陳 政， 郭亞林， 郭 春

(西南交通大學(xué) 交通隧道工程教育部重點(diǎn)實(shí)驗(yàn)室， 四川 成都 610031)

0 引言

隨著國家碳排放戰(zhàn)略布局的進(jìn)行，綠色工程逐漸成為設(shè)計(jì)研究重點(diǎn)。地鐵工程由于方便快捷，逐漸成為城市建設(shè)的熱點(diǎn)。截至2020年，成都地鐵總長超500 km。預(yù)計(jì)到2025年底，成都市修建和運(yùn)營地鐵里程將達(dá)到850 km，遠(yuǎn)期規(guī)劃36條線路，總長約1 666 km[1]。由于地鐵建設(shè)工程量逐漸增大，其碳排放控制已成為綠色工程建設(shè)的重要組成部分。

目前，國內(nèi)外已對軌道交通建設(shè)期的碳排放展開了相關(guān)研究。Morita等[2]建立了城市軌道交通建設(shè)期的碳排放模型； 文獻(xiàn)[3]采用GHGProtocol研究了倫敦地下結(jié)構(gòu)建設(shè)期的碳排放足跡； Chang等[4-5]采用生命周期方法對加利福尼亞高速鐵路建設(shè)階段的碳排放進(jìn)行了測算，發(fā)現(xiàn)建材生產(chǎn)碳排放約占總排放量的80%，而建材運(yùn)輸約占15%； 郜新軍[6]從生命周期角度評估了軌道交通系統(tǒng)建設(shè)期和運(yùn)營期的碳排放，得到碳排放最高階段為運(yùn)營期，其次是建設(shè)期； Liu等[7]采用生命周期評價(jià)方法對明挖地鐵和暗挖地鐵建設(shè)期碳排放量進(jìn)行對比，得到暗挖地鐵每m2碳排放量較大； Liu等[8]采用基于定額的方法對北京明挖地鐵建設(shè)期間碳排放量進(jìn)行計(jì)算，得到主體結(jié)構(gòu)在建設(shè)過程中碳排放量約占總排放量的69%，總體碳排放中混凝土和鋼材碳排放占比最大。

在地鐵車站和區(qū)間碳排放計(jì)量方面，粟月歡等[9]采用全生命周期評價(jià)法對深圳地鐵碳排放量進(jìn)行計(jì)算，得到地鐵建設(shè)階段盾構(gòu)區(qū)間碳排放量為1.3萬tCO2e/km，地鐵車站碳排放量約為3.71 tCO2e/m2； Liu等[10]采用人工神經(jīng)網(wǎng)絡(luò)對福州地鐵設(shè)計(jì)階段的碳排放量進(jìn)行預(yù)測，得到福州地鐵碳排放量為5.3萬tCO2e/km，并建立了埋深與地鐵車站和盾構(gòu)區(qū)間碳排放量的關(guān)系式； 王幼松等[11]、黃旭輝[12]對廣州地鐵物化階段碳排放量進(jìn)行研究，得到廣州地鐵車站物化階段碳排放量為6.057 tCO2e/m2，盾構(gòu)區(qū)間物化階段碳排放量為13.264 tCO2e/m； Li等[13]通過全生命周期評價(jià)方法對上海地鐵碳排放量進(jìn)行計(jì)算，得到建設(shè)階段上海地鐵車站和區(qū)間碳排放總量為2 681 427.99 tCO2e，建設(shè)階段碳排放量相當(dāng)于地鐵運(yùn)營28年的碳排放量； 賀曉彤[14]對北京某地鐵車站碳排放量進(jìn)行全生命周期評價(jià)，得到該地鐵車站平均每建筑平米碳排放量約為4.81 tCO2e，同時(shí)研究得到單柱雙跨地鐵車站碳排放量隨埋深線性增加，增量為743.05 tCO2e/m。

在預(yù)測碳排放方法上，有學(xué)者采用了智能機(jī)器學(xué)習(xí)算法[15-22]，如人工神經(jīng)網(wǎng)絡(luò)。但智能機(jī)器學(xué)習(xí)算法對于數(shù)據(jù)非常敏感[23]。目前，深度極限學(xué)習(xí)機(jī)在碳排放預(yù)測方面應(yīng)用較少，因此有必要采用不同算法進(jìn)行對比分析，以選取合適模型對地鐵碳排放進(jìn)行預(yù)測分析。

由于基于生命周期的碳排放存在較強(qiáng)的地域依賴性，且關(guān)于成都地鐵建設(shè)階段碳排放的研究很少，因此有必要研究成都地鐵建設(shè)階段的碳排放情況。本文基于生命周期評價(jià)(life cycle assessment，LCA)框架對成都地鐵建設(shè)階段的碳排放進(jìn)行計(jì)算，利用WOA-DELM算法建立成都地鐵碳排放預(yù)測模型，并對主要輸入指標(biāo)進(jìn)行敏感性分析，利用得到的碳排放影響高敏感性指標(biāo)擬合成都地鐵碳排放粗略預(yù)測公式。

1 地鐵碳排放計(jì)算方法及預(yù)測模型基本原理

1.1 碳排放研究范圍

結(jié)合LCA碳排放評價(jià)框架，根據(jù)建設(shè)階段碳排放的來源[24]和現(xiàn)有地鐵碳排放相關(guān)文獻(xiàn)[9-10]，將地鐵碳排放研究的時(shí)間范圍限定為地鐵的建設(shè)階段，將地鐵碳排放來源分為： 1)建筑材料生產(chǎn)產(chǎn)生的碳排放； 2)建筑材料運(yùn)輸產(chǎn)生的碳排放； 3)現(xiàn)場施工機(jī)械能耗產(chǎn)生的碳排放。地鐵碳排放系統(tǒng)邊界如圖1所示。

圖1 地鐵碳排放系統(tǒng)邊界Fig. 1 Boundary of metro carbon emission system

碳排放量采用等效二氧化碳的方法衡量，計(jì)算公式為

CO2eqi=Mi×GWPi。

(1)

