機械学習フレームワークを用いた設計段階別のプロジェクトレベル体化炭素予測

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

🔬研究者:設計段階に応じた体化炭素予測の精度向上と、解釈可能なAI手法（SHAP）を適用した事例として活用できる。

🏢実務担当者:設計・建設企業のサステナビリティ担当者は、初期設計段階での簡易炭素予測により低炭素オプションの比較や顧客への排出報告に活用できる。

🏛政策担当者:建築セクターの体化炭素算定を迅速化する手法として、規制・基準策定に参考にできる。

体化炭素排出量の迅速かつ信頼性の高い予測は、持続可能な設計意思決定を支援し、建築工学プロジェクトの環境影響を低減するために不可欠である。しかし、既存の研究は主に単一の建物に焦点を当てており、プロジェクトレベルの予測や設計段階間の情報可用性の変動への注目は限られていた。このギャップに対処するため、本研究は426棟の個別建物を含む78プロジェクトのデータセットに基づき、プロジェクトレベルの体化炭素予測のための機械学習フレームワークを開発した。プロジェクト属性、規模指標、構造特性、材料数量、および建設関連情報を用いて、基本設計段階と施工図設計段階向けに9つの機械学習モデルを構築した。さらに、予測性能を向上させるため、2つの残差補正付き重み付きアンサンブルモデルを導入した。結果は、Extra Trees–KNN残差補正付き重み付きアンサンブルモデルが施工図設計段階で最良の性能を達成し、テストセットのR2は0.949であった。SHAP分析により、支配的要因における段階依存のシフトがさらに明らかになった：基本設計段階では総床面積と敷地面積が支配的であったのに対し、施工図設計段階ではコンクリート量と鉄筋量が主要な予測因子となった。提案されたフレームワークは、低炭素設計意思決定のための解釈可能かつ段階固有の定量的支援を提供し、それにより体化炭素削減とより持続可能な建築環境への移行を促進する。

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。

Rapid and reliable prediction of embodied carbon emissions is essential for supporting sustainable design decision-making and reducing the environmental impacts of building engineering projects. However, existing studies have mainly focused on single buildings, with limited attention to project-level prediction and variations in information availability across design stages. To address this gap, this study developed a machine learning framework for project-level embodied carbon prediction based on a dataset of 78 projects involving 426 individual buildings. Using project attributes, scale indicators, structural characteristics, material quantities, and construction-related information, nine machine learning models were developed for the schematic design stage and the construction drawing design stage. Two residual-corrected weighted ensemble models were further introduced to improve predictive performance. The results show that the Extra Trees–KNN residual-corrected weighted ensemble model achieved the best performance at the construction drawing design stage, with a test-set R2 of 0.949. SHAP analysis further revealed a stage-dependent shift in dominant drivers: gross floor area and land area dominated at the schematic design stage, whereas concrete and reinforcement quantities became the leading predictors at the construction drawing design stage. The proposed framework provides interpretable and stage-specific quantitative support for low-carbon design decision-making, thereby facilitating embodied carbon reduction and the transition toward a more sustainable built environment.

• semanticscholar https://doi.org/10.3390/su18157723first seen 2026-08-02 06:25:32 · last seen 2026-09-22 05:11:07