基于WOA-DELM的成都地铁建设阶段温室气体预测

为解决成都地铁设计和修建过程中碳排放计量问题，以成都地铁18号线6车站7区间为研究对象，采用机器学习算法对成都地铁建设阶段碳排放进行预测研究。基于生命周期评价（life cycle assessment, LCA）框架对地铁车站和盾构区间建筑材料生产阶段、建筑材料运输阶段和现场施工阶段温室气体排放量进行计算，建立基于鲸鱼优化算法（whale optimization algorithm, WOA)的深度极限学习机（deep extreme learning machine, DELM）地铁碳排放预测模型，并与基于风驱动优化（wind driven optimizer, WDO）、灰狼优化(grey wolf optimizer, GWO）、粒子群优化(particle swarm optimizer, PSO)、人工蜂群优化（artificial bee colony, ABC）、多元宇宙优化（multi-verse optimizer, MVO）、原子搜索优化（atom search optimizer，ASO）的深度极限学习机（DELM）和未优化的BP（back propagation neural network）、KELM(kernel extreme learning machine)、DELM算法预测结果进行对比分析。研究得到： 1)WOA-DELM算法预测结果相关一致性为0.757，略高于其他算法； 2）根据WOA-DELM算法对地铁碳排放主要输入指标进行敏感性分析，得到地铁车站碳排放预测的关键影响因素为车站长度和轨面埋深，对应指标碳排放相对变化率分别为30.1%和23.1%。     

交通隧道工程碳排放核算及研究进展分析

为应对日趋严重的全球气候变暖问题，中国政府提出了“双碳”目标。交通隧道生产活动排放的温室气体是土木工程领域碳排放的主要来源之一，其节能减排工作开展的成效是按时按质完成“双碳”目标的关键。通过统计调研近10年来的相关文献，总结目前交通隧道碳排放计算分析的研究现状。结果表明，目前国内外常基于生命周期评价开展隧道生命周期的碳排放研究，同时选用排放系数法进行计算；多数文献主要围绕公路隧道、盾构隧道施工期的碳排放开展计算和减排分析，并且一般将隧道施工期碳排放划分为材料生产、材料运输和现场施工3个阶段。对隧道施工碳排放的影响因素、预测公式等方面的研究进展进行综合性叙述，可为后续研究提供参考。     

基于机器学习的铁路隧道施工碳排放预测模型研究

为构建适用于铁路隧道施工建设阶段碳排放预测的算法模型，以某铁路隧道建设工程为研究案例，首先基于碳排放计算体系量化得到案例隧道的施工碳排放量与各子阶段碳排放占比；然后采用多种机器学习算法构建不同预测模型，结合动物优化算法对预测模型进行参数调优，选用R²、MAE、MSE、RMSE、MAPE、SMAPE等评价指标对比分析拟合效果，筛选最佳预测模型，并基于SHAP值分析各参数变量的重要性程度。结果显示：建材生产阶段对隧道施工碳排放的贡献最大，建材运输阶段的碳排放最小；BP神经网络相对随机森林、LightGBM、SVR、极限学习机等算法的回归效果更好，并且通过对比使用PSO算法、WOA算法和SSA算法优化后的回归预测模型，WOA-BP算法的拟合效果最好；基于SHAP算法的分析，各参数变量的特征重要性排名依次为：开挖面积>围岩等级>开挖工法>埋深。