Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
本研究提出了一种可解释人工智能框架，该框架利用经过文献校准的 1,200 种建筑原型模拟，通过先进的回归算法和基于 SHAP 的特征分析，准确预测建筑废弃物和隐含碳强度，展示了集成材料数据如何增强早期决策支持的预测准确性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每当一座建筑从地面拔地而起，它都会留下两道截然不同却又紧密相连的足迹。其一是最终进入垃圾填埋场的剩余砖块、切断的管道和包装材料；其二是为制造构成墙体的钢材、混凝土和玻璃而释放出的隐形温室气体云。几十年来，工程师和建筑师一直将这两个结果视为两个独立的问题。他们可能会计算一个项目会产生多少废弃物，同时使用另一套完全不同的工具来估算其碳排放量。然而，导致浪费的选择——比如订购过多的材料、切割不当或设计方案在后期发生变更——正是决定结构中锁定了多少污染的那些选择。为了真正为未来而建造，建筑行业需要一种方法，能够在第一把铲子触碰土地之前，从最初的草图阶段就能同时看到这两类足迹。
来自印度的研究团队开发了一种全新的方法来实现这一目标。他们创建了一个数字框架，利用人工智能同时预测建筑材料的施工废弃物和碳排放量。他们面临的挑战是缺乏现实世界的数据。在混乱的建筑工地现实中，关于究竟产生了多少废弃物以及每种材料精确碳成本的记录，很少能以易于比较的方式被保存下来。由于不存在具有这种特定对齐信息的公共数据库，研究人员并没有尝试猜测或伪造记录。相反，他们构建了一个透明的计算机生成模拟系统。他们创建了1200个虚拟建筑项目，涵盖从小型办公室到大型医院的不同规模，并为它们分配了如结构体系、气候带和施工方法等现实特征。对于每个虚拟项目，他们使用既定的科学公式来精确计算将产生多少废弃物和碳，从而创造了一个完美的“地面真相”（ground truth），以便随后测试他们的预测结果。
研究人员训练了六种不同类型的机器学习算法，让它们通过观察项目的基本细节（如规模、楼层数、结构类型和当地气候）来推测废弃物和碳排放的结果。他们在两种不同的场景下测试了这些算法。在第一种场景中，计算机仅了解早期设计细节，类似于客户在最初聘请建筑师时所掌握的信息。在第二种场景中，计算机获得了关于特定材料用量（如钢材或混凝土的具体重量）的额外信息。结果显示，即使只有早期的设计细节，人工智能也能做出令人惊讶的准确预测。对于建筑废弃物，表现最好的模型预测垃圾量的误差率低于12%。然而，在不知道具体材料数量的情况下，预测碳排放量变得更加困难。当计算机获得有关材料用量的额外信息后，其预测碳排放的能力显著提升，误差率减半。
这项工作的特别价值在于，研究人员不仅仅是建立了一个只输出数字的“黑箱”。他们为系统配备了一个能够解释“为何”做出特定预测的功能。通过分析数据，该系统识别出了驱动废弃物和碳排放数值背后的最重要因素。它发现，结构体系类型（即建筑是由钢筋混凝土、钢材还是木材构成）是最大的单一影响因素。楼层数、再生材料的使用量以及窗墙比也起到了重要作用。例如，模拟证实，使用更多预制件（在受控工厂中制造）通常会导致建筑现场产生的废弃物更少。这些解释让建筑师和工程师能够理解他们可以操作的杠杆。他们可以看到，选择不同的结构体系或增加再生材料的使用比例，将直接改变预测的结果。
研究还揭示了关于如何使用这些工具的一个关键细微差别。研究人员发现，最复杂、功能最强大的算法并不总是最佳选择。对于预测碳排放，一旦已知材料数量，一个更简单、更直观的数学模型表现得与复杂模型一样出色。这表明在现实世界中，最好的工具取决于所掌握的信息。如果团队处于设计的极早期阶段，一个能够从通用项目细节中发现隐藏模式的高级模型是非常有用的。但一旦知道了材料数量，一个更简单、更透明的模型可能同样准确且更容易让人信任。研究人员强调，其结果是基于受控模拟而非特定的现实城市或市场，因此确切的数字不应被视为对未来每一栋建筑的保证。然而，该框架本身证明了将废弃物和碳排放预测整合进一个统一、可解释的系统中是完全可能的。这种方法为建筑业提供了一条路径，使其能在流程的更早期做出更明智、更可持续的决策，确保未来的建筑不仅高效，而且从蓝图上的第一笔线条开始，就是更清洁、更少浪费的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。