EP3948714A1 - Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle - Google Patents

Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle

Info

Publication number
EP3948714A1
EP3948714A1 EP20713585.6A EP20713585A EP3948714A1 EP 3948714 A1 EP3948714 A1 EP 3948714A1 EP 20713585 A EP20713585 A EP 20713585A EP 3948714 A1 EP3948714 A1 EP 3948714A1
Authority
EP
European Patent Office
Prior art keywords
batch
concrete
measure
ann
blockchain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20713585.6A
Other languages
English (en)
French (fr)
Inventor
Helmut BAECHLE
Henning STAVES
Ruediger Baumann
Vanessa BERNARD
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peri SE
Original Assignee
Peri SE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peri SE filed Critical Peri SE
Publication of EP3948714A1 publication Critical patent/EP3948714A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/006—Mixed reality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Definitions

  • the invention relates to the evaluation and further processing of externally supplied batches of concrete on construction sites.
  • the processing of concrete on construction sites can only be planned in advance to a certain extent.
  • a construction site is always lot size 1, i.e. a one-off production.
  • the requirements for the concrete to be used often depend on the conditions of the concrete formwork.
  • the properties of concrete are also not always the same everywhere, even if a previously defined recipe has been followed exactly, since, for example, the physical properties of sand and gravel are different for each natural reservoir from which these natural raw materials were extracted.
  • This object is achieved according to the invention by a method for training an artificial neural network according to the main claim, by a method for predicting and / or classifying the usability of a batch of concrete according to the secondary claim and by a method for tracking the
  • ANN artificial neural network
  • Inputs for an activation of the neuron are offset.
  • Each learning data set includes a set of parameters for a batch of concrete that defines the material Characterized the composition of the batch.
  • the material composition can include, for example, the type and mixing ratio of the constituents of the concrete.
  • the learning data set also includes at least one measure of the mechanical consistency of the batch, such as, for example, the flowability, which can be determined using the standardized spreading test.
  • the learning data record includes at least one value for a quality measure, which characterizes the usability of the batch for at least one purpose on the construction site.
  • This quality measure can, for example, have been determined empirically by a human expert for the respective batch of concrete.
  • the quality measure can be binary (acceptance or rejection for the respective purpose), but it can also
  • a single ANN can in particular simultaneously provide quality measures with regard to several different uses on the construction site, which are summarized in a vector, for example.
  • the time-temperature behavior of the hardening of the concrete batch can be decisive for the quality measure. For example, it may be asked how long the concrete has hardened at a given temperature to such an extent that the concrete can be stripped and the formwork elements can be used for the formwork for the next cycle. For example, recognizing patterns in a large number of states of batches of concrete can be used to improve the quality of the concrete.
  • the set of parameters contained therein and the measure for the mechanical consistency contained therein are now fed to the ANN as inputs for each learning data record in order to enable the ANN to make a prediction and / or
  • This prediction and / or classification for the quality measure is used in the learning data set contained value for the quality measure compared.
  • a cost function is used which depends on a deviation D determined in the comparison.
  • the parameters and / or the learning data sets of the ANN are adapted with the optimization goal of improving the value of the cost function.
  • An adaptation of the learning data sets can include, for example, underweighting learning data sets with errors or uncertainties in the data or discarding them so that they do not falsify the result of the training.
  • the parameters of the ANN develop in the course of such training in such a way that the ANN for the parameters contained in each Lem data set in conjunction with the respective measure for the mechanical consistency of the quality measure contained in the learning data set for the
  • the ANN can generalize the findings contained therein in such a way that it then also provides the quality measure for the usability of the batch of concrete in question for the specific purpose of use for completely unknown combinations of parameters and mechanical consistency Predicts the construction site with sufficient accuracy. It is precisely the ability of ANNs to generalize that is related to the
  • the concrete is made from natural resources that are obtained from local reservoirs of the respective supplier. Will be a similar building with the same
  • the casing is erected at a distant location, it is very likely that the sand and gravel, for example, come from other natural reservoirs and thus have different physical properties than on the first construction site.
  • a similar effect can also occur, for example, if the supplier for the concrete has to be changed during the transition from a first construction site to a second construction site in the vicinity, for example because the previous supplier is currently busy. Different suppliers usually do not share their raw material sources with each other.
  • Composition in midsummer hardly have any effect on the flowability of the concrete, while the same change makes the concrete significantly more viscous in winter.
  • the learning data record also contains
  • BIM Building Information Model
  • the BIM is to be regarded as a “digital twin” of the building to be constructed and can, for example, contain information beyond the geometric structure of the building as to where which concrete quality is to be used.
  • the consistency of the at least one component, as well as the consistency of the batch of concrete as a whole, can be measured, for example, with the spreading test.
  • the information on the extent to which at least one component of the concrete batch is recycled material can be used, for example, in the interests of conserving resources, to determine the proportion of naturally obtained material that can be replaced by recycling material without the quality of the concrete as a whole suffering .
  • the ANN to be trained is designed to additionally predict and / or classify at least one climatic variable of the batch of concrete.
  • the climate variable is a parameter for a climate impact attributable to the batch of concrete.
  • the learning data sets each also include the value of the climate variable for the respective batch of concrete to which they relate.
  • the KNN uses the parameters and the dimensions for the mechanical consistency in the learning
  • Datasets also provide a forecast for the size of the climate. This forecast is compared with the value for the climate variable contained in the respective Lem data set. The cost function used for the training accordingly also depends on the deviation D 'determined in this comparison. In this way, the fully trained ANN is also able to quantify the climate impact of the respective batch of concrete. This makes it possible, for example, to determine the climate impact of the entire building made from many batches of concrete with greater accuracy. State control systems are being discussed or set up in various states and regions, according to which every citizen and every company that causes a climate impact through certain activities owes a tax or levy graded according to this impact and / or nationally or internationally Emissions trading has to buy appropriate pollution rights.
  • the total costs incurred for the construction of a building will in future depend more on the climate impact of the concrete used.
  • a building project may have to be interrupted or not even started due to an excessive climate impact.
  • the climate variable can in particular contain, for example, a measure of the amount of at least one greenhouse gas that is emitted as a result of the production and / or use of the concrete batch and / or is bound in the concrete batch.
  • a particularly suitable greenhouse gas here is CO2, which occurs during the production and processing of cement, for example.
  • the climate variable can also aggregate different types of climate impacts, for example according to a weighting system or a point system.
  • a fully trained ANN is used in the method for predicting and / or classifying the usability of a batch of concrete on a construction site. As explained above, the ANN only needs to be trained once and can then be used in a large number of completely unknown situations. This so-called inference from the trained ANN requires significantly less computing power than the training and can therefore also be performed well by mobile devices available on construction sites, for example.
  • a sentence is used to predict and / or classify usability
  • Parameters that characterize the material composition of the batch are determined. Furthermore, at least one measure for the mechanical consistency of the batch is determined. The determination can take place on the basis of a manufacturer's information, on the basis of a measurement (for example with the spreading test) or on the basis of any combination of manufacturer information and measurements.
  • the parameters and the measure for the mechanical consistency are fed to a trained ANN as inputs.
  • At least one prediction and / or classification for a quality measure for the usability of the batch for at least one purpose on the construction site is retrieved as an output from the ANN.
  • At least one prediction and / or classification of a climate variable which is a characteristic variable for a climate impact attributable to the batch of concrete, can also be retrieved as an output from the trained ANN.
  • This climate variable can in particular contain, for example, a measure of the amount of at least one greenhouse gas that is emitted as a result of the production and / or use of the concrete batch and / or is bound in the concrete batch.
  • the ANN can also • an identification of the location where at least one raw material used for the batch of concrete was obtained, and / or
  • a further prediction and / or classification for a second use is called up as an output from a trained ANN.
  • a further prediction and / or classification for a second use is called up as an output from a trained ANN.
  • one and the same ANN can provide predictions and / or classifications for several quality measures for different purposes at once, for example combined in a vector.
  • the evaluation of one and the same learning data pool of the ANN can provide one or more predictions for very different purposes.
  • the given formulation does not prove to be suitable for the first purpose, a quick alternative should be provided for use. There is usually not much time available to look for alternatives, since the once mixed concrete has to be constantly moved and begins to harden as soon as the movement stops.
  • the automated search via the ANN ensures in particular that the batch of concrete is put to the highest possible use. This reduces the likelihood that a batch of concrete can no longer be used at all on the construction site and has to be disposed of as waste. If the quality measure predicted for a purpose of use fulfills a predetermined quality criterion, in a further advantageous embodiment means for supplying the batch for this purpose of use can be activated.
  • At least one distribution or conveying device for concrete can be controlled so that the batch is directed to where it is according to the
  • an electronic instruction can also be sent to a human or automatically controlled transport vehicle for concrete to drive to the intended place of use for the batch on the construction site and to pour the batch into a specific room.
  • the quality criterion can additionally depend on the predicted climate variable for the batch of concrete.
  • the climate variable can be weighted as desired in relation to the actual quality measure, depending on the importance of the climate impact in the context of the overall construction project.
  • the climatic impact quantifiable with the climatic variable and the quality of the concrete quantifiable with the quality measure can be coupled with one another in a non-linear manner in relation to the intended use, for example.
  • an increase in the quality of the concrete which increases its quality measure from 80% to 100%, may require the use of energy and materials that catapults the climate impact upwards by a factor of 5.
  • a slim concrete structure that manages with little concrete volume and requires concrete of 100% quality and the highest ecological "footprint" may be penalized by the aforementioned control systems with such a high penalty that a more massive structure with twice the amount of concrete that but only has to be of 80% quality for this, is more economical.
  • the invention also relates to a method for tracking the
  • a blockchain is a distributed data memory in which blocks that each contain user data also contain one or more
  • Blockchains especially in distributed networks such as the Internet, are now usually managed in such a way that several network participants deal with it by solving complex computing tasks
  • Cryptocurrency Ether but is also explicitly designed to store user data of any kind and also to have “smart contracts” run automatically.
  • Characterizing the composition can, for example, disguise the exact material composition when using a public blockchain.
  • a storage "in association with the batch” means that there is a way to call up exactly the information belonging to this batch from the blockchain for a given batch.
  • the information can be stored in the blockchain, for example in combination with an identification feature of the batch.
  • Parameters that characterize the material composition of the batch, or hash values thereof, can, for example, be stored in the blockchain by the manufacturer of the batch, such as a cement plant.
  • a measure for the mechanical consistency of the batch is physically determined, for example with the spreading test, and stored in the blockchain in association with the batch. This can be done, for example, by the recipient of the concrete on the construction site, which is useful insofar as the properties of the concrete may have changed on the way from the cement works to the construction site.
  • a quality measure for the usability of the batch for at least one purpose on the construction site is determined and stored in the blockchain in association with the batch. This can also be done, for example, by the recipient of the concrete on the construction site.
  • Context has the particular advantage that it enables the information from various information sources to be merged and at the same time without Passwords or other centrally managed access data is protected against subsequent manipulation. Protection against manipulation is important, as the data may be needed later for evidence purposes. For example, the stability of buildings made with it could later be questioned on the basis of allegations of poor quality against the manufacturer of the concrete. Likewise, for example, part of the price of the concrete could later be reclaimed from the manufacturer with the argument that poor quality was repeatedly supplied during a certain period of time that could only be used for minor purposes.
  • At least one climate variable which is a parameter for a climate impact attributable to the batch of concrete, is also determined and stored in the blockchain in association with the batch.
  • This climate variable can be determined, for example, with the method described above, but also in any other way. Thanks to the tamper-proof storage in the blockchain, for example, the entire ecological "footprint" of the building can be documented conclusively and permanently.
  • the quality measure is retrieved from a trained ANN as a prediction and / or classification using the method described above, and / or it is at least checked for plausibility with a prediction and / or classification obtained in this way.
  • the storage of a very bad value for the quality measure in the blockchain can be rejected if, under otherwise the same conditions, a very good value for the quality measure would have been expected according to the trained ANN.
  • Valuations in the blockchain with fraudulent intent are at least made more difficult.
  • the fraudulent intent could be, for example, to blackmail the manufacturer of the concrete or to later claim back part of the price paid from him with reference to the allegedly poor quality.
  • the actual purpose for which the batch of concrete is used on the construction site is stored in association with the batch in the blockchain.
  • this information can be used, for example, for a price reduction due to
  • Quality defects be relevant. For example, it can be contractually stipulated that for a nominally higher quality batch that could actually only be used for a significantly less demanding purpose, only the price to be paid for which a batch of this lower quality would normally have been sold.
  • a smart contract operating on the blockchain determines a price for the batch on the basis of the data stored in the blockchain in association with the batch, according to previously defined criteria, and crediting the batch to the supplier.
  • a smart contract is a program that runs synchronously on all participating nodes in the blockchain, ie it executes the same operations.
  • a smart contract can access all data stored in the blockchain, but can also register new information for addition to the blockchain.
  • the smart contract can in particular be managed as an entity that can accept funds in the cryptocurrency on which the blockchain is based and manage it independently.
  • the smart contract can initially request the concrete from the buyer accept the maximum purchase price and later transfer the fixed price to the supplier, while the buyer receives the remaining amount back.
  • the previously defined criteria advantageously depend at least on the quality measure for the usability of the batch for the at least one purpose on the construction site, and / or on the actual purpose for which the batch was used on the construction site.
  • the criteria previously defined as part of the smart contract can also depend on the climate size for the batch.
  • This climate variable can in particular be called up from the blockchain, for example, but can also be obtained from any other source.
  • the levy due for the climate impact can be paid at the moment it is after the
  • the criteria once stored in the smart contract can usually be used in
  • Formwork manufacturer involved. For example, an overall planning of the
  • the construction project must be stored in the blockchain.
  • the construction progress can be electronically recorded with any indicators on the construction site and also stored in the blockchain.
  • the smart contract can then, for example
  • the smart contract can stipulate that the building owner must hand over part of the construction cost or the entire construction cost to the smart contract for fiduciary management at the start of the construction project. This ensures that all actors who provide services in connection with the construction project are remunerated from liquid funds after their respective services have been performed. There is no risk, which is customary in the case of deliveries and services for open account, that the builder in
  • the builder can be certain that payments are only made for deliveries and services that have actually been performed. Although he has to hand over money to the smart contract for fiduciary administration, this is not the same as giving any other player in
  • the fiduciary management of the funds by the smart contract also precludes any person from having direct access to these funds and get a chance to suppress it. Funds that have once been transferred to the smart contract for fiduciary management are only returned under the conditions specified in the smart contract, for example when certain milestones are reached.
  • the smart contract can also contain, for example, dissolving conditions, for example such that the construction project is officially declared to have failed for a certain period of time if there is no construction progress and the builder receives the money deposited in the smart contract after all actors have been remunerated for their services already provided . Delivery notes, for example, can also be stored in the blockchain.
  • the data stored in the blockchain can, for example, be played back to the concrete manufacturer and used there to improve the quality of the concrete. Furthermore, the permanent data storage in the blockchain makes it possible to document compliance with specifications of the concrete used, which is important with regard to stability, even over periods of time in the order of magnitude of the life cycle of buildings. So can
  • the invention also relates to an artificial neural network that has been trained using the training method described above.
  • the invention also relates to a data set of parameters that characterizes an ANN and was obtained with the aforementioned training method.
  • the very computationally intensive training which often requires GPUs with unusually large video memory, can be offered as a service and the data set as
  • the invention also relates to one or more computer programs with machine-readable instructions that, when clicked on one or more
  • Computers, and / or on a blockchain cause the one or more computers and / or the blockchain to execute one or more of the methods described above.
  • a program running on the blockchain can interact with other programs that transfer information to or from the blockchain.
  • the computer program or programs can, for example, on a
  • machine-readable data carrier or a downloadable product that can be acquired and loaded via a network.
  • FIG. 1 exemplary embodiment of the method 100 for training the ANN 1;
  • FIG. 2 exemplary embodiment of the method 200 for prediction and / or
  • Figure 3 embodiment of the method 300 for tracking the
  • FIG. 4 Illustrative example of an application of the method 200 on a construction site.
  • FIG. 1 shows an exemplary flowchart of the method 100 for training the ANN 1.
  • learning data records 3 are provided in order to “feed” the ANN.
  • each learning data record for a specific batch of concrete 2 contains: • a set of parameters 21, which characterizes the material composition of batch 2, such as proportions by weight of components;
  • the usability of the batch for at least one purpose on the construction site has been characterized and established, for example, by a human expert who has received batch 2;
  • the KNN 1 then delivers a prediction and / or classification 23a *, 23b * for the quality measure 23a, 23b.
  • This prediction and / or classification 23a *, 23b * is compared in step 130 with the value for the quality measure 23a, 23b contained in the learning data record. The comparison yields a deviation D.
  • a cost function (“loss function”) 14 which depends on the deviation D, is evaluated.
  • the parameters 12 of the ANN are adapted with the optimization goal of improving the value of the cost function 14.
  • the parameters 12 can be successively adapted with a gradient descent method until the mean value of the cost function 14, which is obtained over all learning data sets 3, falls below a predetermined threshold value.
  • the KNN 1 also delivers a forecast 23c * for the climate variable 23c.
  • this prediction 23c * is compared with the value for climate variable 23c contained in the respective learning data record 3.
  • cost function 14 then additionally depends on one in the
  • Comparison 131 determined deviation D 'from.
  • FIG. 2 shows an exemplary embodiment of the method 200 for predicting and / or classifying the usability of a batch of concrete 2 on a construction site.
  • the method 200 assumes that a fully trained ANN, for example with the method 100 described above, is available.
  • step 210 a set of parameters 21 which characterize the material composition of batch 2 is determined.
  • step 220 at least one measure for the mechanical consistency of the batch 2 is determined, for example with the
  • Raw materials for batch 2 have been obtained, the identification 25 of the manufacturer of batch 2 and a measure 26 for the ambient temperature on the construction site are used.
  • the collected information is fed to the KNN 1 as inputs 11 in step 230.
  • the KNN 1 then outputs a prediction and / or classification 23a *, 23b * for at least one quality measure 23a, 23b, which relates to the usability of batch 2 for at least one purpose on the construction site.
  • a prediction and / or classification 23a *, 23b * is therefore always related to the respective intended use.
  • This prediction and / or classification 23a *, 23b * is retrieved from the KNN 1 in step 240.
  • a first prediction and / or classification 23a * indicates that batch 2 is likely to be unsuitable for a first purpose.
  • a second Prediction and / or classification 23b * can be retrieved based on a
  • Quality measure 23b for the usability for another use For example, a batch 2 that is not suitable for the production of a particularly complicated and at the same time highly stressed structure of the building or part of the building to be erected can possibly be used for concreting a less critical structure.
  • Classification 23c * of a climate variable 23c which is a parameter for a climate impact attributable to batch 2, can be called up as issue 13 of the KNN 1.
  • step 250 means can be activated in order to supply the batch 2 to the purpose for which it is suitable according to the prediction and / or classification 23a *, 23b *.
  • the corresponding quality criterion can also depend on the predicted climate variable 23c * for batch 2. As explained above, for example, a concrete that only fulfills a little more than minimum requirements with regard to classification 23a * instead of the maximum requirements, but has a significantly lower ecological “footprint”, can be optimal.
  • FIG. 3 shows an exemplary flow chart of the method 300 for
  • step 310 Tracking of the use of a batch of concrete 2.
  • the parameters 21, which characterize the material composition of the batch 2 are stored in the blockchain 4 in association with this batch 2.
  • step 320 a measure 22 for the mechanical consistency of the batch 2 is physically determined, for example with the standardized spreading test. The result is stored in blockchain 4 in association with charge 2 in step 330.
  • step 340 a quality measure 23a, 23b for the usability of batch 2 for at least one purpose on the construction site is determined. This quality measure 23a, 23b is stored in step 350 in association with charge 2 in blockchain 4.
  • the quality measure 23a, 23b can be determined according to block 341 with the described method 200 as a prediction and / or classification 23a *, 23b *. According to block 342, the quality measure 23a, 23b can also be checked for plausibility with such a prediction and / or classification 23a *, 23b * in order, for example, to prevent unjustified, far too negative evaluations of batch 2.
  • At least one climate variable 23c which is a parameter for a climate impact attributable to batch 2, can also be determined and stored in blockchain 4 in association with batch 2 according to block 353.
  • step 335 the identification 24 of the location where raw materials were obtained for batch 2 and / or the identification 25 of the manufacturer of batch 2 and / or the measure 26 for the ambient temperature at the time at which the quality measure 23a, 23b for the usability of batch 2 was determined, in the blockchain 4 are stored.
  • step 360 the actual purpose 27, for which the concrete batch 2 is used on the construction site, is stored in the blockchain 4 in association with the batch 2.
  • a smart contract 5 operating on the blockchain 4 determines a price 2a on the basis of all the data 22, 23a, 23b, 24, 25, 26, 27 that were previously stored in association with the charge 2 in the blockchain 4 for batch 2.
  • the criteria 5a applied here are laid down in Smart Contract 5, as it were “soldered in”, and cannot be changed afterwards.
  • the smart contract 5 credits this price 2a to the supplier of the batch 2.
  • FIG. 4 shows an illustrative example of how the use of a batch of concrete 2 on a construction site can be controlled with the method 200.
  • batch 2 has been mixed from the four components sand 6a, gravel 6b, cement 6c and water 6d.
  • the parameters 21 indicate the mixing ratio of these components 6a-6d.
  • the sand 6a and the gravel 6b originate from natural reservoirs at one location 24. Batch 2 was manufactured by a manufacturer 25.
  • a spreading test is now carried out on the construction site in order to determine the measure 22 for the mechanical consistency of batch 2.
  • This measure 22 together with the parameters 21, the identification 24 of the location, the
  • the KNN 1 determines a first prediction and / or classification 23a * for a quality measure 23, which is based on a first
  • Intended use relates here to the concreting of a currently connected part 7a 'of a concrete arch 7a. If the quality of batch 2 is sufficient according to the prediction and / or classification 23a * for this purpose (truth value 1), then batch 2 is used for this. If the quality of batch 2 is not sufficient for this (truth s value 0), a second prediction and / or classification 23b * is called up for a quality measure 23b that relates to a less demanding purpose for batch 2, in this case concreting a construction road 7b. Is batch 2 suitable for this according to the prediction and / or classification 23b *
  • 23c climate variable is a measure of the climate impact of batch 2

