Da Nissankonsernet stilte opp i forskningens tjeneste i fjor og lot SINTEF logge data direkte fra fem av deres Nissan Leaf- biler, representerte det en milepæl:
–Vi fikk tilgang til fantastiske data. Vi kom helt inn til “bilens hjerne” og kunne se hvor mye av energiforbruket som gikk til klimaanlegg, framdrift- og hva som ble generert av energi fra bremsene, forteller transportforskerne Astrid Bjørgen Sund og Tomas Levin på SINTEF Teknologi og samfunn.
Smart datafangst
Forskerne kaller det for ‘smart datafangst.’ Å hente ut data fra bilens eksisterende sensorer, er en metodikk som avdelingen jobber med i flere av prosjektene sine.
Motoren er bilens “hjerne” og kan gi forskerne verdifulle data.
Foto: Nissan Leaf
Forskerne utstyrer sjåførene og kjøretøyene som deltar i prosjektene deres, med smarttelefoner eller nettbrett, og får dermed inn nyttige data som kan brukes i forskningsøyemed.
–Moderne kjøretøy er en gullgruve av informasjon om hvordan bilen brukes og om infrastrukturen kjøretøyet benytter. Om bilen kunne ha twitret om alt den vet, kunne vi fått tak i mange spennende problemstillinger, sier Tomas Levin.
–Vi ser på de samme problemstillingene innenfor transport som vi har gjort tidligere, men smart datafangst gir oss helt nye muligheter med eksakte data, forteller Bjørgen Sund. –Vi kan identifisere problemer, få dekket større geografiske områder, og med nok data kan det leveres et bedre underlag når store transportmessige beslutninger skal tas. Ut fra data om energiforbruk kan man for eksempel se hvilke alternative veiutforminger som er smartest eller meste lønnsomt.
Beregner E39
På veien som planlegges fra Trondheim til Kristiansand, vil energiforbruket påvirkes av utformingen. Her kan eksakte tall – og ikke gjennomsnittstall fra Europa, være grunnleggende.
Som et konkret eksempel trekker de fram E39; veien som planlegges fra Trondheim til Kristiansand. Her vil drivstoff og energiforbruk bli sterkt påvirket av hvordan veien utformes med svinger, stigning og fall, bommer og tuneller, og hvordan den legges i naturen.
I slike store prosjekt jobber forskerne vanligvis med gjennomsnittstall fra Europa som legges inn i beregninger. Via smart datafangst basert på sanntidsdata, har de nå mulighet for mer realistiske beregninger.
–Vi tror for eksempel at det er vanskelig å forutsi energiforbruk på kronglete norske veier ut fra europeiske gjennomsnittsmålinger, sier Levin. –For å kunne gjøre beregninger av den nye E39 finner vi derfor fram til veistrekninger som ligner på de nye, og foretar målinger på de eksisterende veiene.
Dokumenterer effekter
Enkelte strekninger på E18 er nemlig bygd slik man planlegger på E39. Også på E6 finnes det veiutforminger som er like. Forskerne deler veinettet inn i små, homogene lenker på rundt 200 meter, og foretar målinger minimum en gang i sekundet.
I fagmiljøene er det diskusjoner om det er trafikkflyt eller høye hastigheter som fører til økt energiforbruk. Bruk av målinger som metode gjør det mulig å dokumentere effekter, framfor bare å stole på antakelser. Dette kan gi beslutningstakerne et mer objektivt grunnlag å fatte beslutninger på.
Utfordring
Per i dag er forskningsinstituttene avhengige av transportselskaper, sjåfører og bilprodusenter som kan gi dem tilgang til data for å kunne utnytte dette maksimalt.
-Vi har ofte drømt om å kunne logge data direkte fra bil, men ingen bilprodusent har tidligere vært villig til å gi ut data. Nissan var den første, og i etterkant har også lastebilprodusenten Volvo bidratt med data, opplyser Astrid Bjørgen Sund.
Hun mener at i prinsippet kan dette gjøres for alle biler i landet. Det ville skape en databank av stor nytte for nasjonen Norge. På litt lengre sikt viluttrekk fra en slik databank gi vesentlig bedre beslutningsgrunnlag for større norske veiprosjekt.
