0 引　言

船舶总装建造是船舶生命周期碳排放的重要环节，对其碳排放进行监测核算和优化，是船舶工业低碳战略发展规划与决策落地的有效措施^[1-2]。但目前船舶总装建造碳排放监测核算仍存在监测边界界定模糊、关键工序数据采集不完整、核算方法与行业特性适配性不足等问题，导致碳排放数据精度偏低、减排潜力识别不准，难以有效支撑企业碳管理决策与绿色工厂建设。

为提升核算效果，相关学者对碳排放核算方法展开了更加深入的研究。杨挺等^[3]提出全环节核算法，划分核算边界并区分直接/间接排放，结合政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）清单法实现碳排放核算。但该方法数据质量依赖监测能力，易造成数据偏差，影响核算效果。张婉君等^[4]采用混合生命周期法，结合过程生命周期评价（Life Cycle Assessment，LCA）和投入产出数据实现碳排放核算。但是投入产出生命周期评价（Input-Output Life Cycle Assessment，IO-LCA）依赖的宏观经济数据通常滞后2～3年，难以动态反映技术升级或能源结构调整带来的排放系数变化，导致总量核算存在时序偏差。唐文斌等^[5]提出建设期核算法，通过基准情景对比量化减排潜力。但区域中小建材企业因生产工艺差异，实际排放与理论值偏差较大，导致核算结果失真。何鑫等^[6]构建电-能-碳耦合模型，实现动态关联核算，但模型缺乏对施工强度变化的动态响应机制，难以准确反映工期调整对碳排放的影响。

面对上述方法的应用缺陷，本文提出船舶总装建造碳排放监测核算优化方法，以期推动船舶制造业向绿色低碳转型。

1 船舶总装建造碳排放监测核算优化 1.1 碳排放监测核算清单构建及核算边界划分

船舶总装建造过程中碳排放来源复杂，为实现精准监测核算，首先构建全面的碳排放监测核算清单。船舶总装建造碳排放监测核算清单如表1所示。

基于表1的五大排放源类别，采用“三位一体”的核算边界划分方法：首先以原材料生产及运输环节为起点，划定供应链上游边界；其次以设备能源消耗环节为核心，界定船厂直接控制的能源系统边界；最后通过物料消耗、焊接与涂装工艺、废弃物处理三大环节，细化生产过程中的直接工艺排放边界。这种划分方法实现了从原材料进厂、生产过程到废弃物出厂的全流程闭环管理，确保每个环节的活动数据统计项和排放因子获取途径都能对应到具体的核算边界中。

1.2 碳排放监测核算模型构建

在船舶总装建造过程中，基于前述碳排放监测核算清单的边界划分和排放源分类，通过部署智能电表、燃气流量计和柴油消耗监测终端等物联网（Internet of Things，IoT）设备，实现对船舶总装建造过程中各工位、设备的能源消耗数据采集，并将所获取的实时能耗数据作为后续碳排放核算模型的输入。在此基础上，以船舶总装建造碳排放最小作为优化目标，结合关键生产设备资源、总工期、工艺限制、物料供应、能源环境以及人力资源约束条件构建碳排放监测核算模型。

1）目标函数

以船舶总装建造碳排放最小化作为优化目标，构建优化目标函数如下：

$ \begin{split} &\min CE = \sum\limits_{i = 1}^n {\left( {{E_i} \times E{F_i}} \right)} + \sum\limits_{j = 1}^p {\left( {{M_j} \times E{F_j}} \right)} \\ &+ \sum\limits_{k = 1}^q {\left( {{P_k} \times E{F_k}} \right)} + \sum\limits_{l = 1}^r {\left( {{W_l} \times E{F_l}} \right)}。\end{split} $

(1)

式中：$ CE $为船舶总装建造的总碳排放量；$ n $为能源种类数量；$ {E_i} $为第$ i $种能源的消耗量；$ E{F_i} $为第$ i $种能源对应的碳排放因子；$ p $为物料种类数量；$ {M_j} $为第$ j $类物料的消耗量；$ E{F_j} $为第$ j $类物料对应的碳排放因子；$ q $为工艺种类数量；$ {P_k} $为第$ k $项工艺的作业量；$ E{F_k} $为第$ k $项工艺对应的碳排放因子；$ r $为废弃物种类数量；$ {W_l} $为第$ l $类废弃物的处理量；$ E{F_l} $为第$ l $类废弃物处理对应的碳排放因子。

2）约束条件设置

①关键生产设备资源约束

各生产设备的累计使用时间不得超过其最大可用工时，表达式为：

$ \sum\limits_{d = 1}^D {{x_{md}} \cdot {\tau _m}} \leqslant {\eta _m} \cdot {A_m}。$

(2)

式中：$ {x_{md}} $为设备$ m $在第$ d $天的使用状态；$ {\tau _m} $为设备$ m $单次作业时间；$ {\eta _m} $为设备$ m $日均可用时长；$ {A_m} $为总建造周期天数。

②总工期约束

所有工艺阶段的累计时间不得超过合同规定最大工期，表达式为：

$ \sum\limits_s^S {{t_s}} \leqslant {T_{\max }}。$

(3)

式中：$ {t_s} $为分段$ s $的完工时间；$ {T_{\max }} $为合同约定最大工期。

③工艺限制约束

关键工艺的作业量必须满足最低技术要求标准，表达式为：

$ {P_k} \geqslant {\alpha _k} \cdot Q_k^{\min }。$

(4)

