基于WOA-DELM的成都地鐵建設階段溫室氣體預測

陳 政， 郭亞林， 郭 春

(西南交通大學 交通隧道工程教育部重點實驗室， 四川 成都 610031)

0 引言

隨著國家碳排放戰略布局的進行，綠色工程逐漸成為設計研究重點。地鐵工程由于方便快捷，逐漸成為城市建設的熱點。截至2020年，成都地鐵總長超500 km。預計到2025年底，成都市修建和運營地鐵里程將達到850 km，遠期規劃36條線路，總長約1 666 km[1]。由于地鐵建設工程量逐漸增大，其碳排放控制已成為綠色工程建設的重要組成部分。

目前，國內外已對軌道交通建設期的碳排放展開了相關研究。Morita等[2]建立了城市軌道交通建設期的碳排放模型； 文獻[3]采用GHGProtocol研究了倫敦地下結構建設期的碳排放足跡； Chang等[4-5]采用生命周期方法對加利福尼亞高速鐵路建設階段的碳排放進行了測算，發現建材生產碳排放約占總排放量的80%，而建材運輸約占15%； 郜新軍[6]從生命周期角度評估了軌道交通系統建設期和運營期的碳排放，得到碳排放最高階段為運營期，其次是建設期； Liu等[7]采用生命周期評價方法對明挖地鐵和暗挖地鐵建設期碳排放量進行對比，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期間碳排放量進行計算，得到主體結構在建設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。

在地鐵車站和區間碳排放計量方面，粟月歡等[9]采用全生命周期評價法對深圳地鐵碳排放量進行計算，得到地鐵建設階段盾構區間碳排放量為1.3萬tCO2e/km，地鐵車站碳排放量約為3.71 tCO2e/m2； Liu等[10]采用人工神經網絡對福州地鐵設計階段的碳排放量進行預測，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區間碳排放量的關系式； 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，盾構區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方法對上海地鐵碳排放量進行計算，得到建設階段上海地鐵車站和區間碳排放總量為2 681 427.99 tCO2e，建設階段碳排放量相當于地鐵運營28年的碳排放量； 賀曉彤[14]對北京某地鐵車站碳排放量進行全生命周期評價，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。

在預測碳排放方法上，有學者采用了智能機器學習算法[15-22]，如人工神經網絡。但智能機器學習算法對于數據非常敏感[23]。目前，深度極限學習機在碳排放預測方面應用較少，因此有必要采用不同算法進行對比分析，以選取合適模型對地鐵碳排放進行預測分析。

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

1 地鐵碳排放計算方法及預測模型基本原理

1.1 碳排放研究范圍

結合LCA碳排放評價框架，根據建設階段碳排放的來源[24]和現有地鐵碳排放相關文獻[9-10]，將地鐵碳排放研究的時間范圍限定為地鐵的建設階段，將地鐵碳排放來源分為： 1)建筑材料生產產生的碳排放； 2)建筑材料運輸產生的碳排放； 3)現場施工機械能耗產生的碳排放。地鐵碳排放系統邊界如圖1所示。

圖1 地鐵碳排放系統邊界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，計算公式為

CO2eqi=Mi×GWPi。

(1)

式中：Mi為第i種溫室氣體質量，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，根據聯合國政府間氣候變化專門委員會(IPCC)提出的《2021年氣候變化： 物理科學基礎》，選用的溫室氣體100年基準期全球變暖潛勢值如表1所示。

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

1.2 碳排放計算方法

本文選用碳排放系數法對地鐵碳排放進行計算，計算公式為

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為建筑材料生產碳排放總量，kgCO2e；Ct為建筑材料運輸碳排放總量，kgCO2e；Co為場內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種建筑材料生產碳排放因子，kgCO2e/kg；Mtrans,i為第i種建筑材料運輸機械能源消耗量，kg；Ltrans,i為第i種建筑材料運輸機械運輸距離，km；Ftrans,i為第i種建筑材料運輸機械碳排放因子，kgCO2e/(kg·km)；Mmach,i為第i種場內施工機械能源消耗量，kg；Fmach,i為第i種場內施工機械能源生產和使用的碳排放因子，kgCO2e/kg。

1.3 預測模型和優化算法基本原理

1.3.1 模型輸入指標的選擇

地鐵碳排放預測模型輸入指標的選擇代表著地鐵結構工程量，從而影響地鐵碳排放的預測。地鐵碳排放預測模型輸入指標的選擇需要滿足獨立性和穩定性要求，能夠全面反映地鐵整體情況。根據Liu等[10]對地鐵輸入指標的研究，本文選取的地鐵車站碳排放預測模型輸入指標為地鐵開挖方法、車站長度、車站寬度、車站高度、軌面埋深、總建筑面積、樓層數以及島式站臺寬度，地鐵盾構區間碳排放預測模型輸入指標為盾構面積、管片厚度、盾構區間長度和軌面平均埋深。

