ハイブリッド離散事象シミュレーションと機械学習サロゲートフレームワークを用いた持続可能なオートクレーブ養生気泡コンクリート生産戦略

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

🔬研究者:Provides a novel hybrid simulation-ML framework for optimizing industrial decarbonization, with insights into key levers and trade-offs.

🏢実務担当者:Offers a practical tool for AAC manufacturers to evaluate production strategies and reduce carbon emissions before implementation.

🏛政策担当者:Demonstrates how AI can support industrial decarbonization, informing policies that promote low-carbon construction materials.

オートクレーブ養生気泡コンクリート（AAC）は、エネルギー効率の高いモジュール式建築システムと強く関連する軽量建設材料であるが、その生産は、蒸気養生のエネルギー需要と炭素集約的な結合材によって依然として制約されている。この課題は、AACセクターがネットゼロ経路を目標とし、セメントと石灰がAAC製品のライフサイクル排出量の主要な貢献要因であり続ける中で、ますます重要になっている。本研究は、離散事象シミュレーションのための機械学習サロゲートを活用した、持続可能なAAC生産のための最適化フレームワークを開発するものである。まず、配合準備、型枠への注入と発泡、切断、オートクレーブ養生、荷降ろし、および製品取り扱いを表す離散事象工場モデルを構築する。次に、このシミュレーションをCO2eおよびコストモデルと結合し、116,640の生産シナリオを生成する。機械学習サロゲートモデルを訓練して総CO2e排出量、コスト、および生産時間を予測し、勾配ベースの最適化手順を用いて、炭素、コスト、時間、およびバランスの取れた優先順位の下での運転戦略を特定する。結果は、オートクレーブ養生時間、電力の炭素強度、およびセメント使用量が最も重要な環境レバーであることを示している。炭素-コスト戦略と炭素優先戦略は、予測排出量が最も低く、約1292 kg CO2eであり、設計空間で考慮された最小の電力排出係数とセメント質量、それぞれ0.05 kg CO2e/kWhと400 kgを選択した。時間優先戦略は、予測生産時間が最短である一方で、予測排出量とコストが最も高く、モデルの仮定の下で明確な炭素-コスト-時間のトレードオフを示した。提案されたフレームワークは、AAC製造業者が生産戦略を比較し、トレードオフを定量化し、実装前に低炭素運転体制を特定するための実用的な意思決定支援ツールを提供する。

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。

Autoclaved Aerated Concrete (AAC) is a lightweight construction material with strong relevance for energy-efficient and modular building systems, but its production remains constrained by steam-curing energy demand and carbon-intensive binders. This challenge is increasingly important as the AAC sector targets net-zero pathways and as cement and lime remain major contributors to life-cycle emissions in AAC products. This study develops an optimization framework for sustainable AAC production that leverages machine-learning surrogates for discrete-event simulations. We first construct a discrete-event factory model that represents mix preparation, mould pouring and rising, cutting, autoclaving, unloading, and product handling. We then couple the simulation to a CO2e and cost model and generate 116,640 production scenarios. Machine-learning surrogate models are trained to predict total CO2e emissions, cost, and production time, and a gradient-based optimization procedure is used to identify operating strategies under different carbon, cost, time, and balanced priorities. The results show that, autoclaving time, electricity carbon intensity, and cement use are the two most important environmental levers. The carbon–cost and carbon-priority strategies produced the lowest predicted emissions, approximately 1292 kg CO2e, and selected the lowest electricity emission factor and cement mass considered in the design space, 0.05 kg CO2e/kWh and 400 kg, respectively. The time-priority strategy produced the shortest predicted production time but the highest predicted emissions and cost, demonstrating a clear carbon–cost–time trade-off under the model assumptions. The proposed framework provides a practical decision-support tool for AAC manufacturers to compare production strategies, quantify trade-offs, and identify lower-carbon operating regimes before implementation.

• semanticscholar https://www.mdpi.com/2071-1050/18/15/7860/pdf?version=1785761474first seen 2026-08-09 05:51:40 · last seen 2026-09-29 05:32:43