融合生命周期评价与双重去偏机器学习的再生沥青路面碳排放预测及因果效应分析

《Sustainability》：From Prediction to Causal Inference: Multi-Model Double Machine Learning for Life-Cycle Carbon Optimization of RAP Mixtures

　　

摘要

再生沥青路面（RAP）的高效回收是交通基础设施低碳转型的关键。传统碳核算方法基于四个因素——RAP掺量、老化程度、再生剂用量和拌合温度——难以捕捉多参数耦合下的排放模式，也难以剥离混杂因素以识别真正的因果效应。本研究以单车道沥青路面功能单元（长1 km、宽3.75 m、厚0.18 m）为研究对象，针对上述问题，本文将生命周期评价（LCA）、热力学机理模型、多模型机器学习和双重去偏机器学习（DML）相结合，构建了碳排放预测与因果分析框架。首先，以再生沥青路面为LCA模型，生成覆盖四个因素的10,206组碳排放与成本数据集，并嵌入非线性热力学计算。然后，通过引入可观测的工程条件、批次变异和高斯白噪声，构建了3000组半合成日观测数据。最后，采用分组五折交叉验证，对BP神经网络、随机森林、XGBoost和SVR-RBF四种预测模型进行了比较。BP模型达到了最高的预测精度（R² = 0.9638），被选为交叉拟合DML的辅助学习器。估计的基于模型的干预效应显示：RAP掺量每增加10个百分点、老化系数每增加0.1、再生剂用量每增加1个百分点、拌合温度每升高10 °C，分别产生12.492、7.077、13.189和8.632 t CO₂当量排放。这些结果表明，材料循环与减碳并不自动保证经济可持续性。该框架将资源循环性、因果过程理解和低碳工艺优化相连接，为以可持续性为导向的RAP决策提供支持。本研究可为沥青路面回收的低碳设计与工艺优化提供参考。