A power system consists of several critical components necessary for providing electricity from the producers to the consumers. Monitoring the lifetime of power system components becomes vital since they are subjected to electrical currents and high temperatures, which affect their ageing. Estimating the component's ageing rate close to the end of its lifetime is the motivation behind our project. Knowing the ageing rate and life expectancy, we can possibly better utilize and re-utilize existing power components and their parts. In return, we could achieve better material utilization, reduce costs, and improve sustainability designs, contributing to the circular industry development of power system components. Monitoring the thermal distribution and the degradation of the insulation materials informs the estimation of the components' health state. Moreover, further study of the employed paper material of their insulation system can lead to a deeper understanding of its thermal characterization and a possible consequent improvement. Our study aims to create a model that couples the physical equations that govern the deterioration of the insulation systems of power components with modern machine learning algorithms.  As the data is limited and complex in the field of components' ageing, Physics-Informed Neural Networks (PINNs) can help to overcome the problem. PINNs exploit the prior knowledge stored in partial differential equations (PDEs) or ordinary differential equations (ODEs) modelling the involved systems. This prior knowledge becomes a regularization agent, constraining the space of available solutions and consequently reducing the training data needed.  This thesis is divided into two parts: the first focuses on the insulation system of power transformers, and the second is an exploration of the paper material concentrating on cellulose nanofibrils (CNFs) classification. The first part includes modelling the thermal distribution and the degradation of the cellulose inside the power transformer. The deterioration of one of the two systems can lead to severe consequences for the other. Both abilities of PINNs to approximate the solution of the equations and to find the parameters that best describe the data are explored. The second part could be conceived as a standalone; however, it leads to a further understanding of the paper material. Several CNFs materials and concentrations are presented, and this thesis proposes a basic unsupervised learning using clustering algorithms like k-means and Gaussian Mixture Models (GMMs) for their classification. / Ett kraftsystem består av många kritiska komponenter som är nödvändiga för att leverera el från producenter till konsumenter. Att övervaka livslängden på kraftsystemets komponenter är avgörande eftersom de utsätts för elektriska strömmar och höga temperaturer som påverkar deras åldrande. Att uppskatta komponentens åldringshastighet nära slutet av dess livslängd är motivationen bakom vårt projekt. Genom att känna till åldringshastigheten och den förväntade livslängden kan vi eventuellt utnyttja och återanvända befintliga kraftkomponenter och deras delar   bättre. I gengäld kan vi uppnå bättre materialutnyttjande, minska kostnaderna och förbättra hållbarhetsdesignen vilket bidrar till den cirkulära industriutvecklingen av kraftsystemskomponenter. Övervakning av värmefördelningen och nedbrytningen av isoleringsmaterialen indikerar komponenternas hälsotillstånd. Dessutom kan ytterligare studier av pappersmaterial i kraftkomponenternas isoleringssystem leda till en djupare förståelse av dess termiska karaktärisering och en möjlig förbättring.  Vår studie syftar till att skapa en modell som kombinerar de fysiska ekvationer som styr försämringen av isoleringssystemen i kraftkomponenter med moderna algoritmer för maskininlärning. Eftersom datan är begränsad och komplex när det gäller komponenters åldrande kan  fysikinformerade neurala nätverk (PINNs) hjälpa till att lösa problemet. PINNs utnyttjar den förkunskap som finns lagrad i partiella differentialekvationer (PDE) eller ordinära differentialekvationer (ODE) för att modellera system och använder dessa ekvationer för att begränsa antalet tillgängliga lösningar och därmed minska den mängd träningsdata som behövs.  Denna avhandling är uppdelad i två delar: den första fokuserar på krafttransformatorers isoleringssystem, och den andra är en undersökning av pappersmaterialet som används med fokus på klassificering av cellulosananofibriller (CNF). Den första delen omfattar modellering av värmefördelningen och nedbrytningen av cellulosan inuti krafttransformatorn. En försämring av ett av de två systemen kan leda till allvarliga konsekvenser för det andra. Både PINNs förmåga att approximera lösningen av ekvationerna och att hitta de parametrar som bäst beskriver datan undersöks. Den andra delen skulle kunna ses som en fristående del, men den leder till en utökad förståelse av själva pappersmaterialet. Flera CNF-material och koncentrationer presenteras och denna avhandling föreslår en simpel oövervakad inlärning med klusteralgoritmer som k-means och Gaussian Mixture Models (GMMs) för deras klassificering. / <p>QC 20231010</p>

