförhållanden i etskammaren. Detta arbete undersöker optimering av gasflödena i torretsprocessen, för olika mönsterdensiteter i krombaserade fotomasker, genom variation av Cl2/O2/He samt O2-partialtryck i etskammaren. Resultaten visar starka samband mellan gasflödessammansättning, plasmadensitet och lokal mänstervariation, vilket ger insikter för utveckling av nya etsprocesser med förbättrad uniformitet och bättre CD-kontroll i fotomasktillverkning. Noterbart är att mönster med lägre densitet uppvisade den största förbättringen under de optimerade inställningarna.

Effektiv detektering av trädefekter blir alltmer kritisk för en hållbar skogsindustri för att säkerställa materialkvalitet och maximera resursutnyttjandet. Traditionell manuell inspektion är dock tidskrävande och subjektiv, medan moderna djupinlärningsmodeller ofta är för beräkningstunga för att fungera på de resursbegränsade edge-enheter som krävs för fältapplikationer. Detta examensarbete adresserar utmaningen att möjliggöra noggrann detektering av trädefekter i realtid på lättviktig hårdvara genom att optimera avvägningen mellan modellkomplexitet och detekteringsprestanda. Detta problem är betydande eftersom befintliga lättviktslösningar ofta försämrar noggrannheten på ett oacceptabelt sätt vid tillämpning på detaljerade industriella uppgifter, vilket skapar ett gap mellan teoretisk arkitekturdesign och praktiska implementeringsbehov. Projektet hanterar svårigheten att minska beräkningskostnaden (FLOPs) utan att offra förmågan att upptäcka subtila defekter såsom sprickor och kvistar. Forskningsmetodiken följde en experimentell design i två faser baserad på YOLOv8n-baslinjen. Fas I fokuserade på strukturell lättviktning genom att systematiskt utvärdera konvolutionsvarianter såsom GhostConv, GSConv och RepConv för att identifiera den optimala backbone-neck-konfigurationen. Fas II introducerade noggrannhetshöjande moduler, inklusive SE, ECA och SimAM, för att återställa den representationsförmåga som gick förlorad under komprimeringen. Studien identifierade en hybrid ”GhostGS”-arkitektur kombinerad med den parameterfria SimAM-uppmärksamhetsmodulen som den optimala lösningen. Denna slutliga konfiguration uppnådde en minskning av parametrar med cirka 45% och en minskning av FLOPs med 42% jämfört med YOLOv8nbaslinjen, samtidigt som över 94% av detekteringsnoggrannheten bibehölls. Dessa resultat visar att en riktad kombination av arkitektonisk förenkling och uppmärksamhetsmekanismer kan ge en mycket konkurrenskraftig balans mellan prestanda och effektivitet. Detta arbete möjliggör implementering av pålitliga automatiska inspektionssystem på strömsnåla inbyggda enheter, vilket underlättar skalbara och hållbara arbetsflöden för träbearbetning som tidigare hindrades av hårdvarubegränsningar.

Inom militär och industriell verksamhet spelar livscykelhantering (LCM) en avgörande roll för att säkerställa att driftsatta system behåller operativ effektivitet under hela sin livslängd. I de fall där system som flygplan och fordon måste fungera på avlägsna platser borta från den normala leveranskedjan, beror dess underhålls -och reparationskapacitet helt på en förkonfigurerad uppsättning av resurser, som kallas ”fly-away kit”, och som tas med under driftsättningen. Traditionellt hanterar Systecon optimering av fly-away kits med hjälp av simuleringsverktyget SIMLOX. Verktyget Opus Evo söker iterativt efter den optimala kit-konfigurationen och utvärderar dem med SIMLOX. Målet är att minska beräkningskostnaden genom att hitta lämpliga surrogatmodeller för att approximera SIMLOX-utmatningar, samtidigt som fly-away kit-konfigurationer optimeras för att maximera kvaliteten för dessa utdata. Fyra surrogatmodeller med lägre beräkningskostnad: Gaussian Process (GP), Multi- Layer Perceptron (MLP), Random Forest (RF) och Support Vector Regression (SVR), utvärderades för deras förmåga att approximera SIMLOX och stödja optimering av kit-konfigurationer. Surrogaterna integrerades i EVO-miljön och tränades genom online aktivt lärande. SIMLOX ersattes inte helt och krävdes under den aktiva inlärningscykeln. Fallen som studerades var två typer av träningsdatastorlekar definierade av sliding window storlekar (fasta datamängder från de senaste iterationerna) och tre olika antal kit-objekt, vilket resulterade i sex distinkta testfallsscenarier. Alla surrogatmodeller minskade runtime-kostnaden jämfört med SIMLOX, förutom GP för testfallet med 218 objekt och sliding window storlek 10.. För 50 objekt presterade SIMLOX bäst för optimeringsprestandamåttet (MoE), och SVR bland de näst bästa. Den bästa surrogatmodellen i överlag för högre antal objekt var GP för optimeringsprestanda. För att förstå hur väl surrogatmodellerna presterar i SIMLOX användes två approximationsprestandamått (MSE och R²). Även om RF uppnådde bästa approximationsprestanda för båda måtten bland surrogatmodellerna, översattes detta inte till bättre optimeringsmöjligheter. Detta visar att approximationsnoggrannhet inte nödvändigtvis återspeglar bättre kit-optimering. Trots dåligt R² presterade surrogatmodellerna väl i MoE och stödde kit-optimeringen.

