Fair Match vil bidrage til en mere retfærdig og lige behandling af kandidater og arbejdspladser og gøre det lettere for kandidater at finde job og for arbejdspladser at finde kandidater. FairMatch udvikler et fairness-dashboard og kandidat/job anbefalingsalgoritmer, der tager højde for flersidet fairness, og fremmer state-of-the-art forskning inden for "fair AI". Jobindex forventer, at FairMatch vil bidrage til vækst i omsætning og markedsandele samt til øget vækst og velfærd i samfundet.

Målet er at udvide anvendelsesområdet for modellering af oversvømmelseshændelser med MIKE 21. Projektet vil fokusere på at udnytte hydrologisk routning i MIKE 21, og udvikle automatisk overgang mellem disse og de eksisterende hydrodynamiske metoder. Desuden vil projektet implementere sub-mesh skala teknikker for at øge nøjagtigheden af oversvømmelsesberegninger. Teknikkerne vil benchmarkes på realistisk stor-skala modeller, der kan validere og demonstrere den kommercielle værdi.

Dette ph.d.-projekt udvikler nye hurtige og nøjagtige surrogatmodel-metoder baseret på fysik-guidet maskinlæring til at emulere DHI's MIKE modeller som bruges til løsning af vandrelaterede klimaudfordringer. Formålet er at opnå markant hurtigere beregninger og derved muliggøre anvendelser som usikkerhedsvurdering og klimascenarier. Fokus er på modelarkitektur med lavere ordens-repræsentation, effektiv træning og integration af fysisk viden for at sikre generalisering, robusthed og stabilitet.

I dette projekt vil der blive udviklet et framework til udmattelsesberegninger (metaltræthed) for at reducere leveringstiden og forbedre levetiden af Kverneland-landbrugsmaskiner. I frameworket vil effekten af multiaksiale ikke-proportionelle belastninger blive inkluderet og taget højde for, da de fleste publicerede udmattelseskriterier, ikke effektivt kan håndtere ikke-proportionale belastninger. Det foreslåede projekt kræver forsøg for at validere og forbedre modellerede ”Digital Twins”.