Kuinka immersiivinen teknologia (VR/AR) voi edistää mielekästä koulutusta ja matkailukokemuksia pandemian aikana?

1. VR-teknologia työpajatestauksessa Lapin ammattikorkeakoulussa (Valokuva: FrostBit ohjelmistolaboratorio)

Haastavat ajat tuovat usein joustavuutta ja inspiraatiota luoviin ratkaisuihin. Digitaalisuus ja teknologia ovat pitäneet meitä yhä enemmän ja aikaisemmin yhteydessä toisiinsa; Siitä huolimatta olemme kaikki kokeneet digitaalisten työpäivien vaikutukset, jotka voivat vaikuttaa henkiseen ja fyysiseen terveyteemme. Monista syistä työskentely ja yhteyden muodostaminen ruudun kautta ei yksinkertaisesti riitä. Ihmisinä tarvitsemme lisää; meidän on pidettävä yhteyttä siten, että se on merkittävää. Nämä haasteet ja vaikeat ajat ovat edistäneet luovien digitaalisten ratkaisujen, erityisesti mukaansatempaavien tekniikoiden (virtuaalinen ja lisätty todellisuus, VR / AR) nousua, koska ne antavat meille mahdollisuuden matkustaa tarvitsematta poistua kodistamme tai suorittaa tehtäviä, joita emme pysty suorittamaan muuten täydellisesti. Onko VR/AR:lle oikea aika olla seuraava digitaalinen työkalu, joka edistää työskentelyä, yhteydenpitoa ja matkustamista? Kaikki kertoimet ovat uuden teknologian puolella, samoin kuin asian ympärillä oleva ”hypetys”.

Kuinka VR/AR tuovat lisäarvoa koulutukseen?

Koulutus on ehdottomasti yksi niistä alueista, joilla VR/AR -teknologiat voivat luoda merkittävän vaikutuksen, koska suurin osa opetuksesta ja koulutuksesta tapahtuu tällä hetkellä etänä. Etäluentojen ja -oppituntien kautta käytetyistä nykyisistä opetus- ja oppimismenetelmistä puuttuu vuorovaikutteisuus ja monipuolisuus, jota mukaansatempaava tekniikka voi parantaa. Ajatellaan tilannetta, jossa maantietoa opettava opettaja laittaisi VR-kuulokkeet ja ”teleporttaisi” (siirtyisi virtuaalimaailmassa paikasta toiseen) maailmanlaajuisesti Google Earthin avulla. Samoin muiden oppiaineiden kuten historian kanssa voidaan käydä immersiivisellä virtuaalivierailulla vaikkapa Rooman Colosseumissa. Vasta tehdyssä keskiasteen opiskelijoiden Stanfordin yliopiston tutkimuksessa tutkittiin kognitiivisen oppimisen eroja vertaamalla työpöydän videoiden ja VR:n käyttöä koralliriuttojen (Crystal Reefs) ja valtameren happamuuden opettamiseen. Tutkimus osoitti, että VR-videoita katselevien opiskelijoiden oppimispisteet olivat korkeammat kuin työpöydän videoita katsoneet. Lisäksi opiskelijat, jotka saivat VR-kokemuksen, osoittivat parempia pisteitä itsetehokkuuden havaitsemisessa kuin työpöydän videoita katselevassa ryhmässä.

2. Virtuaalivierailu Firenzessä, Italiassa, Google Earthin kautta (Valokuva: Google Earth VR, Steam)

Yksi merkittävä haittapuoli on tällaisten teknologioiden kalliit hinnat, vaikka laitteet ovatkin ajan myötä edullisempia ja laadukkaampia. Lisäksi yliopistojen ja erityisesti lukioiden opettajilla on rajallinen pääsy tekniikkaan ja VR/AR-laitteisiin, koska tietyt kehitystyö- tai tutkimusryhmät käyttävät niitä enimmäkseen. Toinen merkittävä tekijä, joka on estänyt virtuaaliteknologian laajemman leviämisen opetuksessa, perustuu siihen, että opettajat pelkäävät usein uuden tekniikan käyttöönottoa opetuksessa siinä epävarmuudessa, että täydentävätkö ne opetussuunnitelman tavoitteita – tällöin lähtökohdaksi kannataakin ottaa rohkea uteliaisuus ja innovaatio opetuksessa. Mikäli kouluissa on virtuaaliluokka jossa pääsee testaamaan uusia teknologioita, se mahdollisuus kannattaa hyödyntää: Pyydä esimerkiksi yleistä esittelyä ja mahdollisesti lainaa yksi laite, jota voit tutkia itse. Jos se ei ole mahdollista, virtuaaliteknologioista on paljon tietoa ja opetusta verkossa. Jos organisaatiossasi ei ole ammattilaitteita, voit aloittaa kokeilemalla markkinoiden edullisempia vaihtoehtoja, esimerkiksi Samsung Gear VR:ää. Siirtyminen mukaansatempaavien teknologioiden maailmaan on edelleen hämmentävä tie, mutta onneksi pääsy VR/AR -”tietopankkiin” ja moderniin teknologiaan kasvaa päivä päivältä.

3. Opiskelija käyttää VR-teknologiaa taiteessa

Millä aihealueilla VR/AR -teknologiat ovat kriittisiä tällä hetkellä?