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mechanical Engineering (AREA)
  • Structural Engineering (AREA)

Abstract

Verfahren (100) zum Trainieren eines künstlichen neuronalen Netzwerks, KNN (1), welches mindestens ein Gütemaß (23a, 23b) für die Verwendbarkeit einer Charge Beton (2) auf einer Baustelle vorhersagt und/oder klassifiziert. Verfahren (200) zur Vorhersage und/oder Klassifikation der Verwendbarkeit einer Charge Beton (2) auf einer Baustelle mit den Schritten: • es wird ein Satz Kenngrößen (21), der die stoffliche Zusammensetzung der Charge (2) charakterisiert, ermittelt (210); • es wird mindestens ein Maß (22) für die mechanische Konsistenz der Charge (2) ermittelt (220); • die Kenngrößen (21) und das Maß (22) für die mechanische Konsistenz werden einem trainierten KNN (1) als Eingaben (11) zugeführt (230); • mindestens eine Vorhersage und/oder Klassifikation (23a*, 23b*) für ein Gütemaß (23a, 23b) für die Verwendbarkeit der Charge (2) für mindestens einen Verwendungszweck auf der Baustelle wird als Ausgabe (13) von dem KNN (1) abgerufen (240). Verfahren (300) zur Nachverfolgung der Verwendung einer Charge Beton (2) mit einer Blockchain (4) und einem darauf operierenden Smart Contract (5).

