《Sustainability》:Project-Level Embodied Carbon Prediction Across Building Design Stages Using a Machine Learning Framework
编辑推荐:
快速且可靠的隐含碳排放预测对于支持可持续设计决策和减少建筑工程项目的环境影响至关重要。然而,现有研究主要关注单个建筑,对项目级预测以及设计阶段信息可用性差异的关注有限。为填补这一空白,研究人员基于一个包含78个项目(涉及426栋独立建筑)的数据集,开发了一个项
快速且可靠的隐含碳排放预测对于支持可持续设计决策和减少建筑工程项目的环境影响至关重要。然而,现有研究主要关注单个建筑,对项目级预测以及设计阶段信息可用性差异的关注有限。为填补这一空白,研究人员基于一个包含78个项目(涉及426栋独立建筑)的数据集,开发了一个项目级隐含碳排放预测的机器学习框架。利用项目属性、规模指标、结构特征、材料用量及施工相关信息,研究人员为方案设计阶段和施工图设计阶段分别构建了九个机器学习模型,并进一步引入了两种残差校正加权集成模型以提高预测性能。结果表明,在施工图设计阶段,Extra Trees–KNN残差校正加权集成模型表现最佳,测试集R2达到0.949。SHAP分析进一步揭示了主导驱动因素的阶段依赖性转变:在方案设计阶段,总建筑面积和用地面积为主导;而在施工图设计阶段,混凝土和钢筋用量成为主要预测因子。该框架为低碳设计决策提供了可解释的、分阶段定量的支持,从而有助于减少隐含碳排放,推动建成环境向更可持续的方向转型。
**论文解读:基于机器学习框架的建筑设计阶段项目级隐含碳排放预测**
### 研究背景与问题
随着全球气候治理的持续推进和建筑行业绿色低碳转型的深化,建筑领域已成为碳减排的关键部门。建筑活动不仅消耗大量资源,其碳排放不仅来自运营阶段,更大量来自上游阶段,包括建材生产、运输和现场施工。据《2024年中国城乡建设领域碳排放研究报告》显示,2022年中国建筑运营和建筑工业施工碳排放总量达51.3亿吨CO
2,占全国能源相关碳排放的48.3%,其中建筑工业施工贡献28.2亿吨CO
2。随着运营能效提升,碳减排焦点正逐渐转向隐含碳排放(embodied carbon)。由于隐含碳在早期产生、快速锁定且后期改造成本高昂,其减排潜力高度依赖设计阶段决策。因此,在不完全设计信息下快速可靠地预测建筑隐含碳排放,成为支持低碳设计和方案优化的关键问题。
当前,大多数建筑碳排放评估基于生命周期评估(LCA)框架,但传统详细核算方法依赖相对完整的工程量清单,在早期阶段信息有限时效率受限。相比之下,工程实践中低碳决策通常针对由多个建筑和附属工程组成的项目,而非孤立建筑。项目级隐含碳的形成机制更为复杂,不能简单视为各建筑排放的加总。然而,现有预测研究主要集中于单个建筑,项目级研究匮乏;同时,各设计阶段信息可用性差异显著。因此,开发高质量建筑工程隐含碳数据集并开展分阶段预测研究,对提升早期低碳决策的科学性和实用性具有重要意义。
### 研究内容与结论
本研究以建筑工程为分析单元,构建了“碳核算—数据库构建—分阶段预测—模型解释”的一体化研究框架,系统研究了项目级隐含碳排放。研究人员建立了一个包含15个解释变量的项目级样本数据库,涵盖78个有效项目,涉及426栋建筑,样本来自中国近五年竣工项目,包括住宅、公共和工业建筑。基于方案设计阶段和施工图设计阶段的信息可用性差异,分别构建了九个机器学习模型(包括线性回归、KNN、SVR、随机森林、Extra Trees、梯度提升、XGBoost、LightGBM和CatBoost),并引入残差校正加权集成策略。结果显示,在方案设计阶段,CatBoost在单模型中表现最佳(测试集R
