Optimal cost and multi-objective mixture design for low-carbon HPC considering carbon fees

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

🔬研究者:A deep learning-based optimization approach for multi-objective concrete mix design integrating carbon pricing; useful for extending to other materials or regions.

🏢実務担当者:Provides a data-driven tool to design cost-effective low-carbon concrete mixes under carbon pricing scenarios, aiding sustainability reporting.

🏛政策担当者:Demonstrates how carbon fees can drive low-carbon material innovation; relevant for designing effective carbon pricing policies in construction.

高性能コンクリート（HPC）は、気候変動の緩和と建設産業の炭素フットプリント削減に焦点を当てた世界的な持続可能性目標に合致する低炭素建設材料である。この産業は世界のCO2排出に大きく寄与しているため、環境・経済・性能要件のバランスを取る持続可能な代替材料の開発は、グリーン建設慣行の推進にとって極めて重要である。しかし、既存の研究には、コスト、強度、炭素排出を含む主要な意思決定要因を効果的にバランスさせる包括的な予測モデルが不足している。このギャップに対処するため、本研究は、HPC混合物における独立データと逐次データを処理するためにニューラルネットワーク（NN）と双方向ゲート付き回帰型ユニット（BiGRU）を統合した進化的深層学習モデル、ASOS-NN-BiGRUを開発する。このモデルは、圧縮強度予測精度を向上させるために、自動調整共生生物探索（ASOS）アルゴリズムを用いて最適化される。開発されたモデルはさらに、3つの主要シナリオの下でHPC混合物設計を最適化するために展開される：全体の炭素排出を最小化すること、炭素税なしで最も費用対効果の高い混合物を特定すること、および潜在的な炭素税を考慮した最も費用対効果の高い混合物を決定すること。さらに、多目的自動調整共生生物探索（MOASOS）アルゴリズムを用いて、最適な低炭素HPC混合物を特定する。炭素価格設定メカニズムと多目的最適化を統合することにより、この研究は、建設産業の低炭素材料への移行と効果的な炭素課税政策の開発・実施の両方を支援する、持続可能なコンクリート生産のための実践的枠組みを提供する。実験結果はモデルの頑健性と信頼性を確認し、意思決定者が構造性能を確保しながら特定の持続可能性とコストの選好に合わせたHPC混合物を設計することを可能にする。

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。

High-performance concrete (HPC) is a low-carbon construction material that aligns with global sustainability goals focusing on climate change mitigation and reducing the carbon footprint of the construction industry. Because this industry contributes significantly to global CO2 emissions, developing sustainable alternative materials that balance environmental, economic, and performance requirements is critical to advancing green construction practices. However, existing studies lack comprehensive prediction models that effectively balance key decision-making factors, including cost, strength, and carbon emissions. To address this gap, this study develops an evolutionary deep learning model, ASOS-NN-BiGRU, which integrates Neural Networks (NN) and Bidirectional Gated Recurrent Units (BiGRU) to process independent and sequential data in HPC mixtures. The model is optimized using the Auto-tuning Symbiotic Organisms Search (ASOS) algorithm to enhance compressive strength prediction accuracy. The developed model is further deployed to optimize HPC mixture designs under three key scenarios: minimizing overall carbon emissions, identifying the most cost-effective mixture without carbon fees, and determining the most cost-effective mixture considering potential carbon fees. Additionally, the Multi-Objective Auto-tuning Symbiotic Organisms Search (MOASOS) algorithm is employed to identify optimal low-carbon HPC mixtures. By integrating carbon pricing mechanisms and multi-objective optimization, this research provides a practical framework for sustainable concrete production that supports both the transition of the construction industry toward low-carbon materials and the development and implementation of effective carbon taxation policies. Experimental results confirm the model’s robustness and reliability, enabling decision-makers to design HPC mixtures tailored to specific sustainability and cost preferences while ensuring structural performance.

• openalex https://doi.org/10.1007/s10668-026-07693-8first seen 2026-05-17 05:25:04 · last seen 2026-06-13 04:53:17