基于施工过程的碳排放智能分析方法研究

《Buildings》：Research on an Intelligent Analysis Method for Carbon Emissions Based on Construction Processes

　　

针对施工阶段碳排放的监测需求，本文提出一种基于施工活动的智能分析方法。通过碳排放量化模型、数字孪生（Digital Twin, DT）监测模型和长短期记忆（Long Short-Term Memory, LSTM）预测模型的协同应用，实现施工碳排放的细粒度监测。首先，基于时间、空间和要素三个维度，构建了基于施工活动的碳排放量化模型，该模型精确捕捉了材料运输损耗、施工机械使用与碳排放之间的动态关系。其次，利用数字孪生技术，建立了集成要素信息、时间进程和模型层级三个维度的统一监测模型，实现了施工期间的连续数据采集。最后，引入长短期记忆（LSTM）神经网络以提高碳排放预测精度。以北京某公共建筑为案例，研究表明：以传统清单法为基准（该方法通过施工后对账验证的实际排放偏差为18%–25%），所提出的基于活动的模型将核心分部工程的核算偏差降低至3.2%以内，绝对值降低约15–22个百分点。LSTM预测模型在整体验证集上达到89%的短期预测准确率，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）约为11%；在具有代表性的两周预测案例中，模型MAPE为4.3%，预测值与实际排放的偏差为23 tCO₂e。这为建筑项目施工阶段的碳排放监测提供了一条可行的技术路径。

### 论文解读

#### 1. 研究背景、问题与意义

建筑行业的能源消耗是全球碳排放的重要来源，施工阶段的碳排放量仅次于运营阶段，但其排放时间更为集中，因此施工阶段碳排放的精确量化与有效管理在全生命周期建筑碳排放核算中占据关键地位。然而，现有研究与实践存在若干重大缺陷：首先，在碳排放测量方面，广泛采用的清单分析法基于施工前确定的设计量和平均损耗因子，本质上是静态的，无法捕捉现场施工的动态和非线性特征，即使引入建筑信息模型（BIM），计算仍锚定于计划进度和设计量，未能建立实际施工活动与碳排放之间的系统映射。其次，在系统性过程级监测能力上，数字孪生（DT）技术虽已应用于施工，但主要聚焦结构安全监测和进度追踪，缺乏将连续现场数据流与基于活动的碳排放核算引擎连接的具体机制，致使现场异常（如材料损耗率过高、机械过度使用）无法被及时量化并追溯到责任工序。同时，碳排放预测维度发展不足，现有基于LSTM的预测模型多基于宏观历史数据集训练，输入特征静态、聚合、时间粒度粗，无法接受施工场地生成的、带有过程标签的现场参数（如日材料消耗、机械台班使用量、运输距离），从而无法为现场施工管理提供前瞻性预警。为填补上述空白，研究人员提出一种遵循施工过程逻辑的碳排放智能分析方法，包含三个协同组件：基于施工活动的碳排放量化模型、数字孪生全流程监测模型以及基于LSTM的预测模型。该方法的创新在于三者形成的闭环机制：监测模型以施工节奏向量化模型供给实时消耗数据，使其从静态估算器转变为动态过程追踪器；精炼的排放时间序列作为LSTM模型的训练和推理输入，其输出为管理调整提供前瞻性依据。该架构将施工碳排放核算从纯粹的事后项目报告提升为过程可追溯、趋势可预测的管理工具，使碳热点可在施工期间定位到单位工序层面。论文发表在《Buildings》。

