Dette projekt omhandler danske kommuners udfordringer med at skabe de bedst mulige undervisningstilbud til skolebørn med særlige behov. Helt specifikt undersøges, hvilke effekter der opnås på børns trivsel og præstationer ved at placere dem i specialundervisning og alternative undervisningstilbud frem for den almene undervisning. Projektet er baseret på naturlige eksperimenter, banebrydende statistiske metoder og omfattende registerdata for at kunne fastslå de kausale relationer.

PanzerGlass er markedsledende indenfor skærmbeskyttelse til mobile enheder. Mens traditionel skærmbeskyttelse fremstilles af hærdet glas, udgør udviklingen indenfor kurvede og foldbare skærme en stigende udfordring. PanzerGlass ønsker at udvikle en ny klasse af stærk, fleksibel og transparent skærmbeskyttelse samt nye metoder til mekanisk test og evaluering. Projektet udføres af en ph.d.-studerende i samarbejde med Aalborg Universitet, som har ekspertise indenfor glas, mekanik og polymerer.

Løbende målinger af fermenteringsprocesser med konventionel kontinuert bølgelængde Raman spektroskopi, er meget begrænset grundet en stærk fluorescerende baggrund. Vi foreslår et tidsbegrænset Raman instrument baseret på pulserende excitations lasere, som vil fjerne den fluorescerende baggrund fra Raman målingerne, og demonstrere brugen af denne teknologi til overvågning af fermentering.

PhD projektet undersøger hvordan og i hvilken grad Haver til Mavers skolehaveprogram bidrager til udviklingen af danske børns klima- og madkompetencer. Projektet vil udvikle og validere et dansk instrument til måling af børns klimakompetencer og formulere en praksisrettet evalueringsplan til Haver til Maver. Med afsæt i dette vil projektet bidrage til Haver til Mavers strategiske indsats og skabe momentum for udviklingen af praksis og politik inden for sundhed og bæredygtighed.

Projektets formål er at udvikle nye maskinlæringsmodeller, der er bedre til at forudse hvornår drikkevandsledninger bryder. Dermed undgås brud af ledninger og unødvendige udskiftninger. Det reducerer CO2 udledninger, driftsomkostninger, og forstyrrelser af trafik og vandforsyning. De nye modeller udnytter fysisk viden og tilgængelig historiske data til at generere statistisk valide prædiktioner med lavere prognosefejl end eksisterende metoder - også i byer hvor brudregistre ikke er tilgængelige.