Terveydenhuolto

Etä-tilanteen monimutkaisuuden vuoksi terveydenhuolto on yksi aloista, joka tarvitsee uusia ratkaisuja, jotka mahdollistaisivat etäyhteyden ja simulaatiot. Useat tutkimukset ovat osoittaneet virtuaaliteknologian tehokkuuden terveydenhuollon koulutuksessa ja simulaatioissa; immersiivisen teknologian käyttö terveydenhuollossa on kuitenkin vasta alkuvaiheessa. Digitaalisen hoidon, mukaan lukien telelääketieden ja virtuaalihoidon, suorittamiseen tarkoitettu VR/AR luokitellaan nousevaksi tekniikaksi Gartner Hype -syklin mukaan, mikä osoittaa, että todellinen potentiaali kehittyy samanaikaisesti tekniikoiden ja sovellusten kanssa. Siksi terveydenhuollon XR-simulaatioiden (laajennettu todellisuus, VR / AR / MR) markkina-arvon arvioidaan olevan noin 850 miljoonaa euroa vuoteen 2025 mennessä, minkä jälkeen markkina-arvoketju paranee merkittävästi maailmanlaajuisesti.

Ottaen huomioon immersiivisen teknologian merkityksen terveydenhuollon oppimisen ja turvallisuuden parantamisessa, Lapin ammattikorkeakoulu on hakenut kansainvälistä rahoitusta hankkeelle, joka luo huippuluokan VR/AR -ratkaisuja terveydenhuollon koulutukseen ja hoitohenkilöstölle. Tavoitteenamme on terveydenhuollon koulutus ja simulaatiot, jotka ovat opiskelijoiden ja ammattilaisten saatavilla, mahdollistavat turvallisen ja oppimista parantavan käytännön kokemusta. Toinen tuore tutkimus osoittaa, että kun lääketieteen opiskelijat harjoittavat VR: ssä, he saivat parempia tuloksia kaikissa luokissa verrattuna perinteisesti koulutettuun ryhmään, etenkin tietojen säilyttämisen suhteen. Kokeen kokonaistulos osoitti parannuksen olevan 230%. Terveydenhuollon koulutuksen ja simulaatioiden tulevaisuus perustuukin mukaansatempaavaan ja immersiiviseen teknologiaan.

Teollisuuden koulutus ja simulaatiot

Vastaavasti terveydenhuoltoalalla yritysten koulutus ja simulaatiot ovat toinen kriittinen ala, jossa modernit teknologiat voivat olla yksi ratkaisu pandemian aiheuttamiin ongelmiin. Pitkäaikainen etätyö on vaatinut ratkaisuja etäkoulutukseen ja simulaatioihin. XR-koulutus ja simulaatiot teollisuuden eri aloille ovat yksi FrostBitin keskeisistä osaamisalueista. Olemme kehittäneet VR-koulutusta ja simulaatioita kaivosteollisuudelle, uusiutuvan energian tuotannolle, poronhoitolle, kiinteistöille ja metsätaloudelle.

4. DUKE-projektin lämpövoimalalaitoksen Digital Twin

Käynnissä olevalla DUKE-hankkeella kehitetään Rovaniemen Jänkätiessä sijaitsevan kaukolämpölaitoksen digitaalinen kaksonen (digital twin, digitaalinen representaatio), joka antaa opiskelijoille ja uusille toimijoille käytännön kokemusta laitoksen käytöstä ilman tarvetta olla fyysisesti siellä. Se on kustannustehokas ja turvallinen ratkaisu, joka tekee oppimisesta helpompaa ja tehokkaampaa opiskelijoille.

Matkailu

Lapin matkailualaan pandemia on vaikuttanut voimakkaasti, ja kielteisten vaikutusten ennustetaan olevan pitkäaikaisia. Toivotessaan parempaa tulevaisuutta, hyvin harvat yritykset ovat siirtäneet huomionsa innovatiivisiin ja luoviin ratkaisuihin kokemustensa myymiseksi. Tämä voi johtua tietämättömyydestä markkinoiden mahdollisuuksista, teknologiavalmiudesta tai kalliista teknologisista ratkaisuista. Tämä on aika, jolloin matkailualan tulisi sopeutua ja etsiä luovia ja innovatiivisia ratkaisuja asiakkaidensa tavoittamiseksi. XR-ratkaisut eivät ratkaise kaikkia ongelmia, mutta ne antavat toivoa ja uusia markkinoita. Kuinka voimme luoda mukaansatempaavan kokemuksen Joulupukin kylästä, revontulista tai Lapin maisemista ilman tarvetta olla fyysisesti täällä? Se on varmasti monimutkainen tehtävä, mutta teknologia siihen on olemassa. Amazon Explore -alusta käynnistettiin tarjoamaan ihmisille virtuaalisia matkakokemuksia: Voit maksaa kiertueen yksityisen oppaan kanssa eri puolilla maailmaa, kuten käydä virtuaalinen kävelykierroksella Meksikon kaupunkitaidemaailmassa. Kokemukset ovat kuitenkin video- ja työpöytäpohjaisia; ei siis yhtä immersiivisiä ja mukaansatempaavia kuin VR-kokemukset.