Stora språkmodeller som ChatGPT har snabbt blivit en integrerad del av studenters vardagliga lärande i högre utbildning, särskilt inom STEM-ämnen. Dessa verktyg kan stödja programmering, problemlösning och skrivande, men deras lättillgänglighet innebär samtidigt risker: överberoende, okritisk tillit till AI-genererade svar och en form av kognitiv avlastning som kan hämma självreglerat lärande (SRL) – förmågan att planera, följa upp och reflektera över sitt eget lärande.Trots en växande medvetenhet om dessa utmaningar finns det fortfarande få AI-verktyg som är specifikt utformade för att stärka studenters SRL i interaktionen med generativ AI. Detta examensarbete adresserar detta genom att introducera ChatWise, ett webbläsartillägg utvecklat för att stödja studenters SRL vid användning av kommersiella AI-verktyg som ChatGPT. I stället för att begränsa själva AI-systemet fokuserar ChatWise på att hjälpa studenter att interagera med ChatGPT på ett mer reflekterande och strategiskt sätt i sitt lärande. Verktyget ger flexibel och metakognitiv återkoppling i realtid genom AI-baserad klassificering av varje prompt enligt SRL-teori, där promptarna kategoriseras utifrån strategierna elaborering, ansträngningsreglering, organisering, repetition, hjälpsökande och kritiskt tänkande. Genom omedelbar visuell och textuell återkoppling uppmuntrar ChatWise studenter att reflektera över sina prompts och formulera dem på sätt som bättre stödjer deras lärande. Utvecklingen av ChatWise följde en Design-Based Research (DBR)-ansats och utvärderades genom en within-subject-studie genomförd i ett sammanhang där studenterna vanligtvis studerar, med 17 STEM-studenter, varav 9 slutförde båda studieomgångarna. Kvantitativa analyser av promptloggar och enkäter visade en ökning av högkvalitativa prompts som ligger i linje med SRLstrategier vid användning av ChatWise. De kvalitativa resultaten visade ökad reflektion, större medvetenhet om effektiva promptstrategier och förbättrat engagemang i studenternas lärande. Deltagarna beskrev feedbacken från ChatWise som motiverande och hjälpsam för att förstå hur de kan interagera med ChatGPT på ett mer medvetet sätt. Resultaten visar att adaptiv metakognitiv feedback kan främja ett mer reflekterande och självreglerat användande av generativ AI. Arbetet bidrar med både praktiska och teoretiska insikter kring hur utbildningsorienterade AI-verktyg kan utformas för att stödja självreglering och metakognitivt lärande. Uppsatsen avslutas med designrekommendationer för hur generativ AI kan användas på ett reflekterande, hållbart och studentcentrerat sätt i högre utbildning.

Användandet av Artificiell intelligens (AI) har ökat kraftigt på grund av en ökad tillgänglighet och kompetens hos stora språkmodeller (LLMs) som ChatGPT och Claude. LLM:ers förmåga att processa naturligt språk i kombination med deras ökade kompetens inom programmering har lett till att personer utan erfarenhet av programmering kan generera färdiga webbapplikationer med bara en prompt. När en LLM skapar en hel webbapplikation åt en person som inte kan förstå den genererade koden är det kritiskt att personen förstår hur säker webbapplikationen kan förväntas vara. Denna studie försöker bidra till den förståelsen genom att analysera AI-genererade webbapplikationer för vanliga säkerhetsproblem för webbapplikationer och bedöma hur många och allvarliga sårbarheterna är. På grund av AIs snabba utveckling existerar för närvarande ett underskott av studier som analyserat säkerheten hos AI-genererade webbapplikationer. För att bidra med insikter kring vanliga sårbarheter i AI-genererade webbapplikationer skapades ett standardiserat prompt-manus med syftet att imitera en person utan erfarenhet av programmering som ber om en komplett webbapplikationslösning. Med hjälp av manuset promptades LLM:erna ChatGPT-5 och Claude Sonnet 4.5 i flera separata konversationer för att producera hela webbapplikationer. För varje genererad webbapplikation gjordes en sårbarhetsbedömning med hjälp av en svit av automatiserade skannrar som utförde dynamisk testning av webbapplikationerna och statisk kodanalys, med fokus på de tre största sårbarheterna i OWASP Top 10 (2021). Resultaten visade att webbapplikationer skapade genom oteknisk promptning av LLM:er uppvisar flera återkommande sårbarheter, mestadels begränsade till kategorierna Broken Access Control och Injection. En stor majoritet av sårbarheterna bör förväntas ha CVSS-score Medium och High. Resultatens pålitlighet skulle förbättras genom att analysera fler webbapplikationer och utföra manuella penetrationstester för att verifiera resultatet från de automatiserade skannrarna, vilket gör studien till en bra språngbräda för vidare forskning. Denna studie ger en grund för att rekommendera personer utan ordentlig erfarenhet av programmering att vara försiktiga med de påvisade riskerna kring att låta en LLM skapa färdiga webbapplikationer.

