模块化多域人工智能框架用于可持续建筑材料优化——基于生命周期评价(LCA)与混合专家反向传播神经网络及混洗蛙跳算法的建筑材料配置优化

《Environmental Impact Assessment Review》:Modular multi-domain AI framework for sustainable construction material optimisation

【字体: 大 中 小 】 时间:2026年06月27日 来源:Environmental Impact Assessment Review 12.2

编辑推荐:

  建筑行业是全球环境影响的主要贡献者,主要由结构材料的隐含排放驱动。因此,设计早期的材料选择是减少影响的关键机会;然而,传统的生命周期评价(life-cycle assessment, LCA)方法在系统评估大量可行材料配置组合并兼顾多重且常相互冲突的可持续性准

  
建筑行业是全球环境影响的主要贡献者,主要由结构材料的隐含排放驱动。因此,设计早期的材料选择是减少影响的关键机会;然而,传统的生命周期评价(life-cycle assessment, LCA)方法在系统评估大量可行材料配置组合并兼顾多重且常相互冲突的可持续性准则方面仍存在局限,制约了设计阶段的有效决策。为解决此不足,研究人员开发了一种人工智能驱动的早期设计阶段决策支持框架,用于在固定建筑设计方案内系统探索和优化建筑材料配置。该框架将LCA建模、基于情景(scenario-based)的材料替代、采用混合专家(mixture-of-experts)反向传播神经网络(backpropagation neural network, BPNN)的预测建模,以及可持续性导向的优化集成于统一工作流中。研究人员以英国一栋钢筋混凝土办公楼为案例,通过改变混凝土组分(含粒化高炉矿渣粉(ground granulated blast-furnace slag, GGBS)和粉煤灰(fly ash)替代率)、钢筋生产路径、水泥配方及报废(end-of-life, EoL)处理途径,生成1500个技术上可行的材料情景。利用OneClick LCA计算的情景输出训练预测模型,实现多可持续性指标快速估算,随后结合复合可持续性指数(composite sustainability index, SI)采用混洗蛙跳算法(shuffled frog leaping algorithm, SFLA)进行优化。结果表明,该框架能高效识别在环境性能、循环性(circularity)与成本间取得平衡的材料配置,并将可行设计方案探索范围扩展至超越传统基于情景的评价方法。所提框架为早期设计阶段提供了可扩展、灵活的决策支持工具,能在满足实际设计与可行性约束下系统评估权衡关系并支持知情材料选择。
《Environmental Impact Assessment Review》刊载论文解读:可持续建筑材料优化的模块化多域人工智能框架
一、研究背景与问题提出
建筑与施工行业在全球温室气体排放、资源消耗及生态破坏中占比显著,其中结构材料的隐含(embodied)环境影响(特别是全球变暖潜值global warming potential, GW)是主要贡献源。生命周期评价(life-cycle assessment, LCA, 依据EN 15978与EN 15804标准)与生命周期成本(life-cycle costing, LC)是量化此类影响的主流工具,但目前设计阶段应用存在明显瓶颈:传统LCA多为评估导向(evaluative),依赖预定义有限情景(通常仅数种至数十种)进行两两比较,难以系统枚举固定几何构型下由不同混凝土配合比(如GGBS或粉煤灰替代熟料)、钢筋再生含量(recycled content)与生产路线、水泥品种及EoL(回收/再利用/填埋)组合产生的庞大组合数(组合爆炸问题)。此外,重复运行完整LCA计算在计算上代价高昂,限制了其在迭代优化中的嵌入。现有BIM-LCA研究虽提升数据集成度,但缺乏主动生成并优化替代配置的多目标优化能力,亦难以同时兼顾环境指标(GW、酸化潜值acidification potential, AC、富营养化潜值eutrophication potential, EU、臭氧层消耗潜值ozone depletion potential, OD、化石非生物耗竭fossil Abiotic depletion, AF、非化石非生物耗竭non-fossil Abiotic depletion, AN)、循环性(circularity, CE)指标及LC间的权衡(trade-offs)。为此,Hertfordshire大学研究人员提出了一种集成LCA、情景生成、AI代理预测模型(surrogate model)与元启发式优化的模块化多域AI决策支持框架(decision-support framework, DSF),旨在突破传统情景对比局限,实现固定RC(reinforced-concrete,钢筋混凝土)办公楼构型下材料配置的大规模系统化探索与可持续性优化。
二、主要关键技术方法
