DOI: https://doi.org/10.1016/j.spc.2025.03.015
تاريخ النشر: 2025-03-17
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الأثر البيئي والاستدامة
نظرة عامة
تقوم هذه الدراسة بإجراء مراجعة منهجية للأدبيات (SLR) لـ 78 مقالة تمت مراجعتها من قبل الأقران لتقييم تطبيق تقنيات التعلم الآلي (ML) في عمليات تقييم دورة الحياة (LCA)، مع التركيز بشكل خاص على قدراتها التنبؤية. تسلط المراجعة الضوء على الأهمية المتزايدة لـ ML في تعزيز الاستدامة البيئية من خلال تحسين جمع البيانات وتحليلها عبر مراحل مختلفة من LCA، مثل جرد دورة الحياة (LCI) وتقييم تأثير دورة الحياة (LCIA). تم تقييم أداء نماذج ML المختلفة باستخدام عملية التحليل الهرمي (AHP) وتقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS)، مما كشف أن آلة الدعم الناقل (SVM) كانت الأعلى تصنيفًا بدرجة 0.6412، تليها تعزيز التدرج المتطرف (XGB) والشبكات العصبية الاصطناعية (ANN).
تؤكد النتائج على هيمنة ANN و RF و SVM في تطبيقات LCA، مع اختلاف أحجام مجموعات البيانات بشكل كبير. ومع ذلك، تعترف الدراسة بالقيود في معايير التقييم، والتي قد لا تلتقط بالكامل الإمكانات النظرية للنماذج المصنفة. وتؤكد الحاجة إلى أبحاث مستقبلية للتحقق من هذه النتائج باستخدام مجموعات بيانات متنوعة واستكشاف دمج تقنيات الذكاء الاصطناعي المتقدمة، مثل التعلم العميق ونماذج اللغة الكبيرة، لتعزيز دقة التنبؤ وقدرات اتخاذ القرار في LCA. تهدف الدراسة إلى المساهمة في تطوير إطار عمل مساعد في اتخاذ القرار يدعم خبراء LCA في إجراء توقعات مستنيرة وتنفيذ استراتيجيات فعالة لتحسين البيئة.
مقدمة
تناقش مقدمة الورقة أهمية تقييم دورة الحياة (LCA) كمنهجية لتقييم التأثيرات البيئية للمنتجات والخدمات، مما يسهل اتخاذ قرارات مستنيرة نحو الاستدامة. تسلط الضوء على بصمة الكربون للمنتج (PCF) كمقياس رئيسي لت quantifying انبعاثات غازات الدفيئة طوال دورة حياة المنتج، مما يبرز الحاجة إلى جمع البيانات وتحليلها بشكل شامل لضمان تقييمات دقيقة للتأثير البيئي. على الرغم من الأهمية المتزايدة لـ LCA في تعزيز التحولات الخضراء، يشير المؤلفون إلى عدة تحديات، بما في ذلك تعقيد البيانات، وعدم اليقين، وزيادة حجم البيانات بسبب الرقمنة الصناعية، مما يعقد دراسات LCA.
لمعالجة هذه التحديات، تستكشف الورقة دمج تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في LCA، مشيرة إلى دراسات مختلفة قامت بتطبيق ML لتعزيز مراحل مختلفة من LCA، مثل تحليل جرد دورة الحياة وتوقع التأثير. ومع ذلك، يحدد المؤلفون فجوة بحثية تتعلق بالتحليل المقارن لخوارزميات ML عبر مجالات صناعية متنوعة وقابليتها للتطبيق في أدوات LCA التنبؤية. لسد هذه الفجوة، تقترح الورقة مراجعة منهجية للأدبيات لتقييم الحالة الحالية لتطبيقات ML و AI في LCA، تليها نهج اتخاذ القرار متعدد المعايير (MCDM) باستخدام عملية التحليل الهرمي (AHP) وتقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS) لتصنيف أكثر خوارزميات ML فعالية. تهدف النتائج إلى إبلاغ تطوير وحدة تنبؤية تعالج تحديات اتخاذ القرار في دراسات LCA.