式中：Mi為第i種溫室氣體質(zhì)量，本文研究的溫室氣體類型為CO2、CH4和N2O； GWPi為全球變暖潛勢值，根據(jù)聯(lián)合國政府間氣候變化專門委員會(huì)(IPCC)提出的《2021年氣候變化： 物理科學(xué)基礎(chǔ)》，選用的溫室氣體100年基準(zhǔn)期全球變暖潛勢值如表1所示。

表1 溫室氣體100年基準(zhǔn)期全球變暖潛勢值Table 1 Global warming potential of greenhouse gases in 100-year base period

1.2 碳排放計(jì)算方法

本文選用碳排放系數(shù)法對地鐵碳排放進(jìn)行計(jì)算，計(jì)算公式為

Ctotal=Cm+Ct+Co。

(2)

Cm=∑Mmat,iFmat,i。

(3)

Ct=∑Mtrans,iLtrans,iFtrans,i。

(4)

Co=∑Mmach,iFmach,i。

(5)

式(2)—(5)中：Ctotal為碳排放總量，kgCO2e；Cm為建筑材料生產(chǎn)碳排放總量，kgCO2e；Ct為建筑材料運(yùn)輸碳排放總量，kgCO2e；Co為場內(nèi)施工能耗碳排放總量，kgCO2e；Mmat,i為第i種建筑材料消耗量，kg；Fmat,i為第i種建筑材料生產(chǎn)碳排放因子，kgCO2e/kg；Mtrans,i為第i種建筑材料運(yùn)輸機(jī)械能源消耗量，kg；Ltrans,i為第i種建筑材料運(yùn)輸機(jī)械運(yùn)輸距離，km；Ftrans,i為第i種建筑材料運(yùn)輸機(jī)械碳排放因子，kgCO2e/(kg·km)；Mmach,i為第i種場內(nèi)施工機(jī)械能源消耗量，kg；Fmach,i為第i種場內(nèi)施工機(jī)械能源生產(chǎn)和使用的碳排放因子，kgCO2e/kg。

1.3 預(yù)測模型和優(yōu)化算法基本原理

1.3.1 模型輸入指標(biāo)的選擇

地鐵碳排放預(yù)測模型輸入指標(biāo)的選擇代表著地鐵結(jié)構(gòu)工程量，從而影響地鐵碳排放的預(yù)測。地鐵碳排放預(yù)測模型輸入指標(biāo)的選擇需要滿足獨(dú)立性和穩(wěn)定性要求，能夠全面反映地鐵整體情況。根據(jù)Liu等[10]對地鐵輸入指標(biāo)的研究，本文選取的地鐵車站碳排放預(yù)測模型輸入指標(biāo)為地鐵開挖方法、車站長度、車站寬度、車站高度、軌面埋深、總建筑面積、樓層數(shù)以及島式站臺(tái)寬度，地鐵盾構(gòu)區(qū)間碳排放預(yù)測模型輸入指標(biāo)為盾構(gòu)面積、管片厚度、盾構(gòu)區(qū)間長度和軌面平均埋深。

1.3.2 預(yù)測模型

1.3.2.1 BP (back propagation neural nctwork)基本原理

BP神經(jīng)網(wǎng)絡(luò)算法[25]是一種基于輸出誤差逆向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)算法，對于3層前饋神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成，每層的神經(jīng)元個(gè)數(shù)分別為n、m、k，根據(jù)神經(jīng)網(wǎng)絡(luò)層建立的輸出函數(shù)O以及誤差函數(shù)E分別為

θk′] 。

(6)

(7)

式(6)—(7)中：ψ(x)和φ(x)分別為輸出層和隱含層的傳遞函數(shù)；wjk、wik為連接權(quán)值的閾值；θj和θk′分別為隱含層和輸出層的閾值；Oi為擬合預(yù)測輸出值；xi和yi分別為隱含層輸入和輸出值；Ti和S分別為試驗(yàn)測試值和樣本數(shù)量。

1.3.2.2 ELM(extreme learning machine)基本原理

ELM[26]是單隱層前向型網(wǎng)絡(luò)，其基本表達(dá)式為

(8)

式中：βi為連接隱含層與輸出層的輸出權(quán)值；yi為網(wǎng)絡(luò)輸出值；gi(ωi·xj+bi)為第i個(gè)隱含層節(jié)點(diǎn)的激活函數(shù)；ωi為連接第i個(gè)隱含層節(jié)點(diǎn)和輸入節(jié)點(diǎn)之間的權(quán)重；bi為網(wǎng)絡(luò)第i個(gè)隱含層的偏置；K為隱藏節(jié)點(diǎn)；N為訓(xùn)練樣本個(gè)數(shù)；xj=[xj1,xj2, …，xjn]T∈Rn為輸入數(shù)據(jù)。

當(dāng)激活函數(shù)逼近目標(biāo)輸出值時(shí)，tj=[tj1,tj2,…，tjn]T∈Rn，即

(9)

采用矩陣方式表示為

T=Hβ。

(10)

(11)

式(10)—(11)中：H為極限學(xué)習(xí)機(jī)隱含層輸出矩陣；T為期望輸出向量;β為輸出權(quán)值矩陣。最終模型轉(zhuǎn)換成β權(quán)值的求解。

1.3.2.3 KELM(kernel extreme learning machine)基本原理

KELM是將核函數(shù)引入ELM中得到[26]，其模型輸出為

(12)

(13)

Ωi,j=h(xi)·h(xj)=K(xi,xj) 。

(14)

式(12)—(14)中：x為輸入數(shù)據(jù)；β為KELM模型輸出權(quán)值；h(x)為隱含層節(jié)點(diǎn)輸出函數(shù)；Ωi,j為核矩陣；K(xi,xj)為核函數(shù)，本文選用RBF核函數(shù)；I為對角矩陣；C為懲罰系數(shù)，本文取2；T為期望輸出向量。

1.3.2.4 DELM基本原理

DELM是多個(gè)ELM-AE(extreme learning machine autoencoder)堆疊而成的深度學(xué)習(xí)網(wǎng)絡(luò)[27]，基于ELM、DELM權(quán)值表示為

(15)

本文選用Sigmoid激活函數(shù)，隱含層取2層，每層節(jié)點(diǎn)分別為2個(gè)和3個(gè)。優(yōu)化迭代計(jì)算中，種群數(shù)量取20，最大迭代次數(shù)取50，權(quán)值上下邊界為[-1,1]。

1.3.3 優(yōu)化算法基本原理

1.3.3.1 WOA優(yōu)化算法基本原理

WOA優(yōu)化算法[28]是一種模仿座頭鯨捕獵行為的優(yōu)化算法。鯨魚在捕獵過程中會(huì)制造氣泡網(wǎng)包圍自己的身體，在搜索過程中，鯨魚彼此遠(yuǎn)離，以確保更高的捕獵效率。其迭代公式為

Xt+1=Xrand-A|CXrand-Xt| 。

(16)

A=2ar-a。

(17)

C=2r。

(18)

式(16)—(18)中：Xt是鯨魚位置向量；Xrand由當(dāng)前鯨魚的位置確定； 隨著迭代進(jìn)行，向量a從2到0線性減小，向量r在0到1之間隨機(jī)變動(dòng)；C為由向量r確定的系數(shù)矩陣;A為由a決定的系數(shù)矩陣。

開始迭代時(shí)，由于a向量值較大，|A|值將大于1，從而保證尋求最優(yōu)解的可靠范圍； 當(dāng)|A|值小于1時(shí)，包圍獵物的過程開始，此時(shí)計(jì)算公式為

(19)

1.3.3.2 WDO優(yōu)化算法基本原理

WDO優(yōu)化算法[29]來源于風(fēng)的運(yùn)動(dòng)可以自動(dòng)補(bǔ)償大氣壓力的不平衡原理，以空氣單元速度和位置進(jìn)行迭代求最優(yōu)解?？諝鈫卧恢煤退俣鹊綖?/p>

(20)

xnew=xcur+unewΔt。

(21)

c=-2|Ω|RT。

(22)

1.3.3.3 GWO優(yōu)化算法基本原理

GWO優(yōu)化算法[30]模擬自然界灰狼狩獵方法，每個(gè)狼都代表一個(gè)候選解答。通過模擬灰狼群等級制度，該算法將狼群分為α、β、δ、ω4個(gè)等級。前3個(gè)等級中的狼代表了當(dāng)前最優(yōu)解。GWO模型中第1步為包圍獵物，公式為

X(t+1)=Xp(t)-A|CXp(t)-X(t)| 。

(23)

A=2ar1-a。

(24)

C=2r2。

(25)

式(23)—(25)中：X(t)和Xp(t)分別為灰狼和獵物的位置向量；t為當(dāng)前迭代次數(shù)； 隨著迭代進(jìn)行，a向量從2到0線性減小，r1和r2向量在0到1之間隨機(jī)變動(dòng);A為向量a和r1決定的系數(shù)矩陣；C為由向量r2決定的系統(tǒng)矩陣。

在GWO算法中有一種特殊機(jī)制，假定α、β、δ等級中的狼可以獲得更多獵物的潛在信息，ω等級中的狼必須跟隨α、β、δ等級中的狼，以更新其位置來更靠近獵物，公式為

(26)

X1=Xα-A1|C1Xα(t)-X(t)| 。

(27)

X2=Xβ-A2|C2Xβ(t)-X(t)| 。

(28)

X3=Xδ-A3|C3Xδ(t)-X(t)| 。

(29)

1.3.3.4 PSO優(yōu)化算法基本原理

PSO優(yōu)化算法[28]模擬了生物種群的協(xié)作行為，即特征空間中的每個(gè)粒子都擁有一個(gè)適應(yīng)度值，粒子間可以相互協(xié)調(diào)以達(dá)到最優(yōu)適應(yīng)度，公式為

Xt+1=Xt+Vt+1。

(30)

Vt+1=wVt+c1r1(Pt-Xt)+c2r2(Pg,t-Xt) 。

(31)

式(30)—(31)中：t為迭代次數(shù)；Xt為粒子位置向量；Vt為粒子速度向量；w為慣性權(quán)重；c1、c2為認(rèn)知和社交尺度參數(shù)；r1、r2為均勻分布隨機(jī)變量；Pt為粒子個(gè)體最優(yōu)位置向量；Pg，t是粒子群最優(yōu)位置向量。

1.3.3.5 ABC優(yōu)化算法基本原理

ABC優(yōu)化算法[31]模擬蜂群采蜜過程，包含生成初始蜜源(式(32))、采蜜蜂選擇蜜源(式(33))、觀察蜂嘗試蜜源(式(34))。如果沒有合適的蜜源，采蜜蜂將重新選擇蜜源，直到尋找到最佳蜜源，即迭代求到最優(yōu)解。

xij=Xmin+rand(0,1)(Xmax-Xmin) 。

(32)

xij′=xij+rij(xij-xkj),k≠i。

(33)

(34)

式(32)—(34)中:i∈{1,2,…,N}(N為蜜源個(gè)數(shù))，j∈{1,2,…,D}(D為采蜜蜂選擇蜜源個(gè)數(shù))；Xmin和Xmax是初始區(qū)域蜜源上下邊界；xij為Xi區(qū)域內(nèi)的第j個(gè)蜜源，Xi=[x11,x12,…,xij]；xij′為尋找的新蜜源；rij為[-1,1]中的隨機(jī)數(shù)；k為蜜源隨機(jī)位置；pi為最優(yōu)蜜源概率； fiti為蜜源適應(yīng)度值。