1.3.2 預測模型

1.3.2.1 BP (back propagation neural nctwork)基本原理

BP神經網絡算法[25]是一種基于輸出誤差逆向傳播的多層前饋神經網絡算法，對于3層前饋神經網絡，其基本結構由輸入層、隱含層和輸出層構成，每層的神經元個數分別為n、m、k，根據神經網絡層建立的輸出函數O以及誤差函數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；wjk、wik為連接權值的閾值；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分別為試驗測試值和樣本數量。

1.3.2.2 ELM(extreme learning machine)基本原理

ELM[26]是單隱層前向型網絡，其基本表達式為

(8)

式中：βi為連接隱含層與輸出層的輸出權值；yi為網絡輸出值；gi(ωi·xj+bi)為第i個隱含層節點的激活函數；ωi為連接第i個隱含層節點和輸入節點之間的權重；bi為網絡第i個隱含層的偏置；K為隱藏節點；N為訓練樣本個數；xj=[xj1,xj2, …，xjn]T∈Rn為輸入數據。

當激活函數逼近目標輸出值時，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為極限學習機隱含層輸出矩陣；T為期望輸出向量;β為輸出權值矩陣。最終模型轉換成β權值的求解。

1.3.2.3 KELM(kernel extreme learning machine)基本原理

KELM是將核函數引入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為輸入數據；β為KELM模型輸出權值；h(x)為隱含層節點輸出函數；Ωi,j為核矩陣；K(xi,xj)為核函數，本文選用RBF核函數；I為對角矩陣；C為懲罰系數，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ELM-AE(extreme learning machine autoencoder)堆疊而成的深度學習網絡[27]，基于ELM、DELM權值表示為

(15)

本文選用Sigmoid激活函數，隱含層取2層，每層節點分別為2個和3個。優化迭代計算中，種群數量取20，最大迭代次數取50，權值上下邊界為[-1,1]。

1.3.3 優化算法基本原理

1.3.3.1 WOA優化算法基本原理

WOA優化算法[28]是一種模仿座頭鯨捕獵行為的優化算法。鯨魚在捕獵過程中會制造氣泡網包圍自己的身體，在搜索過程中，鯨魚彼此遠離，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由當前鯨魚的位置確定； 隨著迭代進行，向量a從2到0線性減小，向量r在0到1之間隨機變動；C為由向量r確定的系數矩陣;A為由a決定的系數矩陣。

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

(19)

1.3.3.2 WDO優化算法基本原理

WDO優化算法[29]來源于風的運動可以自動補償大氣壓力的不平衡原理，以空氣單元速度和位置進行迭代求最優解。空氣單元位置和速度迭代公式為

(20)

xnew=xcur+unewΔt。

(21)

c=-2|Ω|RT。

(22)

1.3.3.3 GWO優化算法基本原理

GWO優化算法[30]模擬自然界灰狼狩獵方法，每個狼都代表一個候選解答。通過模擬灰狼群等級制度，該算法將狼群分為α、β、δ、ω4個等級。前3個等級中的狼代表了當前最優解。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為當前迭代次數； 隨著迭代進行，a向量從2到0線性減小，r1和r2向量在0到1之間隨機變動;A為向量a和r1決定的系數矩陣；C為由向量r2決定的系統矩陣。

在GWO算法中有一種特殊機制，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優化算法基本原理

PSO優化算法[28]模擬了生物種群的協作行為，即特征空間中的每個粒子都擁有一個適應度值，粒子間可以相互協調以達到最優適應度，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；Xt為粒子位置向量；Vt為粒子速度向量；w為慣性權重；c1、c2為認知和社交尺度參數；r1、r2為均勻分布隨機變量；Pt為粒子個體最優位置向量；Pg，t是粒子群最優位置向量。

1.3.3.5 ABC優化算法基本原理

ABC優化算法[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為蜜源個數)，j∈{1,2,…,D}(D為采蜜蜂選擇蜜源個數)；Xmin和Xmax是初始區域蜜源上下邊界；xij為Xi區域內的第j個蜜源，Xi=[x11,x12,…,xij]；xij′為尋找的新蜜源；rij為[-1,1]中的隨機數；k為蜜源隨機位置；pi為最優蜜源概率； fiti為蜜源適應度值。

1.3.3.6 MVO優化算法基本原理

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

(35)

(36)

(37)

(38)

(39)