Industriella vakuumtransportsystem är centrala för industriell hantering av bulkmaterial, men dagens övervakning bygger på tröskelbaserade regler som inte kan upptäcka subtila anomalier. Denna uppsats föreslår en tvåstegsmetod som kombinerar oövervakad djupinlärning för anomalidetektion med tolkningsbar maskininlärning för rotorsakskarakterisering. I Steg 1 utvärderas två rekonstruktionsbaserade djupinlärningsmodeller (en state-space-modell (KambaAD) och en attention-baserad transformer (Anomaly Transformer)) på verklig vakuumtransportdata. Resultaten visar att inkludering av driftskontext (maskininställningar) förbättrar detektionen signifikant, där båda modellerna uppnår AUROC över 0,96 när kontext finns tillgänglig. I Steg 2 möjliggör felspecifika signaturer som härleds från SHAPanalys en rankningsbaserad karakteriseringsmetod som uppnår 96% top- 3-träffsäkerhet, vilket gör det möjligt för operatörer att snabbt identifiera sannolika feltyper. De viktigaste bidragen är: (i) ett kurerat industriellt dataset som omfattar 30 konfigurationer och 6 felkategorier, (ii) en empirisk jämförelse av transformer- och state-space-arkitekturer för industriell tidsserieanomalidetektion, och (iii) en komplett tvåstegspipeline utformad för industriell driftsättning där tolkningsbarhet är avgörande.

Införandet av Europeiska unionens andra betaltjänstdirektiv (PSD2), som kräver säker och kundgodkänd åtkomst till bankkonton och transaktionsdata, har möjliggjort öppen bankverksamhet och tillgång till detaljerad transaktionsdata på individnivå. Denna utveckling skapar nya möjligheter för beteendebaserad kundsegmentering baserad på observerad finansiell aktivitet snarare än statiska demografiska attribut. Samtidigt är sådan data högdimensionell, heterogen och till stor del oetiketterad, vilket medför betydande utmaningar för traditionella klustringsmetoder avseende robusthet, tolkningsbarhet och stabilitet. Denna avhandling utvärderar lämpligheten hos topologibevarande metoder och djupa representationsinlärningsansatser för beteendebaserad kundsegmentering i en öppen bankkontext. Studien baseras på anonymiserad och kategoriserad transaktionsdata från cirka 10 000 individer och omfattar en jämförande analys av fyra oövervakade segmenteringspipelines: (i) direkt klustring med begränsad K-means, (ii) en metod baserad på Self-Organizing Maps (SOM), (iii) en sekventiell arkitektur där en autoencoder (AE) följs av en SOM, samt (iv) en gemensamt tränad AE–SOM-modell inspirerad av ramverket Deep Embedded Self-Organizing Map (DESOM). Samtliga metoder utvärderas under identiska experimentella förhållanden med hjälp av interna klustringsmått, stabilitetsanalyser samt kvalitativ bedömning av tolkningsbarhet genom visualisering och klusterprofilering. Resultaten uppvisar en tydlig prestandahierarki, där den gemensamt tränade AE–SOM-modellen genomgående genererar de mest kompakta, väldefinierade och stabila klustren. Fristående SOM-modeller erbjuder hög visuell tolkningsbarhet i det ursprungliga attribututrymmet, medan införandet av djup representationsinlärning avsevärt förbättrar den strukturella klusterkvaliteten, dock på bekostnad av viss transparens på attributnivå. Sammantaget indikerar resultaten att hybridmodeller som kombinerar autoencoders och Self-Organizing Maps utgör ändamålsenliga och effektiva angreppssätt för beteendebaserad segmentering av PSD2-baserad transaktionsdata. De observerade avvägningarna mellan tolkningsbarhet och representationsförmåga bör emellertid beaktas vid praktisk implementering.

Teknikproduktion är en komplex process som kräver ackumulering av resurser och där väldigt lite görs individuellt. Med tanke på fragmenteringen av utvecklingen av teknik och begränsningarna för individuellt agerande, hur mycket kan arbetare påverka den teknik de producerar? Bryr de sig om den teknik de producerar och dess konsekvenser för världen? Vem bör agera för att säkerställa att tekniken är “etisk”? Vilka möjligheter för individuellt och kollektivt agerande finns det på teknikarbetsplatser? Det är dessa frågor jag strävar efter att besvara i min avhandling.

Denna avhandling är ett tvärvetenskapligt projekt som kopplar samman fyra studier innehållande metoder från designforskning, etnometodologi och sociologi. Artiklarna är publicerade inom områdena människa-datorinteraktion (MDI) och datorstödd kooperativt arbete (CSCW) och positionerade inom praktisk etik, en forskningsansats som studerar etik genom att granska arbetsmetoder i specifika teknikorganisationer. Mitt arbete är teoretiskt grundat i den filosofiska traditionen i omsorgsetik med fokus på konkreta situerade handlingar istället för allmängiltiga regler, i den etnometodologiska traditionen att specificera teoretiska fenomen som praktiska frågor, och i moralantropologi med fokus på etik som formas av samhällen.

De fyra artiklarna som kombineras i avhandlingen utforskar det etiska resonemanget hos teknikutövare i akademiska miljöer, myndighetspersoner som arbetar med AI i Sverige och teknikutövare som arbetar i kommersiella företag i Europa. Jag förlitar mig på en mängd olika kvalitativa data: (1) en videoetnografi av designsessioner vid universitetet; (2) en intervjustudie om tillskrivning av etiskt ansvar av teknikutövare inom akademin, den offentliga sektorn och industrin; (3) en workshopbaserad studie av uttryck för obehag (kritik) i en designworkshop med akademiker; (4) en intervjubaserad studie av etiska diskurser i teknikföretag i Europa. Studierna bidrar till design- och MDI-fälten med empirisk forskning om etiskt resonemang i vardagligt designarbete.

