Det finns inte någon växellåda som är 100% effektiv, därför bildas det alltid en mängd värme under drift. Vid hög belastning ökar värmen och för att växellådan ska få arbeta inom önskat temperaturintervall så kyls en del av den värmen bort. Scania tillhandhåller tre typer av prestandasteg för kylning. 1.     Utan externt kylelement, där kylningen endast består av konvektion och strålning.  2.     Vätskekyld oljekylare, med ett externt kylelement monterad utanpå växellådan och som kyls (samt värms upp) av motorns kylarvätska. 3.     Luftkyld oljekylare, som är monterad i front på lastbil.  Varje steg av kylning medför varierande kostnader och för att kunna avgöra utifall en extern oljekylare kommer att krävas, behövs det därför ett verktyg som kan förutsäga vilken temperatur som det borde vara i växellådan förutsatt att drifttypen är angiven. Modellering av värmeutvecklingen i växellådan är därför något som efterfrågas. Det här verktyget blir främst avsett för försäljningsavdelningen då man kan ge kunden en kostnadseffektiv produkt och säkra driften för de produkter man säljer. Växellådor byggda på plattformen förväntas sälja i 180 000 exemplar/år vilket gör det här till ett viktigt verktyg.  Modellen bygger på att beräkna temperaturen på den aktuella mängd energi som finns i växellådan i varje tidpunkt. Det finns alltid en viss mängd energi redan innan växellådan sätts i drift. Därför sätts ett uttryck upp med växellådans termiska tröghet som multipliceras med den temperatur som erhålls vid start. En funktion som beskriver den tillförda energin som övergår till värmeenergi skapas och det krävs även en kalkyl för den kyleffekt som råder. Kyleffekten innehåller fri och forcerad konvektion samt den värme som strålas bort. För att sedan kunna beskriva temperaturen över tid så integreras den kalkylerade nettoeffekten fram till en angiven tidpunkt. Slututtrycket blir därför den integrerade nettoeffekten adderat med växellådans startenergi som sedan divideras med dess termiska tröghet och som funktion av tiden.Modellen valideras mot tre fall av uppmätt provdata med samma setup och resultatet visar på att sluttemperaturen mellan simulerade och verkliga data max skiljer sig 0,43 . Med tanke på resultatet visar modellen på att det är en pålitlig modellering som arbetet har givit. / There is no gearbox that is 100% efficient, so heat is always generated during operation. At high loads, the heat increases and in order for the gearbox to work within the desired temperature range, some of that heat is cooled off. Scania provides three types of cooling performance stages. 1.     Without external cooling, where the cooling only consists of convection and radiation. 2.     Liquid-cooled oil cooler, with an external cooling element mounted on the outside of the gearbox and which is cooled (and heated) by the engine coolant. 3.     Air-cooled oil cooler, which is mounted in the front of the truck. Each step of cooling entails varying costs and in order to be able to determine if an external oil cooler will be required, a tool is therefore needed that can predict what temperature it should be in the gearbox provided that the operating type is specified. This tool is primarily intended for the sales department as you can provide the customer with a cost-effective product and secure the operation of the products you sell. Gearboxes built on the platform are expected to sell at 180,000 gearboxes / year, which makes this an important tool.The model is based on calculating the temperature of the current amount of energy present in the gearbox at any given time. There is always a certain amount of energy even before the gearbox is put into operation. Therefore, an expression is set up with the thermal inertia of the gearbox which is multiplied by the temperature obtained at start-up. A function that describes the supplied energy that is converted to heat energy is created and a calculation is also required for the cooling effect that prevails. The cooling effect contains free and forced convection as well as the heat that is radiated away. In order to then be able to describe the temperature over time, the calculated net power is integrated up to a specified time. The final expression is therefore the integrated net power added with the starting energy of the gearbox which is then divided by its thermal inertia and as a function of time.The model is validated against three cases of measured sample data with the same setup and the result shows that the final temperature between simulated and actual data differs by a maximum of 0.43 ℃. Considering the results, the model shows that it is a reliable modelling that the work has provided.

