GBMP-LCA: A Gradient Boosting–Based Framework for Performance Prediction and Life-Cycle Optimization of Green Building Materials

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

🔬研究者:Provides a novel application of gradient boosting and SHAP for multi-objective material optimization, enabling interpretable ML in LCA.

🏢実務担当者:Offers a practical tool for screening and optimizing green building materials based on performance and carbon footprint.

🏛政策担当者:Supports evidence-based policy for low-carbon construction by quantifying trade-offs between durability and emissions.

グリーン建築材料の採用加速は、建設部門の環境フットプリント削減に不可欠であるが、複雑な材料組成と不均一な耐久性メカニズムにより、その長期的性能とライフサイクル影響を正確に予測することは依然として大きな課題である。従来の実験的・物理ベースのアプローチは、しばしばコストが高く、拡張性に限界があるため、持続可能な材料設計と最適化のためのデータ駆動型手法の統合が動機付けられている。本研究では、グリーン建築材料の性能予測とライフサイクル最適化のための勾配ブースティングベースのフレームワークであるGBMP-LCAを提案する。提案フレームワークは、材料組成パラメータ、物理的・機械的特性、耐久性指標、および embodied carbon 指標を体系的に統合し、耐用年数や強度保持率などの主要な性能成果をモデル化する。LightGBMベースの勾配ブースティングモデルを用いて多源特徴量間の非線形関係を捕捉し、一方でSHAPベースの解釈可能性分析を導入して特徴量の貢献度を定量化し、持続可能性制約下での材料組成最適化を導く。多様なグリーン建築材料の収集データセットに対する実験結果は、提案するGBMP-LCAフレームワークが従来の機械学習ベースラインを一貫して上回ることを示している。ランダムフォレストおよび線形回帰モデルと比較して、GBMP-LCAはRMSEを約12%削減し、 値0.87を達成しており、強い予測精度と頑健性を示している。さらに、モデルの解釈可能性分析により、材料耐久性向上と炭素フットプリント削減の間の主要なトレードオフが明らかになり、データ駆動型の持続可能な材料選定を支援する。全体として、GBMP-LCAは、持続可能な建築材料開発のための正確で説明可能かつ拡張可能な意思決定支援フレームワークを提供し、材料スクリーニング、ライフサイクルを考慮した設計、および低炭素建設計画への実用的適用可能性を有する。

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。

The accelerated adoption of green building materials is essential for reducing the environmental footprint of the construction sector, yet accurately predicting their long-term performance and lifecycle impacts remains a major challenge due to complex material compositions and heterogeneous durability mechanisms. Conventional experimental and physics-based approaches are often costly and limited in scalability, motivating the integration of data-driven methods for sustainable material design and optimization. In this study, we propose GBMP-LCA, a Gradient Boosting–Based framework for performance prediction and life-cycle optimization of green building materials. The proposed framework systematically integrates material composition parameters, physical and mechanical properties, durability indicators, and embodied carbon metrics to model key performance outcomes such as service life and strength retention. A LightGBM-based gradient boosting model is employed to capture nonlinear relationships among multi-source features, while SHAP-based interpretability analysis is introduced to quantify feature contributions and guide material composition optimization under sustainability constraints. Experimental results on a compiled dataset of diverse green building materials show that the proposed GBMP-LCA framework consistently outperforms conventional machine learning baselines. Compared with Random Forest and linear regression models, GBMP-LCA reduces RMSE by approximately 12% and achieves an  value of 0.87, indicating strong predictive accuracy and robustness. Furthermore, model interpretability analysis reveals key trade-offs between material durability improvement and carbon footprint reduction, supporting data-driven sustainable material selection. Overall, GBMP-LCA offers an accurate, explainable, and scalable decision-support framework for sustainable building material development, with practical applicability to material screening, lifecycle-aware design, and low-carbon construction planning.

• semanticscholar https://fsrma.org/index.php/FSRMA/article/download/105/108first seen 2026-07-13 07:18:08 · last seen 2026-08-09 05:49:29