توسعه سیستم پیش بینی پویای پسماندهای ساختمانی با استفاده از یادگیری عمیق مدل سازی اطلاعات ساختمان (BIM) و تحلیل چرخه عمر (LCA)

پسماندهای ساختمانی یکی از مهم ترین چالش های زیست محیطی و اقتصادی در پروژه های عمرانی به شمار می آیند. نبود ابزارهای دقیق برای پیش بینی و مدیریت حجم ضایعات مصالح موجب اتلاف منابع، افزایش هزینه ها و آسیب به محیط زیست می شود. هدف این پژوهش طراحی و پیاده سازی یک چارچوب هوشمند برای پیش بینی پویای پسماندهای ساختمانی با استفاده از ترکیب مدل سازی اطلاعات ساختمان (BIM)، یادگیری عمیق (LSTM) و تحلیل چرخه عمر (LCA) است. به منظور آزمون چارچوب پیشنهادی یک پروژه ساختمانی واقعی در تهران به عنوان مطالعه موردی انتخاب شد. داده های مصالح، حجم و برنامه زمان بندی از مدل BIM استخراج و با نرخ های استاندارد ضایعات سری زمانی پسماند تولید شد. سپس مدل LSTM برای پیش بینی تولید پسماند در محیط Python طراحی و آموزش داده شد. در ادامه خروجی های پیش بینی شده وارد نرم افزار SimaPro شده و تحلیل چرخه عمر برای سه سناریوی مدیریتی انجام گرفت. نتایج نشان داد که مدل پیشنهادی با ضریب تعیین ۰.۹۱۸ قادر به پیش بینی دقیق پسماند بوده و ترکیب آن با مصالح بازیافتی منجر به کاهش ۲۵ درصدی پسماند و ۲۲ درصدی در شاخص GWP گردید. این چارچوب می تواند به عنوان ابزار تصمیم یار در فاز طراحی و اجرا برای تحقق ساخت و ساز پایدار مورد استفاده قرار گیرد.

کلیدواژه ها:

پسماند ، ساختمانی ، مدل سازی اطلاعات ساختمان (BIM) ، یادگیری عمیق LSTM ، تحلیل چرخه عمر (LCA) ، پیش بینی ، ساخت پایدار