知识图谱增强的建筑垃圾碳影响评估与基于大语言模型的决策支持

《Environmental Impact Assessment Review》：Knowledge graph-enhanced carbon impact assessment of construction and demolition waste with large language model-based decision support

　　

建筑垃圾（C&DW）行业在分类、运输和处置阶段产生大量碳排放。然而，现有评估方法通常生成静态数值结果，在可追溯性、法规解读和决策支持方面存在局限。本文提出一种集成领域知识图谱（KG）与大语言模型（LLM）的框架，用于C&DW碳管理。在Neo4j中构建C&DW碳KG，连接废物类别、处理方法、设施信息、来源参考的排放因子、法规约束和计算碳结果。检索增强生成（RAG）机制将KG与GPT-4o连接，支持有证据依据的解释。在深圳一栋12层住宅的案例研究中，运输是主导排放阶段，敏感性和情景分析表明回收的碳效益取决于设施距离和回收率。基准测试中，完整KG-RAG总体准确率达0.918，而文档RAG为0.410，纯LLM基线为0.159，对所有范围外查询均弃权，无虚构数值。本文贡献了一种应用导向方法，集成碳核算、知识组织和法规感知解释，支持低碳C&DW管理中可追溯且可解释的决策。

《Environmental Impact Assessment Review》发表了题为“Knowledge graph-enhanced carbon impact assessment of construction and demolition waste with large language model-based decision support”的研究论文。该研究针对建筑垃圾（Construction and Demolition Waste, C&DW）管理中的碳影响评估问题，提出了一种集成知识图谱（Knowledge Graph, KG）与大语言模型（Large Language Model, LLM）的创新框架。以下是对论文主体部分的解读。

研究背景与意义

全球人口增长推动了建筑活动的增加，进而加剧了C&DW的产生。C&DW组成高度异构，主要包括混凝土、砖石、金属、砂浆、瓷砖、陶瓷、石棉、木材、玻璃、塑料和沥青等。在许多国家，大部分C&DW仍通过填埋处置，这不仅增加了运输和处置成本，还加剧了土地稀缺和资源消耗，并导致土壤和水污染。在某些地区，C&DW甚至需要跨区域运输进行回收或处置。在运输、处理和填埋过程中，C&DW消耗大量能源并产生可观的碳排放，成为整个建筑生命周期碳足迹的重要组成部分。在资源短缺和日益严格的环境保护要求背景下，C&DW的高效管理成为一项具有挑战性的任务，对资源回收和碳绩效具有深远影响。

尽管研究人员已从技术和政策角度探索了多种方法，包括建筑信息模型（Building Information Modeling, BIM）、机器学习、物联网（Internet of Things, IoT）、计算机视觉、机器人和地理信息系统（Geographic Information System, GIS）等，以提升分类效率、优化运输路线、改进回收技术和评估再生材料可行性，但现有碳评估方法主要依赖生命周期评价（Life Cycle Assessment, LCA）和排放因子数据库，通常生成静态数值结果，排放因子、处理路径、设施信息和法规要求与计算结果通常分开存储，限制了碳估算的可追溯性和解释性。同时，现有方法很少将碳核算与结构化法规约束集成，或提供交互式决策支持。知识图谱（KG）虽在建设领域有所应用，但将KG与碳排放建模结合以支持低碳决策的研究仍很缺乏。大语言模型（LLM）虽能处理非结构化文本，但单独依赖参数记忆易产生幻觉。检索增强生成（Retrieval-Augmented Generation, RAG）通过检索外部知识来 grounding LLM 响应，但现有LLM和RAG辅助的LCA工具主要操作于文档、清单数据库或BIM衍生材料描述，极少在项目级碳结果、来源参考排放因子和结构化法规约束集成的领域特定KG中。因此，研究人员开展此项研究，旨在填补这一空白。

研究内容与结论概述

研究人员开发了C&DW碳排放管理的集成框架，支持可追溯碳影响评估和法规感知决策。具体目标包括：构建领域特定C&DW碳KG；开发KG嵌入的碳排放核算机制；实现可追溯且法规感知的决策支持。贡献在于将成熟的知识管理和语言模型技术集成应用于C&DW碳管理，而非推进底层方法本身。

主要关键技术方法

研究人员采用案例研究，以中国深圳城市更新项目中一栋12层钢筋混凝土框架-剪力墙住宅建筑为样本队列，总建筑面积约1800 m²，建于1990年代。技术方法上，首先定义系统边界，涵盖废物产生后分类、运输、回收或处置的下游活动，排除拆除过程本身，功能单位定义为每吨处理C&DW的总碳排放（kgCO₂e/t）。其次，采用自顶向下本体设计构建C&DW碳KG，实体包括项目、废物项、废物类别、处理方法、排放因子、设施及法规条款，关系连接这些实体，通过Python脚本将结构化数据直接导入Neo4j。排放因子和法规（深圳市《建设工程垃圾减量技术标准》SJG21–2025）手动编码。然后，建立KG-RAG管道，用户查询映射到预定义参数化Cypher模板，从Neo4j确定性检索图记录，组织为结构化上下文输入GPT-4o生成证据 grounded 解释。最后，智能决策支持模块基于图检索、碳比较、合规筛选和LLM解释提供碳排放核算、热点识别、路径比较和合规筛查。

