Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Diese Studie präsentiert ein Framework für erklärbare künstliche Intelligenz, das eine literaturbasierte Kalibrierung einer Simulation von 1.200 Gebäudetypologien nutzt, um Bauabfälle und die Kohlenstoffintensität des grauen Kohlenstoffs durch fortschrittliche Regressionsalgorithmen und eine SHAP-basierte Merkmalsanalyse präzise vorherzusagen, wobei demonstriert wird, wie die Integration von Materialdaten die Vorhersagegenauigkeit für die Entscheidungsunterstützung in frühen Phasen verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Mal, wenn ein Gebäude aus dem Boden wächst, hinterlässt es eine Spur aus zwei unterschiedlichen, aber tief miteinander verbundenen Fußabdrücken. Der eine ist der Haufen aus übrig gebliebenen Ziegeln, abgeschnittenen Rohren und Verpackungen, der auf einer Deponie landet; der andere ist die unsichtbare Wolke aus Treibhausgasen, die bei der Herstellung von Stahl, Beton und Glas freigesetzt wird, die die Wände bilden. Jahrzehntelang haben Ingenieure und Architekten diese beiden Ergebnisse als getrennte Probleme behandelt. Sie berechnen vielleicht, wie viel Abfall ein Projekt erzeugen wird, während sie gleichzeitig einen völlig anderen Satz an Werkzeugen verwenden, um dessen Kohlenstoffemissionen zu schätzen. Doch genau jene Entscheidungen, die Abfall verursachen – zu viel Material zu bestellen, schlecht zu schneiden oder das Design spät im Prozess zu ändern –, sind dieselben Entscheidungen, die bestimmen, wie viel Verschmutzung in der Struktur festgeschrieben ist. Um wirklich für die Zukunft zu bauen, benötigt die Branche eine Möglichkeit, beide Fußabdrücke gleichzeitig zu sehen, und zwar direkt ab den ersten Skizzen, noch bevor der erste Spaten den Boden berührt.
Ein Forschungsteam aus Indien hat einen neuen Weg entwickelt, um genau das zu tun. Sie haben ein digitales Framework entwickelt, das künstliche Intelligenz nutzt, um sowohl den Bauabfall als auch die Kohlenstoffemissionen der Baumaterialien gleichzeitig vorherzusagen. Die Herausforderung, vor der sie standen, war der Mangel an realen Daten. In der unordentlichen Realität von Baustellen werden Aufzeichnungen darüber, wie viel Abfall exakt produziert wurde und wie hoch die präzisen Kohlenstoffkosten für jedes einzelne Material waren, selten in einer Weise geführt, die leicht vergleichbar ist. Da keine öffentliche Datenbank mit diesen spezifischen, abgestimmten Informationen existierte, versuchten die Forscher nicht, Datensätze zu erraten oder zu fälschen. Stattdessen bauten sie eine transparente, computergenerierte Simulation. Sie erstellten 1.200 virtuelle Bauprojekte, die von kleinen Büros bis hin zu großen Krankenhäusern reichten, und wiesen ihnen realistische Merkmale wie Tragwerke, Klimazonen und Konstruktionsmethoden zu. Für jedes virtuelle Projekt verwendeten sie etablierte wissenschaftliche Formeln, um exakt zu berechnen, wie viel Abfall und Kohlenstoff produziert werden würde, wodurch sie eine perfekte „Grundwahrheit“ (Ground Truth) schufen, an der sie ihre Vorhersagen testen konnten.