1.3.3.6 MVO優(yōu)化算法基本原理

MVO優(yōu)化算法[30]基于宇宙膨脹和宇宙間物質(zhì)交換，同時(shí)引入黑洞、白洞和蟲洞概念，對最優(yōu)宇宙進(jìn)行篩選，其基本公式包括多元宇宙的生成(式(35))、宇宙間物質(zhì)的更新(式(36))、蟲洞對宇宙物質(zhì)的轉(zhuǎn)移(式(37))。

(35)

(36)

(37)

(38)

(39)

1.3.3.7 ASO優(yōu)化算法基本原理

ASO優(yōu)化算法[32]是基于原子物理運(yùn)動(dòng)規(guī)律建立的模型，根據(jù)單個(gè)原子在作用力和約束力作用下產(chǎn)生的加速度對其位置和速度進(jìn)行最優(yōu)篩選，第i個(gè)原子迭代公式為

(40)

(41)

1.4 模型性能指標(biāo)及評價(jià)函數(shù)

根據(jù)相關(guān)文獻(xiàn)研究[28, 33-35]，選取預(yù)測模型的性能指標(biāo)為均方根誤差(root mean square error, RMSE)、平均百分比誤差(mean absolute percentage error, MAPE)、平均絕對誤差(mean absolute error, MAE)、決定系數(shù)(coefficient of determination,R2)、一致性指數(shù)(index of agreement, IA)，將通過訓(xùn)練和測試結(jié)果一致性指數(shù)乘積最大者所對應(yīng)的擬合數(shù)據(jù)作為單個(gè)模型最優(yōu)值。為對比各模型的優(yōu)劣性能，選用一致相關(guān)性概率PRIA作為評價(jià)模型優(yōu)劣的函數(shù)。

(42)

(43)

(44)

(45)

(46)

(47)

(48)

PRIA=PR·PIA。

(49)

2 地鐵碳排放數(shù)據(jù)清單分析

2.1 工程概況

本文工程量清單數(shù)據(jù)為成都地鐵18號線6車站和7區(qū)間施工概算工程量清單數(shù)據(jù)(2018年)，選用的地鐵車站均為明挖法施工，區(qū)間均為盾構(gòu)法施工，將選用的模型輸入指標(biāo)作為模型主要因素，地鐵車站和盾構(gòu)區(qū)間工程概況分別如表2和表3所示。

表2 地鐵車站工程概況Table 2 Overview of metro station projects

表3 地鐵盾構(gòu)區(qū)間工程概況Table 3 Overview of metro shield section projects

2.2 碳排放因子

所選用碳排放因子來源于GB/T 51366—2019《建筑碳排放計(jì)算標(biāo)準(zhǔn)》、《2017—2019年度中國區(qū)域電網(wǎng)基準(zhǔn)線排放因子》及相關(guān)文獻(xiàn)[8-9, 11-14, 36-40]，如表4所示。

表4 材料碳排放因子Table 4 Carbon emission factors

2.3 地鐵碳排放計(jì)算

根據(jù)碳排放計(jì)算原理，對各地鐵車站及盾構(gòu)區(qū)間碳排放總量進(jìn)行計(jì)算，通過計(jì)算得到地鐵車站和盾構(gòu)區(qū)間碳排放較大的材料為水泥、混凝土和鋼材。根據(jù)碳排放占比大小順序，對于地鐵車站另外選擇了電焊條、防水卷材、石油瀝青、鐵制品、砂漿和木材作為碳排放計(jì)算數(shù)據(jù)； 對于盾構(gòu)區(qū)間另外選擇了電焊條、管片連接螺栓、風(fēng)管、泡沫劑、止水帶、鐵制品和砂作為碳排放計(jì)算數(shù)據(jù)。建筑材料清單中忽略了其余碳排放占比累計(jì)值在1%以下的材料。

2.3.1 地鐵建筑材料生產(chǎn)階段碳排放

根據(jù)碳排放計(jì)算公式(3)，結(jié)合選用的地鐵車站建筑材料用量和相應(yīng)碳排放因子，計(jì)算得到地鐵車站和地鐵盾構(gòu)區(qū)間建筑材料生產(chǎn)階段碳排放量，分別如圖2和圖3所示。

圖2 地鐵車站建筑材料生產(chǎn)階段碳排放堆疊柱狀圖Fig. 2 Stacking histograms of metro station building materials carbon emission during production

圖3 地鐵盾構(gòu)區(qū)間建筑材料生產(chǎn)階段碳排放堆疊柱狀圖Fig. 3 Stacking histograms of metro shield section building materials carbon emission during production

在建筑材料生產(chǎn)階段，6個(gè)地鐵車站碳排放總量平均值約為11.1萬tCO2e。地鐵車站碳排放較大的材料為鋼筋，混凝土，水泥和中小型鋼材、型鋼。其中，鋼筋碳排放在建筑材料生產(chǎn)階段占比最大，平均占比45%左右； 其次是混凝土，平均占比40%左右；水泥和中小型鋼材、型鋼碳排放之和占比平均值約10%。

在建筑材料生產(chǎn)階段，7個(gè)地鐵盾構(gòu)區(qū)間碳排放總量平均值約為8.9萬tCO2e。其中，碳排放占比較大的材料為鋼筋和混凝土，兩者占比均為33%左右； 其次為水泥，約占20%； 中小型鋼材、型鋼占比為7%左右； 其他材料中風(fēng)管碳排放占比接近3%，管片連接螺栓、止水帶、鐵制品碳排放占比總和為1%左右。

地鐵車站和盾構(gòu)區(qū)間碳排放較大的材料均為鋼筋，混凝土，水泥和中小型鋼材、型鋼，盾構(gòu)區(qū)間其他材料碳排放占比是地鐵車站其他材料碳排放占比的3倍多。