研究结果

1. 1.
   Introduction
   引言部分综述了C&DW管理现状，指出现有碳评估方法的局限，即数据碎片化、静态核算和缺乏交互支持，从而引出构建系统知识库和智能决策支持的必要性。
2. 2.
   Related research
   2.1. Carbon emission assessment in C&DW management
   该节回顾了C&DW管理中碳评估研究，指出现有方法遵循“活动数据×排放因子”原则，但排放因子、处理路径、设施、法规和结果分离，限制了可追溯性，需要更集成框架连接来源参考排放数据、项目计算、法规要求和低碳路径推荐。

2.2. Knowledge graphs in construction projects

该节总结了KG在施工项目中的应用，如危险识别、安全标准管理、BIM集成等，表明KG有潜力扩展至C&DW管理，通过领域特定C&DW碳KG整合碎片数据源，改善知识可追溯性，支持替代废物处理路径比较。

2.3. Large language models and retrieval-augmented generation

该节讨论了LLM和RAG在施工管理和LCA中的应用，指出结构化、领域特定和来源参考的检索可提供可审计证据链，但现有工具缺乏项目级碳结果、排放因子和法规在KG中的集成，定义了本研究的边际贡献。

1. 3.
   Methodology
   3.1. Definition of the system boundary
   研究人员定义了系统边界从C&DW在施工现场产生点开始，至最终处置或利用阶段结束，排除拆除过程。边界包括收集分类、运输、回收处理和最终处置四个阶段，功能单位为每吨处理废物碳排放。

3.2. Ontology and knowledge graph construction

3.2.1. Ontology design

采用自顶向下本体设计，核心碳核算实体包括项目、废物项、废物类别、处理方法、排放因子和设施，法规实体代表条款级要求等。关系连接项目到废物项、废物项到材料类别、类别到处理方法、处理方法到排放因子和设施，跨层关系链接碳核算实体到法规概念。

3.2.2. Knowledge extraction and graph population

知识来源于同行评审数据库和国家标准、深圳C&DW基础设施记录、法规SJG21–2025。所有实体和关系通过Python脚本直接导入Neo4j，节点属性存储量化属性和来源元数据，确保数据保真度和可追溯性。

3.2.3. RAG-based LLM integration

开发了RAG管道作为语义接口，查询分配到查询意图并绑定参数化Cypher模式，从Neo4j检索项目数据、废物流、处理路径、设施、排放因子、法规要求和计算碳结果，组织为结构化上下文块输入提示，使GPT-4o生成带证据链的解释，减少不支持输出。

3.3. Intelligent decision support

该模块将KG中结构化知识和碳计算结果转化为可解释管理输出，过程始于自然语言查询，映射到预定义Cypher模式库中的意图，确定性执行检索相关节点、关系和结果，插入提示生成解释或决策建议，若查询无法映射则返回可用证据或指示不支持。

1. 4.
   Case study
   4.1. Case project description
   案例为深圳旧住宅区更新项目，选取一栋12层住宅，总建筑面积1800 m²，产生六种主要废物：混凝土、砂浆、砖块、陶瓷石材、金属和木材，总量2534886 kg。设施包括再生骨料厂（22 km）、金属回收站（18 km）、填埋设施（38 km）和惰性填埋/残余处置设施（42 km）。回收比例用于分配运输距离，处置排放因子引用标准。

4.2. Carbon emission calculation results

碳排放计算包括分类、运输和最终处置或回收。公式为CE_i = CE_sort,i + CE_trans,i + CE_disp,i。分类排放基于柴油和电力消耗估算。运输排放基于距离和车辆类型。结果表明运输是主导排放阶段，敏感性和情景分析显示回收碳效益取决于设施距离和回收率。

总结讨论

讨论部分强调，该框架通过KG提供结构化、可追溯和可重用领域知识，预定义图查询和确定性规则执行检索、计算和合规筛查，LLM作为交互和解释层。这种集成使项目级碳结果和法规证据能通过透明可审计的决策支持过程访问和解释。基准测试中，完整KG-RAG总体准确率达0.918，而文档RAG为0.410，纯LLM基线为0.159，对所有范围外查询均弃权，无虚构数值。这验证了框架在提供证据 grounded 解释方面的有效性。

研究结论

研究人员总结，本文贡献在于将成熟知识管理和语言模型技术集成应用于C&DW碳管理，而非推进底层方法。首先，领域特定C&DW碳KG连接废物类别、处理路径、设施、法规约束和来源参考排放因子，支持可追溯评估。其次，项目级碳计算集成到KG，允许结果与其输入和来源一起查询。第三，图 grounded 解释机制约束模型响应到检索证据，支持碳热点识别、筛选级法规评估和低碳路径比较。尽管计算遵循既定排放因子实践，但将其与法规知识和可追溯解释集成，为C&DW碳管理提供了应用导向贡献。