Post-doc projekt Projektet syftar till att ta fram metoder för AI genom djupinlärning ”deep learning” på tomografidata. Detta kommer förbättra och effektivisera dataanalyser av tomografidata, med syfte att utvärdera parametrar som mikrostruktur, porositet, och ytarea för askpartiklar, samt att ta fram distribution av fosfater och andra föreningar i partiklarna.
Projektet syftar till att ta fram metoder att använda AI genom djupinlärning ”deep learning” på tomografidata från synkrotronexperiment. Tekniken ger en 3D-avbildning av provet och med hjälp av avancerad bildbehandling kan egenskaper hos provet fås fram. Det är för detta steg som AI genom djup maskininlärning kan få en stor betydelse genom förbättrade och effektivare analyser av data. Våran forskning syftar till att utvärdera parametrar som mikrostruktur, porositet och ytarea, samt hur fosforföreningar sitter placerade i askan. Projektet finansierar en post-doc samt utrustning.
Stora mängder fosfor och andra viktiga näringsämnen finns i många av samhällets restströmmar. Genom att ta tillvara på askan efter förbränning kan det finnas möjlighet att återcirkulera dessa näringsämnen. För att kunna använda askan för näringsåterföring på ett effektivt och hållbart sätt så är det viktigt att få ökad kunskap om hur kemiska och fysikaliska egenskaper hos askan påverkar tillgängligheten av näringsämnen när askan används som gödningsmedel.
Vi använder idag synkrotronbaserad röntgentomografi för att studera porositet och porstruktur hos material i 3D, samt hur näringsämnen är distribuerade i olika askor. En automatiserad dataanalys kan kraftigt förkorta tiden för dataanalys och effektiviseringen i dataanalys är ett viktigt steg för att utnyttja kapaciteten vid synkrotroner, då varje besök vid synkrotronanläggningar generar stora mängder data och manuell analys är väldigt tidskrävande.