2.3.2 地鐵建筑材料運(yùn)輸階段碳排放

假定地鐵建筑材料采用中型柴油貨車運(yùn)輸，同時(shí)假定成都地鐵建筑材料均為同城運(yùn)輸，運(yùn)距均取為20 km。根據(jù)GB/T 51366—2019《建筑碳排放計(jì)算標(biāo)準(zhǔn)》，運(yùn)輸碳排放因子取為0.18 kgCO2e/(t·km)。根據(jù)式(4)，計(jì)算各地鐵車站和盾構(gòu)區(qū)間建筑材料運(yùn)輸階段碳排放，結(jié)果分別如圖4和圖5所示。

圖4 地鐵車站建筑材料運(yùn)輸階段碳排放堆疊柱狀圖Fig. 4 Stacking histograms of metro station building materials carbon emission during transportation

圖5 地鐵盾構(gòu)區(qū)間建筑材料運(yùn)輸階段碳排放堆疊柱狀圖Fig. 5 Stacking histograms of metro shield section building materials carbon emission during transportation

通過計(jì)算得到，在建筑材料運(yùn)輸階段，6個(gè)地鐵車站碳排放平均值為1 326.772 tCO2e，7個(gè)盾構(gòu)區(qū)間碳排放平均值為1 105.909 tCO2e。在建筑材料運(yùn)輸階段，地鐵車站碳排放占比最大的材料為混凝土，占比均值約為90%； 其次是鋼筋，占比均值約為6%。盾構(gòu)區(qū)間建筑材料運(yùn)輸階段碳排放占比較高的材料同樣為混凝土，占比均值約為60%； 其次為砂，占比均值約為25%； 鋼筋和水泥碳排放占比總和約為10%。在建筑材料運(yùn)輸階段，地鐵車站和盾構(gòu)區(qū)間碳排放量均值大致相等。

2.3.3 地鐵施工階段碳排放

地鐵施工階段碳排放包含場內(nèi)運(yùn)輸機(jī)械、工程機(jī)械以及臨時(shí)生活照明消耗的能源碳排放。根據(jù)式(5)，計(jì)算各地鐵車站和盾構(gòu)區(qū)間施工階段碳排放，結(jié)果分別如圖6和圖7所示。在施工階段，6個(gè)地鐵車站碳排放平均值為1.033萬tCO2e，7個(gè)盾構(gòu)區(qū)間碳排放平均值為1.816萬tCO2e。地鐵車站施工階段碳排放占比最大的能源為柴油，占比均值約為80%，是電能耗碳排放均值的5倍左右；盾構(gòu)區(qū)間施工階段碳排放占比最大的能源為電，占比均值約為65%，是柴油能耗碳排放均值的2倍左右。

圖6 地鐵車站施工階段碳排放堆疊柱狀圖Fig. 6 Stacking histograms of metro station building materials carbon emission during construction

圖7 地鐵盾構(gòu)區(qū)間施工階段碳排放堆疊柱狀圖Fig. 7 Stacking histograms of metro shield section building materials carbon emission during construction

2.4 預(yù)測模型建立

模型訓(xùn)練和測試樣本均取為50%樣本總量，在訓(xùn)練和測試過程中隨機(jī)選取樣本，模型隨機(jī)訓(xùn)練預(yù)測總次數(shù)取為1 000次。根據(jù)地鐵車站和盾構(gòu)區(qū)間輸入指標(biāo)，結(jié)合不同車站和盾構(gòu)區(qū)間碳排放計(jì)算量，建立DELM輸入和輸出基本模型，同時(shí)按照WOA優(yōu)化算法對每次訓(xùn)練的DELM權(quán)值參數(shù)進(jìn)行優(yōu)化，篩選更優(yōu)的預(yù)測結(jié)果，最終將得到的最優(yōu)權(quán)值賦予DELM，得到相應(yīng)地鐵車站和盾構(gòu)區(qū)間的預(yù)測模型。具體的模型建立流程如圖8所示。由于樣本地鐵車站開挖方法均為明挖法，且盾構(gòu)區(qū)間面積、管片厚度均為定值，本文最終得到的WOA-DELM地鐵車站碳排放預(yù)測模型僅適用于采用明挖法開挖的地鐵車站碳排放預(yù)測，WOA-DELM盾構(gòu)區(qū)間碳排放預(yù)測模型僅適用盾構(gòu)面積為54.106 m2(盾構(gòu)直徑8.5 m)、管片厚度為0.4 m的盾構(gòu)區(qū)間碳排放預(yù)測。

圖8 地鐵碳排放WOA-DELM預(yù)測模型建立流程圖Fig. 8 Flowchart of metro carbon emissions based on WOA-DELM prediction model

3 結(jié)果分析

3.1 碳排放計(jì)算結(jié)果分析

地鐵車站和盾構(gòu)區(qū)間建設(shè)不同階段碳排放量分別如圖9和圖10所示。6個(gè)地鐵車站在不同建設(shè)階段碳排放平均值占比如圖11所示，7個(gè)盾構(gòu)區(qū)間在不同建設(shè)階段碳排放平均值占比如圖12所示。計(jì)算得到案例選用的6個(gè)成都地鐵車站每建筑平米碳排放平均值為3.12 tCO2e，7個(gè)盾構(gòu)區(qū)間每公里碳排放平均值為3.242萬tCO2e。

圖9 地鐵車站建設(shè)不同階段碳排放堆疊柱狀圖Fig. 9 Stacking histograms of metro station carbon emission

圖10 地鐵盾構(gòu)區(qū)間建設(shè)不同階段碳排放堆疊柱狀圖Fig. 10 Stacking histograms of metro shield section carbon emission

圖11 6個(gè)地鐵車站在不同建設(shè)階段碳排放平均值占比餅圖Fig. 11 Pie chart of carbon emissions during metro station construction

圖12 7個(gè)盾構(gòu)區(qū)間在不同建設(shè)階段碳排放平均值占比餅圖Fig. 12 Pie chart of carbon emissions during metro shield section construction

