Havvindmølleparker (HVP) er afgørende for den grønne omstilling. Alle HVP er omfattet af miljøvurdering (VVM). For enhver HVP-VVM er marin biodiversitet et væsentligt fokusområde. I dag er vurderingerne ofte baseret på forventninger, da erfaringer fra etablerede HVP er begrænset. I BIOWIND samles og valideres erfaringer fra eksisterende HVP for at forbedre indhold og metoder i fremtidige HVP-VVM. Målet er at begrænse negative påvirkninger og fremme synergi mellem HVP og marin biodiversitet.

Dette projekt omhandler definering af en nemt anvendelig grænse for tilladelig spænding eller tøjning i et keramisk materiale anvendt i SOEC celler og stakke. Et simpelt fejlkriterie der kan benyttes i ”simple” lineære Finite element beregninger til at sige noget om hvorvidt SOEC materialet kan holde til en given last, vil gøre os i stand til at simulere større Finite Element modeller samt producere brugbare resultater hurtigere i forbindelse med udvikling SOEC teknologien.

Jordmaterialer som is og sten er polykrystallinske og fordelingen af krystallernes størrelse, facon og orientering, beretter om materialernes dannelsesbetingelser. Vi vil øge forståelsen af mikrostrukturen som vidnesbyrd for jordens dynamiske processer (fx samspillet mellem gletschere, vejr og klima) vha. rumlige og tidsopløste røntgenmålinger af mikrostrukturen under kontrollerede forhold, som temperatur og tryk. Denne viden vil også kunne bidrage ved bæredygtig innovation, såsom CO2 lagring.

Med Automatiseret Patch Clamp (APC) måles elektriske aktivitet i op til 384 celler parallelt, inkl. neuroner, og ionkanaler kan undersøges biofysisk og farmakologisk. Dog kræves celler i suspension og neuroner dissocieres fra deres neurale netværk, mister dendritter og axoner og deres evne til at signalere. Vi ønsker at undersøge, hvordan overflademodifikationer af APC-chips kan understøtte 2D netværk og derved APC målinger relevant for lægemiddeludvikling målrettet neuronal signalering.

The heat treatment of food and side streams for feed requires vast amounts of energy, most of which derives from fossil fuels. Ohmic heating is an established electrified heating technology for liquid foods, with the potential of saving up to 50% of the energy and no emission of CO2 if green electricity is used. The project will further develop ohmic heating to be used in major solid food categories such as meat, slaughterhouse side streams (for feed) and fish meal. Ohmic heating will also be developed for plant based product for the growing marked for plant based products. If successful, these major consumers of fossil fuel will be able to convert to green electric power. The project will develop the technology of ohmic cooking on-site at the participating companies. Sustainability assessment will be made to document energy savings and reduction of CO2 emission. Microbiological safety, and an anticipated improved nutritional value and sensory quality of the products will be tested and documented. To provide a basis for decision making in the industry, specific guidelines for ohmic heating of solid food and feed, cost benefit calculations and implementation plans will be provided.

EvodiaBio stræber efter at revolutionere alkoholfri øl industrien ved at producere naturlige og bæredygtige aromastoffer gennem gærfermentering. I dag er produktionen landbrugsbaseret og belastende for miljøet, og vores produkt, YOPS, nedsætter markant CO2 aftrykket og vandforbruget. Dette projekt er målrettet at optimere og videreudvikle vores banebrydende og unikke teknologi for bæredygtig aromaproduktion, ved genteknologi og fermentering af gær.

Dette projekt udvikler en ny jetbrændemodel og valideringsdata for risikovurderinger af brandfare fra hydrogen. Formålet er at forbedre forudsigelserne af jetbrændes konsekvenser og reducere ulykker i forbindelse med brugen af hydrogen i Power-to-X (P2X) teknologi. Projektet støtter Danmarks nationale strategier for CO2-reduktion og inkluderer identifikation af risikoscenarier, eksperimenter til validering, forbedring af forudsigelsesmetoder og indarbejdelse af ny viden i risikvurderinger.

Dette projekt anvender en kombination af beregningsmæssig væskedynamik, maskinlæring og eksperimentelle teknikker til at forbedre designprocessen af ??Kamstrups ultralydsflowmålere. Dens mål er at identificere ydeevnemålinger, optimere værktøjer og implementere hurtigere digitale designfunktioner, hvilket i sidste ende reducerer udviklingstid og omkostninger for nye produkter med op til 50 %. Fysisk prototypen vil ikke være nødvendig, hvilket gør designprocessen fuldstændig digital.

Det er velkendt at høreapparatsbrugere oplever problemer i støjfyldte miljøer. Deep learning har vist et enormt potentiale for forbedringer på netop dette område. Desværre forsvinder mange af fordelene ved teknologien hvis den skaleres ned i en størrelsesorden som tillader implementering i et høreapparat. Projektets formål er at udvikle deep-learning-algoritmer til støjreduktion og taleseparation, som kan nedskaleres i størrelse og samtidigt bevare både effektivitet og lydkvalitet.