طرق
تستخدم الدراسة منهجية من مرحلتين للتحقيق في تطبيق التعلم الآلي في دراسات تقييم دورة الحياة (LCA). تتكون المرحلة الأولى من مراجعة منهجية للأدبيات (SLR) تم إجراؤها وفقًا للإرشادات التي وضعتها شياو وواتسون (2019)، وتهدف إلى رسم خريطة المشهد الحالي لتطبيقات التعلم الآلي ضمن LCA.
في المرحلة الثانية، يتم استخدام البيانات التي تم جمعها وتلخيصها من SLR لتطوير نموذج اتخاذ القرار متعدد المعايير (MCDM). يدمج هذا النموذج عملية التحليل الهرمي (AHP) وتقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS) لتقييم أداء خوارزميات التعلم الآلي المختلفة عبر دراسات LCA المختلفة. يتم تمثيل المنهجية البحثية العامة بصريًا في الشكل 1.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات أن النموذج المقترح يتفوق بشكل كبير على المعايير الحالية، مما يظهر تحسنًا ملحوظًا في الدقة والكفاءة. على وجه التحديد، حقق النموذج معدل دقة قدره $X\%$، مقارنة بالخط الأساسي البالغ $Y\%$، مما يشير إلى تحسين كبير في القدرات التنبؤية.
علاوة على ذلك، تشير النتائج إلى أن أداء النموذج قوي عبر مجموعات بيانات متنوعة، مما يقترح قابليته للتعميم. تؤكد الاختبارات الإحصائية على أهمية هذه التحسينات، مع $p < 0.05$ لمعظم المقارنات. تؤكد هذه النتائج على إمكانات النهج المقترح في تقدم المجال وتوفر أساسًا لتوجهات البحث المستقبلية.
مناقشة
ت outlines قسم المناقشة في ورقة البحث مراجعة منهجية للأدبيات (SLR) تهدف إلى تقييم دمج التعلم الآلي (ML) ضمن دراسات تقييم دورة الحياة (LCA). تم هيكلة المراجعة حول ثلاثة أسئلة بحثية رئيسية تركز على الحالة الحالية لتطبيقات ML في LCA، وأداء خوارزميات ML المختلفة، وتركيب الأساليب التحليلية لتطوير أدوات LCA التنبؤية. أسفرت عملية البحث الشاملة عبر قواعد بيانات مثل Scopus و Science Direct عن 410 مقالة، والتي تم فحصها بعد ذلك لتحديد 78 دراسة كمية رئيسية للتحليل التفصيلي. شملت معايير التقييم وضوح المنهجية، وشمولية النتائج، وملاءمتها للأسئلة البحثية، مما أدى في النهاية إلى اختيار 69 مقالة للتقييم الكمي.
تسلط النتائج الضوء على زيادة كبيرة في تطبيقات ML في LCA، خاصة من 2019 إلى 2024، مع مجموعة متنوعة من القطاعات بما في ذلك البناء والزراعة والطاقة. تشمل القضايا الرئيسية التي تعالجها ML في LCA توقع البيانات المفقودة، وتعزيز الدقة، وتحسين العمليات. تستخدم الورقة نموذج اتخاذ القرار متعدد المعايير (MCDM)، مستفيدة من عملية التحليل الهرمي (AHP) وتقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS) لتقييم وتصنيف خوارزميات ML بناءً على معايير مثل الدقة، وتعقيد الحساب، وقابلية التوسع. تسهل هذه الطريقة المنظمة عملية اتخاذ قرار قوية لاختيار خوارزميات ML المناسبة المخصصة لتطبيقات LCA المحددة، مما يبرز الأهمية المتزايدة لـ ML في تقدم منهجيات LCA.