I ett marint framdrivningssystem byggt av Rolls-Royce Marine i Kristinehamn, kallat POD Propulsion - MermaidTM, kyls systemets yttre delar med förbiströmmande vatten. Det kylande vattnet kompletteras av ett internt luftkylningssystem vilket, till följd av en lägre kylningskapacitet än för det externa vattnet, förorsakar en otillräcklig kylning i den sektor av elmotorns stator vars periferi kyls av kylluftsströmmen. En andel av statorn är således enbart luftkyld vilket medför att den axiella temperaturen i denna sektor uppnår ett lokalt maximum, kallad ”hotspot”, vilken är högre än för resten av elmotorns stator. Avsaknaden av en tangentiellt uniform temperatur i statorn medför begränsningar vid dimensionering av framdrivningssystemet. Begränsningar som kan få till följd att motorn i en POD överdimensioneras, gentemot fartygets effektbehov, sådan att elmotorn vid drift inte ska generera lika mycket värme och därmed undvika de höga statortemperaturerna. En effektiv kylning av hotspoten och därigenom en tangentiellt mer uniform temperatur skulle därmed medföra att elmotorn kan; dimensioneras mer effektivt och därigenom ge en lägre installationskostnad, uppnå en högre utnyttjandegrad samt leda till en förbättrad hydrodynamisk verkningsgrad. Rapporten ämnar genom både analytiska och numeriska simuleringar utvärdera ett flertal olika passiva kylningsmetoder som kan appliceras över POD-husets hotspot. De tilltänkta kylningsmetoderna baseras i grunden på två olika principer. En av principerna, kallad utvidgade ytor, avser kyla hotspoten genom att underlätta överföringen av värme från hotspoten till en förbipasserande fluid där den andra, genom tillämpning av ett ledande material, leder värme från hotspoten till en omgivande kallare yta. Resultaten visar att alla de tilltänkta modifikationerna, i varierande grad, möjliggör en temperatursänkning av det vertikala hotspotområdet, vilken är belägen intill luftkylningskanalen. De modifikationer som presterar bäst är modifikationerna som tillämpar en heatpipe som ledande material och modifikationen utvidgad solid gjort av koppar. Dessa modeller visar en 60 procentig temperatursänkning av den vertikala hotspoten relativt referensmodellen. Rapportens resultat kan även visa en temperatursänkning av luften då modifikationen ledande stag tillämpas, vilket är gynnsamt för fartygets luftkylningsprocess.

Artificial neural networks (ANNs) are commonly considered as "black boxes": they can approximate any function without giving any interpretation. Novel research has observed that the laws of physics, which govern everything around us, can supplement the implementation of a neural network. For this purpose, we have physics-informed neural networks (PINNs): they are networks trained to consider the physics outlined in nonlinear partial differential equations (PDEs).  This thesis focuses on the thermal modelling of power transformers applying PINNs constrained to the heat diffusion equation. The aim is to estimate the top-oil temperature and the thermal distribution of a transformer. A solution of the equation will be provided by the Finite Volume Method (FVM), which will constitute a benchmark for the PINNs predictions. Differently from other works on PINNs, an additional challenge in this problem is the availability of field measurements. The results obtained show good accuracy in estimating the distribution and the top-oil temperature with PINN almost mimicking exactly FVM. Further improvements could be attained by rearranging the equation using more specific parameters to model the thermal behaviour of transformers and scaling the equation to dimensionless form. / Artificiella neurala nätverk (ANN) betraktas vanligtvis som "svarta lådor": de kan approximera vilken funktion som helst utan att tillhandahålla någon tolkning. Inom ny forskning har man sett att fysikens lagar, som styr allt runt omkring oss, kan komplettera implementeringen av ett neuralt nätverk. För detta ändamål har formulerats fysikinformerade neurala nätverk (PINN): de är nätverk som har tränats att ta hänsyn till den fysik som beskrivs i ickelinjära partiella differentialekvationer (PDE). Denna avhandling fokuserar på termisk modellering av transformatorer med tillämpning av PINN begränsat till värmeledningsekvationen. Syftet är att uppskatta en toppoljetemperatur och en transformators värmefördelning. Lösningen till ekvationen erhålls med finita volymmetoden (FVM), som används som en referenslösning för att utvärdera förutsägelserna från PINN. Implementeringen av PINN-algoritmen medförde en extra utmaning eftersom källtermen innefattade uppmätta värden. En metod att kringgå denna svårighet genom att approximera värdena på mätningarna i det neurala nätverket genom träning på motsvarande data presenteras. De erhållna resultaten visar god noggrannhet vid uppskattning av fördelningen och toppoljetemperaturen med PINN i jämförelse med FVM-lösningen. Ytterligare förbättringar kan uppnås genom att arrangera om ekvationen med mer specifika parametrar för att modellera transformatorernas termiska beteende och skalning av ekvationen till dimensionslös form.