從圖9和圖11中可以看出： 1)地鐵車站在建筑材料生產(chǎn)階段碳排放最大，其次是現(xiàn)場施工階段，最后是建筑材料運(yùn)輸階段，碳排放占比依次為90.5%、8.4%和1.1%； 2)建筑材料生產(chǎn)所產(chǎn)生的碳排放量約是建筑材料運(yùn)輸和現(xiàn)場施工碳排放量總和的10倍。

從圖10和圖12中可以看出： 1)地鐵盾構(gòu)區(qū)間同樣在建筑材料生產(chǎn)階段碳排放最大，其次是現(xiàn)場施工階段，最后是建筑材料運(yùn)輸階段，碳排放占比依次為82.2%、16.8%和1%； 2)建筑材料生產(chǎn)所產(chǎn)生的碳排放量約是建筑材料運(yùn)輸和現(xiàn)場施工碳排放量總和的4.4倍。

從圖11和圖12中可以看出： 地鐵盾構(gòu)區(qū)間現(xiàn)場施工碳排放量占比是地鐵車站現(xiàn)場施工碳排放量占比的2倍。其原因可能為盾構(gòu)機(jī)械施工及其附屬機(jī)械耗電量較大，導(dǎo)致盾構(gòu)區(qū)間現(xiàn)場施工碳排放量較大。

從圖9中可以看出： 1)在地鐵車站建設(shè)階段，碳排放最大的車站為錦城廣場站，碳排放為16 萬tCO2e左右，約為碳排放最小車站(世紀(jì)城站)的2倍； 2)在每建筑平米碳排放量折線圖中，建筑材料生產(chǎn)階段不同車站每建筑平米碳排放量波動(dòng)較大，最大差值約為1 tCO2e/m2，現(xiàn)場施工和建筑材料運(yùn)輸階段不同車站每建筑平米碳排放差別不大。

從圖10中可以看出： 1)在地鐵盾構(gòu)區(qū)間建設(shè)階段，碳排放最大的區(qū)間為世紀(jì)城站—海昌路站區(qū)間(區(qū)間5)，碳排放為19萬tCO2e左右，約為碳排放最小區(qū)間天府新站—龍泉山隧道進(jìn)口站(區(qū)間6)的9倍； 2)在單位里程碳排放量折線圖中，建筑材料生產(chǎn)階段不同盾構(gòu)區(qū)間單位里程碳排放量最大差值為0.5萬tCO2e/km，現(xiàn)場施工和建筑材料運(yùn)輸階段不同盾構(gòu)區(qū)間單位里程碳排放量相對穩(wěn)定。

3.2 預(yù)測模型性能指標(biāo)分析

通過模型計(jì)算，得到各模型一致性最優(yōu)結(jié)果，各模型地鐵車站預(yù)測結(jié)果性能指標(biāo)與評價(jià)函數(shù)對比如圖13所示。各模型地鐵盾構(gòu)區(qū)間預(yù)測結(jié)果性能指標(biāo)與評價(jià)函數(shù)對比如圖14所示。

圖13 各模型地鐵車站預(yù)測結(jié)果性能指標(biāo)與評價(jià)函數(shù)對比Fig. 13 Performance index and evaluation function of metro station prediction results

圖14 各模型地鐵盾構(gòu)區(qū)間預(yù)測結(jié)果性能指標(biāo)與評價(jià)函數(shù)對比Fig. 14 Performance index and evaluation function of metro shield section prediction results

從圖13可以看出： 在保持訓(xùn)練和預(yù)測結(jié)果一致相關(guān)性指數(shù)IA最大時(shí)，各模型得到的訓(xùn)練數(shù)據(jù)結(jié)果決定系數(shù)略大于預(yù)測數(shù)據(jù)結(jié)果。KELM和BP模型的均方根誤差(RSME)、平均絕對誤差(MAE)和平均百分比誤差(MAPE)均較大，且KELM預(yù)測決定系數(shù)為0，說明KELM和BP模型對于地鐵車站低維數(shù)據(jù)的預(yù)測效果較差。DELM由于嵌套了多層編碼器，構(gòu)成了多層神經(jīng)網(wǎng)絡(luò)，可對數(shù)據(jù)進(jìn)行降維和升維，保證數(shù)據(jù)信息的精煉和全面性，其誤差相對KELM和BP模型較小，且優(yōu)化后的DELM一致相關(guān)性較普通DELM預(yù)測結(jié)果提高了1倍左右。WOA-DELM模型的一致相關(guān)性概率PRIA最大，為0.757； ABC-DELM模型的一致相關(guān)性概率略小于WOA-DELM模型，為0.756。

由圖14可知： 在地鐵盾構(gòu)區(qū)間碳排放預(yù)測模型中，模型KELM、BP和ASO-DELM的預(yù)測結(jié)果誤差較大，是其他模型的3～10倍，一致相關(guān)性概率只有其他模型的一半。由于盾構(gòu)區(qū)間輸入指標(biāo)少，DELM及其優(yōu)化模型預(yù)測結(jié)果一致相關(guān)性概率大部分大于0.95。其中，WOA-DELM模型和ABC-DELM模型一致相關(guān)性概率分別為0.984和0.996。

綜合對比地鐵車站和盾構(gòu)區(qū)間各模型預(yù)測結(jié)果性能指標(biāo)可知，WOA-DELM模型綜合預(yù)測能力較強(qiáng)。WOA-DELM模型在預(yù)測結(jié)果一致相關(guān)性概率最大時(shí)的地鐵車站和盾構(gòu)區(qū)間擬合迭代誤差如圖15所示。其中，選用的適應(yīng)度值為預(yù)測誤差歸一化后的數(shù)值。從圖15(a)中可以看出，地鐵車站擬合預(yù)測過程中，當(dāng)?shù)螖?shù)大于20時(shí)，模型預(yù)測適應(yīng)度值趨于穩(wěn)定；從圖15 (b)中可以看出，當(dāng)?shù)螖?shù)大于8時(shí)，地鐵盾構(gòu)區(qū)間預(yù)測適應(yīng)度值趨于穩(wěn)定。WOA-DELM模型在整體預(yù)測中迭代均趨于穩(wěn)定，表明當(dāng)前尋優(yōu)有效。

