実験分析と機械学習技術を統合した低炭素ジオポリマーコンクリートのCO2排出データ駆動予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a validated ML pipeline for predicting CO2 emissions in geopolymer concrete, enabling further optimization of binder compositions.

🏢実務担当者:Use XGBoost model to approximate emissions of geopolymer mixes, aiding low-carbon material selection without full LCA.

🏛政策担当者:Supports development of benchmarks for low-carbon concrete in building codes and green procurement standards.

建設部門は、世界の炭素排出量の主要な貢献者であり、その主な理由は普通ポルトランドセメント（OPC）の多用にある。低炭素含有量のジオポリマーコンクリートは、コンクリートの viable な代替品となっているが、そのCO2排出量の正確な予測と評価は、特に実験とデータ分析を組み合わせた方法では完全には達成されていない。この研究に関する文献は主に力学性能に焦点を当てており、環境排出モデリングに関する理解は限られている。低炭素ジオポリマーコンクリートからのCO2排出量を測定・予測するために、本論文は実験的かつ機械学習によるシステムを開発する。フライアッシュと高炉水砕スラグ（GGBS）からなる一連のジオポリマーブレンドを、異なるバインダー配合比、アルカリ活性化剤比、養生条件で作製した。CO2量は、ゆりかごから門まで（cradle-to-gate）の評価方法（kg CO2/m3）を用いて決定した。その後、実験データを用いて、人工ニューラルネットワーク（ANN）、ランダムフォレスト（RF）、および Extreme Gradient Boosting（XGBoost）などの機械学習モデルでデータを訓練およびテストした。モデル性能の評価には、R²、RMSE、および MAE 指標を使用した。結果は、XGBoost モデルが最も高い予測精度（R² > 0.95）を有し、良好な汎化能力を示すことを示している。ジオポリマー混合物のCO2排出削減量は、従来のOPCコンクリートと比較して最大で45〜65パーセントであった。この構築物は、環境に優しく、排出量の予測モデリングによる建設方法のさらなる持続可能性を備えたジオポリマーコンクリート設計において、信頼性の高い意思決定支援システムを提供できる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The construction sector is a huge contributor to carbon emissions in the world, mostly because of the heavy applications of Ordinary Portland Cement (OPC). Geopolymer concrete with low carbon content has become a viable alternative to concrete; nevertheless, accurate prediction and evaluation of its CO2 emissions have not been fully achieved, especially through combined experimental and data analysis. The literature on this study focuses mainly on mechanical performance, and there is limited understanding of environmental emission modeling. To measure and forecast CO2 emissions from low-carbon geopolymer concrete, this paper develops an experimental and machine-learning system. An array of geopolymer blends comprising fly ash and ground granulated blast furnace slag (GGBS) was developed at different binder proportions, alkaline activator ratios, and curing conditions. The amount of CO2 was determined using a cradle-to-gate evaluation method (kg CO2/m3). Data were subsequently trained on and tested on machine learning models, such as Artificial Neural Networks (ANN), Random Forest (RF), and Extreme Gradient Boosting (XGBoost) using experimental data. The R², RMSE, and MAE measures were used to assess model performance. Findings show that the XGBoost model has the best prediction accuracy (R² > 0.95), indicating good generalization ability. The highest CO2 emission reduction was 45–65 percent for geopolymer mixtures compared to traditional OPC concrete. The construct can offer a trustworthy decision support system in geopolymer concrete design that is environmentally friendly and further sustainability in construction methods with predictive modeling of emissions.

• openalex https://doi.org/10.54740/ros.2026.024first seen 2026-06-11 05:24:56 · last seen 2026-06-17 07:12:23