2=0.760),Extra Trees-SVR集成模型进一步提升至R
2=0.778;在施工图设计阶段,Extra Trees表现最佳(R
2=0.944),Extra Trees-KNN集成模型达到R
2=0.949。SHAP可解释性分析揭示了主导驱动因素的阶段依赖性转变:方案设计阶段,总建筑面积和用地面积贡献最大(累计61.3%),而施工图设计阶段,混凝土和钢筋用量成为主要预测因子(累计47.9%),表明从“规模与形式主导”转向“材料与施工主导”。该研究论文发表在《Sustainability》期刊上。
### 关键技术方法
研究人员主要采用了以下关键技术方法:(1)碳核算方法:基于生命周期评估(LCA)框架,采用碳排放因子法,系统边界包括建材生产(A1–A3)、运输(A4)和现场施工(A5),整合国家标准GB/T 51366–2019、行业标准T/CCIAT 0104–2025及自建含2000余个因子的扩展数据库;(2)样本数据库构建:从中国近五年竣工项目的工程量清单、施工图、预算文件等提取数据,经数据清洗后得到78个有效项目样本(426栋建筑),涵盖15个解释变量;(3)机器学习模型:针对方案设计阶段和施工图设计阶段分别开发了9种算法模型,包括线性回归(LR)、K近邻(KNN)、支持向量回归(SVR)、随机森林(RF)、极端随机树(ET)、梯度提升回归(GB)、XGBoost、LightGBM和CatBoost;(4)残差校正加权集成策略:在单模型比较基础上,方案设计阶段组合Extra Trees和SVR,施工图设计阶段组合Extra Trees和KNN,采用贝叶斯岭回归(Bayesian Ridge)作为残差学习器进行残差校正加权集成;(5)SHAP可解释性分析:基于合作博弈论中的Shapley值,分解模型输出为各特征边际贡献之和,揭示关键驱动因素及其效应方向和非线性响应模式。
### 研究结果
**4.1 方案设计阶段预测性能**
基于方案设计阶段特征集(10个变量),对9个模型进行性能比较。结果表明,树集成模型表现较好,其中CatBoost、Extra Trees和梯度提升(GB)在测试集上R
2分别达到0.760、0.754和0.746。线性模型表现较弱。预测散点图显示,良好表现的树集成模型的样本点更紧密地聚集在理想线附近,多数测试样本落在±10%误差带内。这表明,即使缺乏详细工程量和材料信息,仅利用项目属性、规模指标和基本结构信息,仍可实现项目级隐含碳排放的初步预测,适用于早期设计阶段的趋势识别和方案比较。
**4.2 施工图设计阶段预测性能**
在施工图设计阶段(增加总工期、总机械台班、混凝土用量、钢筋用量、砂浆用量5个变量),模型性能显著优于方案设计阶段。Extra Trees表现最佳,测试集R
2达0.944,MAE和RMSE分别为7.50和10.00。SVR和梯度提升也表现良好,R
2分别为0.909和0.906。这表明,随着设计信息细化,输入特征与项目级隐含碳排放的对应关系显著增强,预测从初步趋势识别提升至较高精度的定量估计,为施工图细化、工程量校核和减排优化提供了直接定量支持。
**4.3 集成模型**
在单模型比较基础上,进一步开发了残差校正加权集成模型。方案设计阶段组合Extra Trees和SVR,贝叶斯岭回归作为残差学习器,测试集R
2提升至0.778;施工图设计阶段组合Extra Trees和KNN,测试集R
2达0.949,仅较单模型微幅提升。这表明,当主要材料用量和施工信息充分可用时,单模型已能充分捕捉碳排放形成机制,集成策略的额外收益有限;但集成方法在早期阶段更具实用价值。
