‘Het besparingspotentieel van een Energie Management Systeem (EMS)’
Student: Walter D’Amico – AP Hogeschool Antwerpen
Stageplaats: VEKA – Vlaams Energie- en Klimaatagentschap
Opleiding: Professionele bachelor Energiemanagement (2024-2025)
In een energiemarkt gekenmerkt door prijsschommelingen, capaciteitsheffingen en digitalisering, worden huishoudens en KMO’s uitgedaagd om hun verbruik slimmer te beheren. Energie Management Systemen (EMS’en) vormen hierbij een sleuteltechnologie: ze sturen het verbruik automatisch op basis van realtime prijs- en netdata. Toch blijft de rendabiliteit ervan voor veel gebruikers onduidelijk. Deze bachelorproef brengt daar verandering in.
Ik ontwikkelde een interactieve rekenmodule die op basis van gebruikersinput – zoals woningtype, toestellen, gedrag en contractvorm – de Total Cost of Ownership (TCO) en de Terugverdientijd (TVT) van een EMS berekent. Via Google Sheets en Apps Script wordt automatisch een gepersonaliseerd rapport gegenereerd, inclusief scenariovergelijking, besparingsgrafieken en benchmarkanalyse.
De tool werd ontworpen met reproduceerbare logica, gevoeligheids- en correctiefactoren, en werd getest op meer dan 550 realistische scenario’s. De resultaten tonen dat voor gebruikers met meerdere regelbare toestellen en een dynamisch of een contract bij een Flexibility Service Provider of aggregator, de jaarlijkse besparing kan oplopen tot honderden euro’s, met een gemiddelde terugverdientijd van net boven de 5 jaar. Daartegenover staan profielen waar de investering minder loont – wat de nood aan maatwerk aantoont.
Het project is technisch en beleidsmatig relevant. VEKA gaat deze rekenmodule zeker verder bespreken om te integreren in de website www.maakjemeterslim.be en zal dan worden ingezet in campagnes van VEKA als extra stimulans om potentiële gebruikers te overtuigen. Daarnaast is het inzetbaar als simulatie-instrument bij energieloketten, netbeheerders of leveranciers die contractoptimalisatie en flexibiliteitsdiensten willen ondersteunen. De methodiek is uitbreidbaar naar andere technologieën (zoals warmtepompen of batterijen) en types aansluitingen (zoals AMR).
Deze bachelorproef koppelt praktijkervaring, innovatie en systeeminzicht met een breed maatschappelijk nut. Het biedt gebruikers helderheid, en beleidsmakers een onderbouwde basis om het potentieel van EMS’en gericht te stimuleren in het kader van de energietransitie.

Deze bachelorproef onderzoekt hoe klanten van Ostyn, een producent van houtskeletconstructies voor bijgebouwen, op een eenvoudige manier bewust kunnen kiezen voor duurzame bouwmaterialen op basis van levenscyclusanalyses (LCA’s). Aangezien voor bijgebouwen geen normering bestaat rond milieu-impact, is er behoefte aan een eenvoudige methode die transparantie biedt met betrekking tot de duurzaamheid van materialen. Dit werk richt zich op het onderzoeken van een manier waarop Ostyn klanten kan ondersteunen in hun materiaalkeuzes.

De methodologie omvat een vergelijkende analyse van bestaande tools voor milieu-impactberekening, waaronder de Nederlandse Nationale Milieudatabase (NMD) en de Belgische tool TOTEM (Tool to Optimise the Total Environmental impact of Materials). Hierbij wordt gekeken naar hun toepasbaarheid voor Ostyn’s constructies, met aandacht voor de beschikbaarheid van data en de nauwkeurigheid van de resultaten.

Uit het onderzoek blijkt dat een vergelijking op productniveau binnen een element, zoals gevelbekleding en isolatie, relevanter is dan een analyse op constructieniveau vanwege de standaardisatie van veel onderdelen. Een belangrijke bevinding is dat de beperkte beschikbaarheid van productspecifieke data de betrouwbaarheid van de vergelijkingen beïnvloedt.

De conclusie luidt dat Ostyn met tools als TOTEM de mogelijkheid heeft om klanten te informeren over duurzame opties, mits er geïnvesteerd wordt in betere dataverzameling en heldere communicatie. Verdere ontwikkeling van databases en tools is essentieel om de keuze voor duurzame bouwmaterialen verder te reguleren en normaliseren.

Sinds de opkomst van krachtige AI- en deep learning-modellen is data uitgegroeid tot een essentiële en vaak beperkende factor in het ontwikkelingsproces. Waar eenvoudige modellen vaak kunnen volstaan met beperkte en eenvoudige datasets, vereisen complexere modellen – zoals die voor objectdetectie – steeds grotere en rijkere hoeveelheden gelabelde data. Dit vormt een belangrijk probleem in domeinen zoals sonarbeeldvorming, waar dergelijke datasets niet beschikbaar zijn als kant-en-klare bronnen en handmatige annotatie buitengewoon tijdsintensief en kostbaar is. Dit onderzoek richt zich daarom op de centrale vraag: hoe kunnen semi-supervised en self-supervised leermethoden het labelproces bij objectdetectie in sonardata versnellen, zonder significant verlies aan nauwkeurigheid?

Om deze vraag te beantwoorden is een experimenteel kader opgezet waarin drie benaderingen zijn onderzocht: een volledig supervised baseline gebaseerd op Faster R-CNN, een semi-supervised model met FixMatch, en een self-supervised strategie waarbij een BYOL-model wordt gepretraind en vervolgens gebruikt als backbone binnen een Faster R-CNN-architectuur. De experimenten zijn uitgevoerd op een publieke sonardataset bestaande uit 7600 gelabelde sonarbeelden. Voor de supervised baseline is het model getraind op verschillende hoeveelheden gelabelde data: 1%, 5%, 10%, 50% en 100%. De bijbehorende mAP-scores tonen een sterke daling in nauwkeurigheid naarmate de hoeveelheid gelabelde data afneemt, met resultaten variërend van 0.7717 (100%) tot slechts 0.2799 bij gebruik van 1% van de data.

In het semi-supervised scenario is FixMatch toegepast met 5% en 10% gelabelde data, terwijl de resterende data werd gebruikt als ongelabelde input. Deze aanpak resulteerde in mAP-scores van respectievelijk 0.6649 en 0.6828, wat duidelijk betere prestaties zijn dan het supervised model op dezelfde labelniveaus. Voor het self-supervised model werd BYOL gepretraind op de volledige dataset zonder labels. De representaties die dit opleverde zijn vervolgens geïntegreerd in Faster R-CNN, waarbij opnieuw 5% en 10% van de data gelabeld werd gebruikt voor training. Deze benadering leverde de hoogste nauwkeurigheid binnen de lage-labelscenario's, met mAP-scores van respectievelijk 0.6452 en 0.7230.

De resultaten van dit onderzoek tonen aan dat zowel semi-supervised als self-supervised technieken effectief zijn in het verminderen van de afhankelijkheid van handmatig gelabelde data, terwijl de modelprestaties grotendeels behouden blijven. Met name self-supervised pretraining via BYOL blijkt zeer waardevol in situaties met beperkte gelabelde data. Deze bevindingen bieden praktische aanknopingspunten voor het ontwikkelen van efficiëntere workflows in sonarbeeldanalyse, en zijn relevant voor bredere toepassingen in domeinen waar gelabelde data schaars of moeilijk te verkrijgen is. Hoewel de resultaten veelbelovend zijn, is vervolgonderzoek nodig om de generaliseerbaarheid naar andere types sonardata of real-time toepassingen te evalueren.

Observatievaardigheden zijn van belang voor zorgverleners, zowel voor accurate diagnoses als voor empathische patiëntondersteuning.
De huidige evaluatie van deze vaardigheden in gesimuleerde omgevingen steunt vaak op subjectieve methoden zoals zelfrapportage en directe observatie door docenten.
Hoewel de Tobii eyetracking-brillen in het Zorglab van HOGENT objectieve blikdata leveren,
ontbreekt er tot op heden geschikte software om automatisch te analyseren welke objecten studenten waarnemen en voor hoe lang.
Deze bachelorproef beantwoordt hoe computervisiemodellen geïntegreerd kunnen worden met eyetrackingdata van Tobii Glasses om de observatieprestaties van studenten automatisch te analyseren.
De analyses dienen de feedback door docenten in het Zorglab te versterken.

Deze doelstelling werd uitgewerkt door middel van van een proof-of-concept (PoC) softwareapplicatie.
Dit proces startte met een literatuurstudie naar eyetracking-analyse en relevante computervisiemodellen (o.a. YOLO, SAM, DINOv2).
Vervolgens werd een prototype applicatie ontworpen en geïmplementeerd (Python, FastAPI, HTMX), inclusief een semi-automatische labeling-tool die gebruik maakt van SAM2 voor objectsegmentatie en -tracking.
Om de PoC te valideren, werd een gecontroleerd experiment uitgevoerd in het Zorglab.
Hier genereerden studenten aan de hand van Tobii Pro Glasses 3, eyetrackingopnames tijdens gesimuleerde observatietaken.
Deze opnames, samen met twee specifieke kalibratieopnames, werden gelabeld met de ontwikkelde tool om een grondwaarheidsdataset te creëren.
Een analysepijplijn werd ontworpen en geëvalueerd. In deze analyse werd de trackingfunctionaliteit van FastSAM gecombineerd met blikgestuurde filtering en classificatie van objectsegmenten, middels een getraind YOLOv11-objectdetectiemodel.
De prestaties werden geëvalueerd aan de hand van precisie, recall en F1-score, na optimalisatie via een grid search van hyperparameters.

Uit de resultaten bleek dat de combinatie van FastSAM-tracking met een YOLOv11-objectdetector (getraind op 1000 samples per klasse) de beste prestaties opleverde, met een F1-score van 0.80, een precisie van 0.94 en een recall van 0.70.
De hoge precisie toont aan dat het systeem met grote zekerheid de correcte objecten identificeert, hoewel een significant deel van de fout-positieven in de werkelijkheid correct gedetecteerde objecten bleken te zijn, die niet in de grondwaarheid waren opgenomen.
De lagere recall wijst erop dat niet alle bekeken objecten consistent werden gedetecteerd, voornamelijk door problemen met kleine, transparante objecten en door inconsistenties tussen de FastSAM-segmentaties en de grondwaarheid.
De FastSAM-tracking bleek de meest beperkende factor in de pijplijn.

Deze bachelorproef levert een werkend PoC en een methodologie op die de haalbaarheid van geautomatiseerde analyse van observatievaardigheden aantoont.
Het biedt een objectieve, datagestuurde basis om de feedback aan studenten te verbeteren en de effectiviteit van simulatietraining in de zorg te verhogen.
Op deze manier legt het een fundament voor verder onderzoek naar robuustere analysemethoden.

Deze scriptie onderzoekt hoe gesimuleerde warmtesignaturen van 3D-modellen uit videogames gebruikt kunnen worden om een AI-systeem te bouwen dat militaire tanks op realtime niveau kan herkennen en classificeren op basis van infraroodbeelden.

Door de evolutie van de sport is het jureren van ropeskipping freestyles op hoog niveau moeilijk geworden. Zowel het aantal skills in de routine, alsook de snelheid waarmee ze worden uitgevoerd neemt toe. Dit is vooral te merken in Double Dutch freestyles. Daarom worden deze routines zowel live (creativiteit, variatie, muziekgebruik) als vertraagd (moeilijkheidsgraad) gejureerd.
Ondanks het feit dat freestyles op halve snelheid worden herbekeken en hierdoor jureerfouten worden vermeden, merkt men dat er nog enig verschil zit op scores toegekend door juryleden. Door de toegenomen toegankelijkheid van kunstmatige intelligentie, voornamelijk neurale netwerken, werd de vraag gesteld of een AI juryassistent ontwikkeld kan worden die helpt een betere en objectievere score zou opleveren.
Dit onderzoek verkent de mogelijkheid tot het bouwen van zo een juryassistent, de benodigde technieken en uitdagingen. De huidige vorm van de juryassistent bestaat uit drie hoofdzakelijke delen. Het eerste deel gaat over het lokaliseren van springers in de opnames. Niet alle videos zoomen in op de springer of zijn net eerder statische opname. Dit deel is noodzakelijk om computationele overhead te beperken, daar springers soms minder dan een vijfde van het beeld in beslag nemen.
De tweede groote stap is het splitsen van volledige routines in elke uitgevoerde skill. Dit wordt gedaan aangezien het onbegonnen werk zou zijn op om dit manueel te doen.
Het derde deel omvat het herkennen van de gesprongen skill. Voor Double Dutch Freestyles betekent dit een combinatie van uitvoering door draaiers en springers.
Door louter presentatieskills of moeilijk zichtbare skills te makeren als 'unknown' (e.g. wanneer een draaier tussen de springer en camera staat), wordt er verwacht dat het model aangeeft wanneer het niet zeker is.
Voor het lokaliseren slaagde YOLOv11 er in om een mAP50 te behalen tussen de 93-95\%, waarbij het succesvol publiek filterde van atleten, mits kleine foutjes. Hierdoor het Multiscale Vision Transformer model skills ingezoomde crops gebruiken om acties van elkaar te onderscheiden. Deze konden vervolgens herkend herkend worden hetzelfde MViT model of een doormiddel van een Swin Transformer. Het gemiddelde f1 macro gemiddelde van deze modellen lagen tussen de 49 en de 53 procent, door de lage representatie van minder vaak voorkomende skills. Immers lag de totale accuraatheid hoger, tussen de 89 en de 94 procent.
Dit zorgde ervoor dat juryscores door het model konden toegewezen, deze lagen -28 tot -20 procent onder de score toegekend door juryleden.
Verdere onderzoek is nodig om de accuraatheid van de architectuur te verhogen.

Deze bachelorproef onderzoekt hoe lokaal populierenhout kan worden ingezet als constructiehout in Vlaanderen. Populier is een van de meest voorkomende boomsoorten in het Vlaamse landschap, maar wordt slechts beperkt benut in de bouwsector. De heersende perceptie van lage kwaliteit, gecombineerd met onduidelijke normatieve kaders, belemmert een brede marktintroductie.
De centrale onderzoeksvraag luidt: Hoe kan lokaal populierenhout op een praktische en haalbare manier beschikbaar worden gesteld als constructiehout voor bouwbedrijven in Vlaanderen? Om deze vraag te beantwoorden werd een combinatie van methodes toegepast. Enerzijds werd een literatuurstudie uitgevoerd met focus op bosinventarisgegevens, mechanische eigenschappen en houtstromen. Anderzijds werden kwalitatieve gegevens verzameld via gesprekken, werkbezoeken en sectorale studiedagen, die inzichten boden in marktpercepties en praktische haalbaarheid. Bovendien werd een prototype ontwikkeld: een cross laminated timber (CLT)-paneel uit populier, opgebouwd uit drie kruislings verlijmde lagen en verbonden met Lignoloc®-houten nagels en een tand-en-groefverbinding. Dit prototype illustreert hoe de houtsoort kan worden toegepast in modulaire wandsystemen.
De resultaten tonen dat populierenhout mechanisch vergelijkbaar is met gangbare naaldhoutsoorten zoals vuren en grenen, mits correcte dimensionering en toepassing. Ecologisch scoort populier sterk dankzij de korte rotatieperiode, de hoge CO₂-opslag en de lokale beschikbaarheid. Toch blijven de praktische toepassingen beperkt door normatieve onzekerheden en een negatief imago in de sector.
Dit onderzoek bevestigt dat populier, mits verdere normatieve erkenning en bewustmaking bij bouwactoren, kan uitgroeien tot een waardevolle en duurzame grondstof in circulaire bouwmodellen.
Door de combinatie van lokale beschikbaarheid, korte rotatiecycli en de mogelijkheid tot verwerking in circulaire bouwsystemen draagt populier niet alleen bij aan een versterking van de Vlaamse houtsector, maar ook aan de realisatie van bredere klimaat- en duurzaamheidsdoelstellingen.

Wat als je muziek niet alleen kon horen, maar ook kon proeven? Taste the Music vertaalt liedjes naar volledig nieuwe cocktails met behulp van slimme AI. Tijdens mijn stage in de VS tilde ik dit idee van studentproject naar internationaal platform, met multi-agent AI, stand-alone cocktailrobots en een iOS-app voor thuisgebruik. Het resultaat is een ervaring die persoonlijk, deelbaar én commercieel relevant is voor artiesten en merken. Deze scriptie vertelt hoe technologie, creativiteit en ondernemerschap samenkomen in een innovatie die muziek letterlijk smaak geeft.

Ik onderzocht hoe artificiële intelligentie longontsteking sneller en betrouwbaarder kan opsporen op borstkas-röntgenbeelden, en wat er nodig is om zo een systeem veilig, ethisch en juridisch verantwoord richting een ziekenhuis te ontwikkelen. De vraag kwam vanuit het AZ Sint-Maarten: er is nood aan ondersteuning bij triage van pneumoniedetectie.

Technisch bouwde ik een ResNet152-model en trainde dat op publieke Kaggle-datasets. De reality check volgde met geanonimiseerde pediatrische beelden uit AZ Sint-Maarten: door domain shift miste het eerste model te veel echte longontstekingen . Dat heb ik aangepakt met hertraining op pediatrische data, gericht croppen van het longveld en afstemming van helderheid/contrast. In de tweede evaluatie pikte het model alle echte positieve gevallen op.

Naast de prestaties besteed ik veel aandacht aan ethiek en regelgeving. Alle beelden zijn geanonimiseerd en lokaal verwerkt (GDPR). Met Grad-CAM-heatmaps maak ik beslissingen uitlegbaar. Het systeem ondersteunt artsen zij blijven eindverantwoordelijk. Qua regulering positioneer ik het als potentiële MDR-klasse IIa-software en situeer ik het project rond TRL 3→4: van labprototype naar testen in een relevante klinische omgeving. Ik bouwde ook een lokale Streamlit-interface die beelden uploadt, een voorspelling geeft en de heatmap toont. Conclusie: AI kan echt helpen bij triage en vroege detectie, maar robuuste praktijkinzet vraagt representatieve data, uitlegbaarheid, klinische validatie en moet ethisch verantwoord ontwikkeld worden.

Deze bachelorproef, uitgevoerd bij Cadcamatic, had als doel te onderzoeken hoe een bestaande XZ-CNC-draaibank met aangedreven gereedschap uitgebreid kon worden om complexe bewerkingen uit te voeren op het kopvlak van de as. Eerst werd een grondige voorstudie uitgevoerd naar de bestaande machineconfiguratie en naar de manier waarop de werkstukken vervaardigd konden worden. Vervolgens werd onderzocht welke aanpassingen aan de machine nodig waren. Uit deze analyse bleek dat twee zaken gewijzigd moesten worden: er moest een C-as toegevoegd worden – waarbij de hoofdspil (klauwplaat met werkstuk) als gecontroleerde rotatieas werd ingezet – en er was een besturingssysteem nodig dat interpolatie tussen twee assen ondersteunde.

Omdat het vlak waarin geïnterpoleerd moest worden (het XC-vlak) bestond uit een lineaire en een rotatieas, was een transformatie vereist. Er werd een diepgaande vergelijking gemaakt tussen een Siemens T-CPU en een Sinumerik-NC-besturing, waarbij werd onderzocht hoe deze transformatie gerealiseerd kon worden. Al snel bleek dat de Sinumerik-besturing dit op een eenvoudige manier ondersteunde. Toch werd ook nagegaan of dit met een T-CPU mogelijk was. Op basis van deze studie werd gekozen om verder te werken met de Sinumerik-besturing.

Er werd een testopstelling ontworpen om het concept te evalueren. Het mechanisch ontwerp werd uitgewerkt door een ontwerper van Cadcamatic. Er werd materiaal verzameld, geschikte componenten geselecteerd en de nodige berekeningen uitgevoerd om de correcte werking van de opstelling te controleren. Siemens stelde een Sinumerik One-besturing en een licentie voor de Create My Virtual Machine (CMVM)-software ter beschikking.

Terwijl het mechanisch gedeelte van de testopstelling in productie was, werd een virtuele machine van de bestaande draaibank geconfigureerd. Deze virtuele machine maakte het mogelijk om een deel van de inbedrijfname vooraf uit te voeren en het gedrag van de machine realistisch te simuleren. Nadien werd ook van het prototype van de testopstelling een virtuele versie ontwikkeld. Na de montage van de testopstelling werd het tweede deel van de inbedrijfname uitgevoerd en werden de werkstukken succesvol vervaardigd, zoals verwacht.