Description

Automatische Vorhersage der Verwendbarkeit von Beton für mindestens einen Verwendungszweck auf einer Baustelle
Die Erfindung betrifft die Bewertung und Weiterverarbeitung extern zugelieferter Chargen Beton auf Baustellen.
Bezugnahme auf verwandte Anmeldungen
Die vorliegende Anmeldung beansprucht die Priorität der deutschen
Patentanmeldung Nr. 10 2019 108 779.1, eingereicht am 3. April 2019, die in vollem Umfang durch Bezugnahme in das vorliegende Dokument aufgenommen wird.
Stand der Technik
Die Verarbeitung von Beton auf Baustellen ist nur zu einem gewissen Grade im Voraus planbar. Eine Baustelle ist in gewisser Hinsicht immer Losgröße 1, d.h. eine Einzelanfertigung. So hängen beispielsweise die Anforderungen an den zu verwendenden Beton vielfach von den Gegebenheiten der konkreten Schalung ab. Auch die Eigenschaften von Beton sind selbst dann nicht immer und überall gleich, wenn eine zuvor festgelegte Rezeptur genau befolgt wurde, da beispielsweise die physikalischen Eigenschaften von Sand und Kies für jedes natürliche Reservoir, aus dem diese natürlichen Rohstoffe gewonnen wurden, unterschiedlich sind.
Daher kann es zu Situationen kommen, in denen eine konkret gelieferte Charge Beton nicht für einen konkret auf der Baustelle vorgesehenen Verwendungszweck geeignet ist. Derartige Situationen erfordern schnelle Lösungen dahingehend, wie mit der Charge konkret umzugehen ist, und führen zu Verzögerungen, da an einer Stelle, an der die Verschalung bereits fertig ist, auf brauchbaren Beton gewartet werden muss.
Aufgabe und Lösung
Es ist daher die Aufgabe der Erfindung, die Verwendbarkeit konkreter Chargen Beton besser vorhersagbar zu machen.
Diese Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks gemäß Hauptanspruch, durch ein Verfahren zur Vorhersage und/oder Klassifikation der Verwendbarkeit einer Charge Beton gemäß Nebenanspruch sowie durch ein Verfahren zur Nachverfolgung der
Verwendung einer Charge Beton gemäß weiterem Nebenanspruch. Weitere vorteilhafte Ausgestaltungen ergeben sich aus den darauf rückbezogenen
Unteransprüchen.
Offenbarung der Erfindung
Im Rahmen der Erfindung wurde ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks, KNN, entwickelt. Dieses KNN sagt mindestens ein Gütemaß für die Verwendbarkeit einer Charge Beton auf einer Baustelle vorher, und/oder es klassifiziert dieses Gütemaß. Das Verhalten des KNN ist durch einen Satz Parameter charakterisiert, die beispielsweise die Gewichte beinhalten können, mit denen die einem Neuron, und/oder einer sonstigen Recheneinheit, jeweils zugeführten
Eingaben zu einer Aktivierung des Neurons verrechnet werden.
Bei diesem Verfahren wird eine Menge Lern-Datensätze bereitgestellt. Jeder Lern- Datensatz umfasst für eine Charge Beton einen Satz Kenngrößen, der die stoffliche Zusammensetzung der Charge charakterisiert. Die stoffliche Zusammensetzung kann beispielsweise Art und Mischungsverhältnis der Bestandteile des Betons beinhalten.
Der Lern-Datensatz umfasst weiterhin mindestens ein Maß für die mechanische Konsistenz der Charge, wie beispielsweise für die Fließfähigkeit, die etwa mit dem genormten Ausbreitversuch bestimmbar ist.
Weiterhin umfasst der Lern-Datensatz mindestens einen Wert für ein Gütemaß, welches die Verwendbarkeit der Charge für mindestens einen Verwendungszweck auf der Baustelle charakterisiert. Dieses Gütemaß kann beispielsweise für die jeweilige Charge Beton empirisch von einem menschlichen Experten bestimmt worden sein. Das Gütemaß kann im einfachsten Fall binär sein (Annahme oder Ablehnung für den jeweiligen Verwendungszweck), es kann aber auch
beispielsweise einen skalaren, auf den jeweiligen Verwendungszweck bezogenen Qualitätsindex angeben. Ein einziges KNN kann insbesondere gleichzeitig Gütemaße in Bezug auf mehrere verschiedene Verwendungszwecke auf der Baustelle liefern, die beispielsweise in einem Vektor zusammengefasst sind. Maßgeblich für das Gütemaß kann insbesondere beispielsweise das Zeit-Temperatur- Verhalten der Aushärtung der Charge Beton sein. Es kann beispielsweise danach gefragt sein, nach welcher Zeitdauer der Beton bei einer vorgegebenen Temperatur so weit ausgehärtet ist, dass der Beton ausgeschalt und die Schalungselemente für die Schalung des nächsten Takts verwendet werden können. Das Erkennen von Mustern in einer großen Zahl von Zuständen von Chargen Beton kann beispielsweise genutzt werden, um die Qualität des Betons zu verbessern.
Beim Training werden nun für jeden Lern-Datensatz jeweils der darin enthaltene Satz Kenngrößen und das darin enthaltene Maß für die mechanische Konsistenz dem KNN als Eingaben zugeführt, um vom KNN eine Vorhersage und/oder
Klassifikation für das mindestens eine Gütemaß als Ausgabe zu erhalten. Diese Vorhersage und/oder Klassifikation für das Gütemaß wird dem im Lern-Datensatz enthaltenen Wert für das Gütemaß verglichen. Es wird eine Kostenfunktion angewendet, die von einer in dem Vergleich ermittelten Abweichung D abhängt. Die Parameter, und/oder die Lern-Datensätze, des KNN werden angepasst mit dem Optimierungsziel, den Wert der Kostenfunktion zu verbessern. Eine Anpassung der Lern-Datensätze kann beispielsweise beinhalten, Lern-Datensätze mit Fehlem oder Unsicherheiten in den Daten unterzugewichten oder zu verwerfen, damit diese das Ergebnis des Trainings nicht verfälschen.
Ausgehend von beispielsweise zufälligen Startwerten entwickeln sich im Laufe eines solchen Trainings die Parameter des KNN so, dass das KNN für die in jedem Lem- Datensatz enthaltenen Kenngrößen in Verbindung mit dem jeweiligen Maß für die mechanische Konsistenz das im Lern-Datensatz enthaltene Gütemaß für die
Verwendbarkeit mehr oder weniger gut voraussagt. Das bedeutet, dass die in den Lem-Datensätzen gesammelte Erfahrung bezüglich der Verwendbarkeit
verschiedener Chargen Beton genutzt werden kann, um zutreffende Prognosen für die Verwendbarkeit künftiger Chargen abzugeben. Ist die Menge der Lern- Datensätze hinreichend groß und divers, kann das KNN die hierin enthaltenen Erkenntnisse dahingehend verallgemeinern, dass es anschließend auch für völlig unbekannte Kombinationen aus Kenngrößen und mechanischen Konsistenzen das Gütemaß für die Verwendbarkeit der fraglichen Charge Beton für den konkreten Verwendungszweck auf der Baustelle hinreichend genau vorhersagt. Gerade die Fähigkeit von KNN zur Verallgemeinerung ist im Zusammenhang mit der
Bewertung von Beton wichtig. Wie eingangs erwähnt, wird der Beton aus natürlichen Ressourcen hergestellt, die aus lokalen Reservoirs des jeweiligen Zulieferers gewonnen werden. Wird ein gleichartiges Gebäude mit der gleichen
Verschalung an einem weit entfernten Ort errichtet, ist es sehr wahrscheinlich, dass etwa der Sand und der Kies aus anderen natürlichen Reservoirs stammen und somit andere physikalische Eigenschaften haben als auf der ersten Baustelle. Ein ähnlicher Effekt kann aber auch schon beispielsweise dann eintreten, wenn beim Übergang von einer ersten Baustelle zu einer zweiten Baustelle in der Nähe der Lieferant für den Beton gewechselt werden muss, beispielsweise weil der vorherige Lieferant gerade ausgelastet ist. Verschiedene Lieferanten teilen in der Regel ihre Rohstoffquellen nicht miteinander.
Weiterhin können Unterschiede zwischen verschiedenen Chargen Beton
beispielsweise abhängig von der Temperatur unterschiedlich stark ausgeprägt zu Tage treten. So kann etwa beispielsweise eine Veränderung der stofflichen
Zusammensetzung im Hochsommer kaum einen Effekt auf die Fließ fähigkeit des Betons haben, während die gleiche Veränderung den Beton im Winter deutlich zähflüssiger macht.
Daher enthält in einer weiteren besonders vorteilhaften Ausgestaltung der Lern- Datensatz zusätzlich
• eine Identifikation des Orts, an dem mindestens ein für die Charge Beton verwendeter Rohstoff gewonnen wurde, und/oder
• eine Identifikation des Lieferanten der Charge Beton, und/oder
• ein Maß für die Umgebungstemperatur zum Zeitpunkt der Festlegung des Gütemaßes, und/oder
• eine Information dahingehend, was auf der Baustelle aufgebaut ist, und/oder
• eine Information dahingehend, wohin die Charge Beton geliefert wird,
und/oder
• zumindest auszugsweise Planungsdaten für das zu errichtende Gebäude, und/oder
• zumindest einen Auszug aus einem Building Information Model, BIM, des zu errichtenden Gebäudes, und/oder
• eine Information über Herkunft, Art und/oder Konsistenz mindestens eines Bestandteils der Charge Beton, und/oder • eine Information dahingehend, zu welchem Anteil mindestens ein Bestandteil der Charge Beton natürlich gewonnenes Material ist und zu welchem Anteil dieser Bestandteil Recyclingmaterial ist,
als weitere dem KNN zuzuführende Eingaben.
Das BIM ist als ein„digitaler Zwilling“ des zu errichtenden Gebäudes anzusehen und kann beispielsweise über die geometrische Struktur des Gebäudes hinaus Informationen enthalten, an welcher Stelle welche Betonqualität zu verwenden ist. Die Konsistenz des mindestens einen Bestandteils kann, wie auch die Konsistenz der Charge Beton insgesamt, beispielsweise mit dem Ausbreitversuch gemessen werden. Die Information, inwieweit es sich bei mindestens einem Bestandteil der Charge Beton um Recyclingmaterial handelt, kann beispielsweise genutzt werden, um im Interesse der Ressourcenschonung auszuloten, bis zu welchem Anteil natürlich gewonnenes Material durch Recyclingmaterial ersetzt werden kann, ohne dass die Qualität des Betons insgesamt leidet.
In einer besonders vorteilhaften Ausgestaltung ist das zu trainierende KNN dazu ausgebildet, zusätzlich mindestens eine Klimagröße der Charge Beton vorherzusagen und/oder zu klassifizieren. Die Klimagröße ist eine Kenngröße für eine der Charge Beton zuzuschreibende Klimaauswirkung.
Dementsprechend umfassen zumindest einige der Lern-Datensätze, bevorzugt alle Lem-Datensätze, jeweils auch den Wert der Klimagröße für die jeweilige Charge Beton, auf die sie sich beziehen. Das KNN ermittelt während des Trainings aus den Kenngrößen und den Maßen für die mechanische Konsistenz in den Lem-
Datensätzen zusätzlich eine Vorhersage für die Klimagröße. Diese Vorhersage wird mit dem im jeweiligen Lem-Datensatz enthaltenen Wert für die Klimagröße verglichen. Die für das Training verwendete Kostenfunktion hängt dementsprechend auch von der in diesem Vergleich ermittelten Abweichung D' ab. Das fertig trainierte KNN wird auf diese Weise in die Lage versetzt, auch die Klimaauswirkung der jeweiligen Charge Beton zu quantifizieren. Dies ermöglicht es beispielsweise, die Klimaauswirkung des kompletten, aus vielen Chargen Beton gefertigten Gebäudes mit einer größeren Genauigkeit zu ermitteln. Es sind in verschiedenen Staaten und Regionen staatliche Lenkungssysteme in der Diskussion oder im Aufbau, gemäß denen jeder Bürger und jedes Unternehmen, der oder das durch bestimmte Aktivitäten eine Klimaauswirkung verursacht, eine nach dieser Auswirkung gestaffelte Steuer oder Abgabe schuldet und/oder im nationalen oder internationalen Emissionshandel entsprechende Verschmutzungsrechte kaufen muss. Dementsprechend werden die insgesamt für die Errichtung eines Gebäudes anfallenden Kosten künftig stärker von der Klimaauswirkung des verwendeten Betons abhängen. Bei einer weiteren Verschärfung der Umweltgesetzgebung ist es auch möglich, dass ein Bauvorhaben auf Grund einer zu starken Klimaauswirkung unterbrochen werden muss oder gar nicht erst begonnen werden darf.