Avhandlingen syftar till att främja en antropologisk, människocentrerad syn på etik inom MDI. Jag argumenterar för att inkludera affekt och känsla i diskussionen om etik inom MDI och betonar begränsningarna med en individualistisk syn på etik. Affekt är viktigt för att koppla samman vardagliga observerbara arbetsmetoder med strukturella maktrelationer inom tekniksektorn. Att förstå begränsningarna med individuellt handlande och istället fokusera på potentialen för ett kollektivt handlande är viktigt för att balansera ansvar med makt. Denna avhandling uppmärksammar också ojämlikheten inom tekniksektorn som en faktor som hindrar möjligheten att forma en gemensam agenda och engagera sig i kollektivt handlande.

Med utvecklingen av fordonsintelligens och autonoma körteknologier har säteskomfort och interaktivitet blivit avgörande faktorer för att forma både kör- och åkupplevelsen. Nuvarande sätesdesign fokuserar dock främst på statisk komfort, medan dynamiska körförhållanden – särskilt vid svängar där centrifugalkraften orsakar kroppsförskjutning, muskeltrötthet och åksjuka – har fått begränsad uppmärksamhet. Denna studie undersöker hur dynamisk, interaktiv sätesdesign kan förbättra komforten vid kurvtagning genom en Soma Design-metod som använder kroppsmedvetenhet som grund för interaktionsdesign. Istället för att enbart förlita sig på kvantitativa ergonomiska mått bygger designprocessen på förstapersons somatisk utforskning för att identifiera och förfina upplevelsekvaliteter som uppstår genom temporal koordination mellan sätesdynamik och kroppslig perception. En initial utforskning med en manuellt kontrollerad uppblåsbar sätesprototyp testade kroppsliga responser över flera körscenarier—acceleration, inbromsning, kurvtagning och övergångar till autonomt läge. Kurvtagningsscenarier visade det mest framträdande obehaget och demonstrerade den tydligaste förbättringspotentialen genom dynamiskt stöd. Utifrån dessa insikter uppgraderades hårdvaran till ett digitalt programmerbart pneumatiskt system. Sätet innehåller fyra uppblåsbara silikonaktuatorer på både vänster och höger sida—en i ryggstödet och en i sittdynan. En serie interaktionsworkshops testade variationer i uppblåsningstiming, luftflödeshastighet, fordonshastighet och luftkuddars placering vid 90-graderssvängar och rondeller. Resultaten visar att temporal koordination mellan stödleverans och kroppslig anticipation avsevärt förbättrade komforten. Specifikt rapporterade deltagarna konsekvent hög komfort vid svänghastigheter mellan 15–25 km/h när uppblåsningen började 1,5–2 sekunder före sväng, jämfört med utan stöd. Studien visade att säteinteraktionens effektivitet inte ligger i statisk stödstyrka utan i vad vi kallar “somaestetisk koordinering”— temporal anpassning till kroppens föränderliga tillstånd under svängar. Detta fynd lägger grunden för intelligenta sätesstyrningssystem som prioriterar temporal synkronisering framför stödstyrka. Forskningen bidrar med en Soma-baserad metodik för att optimera dynamiska säteinteraktionsmönster vid fordonssvängar och utvidgar Soma Design-principer till fordonskontextet. Fynden ger designimplikationer för intelligenta sätessystem i både konventionella och autonoma fordon, vilket erbjuder nya riktningar för att förbättra komfort under dynamiska körförhållanden.

Stora språkmodeller (Large Language Models), blir allt vanligare inom olika branscher tack vare deras imponerande förmåga att hantera språkrelaterade uppgifter. Men att köra dessa modeller kräver mycket datorkraft, vilket leder till hög energiförbrukning och påverkan på miljön. I takt med att intresset för mer hållbar AI växer, blir det viktigt att hitta sätt att göra dessa modeller mer energieffektiva utan att försämra prestanda. I detta arbete undersöker vi hur två tekniker - Quantization (att använda mindre exakta talformat) och Pruning (att ta bort delar av modellen - påverkar både prestanda och energiförbrukning. Vi utvärderar fyra språkmodeller på tre olika typer av uppgifter inom språkbehandling. Resultaten visar att effektiva optimeringstekniker kan minska energiförbrukningen avsevärt utan att försämra modellernas prestanda. Arbetet understryker vikten av att fortsätta utforska ytterligare metoder för att uppnå ännu bättre balans mellan hållbarhet och prestanda.

Denna studie undersöker hur designen av visuella guider påverkar prestation och upplevd närvaro i en virtuell verklighetsmiljö (VR). Två visuella guider (partikeleffekt och highlighteffekt), tre färger (röd, blå, gul) och två opacitetsnivåer (α = 1.0, α = 0.5) undersöktes i en visuell sökuppgift med 20 deltagare. Resultaten visar att perceptuell färgkontrast i förhållande till omgivningen var den primära faktorn som påverkade både prestanda och upplevd närvaro. Solida guider med en hög kontrast resulterade i snabbare sluttider, högre noggrannhet och starkare upplevd närvaro. Guider med låg kontrast smälte däremot in i omgivningen och resulterade i försämrad prestanda. De kvalitativa fynden avslöjade vidare att deltagarna prioriterade funktionalitet och visuell klarhet framför realism i designen av guiderna. Tillsammans tyder dessa resultat på att perceptuell kontrast är en nyckelfaktor för effektiv uppmärksamhetsvägledning i VR och kan stödja både prestanda och närvaro i visuella sökuppgifter. Begränsningar i denna studie inkluderar den begränsade uppsättningen av guider, användningen av endast en miljö och ett relativt litet urval av deltagare. Framtida forskning bör därför utforska ytterligerare miljör och fler färgkombinationer för att bättre förstå hur perceptuell kontrast påverkar prestation och närvaro i VR.