1.3.3.7 ASO優化算法基本原理

ASO優化算法[32]是基于原子物理運動規律建立的模型，根據單個原子在作用力和約束力作用下產生的加速度對其位置和速度進行最優篩選，第i個原子迭代公式為

(40)

(41)

1.4 模型性能指標及評價函數

根據相關文獻研究[28, 33-35]，選取預測模型的性能指標為均方根誤差(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(coefficient of determination,R2)、一致性指數(index of agreement, IA)，將通過訓練和測試結果一致性指數乘積最大者所對應的擬合數據作為單個模型最優值。為對比各模型的優劣性能，選用一致相關性概率PRIA作為評價模型優劣的函數。

(42)

(43)

(44)

(45)

(46)

(47)

(48)

PRIA=PR·PIA。

(49)

2 地鐵碳排放數據清單分析

2.1 工程概況

本文工程量清單數據為成都地鐵18號線6車站和7區間施工概算工程量清單數據(2018年)，選用的地鐵車站均為明挖法施工，區間均為盾構法施工，將選用的模型輸入指標作為模型主要因素，地鐵車站和盾構區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 地鐵盾構區間工程概況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《建筑碳排放計算標準》、《2017—2019年度中國區域電網基準線排放因子》及相關文獻[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 地鐵碳排放計算

根據碳排放計算原理，對各地鐵車站及盾構區間碳排放總量進行計算，通過計算得到地鐵車站和盾構區間碳排放較大的材料為水泥、混凝土和鋼材。根據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算數據； 對于盾構區間另外選擇了電焊條、管片連接螺栓、風管、泡沫劑、止水帶、鐵制品和砂作為碳排放計算數據。建筑材料清單中忽略了其余碳排放占比累計值在1%以下的材料。

2.3.1 地鐵建筑材料生產階段碳排放

根據碳排放計算公式(3)，結合選用的地鐵車站建筑材料用量和相應碳排放因子，計算得到地鐵車站和地鐵盾構區間建筑材料生產階段碳排放量，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 地鐵盾構區間建筑材料生產階段碳排放堆疊柱狀圖Fig. 3 Stacking histograms of metro shield section building materials carbon emission during production

在建筑材料生產階段，6個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%。

在建筑材料生產階段，7個地鐵盾構區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。

地鐵車站和盾構區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，盾構區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 地鐵建筑材料運輸階段碳排放

假定地鐵建筑材料采用中型柴油貨車運輸，同時假定成都地鐵建筑材料均為同城運輸，運距均取為20 km。根據GB/T 51366—2019《建筑碳排放計算標準》，運輸碳排放因子取為0.18 kgCO2e/(t·km)。根據式(4)，計算各地鐵車站和盾構區間建筑材料運輸階段碳排放，結果分別如圖4和圖5所示。

圖4 地鐵車站建筑材料運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 地鐵盾構區間建筑材料運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

通過計算得到，在建筑材料運輸階段，6個地鐵車站碳排放平均值為1 326.772 tCO2e，7個盾構區間碳排放平均值為1 105.909 tCO2e。在建筑材料運輸階段，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%。盾構區間建筑材料運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%。在建筑材料運輸階段，地鐵車站和盾構區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運輸機械、工程機械以及臨時生活照明消耗的能源碳排放。根據式(5)，計算各地鐵車站和盾構區間施工階段碳排放，結果分別如圖6和圖7所示。在施工階段，6個地鐵車站碳排放平均值為1.033萬tCO2e，7個盾構區間碳排放平均值為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；盾構區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 地鐵盾構區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 預測模型建立

模型訓練和測試樣本均取為50%樣本總量，在訓練和測試過程中隨機選取樣本，模型隨機訓練預測總次數取為1 000次。根據地鐵車站和盾構區間輸入指標，結合不同車站和盾構區間碳排放計算量，建立DELM輸入和輸出基本模型，同時按照WOA優化算法對每次訓練的DELM權值參數進行優化，篩選更優的預測結果，最終將得到的最優權值賦予DELM，得到相應地鐵車站和盾構區間的預測模型。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，且盾構區間面積、管片厚度均為定值，本文最終得到的WOA-DELM地鐵車站碳排放預測模型僅適用于采用明挖法開挖的地鐵車站碳排放預測，WOA-DELM盾構區間碳排放預測模型僅適用盾構面積為54.106 m2(盾構直徑8.5 m)、管片厚度為0.4 m的盾構區間碳排放預測。