Edistetään etäyhteistyötä innovatiivisten teknologioiden avulla – Arktinen näkökulma XR:ään VR-päivillä 2020

Tänä vuonna meidät kutsuttiin jakamaan XR-asiantuntemustamme ja käyttötapauksiamme Euroopan kattavimmassa XR-tapahtumassa, joka tänä vuonna järjestettiin etänä. VR-päivät yhdistävät erilaisia ​​aloja, joilla käytetään mukaansatempaavia teknologioita, joista alat olivat muun muassa liiketalous, taide, koulutus ja simulointi, kasvatus, laitteistot, rahoitus jne. Tämä oli merkittävä askel FrostBitille ja Lapin ammattikorkeakoululle, jotta voimme edistää ammattikorkeakoulun näkyvyyttä vaikutusvaltaisimpien ihmisten joukossa ja XR-teollisuuden yritysten parissa kuten Oculus, HTC, Facebook ja Google. Ensimmäisenä suomalaisena VR-laboratoriona FrostBitillä on pitkä historia tosielämän haasteiden ratkaisemisessa mukaansatempaavalla tekniikalla; esimerkiksi virtuaalisen hautauskokemuksen luominen Sallan sodan ja jälleenrakennuksen museolle, joka antaa kävijöille pääsyn Suomen ja Venäjän raja-alueella sijaitsevaan saksalaisten sotilaiden hautausmaalle. VR-kokemus mahdollistaa aidon hautausmaalla käymisen ilman tarvetta käydä läpi kahden maan välistä rajavalvontaa. Katso alla oleva VR Days 2020 -puhe:

Mitä on otettava huomioon, kun suunnitellaan ja luodaan immersiivisiä kokemuksia?

VR/AR-kokemuksen laatu ja sisältö voivat vaihdella tietyn kokemuksen toivotun lopputuloksen mukaan; on kuitenkin tiettyjä keskeisiä vaiheita, jotka ovat kriittisiä suunniteltaessa uusia projekteja. Mikä tärkeintä, tekniikan, psykologian ja koulutuksen yhdistelmä on välttämätöntä mielekkäiden virtuaalikokemusten luomisessa. Näkemykseni XR-kokemusten suunnittelussa on kognitiivisen psykologian, mediakasvatuksen ja käyttäjäkokemusten yhdistäminen. Mikä tekee VR-kokemuksesta mielekästä? Harkitse näitä vinkkejä:

  1. XR-kokemuksen pitäisi ratkaista tosielämän ongelmia. Vaikka näin ei aina ole, tekniikka ratkaisee ongelman, jota ei ole mahdollista ratkaista muuten.
  2. Käyttäjäkeskeinen suunnittelu: XR-kokemusten tulisi lähteä käyttäjiltä ja suunnitella huolellisesti heidän kanssaan.
  3. Pyritään mielekkäisiin kokemuksiin. Merkitykselliset kokemukset houkuttelevat käyttäjää joka johtaa selkeään yhteissuunniteltuun tulokseen.
  4. Varmista, että yhdistät monialaisia tiimejä ja taitoja. Monialaiset tiimit ja taidot johtavat kokonaisvaltaiseen käyttäjäkeskeiseen kokemukseen. Tämä on ydinvahvuutemme FrostBitillä, jossa työskentelemme niin insinöörien, koulutusasiantuntijoiden, viestijöiden, av-ammattilaisten, suunnittelijoiden ja taiteilijoiden kanssa.
6. Vierailijat kokeilemassa VR-headsettiä FrostBit laboratorion tiloissa

Me FrostBit ohjelmistolaboratoriossa (Lapin ammattikorkeakoulussa) pyrimme tekemään teknisistä ratkaisuista yhteisöille saatavia. Siksi järjestämme Rovaniemen ja Lapin alueen opettajien, koulutusasiantuntijoiden, päätöksentekijöiden ja yritysten kanssa infotilaisuuksia siitä, miten mukaansatempaavaa teknologiaa voidaan käyttää pandemian aikana. Haluamme antaa tukemme pandemian aiheuttamien esteiden voittamiseksi ja uskomme, että mukaansatempaava teknologia on tehokas apuväline. Jos olet kiinnostunut virtuaaliteknologiasta ja haluaisit oppia siitä lisää tai työskennellä kanssamme, lähetä meille viesti etukäteen saadaksesi henkilökohtaisen kokouksen ja esittelyn. Lapin ammattikorkeakoulun ja Lapin yliopiston opettajat voivat piipahtaa labran tiloissa milloin vain – tervetuloa tutustumaan!

Referenssit

Hakkennes, Sh., Craft, L., Jones, M. (2020). Hype Cycle for Digital Care Delivery Including Telemedicine and Virtual Care. Retrieved on November 15 from: https://www.gartner.com/en/documents/3988593/hype-cycle-for-digital-care-delivery-including-telemedic

Muller Queiroz, Anna Carolina & Nascimento, Alexandre & Tori, Romero & da Silva Leme, Maria. (2018). Using HMD-Based Immersive Virtual Environments in Primary/K-12 Education. 10.1007/978-3-319-93596-6_11

Pottle J. 2019. Virtual reality and the transformation of medical education. Retrieved on November 12 from https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6798020/

Kirjoittanut Erson Halili

18.11.2020

JAA MEDIASSA

Digitaalisia kaksosia pelimoottoreilla

Digitaalinen kaksonen (Digital Twin) on virtuaalinen malli tuotteesta, prosessista tai palvelusta. Sen avulla voidaan visualisoida kohteen toimintaa ja siihen liittyvää informaatiota. Lapin ammattikorkeakoulun ja Lapin koulutuskeskus REDUn yhdessä toteuttamalla ja Lapin liiton rahoittamalla Digitaalisilla kaksosilla vipuvoimaa uusiutuvalle energialle (DUKE) -hankkeen ensimmäinen pilottikohde on valmistumassa. Pilottikohde on REDUn opetuslämpölaitos Jänkätiellä Rovaniemellä. Opetuslämpölaitoksen digitaalinen kaksonen toteutetaan Unity 3D pelimoottorilla.