Inom utbildningsområdet är det fortfarande en utmaning att öka elevernas engagemang. Forskning visar att personalisering är en lösning, men detta kan kräva betydande manuellt arbete. Stora språkmodeller (LLM) är ett praktiskt sätt att minska denna arbetsbelastning. Samtidigt är det viktigt att använda lättviktiga modeller för lokal implementering. Att omskriva strukturerade problem, t.ex. kodningsproblem, till ett specificerat tema samtidigt som lösbarheten bibehålls är fortfarande ett olöst problem, och denna utmaning förstärks när man använder lättviktiga modeller, som har svårt att upprätthålla de ursprungliga begränsningarna. Vi föreslår en pipeline som kombinerar en 8B LLM med Retrieval-Augmented Generation (RAG). Genom att utnyttja kontextuell återvinning tillsammans med en återförsöksmekanism producerar pipelinen på ett tillförlitligt sätt omskrivna problem med giltig formatering. Genom att använda prompt engineering och platshållare för att skydda LaTeX och kodsnuttar bevaras de strukturella begränsningarna för de ursprungliga uppgifterna. Experiment visar att även med en 8B-modell behåller de omskrivna problemen hög lösbarhet samtidigt som de framgångsrikt övergår till måltemat. Den resulterande pipelinen stöder personliga temaproblem för elever, minskar det manuella anpassningsarbetet för lärare och ger forskare ett reproducerbart ramverk för att studera strukturerad omskrivning med hjälp av lätta LLM.

Dynamisk kontrastförstärkt magnetresonanstomografi (DCE-MR) används i stor utsträckning vid diagnostik och uppföljning av bröstcancer, men kräver upprepade injektioner av gadoliniumbaserade kontrastmedel (GBCAs). Detta medför säkerhets-, logistik- och miljömässiga utmaningar och motiverar kontrastfria metoder som kan efterlikna det diagnostiska informationsinnehållet i DCE-MR. I denna avhandling undersöks om kontrastfri, multisekvens bröst-MR kan användas för att syntetisera flerfasiga DCEliknande bilder under realistiska databegränsningar. Vi utvecklar ett villkorligt generativt adversariellt nätverk (cGAN) baserat på Pix2PixHD som, givet pre-kontrast T1-viktade bilder, diffusionsviktad MR (DWI) vid flera bvärden och apparenta diffusionskoefficientkartor (ADC), genererar flera post-kontrastfaser i ett enda framåtpass. För att styra inlärningen mot kontrastförstärkningsdynamik i stället för absoluta intensiteter introducerar vi en multiskalig subtraktionskonsistens (MSSC), där pre-/post-kontrastsubtraktionskartor jämförs över flera bildskalor.

Experiment på offentliga bröst-MR-data visar att den föreslagna MSSCmodellen med full multisekvensindata förbättrar standardmetrik (PSNR, SSIM, LPIPS, RMSE i tumörområden) jämfört med starka Pix2PixHDbaslinjer. ROI-baserade förstärkningskurvor och visuella bedömningar indikerar dessutom bättre bevarande av tumörmorfologi och parenkymstruktur med färre artefakter. Sammantaget tyder resultaten på att ett kontrastfritt, multisekvens-baserat cGAN med skalmedveten subtraktionskonsistens kan syntetisera flerfasiga DCE-liknande bröst-MR-bilder som är konkurrenskraftiga med verklig DCE-MR samtidigt som kontrastförstärkningen i tumörområden fångas mer troget.

Under de senaste decennierna har attacker med återanvändning av kod visat hur illvilliga parter kan förändra ett programs normala exekveringsflöde genom att utnyttja godartad kod som redan finns i applikationen. Klassförorening i programmeringsspråket Python är en ny variant av en attack med återanvändning av kod, som kan göra det möjligt för en illvillig aktör att kirurgiskt mutera en variabel i vilken del av applikationen som helst för att utlösa en förändring i dess exekveringsflöde. Hittills har dock lite eller ingen forskning undersökt klassförorening i detalj, och inget verktyg finns lättillgängligt för att upptäcka den. Av denna anledning har en litteraturöversikt om orsakerna till och konsekvenserna av klassförorening genomförts som en del av detta examensarbete, utöver den metodiska utvecklingen av ett verktyg som kan upptäcka klassförorening, Classa. Dessutom har en empirisk studie om förekomsten av klassförorening i verklig Python-kod utförts genom att köra Classa mot en datauppsättning med 3000 Python-projekt, vilket framför allt avslöjade en kritisk sårbarhet i ett populärt PyPI-paket med mer än 30 miljoner nedladdningar. Denna sårbarhet möjliggjorde överbelastningsattack och fjärrkodexekvering, som sedan dess har avslöjats och patchats på ett ansvarsfullt sätt. Sammantaget visade resultaten att även om inte många verkliga Pythonprojekt är känsliga för klassföroreningar, är det en sårbarhet som måste beaktas när man bygger en säker applikation på grund av de allvarliga konsekvenser det kan leda till.