(a) 地鐵車站擬合迭代誤差圖

(b) 地鐵盾構(gòu)區(qū)間擬合迭代誤差圖圖15 WOA-DELM擬合迭代誤差圖Fig. 15 Fitting iterative error diagram of WOA-DELM

由于地鐵車站修建影響因素較多，且不同車站差異較大，而研究案例中地鐵盾構(gòu)區(qū)間斷面為確定值，影響盾構(gòu)區(qū)間碳排放的較大因素可考慮為盾構(gòu)區(qū)間長度，導(dǎo)致最終預(yù)測結(jié)果盾構(gòu)區(qū)間優(yōu)于地鐵車站，這從圖13、圖14和圖15中的決定系數(shù)、評價(jià)函數(shù)和迭代速度可以看出。

3.3 碳排放輸入指標(biāo)敏感性分析

3.3.1 預(yù)測模型單因素敏感性分析

根據(jù)選擇的WOA-DELM模型，對地鐵碳排放主要輸入指標(biāo)進(jìn)行敏感性分析，同時(shí)選取與該模型性能指標(biāo)接近的ABC-DELM模型作為對比。分析過程中將各主要輸入指標(biāo)(地鐵車站長度、車站寬度、車站高度、軌面埋深、樓層數(shù)、島式站臺(tái)寬度以及總建筑面積)按照表5單因素變化范圍進(jìn)行單因素敏感性分析。

表5 地鐵車站輸入指標(biāo)單因素變化范圍Table 5 Variation range of metro station input index

地鐵車站碳排放預(yù)測模型輸入指標(biāo)敏感性分析結(jié)果如圖16所示。

(a) WOA-DELM

(b) ABC-DELM圖16 地鐵車站碳排放預(yù)測模型輸入指標(biāo)敏感性分析結(jié)果Fig. 16 Sensitivity analysis of carbon emission prediction model for metro station

從圖16(a)中可以看出： WOA-DELM模型地鐵車站碳排放量隨著各輸入指標(biāo)的增大而增大。其中，碳排放量變化最大的輸入指標(biāo)為車站長度，車站長度每增加1 m地鐵車站碳排放增加348.21 tCO2e，相對變化率為30.1%；其次為軌面埋深，相對變化率為23.1%，軌面埋深每增加1 m單位長度車站碳排放增加17.823 tCO2e；其余輸入指標(biāo)相對變化率按大小排序依次為地鐵車站高度、總建筑面積、島式站臺(tái)寬度、地鐵車站寬度和樓層數(shù)，相對變化率分別為3.9%、3.6%、2.7%、0.8%和0.4%。

從圖16 (b)中可以看出： ABC-DELM模型各地鐵車站碳排放量隨輸入指標(biāo)的變化情況與WOA-DELM模型地鐵車站碳排放量隨輸入指標(biāo)的變化情況相同，最大相對變化率均小于WOA-DELM模型。其中，碳排放量變化最大的輸入指標(biāo)為車站長度，相對變化率為25.6%； 其次為軌面埋深，相對變化率為19.8%。由于案例中地鐵車站的長度是地鐵車站寬度的13～25倍，是地鐵埋深的12～37倍，且總建筑面積為每層地鐵車站長度與車站寬度乘積的總和，而選用的樓層數(shù)和島式站臺(tái)寬度變化較小，進(jìn)而地鐵車站長度在地鐵車站碳排放中敏感性較高。

地鐵盾構(gòu)區(qū)間輸入指標(biāo)變化量僅為盾構(gòu)區(qū)間長度和軌面平均埋深，敏感性分析結(jié)果為地鐵盾構(gòu)區(qū)間碳排放量隨區(qū)間長度的相對變化率是隨軌面平均埋深相對變化率的28倍。

3.3.2 地鐵碳排放預(yù)測公式擬合

根據(jù)WOA-DELM預(yù)測模型輸入指標(biāo)敏感性分析結(jié)果，選用單位長度地鐵車站碳排放量和軌面埋深作為地鐵車站碳排放粗略預(yù)測的因變量和自變量，選用盾構(gòu)區(qū)間碳排放量和盾構(gòu)區(qū)間長度作為盾構(gòu)區(qū)間碳排放粗略預(yù)測的因變量和自變量。地鐵車站和盾構(gòu)區(qū)間碳排放粗略預(yù)測擬合曲線分別如圖17和圖18所示。相應(yīng)的碳排放預(yù)測公式見式(50)和式(51)。

圖17 地鐵車站碳排放粗略預(yù)測擬合曲線Fig. 17 Carbon emission fitting curve of metro station

圖18 地鐵盾構(gòu)區(qū)間碳排放粗略預(yù)測擬合曲線Fig. 18 Carbon emission fitting curve of metro shield section

y1=10.548+141.709×ln (x1-10.729)，

(50)

(51)

式(50)—(51)中：y1為地鐵車站單位長度碳排放量，tCO2e/m；x1為地鐵車站軌面埋深，m；y2為地鐵盾構(gòu)區(qū)間碳排放量，tCO2e；x2為地鐵盾構(gòu)區(qū)間長度，m；R1、R2分別為地鐵車站和盾構(gòu)區(qū)間碳排放擬合公式的相關(guān)系數(shù)。