Pelimoottori on tehokas

Pelimoottoreiden vahvuus on tehokas ja nopea visuaalisen ympäristön toteuttaminen. Erityisen hyvin ne soveltuvat 3D mallintamiseen. Digitaalinen kaksonen sisältää visuaalisen mallin lisäksi toiminnallisuuksia, joita myös reaalimaailman vastineesta löytyy. Suoraviivaisimmat mallinnettavat toiminnallisuudet ovat esimerkiksi mallinnettavan järjestelmän mekaanisiin ominaisuuksiin liittyviä yksityiskohtia. Lämpölaitoksen visuaalisessa mallissa mekaanisia mallinnettavia kohteita on esimerkiksi rakennusten ovien, tarkastusluukkujen, manuaalisesti säädettävien venttiilien kahvojen ja sähkökytkimien mallintaminen. Ovien ja tarkastusluukkujen mallintamiseen liittyy visuaalinen efekti, jonka havainnoija näkee sen jälkeen, kun joku oven aukaisun laukaiseva syötetieto on annettu. Syötetieto voi olla käyttäjän virtuaalinen oven avaamisen toimenpide tai joku käyttäjän suorittama kohdistimen siirtäminen sopivan visuaalisen avainelementin läheisyyteen.

Toiminnallinen malli voidaan toteuttaa pelimoottorilla

Vaihtoehtoja avainelementin tai toimenpiteen toteuttamiseksi on lukuisia erilaisia. Oven takaa avautuu näkymä toiseen tilaan ja tarkastusluukun kautta näkymä esimerkiksi lämmityskattilan sisälle. Lämmityskattila voi olla järjestelmän toimintatilasta riippuen passiivinen tai se tuottaa lämmitystehoa. Lämmityksen ollessa aktiivinen, luukun aukaisemisen jälkeinen visuaalinen efekti voi olla esimerkiksi sisällä näkyvä palamisen reaktio, eli tulenliekit. Todellisessa reaalimaailman tapauksessa tarkastusluukun aukaisemiseen saattaa liittyä myös vaaratilanteesta varoittava hälytys tai muu vastaava prosessiin liittyvä toiminne. Reaalimaailman tilanteessa myös ristikkäisvaikutus esimerkiksi tulipesän paine-erosta huolehtivan imurin toimintahäiriöön voi tuottaa savuntuprahtamisen tarkastusluukusta ulos.

Digitaalisen mallin toiminnallisten skenaarioiden yhdistelmänä syntyy prosessin kuvaus, joka joudutaan pelimoottoreiden tapauksessa mallintamaan ja ohjelmoimaan sillä tarkkuudella ja siinä laajuudessa kuin malli edellyttää. Visuaalisen efektin lisäksi riittävä realistisuus voi edellyttää myös todellisuutta vastaavan äänimaailman luomista. Oven aukaisemiseen liittyvä ääni itsessään ja toisesta tilasta kantautuva äänimaailma parantaa mallin immersiota eli käyttäjän tuntemaa läsnäolon tai realistisuuden tunnetta. Immersion käsite tulee peliteollisuudesta ja etenkin virtuaalitodellisuuden kokemisesta.

Toiminnallisen mallin tuottaminen vaatii prosessin mallintamista

Toiminnallisen mallin tuottaminen monimutkaisesta prosessista vaatii prosessien mallintamisen perusteiden ymmärtämistä. Järjestelmät, joissa yhdistyy mekaanisia, termodynaamisia, hydraulisia ja esimerkiksi sähköisiä osajärjestelmiä on tyypillisesti mallinnettu kuvaamalla osajärjestelmät erikseen tai prosessin mallinnukseen soveltuvilla työkaluilla, kuten Matlab Simulink, Labview tai Ptolemy II. Näissä simulointiohjelmissa on mahdollista toteuttaa prosessien vaatima aikamalli. 

Prosessin toiminnallinen malli kuvaa prosessin etenemistä reaaliajassa

Aikamallissa prosessin aika etenee reaaliaikaisesti tai jopa todellista tapahtumisnopeutta nopeammin. Osaprosessit tapahtuvat järjestyksessä ja todellisen prosessin tapahtumaketjua jäljitellen siten, että riippuvuussuhteet eli kausaalisuus on realistinen. Tällöin esimerkiksi lämmityskattilaan tuleva polttoaine palaa ja palamisen seurauksena lämpöenergiaa siirtyy järjestelmässä kiertävään nesteeseen. Kaukolämpölaitoksessa kiertävä neste on vesi ja esimerkiksi maalämpöpumpuissa vesi-etanoli-seos. Aikamallin ja prosessin etenemisen mallintaminen voidaan yksinkertaisimmillaan toteuttaa siten, että ajatellaan järjestelmälle jokin stabiili toimintapiste, jossa kaikki järjestelmän mallinnettavat toiminnalliset elementit ovat asettuneet vakaaseen tilaan.

Esimerkiksi lämpölaitoksen mallinnuksessa stabiilitila on sellainen, jossa kiertävän nesteen lämpötila, piirissä kiertävän veden tilavuusvirta ja paine-erot putkistoissa ja kattilajärjestelmissä ovat vakaassa tilassa. Lämpölaitoksen mallissa on kaksi erillistä vedenkiertopiiriä, joita yhdistää lämmönsiirrin. Lämmönsiirtimen kautta primääri eli kattilapiirissä lämmitetyn veden lämpöenergia siirtyy sekundääripiiriin eli kaukolämpöverkkoon.

