Abstract
Een Bayesian Belief Network is een schematische manier om probabilistisch te redeneren en om causale gevolgtrekkingen in complexe systemen te begrijpen. Wij stellen voor om Bayesian Belief Networks (BBN) te gebruiken in de vroege stadia van ontwerpprojecten om componenten met een hoog risico op falen te markeren. Het identificeren van deze componenten met een hoog risico kan informatie opleveren over hoe middelen het beste gebruikt kunnen worden voor kostbare modelleringstaken. Bovendien kunnen componenten met een hoog risico functionele modelleringseisen opleggen, die op hun beurt informatie zullen verschaffen over het ontwerp van flexibele systemen voor kritieke gebieden. Deze aanpak heeft het potentieel om risico’s aanzienlijk te verminderen door modelleringsinspanningen te richten en te informeren, wat op zijn beurt de kans op succes van het project verhoogt en de kosten voor alle betrokken belanghebbenden verlaagt.
Met behulp van een prototype softwaretoepassing die is ontwikkeld om snel BBN’s te maken en een uiteindelijke waarschijnlijkheidswaarde van een specifieke uitkomst (het “werkproduct”) te berekenen, testen we verschillende projectscenario’s die zijn verzameld via drie interviews met professionals uit de industrie. In elk geval identificeren we een aspect van het project dat in de loop van het project veranderde met verreikende implicaties. Door de waarden en de structuur van deze netwerken aan te passen, formuleren wij specifieke functionele vereisten voor digitale modellen en in sommige gevallen, de bijbehorende bouwsystemen. We stellen vast dat deze vereisten de totale waarde van hun respectieve projecten zouden hebben verhoogd door de gebieden van sterke invloed en onzekerheid die in de BBN werden geïdentificeerd, rechtstreeks aan te pakken.