Syfte med examensarbetet har varit att upprätta en grundvattenmodell överEnköpingsåsen med hjälp av programvaran MODFLOW för att därefter försöka skattagrundvattenmagasinets parametrar. Parameterskattningen utfördes med detmodelloberoende programmet PEST. Parallellt med detta gjordes även enpumptestutvärdering av dessa parametrar där typkurvor passades till en tidigare utfördprovpumpning av akviferen. Därefter jämfördes dessa båda metoder. Vidare utfördesäven en känslighetsanalys av grundvattenmodellen i MODFLOW för att försökalokalisera nya undersökningsplatser.Grundvattenmodellen uppfördes över Enköpingsåsen i och kring Enköping. Där är åsenlokaliserad i nord sydlig riktning och strax söder om Enköpings centrala delar korsasåsen av Enköpingsån. Det råder osäkerhet angående grundvattenmagasinetsvattenbalans och var åsen får sitt tillskott av vatten ifrån. Enköpingsåsen fungerar somhuvudvattentäkt i Enköpings stad vilket gör att detta har ansetts viktigt att utreda.Grundvattenmodellen byggdes upp genom att främst använda redan insamlad data frångeotekniska, geofysiska och hydrogeologiska undersökningar utförda i området samtdata från SGU och SMHI. Därifrån togs data om områdets uppbyggnad och struktursamt dess yttre betingelser som till exempel nederbörd och Mälarens vattenstånd för attskapa en numerisk modell i MODFLOW.Resultaten visar på ett överensstämmande resultat mellan parameterskattningen gjord iMODFLOW och pumptestutvärderingen. Vidare tyder resultaten i MODFLOW på attde största osäkerheterna i modellen ligger kring Enköpingsån och är då beroende av omvattnet tillförs från grundvattenmagasinets laterala delar eller från Enköpingsån.Känslighetsanalysen tyder även på att för ytterligare undersökningar av åsenshydrogeologiska betingelser bör fokus ligga på förhållandena i Enköpingsåns sedimentoch dess genomsläpplighet. / The purpose of this thesis is to establish a groundwater model of the Enköping eskerusing MODFLOW simulation and then estimate groundwater parameters with themodel-independent program PEST. In parallel, a pump test evaluation of theseparameters where type curves are fitted to a previously performed pump test of theaquifer is done to estimate the aquifer parameters. Eventually, these two methods arecompared. Furthermore, a sensitivity analysis of the groundwater model is performed totry to locate additional measurement points.The groundwater model was built for the Enköping esker in and around Enköping. Theesker is located in the north-south direction and just south of Enköpings central partswhere Enköpingsån crosses the esker. There is uncertainty regarding the water balanceof the aquifer and where the esker recharges its water from. Enköping esker serves asthe main water source in Enköping city and this is why it is considered important toinvestigate.The groundwater model was constructed primarily by using already collected data fromgeotechnical, geophysical and hydrogeological studies conducted in the area as well asdata from the SGU and SMHI. The data on the area's composition and structure as wellas its external conditions is taken to create a numerical model in MODFLOW.The results show consistent outcomes between parameter estimates made withMODFLOW/PEST and the pump test evaluation.The results made with MODFLOW makes it possible to do further analysis. Resultsshow large model uncertainties around Enköpingsån and the esker is dependent onwater supplied from either the groundwater aquifer’s lateral parts or Enköpingsån. Thesensitivity analysis also suggests that further studies of the hydrogeological conditionsshould be concentrated to Enköpingsån’s sediments and its water penetration capacity.

Two important physical aspects that determine the performance of a running train are the total running resistance that acts on the whole train moving forward, and the available adhesion (utilizable wheel-rail-friction) for propulsion and breaking. Using the measured and available signals, online identification of the current running resistance and available adhesion and also prediction of future values for a distance ahead of the train, is desired. With the aim to enhance the precision of those calculations, this thesis investigates the potential of online identification and prediction utilizing the Extended Kalman Filter. The conclusions are that problems with observability and sensitivity arise, which result in a need for sophisticated methods to numerically derive the acceleration from the velocity signal. The smoothing spline approximation is shown to provide the best results for this numerical differentiation. Sensitivity and its need for high accuracy, especially in the acceleration signal, results in a demand of higher sample frequency. A desire for other profound ways of collecting further information, or to enhance the models, arises with possibilities of future work in the field. / Två viktiga fysikaliska aspekter som bestämmer prestandan för ett tåg i drift är det totala gångmotståndet som verkar på hela tåget, samt den tillgängliga adhesionen (användbara hjul-räl-friktionen) för framdrivning och bromsning. Från de tillgängliga signalerna önskas identifiering, samt prediktering, av dessa två storheter, under drift. Med målet att förbättra precisionen av dessa skattningar undersöker detta examensarbete potentialen av skattning och prediktering av gångmotstånd och adhesion med hjälp av Extended KalmanFiltering. Slutsatsen är att problem med observerbarhet och känslighet uppstår, vilket resulterar i ett behov av sofistikerade metoder att numeriskt beräkna acceleration från en hastighetssignal. Metoden smoothing spline approximation visar sig ge de bästa resultaten för denna numeriska derivering. Känsligheten och dess medförda krav på hög precision, speciellt på accelerationssignalen, resulterar i ett behov av högre samplingsfrekvens. Ett behov av andra adekvata metoder att tillföra ytterligare information, eller att förbättra modellerna, ger upphov till möjliga framtida utredningar inom området.

