Om mig

Min karriär befinner sig i skärningspunkten mellan datavetenskap och byggnadsteknik, med fokus på att utveckla sättet vi övervakar och underhåller kritisk infrastruktur. Jag är för närvarande doktorand vid Luleå tekniska universitet (LTU) där jag leder institutionens Digital Bridges‑initiativ. Min forskning kretsar kring Structural Health Monitoring (SHM), och jag specialiserar mig på att skapa en helhetsbild av bärverkens tillstånd genom att kombinera direkta in situ‑mätningar med indirekta metoder såsom “drive‑by monitoring”, UAV‑inspektion och datorseende.

Min resa började tidigt 2024 som forskningsingenjör på LTU, en erfarenhet som gav mig en solid grund inom både oförstörande provning (NDT) och förstörande provning (DT). Därefter har jag arbetat som systemingenjör och dataanalytiker i större projekt som Trough Bridge Project, Kiruna Hospital‑projektet och Haparanda Rail‑projektet. Dessa roller har gett mig praktisk erfarenhet av ett brett spektrum av mätutrustning, däribland fiberoptik, töjningsgivare, FBG‑sensorer, LVDT‑givare och avancerade digitala bildkorrelationssystem (DIC) för att analysera och förutsäga strukturellt beteende. För att säkerställa att min forskning får verklig effekt samarbetar jag nära med industripartners och har presenterat mina resultat vid flera industriforum, bland annat i ett en‑timmes webbseminarium om multiskalig SHM‑princip som utvecklats tillsammans med branschen.

Min akademiska bakgrund i datavetenskap—från Umeå universitet och Technische Universität München—tillsammans med formativa erfarenheter hos innovativa team på Google och BMW, har format mitt forskningssätt. Jag tror att uthållighet och nyfikenhet driver meningsfull utveckling, och jag är dedikerad till att omsätta tvärvetenskaplig forskning i tillförlitliga, praktiska lösningar som skyddar vår byggda miljö.

Forskningsintresse

Vid Luleå tekniska universitet väver jag samman byggnadsteknik, data‑ och klimatvetenskap för att förändra hur vi bedömer hälsan hos åldrande infrastruktur. Jag sammanfogar heterogena, högfrekventa datakällor—allt från inbyggda töjningsgivare och vibrationssensorer till drive‑by‑signaturer, UAV‑fotogrammetri och LiDAR‑punktmoln—i enhetliga, fysikinformerade neurala nätverk som kan upptäcka skador och prognosticera återstående livslängd utan handmärkta data. Genom att explicit modellera temperatur, fukt och fryssmältningscykler visar dessa hybrida modeller hur ett varmare klimat påskyndar nedbrytning och möjliggör mer tillförlitliga livscykelprognoser. Målet är ett beslutsstöd som levererar realtidsinsikter med osäkerhetsuppskattning till fältingenjörer via overlays, automatiska larm och intuitiva instrumentpaneler—och därmed styr underhållsinsatserna dit de gör mest nytta.

Mina Mål

• Förutsäga och bedöma strukturell hälsa i realtid genom att sammanfoga multiskalig, multimodal data och lära direkt från fysikstyrda, osupervised modeller.
• Kvantifiera miljöpåverkan på degradering för att förfina livscykelprognoser i ett accelererande klimat.
• Leverera handlingsbara insikter till infrastrukturägare via högnivå‑dashboards, inspektionsverktyg och automatiska varningar.
• Demonstrera effekt genom långvariga övervakningskampanjer på broar och byggnader, öppna referensdata och fortsatt industrisamverkan (webbinarier, inbjudna föredrag).
  

Projekt

• Klimatbroar - Broars resilient och klimateffekter - Hur påverkar klimatförändringarna nätverket av broar?
• Digitala Broar - Förbättrad broförvaltning genom AI, IoT och principer för cirkulär ekonomi
• Trågbron - Baserat på statistik från Trafikverket så utgör trågbroar av betong cirka 25 % av brobeståndet i Sverige och används huvudsakligen som järnvägsbroar.
• Utveckling av en provlastningsmetod för järnvägsbro - Tunga transporter som överskrider banans tillåtna lastkapacitet planeras år 2024 längs Haparandabanan i norra Sverige.
• Kiruna Sjukhus
• Kiruna Stad - Skador på befintliga byggnader orsakade av gruvdrift