DT-LCAF: スマートビル建設におけるリアルタイムエンボディドカーボン最適化のためのデジタルツイン活用ライフサイクルアセスメントフレームワーク

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

🔬研究者:Novel use of graph attention networks and reinforcement learning for embodied carbon optimization; proxy-based validation approach.

🏢実務担当者:Framework for real-time carbon tracking and optimization during construction, potentially aiding compliance with green building standards.

🏛政策担当者:Potential to inform building carbon regulation and encourage digital tools for embodied carbon monitoring.

建設部門は世界の炭素排出量の約39%を占めており、そのうち体化炭素—材料の採取、製造、輸送、建設からの排出—は、建築物のライフサイクル環境影響において系統的に過小評価されつつもますます重要な構成要素となっている。従来のライフサイクルアセスメント（LCA）手法は、静的データベースへの依存、フィードバックサイクルの遅延、および能動的な建設意思決定との統合の限界に悩まされ、環境評価と建設運用の間に根本的なギャップを生み出している。本論文は、デジタルツイン対応ライフサイクルアセスメントフレームワーク（DT-LCAF）を提示する。これは、EN 15978規格（ステージA1–A5）に整合した動的な建設段階の体化炭素会計システムであり、ビルディングインフォメーションモデリング（BIM）、モノのインターネット（IoT）センサーネットワーク、および機械学習を統合し、スマートビル建設中のリアルタイムの持続可能性意思決定を支援するよう設計されており、計算性能は履歴データセットのオフライン処理を通じて検証されている。本フレームワークは2つの実現メカニズムを導入する：（1）階層的グラフアテンションネットワークを採用し、コンポーネント、システム、および建物スケールにわたる材料の相互依存性を捕捉するマルチスケール炭素予測ネットワーク（MSCPN）、および（2）構造的、経済的、および時間的制約を尊重しながら、材料代替、サプライヤー選定、および建設順序に関する制約認識型の推奨を生成する強化学習ベースの炭素最適化エンジン（RL-COE）。実験的評価は、代理体化炭素ラベル（実測の建設測定値ではない）を用いた2つの補完的な検証戦略を採用する：体化炭素予測精度は、CBECSデータセット（5,900の商業ビル）から導出された代理炭素ラベルをICEデータベースv3.0の排出係数と組み合わせて評価され、10.24%のMAPEを達成し、これらの代理推定値の予測において最良のベースラインと比較して23.7%の改善を示す；時間的応答性とストリーミングデータ取り込み能力は、Building Data Genome Project 2（1,636の建物、3,053 m）を用いて検証される。RL-COE最適化エンジンは、代理ラベルフレームワーク内で建物タイプ全体にわたり平均18.4%の炭素削減率を示し、コストとスケジュールの実現可能性を維持する。BIMベースのケーススタディは、フレームワークの建設段階の更新ループを例示し、建設の進行に伴って体化炭素推定値が動的にどのように進化するかを示す。体化炭素ラベルの代理ベースの性質と、実測の建設段階測定値の欠如に関する限界が明示的に議論される。本フレームワークは、建物ポートフォリオ全体にわたるスケーラブルでデータ駆動型の体化炭素インテリジェンスを可能にすることで、スマートシティの持続可能性に貢献する。すべての定量的結果は、実測のプロジェクトデータではなく、建物特性と標準的な排出係数データベースから導出された代理体化炭素推定値に基づいている。したがって、報告された性能は代理システム内での概念実証を示すものであり、実プロジェクトにおける測定ベースの検証は今後の課題である。

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 contributes approximately 39% of global carbon emissions, with embodied carbon—emissions from material extraction, manufacturing, transportation, and construction—representing a systematically underestimated yet increasingly critical component of building life cycle environmental impacts. Traditional Life Cycle Assessment (LCA) methods suffer from static database dependencies, delayed feedback cycles, and limited integration with active construction decision-making, creating a fundamental gap between environmental assessment and construction operations. This paper presents the Digital Twin-Enabled Life Cycle Assessment Framework (DT-LCAF), a dynamic construction-phase embodied carbon accounting system aligned with the EN 15978 standard (stages A1–A5) that integrates Building Information Modeling (BIM), Internet of Things (IoT) sensor networks, and machine learning designed to support real-time sustainability decision-making during smart building construction, with computational performance validated through the offline processing of historical datasets. The framework introduces two enabling mechanisms: (1) a Multi-Scale Carbon Prediction Network (MSCPN) employing hierarchical graph attention networks to capture material interdependencies across component, system, and building scales; and (2) a Reinforcement Learning-based Carbon Optimization Engine (RL-COE) that generates constraint-aware recommendations for material substitution, supplier selection, and construction sequencing while respecting structural, economic, and temporal constraints. Experimental evaluation employs two complementary validation strategies using proxy embodied carbon labels (not ground-truth construction measurements): embodied carbon prediction accuracy is assessed using proxy carbon labels derived from the CBECS dataset (5900 commercial buildings) combined with the ICE Database v3.0 emission factors, achieving a 10.24% MAPE, representing a 23.7% improvement over the best-performing baseline in predicting these proxy estimates; temporal responsiveness and streaming data ingestion capabilities are validated using the Building Data Genome Project 2 (1636 buildings, 3053 m). The RL-COE optimization engine demonstrates an 18.4% mean carbon reduction rate within the proxy label framework across building types while maintaining cost and schedule feasibility. A BIM-based case study illustrates the framework’s construction-phase update loop, showing how embodied carbon estimates evolve dynamically as construction progresses. The limitations regarding the proxy-based nature of embodied carbon labels and the absence of ground-truth construction-phase measurements are explicitly discussed. The framework contributes to smart city sustainability by enabling scalable, data-driven embodied carbon intelligence across building portfolios. All quantitative results are based on proxy embodied carbon estimates derived from building characteristics and standard emission factor databases, rather than measured project data. The reported performance therefore demonstrates a proof-of-concept within the proxy system, and real-project, measurement-based validation remains future work.

• semanticscholar https://www.mdpi.com/2071-1050/18/5/2321/pdf?version=1772209011first seen 2026-06-29 06:26:52 · last seen 2026-09-22 05:11:01