Die Forscher trainierten sechs verschiedene Arten von Machine-Learning-Algorithmen, um die grundlegenden Details eines Projekts – wie etwa dessen Größe, die Anzahl der Stockwerke, die Art des Tragwerks und das lokale Klima – zu analysieren und die Abfall- sowie Kohlenstoffergebnisse zu schätzen. Sie testeten diese Algorithmen in zwei verschiedenen Szenarien. Im ersten Szenario kann der Computer nur die Details der frühen Entwurfsphase kennen, ähnlich dem, was ein Klient weiß, wenn er zuerst einen Architekten engagiert. Im zweiten Szenario erhielt der Computer den Zusatzvorteil, die spezifischen Mengen der Materialien zu kennen, wie etwa das exakte Gewicht von Stahl oder Beton. Die Ergebnisse zeigten, dass die künstliche Intelligenute selbst mit nur den frühen Entwurfsdetails überraschend genaue Vorhersagen treffen konnte. Für den Bauabfall konnte das beste Modell die Menge des Mülls mit einer Fehlermarge von weniger als 12 Prozent vorhersagen. Die Vorhersage der Kohlenstoffemissionen war jedoch schwieriger, ohne die spezifischen Materialmengen zu kennen. Als der Computer die zusätzlichen Informationen über die Materialmengen erhielt, verbesserte sich seine Fähigkeit, die Kohlenstoffemissionen vorherzusagen, drastisch und halbierte die Fehlerrate.
Was diese Arbeit besonders wertvoll macht, ist, dass die Forscher nicht nur eine „Black Box“ gebaut haben, die einfach nur eine Zahl ausspuckt. Sie statteten ihr System mit einer Funktion aus, die erklärt, warum es eine bestimmte Vorhersage getroffen hat. Durch die Analyse der Daten identifizierte das System die wichtigsten Einflussfaktoren hinter den Abfall- und Kohlenstoffzahlen. Es fand heraus, dass die Art des Tragwerks – ob das Gebäude aus Stahlbeton, Stahl oder Holz besteht – der bedeutendste Einzelfaktor war. Die Anzahl der Stockwerke, der Anteil an recyceltem Material und das Verhältnis von Fenstern zur Wandfläche spielten ebenfalls eine große Rolle. Beispielsweise bestätigte die Simulation, dass die Verwendung von mehr vorgefertigten Teilen, die in kontrollierten Fabriken hergestellt werden, im Allgemeinen zu weniger Abfall auf der Baustelle führt. Diese Erklärungen ermöglichen es Architekten und Ingenieuren zu verstehen, an welchen Hebeln sie ansetzen können. Sie können sehen, dass die Wahl eines anderen Tragwerks oder die Erhöhung des Anteils an recyceltem Material die vorhergesagten Ergebnisse direkt verändern wird.
Die Studie enthüllte auch eine entscheidende Nuance darüber, wie diese Werkzeuge eingesetzt werden sollten. Die Forscher fanden heraus, dass die komplexesten, leistungsfähigsten Algorithmen nicht immer die beste Wahl waren. Für die Vorhersage der Kohlenstoffemissionen war ein einfacheres, direkteres mathematisches Modell genauso leistungsfähig wie die komplexen Modelle, sobald die Materialmengen bekannt waren. Dies deutet darauf an, dass das beste Werkzeug in der realen Welt davon abhängt, welche Informationen verfügbar sind. Wenn sich ein Team in einem sehr frühen Stadium des Entwurfs befindet, ist ein ausgeklügeltes Modell, das verborgene Muster in allgemeinen Projektdetails finden kann, nützlich. Aber sobald die Materialmengen bekannt sind, kann ein einfacheres, transparenteres Modell ebenso genau und leichter nachvollziehbar sein. Die Forscher betonen, dass ihre Ergebnisse auf einer kontrollierten Simulation basieren und nicht auf einer spezifischen realen Stadt oder einem Markt, weshalb die exakten Zahlen nicht als Garantie für jedes zukünftige Gebäude betrachtet werden sollten. Das Framework selbst beweist jedoch, dass es möglich ist, die Vorhersage von Abfall und Kohlenstoff in ein einziges, erklärbares System zu kombinieren. Dieser Ansatz bietet der Bauindustrie einen Weg nach vorn, um bereits in einem frühen Prozessschritt smartere, nachhaltigere Entscheidungen zu treffen und sicherzustellen, dass die Gebäude von morgen nicht nur effizient, sondern auch schon ab der ersten Linie auf einem Bauplan sauberer und weniger verschwenderisch sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.