Study on the characteristics and prediction of concrete carbon emissions based on a machine learning approach with spatiotemporal heterogeneity analysis
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
Although concrete remains indispensable in construction for its compressive strength and durability, its production constitutes a predominant source of building-sector carbon emissions. Current emission accounting methods frequently neglect fine-grained spatiotemporal variations, resulting in prediction inaccuracies that hinder effective decarbonization policy formulation. This study addresses this gap by elucidating how regional and seasonal factors modulate concrete emissions and establishing a high-precision dynamic prediction model. Focusing on Shandong Province, China’s northern hub for construction material production, we quantified disparities in mix proportions, raw material logistics (0–130 km), and production energy consumption intensity across five subregions (East, West, South, Central, and North Shandong). We conducted a systematic comparison of four mainstream machine learning algorithms: Random Forest (RF), Gradient Boosting Decision Tree (GBDT), XGBoost, and Support Vector Machine (SVM). The GBDT model achieved superior performance (R² = 0.958, RMSE = 20.05 kgCO₂), outperforming alternatives by 12–23 % in accuracy. SHAP analysis revealed cement content, aggregate type, fly ash, and transport distance as dominant predictors. Our findings demonstrate that: (1) Emission heterogeneity across subregions reaches 28.6 % due to localized supply chains and seasonal energy mixes. (2) GBDT’s ensemble learning effectively captures nonlinear interactions in material–process–emission relationships. This work advances low-carbon concrete strategies by providing a spatiotemporally adaptive prediction tool, with implications for lifecycle carbon management in construction. The methodology is transferable to other emission-intensive regions, supporting low-carbon goals through data-driven industrial optimization.
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) | 0,000 | 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 découle