Schon heute ist die voraussichtliche Klimaauswirkung ein wichtiger Faktor bei Ausschreibungswettbewerben um die Errichtung von Gebäuden sowie für die Umweltzertifizierung von Gebäuden. Beispielsweise kann eine öffentliche finanzielle Förderung für die Errichtung eines Gebäudes an die Bedingung geknüpft sein, dass das Gebäude die Kriterien für eine Umweltzertifizierung erfüllt. Auch Baugenehmigungen können an derartige Bedingungen geknüpft werden.
Die Klimagröße kann insbesondere beispielsweise ein Maß für die Menge mindestens eines Treibhausgases beinhalten, die infolge der Herstellung und/oder Verwendung der Charge Beton emittiert und/oder in der Charge Beton gebunden wird. Als Treibhausgas kommt hier insbesondere CO2 in Betracht, das etwa bei der Produktion und Verarbeitung von Zement anfällt. Die Klimagröße kann auch verschiedene Arten von Klimaauswirkungen aggregieren, beispielsweise nach einem Wichtungssystem oder Punktsystem. Bei dem Verfahren zur Vorhersage und/oder Klassifikation der Verwendbarkeit einer Charge Beton auf einer Baustelle wird ein fertig trainiertes KNN genutzt. Wie zuvor erläutert, muss das KNN nur einmal trainiert werden und kann anschließend in einer Vielzahl auch gänzlich unbekannter Situationen genutzt werden. Diese sogenannte Inferenz aus dem trainierten KNN erfordert wesentlich weniger Rechenleistung als das Training und ist daher beispielsweise auch gut von auf Baustellen verfügbaren mobilen Geräten zu leisten.
Zur Vorhersage und/oder Klassifikation der Verwendbarkeit wird ein Satz
Kenngrößen, der die stoffliche Zusammensetzung der Charge charakterisiert, ermittelt. Weiterhin wird mindestens ein Maß für die mechanische Konsistenz der Charge ermittelt. Dabei kann das Ermitteln jeweils anhand einer Herstellerangabe, anhand einer Messung (etwa mit dem Ausbreitversuch) oder anhand einer beliebigen Kombination aus Herstellerangaben und Messungen erfolgen.
Die Kenngrößen und das Maß für die mechanische Konsistenz werden einem trainierten KNN als Eingaben zugeführt. Mindestens eine Vorhersage und/oder Klassifikation für ein Gütemaß für die Verwendbarkeit der Charge für mindestens einen Verwendungszweck auf der Baustelle wird als Ausgabe von dem KNN abgerufen.
Analog zum zuvor Beschriebenen kann aus dem trainierten KNN zusätzlich mindestens eine Vorhersage und/oder Klassifikation einer Klimagröße, die eine Kenngröße für eine der Charge Beton zuzuschreibende Klimaauswirkung ist, als Ausgabe abgerufen. Diese Klimagröße kann insbesondere beispielsweise ein Maß für die Menge mindestens eines Treibhausgases beinhalten, die infolge der Herstellung und/oder Verwendung der Charge Beton emittiert und/oder in der Charge Beton gebunden wird. Analog zum zuvor Beschriebenen können dem KNN zusätzlich • eine Identifikation des Orts, an dem mindestens ein für die Charge Beton verwendeter Rohstoff gewonnen wurde, und/oder
• eine Identifikation des Lieferanten der Charge Beton, und/oder
• ein Maß für die Umgebungstemperatur auf der Baustelle
als Eingaben zugeführt werden, um die Einflüsse dieser Einflussgrößen auf die Verwendbarkeit mit berücksichtigen zu können.
In einer weiteren besonders vorteilhaften Ausgestaltung wird in Antwort darauf, dass ein für einen ersten Verwendungszweck vorhergesagtes Gütemaß ein vorgegebenes Gütekriterium nicht erfüllt, eine weitere Vorhersage und/oder Klassifikation für einen zweiten Verwendungszweck als Ausgabe von einem trainierten KNN abgerufen. Wie zuvor erläutert, kann ein und dasselbe KNN Vorhersagen und/oder Klassifikationen für mehrere Gütemaße für verschiedene Verwendungszwecke auf einmal liefern, beispielsweise zusammengefasst in einem Vektor. Mit anderen Worten, die Auswertung ein und desselben Lern-Datenpools des KNN kann eine oder mehrere Vorhersagen für ganz unterschiedliche Verwendungszwecke liefern.
Auf diese Weise kann beispielsweise in der eingangs erwähnten überraschenden Situation, dass eine Charge Beton sich trotz nomineller Einhaltung einer
vorgegebenen Rezeptur nicht als tauglich für den ersten Verwendungszweck erweist, eine schnelle Alternative für die Verwendung bereitgestellt werden. Viel Zeit steht für die Suche nach Alternativen regelmäßig nicht zur Verfügung, da der einmal gemischte Beton ständig bewegt werden muss und mit dem Aushärten beginnt, sobald die Bewegung aufhört. Die automatisierte Suche über das KNN sorgt insbesondere dafür, dass die Charge Beton ihrer höchstwertigen noch möglichen Verwendung zugeführt wird. Dadurch wird die Wahrscheinlichkeit, dass auf der Baustelle eine Charge Beton überhaupt nicht mehr verwendet werden kann und als Abfall entsorgt werden muss, vermindert. Sofern das für einen Verwendungszweck vorhergesagte Gütemaß ein vorgegebenes Gütekriterium erfüllt, können in einer weiteren vorteilhaften Ausgestaltung Mittel zur Zuführung der Charge zu diesem Verwendungszweck angesteuert werden.
Beispielsweise kann mindestens eine Verteil- oder Fördereinrichtung für Beton so angesteuert werden, dass die Charge dorthin geleitet wird, wo sie gemäß dem
Verwendungszweck benötigt wird. Es kann auch beispielsweise eine elektronische Anweisung an ein menschlich oder automatisch gesteuertes Transportfahrzeug für Beton versendet werden, den vorgesehenen Verwendungsort für die Charge auf der Baustelle anzufahren und die Charge in einen bestimmten Raum einzufüllen.
Das Gütekriterium kann in einer weiteren besonders vorteilhaften Ausgestaltung zusätzlich von der vorhergesagten Klimagröße für die Charge Beton abhängen.
Dabei lässt sich die Klimagröße im Verhältnis zu dem eigentlichen Gütemaß beliebig gewichten, je nachdem, welchen Stellenwert die Klimaauswirkung im Rahmen des gesamten Bauvorhabens hat.
Hierbei können die mit der Klimagröße quantifizierbare Klimaauswirkung und die mit dem Gütemaß quantifizierbare Qualität des Betons in Bezug auf die beabsichtigte Verwendung beispielsweise nichtlinear miteinander gekoppelt sein. So kann etwa eine Qualitätssteigerung des Betons, die sein Gütemaß von 80 % auf 100 % steigert, einen Energie- und Materialeinsatz erforderlich machen, der die Klimaauswirkung um den Faktor 5 nach oben katapultiert.
Dies kann sich wiederum schon auf das Planungsstadium des Bauvorhabens auswirken. Eine schlanke Betonkonstruktion, die mit wenig Betonvolumen auskommt und dafür Beton mit der 100-%-Qualität und dem höchsten ökologischen „Fußabdruck“ benötigt, wird durch besagte Lenkungssysteme möglicherweise mit einem so hohen Malus belegt, dass eine massivere Konstruktion mit der doppelten Betonmenge, die dafür aber nur 80-%-Qualität aufweisen muss, wirtschaftlicher ist. Die Erfindung bezieht sich auch auf ein Verfahren zur Nachverfolgung der
Verwendung einer Charge Beton, das eng mit den zuvor beschriebenen Verfahren zusammenhängt. Bei diesem Verfahren werden ein Satz Kenngrößen, der die stoffliche Zusammensetzung der Charge charakterisiert, und/oder ein oder mehrere aus diesen Kenngrößen gebildete Hashwerte, in Assoziation mit der Charge in einer Blockchain hinterlegt.
Eine Blockchain ist in diesem Zusammenhang ein verteilter Datenspeicher, bei dem Blöcke, die jeweils Nutzdaten enthalten, zusätzlich auch einen oder mehrere
Hashwerte vorheriger Blöcke enthalten. Auf diese Weise sind die Blöcke
untereinander so verkettet, dass die Nutzdaten in einem der Blöcke in der Kette nicht unbemerkt verändert werden können, wenn nicht auch alle nachfolgenden Blöcke in der Kette entsprechend angepasst werden. Blockchains werden insbesondere in verteilten Netzen wie dem Internet nun aber meistens so geführt, dass sich mehrere Teilnehmer des Netzes durch das Lösen komplexer Rechenaufgaben darum
„bewerben“ müssen, der Blockchain den nächsten Block anfügen zu können. Somit erfordert das nachträgliche Abändern der Historie einen in aller Regel technisch und finanziell nicht mehr leistbaren Aufwand. Prominente Beispiele für Blockchains sind die Bitcoin-Blockchain, die als das globale„Grundbuch“ für alle weltweit existierenden Bitcoins fungiert, und die Ethereum-Blockchain. Letztere dient nicht nur analog zur Bitcoin-Blockchain als„Grundbuch“ für alle Einheiten der
Kryptowährung Ether, sondern ist explizit auch dafür konzipiert, Nutzdaten beliebiger Art zu speichern sowie auch„Smart Contracts“ automatisch ablaufen zu lassen.
Wichtigste Merkmale gerade öffentlicher Blockchains wie der Bitcoin-Blockchain oder der Ethereum-Blockchain sind also, dass Daten hierin unverlierbar und im Nachhinein unveränderbar abgelegt werden können. Zugleich sind die Daten für jedermann öffentlich verfügbar. Wenn dies nicht gewünscht ist, können auch private Blockchain-Netzwerke genutzt werden, Die Hinterlegung von Hashwerten der Kenngrößen, die die stoffliche
Zusammensetzung charakterisieren, kann beispielsweise bei Nutzung einer öffentlichen Blockchain die genaue stoffliche Zusammensetzung verschleiern.
Eine Speicherung„in Assoziation mit der Charge“ bedeutet, dass es einen Weg gibt, zu einer gegebenen Charge genau die zu dieser Charge gehörigen Informationen aus der Blockchain abzurufen. Zu diesem Zweck kann die Information beispielsweise in Kombination mit einem Identifikationsmerkmal der Charge in der Blockchain hinterlegt werden.
Kenngrößen, die die stoffliche Zusammensetzung der Charge charakterisieren, bzw. Hashwerte hiervon, können beispielsweise durch den Hersteller der Charge, etwa ein Zementwerk, in der Blockchain hinterlegt werden.
Es wird weiterhin ein Maß für die mechanische Konsistenz der Charge physikalisch ermittelt, etwa mit dem Ausbreitversuch, und in Assoziation mit der Charge in der Blockchain hinterlegt. Dies kann beispielsweise durch den Empfänger des Betons auf der Baustelle erfolgen, was insofern sinnvoll ist, als sich die Eigenschaften des Betons auf dem Transportweg vom Zementwerk zur Baustelle noch verändert haben können.
Weiterhin wird ein Gütemaß für die Verwendbarkeit der Charge für mindestens einen Verwendungzweck auf der Baustelle ermittelt und in Assoziation mit der Charge in der Blockchain hinterlegt. Auch dies kann beispielsweise durch den Empfänger des Betons auf der Baustelle erfolgen.
Die Hinterlegung der Informationen in der Blockchain bietet in diesem
Zusammenhang den besonderen Vorteil, dass sie eine Zusammenführung der Informationen aus verschiedenen Informationsquellen ermöglicht und zugleich ohne Passwörter oder andere zentral zu verwaltende Zugangsdaten gegen nachträgliche Manipulation geschützt ist. Der Schutz gegen Manipulation ist wichtig, da die Daten möglicherweise später zu Beweiszwecken benötigt werden. Beispielsweise könnte später auf Grund von Vorwürfen mangelhafter Qualität gegen den Hersteller des Betons die Standsicherheit damit hergestellter Gebäude hinterfragt werden. Ebenso könnte beispielsweise später ein Teil des Preises des Betons vom Hersteller zurückgefordert werden mit dem Argument, dass während eines bestimmten Zeitraums immer wieder schlechte Qualität geliefert wurde, die sich nur für niedere Zwecke verwenden ließ.
