Abstract
Ett Bayesian Belief Network är ett diagrammatiskt sätt att resonera probabilistiskt och förstå kausal inferens i komplexa system. Vi föreslår att man använder Bayesian Belief Networks (BBN) i de tidiga skedena av designprojekt för att lyfta fram komponenter med hög risk för fel. Genom att identifiera dessa komponenter med hög risk kan man informera om hur resurserna bäst bör användas för kostsamma modelleringsuppgifter. Dessutom kan komponenter med hög risk innebära krav på funktionell modellering, vilket i sin tur kommer att påverka utformningen av flexibla system för kritiska områden. Detta tillvägagångssätt har potential att avsevärt minska riskerna genom att fokusera och informera modelleringsarbetet, vilket i sin tur ökar chansen att projektet ska lyckas och sänker kostnaderna för alla inblandade intressenter.
Med hjälp av en prototyp av en programvaruapplikation som utvecklats för att snabbt skapa BBN och beräkna ett slutligt sannolikhetsvärde för ett specifikt utfall (”arbetsprodukten”) testar vi olika projektscenarier som samlats in genom tre intervjuer med yrkesverksamma inom branschen. I varje fall identifierar vi en aspekt av projektet som förändrades under projektets gång med långtgående konsekvenser. Genom att justera värdena och strukturen i dessa nätverk formulerar vi specifika funktionskrav för digitala modeller och i vissa fall de tillhörande byggsystemen. Vi finner att dessa krav skulle ha ökat det totala värdet av deras respektive projekt genom att direkt ta itu med de områden med stark påverkan och osäkerhet som identifierats i BBN.