- Enhet:
- SINTEF Ocean AS
- Avdeling:
- Fiskeri og ny biomarin industri
- Kontorsted:
- Ålesund
Stian Skjong mottok sin M.Sc. grad i 2014 og Ph.D. grad i 2017, begge i marin teknologi fra Norges teknisk-naturvitenskapelige universitet (NTNU), og jobber for tiden som seniorforsker i SINTEF Ocean. Hans forskningsinteresser inkluderer modellering, simulering og kontroll av marine systemer, ulineær kontroll, modellbasert kontrolldesign, kosimuleringsstrategier for virtuell prototyping av marine systemer, og operasjoner og utvikling av simuleringsprogramvare.
Utdanning
- M.Sc. grad i 2014 i marin teknikk fra Norges tekniske og naturvitenskaplige universitet (NTNU)
- Ph.D. grad i 2017 i marin teknikk fra Norges tekniske og naturvitenskaplige universitet (NTNU)
Kompetanse og fagområder
- Modellering, simulering og kontroll av marine systemer
- Ulineær kontroll
- Modellbasert kontrol design
- Kosimulering for virtuell prototyping av marine systemer og operasjoner
- Utvikling av simuleringsprogramvare
- Numerisk integrasjon og generell numerikk
Fremhevede publikasjoner
- Virtual Prototyping of Maritime Systems and Operations: Applications of Distributed Co-Simulations
- Lumped, constrained cable modeling with explicit state-space formulation using an elastic version of Baumgarte stabilization
- On the numerical stability in dynamical distributed simulations
- Non-angular MPC-based Thrust Allocation Algorithm for Marine Vessels - A Study of Optimal Thruster Commands
- Modeling of Generic Offshore Vessel in Crane Operations With Focus on Strong Rigid Body Connections
Prosjekter
Øvrige publikasjoner
- Directional wave spectrum estimation with ship motion responses using adversarial networks
- Dynamic modelling of PEM fuel cell system for simulation and sizing of marine power systems
- Bond Graph Approach for Modelling of Proton Exchange Membrane Fuel Cell System
- Does co-simulation have any value?
- A Framework for Condition Monitoring and Risk-Based Decision Support Involving a Vessel State Observer
- An Uncertainty-aware Hybrid Approach for Sea State Estimation Using Ship Motion Responses
- Data-driven sea state estimation for vessels using multi-domain features from motion responses
- A Deep Learning Approach to Detect and Isolate Thruster Failures for Dynamically Positioned Vessels Using Motion Data
- D1.1 - Monitoring system specification
- On-board decision support framework functionality developed in 2020