#### 2. 主要关键技术方法

研究人员为开展此研究采用了以下主要关键技术方法：（1）基于施工活动的碳排放量化模型：从时间、空间、要素三个维度定义核算边界，将施工过程分解为单位工序、工作项、分部工程，通过实时材料消耗（P_mi）和机械台班使用量（S_mi）与排放因子相乘，自下而上逐级汇总，建立动态过程量化方法。（2）数字孪生全流程监测模型：参考陶飞等构建的五维数字孪生模型，建立包含要素信息维度、时间进程维度和模型层级维度的监测体系，部署异构传感器网络（材料堆场称重传感器、施工机械能耗监测模块、运输车辆GPS-油耗终端），每隔5分钟传输数据至边缘计算节点，通过10分钟滑动时间窗进行数据同步，并基于Hyperledger Fabric联盟链（采用Practical Byzantine Fault Tolerance共识机制）实现数据不可篡改存储。（3）基于LSTM的深度学习预测模型：基于熵权法确定六大影响因子（主材类型、低碳材料利用率、运输储存损耗率、施工能源类型、清洁能源利用率、新型施工技术）的综合权重，构建LSTM网络（隐藏层数为1，步长T=7），采用5折交叉验证和Adam优化器（学习率0.1，L1损失函数）进行训练，以施工周期前t天数据预测未来第t+γ天的碳排放评估指标H_t。案例样本来自北京某公共建筑，总建筑面积39,350 m²，框架-剪力墙结构，预制率30%，施工期2023年3月至2024年12月，部署32个物联网监测终端。

#### 3. 研究结果

**3.1 验证监测模型（Validation of the Monitoring Model）**：通过选取五项典型应急场景（混凝土泵车机械过载、钢材损耗超标、工序碳排放超阈值、运输路线偏离、设备能耗异常）测试数字孪生监测模型的全流程响应时间。结果显示，监测模型对这些场景的平均响应时间为3.3分钟，满足≤5分钟的实时控制目标；基于50次应急事件（每次场景10次，包括调试期间的诱导异常和施工期间的自然事件）评估，警告准确率达到92%（46次真阳性，3次假阳性，1次假阴性），假阳性率6.0%，假阴性率2.0%。

**3.2 验证预测模型（Validation of the Prediction Model）**：利用项目前16个月的监测数据（480组原始数据，以7天步长分为68个训练样本）训练LSTM模型，预测2024年5月未来两周地上主体工程的碳排放。预测结果与实际值对比显示：模型预测两周累计排放量为535 tCO₂e，实际记录值为512 tCO₂e，绝对偏差23 tCO₂e，该预测窗口的平均绝对百分比误差（MAPE）为4.3%，对应短期预测准确率95.7%。在全验证集（5折交叉验证样本和预测窗口）上，模型总体MAPE约为11%，对应整体短期预测准确率89%。注意：该结果需考虑样本量限制（单项目18个月施工期衍生77个有效样本），应视为初始基准。

**3.3 多维碳排放量化结果（Multi-Dimensional Carbon Emission Quantification Results）**：以传统清单法（GB/T 51366-2019）为基准（该方法基于设计量和估算台班，与施工后材料核对和燃油收据验证的实际排放偏差为18%–25%），所提出的基于活动的模型将核心分部工程的核算偏差降低至3.2%以内，绝对值降低约15–22个百分点。各分部工程中，地下及地上主体工程占总排放的86.8%，为主控排放源。材料相关碳排放占比极高（地下主体工程中材料占比98.7%，地上主体工程为99.0%），这一结果与已有研究一致。

**3.4 关键影响因素敏感性分析（Sensitivity Analysis of Key Influencing Factors）**：基于熵权法确定的权重进行单因素敏感性分析（各因子变化±20%）。敏感性排名显示：主材类型（敏感性系数0.915）是对碳排放影响最敏感的正向因子，其次为施工能源类型（0.620）。低碳材料利用率（-0.435）和清洁能源利用率（-0.340）敏感性虽略低但具有明确的工程调整空间；运输储存损耗率（0.375）和新型施工技术（-0.210）敏感性较低，但仍可通过精细化管理实现边际减排。

