Growing volumes of wood are being used in construction, interior architecture, and product design, resulting in increasing amounts of wood waste. Using this waste is challenging, because it is too labor-intensive to process large volumes of uneven wood pieces that vary in geometry, quality, and origin. The project “Circular Wood for the Neighborhood” researches how advanced computational design and robotic production approaches can be used to create meaningful applications from waste wood. shifting the perception of circular wood as a simply harvested stream, towards a material with unique aesthetics of its own right. The complexity of the material is suggested to be tackled by switching from the object-oriented design towards designing soft systems. The system developed uses a bottom-up approach where each piece of wood aggregates according to certain parameters and the designed medium is mainly rule-sets and connections. The system is able to produce many options and bring the end-user for a meaningful co-design instead of choosing from the pre-designed options. Material-driven design algorithms were developed, which can be used by designers and end-users to design bespoke products from waste wood. In the first of three case studies, a small furniture item (“coffee table”) was designed from an old door, harvested from a renovation project. For its production, two principle approaches were developed: with or without preprocessing the wood. The principles were tested with an industrial robotic arm and available waste wood. A first prototype was made using the generated aggregation from the system, parametric production processes and robotic fabrication.
DOCUMENT
Advanced technology is a primary solution for the shortage of care professionals and increasing demand for care, and thus acceptance of such technology is paramount. This study investigates factors that increase use of advanced technology during elderly care, focusing on current use of advanced technology, factors that influence its use, and care professionals’ experiences with the use. This study uses a mixed-method design. Logfiles were used (longitudinal design) to determine current use of advanced technology, questionnaires assessed which factors increase such use, and in-depth interviews were administered to retrieve care professionals’ experiences. Findings suggest that 73% of care professionals use advanced technology, such as camera monitoring, and consult clients’ records electronically. Six of nine hypotheses tested in this study were supported, with correlations strongest between performance expectancy and attitudes toward use, attitudes toward use and satisfaction, and effort expectancy and performance expectancy. Suggested improvements for advanced technology include expanding client information, adding report functionality, solving log-in problems, and increasing speed. Moreover, the quickest way to increase acceptance is by improving performance expectancy. Care professionals scored performance expectancy of advanced technology lowest, though it had the strongest effect on attitudes toward the technology.
DOCUMENT
Game Mechanics is aimed at game design students and industry professionals who want to improve their understanding of how to design, build, and test the mechanics of a game. Game Mechanics will show you how to design, test, and tune the core mechanics of a game—any game, from a huge role-playing game to a casual mobile phone game to a board game. Along the way, we’ll use many examples from real games that you may know: Pac-Man, Monopoly, Civilization, StarCraft II, and others. The authors provide two features. One is a tool called Machinations that can be used to visualize and simulate game mechanics on your own computer, without writing any code or using a spreadsheet. The other is a design pattern library, including the deep structures of game economies that generate challenge and many kinds of feedback loops.
DOCUMENT
In het project CW4.0 onderzoeken MKB’ers uit de houtindustrie en Smart Industry samen met de Hogeschool van Amsterdam (HvA), kennispartners TNO, HMC en Bouwlab R&Do en partners in hospitality hoe zinvolle toepassingen te maken van resthout, met behulp van Industry 4.0-principes. Hoogwaardig hout blijft momenteel ongebruikt, omdat het te arbeids-intensief is grote hoeveelheden ongelijkmatige stukken hout van verschillende grootte en houtsoort te verwerken. Waardevol resthout wordt zo waardeloos afval, tegen de principes van de circulaire economie in. CW4.0 richt zich op de ontwikkeling van geautomatiseerde processen voor houtverwerking gebaseerd op Industry 4.0 technologieën - met behulp van digitale ontwerptools en industriële robots. Uit eerdere projecten van HvA en partners is gebleken dat deze processen het gebruik van resthout levensvatbaar kunnen maken, in het bijzonder voor toepassingen in de hospitality sector, bijvoorbeeld voor receptiebalies, hotelmeubilair en interieurdelen. CW4.0 wordt dan ook uitgevoerd in samenwerking met hospitality-ontwerpers en hotelketels. Het onderzoek concentreert zich op 1) het creëren van een digital twin (=digitale kopie van een beoogd object of proces, om dit te onderzoeken zonder het eerst te hoeven bouwen) van een ‘upcycle houtfabriek’; 2) het realiseren en beproeven van secties van de fabriek; 3) het ontwerpen en prototypen van hospitality toepassingen en 4) het evalueren van de business case van deze toepassingen en de fabriek in het algemeen. Na afloop is er kennis beschikbaar voor houtindustrie om afval te verminderen, voor Smart Industry om hun digitale technologieën toe te passen voor upcycling van materialen, en voor horecapartners om waardevolle toepassingen te creëren van resthout. Het project is een belangrijke stap in de opschaling van industriële robotproductie met circulaire materialen. Het legt een nieuwe, belangrijke verbinding tussen Smart Industry en de circulaire transitie, gericht op het aanpakken van urgente maatschappelijke uitdagingen verband houdend met materiële schaarste en de mondiale milieucrisis.