**4.4 模型可解释性**
对各阶段最优集成模型进行SHAP分析。方案设计阶段,总建筑面积相对重要性最高(45.2%),其次是用地面积(16.1%)、抗震设防烈度(8.4%)、建筑栋数(5.6%)和结构类型(5.4%),前五变量累计贡献80.7%。施工图设计阶段,特征重要性显著转向材料用量和施工强度:混凝土用量(26.1%)、钢筋用量(21.8%)、总建筑面积(14.1%)、总机械台班(11.2%)和砂浆用量(8.2%),前五累计81.4%。SHAP依赖图显示,总建筑面积和用地面积在低中值区间SHAP值快速增长,高值区间逐渐平缓,呈现边际效应递减;混凝土和钢筋用量呈持续增长趋势,同样在高值区趋缓。总机械台班表现出更平滑稳定的正向增长模式。这些结果与工程知识和已有研究一致,验证了框架的工程可解释性。
### 讨论与结论
研究讨论部分指出,SHAP结果与既有工程认知和隐含碳研究高度一致。方案设计阶段,总建筑面积和用地面积作为项目规模和开发强度的综合指标,其正向贡献源于更大项目通常需要更多结构与非结构材料及施工投入。施工图设计阶段,混凝土和钢筋成为主导预测因子,因其在常见结构体系中用量庞大且生产阶段碳排放贡献显著。总机械台班反映了现场设备使用和施工强度,砂浆用量则体现了砌体、围护、抹灰等附加材料输入。这种从规模/形式指标向材料/施工指标的转变,与设计阶段信息逐步细化一致,增强了框架的实用可解释性,有助于识别碳密集型设计决策、优先实施材料效率措施,并促进各设计阶段更明智的可持续决策。
**研究结论(翻译自第5.1节主要发现)**
本研究调查了建筑工程项目隐含碳排放的核算、数据集构建、分阶段预测和模型解释。针对当前研究空白,包括缺乏高质量项目级标签、对阶段差异考虑不足以及预测结果工程可解释性有限,建立了“核算—数据库构建—预测—解释”的一体化研究框架。(1)建立了建筑工程项目隐含碳核算框架,以建筑工程而非单个建筑为分析单元,将建材生产、运输和施工纳入统一系统边界,并尽可能涵盖土建、机电安装、装饰装修、防水屋面及附属工程。(2)开发了项目级样本数据库,将研究对象从单个建筑扩展到项目级。整合GB/T 51366–2019、T/CCIAT 0104–2025及自建含2000余个碳排放因子的扩展数据库,基于工程量清单、施工图、预算文件等,汇编了78个建筑工程项目样本(涉及426栋建筑),为后续机器学习建模提供了可靠数据基础。(3)开发了20个项目级隐含碳预测模型(含集成模型),结果表现出明确的阶段适应性。方案设计阶段,CatBoost在单模型中表现最佳;施工图设计阶段,Extra Trees表现最佳。引入集成模型后,方案设计阶段Extra Trees-SVR模型测试集R
2提升至0.778,施工图设计阶段Extra Trees-KNN模型达0.949。结果表明,机器学习可有效支持项目级隐含碳预测,集成建模在早期信息有限时尤为有价值。(4)SHAP分析表明,建筑工程项目隐含碳排放的关键驱动因素呈现清晰的阶段依赖性转变,从方案设计阶段的“规模与形式主导”模式转变为施工图设计阶段的“材料与施工主导”模式。后者更直接地反映了材料投入和施工资源强度对项目级碳排放的影响。值得注意的是,总机械台班在施工图设计阶段仍贡献较强,说明施工阶段资源投入强度和组织复杂性是影响项目级隐含碳的重要因素,该特征的纳入也是本研究相对于以往研究的重要延伸。(5)结果进一步表明,当上游核算边界足够全面且碳排放因子覆盖充分时,下游预测模型不仅能够获得强预测精度,还能揭示与工程知识和SHAP解释结果高度一致的模式。总体而言,该框架通过提供快速、阶段适应且可解释的项目级隐含碳排放量化方法,有助于可持续建筑发展。它为方案设计阶段的低碳方案比较、施工图设计阶段的工程量校核与针对性减排,以及项目实施阶段的资源高效控制提供了统一的决策支持基础,从而促进隐含碳管理融入建筑设计与项目交付。