风险知情的数字孪生框架用于可持续施工调度和不确定性下的碳优化

《Sustainability》:A Risk-Informed Digital Twin Framework for Sustainable Construction Scheduling and Carbon Optimization Under Uncertainty

【字体: 大 中 小 】 时间:2026年07月28日 来源:Sustainability 4.1

编辑推荐:

  建筑行业贡献了全球能源相关CO2排放的34%,但现有的数字孪生(Digital Twin, DT)在施工中的应用仍主要是描述性的,缺乏主动执行管理所需的预测和处方能力。本研究作为基于仿真的概念验证,提出并评估了一个风险知情的DT框架,该框

  
建筑行业贡献了全球能源相关CO2排放的34%,但现有的数字孪生(Digital Twin, DT)在施工中的应用仍主要是描述性的,缺乏主动执行管理所需的预测和处方能力。本研究作为基于仿真的概念验证,提出并评估了一个风险知情的DT框架,该框架整合了形式化的DT状态转移模型、双深度学习预测引擎(长短期记忆网络(Long Short-Term Memory, LSTM)和Transformer)、基于蒙特卡洛(Monte Carlo)的概率碳量化(用于生命周期模块A1–A5,S = 10,000),以及一个包含碳方差的风险调整非支配排序遗传算法II(Non-dominated Sorting Genetic Algorithm II, NSGA-II)优化器,并置于封闭的每周反馈循环中。该框架在五个欧洲案例研究(住宅、教育和商业办公;荷兰、英国和法国)上进行了评估,这些案例基于已发表的项目数据,主要校准于一个混合真实–合成的中高层住宅建筑(CS1;7200 m2,八层,荷兰),并配有一个完全文档化的合成层,用于生成已发表来源未提供的执行记录。在每案例50个执行实现、使用公共随机数的模拟下,完整框架相对于静态关键路径法(Critical Path Method, CPM)基线,在预期工期上实现了5.8–13.2%的同步改进,在预期隐含碳上实现了10.4–16.4%的改进;对于CS1,平均强度从476降至426 kgCO2e/m2。组件消融分析确定了双目标优化器为主要贡献者,移除后碳增加11.7–20.2%,且所选Pareto解对风险规避参数λ在[0, 1]范围内保持不变,表明风险调整作为报告碳目标的保守性边际,而非改变决策的偏好。该框架将施工DT从描述性监控工具推进到风险知情决策支持,提供了一个透明且可重复的基准,推进了施工调度和隐含碳管理中数据驱动的可持续性。
**论文解读:风险知情的数字孪生框架助力可持续施工调度与碳优化**

**研究背景与问题**

建筑行业是全球碳排放的重要来源,贡献了约34%的能源相关CO2排放,但其数字化转型程度极低。施工项目普遍面临成本超支和进度延误,大型项目平均成本超支79%、进度延误52%,且70%的基础设施项目出现延误,平均超支73%。这些问题根源于静态规划工具(如关键路径法,CPM)无法适应施工现场的动态和不确定条件,导致项目事件与管理决策之间脱节。数字孪生(Digital Twin, DT)技术通过实现物理施工过程与虚拟表示之间的连续双向同步,提供了超越静态规划的路径,但现有DT应用仍以描述性为主,缺乏预测和处方能力。同时,深度学习预测、多目标优化和概率碳建模等领域各自取得进展,但尚未整合为一个统一系统来同时管理工期性能和碳排放。本研究旨在填补这一空白,通过开发一个风险知情的闭环DT框架,实现施工调度与隐含碳的协同优化。

**研究内容与结论**

研究人员提出了一个基于仿真的概念验证性风险知情DT框架,该框架集成了形式化DT状态转移方程、双模型AI预测引擎(LSTM和Transformer)、五分量概率碳模型(基于EN 15978标准,含蒙特卡洛模拟)以及风险调整的NSGA-II优化器,并置于每周反馈循环中。框架在五个欧洲案例(荷兰、英国、法国,涵盖住宅、教育和商业办公)上进行了评估,主要校准于一个混合真实–合成的中高层住宅楼(CS1)。在每案例50个执行实现、使用公共随机数的模拟下,完整框架相对于静态CPM基线,实现了5.8–13.2%的预期工期改进和10.4–16.4%的预期隐含碳减少;对于CS1,平均碳强度从476降至426 kgCO2e/m2。消融实验表明,双目标优化器是主要贡献者,移除后碳增加11.7–20.2%。所选Pareto解对风险规避参数λ在[0,1]范围内保持不变,表明风险调整作为报告碳目标的保守性边际,而非改变决策的偏好。该框架将施工DT从描述性监控工具推进到风险知情决策支持,提供了一个透明且可重复的基准,推进了数据驱动的可持续性。论文发表在《Sustainability》。

