文献类型：期刊文章

作　　者：王志强[1,2] 任金哥[1] 韩硕[1] 李文超[3]

WANG Zhiqiang;REN Jinge;HAN Shuo;LI Wenchao(School of Management Engineering,Qingdao University of Technology,Qingdao 266520,Shandong,China;Smart City Construction Management Research Center(New Think Tank),Qingdao 266520,Shandong,China;Architectural Design and Research Institute,Qingdao University of Technology,Qingdao 266520,Shandong,China)

机构地区：[1]青岛理工大学管理工程学院,山东青岛266520 [2]智慧城市建设管理研究中心(新型智库),山东青岛266520 [3]青岛理工大学建筑设计研究院,山东青岛266520

出　　处：《安全与环境学报》

基　　金：国家自然科学基金项目(71471094);青岛理工大学人文社会科学研究基金项目(Crw2023-006)。

年　　份：2024

卷　　号：24

期　　号：6

起止页码：2454-2466

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、JST、ZGKJHX、核心刊

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(Shapley Additive exPlanations, SHAP)和部分依赖图(Partial Dependence Plot, 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(Extremely Randomized Trees, 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。

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  

分 类 号：X322]