Semantic Digital Thread Framework for Explainable Lifecycle Carbon Management: An Ontology-Driven and Auditable Automation Backbone.

語意數位線索框架應用於可解釋之建築生命週期碳管理：本體驅動且可稽核的自動化骨幹

土木工程系 黃千溥 助理教授 研究成果分享

Automation in Construction.((https://doi.org/10.1016/j.autcon.2026.107026)

建築物約占全球能源相關碳排放的四成，建築減碳已成為淨零轉型的關鍵課題。BS EN 15978 與 ISO 14040 等生命週期評估(Life Cycle Assessment, LCA)標準雖定義了「應該量測什麼」，卻未規範 BIM、IoT 與 LCA 等異質資料應如何串接、驗證與自動化。實務上，BIM 模型、能源監測平台與碳盤查工具各自分散，導致資料解讀不一致並仰賴大量人工處理；現有本體(Ontology)雖能描述領域知識，卻多停留在「表示」層次，無法直接驅動推理與自動化工作流，碳排放與 ESG 報告也常缺乏從資料來源、推理規則到觸發行動的完整溯源。本研究將此現象定義為語意與執行之間的落差(Semantic-Execution Gap, Gse)，並將其形式化為可量測、可檢驗的構念，主張生命週期碳管理需要的不只是資料表示，而是一套能將語意意圖可靠地轉化為可稽核行動的機制。

本研究提出語意數位線索(Semantic Digital Thread, SDT)框架，以「本體即基礎設施(Ontology-as-Infrastructure)」為方法立場，將本體從被動的資料字典轉化為主動的執行基礎設施。框架依四個步驟運作：(1)整合 BS EN 15978 生命週期模組、IFC 建築元件與 SOSA/SSN 感測觀測，建立標準對齊之本體骨幹(TBox)；(2)透過 Python ETL 將 BIM、IoT 與 LCA 資料實例化(ABox)於 Neo4j 知識圖譜；(3)以 Cypher/APOC 圖原生推理(Graph-native reasoning)偵測能耗異常與碳強度超標，並由 n8n 自動觸發警示、維護工單等工作流；(4)將 W3C PROV-O 的實體(Entity)、活動(Activity)與行動者(Agent)結構直接嵌入圖譜，使每一項決策皆可追溯。整體形成語意層、自動化層與治理層的閉環架構，並以 Docker 容器化整合 Python ETL、Neo4j 與 n8n 三項服務，確保系統可重複部署(如圖1)。

研究以臺大校園多棟建築為測試床，透過六項技術驗證(Technical Highlights, TH1–TH6)評估框架在治理、模組化、推理至行動與溯源等面向的效能(如圖2)。結果顯示，本體對齊達 92% 映射涵蓋率，異質資料實例正確率達 98%；在推理至行動(Reasoning-to-action)的基準測試中，異常偵測精確率(Precision)為 95.0%、召回率(Recall)為 90.0%，端到端推理延遲較傳統 SQL 與 Python 流程降低約 60%；決策溯源重建完整度超過 99%，AI 輔助資料匯入可減少約 60% 的專家修訂時間，Docker 容器化部署則可於約 3 分鐘內一鍵重建完整測試環境。研究並公開可重現資料集與完整規則庫，釐清以圖資料庫為基礎之數位孿生的適用邊界。本研究將建築碳管理從「事後盤查」推進至「可追溯、可稽核的決策執行」，未來可延伸應用於公共工程碳治理與關鍵設施營運管理，讓 AI 輔助的每一個決策都禁得起追問、值得信賴。

圖 1、SDT 容器化系統架構：Python ETL、Neo4j 與 n8n 之整合運作 (資料來源：Huang & Hsieh (2026), Automation in Construction, Fig.5)

圖 2、SDT 核心設計原則與臺大校園案例實作 (資料來源：Huang & Hsieh (2026), Automation in Construction, Fig.14)