Framtida trådlösa nätverk står inför ökande energibehov till följd av tät infrastruktur och beräkningsintensiv signalbehandling. CF-mMIMO har identifierats som en lovande arkitektur för att förbättra användarrättvisa och spektral effektivitet genom gemensam transmission mellan distribuerade APs. Samtidigt leder storskalig utbyggnad av CF MIMO med optisk fronthaul till hög total energiförbrukning i radio, fronthaul och molndomäner. På senare tid möjliggör O-RAN gemensam styrning av radio och molnresurser, vilket öppnar för betydande energibesparingar. För att minska energiförbrukningen i CF-mMIMO studerar denna avhandling CF MIMO ovanpå O-RANarkitekturen och föreslår ett RL-baserat ramverk för energieffektiv gemensam allokering av radio, fronthaul och processresurser i centraliserade CF MIMOnätverk. Studien modellerar först den totala energiförbrukningen i centraliserad CF-mMIMO och visar att energiförbrukningen i både moln och radio i huvudsak beror på antalet aktiva antennportar och antalet aktiva radioenheter. Därefter utformas en PPO-algoritm för att lära sig styrpolicyer för nära realtidskontroll i den nära realtids RAN Intelligent Controller, near RT RIC, där aktiva antenner dynamiskt justeras baserat på långsiktiga kanalkarakteristika för att minimera den totala nätverksenergin samtidigt som användarnas SEkrav upprätthålls. För att ytterligare förbättra prestandan utvecklas ett girigt efterbehandlingssteg som reducerar redundanta aktiveringar utan att försämra tjänstekvaliteten. Simuleringsresultaten visar att den föreslagna RL-baserade kontrollen uppnår över 50 procent lägre total energiförbrukning jämfört med full aktivering och cirka 15 procent lägre energiförbrukning jämfört med en heuristisk baslinje. Genom att kombinera den RL-baserade kontrollen med en girig strategi kan den totala energiförbrukningen minskas med ytterligare cirka 50 procent. Vidare presterar den tränade modellen väl för olika användartätheter och SE-mål, vilket visar hög robusthet och skalbarhet. Inferenstiden ligger på millisekundnivå, vilket ger en tydlig hastighetsfördel jämfört med traditionella optimeringsmetoder. Den gemensamma orkestreringen av radio och processresurser reducerar energiförbrukningen i O Cloud med cirka 60 procent, vilket tydligt visar den stora energibesparingspotentialen hos det föreslagna kontrollramverket.

Plattformsteam i stora företag står inför växande operativa utmaningar på grund av den ökande omfattningen och komplexiteten hos molnbaserade system. En betydande del av deras arbetsbelastning består av repetitiva arbetsflöden, såsom att upprepade gånger söka i loggar, konsultera dokumentation och uppdatera incidentärenden. Dessa uppgifter tar värdefull ingenjörstid, fragmenterar kunskap över flera system och fördröjer effektiv problemlösning. Denna avhandling adresserar problemet genom att designa och implementera en AI-driven chatbot som automatiserar repetitiva operativa arbetsflöden via ett konversationsgränssnitt. Systemet bygger på ett LangGraph-baserat orkestreringsramverk som koordinerar ett master-agent arbetsflöde och skickar frågor till specialiserade verktyg: Elasticsearch för logghämtning, Qdrant som vektordatabas för semantisk dokumentationssökning och ServiceNow för incidenthantering. En kontinuerlig embedding-pipeline, baserad på HuggingFace-modeller, säkerställer att kunskapsbasen regelbundet uppdateras med dokumentation, loggar och historisk incidentdata. Bidraget i detta arbete ligger i att tillhandahålla ett enhetligt, kontextmedvetet gränssnitt för plattformsingenjörer som inte bara hämtar information utan också automatiskt utför repetitiva arbetsflöden. Genom att integrera kunskapshantering med arbetsflödesautomation minskar systemet behovet av manuella insatser i operativa uppgifter och stödjer mer effektiv plattformsdrift. Lösningen utvärderas genom implementering i en företagsfallstudie på Volvo Cars, vilket visar dess potential att förbättra arbetsflödeseffektivitet, minska repetitivt arbete och öka den övergripande effektiviteten hos plattformsteam.

