Carbon Emission Accounting and Reduction for Buildings Based on a Life Cycle Assessment: A Case Study in China’s Hot-Summer and Warm-Winter Region
Notice bibliographique
Résumé
At the 75th United Nations General Assembly, China committed to peaking carbon dioxide emissions by 2030 and achieving carbon neutrality by 2060. In response, the national standard “General Specification for Building Energy Conservation and Utilization of Renewable Energy” has been adopted across 20 provinces and cities in seven major regions, including North China, Northeast China, and South China. These regions have implemented stringent energy-saving and emission reduction reviews and quota requirements. Despite this, there is limited research on comprehensive life cycle carbon emission calculations and carbon reduction designs. This study addresses this gap by focusing on economically developed regions with high population density and substantial energy-saving potential, specifically targeting the warm winter and hot summer regions of China. Using a commercial building in Shenzhen as a case study, we established a carbon emission accounting model based on the life cycle assessment (LCA) method. We calculated carbon emissions during the material phase using the project’s bill of quantities and relevant carbon emission factors. Additionally, we used the CEEB 2023 software to design energy-saving and emission reduction solutions for the building. Our comparative analysis reveals that the new design reduces the carbon emissions of the case study building by 13.5%. This reduction not only mitigates the environmental impact of construction but also contributes to the fight against the greenhouse effect, supporting the broader goal of sustainable development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».