Twee Delftse projecten binnen NWO Open Competitie ENW - GROOT
In het programma NWO Open Competitie ENW - GROOT starten twintig nieuwe consortia een groot onderzoeksproject. Deze impuls van ruim 47 miljoen euro maakt nieuw onderzoek mogelijk binnen consortia waarin onderzoeksgroepen door samenwerking meerwaarde creëren. TU Delft leidt twee consortia: HiRISE, waarin gekeken wordt naar Antarctica, en CURE waarin fundamenteel onderzoek wordt gedaan naar emissies van afvalstortlocaties.
State and fate of Antarctica’s gatekeepers: a High Resolution approach for Ice ShElf instability (HiRISE)
Dr. ir. Bert. Wouters
Antarctica is de grootste onbekende in huidige projecties van zeespiegelstijging. Dit komt vooral door de grote onzekerheid in de rol van ijsplaten in een veranderend klimaat. Om deze onzekerheid te verkleinen, combineren we veldmetingen, satellietdata en klimaatmodellen om de huidige staat van de Antarctische ijsplaten met hoge resolutie en nauwkeurigheid in kaart te brengen. Zo kunnen we beter inschatten hoe de toekomstige stabiliteit van de ijsplaten verandert in de komende eeuwen, welke invloed dit heeft op het massaverlies van de Antarctische ijskap en wat dit betekent voor het waterpeil aan de Nederlandse kust.
Zie ook het nieuwsbericht hierover
Coupled multi-process research for reducing landfill emissions (CURE)
Dr. Julia Gebert
Wereldwijd is storten van afval nog steeds een belangrijk aspect van afvalbeheer. Emissies van stortgas (vooral methaan) naar de atmosfeer en opgeloste verontreinigingen naar het grondwater zijn het gevolg van bio-geochemische reacties in het afvalpakket. In dit project wordt, in de context van een praktijkproef naar duurzame nazorg van stortlocaties in Nederland, fundamenteel onderzoek gedaan naar de relaties tussen de omzettingen van organische stof in het afval en de emissies van verontreinigingen. De onderzoeksresultaten zullen leiden tot methoden die een duurzaam beheer van verontreinigde locaties mogelijk maakt, met minimale emissies van verontreinigingen naar het milieu.
Optimization for and with Machine Learning (OPTIMAL)
Bij dit project, met penvoerder Tilburg University, zijn de Delftse onderzoekers Karen Aardal en Leo van Iersel betrokken.
Machine learning is vaak in het nieuws vanwege opzienbarende toepassingen als beeldherkenning en zelfrijdende auto’s. Bij het construeren van machine learning modellen, als deep learning en random forests, speelt wiskundige optimalisatie een belangrijke rol. In het eerste projectdeel willen we de prestaties van bestaande optimalisatietechnieken voor machine learning beter begrijpen en ook snellere en betere optimalisatietechnieken ontwikkelen. In het tweede deel zetten we machine learning technieken in om optimalisatie problemen sneller en nauwkeuriger op te lossen. De nieuwe technieken worden toegepast op classificatieproblemen voor medische behandelingen, het vinden van genetische verwantschappen, voedselverspreidingsketens voor het World Food Programme, en zelfrijdende auto’s.