Dynamic Heterogeneous Graph Neural Network with Carbon-Sensitive Dual Attention for Lifecycle Carbon Footprint Assessment of Engineering Projects
Notice bibliographique
Résumé
Global engineering projects are major carbon emitters with high heterogeneity, but traditional assessment methods (e.g., LCA, IPCC) lack precision, efficiency, and adaptability to dynamic construction. This study proposes a Carbon Footprint-aware Graph Neural Network (CF-GNN) for lifecycle carbon assessment. Its core innovations include: (1) a dynamic heterogeneous graph (entity/attribute nodes) updated via 15-day cycles and milestone triggers; (2) a carbon-sensitive dual attention mechanism prioritizing high-emission nodes/edges; (3) a third-order message passing framework capturing multi-hop carbon flows (up to 5 nodes). Validated on 3.86 million time-series data from 16 projects (residential, bridge, factory, etc.) against 8 baselines (LCA, GAT, TGAT, etc.), results show: CF-GNN achieves an average MAPE of 7.2% (38.9% lower than GAT, 55.8% lower than LCA), with bridge project RMSE at 218 tCO₂ (59.4% lower than LCA). It has 2.0±0.1s inference latency for 1000 nodes and 52±3.1min end-to-end assessment—3375-fold less manual effort than LCA (6 months/bridge). Key node identification matches experts (0.87 Kendall coefficient), with CV<5% (high stability) and 94.2±1.5% coverage for 95% prediction intervals. CF-GNN enables precise, efficient dynamic assessment, supporting low-carbon design/optimization and advancing "dual carbon" goals in construction, transportation, and energy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».