[論文レビュー] Integrated BIM and Machine Learning System for Circularity Prediction of Construction Demolition Waste

Abdullahi B. Saka, Ridwan Taiwo+4 more|arXiv (Cornell University)|Jul 20, 2024

Recycled Aggregate Concrete Performance被引用数 4

ひとこと要約

本研究では、プロジェクトレベルでの建設廃棄物の循環性を予測する統合型ビルディングインフォメーションモデリング（BIM）と機械学習（ML）システムを提案する。2,280件の解体プロジェクトからなるデータセットをXGBoostで分析した結果、決定係数R²が0.9977、平均絶対誤差（MAE）が5.0910に達し、再利用可能廃棄物および埋立て廃棄物の正確な予測が可能となった。SHAP解析により、循環性に寄与する主要な建材および設計要因が特定された。

ABSTRACT

Effective management of construction and demolition waste (C&DW) is crucial for sustainable development, as the industry accounts for 40% of the waste generated globally. The effectiveness of the C&DW management relies on the proper quantification of C&DW to be generated. Despite demolition activities having larger contributions to C&DW generation, extant studies have focused on construction waste. The few extant studies on demolition are often from the regional level perspective and provide no circularity insights. Thus, this study advances demolition quantification via Variable Modelling (VM) with Machine Learning (ML). The demolition dataset of 2280 projects were leveraged for the ML modelling, with XGBoost model emerging as the best (based on the Copeland algorithm), achieving R2 of 0.9977 and a Mean Absolute Error of 5.0910 on the testing dataset. Through the integration of the ML model with Building Information Modelling (BIM), the study developed a system for predicting quantities of recyclable and landfill materials from building demolitions. This provides detailed insights into the circularity of demolition waste and facilitates better planning and management. The SHapley Additive exPlanations (SHAP) method highlighted the implications of the features for demolition waste circularity. The study contributes to empirical studies on pre-demolition auditing at the project level and provides practical tools for implementation. Its findings would benefit stakeholders in driving a circular economy in the industry.

研究の動機と目的

• 建設および解体廃棄物（C&DW）の循環性に関するプロジェクトレベルの事前解体監査ツールの不足に応える。
• 既存の研究が建設廃棄物や地域レベルのデータに限定され、循環性の洞察を提供しないという限界を克服する。
• BIMとMLを活用して、建物解体に伴う再利用可能廃棄物および埋立て廃棄物の数量を予測するデータドリブンなシステムを開発する。
• 数量的廃棄物予測を通じて、ステークホルダーが循環型経済の推進に向けた意思決定を下せるように支援する。
• SHAPによる特徴重要度とモデルの解釈可能性を活用し、実証的かつ実行可能なツールを提供して、事前解体計画を支援する。

提案手法

• 建物の幾何形状、建材、構造システムに関連する特徴を抽出するため、2,280件の解体プロジェクトのデータセットを収集・処理した。
• モデルの汎化性能と予測力の向上を目的に、変数モデリング（VM）を用いて仮想的特徴を生成した。
• 再利用可能廃棄物および埋立て廃棄物の数量を回帰予測する目的で、XGBoost、ランダムフォレスト、LightGBMなどの複数の機械学習モデルを訓練した。
• 決定係数（R²）、平均絶対誤差（MAE）、平均二乗誤差（RMSE）の複数指標に基づき、コペランド法を用いて最適なモデルを選定した。
• 訓練済みのXGBoostモデルをBIMベースのシステムに統合し、設計および計画段階でリアルタイムに廃棄物の循環性を予測可能とした。
• SHapley Additive exPlanations（SHAP）を用いて特徴の寄与度を解釈し、解体廃棄物の循環性に寄与する主要因を同定した。

実験結果

リサーチクエスチョン

• RQ1 BIM統合データを活用した機械学習は、建物解体に伴う再利用可能廃棄物および埋立て廃棄物の数量をどの程度正確に予測できるか？
• RQ2 複数の評価指標（R²、MAE、RMSEなど）を考慮した場合、どの機械学習モデルが解体廃棄物の循環性予測において最も優れた性能を示すか？
• RQ3 モデルの解釈性から明らかになる、廃棄物の循環性に最も影響を与える設計および建材の特徴は何か？
• RQ4 BIMとMLを統合することで、プロジェクトレベルの事前解体廃棄物監査の実現可能性と精度はどの程度向上するか？
• RQ5 提案されたシステムは、建設解体計画における循環型経済の実践的実装を支援できるか？

主な発見

• XGBoostモデルは、テストセットにおいて決定係数R²が0.9977、平均絶対誤差（MAE）が5.0910という最高の予測性能を達成した。
• コペランド法により、XGBoostがR²、MAE、RMSEの複数指標において他の代替モデル（ランダムフォレスト、LightGBMなど）を上回り、最適モデルであることが確認された。
• SHAP解析により、建材の種別、構造システム、建物容積が廃棄物の循環性に最も大きな影響を与える主な特徴であることが判明した。
• BIMとMLの統合により、再利用可能および非再利用可能な廃棄物成分のリアルタイムなプロジェクトレベルの予測が可能になった。
• 本システムは、ステークホルダーが建材回収を促進し、埋立て処理を削減するための設計戦略を優先順位付けするための実行可能なインサイトを提供する。
• 本研究は、循環型経済への移行を支援する、実証的かつ根拠に基づいた、事前解体監査の包括的フレームワークを確立した。