**主要关键技术方法**

研究人员采用了以下关键技术方法:(1)形式化DT状态转移方程,用于每周更新项目状态,整合物联网(IoT)观测、AI预测和优化决策;(2)双模型AI预测引擎,其中LSTM用于短期工期和碳预测,Transformer用于长期碳预测,基于任务特异性分配;(3)五分量概率碳模型,覆盖生命周期模块A1–A5(材料、运输、设备、废弃物、现场能源),采用蒙特卡洛模拟(S=10,000)量化不确定性,参数分布基于ecoinvent v3和ICE v3数据库及文献证据;(4)风险调整的NSGA-II优化器,以最小化预期剩余工期和风险惩罚碳目标为双目标,决策变量包括结构加速、填充加速、低碳材料替代、设备空转减少、现场能源管理和围护结构快速跟踪,受资源约束(x1+x2≤1.4);(5)闭环每周反馈循环,通过BIM(建筑信息模型)和IoT观测驱动。案例来源包括:CS1基于Thiele et al.、Usmanov和Benke et al.的已发表数据;CS2–CS5分别基于UKGBC、Waugh Thistleton Architects、Eiffage Construction和Cundall的已发表项目数据,所有案例均辅以文档化的合成执行记录生成器。

**研究结果**

**4.1 实验设置**:训练和评估数据由文档化的随机执行模拟器生成,每案例60个独立种子执行实现用于训练,15个不重叠实现用于测试,采用12周窗口。LSTM和Transformer架构超参数固定,未进行网格搜索,但敏感性检查显示结果稳定。

**4.2 AI预测引擎性能**:LSTM和Transformer在全部五个案例上均取得高精度,R2值均超过0.96,残差分布接近零,无系统性偏差。跨案例泛化测试(训练集为CS1+CS3+CS4,测试集为CS2和CS5)显示R2≥0.963,表明架构泛化能力。

**4.3 蒙特卡洛碳排放分布**:每案例基于所选决策进行S=10,000次模拟,90%置信区间宽度为均值的27–36%,预算合规概率在40%–63%之间,确认概率量化的必要性。

**4.4 NSGA-II Pareto前沿性能**:归一化超体积(HV)均超过0.58,反向世代距离(IGD)低于0.10,表明前沿覆盖和收敛性良好。所选Pareto点对应λ=0.5。

**4.5 比较基线分析**:完整框架相对于三种基线(B1:静态CPM;B2:描述性DT加手动响应;B3:仅工期优化)均实现同步改进。B2仅改善工期(4.7–6.3%),碳基本不变;B3工期最快(+10.6%至+15.8%)但碳无改善甚至增加;完整框架在工期上比B3慢2.7–4.6个百分点,但碳减少10.4–16.4%。

**4.6 碳成分分解**:现场能源碳减少最大(?26%至?35%),设备碳减少14–24%,材料和废弃物碳减少8–13%,运输碳不变。碳减少幅度因建筑类型而异。

**4.7 DT状态演化**:通过代表性模拟实现展示闭环自适应机制,当预测超支超过5%阈值时触发恢复,提高加速至资源上限并暂时降低材料替代,四周后恢复。干预频率因项目规模和结构而异。

**4.8 风险参数λ敏感性**:所选解在λ∈{0,0.5,1.0}范围内完全一致,表明风险调整作为保守性边际而非决策改变偏好。

**4.9 消融研究**:移除双目标优化器导致碳增加11.7–20.2%,工期增加1.2–7.9%,确认其为最主导组件。移除自适应恢复层仅牺牲0.5–1.5%工期,碳略降(1.0–4.3%)。移除风险调整影响不超过±3.8%。

**4.10 模型架构比较**:LSTM和Transformer在各自任务上精度相近(R2 0.965–0.991),任务特异性分配基于互补能力(LSTM支持延迟风险分类,Transformer适合长序列)。

**讨论与结论总结**

讨论部分指出,闭环DT框架在所有案例上优于三种基线,实现同步工期和碳改进,直接回应了静态规划工具的缺陷。调度优化(B3)单独反而恶化碳表现,强调双目标公式的必要性。概率碳模型揭示了确定性估计的不足,其90%置信区间宽度为均值27–36%,表明确定性模型可能误判碳风险。消融实验确认优化器为主要驱动,自适应和风险调整层贡献较小但专门化价值。框架将施工DT从被动监控转向主动风险知情决策,计算开销适中(每周重新规划在单CPU上10–20秒),但部署重点在于BIM映射、数据流整合和组织障碍。局限性包括:传感器噪声仅通过简化模型表示;IoT流为合成数据;验证仅限于五个欧洲建筑;NSGA-II超参数未针对每建筑类型调优;蒙特卡洛dropout预测区间覆盖率不足;所有泛化证据来自模拟器,缺乏现场验证。

研究结论:本研究开发并评估了一个基于仿真的风险知情闭环DT框架,用于同时优化施工调度和预使用隐含碳(A1–A5)。在完全文档化的可重复仿真基准下,完整框架相对于静态CPM基线实现了5.8–13.2%的工期改进和10.4–16.4%的隐含碳减少;主要案例CS1的平均碳强度从476降至426 kgCO2e/m2。消融分析确定双目标优化器为主要贡献者,自适应恢复层贡献工期韧性,风险调整层提供保守性边际,且后者对λ不变。贡献在于系统集成而非单个组件,提供了透明基准。该框架初步在仿真中验证了集成方法,但未展示现场性能。未来研究应优先部署于有实时BIM–IoT流的项目,扩展至运营碳(B6–B7),校准不确定性量化,并验证非欧洲和基础设施类型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号