Att få den europeiska industrin mer fossilfri sammanfaller med en ökande andel variabel förnybar energi och stigande elpriser, vilket gör industriell belastningsflexibilitet till en avgörande resurs för kostnadseffektiv och koldioxidsnål drift. Ändå behandlar många planeringsverktyg fortfarande efterfrågestyrning på ett grovt, systemnivåperspektiv och kan inte återspegla de anläggningsspecifika driftsregler, ömsesidiga beroenden och giltighetsfönster som avgör vilken flexibilitet som faktiskt är möjlig att uppnå i fabriker. Denna avhandling föreslår ett simuleringsbaserat planeringsramverk som integrerar en detaljerad modell av energiflexibilitetsåtgärder (EFM) i den öppna källkodsmiljön oemof-solph. Formuleringen fångar upp dubbelriktade belastningsförändringar, håll- och rengöringsfaser, återhämtnings- och minimiactiveringsfönster, nedkylningsdynamik, en-till-en-parningar och exklusivitet på gruppnivå med 15 minuters upplösning, och kopplar dem till dynamiska tariffer, toppeffektavgifter och lokala tillgångar såsom solceller och batterilagring. Ramverket implementeras som en modulär MILP-komponent och utvärderas för två verkliga industriella system: en ugnsdominerad pressgjutningsanläggning och ett platsinfrastrukturerat system med ventilation, laddning av elfordon, solceller och batterilagring. För varje system jämförs fleråriga simuleringar (2019–2024) av basdriften med och utan EFM under fyra tariffdesign: statiska priser, statiska priser med toppavlastning, dag-före-priser och dagföre- priser med toppavlastning. Resultaten visar att explicit EFM-modellering systematiskt omformar belastningen mot perioder med låga priser, minskar nätets toppbelastning och ger konsekventa besparingar i nätkostnader och CO₂-utsläpp samtidigt som process- och personalbegränsningar respekteras. Batterier har visat sig komplettera snarare än ersätta efterfrågestyrning, främst genom att flytta överflödig solenergi från middagstid till kvällstid när värdet är högre, och avgifter för toppbelastningsreducering kan minskas utan att den årliga förbrukningen ökar. Sammantaget bidrar avhandlingen med en transparent, EFDM-inspirerad EFM-modul och datalager för oemof-solph, tillsammans med ett reproducerbart 15-minuters planeringsflöde. Den uppmanar industriella planerare och verktygsutvecklare att integrera strukturerad flexibilitet på anläggningsnivå på efterfrågesidan i energisystemplanering och tariffdesign, så att framtida fabriker kan samoptimera produktion och energianvändning istället för att behandla flexibilitet som en eftertanke.

Syftet med det projekt som presenteras i denna rapport var att implementera fotoner somprojektiler i Liège Intranuclear Cascade-modellen (INCL), som utvecklats för att simulerakärnreaktioner. Den relevanta energin sträcker sig från några MeV upp till 300 MeV. Fördetta ändamål är det avgörande att förstå modellens struktur, hur den fungerar och alladess finare detaljer. Komplexiteten ligger i att beskriva de växelverkan som äger rum närden infallande partikeln interagerar med kärnan. Två huvudmekanismer måste beaktasför genomförandet av projektet. Vid låga energier (under 30 MeV) antas den gigantiskadipolresonansen vara dominerande. När energin ökar måste en smidig övergång tillkvasi-deuteronmodellen implementeras. Denna rapport ägnas också åt valideringen avmodellen för fotokärnreaktioner genom jämförelser med experimentella data som finnstillgängliga i databaser. Globalt sett stämmer modellens förutsägelser överens med deexperimentella data. Vid granskning av specifika data framträder vissa avvikelser. Enav dessa motiverade implementeringen av Delta-produktionsmekanismen för fotoner medenergier högre än 150 MeV, medan andra sannolikt beror på saknade mekanismer imodellen för fotokärnreaktioner. INCL-förutsägelserna analyseras också mot bakgrundav experimentella data om 209Bi som erhållits via laserbaserade acceleratorer avsamarbetspartners från Universitetet i Valencia, Spanien.

Denna rapport presenterar resultaten från forskningsprojektet "Sårbarheter och hotanalys från sidokanaler med maskininlärning i fokus", finansierat av Myndigheten för civilt försvar (MCF) Projektet har genomförts i samarbete mellan KTH Royal Institute of Technology och Lunds universitet.

Projektets övergripande ambition har varit att öka kunskapen om fysiska attacker mot digitala enheter, med särskilt fokus på sidokanalsattacker förstärkta med maskininlärningstekniker. Genom att systematiskt studera nya attackvektorer, utveckla metoder för sårbarhetsanalys och utvärdera motåtgärder har projektet syftat till att bidra till ett mer proaktivt arbete med hårdvarusäkerhet.MCF:s stöd har varit avgörande för att möjliggöra långsiktig och explorativ forskning inom detta strategiskt viktiga område. Vi vill särskilt tacka Erik Sundström, som varit projektets kontaktperson och handledare vid MCF.

Vi hoppas att resultaten som presenteras i denna rapport ska vara till nytta inte bara för forskarsamhället utan även för beslutsfattare, systemutvecklare, utvärderare och andra aktörer som arbetar med att skydda samhällsviktiga funktioner.

Detta examensarbete omfattar 15 hp och har genomförts inom programmet Industriell teknik och produktionsunderhåll vid KTH Södertälje i samarbete med Coca-Cola Europacific Partners i Jordbro under höstterminen 2025. Studien fokuserar på utmatningen i produktionen, där färdig dryck grupperas och plastas in innan de skickas in till lagret för att sedan levereras till kund. De undersökta delarna av anläggningen omfattar inplastningsrobotarna samt pallbanan mellan inmatningen och palletiketterarna.

Syftet med arbetet var att analysera orsaker till driftstörningar i utmatningen samt att ta fram förbättringsförslag som kan bidra till ökad driftsäkerhet och minskat antal oplanerade driftstopp. För att kartlägga nuläget genomfördes semistrukturerade intervjuer och Gemba Walks. Drift och haveridata samlades in från SAP, medan trenddata och information om maskinfel hämtades från LineView. Det insamlade materialet analyserades med hjälp av metoder såsom Paretoanalys, Ishikawa, 5 Varför, FMEA och en förenklad RCM.