研究人员选取英国五层典型现浇RC框架办公楼(总建面2230 m2)作为基准(Business as Usual, BaU)模型,通过OneClick LCA获取A1–A3(产品生产)至C1–C4(EoL)各阶段环境影响,确定钢筋(REB)、结构混凝土(RMC)、硅酸盐水泥(CEM)为关键变量(占A1–A3阶段GW约69%),其余非结构材料保持恒定。从平台EPD(Environmental Product Declaration,环境产品声明)库中筛选8种RMC(含不同GGBS/粉煤灰替代比例)、19种REB(不同再生含量及生产路径)、8种CEM(不同熟料系数),结合EoL选项组合生成逾1500个技术可行情景。LCA输出的8项指标(EC即embodied carbon,AC,EU,OD,AF,AN,CE,LC)经相对基准归一化后构建训练数据集。为克服高维输入导致过拟合风险,经特征聚类压缩,采用混合专家(mixture-of-experts, MoE)策略训练多个独立的三隐层BPNN(各含5神经元)分别预测单项可持续性指标,并通过层间相关性传播(Layer-wise Relevance Propagation, LRP)与SHAP(shapley additive explanations)值进行可解释性分析。优化阶段选用混洗蛙跳算法(shuffled frog leaping algorithm, SFLA),以加权复合可持续性指数(sustainability index, SI = ΣWi×STi/ ΣWi,STi为归一化指标)为目标函数,施加物料份额加和为100%、每组最多激活三种材料、最小掺量阈值等约束,设定五种权重策略(侧重EC、CE、LC、均衡三目标、全均等)搜索Pareto前沿附近解,最终将优化解回代OneClick LCA验证。
三、研究结果
3.1. Performance assessment of prediction models(预测模型性能评估)
研究人员首先在单因素变异(single-variation)与全新构建的40组多因素变异(multi-variate)情景上测试MoE-BPNN。结果显示,所有八项指标的判定系数R2在训练集达98.20%–99.98%,测试集单变情景R2 > 99%;多变情景交叉验证R2为96.5%–99.24%(EC最低96.5%,AC与LC最高近99.2%)。归一化均方根误差(normalized root mean square error, NRMSE)多数低于5%(EC 2.42%,LC 3.72%,AF 1.25%),仅非化石非生物耗竭(AN) NRMSE达10.65%但R2仍超98%。偏倚(bias)分析表明系统误差接近零,确认模型具良好泛化能力,可替代耗时LCA计算充当优化过程代理模型。
3.2. Sensitivity analysis of predictive models(预测模型敏感性分析)
通过LRP连接权重与SHAP值量化输入特征重要性。对隐含碳(EC)与LC,RMC(尤其是胶凝材料组成)与REB(再生含量及生产能耗)贡献最大SHAP值,说明二者是降碳与控费的主控因子且存在协同(co-benefit);对循环性(CE),EoL路径变量(回收率、再利用率)主导影响,材料选择在次要地位,揭示单纯减量不足以提升循环性,须配合设计拆装与回收策略。不同指标主控变量各异证实多目标优化的必要性,也验证了AI模型捕捉到符合物理意义的输入输出关系。
3.3. Performance evaluation of optimisation model(优化模型性能评估)
五组SI权重策略引导SFLA搜索得到稳定收敛解。侧重循环性(A2)获最低SI值,均衡策略(A4–A5)次之,单一侧重EC(A1)或LC(A3)SI偏高说明单目标难兼顾多维可持续性。优化材料组合通常含2–3种主料(如RMC以高GGBS替代为优势组分,REB倾向高再生含量电弧炉钢EAF-rebar,CEM倾向低熟料复合水泥),EoL依权重选回收或 landfill。将最优解重新导入OneClick LCA复核,预测值与LCA计算值残差中心近零,NRMSE(EC 2.46%,LC 2.76%,AF 1.39%)低,确认框架可靠性。不同权重产生差异化但工程可实施的材料配比,证明DSF可按决策者偏好灵活导航权衡空间。
四、讨论与结论翻译
研究人员指出,该框架通过将LCA情景输出转化为AI代理预测器并结合元启发式优化,克服了传统LCA在设计早期无法高效遍历大组合空间的缺陷,且保留了LCA原有核算逻辑与EN标准合规性。主要结论如下:(1) 基于英国RC办公楼基准生成1500个含变动混凝土配合比、钢筋路线、水泥品种及EoL的技术可行材料情景库;(2) MoE-BPNN能以R2普遍>98%高精度复现LCA多指标输出,通过SHAP分析识别出RMC/REB主控EC与LC、EoL主控CE的机理差异;(3) SFLA优化表明SI权重结构直接决定环境–循环性–成本权衡走向,不同策略产生显著差异但稳定的近优解;(4) 优化收敛至材料设计空间稳定区域,典型最优配置仅需每材料组2–3种活跃选项,符合工程采购与施工实际;(5) AI–LCA耦合框架可在保障结构等效性与可行性约束下高效探索复杂材料设计空间。局限性含情景库仍需手动在LCA软件中建立、依赖EPD数据库精度、仅验证单一RC办公楼类型。未来拟拓展至多建筑类型与城市尺度评估。综上,该模块化多域AI辅助DSF为早期可持续建材选型提供了可扩展的决策支持手段,有助于落实隐含碳减排与循环经济导向的建筑政策。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号