Optimizing and controlling the heating systems in buildings is one way to decrease their load on the power grid, as well as introduce load flexibility to be used in Demand Response (DR) applications. A requirement in occupied buildings is that the thermal comfort of the residents is guaranteed, making the optimization of heating systems a constrained problem with respect to indoor temperature. Thermal models capable of predicting indoor temperatures over short (24 hour) horizons are one way to guarantee this comfort. The accuracy and computational complexity of these models have the most significant impact on controller performance. The data requirements and the expert knowledge required for model implementation are also important factors, since they determine the development costs and, finally, whether a model is feasible to implement. First a literature study explores current modeling approaches that depend only on time-series sensor data and that are suited for control applications. A modeling type found to be fit for such purposes are grey-box models, specifically physically inspired inverse models whose parameters are estimated based on data, such as Resistance- Capacitance (RC) models. This modeling of a dynamical system approach uses prior information in the form of the assumed physical equations and has the potential to increase the performance on sparse data problems. The simple form of the model also has a low level of complexity, making it well suited for control applications. However, expert knowledge can be needed for choosing the model equations as well as initializing the parameters. Then the effects of varying RC model complexity, parameter initialization, and training data are investigated in the case study. The chosen models are 1R1C, 2R2C, and 3R2C. They are fitted using the Nelder-Mead algorithm and validated using the data collected from the RISE Research Villa. Parameter initializations are varied by two orders of magnitude and then fitted on different data sequences to avoid relying on expert knowledge in model creation. The initializations that converged with the best R2 training fit on all sequences were deemed reasonable initializations for the problem and used in the training length comparison. The training length of the models varies from 24 to 384 hours. The results showed that increased training data length correlates positively with performance up to 192 hours for all models, but further increasing it gave inconclusive results. The higher order models evaluated struggled to beat the simplest model or even the constant prediction baseline in Mean Absolute Error (MAE) performance at all training lengths, indicating either that the models selected are unsuitable or that the data features chosen are unrepresentative of the indoor temperature dynamics. Regardless, the MAE errors presented here are comparable to the outcomes of related works. This is possibly an artifact of this dataset having a low variance in temperature and thus resulting in lower errors, which underlines the importance of the data used in case-studies. / Att optimera och styra värmesystemen i byggnader är ett sätt att minska belastningen på elnätet och införa flexibilitet i belastningen som kan användas i tillämpningar för efterfrågeflexibilitet (Demand Response, DR). Ett krav i bebodda byggnader är att de boendes termiska komfort garanteras, vilket gör optimeringen av värmesystemen till ett begränsat problem med avseende på inomhustemperaturen. Termiska modeller som kan förutsäga inomhustemperaturer på kort sikt (24 timmar) är ett sätt att garantera denna komfort. Dessa modellers noggrannhet och beräkningskomplexitet har störst inverkan på styrningens prestanda. Datakraven och den expertkunskap som krävs för att genomföra modellen är också viktiga faktorer, eftersom de avgör utvecklingskostnaderna och slutligen om en modell är möjlig att implementera. Först görs en litteraturstudie av nuvarande modelleringsmetoder som endast är beroende av tidsserier av sensordata och som lämpar sig för reglertillämpningar. En modelleringstyp som visat sig vara lämplig för sådana ändamål är grey-box-modeller, särskilt fysikaliskt inspirerade inversa modeller vars parametrar estimeras på basis av data, t.ex. RC-modeller (Resistance-Capacitance). Denna modell av ett dynamiskt system modellering använder förhandsinformation i form av de antagna fysiska ekvationerna och har potential att öka prestandan vid problem med begränsad data. Modellens enkla form har också en låg komplexitetsnivå, vilket gör den väl lämpad för kontrolltillämpningar. Expertkunskap kan dock behövas för att välja modellekvationer och initiera parametrarna. Därefter undersöks effekterna av att variera RC-modellens komplexitet, parameterinitialisering och träningsdata i fallstudien. De valda modellerna är 1R1C, 2R2C och 3R2C. De tränas med hjälp av Nelder-Mead-algoritmen och valideras med hjälp av data som samlats in från RISE Research Villa. Initialiseringarna av parametrarna varieras med två storleksordningar och anpassas sedan på olika dataserier för att undvika att förlita sig på expertkunskap vid skapandet av modellerna. De initialiseringar som konvergerade med den bästa träningsanpassningen R2 på alla sekvenser ansågs vara rimliga initialiseringar för problemet och användes i jämförelsen av träningslängden. Modellernas träningslängd varierar mellan 24 och 384 timmar. Resultaten visade att en ökad längd på träningsdata korrelerar positivt med prestanda upp till 192 timmar för alla modeller, men att ytterligare ökning inte ger några entydiga resultat. De utvärderade modellerna av högre ordning hade svårt att överträffa den enklaste modellen eller till och med referensmodellen med konstant prediktion i fråga om genomsnittligt absolut fel (MAE) vid alla träningslängder, vilket tyder antingen på att de valda modellerna är olämpliga eller att de valda datafunktionerna inte är representativa för inomhustemperaturens dynamik. Oavsett detta är de MAE-fel som presenteras här jämförbara med resultaten från relaterade studier. Detta är möjligen en artefakt av att detta dataset har en låg varians i temperaturen och därmed resulterar i lägre fel, vilket understryker vikten av de data som används i fallstudier.

