Managing and predicting embodied carbon emissions for ready-mix concrete products using model-agnostic meta-learning technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ready-mix concrete (RMC) production is a major contributor to upstream carbon emissions in the construction industry. However, the absence of reliable emissions data, coupled with inconsistencies in reporting practices, presents significant challenges for stakeholders in effectively identifying and managing carbon hotspots across regions. Thus, this study employed a web crawling technique to compile a high-quality dataset of 59,412 Environmental Product Declarations (EPD) of RMC products in North America, then utilized the Model-Agnostic Meta-Learning (MAML) algorithm to enhance the embodied carbon emissions prediction for these products. The model was trained using three datasets related to material use, resource consumption, and waste generation as base learners in the United States (U.S.). Then, we tested the model with a new dataset from Canada containing unseen features to evaluate its generalization capability under varying environmental and technological scenarios in RMC production. The results showed that the proposed task-oriented MAML model outperformed the base learners, achieving an R 2 score of 0.902 for new task prediction, compared to scores of 0.759, 0.689, and 0.687 for the respective base learners. Furthermore, the MAML model exhibited 25 %–40 % reductions in MAE, RMSE, and MAPE relative to the base learners, highlighting its predictive performance in analyzing multi-task cases. Finally, a web-based platform framework incorporating the trained MAML model is proposed to support stakeholders in managing carbon emissions and to serve as a tool for validating EPD documents for RMC products. The findings of this study provide valuable insights to advance decarbonization efforts within the construction industry.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle