Alfredo Serafini

Om mig

Min forskning ligger i gränslandet mellan beräkningsbaserad tillämpad fysik och underhållsteknik, med särskilt fokus på fysik-baserad förståelse av felmekanismer (Physics-of-Failure). Arbetet omfattar hybridmodeller enligt ISO 13381‑1:2025, där kunskapsbaserad och fysikbaserad modellering kombineras med tillståndsövervakning för både Trafikverket (Projekt: Optimal rail topography via Artificial Neural Network) och EU:s järnvägssektor (Academics4rail).

Jag är doktorand inom underhållsteknik med inriktning mot järnvägsapplikationer, med fokus på att införa nya algoritmiska paradigmer såsom Physics‑Informed Machine Learning (PIML) och Scientific Machine Learning. Jag arbetar även med att introducera nya sätt att tänka kring underhåll, till exempel Intelligent Maintenance Workflow för järnväg.

Det övergripande målet är att utveckla och demonstrera fysikbaserade modeller, som PIML, som proof‑of‑concept (PoC) på Technology Readiness Level 3 (TRL 3), och därefter ta steget mot in‑situ‑mätningar och praktisk tillämpning (TRL 5–6). Detta sker i samverkan med Trafikverket (TRV) och/eller Academics4rail‑partners för att inspektera, övervaka och tillståndsbedöma järnvägsanläggningar.

Min resa började i Lund (Skåne) inom tung pumpindustri, där jag arbetade som ingenjör (yrkeslegimation) inom kvalitetskontroll och provning. Den erfarenheten väckte ett starkt intresse för att förstå orsakerna bakom felmekanismer i mekaniska pumpar. Dessa utmaningar blev drivkraften till fördjupade studier i materialvetenskap och fysik vid Lunds universitet parallellt med arbete, och senare till att doktorera inom underhållsteknik med fokus på järnväg, Prognostics and Health Management (PHM) och hybridmodellering – fysikbaserade metoder som PIML och PINN i kombination med kunskapsbaserade modeller och AI.

Min bakgrund är inom materialvetenskap och neuromorf nanofotonisk sensorteknik vid Lunds universitet (fysik). Inom Horizon Europe‑projektet Insect-Brain inspired Neuromorphic Nanophotonics arbetade jag med artificiella neuroner baserade på halvledarnanotrådar (masteruppsats) och en nanofotonikartikel om optisk broadcasting av neurala nätverkskopplingar. De huvudsakliga tillämpningarna för neuromorfa sensorer sträcker sig från robotik och händelsetriggade sensorer för tillståndsövervakning av komponenter, till medicinska fotodetektorer för exempelvis canceravbildning. Neuromorfa arkitekturer och algoritmer är särskilt intressanta tack vare deras låga latens i realtidstillämpningar och låga energiförbrukning.

Forskningsmål

• Utveckla och implementera ett autonomt ramverk för anomalidetektering och prediktiv degraderingsanalys av järnvägstillgångar, för att underlätta övergången från reaktivt till proaktivt, exempel preskriptivt = rekommendations och åtgärdsstyrt underhåll.

• Ta fram ett beslutsstödsramverk och tillhörande verktyg som integrerar hybridmodeller (ISO 13381‑1:2025 och deluppgifter inom Academics4rail WP8), till exempel fysik‑informerad maskininlärning (fysikbaserade modeller) eller kunskapsbaserade modeller, tillsammans med metoder för Prognostics and Health Management (PHM), i syfte att optimera underhållsplanering och resursanvändning.

Deluppgifter

• Krav för datagenerering: definiera behov, specifikationer och krav för ett eller flera användningsfall (Use Cases) tillsammans med relevanta järnvägsaktörer, till exempel typ av tillgång, geografisk placering och randvillkor. Nyckeltal (KPI:er) definieras för att mäta effekten av det framtagna systemet inom beslutsstöd för PHM.

• Hybrid prognosmodellering: utveckla hybridmetoder för prediktivt underhåll genom att integrera data‑drivna metoder (maskininlärning) med fysikbaserade modeller.

• On‑site övervakning och inspektion av tillgångar: samla in data från valda användningsfall. Data inhämtas från mätningar av tillståndet hos tillgången och från flera andra datakällor, till exempel feldata, mätdata, driftdata, väderdata och anläggningsregister, samt efterföljande dataanalys och datautvinning.

Forskningsfrågor

RQ1: Kan en halvcylinder‑mot‑plan‑kontaktmodell användas som grund i en wheel–rail‑studie för rotorsaksanalys och fungera som proof‑of‑concept (PoC)?

RQ2: Hur kan ett fysikbaserat simuleringsramverk och Scientific Machine Learning stödja ett kognitivt underhållsflöde och förbättra beslutsstödet för mänskliga operatörer inom järnvägsunderhåll?