De vraag naar het transporteren van goederen binnen de stad stijgt, en daarmee stijgt het aantal bestelwagens. Dit heeft negatieve effecten op de luchtkwaliteit, geluid, veiligheid en leefbaarheid in de stad. LEVV’s (Licht Elektrische Vracht Voertuigen) bieden een potentiële oplossing voor deze problemen. Er is veel enthousiasme voor de LEVV’s, en verschillende bedrijven zijn begonnen met het aanbieden van deze voertuigen. Toch zijn er nog veel bedrijven die aarzelen om hiermee te beginnen. Nieuwe kennis over de logistieke concepten die nodig zijn voor de toepassing van de LEVV’s is nodig. Dit onderzoek geeft de uitkomsten van acht casestudies weer, waarin gekeken is naar de benodigdheden om LEVV’s succesvol in te zetten in de praktijk.
MULTIFILE
While smart maintenance is gaining popularity in professional engineering and construction management practice, little is known about the dimensions of its maturity. It is assumed that the complex networked environment of maintenance and the rise of data-driven methodologies require a different perspective on maintenance. This paper identifies maturity dimensions for smart maintenance of constructed assets that can be measured. A research design based on two opposite cases is used and data from multiple sources is collected in four embedded case studies in corporate facility management organizations. Through coding data in several cross-case analyses, a maturity framework is designed that is validated through expert consultation. The proposed smart maintenance maturity framework includes technological dimensions (e.g., tracking and tracing) as well as behavioral dimensions (e.g., culture). It presents a new and encompassing theoretical perspective on client leadership in digital construction, integrating innovation in both construction and maintenance supply networks.
Individuals with mild intellectual disabilities or borderline intellectual functioning are at increased risk to develop a substance use disorder—however, effective treatment programs adapted to this target group are scarce. This study evaluated the effectiveness of Take it Personal!+ in individuals with mild intellectual disabilities or borderline intellectual functioning and substance use disorder. Take it Personal!+ is a personalized treatment based on motivational interviewing and cognitive-behavioral therapy supported by an mHealth application. Data were collected in a nonconcurrent multiple baseline single-case experimental design across individuals with four phases (i.e., baseline, treatment, posttreatment, and follow-up). Twelve participants were randomly allocated to baseline lengths varying between 7 and 11 days. Substance use quantity was assessed during baseline, treatment, and posttreatment with a daily survey using a mobile application. Visual analysis was supported with statistical analysis of the daily surveys by calculating three effect size measures in 10 participants (two participants were excluded from this analysis due to a compliance rate below 50%). Secondary, substance use severity was assessed with standardized questionnaires at baseline, posttreatment, and follow-up and analyzed by calculating the Reliable Change Index. Based on visual analysis of the daily surveys, 10 out of 12 participants showed a decrease in mean substance use quantity from baseline to treatment and, if posttreatment data were available, to posttreatment. Statistical analysis showed an effect of Take it Personal!+ in terms of a decrease in daily substance use in 8 of 10 participants from baseline to treatment and if posttreatment data were available, also to posttreatment. In addition, data of the standardized questionnaires showed a decrease in substance use severity in 8 of 12 participants. These results support the effectiveness of Take it Personal!+ in decreasing substance use in individuals with mild intellectual disabilities or borderline intellectual functioning.
