Trustworthy Data-Driven Hybrid Modeling of Building Energy Performance and Greenhouse Gas Emissions

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This hybrid modeling approach can be replicated on other campuses or building stocks, particularly for testing physics-informed machine learning under data limitations.

🏢実務担当者:Facility managers can use the ANN model to identify high-emission buildings and prioritize energy retrofits, supporting cost-effective decarbonization.

建物からの二酸化炭素（CO2）排出削減は気候変動対策に不可欠であり、大学は主要なエネルギー消費主体である。本研究は、機械学習と簡略化された排出係数リスケーリングを組み合わせたハイブリッドデータ駆動型フレームワークを開発し、キャンパス全体のCO2排出量を予測する。9つの機械学習モデルを、横断的検証と時系列的検証の両方の設定下で比較評価した。評価した全モデルのうち、人工ニューラルネットワーク（ANN）が最も信頼性の高い予測性能を示し、予測精度と一般化能力の間で最良のバランスを達成した。提案した物理情報型LSBoost_PIフレームワークは、残差補正を通じて物理的先行知識と機械学習を統合することを目的としたが、データセットの限られたサンプル条件下では予測の一般化を改善しなかった。時系列交差検証により、ANNモデルの時間的予測能力がさらに確認された（RMSE = 2.13トン/年、R2 = 0.985）。信頼性が高く解釈可能な機械学習を支援するため、特徴量重要度分析により、CO2強度指標（CO2/kWhおよびCO2/TEP）が排出量の主要な駆動因子であることが特定された。また、本研究は排出削減評価も実施し、限られた数の高エネルギー建物がキャンパス全体の排出量を支配していることを明らかにした。これらの知見は、キャンパス規模のエネルギー管理に実践可能な洞察を提供し、高排出建物における的を絞ったエネルギー効率改善と再生可能エネルギー統合戦略を支援する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Reducing carbon dioxide (CO2) emissions from buildings is essential for climate change mitigation, with universities representing major energy consumers. This study develops a hybrid data-driven framework combining machine learning and simplified emission factor rescaling to predict campus-wide CO2 emissions. Nine machine learning models were comparatively evaluated under both cross-sectional and temporal validation settings. Among all evaluated models, the Artificial Neural Network (ANN) demonstrated the most reliable predictive performance, achieving the best balance between prediction accuracy and generalization capability. Although the proposed physics-informed LSBoost_PI framework aimed to integrate physical priors with machine learning through residual correction, it did not improve predictive generalization under the limited sample conditions of the dataset. Time-series cross-validation further confirmed the ANN model’s temporal forecasting capability (RMSE = 2.13 ton/year, R2 = 0.985). To support trustworthy and interpretable machine learning, feature importance analysis identified CO2 intensity indicators (CO2/kWh and CO2/TEP) as the dominant drivers of emissions. The study also conducted an emission reduction assessment, revealing that a limited number of high-energy buildings dominate overall campus emissions. These findings provide actionable insights for campus-scale energy management, supporting targeted energy efficiency improvements and renewable energy integration strategies in high-emission buildings.

• crossref https://doi.org/10.3390/buildings16112260first seen 2026-06-04 05:33:31 · last seen 2026-06-17 05:57:56