In einer besonders vorteilhaften Ausgestaltung wird zusätzlich mindestens eine Klimagröße, die eine Kenngröße für eine der Charge Beton zuzuschreibende Klimaauswirkung ist, ermittelt und in Assoziation mit der Charge in der Blockchain hinterlegt. Diese Klimagröße kann beispielsweise mit dem zuvor beschriebenen Verfahren, aber auch auf beliebige andere Weise ermittelt werden. Durch die manipulationssichere Speicherung in der Blockchain kann beispielsweise der komplette ökologische„Fußabdruck“ des Gebäudes beweiskräftig und dauerhaft dokumentiert werden. In einer besonders vorteilhaften Ausgestaltung wird das Gütemaß mit dem zuvor beschriebenen Verfahren als Vorhersage und/oder Klassifikation aus einem trainierten KNN abgerufen, und/oder es wird mit einer auf diesem Wege erhaltenen Vorhersage und/oder Klassifikation zumindest plausibilisiert. Beispielsweise kann die Hinterlegung eines sehr schlechten Wertes für das Gütemaß in der Blockchain abgelehnt werden, wenn unter ansonsten gleichen Voraussetzungen gemäß dem trainierten KNN ein sehr guter Wert für das Gütemaß zu erwarten gewesen wäre. Ein mittlerer Wert für das Gütemaß wird hingegen in der gleichen Situation
angenommen, da eine Schwankung zwischen„sehr gut“ und„mittel“ auf Grund der physikalischen Variabilitäten im Prozess plausibel ist. Auf diese Weise kann ein absichtliches Hinterlegen besonders schlechter
Bewertungen in der Blockchain mit betrügerischer Absicht zumindest erschwert werden. Die betrügerische Absicht könnte beispielsweise darin liegen, den Hersteller des Betons zu erpressen oder von ihm später mit Verweis auf die angeblich schlechte Qualität einen Teil des gezahlten Preises zurückzufordern.
In einer weiteren besonders vorteilhaften Ausgestaltung wird der tatsächliche Verwendungszweck, für den die Charge Beton auf der Baustelle verwendet wird, in Assoziation mit der Charge in der Blockchain hinterlegt. Wie zuvor erläutert, kann diese Information beispielsweise für eine Preisminderung auf Grund von
Qualitätsmängeln relevant sein. So kann beispielsweise vertraglich festgelegt sein, dass für eine nominell qualitativ höherwertige Charge, die aber tatsächlich nur für einen deutlich weniger anspruchsvollen Zweck verwendet werden konnte, nur der Preis zu zahlen ist, für den eine Charge dieser niederen Qualität normalerweise abgegeben worden wäre.
In einer weiteren besonders vorteilhaften Ausgestaltung wird durch einen auf der Blockchain operierenden Smart Contract auf der Basis der in der Blockchain in Assoziation mit der Charge hinterlegten Daten nach zuvor festgelegten Kriterien ein Preis für die Charge ermittelt und dem Lieferanten der Charge gutgeschrieben.
Ein Smart Contract ist in diesem Zusammenhang ein Programm, das auf allen beteiligten Knoten der Blockchain synchron läuft, d.h. die gleichen Operationen ausführt. Ein Smart Contract kann insbesondere auf alle Daten zugreifen, die in der Blockchain gespeichert sind, aber auch neue Informationen zur Hinzufügung an die Blockchain anmelden. Innerhalb der Blockchain kann der Smart Contract insbesondere als Entität geführt werden, die Gelder in der der Blockchain zu Grunde liegenden Kryptowährung entgegennehmen und eigenständig verwalten kann. So kann der Smart Contract beispielsweise vom Käufer des Betons zunächst den maximalen Kaufpreis entgegennehmen und später den festgesetzten Preis an den Lieferanten überweisen, während der Käufer den Restbetrag zurückerhält.
Auf diese Weise können insbesondere Preisänderungen infolge von
Qualitätsmängeln nach klar nachvollziehbaren objektiven Kriterien vorgenommen und automatisch durchgesetzt werden. Entsprechende zeitaufwändige Diskussionen entfallen.
Daher hängen vorteilhaft die zuvor festgelegten Kriterien mindestens vom Gütemaß für die Verwendbarkeit der Charge für den mindestens einen Verwendungszweck auf der Baustelle, und/oder vom tatsächlichen Verwendungszweck, für den die Charge auf der Baustelle verwendet wurde, ab.
Ebenso können die zuvor im Rahmen des Smart Contracts festgelegten Kriterien auch von der Klimagröße für die Charge abhängen. Diese Klimagröße kann insbesondere beispielsweise aus der Blockchain abgerufen werden, aber auch aus einer beliebigen anderen Quelle beschafft werden. Beispielsweise kann die für die Klimaauswirkung fällige Abgabe in dem Moment, in dem sie nach den
Bestimmungen des besagten Lenkungssystems entsteht, von Geld, das dem
Abgabenschuldner zusteht, einbehalten und an die zuständige Behörde gezahlt werden.
Die einmal im Smart Contract hinterlegten Kriterien können im Regelfall im
Nachhinein nicht mehr geändert werden. Jedwede solche Änderungsmöglichkeit wäre im Programmcode des Smart Contract von vornherein explizit vorzusehen, was man dem Programmcode wiederum ansehen könnte.
Die Festlegung und automatische Durchsetzung von Geschäftsbedingungen mittels Smart Contracts lässt sich auch auf weitere Akteure im Zusammenhang mit der Baustelle erweitern. So sind beispielsweise neben der Baustelle selbst und dem Zementwerk häufig auch ein Planungsbüro, ein Generalunternehmer und ein
Schalungshersteller beteiligt. Beispielsweise kann eine Gesamtplanung des
Bauvorhabens in der Blockchain hinterlegt sein. Der Baufortschritt kann mit beliebigen Indikatoren auf der Baustelle elektronisch erfasst und ebenfalls in der Blockchain hinterlegt werden. Der Smart Contract kann dann beispielsweise
Teilzahlungen an bestimmte Akteure automatisch anweisen, wenn bestimmte in der Gesamtplanung festgelegte Meilensteine erreicht sind.
Auf diese Weise kann das gesamte Bauvorhaben besser dagegen abgesichert werden, dass einer der Beteiligten übervorteilt wird. Beispielsweise kann der Smart Contract festlegen, dass der Bauherr zu Beginn des Bauvorhabens einen Teil der Bausumme, oder die gesamte Bausumme, dem Smart Contract zur treuhänderischen Verwaltung übergeben muss. Damit ist sichergestellt, dass alle Akteure, die im Zusammenhang mit dem Bauvorhaben Leistungen erbringen, nach Erbringung ihrer jeweiligen Leistungen aus liquiden Mitteln vergütet werden. Es besteht nicht das bei Lieferung und Leistung auf offene Rechnung übliche Risiko, dass der Bauherr in
Zahlungsschwierigkeiten gerät und die in Vorleistung gegangenen Akteure ihrerseits ein Liquiditätsproblem bekommen, während sie das ausstehende Geld auf dem Klageweg eintreiben.
Umgekehrt hat der Bauherr die Gewissheit, dass Zahlungen immer nur für solche Lieferungen und Leistungen erfolgen, die tatsächlich erbracht worden sind. Er muss somit zwar dem Smart Contract Geld zur treuhänderischen Verwaltung übergeben, doch ist dies nicht gleichbedeutend damit, gegenüber irgendeinem Akteur in
Vorleistung gehen zu müssen. Sollte sich also beispielsweise einer der Akteure, etwa das Zementwerk, in die Insolvenz verabschieden, so geht kein Kapital des Bauherren verloren.
Die treuhänderische Verwaltung der Gelder durch den Smart Contract schließt es weiterhin aus, dass irgendeine Person direkten Zugriff auf diese Gelder bekommt und eine Möglichkeit erhält, sie zu unterschlagen. Gelder, die einmal dem Smart Contract zur treuhänderischen Verwaltung überwiesen wurden, werden nur zu den im Smart Contract festgelegten Bedingungen wieder herausgegeben, etwa beim Erreichen bestimmter Meilensteine. Der Smart Contract kann auch beispielsweise auflösende Bedingungen enthalten, etwa dergestalt, dass das Bauvorhaben bei Ausbleiben eines Baufortschritts für eine bestimmte Zeit offiziell für gescheitert erklärt wird und der Bauherr sein im Smart Contract hinterlegtes Geld zurückerhält, nachdem alle Akteure für ihre bereits erbrachten Leistungen vergütet wurden. In der Blockchain können beispielsweise auch Lieferscheine hinterlegt werden.
Diese sind dann sowohl unverlierbar als auch vor Manipulation geschützt aufbewahrt.
Die in der Blockchain hinterlegten Daten können beispielsweise an den Hersteller des Betons zurückgespielt und dort zur Verbesserung der Betonqualität genutzt werden. Weiterhin ermöglicht es die dauerhafte Datenspeicherung in der Blockchain, auch über Zeiträume in der Größenordnung des Lebenszyklus von Gebäuden beispielsweise eine im Hinblick auf die Standsicherheit wichtige Einhaltung von Spezifikationen des verwendeten Betons zu dokumentieren. So können
beispielsweise im Nachhinein in Antwort darauf, dass in den Daten aus der Bauzeit Mängel zu Tage treten, Untersuchungen von Gebäudeteilen veranlasst oder diesbezügliche turnusmäßige Prüffristen verkürzt werden.
Die Erfindung bezieht sich auch auf ein künstliches neuronales Netzwerk, das mit dem zuvor beschriebenen Trainingsverfahren trainiert wurde. Ebenso bezieht sich die Erfindung auch auf einen Datensatz von Parametern, der ein KNN charakterisiert und mit dem besagten Trainingsverfahren erhalten wurde. Beispielsweise kann das sehr rechenintensive Training, welches häufig GPUs mit ungewöhnlich großem Videospeicher erfordert, als Dienstleistung angeboten und der Datensatz als
Arbeitsergebnis dieser Dienstleistung geliefert werden. Die Erfindung bezieht sich auch auf ein oder mehrere Computerprogramme mit maschinenlesbaren Anweisungen, die, wenn sie auf einem oder mehreren
Computern, und/oder auf einer Blockchain, ausgeführt werden, den einen oder die mehreren Computer, und/oder die Blockchain, dazu veranlassen, eines oder mehrere der zuvor beschriebenen Verfahren auszuführen. Beispielsweise kann ein auf der Blockchain laufendes Programm mit anderen Programmen Zusammenwirken, die Informationen in die Blockchain übertragen oder von dort beziehen. Das oder die Computerprogramme können beispielsweise auf einem
maschinenlesbaren Datenträger oder einem über ein Netzwerk erwerbbaren und ladbaren Downloadprodukt verkörpert sein.
Spezieller Beschreibungsteil
Nachfolgend wird der Gegenstand der Erfindung anhand von Figuren erläutert, ohne dass der Gegenstand der Erfindung hierdurch beschränkt wird. Es ist gezeigt:
Figur 1 : Ausführungsbeispiel des Verfahrens 100 zum Trainieren des KNN 1;
Figur 2: Ausführungsbeispiel des Verfahrens 200 zur Vorhersage und/oder
Klassifikation der Verwendbarkeit einer Charge Beton 2;
Figur 3: Ausführungsbeispiel des Verfahrens 300 zur Nachverfolgung der
Verwendung einer Charge Beton 2;
Figur 4: Anschauliches Beispiel einer Anwendung des Verfahrens 200 auf einer Baustelle.
Figur 1 zeigt ein beispielhaftes Ablaufdiagramm des Verfahrens 100 zum Trainieren des KNN 1. In Schritt 110 werden Lern-Datensätze 3 bereitgestellt, um das KNN zu „füttern“. In dem in Figur 1 gezeigten Beispiel enthält jeder Lern-Datensatz zu einer konkreten Charge Beton 2: • einen Satz Kenngrößen 21, der die stoffliche Zusammensetzung der Charge 2 charakterisiert, wie etwa Gewichtsanteile von Bestandteilen;
• ein Maß 22 für die mechanische Konsistenz der Charge 2, welches
beispielsweise mit dem Ausbreitversuch ermittelt wurde;
• mindestens einen Wert für ein Gütemaß 23a, 23b, welches die
Verwendbarkeit der Charge für mindestens einen Zweck auf der Baustelle charakterisiert und beispielsweise von einem menschlichen Experten, der die Charge 2 entgegengenommen hat, festgesetzt wurde;
• eine Identifikation 24 des Orts, an dem für die Charge 2 verwendete
Rohstoffe gewonnen wurden;
• eine Identifikation 25 des Lieferanten der Charge 2; sowie
