Målet med det foreslåede erhvervs-PhD-projekt er at udvikle avancerede bæredygtige aluminium (Al) busbar løsninger til højspændings (HV) strømdistribution i elektriske køretøjer (EV'er). Dette mål vil blive opnået gennem en kombination af dybtgående højopløsnings mikrostrukturell karakterisering af nyudviklede Al-busbarlegeringer og applikationsspecifik testing ved realistiske EV-strømfordelingsforhold. En ny Al busbarlegering, der rummer minimum 40 vægt% genanvendt Al vil blive udviklet.

Et nyt værktøjskoncept introduceres til masseproduktion af pladeformgivne emner, uden brug af processmøring og vask. Derved elimineres miljøpåvirkningen forbundet med processmøring og vask. I projektet afprøves state-of-the-art friktionsnedsættende teknologier og belægningsmetoder til brug i værktøjskonceptet. Laboratorieeksperimenter og simuleringer gennemføres for at vurdere præstationen af disse teknologier. De mest lovende kandidater vil blive implementeret i Grundfos' produktionsmiljø.

Projektet undersøger kritiske aspekter af termisk energilagring for at revolutionere anvendelsen af højtemperaturvarmepumper i industrien. Projektet sigter mod at overvinde de udfordringer, der er forbundet med svingende dampforbrug og energipriser gennem design og integration af avancerede termiske lagringssystemer. Ved at kombinere modeludvikling, optimeringsteori, samt design og tests af prototypelager, adresserer forskningen essentielle huller i viden om effektiv energiudnyttelse.

syntheticAIdata er en SaaS-løsning, der muliggør effektiv generering af syntetisk data til AI-synsmodeller. Vores platform reducerer omkostninger, sikrer privatlivets fred og fremskynder lanceringen af AI-produkter. I dagens konkurrenceprægede marked er nøjagtigheden af AI-modeller afgørende. Selvom computer vision-applikationer er almindelige på tværs af industrier, kan det være en udfordrende opgave at træne brugerdefinerede AI-modeller. Processen med at træne disse modeller er ikke kun kostbar, men kræver også betydelige mængder data. For at imødegå disse AI-begrænsninger og fremme værdien af AI-applikationer bør virksomheder skifte til syntetisk data. Gartner forudsiger, at størstedelen af den data, der anvendes i AI inden 2030, vil være syntetiske: kunstigt genereret. syntheticAIdata tilbyder en cloud-agnostisk løsning, der giver virksomheder mulighed for at producere syntetiske data af høj kvalitet til træning af vision AI-modeller. Vores løsning, der adresserer udfordringen med begrænset data fra den virkelige verden, integreres problemfrit med eksisterende systemer. Den sikrer ikke kun privatlivets fred og overholder lovgivningsmæssig overensstemmelse, men minimerer også overhead og reducerer omkostninger. Med støtte fra Innovationsfonden kan vi dedikere os fuldt ud til projektet, omdanne vores MVP til et fuldt funktionsdygtigt produkt, tage kunder om bord til feedback, forbedre vores produktudbud og i sidste ende blive markedsledere.

Skin cancers pose significant diagnostic challenges, particularly in telemedicine where physical examination cannot be performed. Dermatologists are compelled to practise defensive medicine due to the fear of overlooking potentially deadly melanomas. This defensive approach results in costly overtreatment of benign lesions and dangerous delays in diagnosing cancers. SynTIA seeks to develop an artificial intelligence (AI) product that provides synergistic, trustworthy and interpretable diagnostic feedback for tele-dermatologists. SynTIA will guide the dermatologist towards a cost-effective and safe treatment strategy. More specifically, SynTIA will suggest the likely diagnoses, accompanied by the reasoning and confidence behind this analysis. Additionally, SynTIA will show the tumor's potential evolution over the next 3-6 months if left untreated. Finally, SynTIA will offer an analysis of the clinician's bias and likelihood of misdiagnosis, supported by examples of previous similar cases. The development of SynTIA will rely on data from the AISC-database, which is a large repository of skin lesion images and over 400,000 annotations from the educational Dermloop Learn application. We will use both established and cutting-edge machine learning methodologies, such as Concept Bottleneck and Diffusion Models, to achieve the desired outcomes. The resulting solution will be commercialized within Dermloop, an existing and rapidly scaling telemedical platform for skin diagnostics.

Dette projekt vil teste effekten af ​​integumentære systemer af semi-akvatiske arter i vand- og luftprøver for at bestemme det bedste substrat til semi-akvatiske arter påvisning. Desuden er eDNA kun reelt i stand til at fortælle os om af arter til stede, og det er ikke i stand til at beskrive genetisk diversitet. Dette projekts formål er at udvikle metoder til biodiversitet monitorering, der kan se på diversitet på befolknings- og individniveau og validere metoden i en proof of concept case.

Interferon beta (IFNb) var det første godkendte lægemiddel til behandling af den neurodegenerative sygdom Multipel Sklerose. Denne og andre aktuelle behandlinger har dog en række bivirkninger. Vi vil udvikle en celleterapi baseret på plasmacytoide dendritcellers (pDC'er) unikke immun-regulerende evner. Det vil vi gøre ved at producere pDC'er fra stamceller og genetisk manipulere disse til at producere og frigive IFNb lokalt efter binding til et specifikt antigen på demyelinerede neuroner.