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

3 結果分析

3.1 碳排放計算結果分析

地鐵車站和盾構區間建設不同階段碳排放量分別如圖9和圖10所示。6個地鐵車站在不同建設階段碳排放平均值占比如圖11所示，7個盾構區間在不同建設階段碳排放平均值占比如圖12所示。計算得到案例選用的6個成都地鐵車站每建筑平米碳排放平均值為3.12 tCO2e，7個盾構區間每公里碳排放平均值為3.242萬tCO2e。

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

圖10 地鐵盾構區間建設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個地鐵車站在不同建設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個盾構區間在不同建設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階段碳排放最大，其次是現場施工階段，最后是建筑材料運輸階段，碳排放占比依次為90.5%、8.4%和1.1%； 2)建筑材料生產所產生的碳排放量約是建筑材料運輸和現場施工碳排放量總和的10倍。

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

從圖11和圖12中可以看出： 地鐵盾構區間現場施工碳排放量占比是地鐵車站現場施工碳排放量占比的2倍。其原因可能為盾構機械施工及其附屬機械耗電量較大，導致盾構區間現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，建筑材料生產階段不同車站每建筑平米碳排放量波動較大，最大差值約為1 tCO2e/m2，現場施工和建筑材料運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)在地鐵盾構區間建設階段，碳排放最大的區間為世紀城站—海昌路站區間(區間5)，碳排放為19萬tCO2e左右，約為碳排放最小區間天府新站—龍泉山隧道進口站(區間6)的9倍； 2)在單位里程碳排放量折線圖中，建筑材料生產階段不同盾構區間單位里程碳排放量最大差值為0.5萬tCO2e/km，現場施工和建筑材料運輸階段不同盾構區間單位里程碳排放量相對穩定。

3.2 預測模型性能指標分析

通過模型計算，得到各模型一致性最優結果，各模型地鐵車站預測結果性能指標與評價函數對比如圖13所示。各模型地鐵盾構區間預測結果性能指標與評價函數對比如圖14所示。

圖13 各模型地鐵車站預測結果性能指標與評價函數對比Fig. 13 Performance index and evaluation function of metro station prediction results

圖14 各模型地鐵盾構區間預測結果性能指標與評價函數對比Fig. 14 Performance index and evaluation function of metro shield section prediction results

從圖13可以看出： 在保持訓練和預測結果一致相關性指數IA最大時，各模型得到的訓練數據結果決定系數略大于預測數據結果。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預測決定系數為0，說明KELM和BP模型對于地鐵車站低維數據的預測效果較差。DELM由于嵌套了多層編碼器，構成了多層神經網絡，可對數據進行降維和升維，保證數據信息的精煉和全面性，其誤差相對KELM和BP模型較小，且優化后的DELM一致相關性較普通DELM預測結果提高了1倍左右。WOA-DELM模型的一致相關性概率PRIA最大，為0.757； ABC-DELM模型的一致相關性概率略小于WOA-DELM模型，為0.756。

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

綜合對比地鐵車站和盾構區間各模型預測結果性能指標可知，WOA-DELM模型綜合預測能力較強。WOA-DELM模型在預測結果一致相關性概率最大時的地鐵車站和盾構區間擬合迭代誤差如圖15所示。其中，選用的適應度值為預測誤差歸一化后的數值。從圖15(a)中可以看出，地鐵車站擬合預測過程中，當迭代次數大于20時，模型預測適應度值趨于穩定；從圖15 (b)中可以看出，當迭代次數大于8時，地鐵盾構區間預測適應度值趨于穩定。WOA-DELM模型在整體預測中迭代均趨于穩定，表明當前尋優有效。

(a) 地鐵車站擬合迭代誤差圖

(b) 地鐵盾構區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區間斷面為確定值，影響盾構區間碳排放的較大因素可考慮為盾構區間長度，導致最終預測結果盾構區間優于地鐵車站，這從圖13、圖14和圖15中的決定系數、評價函數和迭代速度可以看出。

3.3 碳排放輸入指標敏感性分析

3.3.1 預測模型單因素敏感性分析

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

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

地鐵車站碳排放預測模型輸入指標敏感性分析結果如圖16所示。

(a) WOA-DELM

(b) ABC-DELM圖16 地鐵車站碳排放預測模型輸入指標敏感性分析結果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的增大而增大。其中，碳排放量變化最大的輸入指標為車站長度，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、島式站臺寬度、地鐵車站寬度和樓層數，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的變化情況與WOA-DELM模型地鐵車站碳排放量隨輸入指標的變化情況相同，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，而選用的樓層數和島式站臺寬度變化較小，進而地鐵車站長度在地鐵車站碳排放中敏感性較高。

地鐵盾構區間輸入指標變化量僅為盾構區間長度和軌面平均埋深，敏感性分析結果為地鐵盾構區間碳排放量隨區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 地鐵碳排放預測公式擬合