• ein Maß 26 für die Umgebungstemperatur zum Zeitpunkt der Festlegung des Gütemaßes 23a, 23b. All diese Angaben bis auf das Gütemaß 23a, 23b werden in Schritt 120 dem KNN 1 als Eingaben 11 zugeführt. Daraufhin liefert das KNN 1 eine Vorhersage und/oder Klassifikation 23a*, 23b* für das Gütemaß 23a, 23b. Diese Vorhersage und/oder Klassifikation 23a*, 23b* wird in Schritt 130 mit dem im Lern-Datensatz enthaltenen Wert für das Gütemaß 23a, 23b verglichen. Der Vergleich liefert eine Abweichung D.
In Schritt 140 wird eine Kostenfunktion („Loss-Funktion“) 14 ausgewertet, die von der Abweichung D abhängt. In Schritt 150 werden die Parameter 12 des KNN angepasst mit dem Optimierungsziel, den Wert der Kostenfunktion 14 zu verbessern. Beispielsweise können die Parameter 12 mit einem Gradientenabstiegsverfahren sukzessive so lange angepasst werden, bis der mittlere Wert der Kostenfunktion 14, der sich über alle Lern-Datensätze 3 ergibt, einen vorgegebenen Schwellwert unterschreitet. Gemäß Block 121 liefert das KNN 1 auch eine Vorhersage 23c* für die Klimagröße 23c. Diese Vorhersage 23c* wird gemäß Block 131 mit dem im jeweiligen Lern- Datensatz 3 enthaltenen Wert für die Klimagröße 23c verglichen. Die
Kostenfunktion 14 hängt dann gemäß Block 141 zusätzlich von einer in dem
Vergleich 131 ermittelten Abweichung D' ab.
Figur 2 zeigt ein Ausführungsbeispiel des Verfahren 200 zur Vorhersage und/oder Klassifikation der Verwendbarkeit einer Charge Beton 2 auf einer Baustelle. Das Verfahren 200 geht davon aus, dass ein, beispielsweise mit dem zuvor beschriebenen Verfahren 100, fertig trainiertes KNN zur Verfügung steht.
In Schritt 210 wird ein Satz Kenngrößen 21, der die stoffliche Zusammensetzung der Charge 2 charakterisiert, ermittelt. In Schritt 220 wird mindestens ein Maß für die mechanische Konsistenz der Charge 2 ermittelt, beispielsweise mit dem
Ausbreitversuch. Weiterhin können auch die Identifikation 24 des Orts, an dem
Rohstoffe für die Charge 2 gewonnen wurden, die Identifikation 25 des Herstellers der Charge 2 sowie ein Maß 26 für die Umgebungstemperatur auf der Baustelle herangezogen werden. Die gesammelten Informationen werden in Schritt 230 dem KNN 1 als Eingaben 11 zugeführt. Das KNN 1 gibt daraufhin eine Vorhersage und/oder Klassifikation 23a*, 23b* für mindestens ein Gütemaß 23a, 23b ab, das sich auf die Verwendbarkeit der Charge 2 für mindestens einen Verwendungszweck auf der Baustelle bezieht. Somit ist eine Vorhersage und/oder Klassifikation 23a*, 23b* immer auf den jeweiligen Verwendungszweck bezogen. Diese Vorhersage und/oder Klassifikation 23a*, 23b* wird in Schritt 240 von dem KNN 1 abgerufen.
Hierbei kann insbesondere der Fall eintreten, dass eine erste Vorhersage und/oder Klassifikation 23a* angibt, dass die Charge 2 für einen ersten Verwendungszweck voraussichtlich ungeeignet ist. In diesem Fall kann gemäß Block 241 eine zweite Vorhersage und/oder Klassifikation 23b* abgerufen werden, die sich auf ein
Gütemaß 23b für die Verwendbarkeit für einen anderen Verwendungszweck bezieht. So kann beispielsweise eine Charge 2, die für die Herstellung einer besonders komplizierten und zugleich hochbelasteten Struktur des zu errichtenden Gebäudes oder Gebäudeteils nicht geeignet ist, möglicherweise zum Betonieren einer unkritischeren Struktur verwendet werden.
Gemäß Block 242 kann zusätzlich mindestens eine Vorhersage und/oder
Klassifikation 23c* einer Klimagröße 23c, die eine Kenngröße für eine der Charge 2 zuzuschreibende Klimaauswirkung ist, als Ausgabe 13 des KNN 1 abgerufen werden.
In Schritt 250 können Mittel angesteuert werden, um die Charge 2 demjenigen Verwendungszweck zuzuführen, für den sie gemäß der Vorhersage und/oder Klassifikation 23a*, 23b* geeignet ist.
Das entsprechende Gütekriterium kann zusätzlich auch von der vorhergesagten Klimagröße 23c* für die Charge 2 abhängen. Wie zuvor erläutert, kann dann beispielsweise ein Beton optimal sein, der in Bezug auf die Klassifikation 23a* statt der Maximalanforderungen nur etwas mehr als Mindestanforderungen erfüllt, jedoch dafür einen deutlich geringeren ökologischen„Fußabdruck“ hat.
Figur 3 zeigt ein beispielhaftes Ablaufdiagramm des Verfahrens 300 zur
Nachverfolgung der Verwendung einer Charge Beton 2. In Schritt 310 werden die Kenngrößen 21, die die stoffliche Zusammensetzung der Charge 2 charakterisieren, in Assoziation mit dieser Charge 2 in der Blockchain 4 hinterlegt. In Schritt 320 wird ein Maß 22 für die mechanische Konsistenz der Charge 2 physikalisch ermittelt, beispielsweise mit dem genormten Ausbreitversuch. Das Ergebnis wird in Schritt 330 in Assoziation mit der Charge 2 in der Blockchain 4 hinterlegt. In Schritt 340 wird ein Gütemaß 23a, 23b für die Verwendbarkeit der Charge 2 für mindestens einen Verwendungszweck auf der Baustelle ermittelt. Dieses Gütemaß 23a, 23b wird in Schritt 350 in Assoziation mit der Charge 2 in der Blockchain 4 hinterlegt.
Das Gütemaß 23a, 23b kann gemäß Block 341 mit dem beschriebenen Verfahren 200 als Vorhersage und/oder Klassifikation 23a*, 23b* ermittelt werden. Gemäß Block 342 kann das Gütemaß 23a, 23b auch mit einer solchen Vorhersage und/oder Klassifikation 23a*, 23b* plausibilisiert werden, um beispielsweise ungerechtfertigte viel zu negative Bewertungen der Charge 2 zu unterbinden.
Gemäß Block 343 kann auch mindestens eine Klimagröße 23c, die eine Kenngröße für eine der Charge 2 zuzuschreibende Klimaauswirkung ist, ermittelt und gemäß Block 353 in Assoziation mit der Charge 2 in der Blockchain 4 hinterlegt werden.
Weiterhin können in Schritt 335 auch noch die Identifikation 24 des Orts, an dem Rohstoffe für die Charge 2 gewonnen wurden, und/oder die Identifikation 25 des Herstellers der Charge 2, und/oder das Maß 26 für die Umgebungstemperatur zu dem Zeitpunkt, zu dem das Gütemaß 23a, 23b für die Verwendbarkeit der Charge 2 ermittelt wurde, in der Blockchain 4 hinterlegt werden.
In Schritt 360 wird der tatsächliche Verwendungszweck 27, für den die Charge Beton 2 auf der Baustelle verwendet wird, in Assoziation mit der Charge 2 in der Blockchain 4 hinterlegt.
In Schritt 370 ermittelt ein auf der Blockchain 4 operierender Smart Contract 5 auf der Basis sämtlicher Daten 22, 23a, 23b, 24, 25, 26, 27, die zuvor in Assoziation mit der Charge 2 in der Blockchain 4 hinterlegt wurden, einen Preis 2a für die Charge 2. Die hierbei angewendeten Kriterien 5a sind im Smart Contract 5 festgeschrieben, gleichsam„eingelötet“, und können im Nachhinein nicht mehr geändert werden. In Schritt 380 schreibt der Smart Contract 5 diesen Preis 2a dem Lieferanten der Charge 2 gut.
Figur 4 zeigt ein anschauliches Beispiel, wie die Verwendung einer Charge Beton 2 auf einer Baustelle mit dem Verfahren 200 gesteuert werden kann. In diesem
Beispiel ist die Charge 2 aus den vier Komponenten Sand 6a, Kies 6b, Zement 6c und Wasser 6d gemischt worden. Die Kenngrößen 21 geben das Mischungsverhältnis dieser Komponenten 6a-6d an. Der Sand 6a und der Kies 6b stammen aus natürlichen Reservoirs an einem Ort 24. Die Charge 2 wurde von einem Hersteller 25 hergestellt.
Auf der Baustelle wird nun zunächst ein Ausbreitversuch vorgenommen, um das Maß 22 für die mechanische Konsistenz der Charge 2 zu ermitteln. Dieses Maß 22 wird, zusammen mit den Kenngrößen 21, der Identifikation 24 des Orts, der
Identifikation 25 des Herstellers und dem Maß 26 für die Temperatur auf der Baustelle, dem trainierten KNN 1 zugeführt.
Das KNN 1 ermittelt auf der Basis dieser Informationen eine erste Vorhersage und/oder Klassifikation 23a* für ein Gütemaß 23, das sich auf einen ersten
Verwendungszweck bezieht, hier das Betonieren eines aktuell verschalten Teils 7a' eines Betonbogens 7a. Reicht die Qualität der Charge 2 gemäß der Vorhersage und/oder Klassifikation 23a* für diesen Verwendungszweck aus (Wahrheitswert 1), so wird die Charge 2 hierfür verwendet. Reicht die Qualität der Charge 2 hingegen hierfür nicht aus (Wahrheit s wert 0), so wird eine zweite Vorhersage und/oder Klassifikation 23b* für ein Gütemaß 23b abgerufen, das sich auf einen weniger anspruchsvollen Verwendungszweck für die Charge 2 bezieht, hier das Betonieren einer Baustraße 7b. Ist die Charge 2 ausweislich der Vorhersage und/oder Klassifikation 23b* hierfür geeignet
(Wahrheitswert 1), wird sie entsprechend verwendet. Ist die Charge 2 hingegen auch für diesen weniger anspruchsvollen Verwendungszweck nicht geeignet (Wahrheitswert 0), wird die Charge 2 als Abfall verworfen.
Bezugszeichenliste
1 künstliches neuronales Netzwerk, KNN
11 Eingaben des KNN 1
12 Parameter des KNN 1
13 Ausgaben des KNN 1
14 Kostenfunktion für Training des KNN 1
2 Charge Beton
2a Preis für Charge 2
21 Kenngrößen, die die Zusammensetzung der Charge 2 charakterisieren
22 Maß für die mechanische Konsistenz der Charge 2
23a Gütemaß für Verwendbarkeit der Charge 2 für ersten Zweck
23a* Vorhersage/Klassifikation des Gütemaßes 23a, geliefert vom KNN 1
23b Gütemaß für Verwendbarkeit der Charge 2 für zweiten Zweck
23b* Vorhersage/Klassifikation des Gütemaßes 23b, geliefert vom KNN 1
23c Klimagröße, ist Maß für Klimaauswirkung der Charge 2
23c* Vorhersage/Klassifikation der Klimagröße 23c, geliefert vom KNN 1
24 Identifikation des Orts, an dem Rohstoffe für Charge 2 gewonnen wurden
25 Identifikation des Herstellers der Charge 2
26 Maß für Temperatur
27 tatsächliche Verwendung der Charge 2
3 Lem-Datensatz für Training des KNN 1
4 Blockchain
5 Smart Contract, operiert auf Blockchain 4
5a Kriterien für Preisbildung in Smart Contract 5
6a Sand
6b Kies
6c Zement
6d Wasser 7 a Betonbogen
7a' ausgeschalter Teil des Betonbogens 7a
7b Baustraße
100 Verfahren zum Trainieren des KNN 1
110 Bereitstellen der Lern-Datensätze 3
120 Zuführen der Eingaben 11 an das KNN 1
121 Liefern auch der Vorhersage/Klassifikation 23c* durch KNN 1
130 Vergleichen der Vorhersage/Klassifikation 23a*, 23b* mit Gütemaß 23a, 23b
131 Vergleichen der Vorhersage/Klassifikation 23c* mit Klimagröße 23c
140 Auswerten der Kostenfunktion 14
141 Auswerten auch der im Vergleich 131 ermittelten Abweichung D'
150 Anpassen der Parameter 12 des KNN 1
200 Verfahren zum Vorhersagen/Klassifizieren der Verwendbarkeit der Charge 2 210 Ermitteln der Kenngrößen 21
220 Ermitteln des Maßes für die mechanische Konsistenz der Charge 2
230 Zuführen der Eingaben 11 an das KNN 1
240 Abrufen der Vorhersage/Klassifikation 23a*, 23b* aus dem KNN 1
241 Abrufen einer weiteren Vorhersage/Klassifikation 23a*, 23b*
242 Abrufen auch der Vorhersage/Klassifikation 23c* der Klimagröße 23c 250 Ansteuem von Mitteln zur Zuführung der Charge 2 zur Verwendung
300 Verfahren zum Nachverfolgen der Verwendung einer Charge 2
310 Hinterlegen von Kenngrößen 21 oder Hashwerten in Blockchain 4
320 Ermitteln des Maßes 22 für die mechanische Konsistenz der Charge 2 330 Hinterlegen des Maßes 22 in der Blockchain 4
335 Hinterlegen weiterer Informationen 24, 25, 26 in der Blockchain 4
340 Ermitteln des Gütemaßes 23a, 23b
341 Ermitteln des Gütemaßes 23a, 23b als Vorhersage/Klassifikation 23a*, 23b*
342 Plausibilisieren Gütemaß 23a, 23b ./. Vorhersage/Klassifikation 23a*, 23b*
343 Ermitteln der Klimagröße 23 c
350 Hinterlegen des Gütemaßes 23a, 23b in Blockchain 4 353 Hinterlegen auch der Klimagröße 23c in der Blockchain 4 360 Hinterlegen der tatsächlichen Verwendung 27 in Blockchain 4 370 Ermitteln des Preises 2a anhand der Kriterien 5a
380 Gutschreiben des Preises 2a an Lieferanten der Charge 2 D Abweichung, ermittelt in Vergleich 130
D' Abweichung, ermittelt in zusätzlichem Vergleich 131

