Ervaringen
De database van GeoBrain Funderingstechniek is nooit vol. Elke ervaring die wordt toegevoegd levert aanvullende informatie op. De ervaringen in de database van GeoBrain Funderingstechniek worden aangeleverd door funderingsaannemers en zijn gebaseerd op uitgevoerde projecten.
Een kort overzicht van de gegevens die per ervaringen zijn opgenomen in de database is hieronder weergegeven:
- Algemene projectgegevens
- Grondgegevens
- Gegevens met betrekking tot het equipement en gebruikte funderingselementen
- Omgevingskenmerken en eventuele schade aan de omgeving
- Verloop van het werk; wat ging er goed en fout
In de algemene bepaling in de Standaard RAW Bepalingen onder hoofdstuk 01.01.07 lid 06 en in de bepalingen in de suppletie bestanden van Rijkswaterstaat is het aanleveren van uitvoeringsgegevens opgenomen. Mogelijk bent u door deze bepalingen gewezen op deze website. U dient uw uitvoeringsgegevens online aan te leveren voor funderings- en boorwerken middels standaard invulformulieren die beschikbaar zijn op deze website.
Na afloop van het toevoegen van data kan de aannemer een overzicht downloaden van al de ingevulde gegevens. Dit kan richting de opdrachtgever als bewijs dienen voor het aanleveren van de gegevens.
Contact
Voor het aanleveren van de uitvoeringsgegevens neem contact op met Thomas Bles via 088 – 335 7531 of stuur een email naar info@geobrain.nl.
Al een account?
Log in op:
Inloggen is niet meer mogelijk
Voorspellingsmodellen
Tientallen experts samen weten meer dan een expert alleen. Dat is de gedachte achter de voorspellingsmodellen die binnen GeoBrain Funderingstechniek zijn ontwikkeld. Gebaseerd op expertkennis, aangevuld en gevalideerd met de praktijkervaringen uit de database, zijn modellen ontwikkeld waarmeer de uitvoerbaarheid van een ontwerp snel en eenvoudig kan worden gecontroleerd. Op termijn, bij een steeds grotere hoeveelheid data in de database, zal steeds systematischer geleerd kunnen worden van deze data en zullen de modellen steeds beter worden.
De recente positieve beoordeling van het GBF-voorspellingsmodel is een belangrijke mijlpaal in de ontwikkeling van de tool. Annemieke Mens MSc (TU Delft) valideerde het model in het kader van haar proefschrift naar de toepassing van kunstmatige intelligentie in funderingstechniek om zo faalkosten terug te dringen. “Met het GBF-model kan een ontwerper inderdaad een betere voorspelling doen over de kans op schade bij de uitvoering van het funderingsontwerp dan met de huidige formules in bijvoorbeeld CUR-richtlijn 166. Validatie van het model bleek overigens lastiger dan gedacht. Vooral de juistheid van negatieve voorspellingen is moeilijk te controleren. De kans dat die namelijk daadwerkelijk worden uitgevoerd is klein.”