Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
本研究は、文献に基づき校正された1,200種類の建築類型を用いたシミュレーションを活用し、高度な回帰アルゴリズムとSHAPに基づく特徴量分析を通じて建設廃棄物およびエンボディド・カーボン強度を正確に予測する説明可能な人工知能フレームワークを提示し、材料データの統合がいかに初期段階の意思決定支援における予測精度を高めるかを実証するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
建物が地面から立ち上がるたびに、それは二つの異なる、しかし深く結びついた足跡を残します。一つは、埋め立て地に送られるレンガの残りカスや、切り落とされたパイプ、梱包材といった廃棄物の山です。もう一つは、壁を形作る鉄鋼、コンクリート、ガラスを製造する際に放出される、目に見えない温室効果ガスの雲です。何十年もの間、エンジニアや建築家は、これら二つの結果を別々の問題として扱ってきました。彼らはプロジェクトがどれだけの廃棄物を生成するかを計算する一方で、構造物に封じ込められる汚染量を推定するために、全く異なる一連のツールを使用してきました。しかし、過剰な資材の発注、不適切な裁断、あるいは設計の late-stage（終盤）での変更といった「廃棄物を生む選択」こそが、まさに「構造物に封じ込められる汚染量」を決定づける選択でもあるのです。未来に向けて建設を行うためには、業界は最初のシャベルが地面に突き刺さる前、つまり初期のスケッチの段階から、両方の足跡を同時に捉える方法を必要としています。
インドの研究チームは、まさにそれを実現する新しい手法を開発しました。彼らは、人工知能を用いて、建設廃棄物と建材の炭素排出量の両方を同時に予測するデジタル・フレームワークを構築しました。彼らが直面した課題は、現実世界のデータの欠如でした。混沌とした建設現場の現実においては、どれだけの廃棄物が生成されたか、そして個々の資材の正確な炭素コストがどれくらいであったかという記録は、容易に比較できる形で残されていることは稀です。この特定の、整合性の取れた情報を含む公開データベースが存在しなかったため、研究者たちは推測や捏造を行おうとはしませんでした。代わりに、彼らは透明性の高いコンピュータ生成のシミュレーションを構築しました。彼らは、小規模なオフィスから大規模な病院まで、1,200の仮想的な建築プロジェクトを作成し、それらに構造システム、気候帯、建設方法といった現実的な特性を割り当てました。各仮想プロジェクトに対して、確立された科学的公式を用いて、どれだけの廃棄物と炭素が発生するかを正確に計算し、予測を検証するための完璧な「グラウンド・トゥルース（正解データ）」を作成しました。
研究者たちは、プロジェクトの基本詳細（サイズ、階数、構造の種類、現地の気候など）を見て、廃棄物と炭素の予測結果を推測するように、6種類の異なる機械学習アルゴリズムを訓練しました。彼らは、これらアルゴリズムを二つの異なるシナリオでテストしました。第一のシナリオでは、コンピュータは、クライアントが最初に建築家を雇う時に知っているような、設計の初期段階の詳細のみを知っています。第二のシナリオでは、コンピュータは、鉄やコンクリートの正確な重量といった、具体的な資材の使用量に関する追加情報を与えられました。結果は、初期の設計詳細さえあれば、人工知能が驚くほど正確な予測を行えることを示しました。建設廃棄物については、最良のモデルは誤差12パーセント未満でゴミの量を予測できました。しかし、資材の具体的な数量を知ることなしに炭素排出量を予測するのは困難でした。コンピュータが資材量に関する追加情報を得ると、炭素排出量の予測能力は劇的に向上し、誤差率は半分に減少しました。
この研究を特に価値あるものにしているのは、研究者が単に数字を吐き出すだけの「ブラックボックス」を作ったのではない点です。彼らは、システムに「なぜその特定の予測を行ったのか」を説明する機能を備えました。データを分析することで、システムは廃棄物と炭素の数値の背後にある最も重要な要因を特定しました。システムは、構造システムの種類（建物が鉄筋コンクリート、鉄骨、あるいは木造であるか）が、単一の最大の要因であることを突き止めました。階数、リサイクル資材の使用量、および窓と壁の面積比も主要な役割を果たしていました。例えば、シミュレーションは、工場内で制御された環境で作られるプレハブ部品の使用を増やすことが、一般的に建設現場での廃棄物を減らすことにつながることを確認しました。これらの説明により、建築家やエンジニアは、自らが操作できるレバー（手段）を理解することができます。彼らは、異なる構造システムを選択したり、リサイクルコンテンツの使用率を高めたりすることが、予測される結果を直接的に変化させることを理解できるのです。
また、この研究は、これらのツールをどのように使用すべきかについての重要なニュアンスも明らかにしました。研究者たちは、最も複雑で強力なアルゴリズムが必ずしも最善の選択ではないことを発見しました。炭素排出量を予測する場合、資材の数量が判明した後は、より単純で分かりやすい数学的モデルが、複雑なモデルと同等の性能を発揮しました。これは、現実世界において、最適なツールは利用可能な情報に依存することを示唆しています。もしチームが設計の非常に初期段階にいるのであれば、一般的なプロジェクトの詳細から隠れたパターンを見つけ出す洗練されたモデルが有用でしょう。しかし、一度資材の数量が判明すれば、より単純で透明性の高いモデルの方が、同等に正確で信頼しやすいものになります。研究者たちは、彼らの結果は制御されたシミュレーションに基づいたものであり、特定の都市や市場に関するものではないため、正確な数値は将来のあらゆる建物の保証となるものではないと強調しています。しかし、フレームワーク自体は、廃棄物と炭素の予測を一つの説明可能なシステムに統合することが可能であることを証明しています。このアプローチは、建設業界がプロセスのはじめの方から、よりスマートで持続可能な意思決定を行うための道筋を示しており、明日の建物が、設計図の最初の一本目の線が引かれた瞬間から、効率的であるだけでなく、よりクリーンで無駄の少ないものであることを確実にするものです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。