Zwei BFH-Forscherinnen gewinnen Forschungsmittel in einer kompetitiven Ausschreibung

Der SNF vergibt Practice-to-Science-Beiträge an Expert*innen mit ausgewiesener Praxiserfahrung, welche die akademische Komponente ihres dualen wissenschaftlich-praktischen Kompetenzprofils stärken wollen. Bei der diesjährigen Vergabe haben sich zwei Forscherinnen des Departements Technik und Informatik TI der Berner Fachhochschule BFH in einem äusserst kompetitiven Umfeld erfolgreich durchgesetzt: Vidushi Bigler und Angela Meyer überzeugten die Jury mit ihren jeweiligen Projekten und sicherten sich die Förderung ihrer Forschung über drei Jahre.

Bessere Zustandsvorhersagen von industriellen Flotten

Das Projekt «Artificial Intelligence for Improving the Reliability and Resilience of Industrial Fleets» von Angela Meyer verfolgt das Ziel, Algorithmen des maschinellen Lernens zu entwickeln, welche eine bessere Störungsdiagnose in industriellen Flotten wie Windparks oder Photovoltaik-Kraftwerken ermöglichen sollen. Heute werden diese Anlagen rund um die Uhr mit Sensoren überwacht, um Betriebsstörungen frühzeitig zu erkennen und zu diagnostizieren. Modelle des maschinellen Lernens sind für die Zustandsüberwachung zwar bereits im Einsatz, können aber oft nicht für alle Anlagen der Flotte mit hoher Genauigkeit verwendet werden. Dies führt zu Verspätungen und Beurteilungsfehlern in der Erkennung und Diagnose von Störungen der Anlagen. Das Forschungsprojekt wird neue Deep-Learning-Ansätze entwickeln und testen, um diese Nachteile zu überwinden und so die Zuverlässigkeit und Belastbarkeit von Industrieflotten zu verbessern.

Modellierung des Schweizer Fliessgewässernetzwerks als Graph

Der Klimawandel wird die Schweizer Gewässer voraussichtlich stark beeinflussen. Für Menschen, Tiere, Pflanzen und industrielle Anwendung ist nicht nur die Verfügbarkeit von Wasser entscheidend, sondern auch die Temperatur. Daher sind langfristige Temperaturvorhersagen über mehrere Jahrzehnte gefragt und bilden eine wichtige Entscheidungsgrundlage auf Bundesebene. Die genaue Simulation der Temperaturen der Fliessgewässer über einen grossen räumlichen und zeitlichen Bereich unter Verwendung mehrerer Klimamodelle ist jedoch eine Herausforderung und erfordert erhebliche Computerressourcen. So würde beispielsweise ein Supercomputer mehrere Jahre benötigen, um das gesamte Schweizer Fliessgewässernetz zu modellieren. Eine innovative Lösung, die auf Deep-Learning und Graphentheorie basiert, wird im Projekt «Spatio-temporal graph convolutional networks – a novel deep learning approach to forecasting river temperatures» vorgeschlagen. Vidushi Bigler vom Institut für Optimierung und Datenanalyse IODA ist überzeugt, dass die Ergebnisse des Projekts erhebliche praktische Auswirkungen auf die Bewirtschaftung der Wasserressourcen in der Schweiz haben werden. Die Auswirkungen des Projekts werden sowohl für Bundes- und Kantonalbehörden, Wasserkraft- und Industrieunternehmen, Gemeinden als auch für die internationale wissenschaftliche Gemeinschaft von Bedeutung sein.