Cellulosananofibriller (CNFs) hör till naturens mest fundamentala byggstenar och förser naturliga material, såsom den yttre cellväggen i trä, med en otrolig styrka och styvhet. Genom att imitera träets arkitektur öppnas möjligheter upp för tillverkning av nya, biobaserade och lättviktiga strukturella material med mekaniska egenskaper som överskrider de för glasfiber, metaller och legeringar. Den ingenjörsmässiga utmaningen ligger i att framgångsrikt lyckas överföra de önskade mekaniska egenskaperna hos CNFs till filament som kan användas i material för dagligt bruk. Vid flödesfokuserad spinning av extraherade CNFs påverkar många parametrar den slutgiltiga funktionaliteten och kvaliteten hos de resulterande filamenten. För att optimera dessa processparametrar är mätning av de spunna filamentens dimensioner ett viktigt moment. Av särskilt intresse är filamentbredden, eftersom den är avgörande för de mekaniska egenskaperna. Karakterisering av filamentbredden är i dagsläget en mycket tidskrävande process där varje filament mäts manuellt i optiskt mikroskop. Det huvudsakliga målet med detta projekt är att effektivisera den nuvarande mätprocessen med avseende på både hastighet och noggrannhet med hjälp av laserspridning. I denna rapport visar vi på minst en halvering av nuvarande mättid vid användandet av en 3D-printad laseruppställning istället för ett optiskt mikroskop vid mätning av filamentbredd. Våra resultat indikerar att mätsäkerheten generellt är högre för lasermetoden jämfört med mikroskopin. Genomsnittliga standardavvikelser för mätvärden på tunnaste bredden från mikroskopi samt de två olika kurvanpassningsmetoderna vid lasermätning rapporteras vara 1.62, 0.85 (Curve fit) respektive 1.59 (Minima matching). Standardavvikelserna för tunnaste bredd korrelerar dock inte direkt mot metodernas noggrannhet eftersom de spunna filamenten uppvisar en stor variation i bredd längs med längden. En närmare jämförelse mellan mätvärden för matchade punkter på ideala och defekta filament demonstrerar att icke-uniforma och defekta filament påverkar mätnoggrannheten för laserspridningen negativt. Sammantaget stödjer våra resultat det faktum att ett tunnare filament resulterar i bättre upplösning och mindre mätfel vid mätning med laserspridning. Våra resultat visar på den stora potentialen för laserspridning som en mer effektiv mätmetod vid karakterisering av cellulosafilamentbredd. / Cellulose nanofibrils (CNFs) are one of nature’s most fundamental building blocks, providing incredible strength and stiffness to natural materials, such as the outer cell wall layer in wood. By mimicking the architecture of wood, possibilities opens up for the fabrication of new, biobased, light-weight structural materials with mechanical properties exceeding that of glassfibers, metals and alloys. However, the engineering challenge lies in successfully managing to translate the desirable mechanical properties of the CNFs into filaments that can be used in everyday life materials. Throughout the process of spinning the extracted CNFs into filaments, many factors and parameters affect the ultimate functionality and performance of the resulting filaments. Measuring the dimensions of the spun filaments is a crucial step in further optimizing process parameters. The width of the filament especially, impacts its mechanical performance. The characterization of the cellulose filament width is currently very time-consuming as each filament is manually measured using optical microscopy. The primary goal of this project is to make the current characterization process more effective, with respect to both accuracy and speed of measurement, by using laser scattering. In this report, we demonstrate a reduction by more than a half in measurement time using a 3D-printed laser scattering setup instead of an optical microscope when measuring filament width. Our results indicate that the certainty in measurement is generally higher for lase rscattering compared to optical microscopy. The mean standard deviations (SD) for the smallest widths estimated with optical microscopy and the two curve fitting methods used for the laser measurements are reported to be 1.62, 0.85 (Curve fit) and 1.59 (Minima matching) respectively. However, standard deviations for the thinnest width does not correlate directly to the accuracy of the methods since the spun filaments show a large variation in width along the length. A closer comparison between measurement values for matched points at ideal and non-uniform filaments demonstrate that the accuracy of the laser measurements are dependent on the uniformity of the filaments, with non-uniform filaments negatively impacting the accuracy. Our overall results supports the fact that a thinner filament gives a better resolution and smaller error when measuring with laser. Our results provide evidence for the great potential of laser scattering as a more efficient method for cellulose filament width determination.