為對比本文模型與其他模型的差異性，選取文獻(xiàn)[14]中北京地鐵地下雙層雙柱三跨島式車站進(jìn)行預(yù)測結(jié)果比較。根據(jù)文獻(xiàn)[14]中地鐵車站尺寸，采用本文WOA-DELM預(yù)測模型計(jì)算得到北京地鐵車站碳排放量為40 592.491 tCO2e，按照本文式(46)計(jì)算得到北京地鐵車站碳排放為75 645.573 tCO2e，與文獻(xiàn)[14]計(jì)算得到的54 612.312 tCO2e分別相差25.6%和38.5%。在地鐵碳排放影響因素中，本文研究結(jié)果與文獻(xiàn)[14]研究得到的結(jié)論基本一致，即地鐵車站碳排放隨埋深增加而線性增加，隨地鐵車站寬度變化不明顯，但采用本文模型計(jì)算得到的地鐵車站碳排放隨埋深的變化率為5 348.998 tCO2e/m，是文獻(xiàn)[14]中計(jì)算得到的743.05 tCO2e/m的7倍多。文獻(xiàn)[14]中計(jì)量的溫室氣體包含了CO，碳排放計(jì)算過程采用了分部分項(xiàng)計(jì)算，且建筑材料主要碳排放因子與本文不同，本文模型在計(jì)算地鐵車站碳排放時(shí)結(jié)果與文獻(xiàn)[14]存在較大差異。由于模型在預(yù)測過程中未考慮埋深變化引起的土方、圍護(hù)結(jié)構(gòu)和主體結(jié)構(gòu)各分項(xiàng)工程的具體碳排放，從而在埋深單因素變化預(yù)測中與文獻(xiàn)[14]相差較大； 同時(shí)，由于基于生命周期評價(jià)的碳排放計(jì)算具有較強(qiáng)的地域性，且WOA-DELM算法預(yù)測效果的優(yōu)劣與測試數(shù)據(jù)相關(guān)聯(lián)，導(dǎo)致結(jié)果存在較大差異。

4 結(jié)論與討論

本文依托成都地鐵18號線，對6車站7區(qū)間地鐵建設(shè)階段碳排放進(jìn)行計(jì)算，采用WOA-DELM算法對地鐵車站和盾構(gòu)區(qū)間碳排放進(jìn)行預(yù)測，并與其他智能優(yōu)化的深度極限學(xué)習(xí)機(jī)預(yù)測結(jié)果進(jìn)行對比，得到如下結(jié)論：

1)通過對地鐵建設(shè)階段的碳排放進(jìn)行計(jì)算，篩選出不同建設(shè)階段對地鐵碳排放影響較大的材料。建筑材料生產(chǎn)階段的碳排放量最大，其次是現(xiàn)場施工能源消耗所產(chǎn)生的碳排放。盾構(gòu)區(qū)間在施工階段產(chǎn)生的碳排放是地鐵車站在施工階段產(chǎn)生的碳排放的2倍。

2)建立了地鐵碳排放WOA-DELM預(yù)測模型，通過和其他預(yù)測模型對比，驗(yàn)證了該模型在本案例研究中的有效性。通過該模型對地鐵車站輸入指標(biāo)進(jìn)行敏感性分析，得到了地鐵車站碳排放的關(guān)鍵影響因素為地鐵車站長度和軌面埋深。

3)選用地鐵車站長度和軌面埋深擬合得到地鐵車站建設(shè)階段碳排放粗略預(yù)測公式，選用地鐵盾構(gòu)區(qū)間長度擬合得到盾構(gòu)區(qū)間碳排放粗略預(yù)測公式，該預(yù)測公式可為地鐵綠色設(shè)計(jì)減碳計(jì)算提供參考。

本文在研究對象、研究范圍、模型的構(gòu)建和選取以及結(jié)論適用范圍方面均存在局限性，同時(shí)數(shù)據(jù)清單中未列舉出碳排放較少的材料，存在的局限性具體如下：

1)本文研究的地鐵車站碳排放針對的是成都市采用明挖法開挖的地鐵車站土建工程碳排放，地鐵盾構(gòu)區(qū)間碳排放針對的是成都盾構(gòu)面積為54.106 m2(盾構(gòu)直徑8.5 m)、管片厚度為0.4 m的地鐵盾構(gòu)區(qū)間土建工程碳排放。本文碳排放研究系統(tǒng)中時(shí)間邊界為全生命周期中的建設(shè)階段，包括建設(shè)階段建筑材料生產(chǎn)、建筑材料運(yùn)輸和施工機(jī)械能耗；空間邊界為構(gòu)成地鐵車站和盾構(gòu)區(qū)間的土建實(shí)體、土石方工程運(yùn)輸機(jī)械能耗、模板和腳手架鋼材消耗，其中不計(jì)量的內(nèi)容包括人工消耗的碳排放、水資源碳排放、周轉(zhuǎn)攤銷碳排放以及其他碳排放較少的材料。

2)在地鐵線路規(guī)劃階段，采用碳排放預(yù)測模型可以在地鐵建設(shè)之前估算出碳排放量，為地鐵選線設(shè)計(jì)提供參考。本文采用預(yù)測模型對地鐵碳排放進(jìn)行回歸預(yù)測，且為尋求最優(yōu)的碳排放預(yù)測模型，對比了DELM、KELM、BP、支持向量機(jī)和ELM算法。由于支持向量機(jī)和ELM預(yù)測誤差較大，未在文中列出，而DELM預(yù)測效果較好，從而對DELM進(jìn)行了優(yōu)化，以獲取更優(yōu)的預(yù)測模型。雖然文中選用樣本較少，但神經(jīng)網(wǎng)絡(luò)預(yù)測和普通回歸預(yù)測原理大致相同，最終擬合獲得的相關(guān)變量的相關(guān)系數(shù)，能從一定程度上反映各機(jī)器算法的優(yōu)劣及本文研究對象和研究范圍下地鐵碳排放的預(yù)估值，后期將搜集更多地鐵相關(guān)數(shù)據(jù)對該模型進(jìn)行驗(yàn)證和拓展。

3)由于研究范圍的局限性，本文得到的預(yù)測模型及相關(guān)結(jié)論僅局限于本文研究范圍下的成都地鐵車站及盾構(gòu)區(qū)間碳排放的評價(jià)和預(yù)測。