文档摘要：现有碳排放计算方法存在数据量大、计算繁琐和仅适用于事中、事后控制等问题,不利于设计人员在设计阶段进行碳减排工作.为此,研究将机器学习引入建筑物碳排放量计算领域,帮助设计人员在早期设计阶段获得建筑物物化阶段的碳排放信息,提供碳减排参考.首先,收集并建立建筑物物化阶段碳排放数据库;其次,基于5个建筑物特征,建立4种不同类型的机器学习模型,并根据评价指标对模型性能进行评价;最后,利用沙普利加和解释(ShapleyAdditiveexPlanations,SHAP)和部分依赖图(PartialDependencePlot,PDP)验证最优模型应用的合理性,并深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的信息.结果显示:各机器学习模型可以很好地预测建筑物物化阶段碳排放过程,其中建立的极度随机树(ExtremelyRandomizedTrees,ET)模型对碳排放的预测表现最优;机器学习模型各特征对预测结果的影响与现有研究相似,表明了机器学习模型预测结果的可靠性与合理性;机器学习模型可以深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的指导.
Abstract：Existingcarbonemissioncalculationmethodssufferfromdrawbackssuchasexcessivedatarequirements,complicatedcalculations,andapplicabilitylimitedtoafter-actioncontrol,therebynotpromotingcarbonemissionreductionworkintheearlydesignstagebydesigners.Tomitigatetheseproblems,machinelearningisintroducedinthispaperforcarbonemissioncalculationsinbuildingstohelpdesignersobtaincarbonemissioninformationatanearlystageofthebuildingdesignandprovidereductionreferences.Thispaperhasthefollowingprocedures:(1)collectionandestablishmentofadatabaseofcarbonemissionsinthematerializationstageofbuildings,andcheckingofthedatabasequalitythroughMahalanobisdistance;(2)establishmentoffourmachinelearningmodels,namelyExtremelyRandomizedTrees(ET),eXtremeGradientboosting,(XGboost),MultilayerPerceptron(MLP)andSupportVectorRegression(SVR),basedonfivebuildingcharacteristics,andevaluationofthemodelperformanceusingthreeevaluationindices-R2,MeanAbsoluteError(EMAE),andRootMeanSquareError(ERMSE).(3)usingSHapleyAdditiveExPlanations(SHAP)andPartialDependencePlot(PDP)toprovetheappropriatenessofapplyingtheETmodels,therebyexploringthecomplexrelationshipsbetweeneachfeatureandcarbonemission.Theoutcomeprovidesnewinformationforcarbonemissionreductioninbuildings.Thefindingsindicatethat:(1)Eachmachinelearningmodelcanefficientlypredictcarbonemissionsinbuildings'physicalphases.Amongthese,theETmodelestablishedinthispaperexhibitsthebestperformancewithanR2of0.88,anERMSEof0.317ktCO2,andanEMAEof0.217ktCO2.(2)InterpretableanalysesoftheETmodelbySHAPandPDPshowthattheeffectsofthefeaturesoftheETmodelonthepredictionresultsaresimilartothoseofexistingstudies,whichverifiesthereliabilityandreasonablenessofthepredictionresultsofthemachinelearningmodel.(3)Theimpactofeachfeatureonthecarbonemissionofthematerializationstageofbuildingsisrankedfromlargetosmall,includingthetotalbuildingarea,buildingheight,footingarea,seismicgrade,andbasementdepth.(4)Thenatureofeachfeature'srelationshipwithcarbonemissionisnonlinear,meaningthatthereisapositivecorrelationrelationshipbetweentheincreaseinbuildingheightandthedecreaseofthefootingarea,bothreducingthecarbonemissioninthechemicalstageofbuildings.Theresultsofthispapercanguideforcarbonreductioninexistingbuildings.
作者：王志强 任金哥 韩硕 李文超 Author：WANGZhiqiang RENJinge HANShuo LIWenchao
作者单位：青岛理工大学管理工程学院,山东青岛266520;智慧城市建设管理研究中心(新型智库),山东青岛266520青岛理工大学管理工程学院,山东青岛266520青岛理工大学建筑设计研究院,山东青岛266520
刊名：安全与环境学报 ISTICPKU
Journal：JournalofSafetyandEnvironment
年，卷(期)：2024, 24(6)
分类号：X322
关键词：环境工程学 建筑物物化阶段 碳排放 机器学习 可解释性分析
Keywords：environmentalengineering materializationstageofbuilding carbonemission machinelearning interpretabilityanalysis
机标分类号：TP391TP181F205
在线出版日期：2024年7月4日
基金项目：国家自然科学基金，青岛理工大学人文社会科学研究基金项目基于可解释性机器学习的建筑物物化阶段碳排放量预测研究[
期刊论文] 安全与环境学报--2024, 24(6)王志强 任金哥 韩硕 李文超现有碳排放计算方法存在数据量大、计算繁琐和仅适用于事中、事后控制等问题,不利于设计人员在设计阶段进行碳减排工作.为此,研究将机器学习引入建筑物碳排放量计算领域,帮助设计人员在早期设计阶段获得建筑物物化阶段的碳...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：环境工程学,建筑物物化阶段,碳排放,机器学习,可解释性分析,
|
|
1