Prosessin eteneminen ajassa kannattaa tehdä yksinkertaisesti

Esimerkkilämpölaitoksen toiminnallisuus mallinnettiin siten, että simuloinnin käynnistyessä kaikki muuttujat, siis lämpötilat, paine-erot ja virtaamat ovat alkuarvoltaan nollia. Stabiilin toimintatilan laskenta alkaa primääri- eli kattilapiirin pumpusta ja ensimmäiseksi lasketaan pumpulle asetetun tehon perusteella paine-ero jonka kyseinen teho tuottaa. Paine-eron laskeminen aloitetaan lukuarvosta nolla ja pienin askelin lasketaan piirin kaikkien elementtien paine-erot ja joka kierroksella nostetaan painetta tilaan, jossa paine-ero pumpussa ja pumpun asetettu teho vastaavat teoreettisesti laskettuna toisiaan. Pumpun tuottama painetieto siirretään joka kierroksella seuraavalle primääripiirin elementille joka on putki. Yksinkertaisimmassa mallissa putket siirtävät paine-eron suoraan eteenpäin seuraavalle mallille sellaisenaan, joten putkissa ei tapahdu painehäviöitä. Painehäviö voidaan putkille toki asettaa parametriksi, mutta kaikkein yksinkertaisimmassa mallissa se ei ole tarpeen.

Ensiksi selvitetään prosessin staattinen tila

Laskenta etenee elementti kerrallaan ja paine-ero siirtyy jokaisen piirielementin kohdalla eteenpäin. Elementit muodostavat järjestelmän, jossa kiertosuunnassa katsoen niillä on sisäänmenotietona paine-ero ja lähtötietona paine-ero elementin jälkeen. Jos elementti on venttiili, tarkistetaan syötetietona oleva venttiilin asennon lukuarvo ja sen perusteella lasketaan venttiilin tuottama paineenmuutos ja se siirtyy seuraavalle elementille syötetiedoksi. Kun koko piiri on elementti kerrallaan laskennallisesti kierretty, siirtyy laskenta toiseen vaiheeseen, jossa elementti kerrallaan lasketaan paine-eron perusteella piirissä kulkevan veden virtaama ja lämpötilahäviöt, jos ne on kyseiselle piirielementille määritelty. Piirissä kiertävän nesteen lämpötila määräytyy lämmityskattilan tehotiedon ja virtaavan veden tilavuusvirran perusteella. Vastaavalla tavalla lasketaan toisiopiirin elementtien paine-erot, virtaamat ja lämpötilat. Toisiopiirissä laskenta aloitetaan vastaavalla tavalla kuin ensiöpiirissä paine-eron tuottavan pumpun kohdalta. Toisio- eli kaukolämpöpiirissä lämmityskattilaa ei ole mutta sitä vastaa lämmönvaihtimen lähtöliityntä joka tuottaa ensiöpiirin tehon verran lämmitystehoa toisiopiiriin.

Staattinen malli on riittävä joihinkin yksinkertaisimpiin mallinnuksiin. Realistisempi malli sisältää myös järjestelmän dynaamisten ominaisuuksien mallintamisen. Dynaamisia ominaisuuksia ovat ne muutosilmiöt joita järjestelmässä esiintyy. Tällaisia dynaamisia ominaisuuksia on esimerkiksi kattilatehon nostamiset ja laskemiset sekä toisio- eli kaukolämpöpiirissä tapahtuvat virtausmuutokset. Dynaamisien ominaisuuksien mallintaminen johtaa järjestelmää kuvaavien differentiaaliyhtälöiden ratkaisemiseen. Yksinkertaisin differentiaaliyhtälömalli on niin sanottu ensimmäisen kertaluvun differentiaaliyhtälö, jonka matemaattinen ratkaisu on eksponentiaalisesti laskeva tai nouseva kuvaaja. Esimerkiksi kattilapiirin tehonnostoa voidaan mallintaa ensimmäisen kertaluvun differentiaaliyhtälöllä, jos tehonnoston seurauksena kiertävän veden lämpötila nousee johonkin uuteen lämpötila-arvoon ilman, että lämpötila käyttäytyy epästabiilisti. Esimerkiksi lämpötilan värähtely on esimerkki epästabiiliudesta. Ensimmäisen kertaluvun differentiaaliyhtälö on usein riittävä malli järjestelmän dynaamisille ominaisuuksille.

Muutosilmiöitä eli dynaamisia ominaisuuksia mallinnetaan differentiaaliyhtälöillä

Yksinkertaisen dynaamisen mallin toiminnallisuus voidaan selvittää esimerkiksi määrittämällä askelvastekokeella aika, jonka kuluessa lämpötilan nousu tapahtuu eli lämpötilan nousunopeuden aikavakio.  Aikavakion, tehon nostoa vastaavan lämpötilan nousun ja järjestelmässä esiintyvän viiveen eli niin sanotun kuolleen ajan määrittämisellä voidaan toteuttaa useimpiin käytännön tapauksiin riittävä dynaaminen malli. Esimerkkilämpölaitoksen dynaamiset ominaisuudet mallinnettiin suorittamalla lämpölaitoksen testiajoja 25.5. – 27.5.2020. Testiajoissa suoritettiin mm. askelmaisia kattilapiirin tehonnostoja ja kaukolämpöpiirin virtauksen muutoksia. Muutosten aikana mitattiin ensiö- eli kattilapiirin ja toisio- eli kaukolämpöpiirin lämpötilojen ja virtaamien, sekä paine-erojen muutoksia. Testimittausten perusteella määritettiin lämpökeskuksen dynaamisia ominaisuuksia regressioanalyysin menetelmiä käyttäen. Testiajojen ja mittausten perusteella lasketut dynaamisien ominaisuuksien mallit siirretään järjestelmän ominaisuuksia kuvaavaan toiminnalliseen malliin ohjelmoimalla ne pelimoottorissa mallin ohjelmakoodiin. Ohjelmointikieli on Unity 3D pelimoottorissa C#.

