Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
यह अध्ययन एक व्याख्यात्मक कृत्रिम बुद्धिमत्ता (एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस) ढांचे को प्रस्तुत करता है जो उन्नत प्रतिगमन एल्गोरिदम (रिग्रेशन एल्गोरिदम) और SHAP-आधारित फीचर विश्लेषण के माध्यम से निर्माण अपशिष्ट और एम्बॉडीड कार्बन तीव्रता की सटीक भविष्यवाणी करने के लिए 1,200 भवन आर्केटाइप्स के साहित्य-कैलिब्रेटेड सिमुलेशन का उपयोग करता है, यह प्रदर्शित करते हुए कि कैसे सामग्री डेटा को एकीकृत करना प्रारंभिक-चरण के निर्णय समर्थन के लिए भविष्य कहनेवाला सटीकता को बढ़ाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जब भी कोई इमारत ज़मीन से ऊपर उठती है, तो वह दो अलग लेकिन गहराई से जुड़े हुए पदचिह्नों (footprints) का निशान छोड़ जाती है। एक है ईंटों के बचे हुए ढेर, कटी हुई पाइप और पैकेजिंग जो लैंडफिल में जाकर जमा हो जाते हैं; दूसरा है ग्रीनहाउस गैसों का अदृश्य बादल जो दीवारों को बनाने के लिए स्टील, कंक्रीट और कांच बनाने के दौरान निकलता है। दशकों से, इंजीनियरों और वास्तुकारों ने इन दोनों परिणामों को अलग-अलग समस्याओं के रूप में माना है। वे यह गणना कर सकते हैं कि एक परियोजना से कितना कचरा उत्पन्न होगा, जबकि कार्बन उत्सर्जन का अनुमान लगाने के लिए वे पूरी तरह से अलग उपकरणों का उपयोग करते हैं। फिर भी, वे विकल्प जो कचरा पैदा करते हैं—जैसे बहुत अधिक सामग्री मंगवाना, उसे गलत तरीके से काटना, या खेल के बीच में डिज़ाइन बदल देना—वही विकल्प हैं जो यह निर्धारित करते हैं कि संरचना में कितनी प्रदूषण क्षमता समाहित है। भविष्य के लिए निर्माण करने हेतु, उद्योग को इन दोनों पदचिह्नों को एक साथ देखने के तरीके की आवश्यकता है, और वह भी शुरुआती रेखाचित्रों (sketches) के समय ही, इससे पहले कि पहली कुदाल ज़मीन पर लगे।
भारत के शोधकर्ताओं की एक टीम ने बिल्कुल ऐसा ही करने का एक नया तरीका विकसित किया है। उन्होंने एक डिजिटल ढांचा तैयार किया है जो कृत्रिम बुद्धिमत्ता (AI) का उपयोग करके किसी इमारत की सामग्री के निर्माण कचरे और कार्बन उत्सर्जन, दोनों का एक साथ पूर्वानुमान लगाता है। उनके सामने सबसे बड़ी चुनौती वास्तविक दुनिया के डेटा की कमी थी। निर्माण स्थलों की अव्यवस्थित वास्तविकता में, इस तरह से रिकॉर्ड नहीं रखे जाते कि यह आसानी से तुलना की जा सके कि वास्तव में कितना कचरा उत्पन्न हुआ और प्रत्येक सामग्री की सटीक कार्बन लागत क्या थी। चूंकि इस विशिष्ट, संरेखित जानकारी के साथ कोई सार्वजनिक डेटाबेस मौजूद नहीं था, इसलिए शोधकर्ताओं ने अनुमान लगाने या रिकॉर्ड गढ़ने की कोशिश नहीं की। इसके बजाय, उन्होंने एक पारदर्शी, कंप्यूटर-जनित सिमुलेशन बनाया। उन्होंने 1,200 आभासी (virtual) निर्माण परियोजनाएं बनाईं, जिनमें छोटे कार्यालयों से लेकर बड़े अस्पतालों तक शामिल थे, और उन्हें संरचनात्मक प्रणाली, जलवायु क्षेत्र और निर्माण विधियों जैसे यथार्थवादी गुण दिए। प्रत्येक आभासी परियोजना के लिए, उन्होंने स्थापित वैज्ञानिक सूत्रों का उपयोग करके यह गणना की कि वास्तव में कितना कचरा और कार्बन उत्पन्न होगा, जिससे एक सटीक "ग्राउंड ट्रुथ" (ground truth) प्राप्त हुआ जिसका उपयोग वे अपने पूर्वानुमानों का परीक्षण करने के लिए कर सकें।