**3.5 低碳优化策略（Low-Carbon Optimization Strategies）**：基于量化结果和敏感性分析提出三项优化策略。第一，提高主体结构预制率：案例中预制率从30%提升至40%可减少约1200 m³现场混凝土浇筑和约180吨钢筋绑扎工作量，对应两周预测窗口期内23 tCO₂e的减排量；延伸至全工期预计可为主体工程减排8%–12%。第二，优化施工能源类型：将柴油动力设备替换为电动设备，优化运输路线使材料运输距离控制在10 km以内（与表4验证的路线偏离阈值一致），预计可减少机械相关排放15%–20%（约120–160 tCO₂e）。第三，降低运输储存损耗率：通过恢复钢材损耗率至设计允许值（5%）以内结合GIS路线优化，预计减少材料废弃物排放3%–5%。三项策略综合效应预计可为案例项目实现10%–15%的整体减排。

#### 4. 讨论与结论

**讨论部分**：研究人员首先将所提方法与现有研究进行了比较。在量化精度上，传统清单法基于静态设计数据，而本研究基于活动的量化模型通过引入实时数据将核心分部工程核算偏差降至3.2%以内，较传统方法（偏差18%–25%）绝对值降低15–22个百分点。在实时监测能力上，以往研究多为回顾性汇总报告，本研究的数字孪生监测模型结合物联网和区块链实现了3.3分钟平均应急响应时间和92%的警告准确率。在预测性能上，LSTM模型整体短期预测准确率89%（MAPE≈11%），两周案例MAPE为4.3%，与Liu等在交通领域的LSTM预测精度相当。敏感性分析识别的主材类型和施工能源类型为最主要因子，与Li等关于装配式建筑和Sandanayake等关于基础施工的研究结论一致。验证的局限性在于仅针对单个公共建筑（框架-剪力墙结构，预制率30%），未来需扩展至不同气候区域（温度、恶劣天气通过间接影响材料消耗、机械台班和运输工作量改变核心输入参数）以及不同建筑结构类型（钢、砌体等）和基础设施类别，同时引入动态排放因子（如供应商环境产品声明）。

**研究结论部分**：针对建筑项目施工阶段碳排放监测的需求，本文提出一种基于施工过程的碳排放智能分析方法。该方法通过三个模型的协同应用实现了精细化管理：施工碳排放量化模型、数字孪生监测模型和LSTM预测模型。通过北京某公共建筑项目的验证，核心结论如下：

（1）施工碳排放量化模型从时间、空间和要素三个维度定义边界，将基于活动的清单分析与实时数据相结合，建立了多层级计算逻辑，精确映射影响碳排放的关系。案例验证显示，以传统清单法为基准（偏差18%–25%），所提模型将核心分部工程核算偏差降低至3.2%以内，较基准绝对值降低约15–22个百分点，从而解决了传统方法缺乏动态性的问题。

（2）数字孪生监测模型集成了要素信息、时间进程和模型层级三个维度，结合物联网和区块链技术，实现了实时数据采集和可信传输。监测响应时间≤5分钟，警告准确率达到92%，填补了对所有施工要素实时监测的空白，并支持动态资源分配。

（3）LSTM预测模型采用与施工周期一致的7天步长，通过5折交叉验证优化了小样本问题，全验证集整体短期预测准确率为89%（MAPE≈11%）。在两周案例研究中，预测值与实际排放的MAPE为4.3%，对应绝对偏差23 tCO₂e。

（4）关键影响因素分析表明，主材类型和施工能源类型是影响施工碳排放的核心敏感因子；低碳材料利用率、运输距离、设备效率等因子具有明确的工程调整潜力，为设计减排策略提供了量化依据。

（5）结合工程应用，明确了控制优先级：地上和地下主体工程是重点分部工程；材料相关碳排放是核心来源；主材类型和施工能源类型是核心影响因素。所提出的低碳策略可实现10%–15%的减排量，可为类似项目提供参考。本研究提出的施工碳排放智能分析方法可为基础设施全生命周期低碳管理中的施工阶段提供核心技术支撑，有效衔接基础设施建设与运维阶段的碳排放控制，减少全生命周期低碳管理的过渡断层，为基础设施可持续发展提供实践参考。未来研究将通过纳入不同气候区域和不同建筑结构类型的工程数据扩大样本量，进一步增强LSTM模型的泛化能力。