AI-Enabled System-of-Systems Decision Support: BIM-Integrated AI-LCA for Resilient and Sustainable Fiber-Reinforced Façade Design

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

🔬研究者:The AI surrogate modeling methodology for LCA prediction is a novel contribution, offering a template for integrating ML with building performance simulation.

🏢実務担当者:Façade designers and sustainability engineers can use the framework to rapidly evaluate material combinations and optimize for carbon and energy performance at early design stages.

🏛政策担当者:The study provides evidence for updating building codes to incorporate AI-driven LCA tools for embodied carbon reduction targets.

持続可能で強靭なコミュニティは、材料選択、エネルギー性能、ライフサイクル影響を共同で最適化しなければならない、相互依存するデータ駆動型の建築システムにますます依存している。本研究は、BIM対応の建築エネルギーシミュレーションとAI強化ライフサイクルアセスメント（AI-LCA）パイプラインを統合した、デジタルツイン対応のシステム・オブ・システムズ（SoS）意思決定支援フレームワークを提示し、スマートビル向けの繊維補強コンクリート（FRC）ファサードシステムを最適化する。従来のLCAはしばしばインベントリ駆動型で静的であり、運用上の変動下でのSoS意思決定に対する有用性が限られている。このギャップに対処するため、我々は機械学習サロゲートモデル（ランダムフォレスト、勾配ブースティング、人工ニューラルネットワーク）を開発し、ファサードの力学性能とライフサイクル指標（CO2排出量、体積エネルギー、水使用量）の二重予測を実行し、設計代替案の迅速な探索を可能にする。我々は、実験的なFRC測定値、公開環境インベントリ、BIM連携エネルギーシミュレーションを、材料と建築の連成挙動を捉えた統一データセットに融合する。モデルは高い予測性能（最大99.2%の精度）を達成し、特徴量帰属分析により、繊維タイプ、体積率、養生条件がライフサイクル結果の主要な決定要因であることが特定される。シナリオ分析は、最適化された構成が、BIMワークフローを通じて伝播する際に体積炭素を削減しつつエネルギー効率の軌道を改善し、炭素意識の高い強靭なファサード選定を支援することを示す。全体として、本フレームワークは、スマート建築環境におけるファサード設計決定のための高速で連成した予測を提供することにより、スケーラブルなSoS最適化を可能にする。

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。

Sustainable and resilient communities increasingly rely on interdependent, data-driven building systems where material choices, energy performance, and lifecycle impacts must be optimized jointly. This study presents a digital-twin-ready, system-of-systems (SoS) decision-support framework that integrates BIM-enabled building energy simulation with an AI-enhanced lifecycle assessment (AI-LCA) pipeline to optimize fiber-reinforced concrete (FRC) façade systems for smart buildings. Conventional LCA is often inventory-driven and static, limiting its usefulness for SoS decision making under operational variability. To address this gap, we develop machine learning surrogate models (Random Forests, Gradient Boosting, and Artificial Neural Networks) to perform a dual prediction of façade mechanical performance and lifecycle indicators (CO2 emissions, embodied energy, and water use), enabling a rapid exploration of design alternatives. We fuse experimental FRC measurements, open environmental inventories, and BIM-linked energy simulations into a unified dataset that captures coupled material–building behavior. The models achieve high predictive performance (up to 99.2% accuracy), and feature attribution identifies the fiber type, volume fraction, and curing regime as key drivers of lifecycle outcomes. Scenario analyses show that optimized configurations reduce embodied carbon while improving energy-efficiency trajectories when propagated through BIM workflows, supporting carbon-aware and resilient façade selection. Overall, the framework enables scalable SoS optimization by providing fast, coupled predictions for façade design decisions in smart built environments.

• semanticscholar https://www.mdpi.com/2078-2489/17/2/126/pdf?version=1769678546first seen 2026-06-29 06:56:52 · last seen 2026-08-09 05:50:39