一种基于机器学习的替代模型，用于在建筑设计早期阶段估算建筑物的碳足迹

《ENERGY AND BUILDINGS》：A machine learning-based surrogate model to approximate building carbon footprint in early-stage architectural design

建筑全生命周期碳排放评估中代理模型的应用研究。通过参数化LCA模型生成综合建筑数据集，训练随机森林和岭回归两种机器学习代理模型，验证其在早期设计阶段预测运营和嵌入碳排放的高效性，结果显示随机森林模型预测误差更小（MAE=0.04，RMSE=0.063，R2=0.995），为缺乏LCA经验的建筑师提供快速决策支持。

　　

Mahsa Torabi |Mohammadsaleh Norouzi | Ralph Evins

美国华盛顿大学

摘要

最近的进展使得“替代模型”成为进行建筑性能评估和全生命周期碳评估的一种新兴选择；这些模型是根据参数化模拟的结果样本训练出的机器学习模型，可以作为原始详细模拟的快速但近似的替代品。许多文章已经开发了用于评估能源性能的替代模型，然而，只有少数研究探讨了用于全生命周期碳评估的替代建模方法。这一差距主要是由于生命周期分析工具和数据集的缺乏。在本文中，我们从一个参数化LCA模型生成了模拟结果，并提出了一种方法，利用这种合成生成的数据集来开发基于机器学习的运营碳和固有碳预测模型。我们通过两个案例研究测试了该模型。结果表明，该模型能够在早期设计阶段使用最少的输入就能实现高预测性能。结果表明，具有有限LCA专业知识的设计人员可以使用这种技术来即时估计建筑的可持续性性能，并选择减排的设计方案。

引言

如果同时考虑运营碳和固有碳，建筑物约占全球温室气体排放量的42%（美国能源信息署，2020年）。为此，世界各国政府推出了旨在减少建筑环境碳排放的政策和监管框架[1]（Thilakarathna等人，2020年；COP26目标，2021年）。全建筑生命周期评估（WLCA）已成为量化这些排放的主要方法，因为它既涵盖了与材料生产和建造相关的固有碳（EC），也涵盖了与建筑使用相关的运营碳（OC）（Seyrfar、Ataei和Movahedi，2021年）。

低碳建筑设计中的一个关键挑战是，旨在减少一种排放源的策略可能会增加另一种排放源。例如，材料密集型的设计选择可能会降低运营能耗，但同时增加固有影响，这种权衡只有通过综合的EC-OC评估才能理解（Ramesh、Prakash和Shukla，2010年；Hernandez和Kenny，2011年）。因此，同时评估EC和OC对于实现总生命周期碳的显著减少至关重要（Stephan和Stephan，2016年）。然而，尽管政策压力和社会意识不断提高，WLCA在实际设计中的应用仍然有限。

现有的基于模拟的LCA和建筑性能建模工具通常数据量大、耗时较长，并且与早期设计的迭代性质不匹配[2]。这些工具通常需要详细的材料数量、系统规格和运营假设，而这些在概念设计阶段往往是不可用的或高度不确定的（Venkatraj等人，2020年）。因此，LCA经常在设计过程的后期进行，无法对高影响力决策产生实质性影响，从而限制了其作为决策支持工具的有效性。

在这种背景下，基于机器学习（ML）的替代模型越来越受到关注，因为它们可以用大大减少的计算和数据需求来近似复杂的模拟输出（Ngo，2019年；Han等人，2022年）。替代模型提供了快速、迭代的建筑性能反馈，使设计人员能够在早期设计阶段探索各种情景。尽管有这种潜力，但基于ML的方法在全建筑LCA中的应用仍然有限。现有研究往往仅关注能源预测，依赖于小型或特定案例的数据集，或者排除了关键的建筑系统和生命周期阶段，这主要是由于缺乏全面的大规模LCA数据集[3]。

因此，使用基于ML的替代模型来联合预测全建筑规模的固有碳和运营碳仍然是一个未解决的研究问题。为了填补这一空白，本研究开发了一个基于模拟的参数化框架，生成了一个涵盖几何形状、建筑围护结构、结构、暖通空调系统、朝向和位置的全面建筑LCA数据集。然后使用该数据集来训练和评估能够在早期设计阶段预测全生命周期碳结果的基于ML的替代模型。通过结合参数化数据生成和数据驱动的建模，所提出的方法旨在提高基于LCA的决策支持的可访问性、速度和相关性，以支持可持续建筑设计。

小节摘录

LCA工具

存在多种用于评估建筑物OC和EC的建筑LCA工具和技术。一些常用的评估建筑碳排放的工具包括Athena Impact Estimator、Tally、OneClick LCA、OpenLCA [4]、[5]。尽管有这些工具可用，但由于一些挑战，建筑专业人士仍然不愿意在设计中采用基于LCA的决策[6]。

将LCA模型纳入设计的一个挑战是工具的数据密集性和输入依赖性。换句话说，一个简单的

研究设计和方法

为了开发一种基于替代模型的方法来快速估算不同类型建筑的总碳量，定义了三步方法。图1展示了用于生命周期评估的替代模型开发的研究方法。在以下部分中，将详细解释这些步骤。

1.

LCA数据集合成。

2.

替代模型开发。

3.

替代模型评估

准确性

图4比较了RR模型和RF模型的性能。图表中的x轴表示实际值，y轴表示预测值。在这张图中，黑色虚线代表理想情况，即预测值等于实际值。因此，越接近虚线的点表示预测越准确，实际值和预测值之间的差异越小。

RR模型使用了10折交叉验证进行评估

局限性

虽然所提出的ML框架在快速估算运营能耗和固有碳及运营碳影响方面显示出巨大潜力，但应承认几个局限性，以便恰当地界定其预期用途。

首先，虽然包括了A1-A3之后的阶段以实现早期全生命周期碳意识，但这些阶段的估算使用的是固定的、符合政策的乘数，而不是通过机械模型进行估算的。如“局限性”部分所讨论的，这反映了

结论

本研究探讨了使用基于机器学习的替代模型来近似WLCA结果并在早期设计阶段预测总碳排放的可行性。使用基于模拟的参数化框架生成了一个合成建筑LCA数据集，并用它来训练和评估两个替代模型。比较分析显示，随机森林模型的预测准确性高于岭回归模型，平均绝对误差为0.04，均方根误差为0.063，R²

未引用的参考文献

[29], [30], [31], [33], [34], [35], [38], [39], [40], [41], [42], [43], [44], [46], [47], [48], [49], [50], [51], [52], [53], [54], [55], [56], [57], [58], [59], [60], [61], [62], [63], [64], [65], [66], [67], [68], [69], [70], [71], [72]。

CRediT作者贡献声明

Mahsa Torabi：撰写——原始草稿、可视化、验证、方法论、调查。 Mohammadsaleh Norouzi：撰写——审阅与编辑、软件、调查、形式分析、数据管理。 Ralph Evins：撰写——审阅与编辑、监督、资源管理、项目行政、调查、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

这项研究得到了加拿大自然科学与工程研究委员会的支持。

作者仅使用生成式AI对手稿进行了部分语言编辑。内容已由作者审核并批准。