In general, electric propulsion offers very high efficiency but relatively low thrust. To remedy this, several ion engines can be assembled in a clustered configuration and operated in parallel. This requires the careful design of a frame to accommodate the individual propulsion systems. This frame must be modular to be used in different cluster sizes, and verify thermal and mechanical requirements to ensure the nominal operation of the thrusters. The present report aims to show the design process of such a frame, from preliminary modelling to the experimental study of a prototype. This document features an overview of the iterative design process driven by thermal simulations rendered on COMSOL Multiphysics. This process led to the conception of a 2-thruster and 4-thruster cluster frame. A lumped-parameter model of the electric propulsion system was also created to model its complex thermal behaviour. In addition, the 2-thruster frame was studied mechanically with analytical calculations and simulations of simple load cases on SolidWorks. Lastly, a prototype based on the 2-thruster frame model was assembled. The prototype was used to conduct temperature measurements while hosting two operating thrusters inside a vacuum chamber. The temperature distribution in the cluster was measured, and compared to simulation results. Thermal simulations of the 2-thruster and 4-thruster frame showed promising results, while mechanical simulations of the 2-thruster version met all requirements. Moreover, experimental results largely agreed with thermal simulations of the prototype. Finally, the lumped-element model proved instrumental in calibrating the models, with its high flexibility and quick computation time. / Generellt erbjuder elektrisk framdrivning hög verkningsgrad men relativt låg dragkraft. För att avhjälpa detta kan flera jonmotorer sättas samman i en klusterkonfiguration och drivs parallellt. Detta kräver en noggrann utformning av en ram för att rymma de enskilda framdrivningssystemen. Denna ram måste vara modulär för att kunna användas i olika klusterstorlekar och verifiera termiska och mekaniska krav för att säkerställa den nominella driften av motorerna. Föreliggande rapport syftar till att visa designprocessen för en sådan ram, från preliminär modellering till experimentell studie av en prototyp. Detta dokument innehåller en översikt över den iterativa designprocessen, driven av termiska simuleringar gjorda med COMSOL Multiphysics, som ledde till uppfattningen av en 2 motorer och 4 motorer ram. En klumpelementmodell av jonmotorn skapades också för att modellera dess komplexa termiska beteende. Dessutom var den 2 motorer ram studeras mekaniskt med analytiska beräkningar och simuleringar av enkla laddafall med SolidWorks. Slutligen monterades en prototyp baserad på den 2 motorer rammodellen. Prototypen användes för att göra temperaturmätningar medan den är värd för 2 jonmotorer i en vakuumkammare. Temperaturfördelningen i klustret mättes och jämfördes med simuleringsresultat. Termiska simuleringar av den 2 motorer och 4 motorer ramen visade lovande resultat, medan mekaniska simuleringar av den 2 motorer versionen klarade alla krav. Dessutom överensstämde experimentella resultat till stor del med termiska simuleringar av prototypen. Slutligen var klumpelementmodellen mycket användbar för att kalibrera de andra modellerna med sin höga flexibilitet och snabba beräkningstid.