更智能的生命周期评价:利用大语言模型预测制造工艺及其不确定性

《Sustainable Production and Consumption》:Smarter LCA: Using large language models to predict manufacturing processes and their uncertainties

【字体: 大 中 小 】 时间:2026年07月11日 来源:Sustainable Production and Consumption 9.2

编辑推荐:

  前瞻性生命周期评价(prospective Life Cycle Assessment, pLCA)通过在产品开发早期阶段引导可持续设计,展现出支持低碳产品开发的巨大潜力,此时设计调整的空间最为充足。然而,其实际应用常受限于前景生命周期清单(foregroun

  
前瞻性生命周期评价(prospective Life Cycle Assessment, pLCA)通过在产品开发早期阶段引导可持续设计,展现出支持低碳产品开发的巨大潜力,此时设计调整的空间最为充足。然而,其实际应用常受限于前景生命周期清单(foreground Life Cycle Inventory, LCI)数据的可用性与质量不足。针对机械工程产品,决定材料浪费与能源需求的关键制造工艺参数往往缺失,专家估算虽可填补空白,但耗时且受限于专业人员供给。为解决这一挑战,研究人员提出一种自动化、具备不确定性感知的筛选级缺失制造前景数据生成方法。该方法依托大语言模型(Large Language Models, LLMs),首先采用微调的双向编码器表征变换模型(Bidirectional Encoder Representations from Transformers, BERT)直接从短零件名称预测零件组分类,随后通过确定性分类映射规则将预测组别关联至ecoinvent 3.9.1数据库的特定制造工艺数据集,并利用大语言模型从工艺描述中提取制造参数。方法的核心特征之一是自动生成谱系矩阵(pedigree matrix)评分以量化预测置信度与映射质量,进而通过蒙特卡洛模拟(Monte Carlo simulation)传播不确定性,为决策提供透明支撑。一项工业案例研究表明,该流程可从有限文本数据中预测出合理的制造工艺代理变量,在关键制造信息未知的情况下实现更稳健、更及时的前瞻性生命周期评价。
本研究聚焦机械工程产品在技术成熟度较低阶段的制造前景数据缺口问题,针对前瞻性生命周期评价(pLCA)中因供应商数据缺失导致的评估滞后与精度不足痛点展开探索。当前pLCA在新兴产品设计阶段的应用面临核心瓶颈:前景生命周期清单(LCI)数据严重匮乏,尤其是制造工艺路线、材料损耗率及辅助投入等信息难以获取,而传统专家估算效率低下,几何机器学习方法又依赖高精度的三维模型数据,无法适配仅含短零件名称的早期采购场景。此外,现有自动化数据填补方法多关注预测精度,未将模型置信度与LCA领域成熟的谱系矩阵不确定性框架有效衔接,导致不确定性传播缺乏标准化依据。为此,研究人员开发了集成化管道,旨在将采购端文本数据转化为可追溯、带质量评分的制造工艺代理变量,支撑早期摇篮到大门产品碳足迹(Product Carbon Footprint, PCF)的筛查级评估,填补了文本数据驱动制造工艺推断与谱系矩阵不确定性量化的双重空白。该研究发表于《Sustainable Production and Consumption》,为供应链透明度不足的工业场景提供了可落地的pLCA自动化解决方案。
研究采用的关键技术方法包括:基于内部采购系统构建包含91547个标注样本的机械零件数据集,覆盖6大类零件领域与172个细分零件组;选用bert-base-uncased预训练模型,设计两阶段微调策略——第一阶段分类6大零件领域,第二阶段训练6个领域专用模型分别预测细分零件组;开发确定性映射规则,结合Claude Sonnet 4.6大语言模型辅助提取工艺参数,将零件组关联至ecoinvent 3.9.1数据库的148个候选工艺数据集;将BERT预测概率经温度校准后映射为谱系矩阵可靠性评分,结合映射规则生成的工艺相关性评分,通过蒙特卡洛模拟实现不确定性传播;以博世内部150行测试样本为基础,构建直接大语言模型基线对比验证结构化管道的必要性。
研究结果部分,首先呈现训练数据集特征:数据集呈现显著类别不平衡,样本量最多的零件组达15283条,最少仅13条,不平衡比达1176:1,且不同零件领域间存在词法重叠(如铝铸件与热塑性塑料零件名称余弦相似度0.38),凸显分类任务挑战性。其次为BERT分类性能:第一阶段零件领域分类准确率达0.844,加权F1值0.849;第二阶段细分零件组分类加权F1值0.624,经温度校准后预期校准误差(Expected Calibration Error, ECE)为0.072,概率与观测准确率偏差约7个百分点,可靠性评分区间与分类精度呈单调负相关,验证了概率映射为谱系评分的统计合理性。ecoinvent映射结果显示:172个零件组中170个成功匹配到候选数据集,84.3%的映射获得2或3级工艺相关性评分,手动验证接受率达98.8%(工艺族)、83.7%(评分一致性),仅2个组因数据库覆盖缺口标记为5级(需人工审核)。直接LLM基线对比表明:无内部结构引导的单次大语言模型调用与真实零件组映射的一致率仅为3.3%,远低于结构化管道的72.5%,证实了两阶段分类与规则映射的必要性。工业案例研究以电动机6个核心部件为对象,自动化流程预测的摇篮到大门PCF为372.9 kg CO2-eq,较专家基准值380.8 kg CO2-eq偏低2%,蒙特卡洛模拟中位数为375.3 kg CO2-eq,90%置信区间为[372.7, 379.4] kg CO2-eq;差异源于材料输入占总碳足迹的95.1%,而自动化流程仅分配单一主导工艺,未覆盖专家模型中的次级加工步骤,导致制造工艺贡献被低估42.6%。
讨论部分指出,谱系矩阵评分在本研究中需限定为预测可靠性而非数据源可靠性,高BERT概率仅反映训练数据中的统计关联,不代表实际工艺经供应商验证;校准结果仅支持概率排序为可靠性区间,无法消除未来供应商选择、工艺变更等认知不确定性。案例研究的2%总偏差源于材料主导效应,流程核心价值在于组件级数据质量标记与筛查分流,而非总PCF精确核算。研究存在五点局限:零件组分类F1值仍有提升空间;短零件名称缺乏材料、几何等关键属性;单工艺假设忽略次级加工步骤;未实现工艺特异性材料损耗估算;ecoinvent数据库部分工艺变体覆盖不足。此外,大语言模型API依赖需通过归档提取参数保障可复现性,未来需与规则基方法、非Transformer分类器等基线进一步对比。
结论部分明确,短采购零件名称可有效支撑早期PCF筛查级制造工艺代理生成,集成化管道实现了从分类、映射到不确定性传播的全链条自动化。第一阶段分类准确率0.844,第二阶段F1值0.624,校准后ECE为0.072,84.3%的ecoinvent映射获2或3级工艺相关性评分。案例研究证实其作为筛查分流工具的价值,可显式化缺失制造假设、生成可追溯质量评分并识别需专家审核的组件,但不适用于最终PCF报告或制造密集型产品的精细建模。未来需聚焦四类工作:扩充平衡标注数据集提升分类性能;融合材料、几何等多源结构化输入;从单一工艺分配延伸至工艺链与毛坯材料估算;跨产品、企业与制造领域验证普适性。
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