UdZForschung 1-2019

58 UdZ – Unternehmen der Zukunft 2/2018 Abgeschlossene FIR-Forschungsprojekte Forschu g – Unternehme der Zukunft 1/2019 also die Zusammenarbeit bei komple- xen Bauprojekten unterstützen und der Bauwirtschaft helfen, eine neue Stufe der Digitalisierung zu erreichen. Anspruchsvolle Projekte würdenmit deut- lich weniger Fehlern und damit höherer Termintreue bearbeitet. Die Umsetzung und Akzeptanz innerhalb der Branche ist jedoch nachwie vor eineHerausforderung. Um das volle Potenzial ausschöpfen zu können, müssen Softwaresysteme eine höhere Akzeptanz bei allen Beteiligten in der Bauwirtschaft finden. Die aktuellen Ergebnisse verdeutlichen, dass SEN ein guter Ansatz für die Vorhersage ist. Die ersten Tests zeigten sehr gute Ergebnisse, die in den nächsten Schrittenmit weiteren Daten bestätigt werden müssen, um eine Überanpassung der Parameter zu vermei- den. Es kann jedoch davon ausgegangen werden, dass das zu Beginn formulierte Problemmit SEN als Vorhersagewerkzeug gelöst werden kann. Literatur Rue pp e l , U.: Ve r ne t z t- koope ra t i ve Planungsprozesse im Konstruk tiven Ingenieurbau. Springer, Berlin [u. a.] 2007. Guenthner, W. A., Borrmann, A.: Digitale Baustelle – innovativer Planen, effizienter ausführen. Springer, Heidelberg [u. a.] 2011. Klüver, C.: Solving problems of project management with a self enforcing network (SEN). In Computational and Mathematical Organization Theory 18 (2012) 2, S. 175 – 192. Klüver, C.: Self-Enforcing Networks (SEN) for the development of (medical) diagno- sis systems. In: 2016 International Joint Conference on Neural Networks (IJCNN). 24 – 29 July 2016, Vancouver, Canada. IEEE, Piscataway (NJ) 2016. [=2016a] Klüver, C.: Steering clustering of medical data in a Self-Enforcing Network (SEN) File Extension True Positive False Negative Recall Precision pdf 9166 2827 76,43 11,49 jpg 2335 1627 58,93 13 doc 1533 191 88,92 40,98 dwg 629 152 80,54 20,42 docx 646 113 85,11 29,38 xlsx 518 88 85,48 40,22 xls 189 35 84,38 35,06 zip 146 49 74,87 12,09 msg 182 12 93,81 51,41 tif 109 56 66,06 16,1 ppt 8 60 11,76 4,44 pptx 22 16 57,89 13,92 Bild 3: Darstellung der Trefferrate und Genauigkeit für die betrachteten Dateiendungen with a cue validity factor. In: 2016 IEEE Symposium Series on Computational Intelligence (SSCI). 6 – 9 Dec . 2016, Athens, Greece. Ed.: IEEE Computational Intelligence Society, 2016. [=2016b] Klüver, C.; Klüver, J.: Self-organized learning by self-enforcing networks. I n I n t e r n a t i on a l Wo r k- Con f e r e n c e on Ar t i f i c i a l Neu ra l Ne two r k s . I n : [Proceedings] International Work-Con- ference on Artificial Neural Networks IWANN 2013: Advances in Computational Intelligence, S. 518 – 529. Projekttitel: CCS Projekt-/Forschungsträger: EU; Projektträger Jülich (PtJ) – Forschungszentrum Jülich GmbH; Energie Technologie Nachhaltigkeit (ETN) amForschungszentrumJülich imAuftrag des Landes NRW Förderkennzeichen: IT-1-1-024c/EFRE-0800472 Projektpartner: Georg Heeg eK; Ingenieurbüro für Bauwesen Schmidt GmbH Internet: ccs.fir.de