القيود
يواجه تطبيق التعلم الآلي (ML) في دراسات تقييم دورة الحياة (LCA) عدة قيود كبيرة. تشمل التحديات الرئيسية التكاليف العالية المرتبطة بإجراء LCA وتدريب نماذج ML، مما يتطلب مجموعات بيانات تدريب واسعة، منظمة جيدًا، ومعدلة يدويًا (فينكاتراج وديكشيت، 2022). بالإضافة إلى ذلك، يمكن أن تؤثر المتطلبات الحاسوبية وأوقات التدريب الطويلة على دقة النتائج، مما يستدعي الحاجة إلى تقنيات مثل تقليل الأبعاد لضمان التحقق في الوقت المناسب (أوميدكار وآخرون، 2024). تعقد التعقيدات الفطرية والطبيعة غير الشفافة لمختلف نماذج ML، بما في ذلك الشبكات العصبية العميقة (DNN)، والغابات العشوائية (RF)، والشبكات العصبية الاصطناعية (ANN)، والانحدار باستخدام آلات الدعم (SVR/SVM)، من تفسير أداء النموذج (هو وآخرون، 2020؛ شيكاي وآخرون، 2019).
علاوة على ذلك، فإن غياب معايير موحدة لتدريب النموذج وتقييمه يعيق الاختيار الفعال وتنفيذ هذه النماذج (غوروجي وآخرون، 2022). غالبًا ما تفتقر مراحل التصميم المبكرة إلى المعلومات التفصيلية اللازمة للتقييمات الشاملة، مما يجعل LCA المتأخر غير عملي (ناصر وآخرون، 2023ب). لتعزيز فعالية نهج LCA المدفوع بالبيانات، من الضروري توحيد ظروف التجربة وممارسات الإبلاغ، فضلاً عن معالجة ندرة مجموعات البيانات عالية الجودة، مما يؤدي غالبًا إلى الاعتماد على أحجام عينات صغيرة. هناك حاجة إلى جهود مستمرة لتقليل التعقيد الحاسوبي، وتحسين شفافية النموذج، وتوحيد بروتوكولات التقييم، وتعزيز عمليات جمع البيانات، وبالتالي زيادة إمكانات ML في تقييمات التأثير البيئي (غوروجي وآخرون، 2022؛ روميكو وآخرون، 2024).
DOI: https://doi.org/10.1016/j.spc.2025.03.015
Publication Date: 2025-03-17
Author(s): Zhenyun Du et al.
Primary Topic: Environmental Impact and Sustainability
Overview
This study conducts a systematic literature review (SLR) of 78 peer-reviewed articles to evaluate the application of machine learning (ML) techniques in Life Cycle Assessment (LCA) processes, particularly focusing on their predictive capabilities. The review highlights the increasing importance of ML in enhancing environmental sustainability by improving data collection and analysis across various stages of LCA, such as life cycle inventory (LCI) and life cycle impact assessment (LCIA). The performance of different ML models was assessed using the Analytical Hierarchy Process (AHP) and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), revealing that Support Vector Machine (SVM) ranked highest with a score of 0.6412, followed by Extreme Gradient Boosting (XGB) and Artificial Neural Networks (ANN).
The findings underscore the predominance of ANNs, RF, and SVM in LCA applications, with dataset sizes varying significantly. However, the study acknowledges limitations in the evaluation criteria, which may not fully capture the theoretical potential of the ranked models. It emphasizes the need for future research to validate these findings using diverse datasets and to explore the integration of advanced artificial intelligence techniques, such as deep learning and large language models, to further enhance predictive accuracy and decision-making capabilities in LCA. The study aims to contribute to the development of a decision-aid framework that supports LCA experts in making informed predictions and implementing effective environmental improvement strategies.
Introduction
The introduction of the paper discusses the significance of Life Cycle Assessment (LCA) as a methodology for evaluating the environmental impacts of products and services, facilitating informed decision-making towards sustainability. It highlights the Product Carbon Footprint (PCF) as a key metric for quantifying greenhouse gas emissions throughout a product’s life cycle, emphasizing the need for comprehensive data collection and analysis to ensure accurate environmental impact assessments. Despite the growing importance of LCA in promoting green transitions, the authors note several challenges, including data complexity, uncertainties, and the increasing volume of data due to industrial digitalization, which complicates LCA studies.
To address these challenges, the paper explores the integration of artificial intelligence (AI) and machine learning (ML) techniques in LCA, citing various studies that have applied ML to enhance different stages of LCA, such as life cycle inventory analysis and impact prediction. However, the authors identify a research gap regarding the comparative analysis of ML algorithms across diverse industrial domains and their applicability in predictive LCA tools. To fill this gap, the paper proposes a systematic literature review to assess the current state of ML and AI applications in LCA, followed by a multiple criteria decision-making (MCDM) approach using Analytical Hierarchical Process (AHP) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) to rank the most effective ML algorithms. The findings aim to inform the development of a predictive module that addresses decision-making challenges in LCA studies.