Hoogwaardig afvalhout van bewoners, bouwbedrijven en meubelmakers blijft momenteel ongebruikt omdat het te arbeidsintensief is om grote hoeveelheden ongelijke stukken hout van verschillende afmetingen en soorten te verwerken. Waardevol hout wordt waardeloos afval, tegen de principes van de circulaire economie in. In CW.Code werken Powerhouse Company, Bureau HUNC en Vrijpaleis samen met de HvA om te onderzoeken hoe een toegankelijke ontwerptool te ontwikkelen om upcycling en waardecreatie van afvalhout te faciliteren. In andere projecten hebben HvA en partners verschillende objecten gemaakt van afvalhout: een stoel, een receptiebalie, kleine meubels en objecten voor de openbare ruimte, vervaardigd met industriële robots. Deze objecten zijn 3D gemodelleerd met behulp van specifieke algoritmen, in de algemeen gebruikte ontwerpsoftware Rhino en Grasshopper. De projectpartners willen nu onderzoeken hoe deze algoritmen via een toegankelijke tool bruikbaar te maken voor creatieve praktijken. Deze tool integreert generatieve ontwerpalgoritmen en regelsets die rekening houden met beschikbaar afvalhout, en de ecologische, financiële en sociale impact van resulterende ontwerpen evalueren. De belangrijkste ontwerpparameters kunnen worden gemanipuleerd door ontwerpers en/of eindgebruikers, waardoor het een waardevol hulpmiddel wordt voor het co-creëren van circulaire toepassingen voor afvalhout. Dit onderzoek wordt uitgevoerd door HvA Digital Production Research Group, met bovengenoemde partners. HUNC heeft ervaring met stadsontwikkeling waarbij gebruik wordt gemaakt van lokaal gekapt afvalhout. Vrijpaleis biedt toegang tot een actieve, lokale community van makers met een sterke band met buurtbewoners. Powerhouse Company heeft ervaring in het ontwerpen met hout in de bouw. Alle drie kunnen profiteren van slimmere circulaire ontwerptools, waarbij beschikbaar materiaal, productiebeperkingen en impactevaluatie worden geïntegreerd. De tool wordt ontwikkeld en getest voor twee designcases: een binnenmeubelobject en een buitengevelelement. Bevindingen hiervan zullen leidend zijn bij de ontwikkeling van de tool. Na afronding van het project is een bètaversie gereed voor validatie door ontwerpers, bewonerscollectieven en onderzoek/onderwijs van de HvA.
Granular materials (GMs) are simply a collection of individual particles, e.g., rice, coffee, iron-ore. Although straightforward in appearance, GMs are key to several processes in chemical-pharmaceutical, high-tech, agri-food and energy industry. Examples include laser sintering in additive manufacturing, tableting in pharma or just mixing of your favourite crunchy muesli mix in food industry. However, these bulk material handling processes are notorious for their inefficiency and ineffectiveness. Thereby, affecting the overall expenses and product quality. To understand and enhance the quality of a process, GMs industries utilise computer-simulations, much like how cars and aeroplanes have been designed and optimised since the 1990s. Just as how engineers utilise advanced computer-models to develop our fuel-efficient vehicle design, energy-saving granular processes are also developed utilising physics-based simulation-models, using a computer. Although physics-based models can effectively optimise large-scale processes, creating and simulating a fully representative virtual prototype of a GMs process is very iterative, computationally expensive and time intensive. On the contrary, given the available data, this is where machine learning (ML) could be of immense value. Like how ML has transformed the healthcare, energy and other top sectors, recent ML-based developments for GMs show serious promise in faster virtual prototyping and reduced computational cost. Enabling industries to rapidly design and optimise, enhancing real-time data-driven decision making. GranML aims to empower the GMs industries with ML. We will do so by (i) performing an in-depth GMs-ML literature review, (ii) developing open-access ML implementation guidelines; and (iii) an open-source proof-of-concept for an industry-relevant use case. Eventually, our follow-up mission is to build upon this vital knowledge by (i) expanding the consortium; (ii) co-developing a unified methodology for efficient computer-prototyping, unifying physics- and ML-based technologies for GMs; (iii) enhancing the existing computer-modelling infrastructure; and (iv) validating through industry focused demonstrators.