Wat zorgt dat product data circuleert, zodat de circulaire prestaties van een waardeketen verbetert? Afspraken over omgang met data tussen organisaties biedt een mogelijke oplossing. Dit project onderzoekt de effectiviteit van deze afspraken op de circulaire prestaties van een waardeketen.Doel Het doel van dit project is om het delen van product data gedurende de productlevenscyclus te verbeteren door het inrichten data governance tussen organisaties waardoor de circulaire prestatie van een waardeketen wordt verbeterd. Resultaten Data governance raamwerk voor waardeketens welke de uitwisseling van product data stimuleert. Bewustzijn binnen organisaties over het belang van het delen van product data om de circulaire prestaties te verbeteren. Looptijd 01 september 2022 - 31 augustus 2026 Aanpak Het project bestaat uit drie deelstudies: Multiple case study – Relatie delen product data en circulariteit Multiple case study – Invloed data governance op delen product data Survey – Valideren resultaten deelstudie 1 en 2
Het project ‘Design Thinking bij Nationale Militaire Inzet Koninklijke Landmacht’- Fase1 (NMIKL fasse1) is gericht op nieuwe creatieve methoden om complexe vraagstukken van de Landmacht Nationale Inzet (LNI) op te lossen. Binnen het convenant tussen de Hogeschool Utrecht (HU) en LNI heeft LNI haar hulpvraag voorgelegd om de vele complexe vraagstukken van diverse aard te helpen oplossen. Het ontbreekt LNI aan een methode om de Inmiddels 75 benoemde complexe vraagstukken met ingewikkelde onderlinge relaties op te pakken. Dergelijke complexe vraagstukken worden ‘wicked problems’ genoemd. Ze bevatten gestapelde problematiek, zoals technologische uitdagingen, de factoren van duurzaamheid, klimaat en vergrijzing van de beroepsbevolking. Daar bovenop komt de toegenomen bedreiging van vrede in Europa. Om een gedegen vraagarticulatie voor de meest belangrijke LNI vraagstukken op te stellen, is een aanpak gewenst, die bij deze ‘wicked problems’ past. Suit-case (een HU-MKB-partner) is opgericht door TU Delft studenten, die gespecialiseerd zijn in het aanpakken van complexe vraagstukken met creatieve methoden, zoals ‘design thinking’ en ‘transition theory management’. Suit-case wil graag haar aanpak geschikt maken voor hiërarchisch gestructureerde organisaties zoals Defensie, zodat de techniek beschikbaar komt voor dergelijke bedrijven( zoals Shell, NS, enzovoorts). Ook deze bedrijven hebben te maken met de maatschappelijke uitdagingen en ‘wicked problems’ en hebben gezien de klimaat-doelstellingen versnelling in hun transitie-proces en daarmee vraagoplossendvermogen nodig. Co-Design van de HU heeft veel ervaring met DT binnen de zorg. Samen gaan we DT beter beschikbaar maken voor grote bedrijven met een hiërarchische structuur zodat ook zij complexe vraagstukken innovatief kunnen oppakken. Door minimaal drie LNI-vraagstukken te doorlopen wordt de ontwikkelde aanpak getest en leert LNI de methoden in de praktijk toe te passen. Het resultaat is een nieuwe, methodologisch onderbouwde vraagarticulatie-aanpak voor complexe vraagstukken voor hiërarchisch georganiseerde organisaties zoals LNI en drie goede vraagarticulaties met aanpak.
The project aim is to improve collusion resistance of real-world content delivery systems. The research will address the following topics: • Dynamic tracing. Improve the Laarhoven et al. dynamic tracing constructions [1,2] [A11,A19]. Modify the tally based decoder [A1,A3] to make use of dynamic side information. • Defense against multi-channel attacks. Colluders can easily spread the usage of their content access keys over multiple channels, thus making tracing more difficult. These attack scenarios have hardly been studied. Our aim is to reach the same level of understanding as in the single-channel case, i.e. to know the location of the saddlepoint and to derive good accusation scores. Preferably we want to tackle multi-channel dynamic tracing. • Watermarking layer. The watermarking layer (how to embed secret information into content) and the coding layer (what symbols to embed) are mostly treated independently. By using soft decoding techniques and exploiting the “nuts and bolts” of the embedding technique as an extra engineering degree of freedom, one should be able to improve collusion resistance. • Machine Learning. Finding a score function against unknown attacks is difficult. For non-binary decisions there exists no optimal procedure like Neyman-Pearson scoring. We want to investigate if machine learning can yield a reliable way to classify users as attacker or innocent. • Attacker cost/benefit analysis. For the various use cases (static versus dynamic, single-channel versus multi-channel) we will devise economic models and use these to determine the range of operational parameters where the attackers have a financial benefit. For the first three topics we have a fairly accurate idea how they can be achieved, based on work done in the CREST project, which was headed by the main applicant. Neural Networks (NNs) have enjoyed great success in recognizing patterns, particularly Convolutional NNs in image recognition. Recurrent NNs ("LSTM networks") are successfully applied in translation tasks. We plan to combine these two approaches, inspired by traditional score functions, to study whether they can lead to improved tracing. An often-overlooked reality is that large-scale piracy runs as a for-profit business. Thus countermeasures need not be perfect, as long as they increase the attack cost enough to make piracy unattractive. In the field of collusion resistance, this cost analysis has never been performed yet; even a simple model will be valuable to understand which countermeasures are effective.