Claims

Ansprüche
1. Verfahren (100) zum Trainieren eines künstlichen neuronalen Netzwerks, KNN (1), welches mindestens ein Gütemaß (23a, 23b) für die Verwendbarkeit einer Charge Beton (2) auf einer Baustelle vorhersagt und/oder klassifiziert, wobei das Verhalten des KNN (1) durch einen Satz Parameter (12) charakterisiert ist, mit den Schritten:
• es wird eine Menge Lern-Datensätze (3) bereitgestellt (110), wobei jeder Lem-Datensatz (3) für eine Charge Beton (2) einen Satz Kenngrößen (21), der die stoffliche Zusammensetzung der Charge (2) charakterisiert, mindestens ein Maß (22) für die mechanische Konsistenz der Charge (2) sowie mindestens einen Wert für ein Gütemaß (23a, 23b), welches die Verwendbarkeit der Charge (2) für mindestens einen Verwendungszweck auf der Baustelle charakterisiert, umfasst;
• dem KNN (1) werden für jeden Lern-Datensatz (3) jeweils der darin
enthaltene Satz Kenngrößen (21) und das darin enthaltene Maß (22) für die mechanische Konsistenz als Eingaben (11) zugeführt (120), um eine
Vorhersage und/oder Klassifikation (23a*, 23b*) für das mindestens eine Gütemaß (23a, 23b) als Ausgabe (13) zu erhalten;
• die Vorhersage und/oder Klassifikation (23a*, 23b*) für das Gütemaß (23a, 23b) wird mit dem im Lern-Datensatz (3) enthaltenen Wert für das Gütemaß (23a, 23b) verglichen (130);
• es wird eine Kostenfunktion (14) ausgewertet (140), die von einer in dem Vergleich (130) ermittelten Abweichung D abhängt;
• die Parameter (12), und/oder die Lern-Datensätze (3), des KNN (1) werden angepasst (150) mit dem Optimierungsziel, den Wert der Kostenfunktion (14) zu verbessern.
2. Verfahren (100) nach Anspruch 1, wobei
• das KNN (1) zusätzlich mindestens eine Klimagröße (23c), die eine
Kenngröße für eine der Charge Beton (2) zuzuschreibende Klimaauswirkung ist, vorhersagt und/oder klassifiziert,
• Lem-Datensätze (3) jeweils auch den Wert der Klimagröße (23c) für die jeweilige Charge Beton (2), auf die sie sich beziehen, umfassen,
• das KNN (1) aus den Kenngrößen (21) und den Maßen (22) für die
mechanische Konsistenz in den Lern-Datensätzen (3) zusätzlich eine
Vorhersage (23c*) für die Klimagröße (23c) ermittelt (121),
• die Vorhersage (23c*) für die Klimagröße (23c) mit dem im jeweiligen Lern- Datensatz (3) enthaltenen Wert für die Klimagröße (23c) verglichen wird (131) und
• die Kostenfunktion (14) zusätzlich von einer in diesem Vergleich (131)
ermittelten Abweichung D' abhängt (141).
3. Verfahren nach Anspruch 2, wobei die Klimagröße (23c) ein Maß für die
Menge mindestens eines Treibhausgases beinhaltet, die infolge der Herstellung und/oder Verwendung der Charge Beton (2) emittiert und/oder in der Charge Beton
(2) gebunden wird.
4. Verfahren (100) nach einem der Ansprüche 1 bis 3, wobei der Lern-Datensatz
(3) zusätzlich
• eine Identifikation (24) des Orts, an dem mindestens ein für die Charge Beton (2) verwendeter Rohstoff gewonnen wurde, und/oder
• eine Identifikation (25) des Lieferanten der Charge Beton (2), und/oder
• ein Maß (26) für die Umgebungstemperatur zum Zeitpunkt der Festlegung des Gütemaßes (23a, 23b), und/oder
• eine Information dahingehend, was auf der Baustelle aufgebaut ist, und/oder • eine Information dahingehend, wohin die Charge Beton (2) geliefert wird, und/oder
• zumindest auszugsweise Planungsdaten für das zu errichtende Gebäude, und/oder
• zumindest einen Auszug aus einem Building Information Model, BIM, des zu errichtenden Gebäudes, und/oder
• eine Information über Herkunft, Art und/oder Konsistenz mindestens eines Bestandteils der Charge Beton (2), und/oder
• eine Information dahingehend, zu welchem Anteil mindestens ein Bestandteil der Charge Beton natürlich gewonnenes Material ist und zu welchem Anteil dieser Bestandteil Recyclingmaterial ist,
als weitere dem KNN (1) zuzuführende Eingaben (11) enthält.
5. Künstliches neuronales Netzwerk, KNN (1), trainiert mit dem Verfahren (100) nach einem der Ansprüche 1 bis 4.
6. Datensatz von Parametern, der ein KNN (1) charakterisiert, erhalten mit dem Verfahren (100) nach einem der Ansprüche 1 bis 4.
7. Verfahren (200) zur Vorhersage und/oder Klassifikation der Verwendbarkeit einer Charge Beton (2) auf einer Baustelle mit den Schritten:
• es wird ein Satz Kenngrößen (21), der die stoffliche Zusammensetzung der Charge (2) charakterisiert, ermittelt (210);
• es wird mindestens ein Maß (22) für die mechanische Konsistenz der Charge (2) ermittelt (220);
• die Kenngrößen (21) und das Maß (22) für die mechanische Konsistenz
werden einem trainierten KNN (1) als Eingaben (11) zugeführt (230);
• mindestens eine Vorhersage und/oder Klassifikation (23a*, 23b*) für ein Gütemaß (23a, 23b) für die Verwendbarkeit der Charge (2) für mindestens einen Verwendungszweck auf der Baustelle wird als Ausgabe (13) von dem KNN (1) abgerufen (240).
8. Verfahren (200) nach Anspruch 7, wobei aus dem trainierten KNN (1) zusätzlich mindestens eine Vorhersage und/oder Klassifikation (23c*) einer
Klimagröße (23c), die eine Kenngröße für eine der Charge Beton (2)
zuzuschreibende Klimaauswirkung ist, als Ausgabe (13) abgerufen wird (242).
9. Verfahren nach Anspruch 8, wobei die Klimagröße (23c) ein Maß für die Menge mindestens eines Treibhausgases beinhaltet, die infolge der Herstellung und/oder Verwendung der Charge Beton (2) emittiert und/oder in der Charge Beton (2) gebunden wird.
10. Verfahren (200) nach einem der Ansprüche 7 bis 9, wobei dem KNN (1) zusätzlich
• eine Identifikation (24) des Orts, an dem mindestens ein für die Charge Beton (2) verwendeter Rohstoff gewonnen wurde, und/oder
• eine Identifikation (25) des Lieferanten der Charge Beton (2), und/oder
• ein Maß (26) für die Umgebungstemperatur auf der Baustelle
als Eingaben (11) zugeführt werden.
11. Verfahren (200) nach einem der Ansprüche 7 bis 10, wobei in Antwort darauf, dass ein für einen ersten Verwendungszweck vorhergesagtes Gütemaß (23a*) ein vorgegebenes Gütekriterium nicht erfüllt, eine weitere Vorhersage und/oder Klassifikation (23b*) für einen zweiten Verwendungszweck als Ausgabe von einem trainierten KNN (1) abgerufen wird (241).
12. Verfahren (200) nach einem der Ansprüche 7 bis 11, wobei in Antwort darauf, dass das für einen Verwendungszweck vorhergesagte Gütemaß (23a*, 23b*) ein vorgegebenes Gütekriterium erfüllt, Mittel zur Zuführung der Charge (2) zu diesem Verwendungszweck angesteuert werden (250).
13. Verfahren (200) nach Anspruch 12, wobei das vorgegebene Gütekriterium zusätzlich von der vorhergesagten Klimagröße (23c*) für die Charge Beton (2) abhängt.
14. Verfahren (300) zur Nachverfolgung der Verwendung einer Charge Beton (2) mit den Schritten:
• in Assoziation mit der Charge (2) werden ein Satz Kenngrößen (21), der die stoffliche Zusammensetzung der Charge (2) charakterisiert, und/oder ein oder mehrere aus diesen Kenngrößen (21) gebildete Hashwerte, in einer
Blockchain (4) hinterlegt (310);
• ein Maß (22) für die mechanische Konsistenz der Charge (2) wird
physikalisch ermittelt (320) und in Assoziation mit der Charge (2) in der Blockchain (4) hinterlegt (330);
• ein Gütemaß (23a, 23b) für die Verwendbarkeit der Charge (2) für
mindestens einen Verwendungszweck auf der Baustelle wird ermittelt (340) und in Assoziation mit der Charge (2) in der Blockchain (4) hinterlegt (350).
15. Verfahren (300) nach Anspruch 14, wobei zusätzlich mindestens eine Klimagröße (23c), die eine Kenngröße für eine der Charge Beton (2)
zuzuschreibende Klimaauswirkung ist, ermittelt (343) und in Assoziation mit der Charge (2) in der Blockchain (4) hinterlegt wird (353).
16. Verfahren nach einem der Ansprüche 14 bis 15, wobei zusätzlich
• eine Identifikation (24) des Orts, an dem mindestens ein für die Charge Beton (2) verwendeter Rohstoff gewonnen wurde, und/oder
• eine Identifikation (25) des Lieferanten der Charge Beton (2), und/oder • ein Maß (26) für die Umgebungstemperatur zum Zeitpunkt der Festlegung des Gütemaßes (23a, 23b)
in Assoziation mit der Charge (2) in der Blockchain (4) hinterlegt werden (335).
17. Verfahren (300) nach einem der Ansprüche 14 bis 16, wobei das Gütemaß
(23a, 23b) als Vorhersage und/oder Klassifikation (23a*, 23b*) mit dem Verfahren (200) nach einem der Ansprüche 7 bis 13 ermittelt (341), und/oder mit einer mit dem Verfahren (200) nach einem der Ansprüche 7 bis 13 erhaltenen Vorhersage und/oder Klassifikation (23a*, 23b*) plausibilisiert (342), wird.
18. Verfahren (300) nach einem der Ansprüche 14 bis 17, wobei der tatsächliche Verwendungszweck (27), für den die Charge Beton (2) auf der Baustelle verwendet wird, in Assoziation mit der Charge (2) in der Blockchain (4) hinterlegt wird (360).
19. Verfahren (300) nach einem der Ansprüche 14 bis 18, wobei durch einen auf der Blockchain (4) operierenden Smart Contract (5) auf der Basis der in der
Blockchain (4) in Assoziation mit der Charge (2) hinterlegten Daten nach zuvor festgelegten Kriterien (5a) ein Preis (2a) für die Charge (2) ermittelt (370) und dem Lieferanten der Charge (2) gutgeschrieben wird (380).
20. Verfahren (300) nach Anspruch 19, wobei die zuvor festgelegten Kriterien (5a) mindestens vom Gütemaß (23a, 23b) für die Verwendbarkeit der Charge (2) für den mindestens einen Verwendungszweck auf der Baustelle, und/oder vom tatsächlichen Verwendungszweck, für den die Charge (2) auf der Baustelle verwendet wurde, abhängen.
21. Verfahren (300) nach Anspruch 20, wobei die zuvor festgelegten Kriterien (5a) zusätzlich von der Klimagröße (23c) für die Charge (2) abhängen.
22. Ein oder mehrere Computerprogramme, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern, und/oder auf einer Blockchain, ausgeführt werden, den einen oder die mehreren Computer, und/oder die Blockchain, dazu veranlassen, ein Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 21 auszuführen.
23. Maschinenlesbarer Datenträger und/oder Downloadprodukt mit dem einen Computerprogramm oder den mehreren Computerprogrammen nach Anspruch 22.
EP20713585.6A 2019-04-03 2020-03-20 Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle Pending EP3948714A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019108779.1A DE102019108779A1 (de) 2019-04-03 2019-04-03 Automatische Vorhersage der Verwendbarkeit von Beton für mindestens einen Verwendungszweck auf einer Baustelle
PCT/EP2020/057832 WO2020200847A1 (de) 2019-04-03 2020-03-20 Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle

Publications (1)

Publication Number Publication Date
EP3948714A1 true EP3948714A1 (de) 2022-02-09

Family

ID=69954024

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20713585.6A Pending EP3948714A1 (de) 2019-04-03 2020-03-20 Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle

Country Status (6)

Country Link
US (1) US20220215250A1 (de)
EP (1) EP3948714A1 (de)
JP (1) JP7596299B2 (de)
KR (1) KR20220074820A (de)
DE (1) DE102019108779A1 (de)
WO (1) WO2020200847A1 (de)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7679241B2 (ja) * 2021-06-30 2025-05-19 株式会社Lixil 支援装置及び支援プログラム
JP7653331B2 (ja) * 2021-08-30 2025-03-28 太平洋セメント株式会社 生コンクリートの強度予測システム
CN115063040B (zh) * 2022-07-28 2022-11-08 湖南工商大学 一种用于房屋建筑结构健康协同评估与预测的方法及系统
CN114971092B (zh) * 2022-07-29 2022-10-18 华北电力大学 一种变电站主控楼混凝土用量预测方法和装置
CN117236880B (zh) * 2023-09-06 2024-05-17 河北建筑工程学院 一种建筑工程项目合同全流程管理方法及系统
CN119990997A (zh) * 2024-09-24 2025-05-13 中建二局第三建筑工程有限公司 建筑工程智能化物资提料系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07227832A (ja) * 1994-02-21 1995-08-29 Tokyo Electric Power Co Inc:The コンクリートの品質管理方法及び装置
EP0614526B1 (de) * 1991-11-29 1997-10-08 Services Petroliers Schlumberger Verfahren zur voraussage der zementeigenschaften
JP2017087716A (ja) * 2015-09-30 2017-05-25 太平洋セメント株式会社 コンクリートの品質またはコンクリートの配合条件の予測方法
US20180333894A1 (en) * 2017-05-17 2018-11-22 Southern Methodist University Data Fusion Technique for Predicting Soil Classification

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1177660A (ja) * 1997-09-10 1999-03-23 Tokyo Electric Power Co Inc:The コンクリートの配合設定装置
JPH1177659A (ja) * 1997-09-10 1999-03-23 Tokyo Electric Power Co Inc:The フレッシュコンクリートのコンシステンシー推定装置
DE10237310B4 (de) * 2002-08-14 2006-11-30 Wismüller, Axel, Dipl.-Phys. Dr.med. Verfahren, Datenverarbeitungseinrichtung und Computerprogrammprodukt zur Datenverarbeitung
JP5543387B2 (ja) 2011-01-29 2014-07-09 株式会社 北岡組 コンクリート使用により生じる二酸化炭素排出量の演算装置、二酸化炭素排出量演算方法、二酸化炭素排出量演算プログラム及びコンピュータで読み取り可能な記録媒体
JP5809520B2 (ja) * 2011-10-24 2015-11-11 大阪瓦斯株式会社 貯蔵タンク運用計画導出システム及び方法
US8813824B2 (en) * 2011-12-06 2014-08-26 Mikro Systems, Inc. Systems, devices, and/or methods for producing holes
CN104991051B (zh) 2015-06-30 2017-02-22 华侨大学 一种基于混合模型的混凝土强度预测方法
KR20180043497A (ko) * 2016-10-20 2018-04-30 주식회사 포스코건설 뉴럴 네트워크를 이용한 콘크리트 폐색 예측 시스템
CN110892417B (zh) * 2017-06-05 2024-02-20 D5Ai有限责任公司 具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络
JP7014370B2 (ja) 2018-05-31 2022-02-01 株式会社竹中工務店 コンクリート評価制御装置、コンクリート評価制御プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0614526B1 (de) * 1991-11-29 1997-10-08 Services Petroliers Schlumberger Verfahren zur voraussage der zementeigenschaften
JPH07227832A (ja) * 1994-02-21 1995-08-29 Tokyo Electric Power Co Inc:The コンクリートの品質管理方法及び装置
JP2017087716A (ja) * 2015-09-30 2017-05-25 太平洋セメント株式会社 コンクリートの品質またはコンクリートの配合条件の予測方法
US20180333894A1 (en) * 2017-05-17 2018-11-22 Southern Methodist University Data Fusion Technique for Predicting Soil Classification

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MILICEVIC ET AL: "Prediction of properties of recycled aggregate concrete", JOURNAL OF THE CROATIAN ASSOCIATION OF CIVIL ENGINEERS, vol. 69, no. 5, 1 January 2017 (2017-01-01), pages 347 - 357, XP055958818, ISSN: 0350-2465, DOI: 10.14256/JCE.1867.2016 *
See also references of WO2020200847A1 *

Also Published As

Publication number Publication date
DE102019108779A1 (de) 2020-10-08
WO2020200847A1 (de) 2020-10-08
JP7596299B2 (ja) 2024-12-09
KR20220074820A (ko) 2022-06-03
US20220215250A1 (en) 2022-07-07
JP2022526038A (ja) 2022-05-20

Similar Documents

Publication Publication Date Title
WO2020200847A1 (de) Automatische vorhersage der verwendbarkeit von beton für mindestens einen verwendungszweck auf einer baustelle
Gunningham et al. Toward optimal environmental policy: the case of biodiversity conservation
Ogunde et al. Challenges confronting construction project management system for sustainable construction in developing countries: Professionals perspectives (a case study of Nigeria)
DE69821933T2 (de) System und verfahren zum erstellen von erfüllungsregeln für handelsysteme
Bentley Research and technology in the former German Democratic Republic
DE102009026139A1 (de) Verfahren und Tools zur Bestimmung und Auswahl des Modus Operandi von Petri-Netz orchestrieren Abläufen für Service-orientierte Automatisierungsgeräte
Nabil et al. An overhead costs assessment for construction projects at Gaza Strip
Wang et al. Why invest in a reversible building design?
DeMarzo et al. Learning in dynamic incentive contracts
DE102023124638A1 (de) Proof-of-stake-blockchain-ausgabeanalyse
Tjendani et al. Two stage simulation to optimize risk sharing in performance-based contract on national road a system dynamic and game theory approach
Choe A mechanism design approach to an optimal contract under ex ante and ex post private information
DE102020126566A1 (de) Verfahren und Vorrichtung zum dynamischen Modellieren eines Betriebsparameters eines Flugzeugtriebwerkes
Cunbin et al. Human resources risk element transmission model of construction project based on system dynamic
Roy et al. An exploratory study on project delivery frameworks for heritage conservation in India
Theesfeld et al. Giving birds a starting date: The curious social solution to a water resource issue in the US West
Ginzburg et al. Organization of concrete works on the bases of the information system of tracking
WO2014005938A2 (de) Bestimmung der eignung einer ressource
Hapsari et al. Fair Value of Non-Current Assets and The Second Largest Ownership on Audit Fee
Xu Search Frictions in Many‐to‐one Markets
Sari et al. Business model reconstruct and innovation: a case study in construction company in Indonesia
Bastian et al. Problems of Employment-Effective Working Time Policies—Theoretical Considerations and Lessons from France, the Netherlands and West Germany
Colby Economic characteristics of successful outcomes
Klauer et al. Supporting decisions on conflicting land-uses: an integrated ecological-economic approach
Martínez-Toro et al. Dynamics and learning scenarios for the road infrastructure development system: Colombian case.

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211025

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240613