建筑、工程和施工（AEC）行业是全球碳排放的主要来源，约占全球总碳排放量的37% [1]。传统上，建筑环境中的减排措施主要集中在通过提高建筑能源效率和能源供应系统的脱碳来减少运营碳排放 [2]、[3]。随着这些措施的推进，与材料生产、施工、维护和寿命终结过程相关的排放——通常称为“隐含碳排放”——在建筑的生命周期碳排放中变得越来越重要 [4]。最新评估表明，由于运营排放的持续下降，未来几十年内隐含碳排放将占生命周期排放量的近49% [5]。因此，减少隐含碳排放已成为AEC行业低碳发展的关键优先事项 [6]、[7]。
为应对隐含碳排放减排日益重要的挑战，预制混凝土建筑（PCB）技术被广泛推广为AEC行业的一个有前景的解决方案 [8]。与传统现浇施工相比，PCB采用工厂化生产和现场组装 [9]，这通常与资源消耗减少 [10]、环境污染降低 [11] 以及潜在的经济效益相关 [12]。此外，PCB技术还因应对劳动力短缺问题而受到关注，尤其是在人口老龄化的国家 [13]。具体而言，虽然中国的国家政策目标是在2025年前实现30%的预制化率 [14]，但领先地区已制定了更雄心勃勃的目标，计划在2030年前达到50%以上 [15]。除了政策推动外，一些实际项目也证明PCB的隐含碳排放低于传统施工方法 [16]。
尽管一些研究报道了预制混凝土建筑（PCB）技术的减排潜力，但其有效性仍存在争议。郝等人 [17] 报告称，在特定应用中隐含碳排放减少了15%。然而，滕等人 [18] 认为PCB并不一定会导致碳排放减少，这主要是由于现有研究之间的不一致性。尽管工业化流程可以减少施工废弃物，但王和唐 [19] 发现它们可能会在运输和场外制造过程中导致更高的碳排放。徐等人 [20] 进一步发现，预制复合板的总碳排放中有97.45%发生在生产阶段，而现浇楼板的这一比例为91.21%。这些发现揭示了研究之间的巨大差异，并促使人们转向微观层面、组件级别的分析，以更好地理解PCB内的排放机制。
许多研究通过关注预制组件的生产、运输和组装阶段来研究预制混凝土建筑（PCB）的隐含碳排放。其中，生产阶段一直被认为是主要排放源，通常占总排放量的90%以上 [21]。这一认识推动了详细碳核算方法的发展，特别是在组件级别。例如，刘等人 [22] 采用基于过程的方法量化了预制墙板的碳排放，发现96.2%的排放来自材料，电力和劳动力分别仅贡献了3.65%和0.16%。然而，大多数组件级别研究仅关注单个元素，即使对于同一种类型的组件（如预制复合板），报告的排放量也有很大差异：分别为706.21 [23]、817.72 [24] 和957.54 kgCO?e/m3 [25]。此外，这些研究主要依赖于事后数据，如详细的过程记录和材料输入，而这些数据在早期设计阶段通常是不可获得的。因此，它们对设计阶段的排放控制指导作用有限。这突显了需要探索能够在生产开始前减少排放的设计策略。
为了有效减少碳排放，干预必须从设计阶段开始 [26]。在各种策略中，设计标准化被广泛认为可以通过促进模具和预制组件的重复使用来减少隐含碳排放 [27]。通过提高模具利用率，标准化设计可以将与模具相关的排放分散到更多组件上，从而降低单位碳排放强度 [28]。海等人 [29] 报告称，优化板设计以减少模具类型可降低成本69.6%，同时减少生产排放7.03%。尽管有这些好处，现有文献很少提出可量化的指标来评估标准化 [30]，这使得在实际中难以评估或优化其影响。这一方法论差距阻碍了将与模具相关的节省纳入设计阶段的碳排放评估。
为了实现早期碳排放优化，必须根据初步设计阶段可用的参数（如组件尺寸和标准化程度）来预测生产排放 [31]。传统方法依赖于详细的工厂数据，而这些数据在设计阶段通常是无法获得的 [32]。尽管基本设计参数很早就被确定，但它们与生产排放之间的关系往往是非线性和复杂的，涉及简单经验模型无法捕捉的复杂交互作用。在这种情况下，机器学习（ML）技术可以通过利用历史数据集将设计阶段的输入与观察到的排放结果联系起来，有效地映射这些隐含关系 [33]。最近的研究表明，包括建筑面积、高度和结构类型在内的早期设计变量可以相当准确地预测施工阶段或整个生命周期的碳排放 [34]、[35]，随机森林、神经网络和支持向量回归等模型的R2值在0.8到0.9之间 [36]。这些发现证实了早期设计决策对下游碳排放性能的强烈影响。
然而，尽管这些模型的预测准确性很高，但许多基于ML的模型仍像黑箱一样，无法提供关于特定设计参数如何影响排放结果的深入见解 [37]，这限制了它们在现实世界设计工作流程中的应用。如果没有可解释性，设计师无法将模型输出转化为早期组件设计阶段的可操作调整。为了解决这一限制，最近在可解释人工智能（XAI）方面的进展提供了工具，通过揭示输入特征对预测排放的贡献和交互作用来解释黑箱模型的内部决策逻辑 [38]。例如SHapley Additive exPlanations（SHAP）和Partial Dependence Plots（PDP）等技术已在能源和排放研究中得到广泛应用，以识别建筑 [39]、[40] 和区域尺度 [41]、[42] 的关键碳排放驱动因素。通过明确输入-输出关系，XAI增强了ML模型的决策支持价值，使设计师能够理解特定设计参数如何影响碳排放结果 [43]。在组件级别，这一点尤为重要，因为生产阶段的排放对设计决策非常敏感，而早期信息本身就非常有限。
在这种背景下，仍然需要一个支持早期、以设计为导向的组件级别碳排放评估框架，而不是基于详细生产数据的回顾性核算。为了填补这一空白，本研究重点关注预制混凝土组件，并探讨与标准化相关的设计因素如何影响生产阶段的碳排放。通过将碳排放预测与早期设计阶段可用的信息对齐，本研究旨在为比较不同的组件方案和支持预制建筑设计中的低碳决策提供透明且实用的基础。
