[论文解读] 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 4

一句话总结

本研究提出了一种集成建筑信息模型（BIM）与机器学习（ML）的系统，用于在项目层面预测建筑拆除废物的循环性。基于2,280个拆除项目的数据集，采用XGBoost模型，模型R²达到0.9977，平均绝对误差为5.0910，能够精确预测可回收与填埋废物，SHAP分析揭示了影响循环性的关键材料与设计因素。

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.

研究动机与目标

• 解决建筑与拆除废物（C&DW）循环性缺乏项目级拆除前审计工具的问题。
• 克服现有研究仅聚焦于建筑废物或区域级数据、缺乏循环性洞察的局限性。
• 开发一种数据驱动的系统，利用BIM与ML预测建筑拆除产生的可回收与填埋废物数量。
• 通过可量化的废物预测，使利益相关方能够就推进建筑行业循环经济发展做出明智决策。
• 提供基于特征重要性与模型可解释性（通过SHAP）的实证性、可操作性工具，用于拆除前规划。

提出的方法

• 收集并处理了2,280个拆除项目的数据库，提取与建筑几何、材料及结构系统相关的特征。
• 应用变量建模（VM）生成合成特征，以增强模型的泛化能力与预测性能。
• 训练多种机器学习模型，包括XGBoost、随机森林与LightGBM，用于可回收与填埋废物数量的回归分析。
• 基于R²、MAE与RMSE等指标在多个性能维度上的表现，利用Copeland算法选择最优模型。
• 将训练好的XGBoost模型集成至基于BIM的系统中，实现在设计与规划阶段对废物循环性的实时预测。
• 利用SHapley加法解释（SHAP）分析模型特征贡献，识别影响拆除废物循环性的关键驱动因素。

实验结果

研究问题

• RQ1 利用集成BIM的数据，机器学习在多大程度上能准确预测建筑拆除产生的可回收与填埋废物数量？
• RQ2 在多个评估指标下，哪种机器学习模型在预测拆除废物循环性方面表现最佳？
• RQ3 通过模型可解释性揭示的最具影响力的建筑设计与材料特征是什么，这些特征如何影响拆除废物的循环性？
• RQ4 将BIM与ML集成在多大程度上提升了项目级拆除前废物审计的可行性与精确度？
• RQ5 所提出的系统能否支持在建筑拆除规划中实际实施循环经济原则？

主要发现

• XGBoost模型在测试集上实现了最高的预测性能，R²为0.9977，平均绝对误差（MAE）为5.0910。
• Copeland算法确认XGBoost在多个指标下为最优模型，优于随机森林与LightGBM等其他模型。
• SHAP分析表明，材料类型、结构体系与建筑体量是决定废物循环性的最关键特征。
• BIM与ML的集成实现了对可回收与不可回收废物组分的实时、项目级预测。
• 该系统为利益相关方提供了可操作的洞察，有助于优先采用能提升材料回收率并减少填埋处置的设计策略。
• 本研究建立了一个稳健、基于实证的项目级拆除前审计框架，为建筑行业向循环经济转型提供支持。