Visuaalinen ja toiminnallinen malli yhdistyy digitaaliseksi kaksoseksi

Lopullisessa digitaalisessa kaksosessa on yhdistettynä visuaalinen malli ja lämpölaitoksen prosessin toiminnallisuutta kuvaava toiminnallinen malli yhdeksi kokonaisuudeksi. Tavoitteena on tuottaa haluttuja toiminnallisuuksia ominaisuus kerrallaan. Jokainen toiminnallisuuden lisäys kehittää järjestelmää käyttökelpoisempaan ja reaalimaailmaa paremmin vastaavaan suuntaan. Digitaalinen kaksonen voi kehittyneemmässä muodossaan olla fyysisen vastineensa kanssa reaaliaikaisessa tiedonsiirrossa siten, että digitaalisen kaksosen kautta tehdyillä käyttötoimenpiteillä voidaan jopa ohjata reaalimaailman vastinettaan tai vaihtoehtoisesti reaalimaailman lämpölaitoksen toiminnallinen muutos näkyy digitaalisen kaksosen virtuaalimaailmassa realistisesti. Vaikkapa siten, että savun tuprahdus reaalimaailmassa kuuluu ja näkyy myös virtuaalimaailmassa. Savun tuoksu virtuaalimallissa on vielä toistaiseksi fiktiivinen ominaisuus, mutta tulevaisuudessa ehkä sekin voidaan toteuttaa.

Hankkeen virallinen nimi: Digitaalisilla Kaksosilla Vipuvoimaa Uusiutuvalle Energialle
Hankkeen aikataulu: 01/01/2020 – 31/12/2022
Kokonaisbudjetti: 761 732 €
Rahoituslähteet: EAKR 2014-2020
Hankkeen yhteyshenkilö: Tauno Tepsa (+358 40 821 6865)

16.10.2020

JAA MEDIASSA

Tauno Tepsa, Lehtori

Taunon työ jakautuu puoleksi opettamiseen ja puoleksi projektipäällikkönä toimimiseen. Hän toimii DUKE-hankkeessa projektipäällikkönä. Taunon spesiaali-aloja ovat sähköala, sulautettu ohjelmisto, automaatio ja IoT.

DI, MSc(Eng.)

Mikä on kestävää kehitystä ja mitä ohjelmistokehitys voi siihen tuoda?

FrostBit ei ole ohjelmistolaboratoriona perinteinen softan kehitykseen keskittyvä yksikkö, vaikka labralla onkin web- ja mobiilitiimi XR-pelitiimin lisäksi. Nämä tiimit tukevat toisiaan suurimmassa osassa projekteja tavalla tai toisella. Laboratoriota voisi kutsua monet alat yhdistäväksi toimintaympäristöksi.

Monet terveys-, kaivos- tai metsäalan hankkeet antavat näyttöä labran monialaisesta toiminnasta. Tällä hetkellä on käynnissä myös monta eri koulutusalaa yhdistävää Kohti kestäviä hankintoja -hanke, jossa FrostBit on osallisena. Hankkeessa etsitään käytännön työkalun toteutuksen kautta ratkaisuja Lapin maakunnan tasolla kuntien hiilijalanjäljen minimoimiseen siten, että uudet toimintatavat ovat myös aluetaloudellisesti kannattavia. Jotta tämä on mahdollista, tarvitaan uudenlaista ajattelua ja hankintapolitiikkaa kuntien päättäjien ja yrittäjien keskuuteen.

Iin kunnan esimerkki kestävistä vähähiilisistä hankinnoista on herättänyt ulkomaista mediaa kiinnostusta BBC:tä myöten. Kunnassa on satsattu maalämpöön, aurinkosähköön ja tuulivoimaan. Koko kunnan toimintatapoihin on puututtu alakoululaisista lähtien. Koululaiset voivat kulutus säästöillä kerätä rahaa yhteisesti päätettävään hankintaan. Tällaista uutta ajattelutapaa täytyy siis iskostaa muihinkin kuntiin, päättäjiin ja kansalaisiin. Usein kuitenkin näin isojen hankintojen mittava hintalappu tuntuu olevan vaikeasti katettava kuluerä kunnalle. Tässä kohtaa pitää ajatellakin takaisin maksuaikaa, jolla uudet työpaikat, verotulot ja tuotannosta tuleva katetuotto muuntavat isot menot tuloiksi. Lisäksi kestävä yhteiskunta on nykyaikana monen ihmisen mielessä ja tällaiset kunnat näyttäytyvät imagoltaan edelläkävijöinä.

Kuntapäättäjien hankintalista ei ole pieni ja siinä pitää huomioida monia seikkoja: valintoja tehdään muun muassa energiantuotannon, lämmitysratkaisuiden, keskuskeittiöiden ja elintarvikealan toiminnan, kestävän rakentamisen sekä logististen ratkaisuiden suhteen, jotka ovat hiilipäästöiltään isoimmat hankintamenolajit kunnissa. Monet hankkeet Lapissa ja koko Suomessa tähtäävät parantamaan jotakin osa-aluetta näistä ja eri yhteistyötahoja on tarpeineen ja tuloksineen paljon. Siitä päästäänkin siihen, että miten nämä kaikki osa-alueet ja hankkeiden tulokset voivat olla päättäjien käytössä heidän suomiessaan kunnan kehitystä kohti tavoitteita, joita myös säätelevät EU:n tavoitteet?

Kohti kestäviä hankintoja -hankkeen tarkoitus on tehdä työkalu, jossa hankintojen vaikutukset voidaan demonstroida skaalautuvasti pien yrittäjistä maakuntapäättäjiin. Jotta työkalu toimisi on sen suunnitteluun panostettu huomattavia työmääriä ja kiinnitetty kansainvälisestikin tunnustettuja matemaatikoita. Työkalussa huomioitavia asioita on niin paljon, että tausta-aineistojen haalimisen lisäksi yhteistyötahoja on hankittu laajalla rintamalla mm. energiapuolelta, rakentamisesta, kuljetusten optimoimisesta ja lähiruokaan keskittyvistä hankkeista. Toimiakseen työkalu tarvitsee myös paljon käyttäjiä, joita korona-aikaan on ainakin yrittäjien näkökulmasta hivenen vaikea lähestyä. Siksi viestintään panostetaan vahvasti ja hankkeesta tiedotusta tehdään monen eri kanavan kautta. Itse työkalun toteutus vaatii siis teknologiaosaamisen lisäksi asiantuntijuutta mm. niin talous-, agrologi- ja energiapuolelta, ja hankkeen onnistunut lopputulos tarjoaa työkalun jota voidaan lähteä viemään muualle Suomeen ja kansainväliselle tasolle, minne Lapin AMK on vahvasti lisäämässä hankekantaa ja yhteistyötahoja. Lapin ammattikorkeakoulun ja Lapin liiton tavoitteet arktisen alueen kehityksestä ja vihreistä ratkaisuista ovat ajavana voimana hankkeen taustalla ja Kemijärven kunnan vahva halu nostaa Itä-Lappia ja koko maakunnan profiilia paremmaksi.

Hankkeen nettisivuilta löytyy hankkeesta tarkempaa tietoa ja tapahtuma osiosta tulevia tapahtumia sekä hankkeen webinaari, joka avaa asiaa laajemmin.

14.09.2020

JAA MEDIASSA

Mika Uitto, Projektipäällikkö

Mika työskentelee Lapin AMK:lla projektipäällikkönä ja johtaa parhaillaan EU Green Dealiin liittyvää Kohti kestävää tarjouskilpailua -hanketta. Hän suunnittelee monialaisia kansainvälisiä ja kansallisia projekteja mm. terveydenhuollossa, metsätaloudessa, avaruussäässä, kulttuuriperinnössä, ympäristöasioissa ja teollisuudessa. Mikan työssä kulkee mukana myös XR-sisällön kehitys, pelillistäminen ja erilainen ohjelmistokehitys, kuin myös UX-suunnittelu. Mika osallistuu laboratorion markkinointiin, tapahtumasuunnitteluun ja viestintään, jonka tavoitteena on edistää Lapin ammattikorkeakoulun kestävän kehityksen tavoitteita ja toimia.

Insinööri (Ylempi AMK)

Kone- ja syväoppiminen – teknologiatrendi vai tulevaisuuden työkalu?

Jokainen, joka on seurannut ohjelmistotekniikan trendejä viimeisten vuosien aikana, on taatusti törmännyt kone- ja syväoppimisen käsitteisiin eri artikkeleissa ja asiayhteyksissä.  Jopa teknologisten tuotteiden mainostamisessa hyödynnetään kone- ja syväoppimiseen sekä tekoälyyn liittyviä termejä.

Myös FrostBit –laboratorio on perehtynyt kone – ja syväoppimisen saloihin viime aikoina. Erityisesti koneoppimisessa meitä kiinnostaa sen mahdollisuudet eri käyttötapauksissa; mitä kaikkea sillä voidaan saavuttaa uusissa sovelluksissa jotka muutoin ovat joko erittäin vaikeita tai jopa mahdottomia toteuttaa?

Teknologisesta näkökulmasta tänä päivänä lähes kaikki koneoppimiseen liittyvät sovellukset luodaan Python –ohjelmointikielellä. Tämä johtuu siitä, että Pythonille on saatavilla runsaasti erilaisia aputyökaluja ja kirjastoja, jotka on nimenomaan rakennettu koneoppimisen tarpeisiin.

Pähkinänkuoressa koneoppiminen toimii siten, että ohjelmalle syötetään tarkasteltava data, jonka pohjalta tehdään haluttuja päätelmiä. Data jaetaan kahteen osaan: opetusdataan ja testausdataan. Opetusdatan avulla valittu koneoppimisalgoritmi opetetaan ymmärtämään kaikki se, mistä osista valittu data koostuu ja mitkä asiat liittyvät tai korreloivat toisiinsa. Testidatan avulla testataan lopuksi, kuinka hyvin algoritmi kykenee syötetyn datan pohjalta tekemään päätelmiä sovitun virhemarginaalin puitteissa.