Modern search engines, particularly those utilizing the BM25 ranking algorithm, offer a multitude of tunable parameters designed to refine search results. Among these parameters, the weight of each searchable field plays a crucial role in enhancing search outcomes. Traditional methods of discovering optimal weight combinations, however, are often exploratory, demanding substantial time and risking the delivery of substandard results during testing. This thesis proposes a streamlined solution: an ordinal-regression-based model specifically engineered to identify optimal weight combinations with minimal data input, within an offline testing environment. The evaluation corpus comprises a comprehensive snapshot of a product search database from Tradera. The top $100$ search queries and corresponding search results pages on the Tradera platform were divided into a training set and an evaluation set. The model underwent iterative training on the training set, and subsequent testing on the evaluation set, with progressively increasing amounts of labeled data. This methodological approach allowed examining the model's proficiency in deriving high-performance weight combinations from limited data. The empirical experiments conducted confirmed that the proposed model successfully generated promising weight combinations, even with restricted data, and exhibited robust generalization to the evaluation dataset. In conclusion, this research substantiates the significant potential for enhancing search results by tuning searchable field weights using a regression-based model, even in data-scarce scenarios. / Moderna sökmotorer, i synnerhet sådana som använder rankningsalgoritmen BM25, erbjuder en mängd justerbara parametrar utformade för att förbättra sökresultat. Bland dessa parametrar spelar vikten av varje sökbart fält en avgörande roll för att förbättra sökresultaten. Traditionella metoder för att hitta optimala viktkombinationer är dock ofta utforskande, kräver mycket tid och riskerar att ge undermåliga sökresultat under testningsperioden. Denna avhandling föreslår en strömlinjeformad lösning: en ordinal-regressionsbaserad modell specifikt utvecklad för att identifiera optimala viktkombinationer med minimal träningsdata, inom en offline testmiljö. Utvärderingskorpus består av en omfattande ögonblicksbild av en produktsökdatabas från Tradera. De $100$ vanligaste sökfrågorna och motsvarande sökresultatssidor på Traderas plattform delades in i en träningsuppsättning och en utvärderingsuppsättning. Modellen genomgick iterativ träning på träningsuppsättningen, och därefter testning på utvärderingsuppsättningen, med successivt ökande mängder av kategoriserad data. Denna metodologiska strategi möjliggjorde undersökning av modellens förmåga att härleda högpresterande viktkombinationer från begränsad data. De empiriska experimenten som genomfördes bekräftade att den föreslagna modellen framgångsrikt genererade lovande viktkombinationer, även med begränsad data, och uppvisade robust generalisering till utvärderingsdatamängden. Sammanfattningsvis bekräftar denna forskning den betydande potentialen för förbättring av sökresultat genom att justera sökbara fältvikter med hjälp av en regressionsbaserad modell, även i datasnåla scenarion.

In the thesis, a calibration method for positions of each accelerometer in an Inertial Sensor Array (IMU) sensor array is designed and implemented. In order to model the motion of the sensor array in the real world, we build up a state space model. Based on the model we use, the problem is to estimate the parameters within the state space model. In this thesis, this problem is solved using Maximum Likelihood (ML) framework and two methods are implemented and analyzed. One is based on Expectation Maximization (EM) and the other is to optimize the cost function directly using Gradient Descent (GD). In the EM algorithm, an ill-conditioned problem exists in the M step, which degrades the performance of the algorithm especially when the initial error is small, and the final Mean Square Error (MSE) curve will diverge in this case. The EM algorithm with enough data samples works well when the initial error is large. In the Gradient Descent method, a reformulation of the problem avoids the ill-conditioned problem. After the parameter estimation part, we analyze the MSE curve of these parameters through the Monte Carlo Simulation. The final MSE curves show that the Gradient Descent based method is more robust in handling the numerical issues of the parameter estimation. The Gradient Descent method is also robust to noise level based on the simulation result. / I denna rapport utvecklas och implementeras en kalibreringsmethod för att skatta positionen för en grupp av accelerometrar placerade i en så kallad IMU sensor array. För att beskriva rörelsen för hela sensorgruppen, härleds en dynamisk tillståndsmodell. Problemställningen är då att skatta parametrarna i tillståndsmodellen. Detta löses med hjälp av Maximum Likelihood-metoden (ML) där två stycken algoritmer implementeras och analyseras. En baseras på Expectation Maximization (EM) och i den andra optimeras kostnadsfunktionen direkt med gradientsökning. I EM-algoritmen uppstår ett illa konditionerat delproblem i M-steget, vilket försämrar algoritmens prestanda, speciellt när det initiala felet är litet. Den resulterande MSE-kurvan kommer att avvika i detta fall. Däremot fungerar EM-algoritmen väl när antalet datasampel är tillräckligt och det initiala felet är större. I gradientsökningsmetoden undviks konditioneringsproblemen med hjälp av en omformulering. Slutligen analyseras medelkvadratfelet (MSE) för parameterskattningarna med hjälp av Monte Carlo-simulering. De resulterande MSE-kurvorna visar att gradientsökningsmetoden är mer robust mot numeriska problem, speciellt när det initiala felet är litet. Simuleringarna visar även att gradientsökning är robust mot brus.