Resultaten visade att utmatningen är ett område där underhållsarbetet är mindre utvecklat än i andra delar av produktionen, trots att återkommande störningar och maskinfel påverkar tillgängligheten. Arbetet resulterade i förslag på förbättringsåtgärder och en rekommenderad underhållsstrategi med fokus på att förebygga återkommande fel, förbättra uppföljningen av störningar och skapa bättre förutsättningar för ett mer systematiskt underhållsarbete.

  För tillfället finns det en rad olika användningsområden för satelliter, varav en är kommunikation. Genom att kunna skicka ljud, video och annan typ av data, kan människor runt om på jorden kommunicera med varandra. Den här teknologin har möjliggjort mycket och idag finns det både stationär och mobil kommunikation. Ovzon AB är ett satellitkommunikationsföretag som arbetat med båda dessa lösningar. Det här Masterarbetet kommer att fokusera påderas SATCOM on the move (SOTM) lösning. SOTM använder sig av sensorfusion-teknik som kombinerar flera olika typer av sensordata för att kunna navigera antennen på fordonet. Den här typen av teknik har existerat flera år, men sensorerna i systemet är ändå känslig för störningar. Det här projektets fokus är att jämföra olika typer av sensorkombinationer genom ett Unscented Kalman Filter med den vanliga kombinationen INS och GNSS. Resultaten visade en skillnad mellan sensorkombinationerna. Dock visade resultatet också att det fanns extremvärden som var beroende av vilken sensorkombination som användes. Slutsatsen var att det fanns två grupper som gav förbättrad antennprestanda; GNSS + Gyroskop och GNSS + Gyroskop + Accelerometer.

Projektet gav även mer förståelse kring olika designval och olika optimerings alternativ till SOTM.

Ett ökande antal simultana proton-proton kollisioner, så kallade pile-up-interaktioner, kommer att leda till utmaningar i High-Luminosity LHC (HL-LHC). Således är pile-up-mitigering viktigt för ATLAS-experimentet. En av de detektoruppgraderingar som ämnar att bidra till denna mitigering är High-Granularity Timing Detector (HGTD), som kommer att installeras under de kommande åren. 

För att testa de komponenter som tagits fram för HGTD genomfördes en teststråleanalys med datautläsning av testobjektet genom ett fullständigt elektroniksystem. Utläsningen och teleskopet i teststrålemiljön synkroniserades mellan avläsningarna. Den uppmätta träffeffektiviteten och tidsupplösningen begränsades av en icke-optimal chipkalibrering, en mycket hög tröskelnivå samt av låg statistik.

Utöver detta utfördes en kompletterande studie, relaterat till pile-up-mitigering, där effekten av kontaminering i b-taggern baserad på GN3 undersöktes under Run 3-förhållanden. En betydande försämring av prestandan observerades, vilket understryker vikten av att förstå pile-up-effekter i jetrekonstruktion. En kompletterande studie som undersökte tidsbaserad separering mellan interaktionen av intresse och pile-up genomfördes också.

Järnvägsinfrastruktur behöver använda material på ett mer cirkulärt sätt, men många studier fokuserar fortfarande på enstaka indikatorer och antar att mer materialåtervinning alltid är bättre. I denna avhandling utvecklas ett enkelt och konsekvent ramverk för att utvärdera cirkulära strategier för tre system: slipers, räler och kontaktledningar. Ramverket omfattar fyra dimensioner: materialanvändning, utsläpp av växthusgaser, energianvändning och ekonomiska kostnader. Det följer livscykelstrukturen i EN 15804 (Moduler A– D) och kopplar alla indikatorer till grundläggande materialflöden. Återvinningsgrad (R) och grad av återanvändning eller reparation (U) används som huvudvariabler.För att undvika orealistiska resultat vid mycket höga nivåer av återvinning eller återanvändning innehåller modellen straffunktioner. Dessa straff speglar extra insatser och förluster, till exempel mer komplex demontering, lägre skrotkvalitet eller högre energiåtgång vid bearbetning. Alla indikatorer normaliseras och kan kombineras med en enkel viktning, så att olika strategier kan jämföras på en gemensam skala.Fallstudierna visar att de bästa intervallen för R och U beror starkt på vilken komponent som studeras. För slipers ger medelhög återvinning av stål och låg återanvändning tydliga förbättringar i materialanvändning och utsläpp, medan en återvinningsgrad nära det maximala leder till högre kostnader och små extra vinster. Räler kan nå högre återvinningsnivåer med färre problem, eftersom system för ståls krot och omgvalsning redan är väl etablerade. Kontaktledningar, som främst består av koppar och nästan saknar möjligheter till återanvändning, har ett smalt bra intervall: för låg återvinning utnyttjar inte substitutionspotentialen, men mycket hög återvinning ökar energiåtgång och kostnad. Sammantaget visar resultaten att ökad cirkularitet inte alltid är bättre praktiken. Cirkulära mål bör sättas per komponenttyp och inte som ett enda tal för hela järnvägssystemet. Ramverket ger ett praktiskt sätt att testa olika nivåer av R och U och att stödja upphandlings- och underhållsbeslut som balanserar materialanvändning, klimatpåverkan, energibehov och kostnader.