根據WOA-DELM預測模型輸入指標敏感性分析結果，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測的因變量和自變量，選用盾構區間碳排放量和盾構區間長度作為盾構區間碳排放粗略預測的因變量和自變量。地鐵車站和盾構區間碳排放粗略預測擬合曲線分別如圖17和圖18所示。相應的碳排放預測公式見式(50)和式(51)。

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

圖18 地鐵盾構區間碳排放粗略預測擬合曲線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為地鐵盾構區間碳排放量，tCO2e；x2為地鐵盾構區間長度，m；R1、R2分別為地鐵車站和盾構區間碳排放擬合公式的相關系數。

為對比本文模型與其他模型的差異性，選取文獻[14]中北京地鐵地下雙層雙柱三跨島式車站進行預測結果比較。根據文獻[14]中地鐵車站尺寸，采用本文WOA-DELM預測模型計算得到北京地鐵車站碳排放量為40 592.491 tCO2e，按照本文式(46)計算得到北京地鐵車站碳排放為75 645.573 tCO2e，與文獻[14]計算得到的54 612.312 tCO2e分別相差25.6%和38.5%。在地鐵碳排放影響因素中，本文研究結果與文獻[14]研究得到的結論基本一致，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[14]中計算得到的743.05 tCO2e/m的7倍多。文獻[14]中計量的溫室氣體包含了CO，碳排放計算過程采用了分部分項計算，且建筑材料主要碳排放因子與本文不同，本文模型在計算地鐵車站碳排放時結果與文獻[14]存在較大差異。由于模型在預測過程中未考慮埋深變化引起的土方、圍護結構和主體結構各分項工程的具體碳排放，從而在埋深單因素變化預測中與文獻[14]相差較大； 同時，由于基于生命周期評價的碳排放計算具有較強的地域性，且WOA-DELM算法預測效果的優劣與測試數據相關聯，導致結果存在較大差異。

4 結論與討論

本文依托成都地鐵18號線，對6車站7區間地鐵建設階段碳排放進行計算，采用WOA-DELM算法對地鐵車站和盾構區間碳排放進行預測，并與其他智能優化的深度極限學習機預測結果進行對比，得到如下結論：

1)通過對地鐵建設階段的碳排放進行計算，篩選出不同建設階段對地鐵碳排放影響較大的材料。建筑材料生產階段的碳排放量最大，其次是現場施工能源消耗所產生的碳排放。盾構區間在施工階段產生的碳排放是地鐵車站在施工階段產生的碳排放的2倍。

2)建立了地鐵碳排放WOA-DELM預測模型，通過和其他預測模型對比，驗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進行敏感性分析，得到了地鐵車站碳排放的關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階段碳排放粗略預測公式，選用地鐵盾構區間長度擬合得到盾構區間碳排放粗略預測公式，該預測公式可為地鐵綠色設計減碳計算提供參考。

本文在研究對象、研究范圍、模型的構建和選取以及結論適用范圍方面均存在局限性，同時數據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，地鐵盾構區間碳排放針對的是成都盾構面積為54.106 m2(盾構直徑8.5 m)、管片厚度為0.4 m的地鐵盾構區間土建工程碳排放。本文碳排放研究系統中時間邊界為全生命周期中的建設階段，包括建設階段建筑材料生產、建筑材料運輸和施工機械能耗；空間邊界為構成地鐵車站和盾構區間的土建實體、土石方工程運輸機械能耗、模板和腳手架鋼材消耗，其中不計量的內容包括人工消耗的碳排放、水資源碳排放、周轉攤銷碳排放以及其他碳排放較少的材料。

2)在地鐵線路規劃階段，采用碳排放預測模型可以在地鐵建設之前估算出碳排放量，為地鐵選線設計提供參考。本文采用預測模型對地鐵碳排放進行回歸預測，且為尋求最優的碳排放預測模型，對比了DELM、KELM、BP、支持向量機和ELM算法。由于支持向量機和ELM預測誤差較大，未在文中列出，而DELM預測效果較好，從而對DELM進行了優化，以獲取更優的預測模型。雖然文中選用樣本較少，但神經網絡預測和普通回歸預測原理大致相同，最終擬合獲得的相關變量的相關系數，能從一定程度上反映各機器算法的優劣及本文研究對象和研究范圍下地鐵碳排放的預估值，后期將搜集更多地鐵相關數據對該模型進行驗證和拓展。

3)由于研究范圍的局限性，本文得到的預測模型及相關結論僅局限于本文研究范圍下的成都地鐵車站及盾構區間碳排放的評價和預測。