Onderzoeksgroep
Expertise
Hossein Tabari is een wetenschapper die werkzaam is op het gebied van duurzame ontwikkeling. Hij pakt operationele en besluitvormingsuitdagingen in dit domein aan met een multidisciplinaire aanpak die gebruik maakt van zijn kennis van fysische processen, statistische modellen, computationele statistiek en op data gebaseerde leermiddelen. Momenteel richt zijn onderzoek zich op het gebruik van machine learning om de impact van extreme weersomstandigheden als gevolg van klimaatverandering te beoordelen en te verminderen. Als onderdeel van zijn inspanningen om de impact van klimaatverandering te verminderen, promoot Tabari het gebruik van hernieuwbare energiebronnen. Om dit doel te bereiken, gebruikt hij physics-informed machine learning technieken voor prognoses en projecties. Specifiek gebruikt hij op fysica gebaseerde modellen om de onderliggende fysische beperkingen te bieden, terwijl machine learning modellen de flexibiliteit bieden om complexe dynamiek en interacties tussen klimaatvariabelen vast te leggen. Door deze benaderingen te combineren, streeft Tabari ernaar effectieve oplossingen te ontwikkelen voor het verminderen van de effecten van klimaatverandering.
Verbetering van de voorspelling van wind- en zonne-energie door middel van physics-informed machine learning.
Abstract
Hernieuwbare energiebronnen zijn in opkomst als cruciaal alternatief voor traditionele energiebronnen, vanwege de dringende behoefte om de uitstoot van broeikasgassen te verminderen en de effecten van klimaatverandering te beperken. Nauwkeurige voorspellingen van hernieuwbare energiebronnen zijn essentieel voor effectieve besluitvorming in de energiesector, in het bijzonder in diep gedecarboniseerde energiesystemen. Machine learning (ML) kan een belangrijke rol spelen bij het verbeteren van de nauwkeurigheid van voorspellingen inzake hernieuwbare energie door deze te integreren met numerieke weersvoorspellingsmodellen (NWP), bekend als physics-informed ML. Op deze manier kan het probleem van de slechte extrapolatie/generalisatie-capaciteit van ML-modellen aangepakt worden door gebruik te maken van op physics-informed ML om beter te kunnen generaliseren naar nieuwe situaties. Dit project heeft als doel een nieuw physics-informed ML-model te ontwikkelen door de fysische vergelijkingen van NWP-modellen te integreren met ML-modellen om zo de nauwkeurigheid en betrouwbaarheid van voorspellingen van hernieuwbare energie te verbeteren, met de focus op het voorspellen van wind- en zonne-energieproductie. Succesvolle implementatie van dit model heeft het potentieel om de duurzaamheid van het huidig energiesysteem te bevorderen, balanceringskosten te verlagen en klimaatverandering tegen te gaan.Onderzoeker(s)
- Promotor: Tabari Hossein
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Artificiële Intelligentie in Meteorologie Applicaties (AIM)
Abstract
Een belangrijk onderdeel van de missie van het KMI is het produceren van permanente diensten om de veiligheid te waarborgen en de voorlichting van de bevolking en ter ondersteuning van de politieke autoriteiten bij hun koninklijk besluit. De ontwikkeling van numerieke weersvoorspellingsmodellen (NWP) is hier lange tijd een cruciaal onderdeel van geweest. Belangrijke ontwikkelingen van de laatste jaren zijn de steeds toenemende hoeveelheid meteorologische waarnemingen die worden gebruikt om NWP-voorspellingen te verbeteren door middel van gegevensassimilatie en statistische nabewerking, het gebruik van probabilistische ensemble-modellen die een betere beslissingsondersteuning mogelijk maken, de steeds toenemende resolutie van de modellen, en de integratie van stedelijke effecten door landoppervlakteschema's. Het RMI beheert sinds winter 2018 2019 ook operationeel een speciaal wegenweermodel voor de Belgische snelwegen, met als doel het geven van beslissingsondersteuning aan verkeersbureaus zoals Agentschap Wegen en Verkeer (AWV) in Vlaanderen. Hoge resolutie NWP modellen en data assimilatie technieken, en s eble modellen en het KMI-wegweermodel moet blijven gebruik maken van de nieuwste wetenschappelijke ontwikkelingen. Kunstmatige intelligentie heeft invloed op tal van wetenschappelijke gebieden, en meteorologie is daarop geen uitzondering. Zo worden technieken en softwarebibliotheken van Deep Learning gebruikt op het gebied van data-assimilatie en beginnen neurale netwerken te worden toegepast op statistische nabewerking van ensemble voorspellingen. Een andere belangrijke evolutie is de beschikbaarheid van crowdsourced meteorologische gegevens, zoals van vrijwilligersstations, en nieuwe typen sensoren zoals voertuigsensoren, die zullen worden getest in het KMI-wegweermodel in het kader van het SARWS-project. Assimilatie van dergelijke gegevens kan de modelvoorspellingen alleen verbeteren als er een adequate kwaliteitscontrole wordt toegepast. Een innovatieve nieuwe benadering is het gebruik van gedistribueerde intelligentie om een deel van de benodigde berekeningen op het niveau van de sensoren uit te voeren, voordat de gegevens worden gecentraliseerd. Het ligt voor de hand dat het KMI veel baat zou hebben bij een universitaire partner met expertise op het gebied van kunstmatige intelligentie en datawetenschap. IDLab Universiteit Antwerpen brengt die expertise in huis. IDLab doet fundamenteel en toegepast onderzoek naar internettechnologieën en data science. Binnen UA richt de distributed in telligence-groep zich op onderwerpen als gedistribueerde en agent-based intelligence,Onderzoeker(s)
- Promotor: Hellinckx Peter
- Mandaathouder: Casteels Wim
- Mandaathouder: Tabari Hossein
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject