News & Medien

Mit einem eigenen Stand war das enefit-Projekt beim Cleantech Innovation Summit 2026 im Cleantech Innovation Park Hallstadt vertreten. Am Rande der Fachvorträge nutzten wir die Gelegenheit, um mit Besucher:innen aus Wirtschaft, Wissenschaft und Politik über die Projektziele ins Gespräch zu kommen.

Das enefit-Projekt präsentierte sich zwei Tage lang mit einem eigenen Stand auf der VDI-Veranstaltung "Wir gestalten Zukunft - Innovation erleben, Technik proaktiv nutzen". Beim Poster Speed Dating wurden außerdem eine Stunde lang im 3 Minuten Takt die Projektziele und der neue Chatbot vorgestellt.

Bei einem Marktplatzstand bei der Landeskonferenz der Wirtschaftsjunioren präsentierten zwei Mitarbeitende das enefit Projekt.

Das enefit-Projekt präsentierte sich mit einem eigenen Marktplatz-Stand auf einer IHK-Veranstaltung, stellte dort seine Ziele vor und suchte aktiv nach neuen Kooperationspartnern.

Beim Energieforum der Main-Post trafen sich Expert:innen aus Wirtschaft und Forschung, um über neuartige Energielösungen für KMUs zu informieren.

Die Technische Hochschule Würzburg-Schweinfurt (THWS) hat in der StudyFab Schweinfurt einen Auftaktworkshop zum Forschungsprojekt „enefit“ veranstaltet. 20 Teilnehmende aus über zehn regionalen Unternehmen tauschten sich dabei zu aktuellen Themen aus. Ziel des Projekts ist es, KMU und das produzierende Gewerbe bei Energieeffizienz und Dekarbonisierung zu unterstützen.

RAG-lab ist die neue Erweiterung des THWS vLabs. Wir folgen damit den rasanten Entwicklungen im Bereich der Anwendung von LLM.

Das erste Promotionsretreat des Promotionszentrums NISys fand an der THWS statt. Im NISys, einer Kooperation von drei Hochschulen, arbeiten aktuell 45 Promovierende an ihren Projekten. Mitarbeiter des Projekts stellten hier auch ihre Promotionsthemen vor.

Zwei Mitarbeitende des enefit-Projekts haben ihre Forschungsergebnisse auf der 11. International Conference on Mechatronics and Robotics Engineering (ICMRE) präsentiert. Thema des Konferenzbeitrags ist die Vorhersage des Energieverbrauchs von NC-Code mittels Machine Learning Verfahren.