建筑拆除废料循环性预测的集成 BIM 与机器学习系统
机器学习
2024-07-23 v1
摘要
有效管理建筑与拆除废料（C&DW）对于可持续发展至关重要，因为建筑行业占全球废料生成量的 40%。C&DW management 的有效性依赖于对 C&DW 预期生成量的准确量化。尽管拆除活动对 C&DW 生成贡献更大，但现有研究聚焦于建筑废料。少数针对拆除的研究往往从地区层面进行，且未提供循环性见解。因此，本研究通过可变建模（Variable Modelling, VM）与机器学习（Machine Learning, ML）集成，推进拆除量化工作。我们利用 2280 个项目的拆除数据集进行 ML 建模，基于 Copeland 算法，XGBoost 模型表现最佳，在测试数据集上实现 R2 为 0.9977，平均绝对误差为 5.0910。通过将 ML 模型与建筑信息模型（Building Information Modelling, BIM）集成，本研究开发了一个预测建筑拆除中可回收物和填埋场物料数量的系统。这提供了关于拆除废料循环性的详细见解，并促进了更好的规划和管理。SHapley 加性解释（SHapley Additive exPlanations, SHAP）方法突显了特征对拆除废料循环性的影响。本研究为项目层面的拆除前审计提供了实证研究，并为实际应用提供了实用工具。其发现将惠及推动该行业循环经济的利益相关者。
引用
@article{arxiv.2407.14847,
title = {Integrated BIM and Machine Learning System for Circularity Prediction of Construction Demolition Waste},
author = {Abdullahi Saka and Ridwan Taiwo and Nurudeen Saka and Benjamin Oluleye and Jamiu Dauda and Lukman Akanbi},
journal= {arXiv preprint arXiv:2407.14847},
year = {2024}
}
备注
30 pages, 19 figures