基于机器学习的建筑物化碳排放不确定性分析

阮爽 周拥军

上海交通大学船舶海洋与建筑工程学院

摘要：针对传统的建筑物化阶段碳排放计算方法的不确定性问题,利用机器学习方法对碳排放进行量化和不确定性分析。首先建立IPCC计算模型计算建筑物化阶段实际碳排放量,然后结合支持向量机回归(SVR)与反向传播神经网络(BPNN)两种单机器学习模型,采用组合赋权方法构建SVRBPNN模型预测碳排放量,并引入误差指标对模型预测结果进行分析评价,同时与单机器学习模型结果进行对比。利用预测模型结合蒙特卡洛模拟方法构建碳排放不确定性分析模型,采用区间估计方法得到碳排放量的区间估计值。研究结果表明:SVR-BPNN模型预测碳排放量的绝对误差为0.51%,其拟合效果明显优于单机器学习模型;不确定性分析得到碳排放量在30%、60%、90%置信度下的区间估计值,区间均值与样本值相对误差均小于0.053%。

关键词：SVR-BPNN;碳排放;建筑物化阶段;蒙特卡洛模拟;不确定性分析;

DOI：10.16468/j.cnki.issn1004-0366.2025.05.010

专辑：工程科技Ⅰ辑;工程科技Ⅱ辑

专题：环境科学与资源利用;建筑科学与工程

分类号：TU201.5;X322