基于混合自编码器-预测器模型的建筑材料生命周期末端循环性预测新方法

为解决建筑废弃物循环利用和材料可追溯性难题，研究人员开发了一种混合自编码器-预测器模型，通过材料成分预测产品生命周期末端路径。该模型基于8,680份环境产品声明(EPD)数据训练，平均误差仅0.01%，MAE为3.3%，RMSE为6.2%，R2达0.82。研究揭示了设计可拆卸性和回收含量对循环决策的关键影响，同时指出当前报告实践的不一致性，为政策制定和可持续设计提供了数据支持。

　　

建筑行业正面临严峻的废弃物挑战，全球每年产生超过8亿吨建筑拆除废弃物(CDW)，占欧盟总废弃物量的三分之一以上。与此同时，建筑行业贡献了全球21%的人为温室气体排放，其中近五分之一来自水泥、钢材等材料的隐含碳。尽管循环经济理念日益受到重视，但建筑材料在生命周期末端的去向仍然难以追踪，特别是对于缺乏标准化文档的老旧建筑。这种状况导致大量可回收材料被填埋，不仅浪费资源，还加剧了环境负担。

传统方法依赖环境产品声明(EPD)中的叙述性描述，但这些信息往往缺乏结构化，难以支持数据驱动的决策。虽然欧盟计划在2026年试点数字产品护照(DPP)以改善材料可追溯性，但当前仍需要过渡性解决方案。在此背景下，Roger Vergés等人开发了一种创新的机器学习模型，能够根据材料组成预测建筑产品的生命周期末端路径，相关成果发表在《Review of Materials Research》上。

研究人员采用了三项关键技术方法：首先利用大型语言模型(LLM)从8,680份标准化EPD中提取和结构化数据；其次采用Word2Vec模型将材料组成转化为300维语义向量；最后开发了混合自编码器-预测器架构，通过50维潜在空间表征实现高效预测。数据预处理包括标准化术语、解决同义词和多词材料分解，并通过SMOTE技术处理类别不平衡问题。

在材料组成影响方面，研究发现某些材料是循环性的"促进者"，如铝、玻璃和钢材产品显示出较高的回收潜力；而"限制者"如石膏、玻璃棉等则倾向于填埋处理。值得注意的是，混凝土因其骨料的可回收性表现出相对较高的回收率，而木材制品则主要走向焚烧能源回收。

可拆卸性潜力分析显示，从"困难"到"不可能"拆卸的转变导致填埋率中位数从38%激增至71%，回收率则从18%骤降至2%。这凸显了设计可拆卸性(DfD)对实现循环的关键作用。相比之下，材料组成高度单一的产品如纯铝隔墙，其回收率保持在80%左右，几乎不受拆卸难度影响。

循环来源影响呈现复杂图景：铝、玻璃等材料随着循环来源比例增加回收率提升，而石膏等材料则因多次循环后性能退化呈现相反趋势。这种材料特异性差异呼吁差异化的循环策略，而非一刀切的解决方案。

研究结论部分强调，该模型实现了0.01%的平均误差和0.82的R2，显著优于传统PCA方法。其创新性体现在：通过语义嵌入处理未知材料；揭示设计可拆卸性与循环来源的交互影响；识别材料特异性降解模式。尽管存在报告不一致等限制，这项研究为建筑行业提供了实用的循环性评估工具，支持从材料层面优化设计决策，推动可持续建设实践。

讨论部分指出，模型误差主要源于制造商报告实践的不一致性，特别是再利用、修复等类别的语义重叠。这呼吁政策层面建立更标准化的报告框架，类似生命周期阶段(A1-A3)的明确定义。未来研究可结合Transformer架构提升性能，并通过实际案例验证模型的实用价值。总体而言，这项工作推动了建筑行业循环经济的数字化评估，为政策制定、采购决策和生态设计提供了重要依据。