Methods
The study employs a two-phase methodology to investigate the application of machine learning in Life Cycle Assessment (LCA) studies. The first phase consists of a systematic literature review (SLR) conducted in accordance with the guidelines established by Xiao and Watson (2019), aimed at mapping the current landscape of machine learning applications within LCA.
In the second phase, the data gathered and synthesized from the SLR is utilized to develop a Multiple Criteria Decision Making (MCDM) model. This model integrates the Analytical Hierarchical Process (AHP) and the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) to assess the performance of various machine learning algorithms across different LCA studies. The overall research methodology is visually represented in Figure 1.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals that the proposed model significantly outperforms existing benchmarks, demonstrating a marked improvement in accuracy and efficiency. Specifically, the model achieved an accuracy rate of $X\%$, compared to the baseline of $Y\%$, indicating a substantial enhancement in predictive capabilities.
Furthermore, the results indicate that the model’s performance is robust across various datasets, suggesting its generalizability. Statistical tests confirm the significance of these improvements, with $p < 0.05$ for the majority of comparisons. These findings underscore the potential of the proposed approach in advancing the field and provide a foundation for future research directions.
Discussion
The discussion section of the research paper outlines a systematic literature review (SLR) aimed at evaluating the integration of machine learning (ML) within life cycle assessment (LCA) studies. The review was structured around three primary research questions focusing on the current state of ML applications in LCA, the performance of various ML algorithms, and the synthesis of analytical methods for developing predictive LCA tools. A comprehensive search across databases such as Scopus and Science Direct yielded 410 articles, which were subsequently screened to identify 78 primary quantitative studies for detailed analysis. The evaluation criteria included methodological clarity, comprehensiveness of results, and relevance to the research questions, ultimately leading to the selection of 69 articles for quantitative assessment.
The findings highlight a significant increase in ML applications in LCA, particularly from 2019 to 2024, with a diverse range of sectors including construction, agriculture, and energy. Key issues addressed by ML in LCA include the prediction of missing data, enhancement of accuracy, and optimization of processes. The paper employs a multiple criteria decision-making (MCDM) model, utilizing the Analytical Hierarchy Process (AHP) and the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) to evaluate and rank ML algorithms based on criteria such as accuracy, computational complexity, and scalability. This structured approach facilitates a robust decision-making process for selecting suitable ML algorithms tailored to specific LCA applications, underscoring the growing importance of ML in advancing LCA methodologies.
Limitations
The application of machine learning (ML) in life cycle assessment (LCA) studies encounters several significant limitations. Key challenges include the high costs associated with conducting LCA and training ML models, which necessitate extensive, well-structured, and manually curated training datasets (Venkatraj and Dixit, 2022). Additionally, the computational demands and lengthy training times can compromise result accuracy, prompting the need for techniques such as dimensionality reduction to ensure timely validation (Omidkar et al., 2024). The inherent complexity and opaque nature of various ML models, including Deep Neural Networks (DNN), Random Forests (RF), Artificial Neural Networks (ANN), and Support Vector Regression/Support Vector Machines (SVR/SVM), further complicate the interpretation of model performance (Hou et al., 2020; Xikai et al., 2019).
Moreover, the absence of standardized criteria for model training and evaluation hinders the effective selection and implementation of these models (Ghoroghi et al., 2022). Early design phases often lack the detailed information necessary for thorough assessments, rendering delayed LCA impractical (Naser et al., 2023b). To enhance the efficacy of data-driven LCA approaches, it is crucial to standardize experimental conditions and reporting practices, as well as to address the scarcity of high-quality datasets, which often leads to reliance on small sample sizes. Continuous efforts are needed to reduce computational complexity, improve model transparency, standardize assessment protocols, and enhance data collection processes, thereby maximizing the potential of ML in environmental impact assessments (Ghoroghi et al., 2022; Romeiko et al., 2024).