BOMP
Status:
SDGs:
Industry:
Impact:
Origin:
School:
Established:
BOMP käyttää koneoppimista tuottaakseen optimaalisen rajapinnan tehtaanhallinnan loppukäyttäjän ja materiaalien ominaisuuksista saatavan raakatiedon välille teollisessa tuotantoympäristössä. Sen tavoitteena on optimoida materiaalien valinta, suunnittelu ja käsittely kahden oppimiskomponentin avulla: tutkimalla ja hyödyntämällä ”pientä dataa” piilotettujen mallien löytämiseksi.
Koneoppimisalgoritmi perustuu todennäköisyyspohjaiseen Bayesin päättelyyn, joka tunnetaan myös nimellä Bayesin optimointi, ja se voidaan helposti sovittaa haastaviin ongelmiin monilla insinööritieteiden aloilla, mukaan lukien, mutta ei rajoittuen, seosten suunnittelu, nestemekaniikka, kemialliset reaktiot ja materiaalien käsittely. Lopullinen proof-of-concept on helppokäyttöinen ohjelmistorajapinta kovan luokan tieteeseen, jossa maallikko voi optimoida materiaalien ominaisuuksia ja prosessiparametreja ilman koulutusta. Tämä korvaa prosessin/materiaalin optimointikonsultoinnin tarpeen murto-osalla kustannuksista.
äپٴᲹ .
Contact
Markus Holmström
Read more about innovation services
News from innovation ecosystem
Kesällä 2026 Rela-hieronnoista 30 % alennus Rela-hierojien toimipisteissä
Kesäkampanja on voimassa 1.6. – 31.8.2026.
3D-teknologia paljasti uusia rakenneyksityiskohtia Halsuan 200-vuotiaasta puukirkosta
MeMo-instituutti on mallintanut Keski-Pohjanmaalla sijaitsevan Halsuan kirkon ja sen kellotapulin fotorealistiseksi ja mittatarkaksi 3D-malliksi.
Kaupunkivihreän potentiaalia ilmastoratkaisuna ei hyödynnetä riittävästi – uusi käsikirja tarjoaa siihen keinoja
Hiiliviisaan kaupunkivihreän käsikirja tarjoaa konkreettisia työkaluja siihen, miten kaupunkivihreää voidaan hyödyntää tehokkaammin ilmasto- ja luontotyössä.