शोधकर्ताओं ने छह अलग-अलग प्रकार के मशीन-लर्निंग एल्गोरिदम को प्रशिक्षित किया ताकि वे परियोजना के बुनियादी विवरणों—जैसे कि उसका आकार, मंजिलों की संख्या, संरचना का प्रकार और स्थानीय जलवायु—को देखकर कचरे और कार्बन के परिणामों का अनुमान लगा सकें। उन्होंने इन एल्गोरिदम का परीक्षण दो अलग-अलग परिदृश्यों में किया। पहले परिदृश्य में, कंप्यूटर के पास केवल प्रारंभिक चरण के डिज़ाइन विवरण थे, जैसा कि एक क्लाइंट को तब पता होता है जब वह पहली बार किसी वास्तुकार को नियुक्त करता है। दूसरे परिदृश्य में, कंप्यूटर को सामग्रियों की विशिष्ट मात्रा जानने का अतिरिक्त लाभ दिया गया, जैसे कि स्टील या कंक्रीट की सटीक मात्रा। परिणामों ने दिखाया कि केवल प्रारंभिक डिज़ाइन विवरणों के साथ भी, कृत्रिम बुद्धिमत्ता आश्चर्यजनक रूप से सटीक भविष्यवाणियां कर सकती थी। निर्माण कचरे के लिए, सर्वश्रेष्ठ मॉडल ने 12 प्रतिशत से कम की त्रुटि सीमा के साथ कचरे की मात्रा का अनुमान लगाया। हालांकि, सामग्री की मात्रा जाने बिना कार्बन उत्सर्जन की भविष्यवाणी करना कठिन था। जब कंप्यूटर को सामग्री की मात्रा के बारे में अतिरिक्त जानकारी दी गई, तो कार्बन उत्सर्जन की भविष्यवाणी करने की उसकी क्षमता नाटकीय रूप से सुधर गई, जिससे त्रुटि दर आधी हो गई।
इस कार्य को जो चीज़ विशेष रूप से मूल्यवान बनाती है, वह यह है कि शोधकर्ताओं ने केवल एक ऐसा "ब्लैक बॉक्स" नहीं बनाया जो सिर्फ एक संख्या उगल देता है। उन्होंने अपने सिस्टम को एक ऐसी विशेषता से लैस किया जो यह समझा सके कि उसने एक विशिष्ट भविष्यवाणी क्यों की। डेटा का विश्लेषण करके, सिस्टम ने कचरे और कार्बन के आंकड़ों के पीछे के सबसे महत्वपूर्ण कारकों की पहचान की। इसने पाया कि संरचनात्मक प्रणाली का प्रकार—चाहे इमारत प्रबलित कंक्रीट (reinforced concrete), स्टील या लकड़ी से बनी हो—सबसे बड़ा कारक था। मंजिलों की संख्या, पुनर्चक्रित (recycled) सामग्री का उपयोग, और खिड़कियों तथा दीवार के क्षेत्रफल का अनुपात भी प्रमुख भूमिका निभाते थे। उदाहरण के लिए, सिमुलेशन ने पुष्टि की कि अधिक प्रीफैब्रिकेटेड (पहले से निर्मित) हिस्सों का उपयोग करने से, जो नियंत्रित कारखानों में बनाए जाते हैं, निर्माण स्थल पर आमतौर पर कम कचरा होता है। ये स्पष्टीकरण वास्तुकारों और इंजीनियरों को उन नियंत्रण बिंदुओं (levers) को समझने में मदद करते हैं जिन्हें वे नियंत्रित कर सकते हैं। वे देख सकते हैं कि एक अलग संरचनात्मक प्रणाली चुनना या पुनर्चक्रित सामग्री के उपयोग को बढ़ाना सीधे तौर पर अनुमानित परिणामों को कैसे बदल देगा।
अध्ययन ने यह भी स्पष्ट किया कि इन उपकरणों का उपयोग कैसे किया जाना चाहिए, इसके बारे में एक महत्वपूर्ण सूक्ष्म अंतर (nuance) क्या है। शोधकर्ताओं ने पाया कि सबसे जटिल, शक्तिशाली एल्गोरिदम हमेशा सबसे अच्छे विकल्प नहीं होते हैं। कार्बन उत्सर्जन की भविष्यवाणी करने के लिए, एक सरल, सीधा गणितीय मॉडल जटिल मॉडलों के समान ही प्रभावी प्रदर्शन करता था, एक बार जब सामग्री की मात्रा ज्ञात हो जाती है। यह सुझाव देता है कि वास्तविक दुनिया में, सबसे अच्छा उपकरण उपलब्ध जानकारी पर निर्भर करता है। यदि कोई टीम डिज़ाइन के बहुत शुरुआती चरणों में है, तो एक परिष्कृत मॉडल जो सामान्य परियोजना विवरणों में छिपे हुए पैटर्न खोज सकता है, उपयोगी है। लेकिन एक बार जब सामग्री की मात्रा ज्ञात हो जाती है, तो एक सरल, पारदर्शी मॉडल उतना ही सटीक और अधिक विश्वसनीय हो सकता है। शोधकर्ता इस बात पर जोर देते हैं कि उनके परिणाम एक नियंत्रित सिमुलेशन पर आधारित हैं, न कि किसी विशिष्ट वास्तविक शहर या बाजार पर, इसलिए सटीक संख्याओं को हर भविष्य की इमारत के लिए गारंटी नहीं माना जाना चाहिए। हालाँकि, यह ढांचा स्वयं यह सिद्ध करता है कि कचरे और कार्बन की भविष्यवाणी को एक एकल, व्याख्या योग्य प्रणाली में संयोजित करना संभव है। यह दृष्टिकोण निर्माण उद्योग को प्रक्रिया के शुरुआती चरणों में ही स्मार्ट और अधिक टिकाऊ निर्णय लेने का मार्ग प्रदान करता है, जिससे यह सुनिश्चित होता है कि कल की इमारतें न केवल कुशल हों, बल्कि ब्लूप्रिंट की पहली रेखा खींचने से ही स्वच्छ और कम अपव्ययी भी हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।