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