機械学習を用いた建材のカーボンフットプリント予測：生産段階、二次材料利用、リサイクル可能性
Predicting the Carbon Footprint of Building Material Using Machine Learning: Production Phase, Secondary Material Use, and Recycling Potential (原題)
Karol Skiba, Aleksandra Mach, Joanna Sagan, Roman Kinasz
🤖 gxceed AI 要約
日本語
EPDの資源使用・廃棄物指標から、建材の生産段階（A1–A3）とモジュールDの地球温暖化係数を機械学習で予測した研究。XGBoostがA1–A3でR2=0.963、モジュールDで0.791を達成。非再生可能一次エネルギー（PENRT）が生産段階を支配し、モジュールDでは放射性廃棄物や二次材料利用が重要となった。EPDの妥当性検証や欠損値補完への活用が期待される。
English
Machine learning predicts building-material GWP for production (A1–A3) and module D from EPD resource-use and waste indicators. XGBoost reached R2 of 0.963 (A1–A3) and 0.791 (module D). Non-renewable primary energy dominated production predictions, while radioactive waste and secondary material use mattered for module D. Models may support plausibility checks and filling missing module D values.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
建設資材のEPDはScope 3算定やSSBJ・有報のサプライチェーン排出開示の基礎データとなる。AIによるEPD予測・補完は、日本企業の建材調達や建物LCA算定の効率化に直結する。
In the global GX context
EPDs underpin Scope 3 accounting and building LCA, increasingly relevant to ISSB/CSRD disclosure for construction and real estate. ML-based estimation of missing module D values addresses a known data gap in embodied-carbon accounting.
👥 読者別の含意
🔬研究者:EPD指標からGWPを予測するML手法の精度と限界（未見グループでの汎化低下）を定量評価した点が参考になる。
🏢実務担当者:EPDの欠損値補完や妥当性チェックにMLを活用し、建材の embodied carbon 算定を効率化できる可能性がある。
🏛政策担当者:EPDデータ整備とAI補完を組み合わせ、建設分野の排出量算定インフラ整備を検討する材料になる。
📄 Abstract（原文）
Environmental product declarations (EPDs) provide carbon footprint data for construction products. This study evaluated machine learning predictions of global warming potential (GWP–total) for the production stage (A1–A3) and module D from EPD resource-use and waste indicators, focusing on secondary material use (SM). After interquartile range removal of target outliers, the analysis used 2214 A1–A3 records and 1765 EPDs with module D data from ÖKOBAUDAT. Extreme Gradient Boosting (XGBoost), Random Forest, and Support Vector Regression (SVR) were tuned by 5-fold cross-validation; predictor importance was assessed with Shapley Additive Explanations values and ablation. XGBoost achieved the highest test coefficient of determination (R2) 0.963 for A1–A3, 0.791 for module D, with relative mean absolute errors of 13% and 27%, respectively. Its advantage over Random Forest was mostly within bootstrap uncertainty. Total use of non-renewable primary energy resources (PENRT) dominated A1–A3 predictions, whereas radioactive waste disposed (RWD), total use of renewable primary energy resources (PERT), and SM gained importance for module D. Removing SM changed module D R2 by −0.03 (95% confidence interval: −0.07 to 0.00). Grouped validation reduced module D R2 to approximately 0.4 for unseen groups. The models may support plausibility checks and estimation of missing module D values.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.3390/ma19214666first seen 2026-11-05 05:20:51
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。