Koneoppimista voidaan hyödyntää useissa eri sovelluksissa. Joitain perinteisiä käyttötapauksia:

  • päätöksenteon tukeminen aiempien päätösten pohjalta
  • markkina-arvon päätteleminen historiatietojen perusteella (esim. asuntojen hinnat)
  • luonnollisen kielen prosessointi (esim. roskapostin tunnistaminen)
  • monimutkaisten korrelaatioiden etsiminen tietoaineistosta (esim. millainen on tyypillinen verkkokaupan asiakas tietyn mainoskampanjan aikana)
  • suositusjärjestelmät (esim. verkkokauppojen tuotesuositusominaisuudet)
  • tiedon luokittelu (esim. onko syöpäkasvain hyvä- vai pahalaatuinen historiatiedon pohjalta)
  • jne.

Syväoppiminen on koneoppimisen alakategoria, jonka suurin ero tavanomaiseen koneoppimiseen on siinä, miten se pyrkii ennakoimaan uutta tietoa aiemman tiedon perusteella.  Kun koneoppimisen algoritmit pyrkivät tekemään päätelmänsä yksittäisen operaation pohjalta, syväoppiminen hyödyntää sen sijaan neuroverkkoja päätelmien tekemisessä. Neuroverkot ovat kokoelma tasoja ja yhdyspisteitä, joiden kautta opetettava data käsitellään opetusmallia varten. Neuroverkkojen avulla syväoppimisen algoritmit rakentavat alkuperäisen datan pohjalta opetusmallin, jonka pohjalta uusia päätelmiä uudesta datasta voidaan tehdä. Koska tiedon oppiminen on jaettu useisiin tasoihin ja yhdyspisteisiin, tuo se tietyn määrän luonnollista kaaosta tai ihmisyyttä datan käsittelyyn.

Tämän vuoksi syväoppimisen prosessi on huomattavasti orgaanisempi tapa ennakoida tietoa kuin perinteiset koneoppimisen menetelmät. Tämä orgaanisuus tarkoittaa samalla myös sitä, että täysin identtisiin lopputuloksiin syväoppimisen menetelmillä ei koskaan päästä, vaikka data ja valittu algoritmi olisi joka kerta täysin sama.

Kone- ja syväoppimisen mahdollisuudet ovat valtavat, mutta kuten usein trendikkäissä teknologioissa, kovin helposti unohdetaan niiden realistiset käyttökohteet. Liian usein tulee vastaan keskusteluja, joissa kone- ja syväoppimista pidetään ylivoimaisena ratkaisuna kaikkiin mahdollisiin haasteisiin, joihin tietotekniikka millään tavalla liittyy. Totuus on kuitenkin lähempänä sitä, että kone- ja syväoppiminen on enemmänkin kehittäjältään paljon vaativa työkalu, jolla voidaan potentiaalisesti saada hyödyllistä tietoa haastaviin ongelmiin. Se, kuinka hyvin kone- ja syväoppimisen algoritmit toimivat käytännössä, riippuu aina kontekstista ja erityisen paljon siitä, kuinka paljon vaivaa ohjelmoijat ja heidän tukenaan toimivat kontekstiasiantuntijat näkevät.

Erityisen suuri merkitys koneoppimisessa on myös opetusdatan laadulla. Jos dataa ei ole tarpeeksi tai se ole tarpeeksi monipuolista ja relevanttia, tulevat sen pohjalta tehdyt päätelmät todennäköisesti olemaan virheellisiä. Kone- ja syväoppiminen vaatii paljon aikaa ja vaivaa, ja monilta osin se muistuttaa tilastomatematiikan lisäksi myös määrällistä tutkimusta. Useat kone- ja syväoppimisen analysointimenetelmät ovat samankaltaisia määrällisen tutkimuksen analyysimenetelmien kanssa. Haaste onkin siinä, että sovelluksen kehittäjä osaa valita oikeaan ongelman oikean menetelmän samalla, kun dataa käsitellään oikealla tavalla.

Koneoppimisessa menee paljon aikaa myös datan tutkimiseen ja päätelmien tekemiseen siitä, mikä tieto on tärkeää ja mikä ei. Kaikki ylimääräinen epäolennainen tieto heikentää koneoppimisen tarkkuutta.  Lisähaasteena koneoppimisessa on myös siihen liittyvä kaikki teoria, jota täytyy hyödyntää koneoppimisen ohjelmoimisessa. Varsinainen ohjelmointi koneoppimistapauksissa ei ole ohjelmistosuunnittelijan näkökulmasta vaikeaa, vaan haaste on siinä, mitä menetelmää pitäisi käyttää ja millä tavalla. Tämän vuoksi koneoppimissovelluksen ohjelmoiminen vaatii tuekseen myös niitä, jotka tuntevat tutkittavan aineiston kontekstin sekä niitä, jotka ovat eri tutkimus- ja analyysimenetelmien asiantuntijoita.

Odotamme innolla, että pääsemme tekemään kaikkea tätä lisää käytännön projekteissa!

—— 14.08.2020 ——

JAA MEDIASSA

Tuomas Valtanen, Projektipäällikkö

Tuomas toimii web/mobiilitiimin vetäjänä, ohjelmistosuunnittelijana ja osa-aikaisena opettajana FrostBitillä Lapin ammattikorkeakoulussa. Hänen tehtäviinsä kuuluvat projektinhallinta, projektisuunnittelu ja ohjelmistosuunnittelu sekä verkko-, mobiili- ja tekoälysovellusten asiantuntemus.

Insinööri, ylempi AMK