式中：$ {\alpha _k} $为工艺$ k $的质量系数；$ Q_k^{\min } $为工艺$ k $的最小作业量。

④物料供应约束

各类物料的总消耗量不得超过供应商单批次最大供应能力，表达式为：

$ \sum\limits_{j = 1}^p {{M_j}} \cdot {\beta _j} \leqslant {B_{{\text{supply}}}}。$

(5)

式中：$ {\beta _j} $为物料$ j $的供应周期系数；$ {B_{{\text{supply}}}} $为供应商最大单批次供应量。

⑤能源环境约束

生产过程中的总碳排放量不得超过法规规定的配额上限，表达式为：

$ CE \leqslant \gamma \cdot C{E_{{\text{baseline}}}}。$

(6)

式中：$ \gamma $为碳排放强度下降系数；$ C{E_{{\text{baseline}}}} $为历史基准排放量。

⑥人力资源约束

各工种在岗人数总和不得超过企业可用总人力，表达式为：

$ \sum\limits_{h = 1}^H {{L_h}} \cdot I\left( {t_h^w} \right) \leqslant {L_{{\text{total}}}}。$

(7)

式中：$ {L_h} $为工种$ h $的单位时间需求人数；$ I\left( \cdot \right) $为在岗指示函数。

1.3 碳排放监测核算模型优化求解

采用NSGA-II算法和局部禁忌搜索策略求解2.2节构建的模型，以实现碳排放监测核算优化。在此应用第二代非支配解遗传算法并结合局部禁忌搜索策略的方式，求解碳排放监测核算方法优化目标函数，步骤如下：

步骤1　种群编码

为将船舶总装建造碳排放监测核算优化变量转化为算法可处理的形式，采用实数编码表示个体特征，每个个体即为船舶总装建造碳排放监测核算优化目标函数的一个可行解。

步骤2　拥挤度计算

为维持个体可行解种群多样性，需计算个体可行解在船舶总装建造碳排放监测核算优化约束条件目标空间中的拥挤程度。拥挤度距离反映个体可行解与相邻个体可行解的疏密程度，值越大表示周围个体可行解越稀疏，表达式为：

$ {d_p} = \frac{{f(p + 1) - f(p - 1)}}{{f_{}^{\max } - f_{}^{\min }}}。$

(8)

式中：$ {d_p} $为个体可行解$ p $的拥挤度距离；$ f_{}^{\max } $、$ f_{}^{\min } $为当前可行解种群中目标函数的最大值和最小值；$ f(p + 1) $、$ f(p - 1) $分别为可行解种群内相邻2个目标函数可行解数值。

步骤3　适应度函数

为实现个体可行解优劣评价，综合非支配排序等级和拥挤度构建适应度函数，排序等级越低、拥挤度越大的个体可行解适应度越高：

$ {f_{fit}}(p) = \frac{1}{{ran{k_p}}} + {d_p}。$

(9)

式中：$ {f_{fit}}(p) $为第$ p $个个体可行解的适应度值；$ ran{k_p} $为第$ p $个个体可行解的非支配排序等级。

步骤4　交叉操作

为生成子代个体可行解并继承父代优良基因，采用算术交叉方式对父代基因重组。对于父代个体可行解$ {Y_p} $和$ {Y_q} $，第$ i $个基因位的子代基因计算公式为：

$ {Y_{c,i}} = \alpha \cdot {Y_{p,i}} + (1 - \alpha ) \cdot {Y_{q,i}} 。$

(10)

式中：$ \alpha $为交叉因子；$ {Y_{c,i}} $为子代个体可行解第$ i $个基因位的数值；$ {Y_{p,i}} $、$ {Y_{q,i}} $分别为父代个体可行解$ {Y_p} $、$ {Y_q} $第$ i $个基因位的数值。

步骤5　变异操作

为避免算法陷入局部最优，通过高斯变异引入随机性，交叉后个体可行解第$ i $个基因位变异后的基因值$ {Y_{m,i}} $为：

$ {Y_{m,i}} = {Y_{c,i}} + \sigma \cdot N(0,1)。$

(11)

式中：$ \sigma $为变异标准差，$ N(0,1) $为标准正态分布随机数。

步骤6　精英保留策略

为保证优良个体可行解传递到下一代，将父代与子代可行解种群合并后，按非支配等级和拥挤度筛选最优个体可行解组成新种群：

$ P(t + 1) = \bigcup\limits_{r = 1}^L {{Q_r}} \quad s.t.\sum\limits_{r = 1}^L | {Q_r}| \leqslant N 。$

(12)

式中：$ P(t + 1) $为第$ t + 1 $代种群；$ {Q_r} $为合并种群（父代+子代）的第$ r $层非支配集；$ L $为满足筛选条件的最大非支配集层级。

步骤7　局部禁忌搜索策略优化

针对 NSGA - II 生成的可行解，通过局部禁忌搜索策略实现局部精细优化，提升解的质量。

记录近期访问的解构建禁忌表$ \tau $，设禁忌长度为$ {\tau _{{\text{len}}}} $，然后对新种群$ P(\tau + 1) $内当前个体可行解$ {Y_p} $，通过基因微扰生成邻域解集合$ N\left( {{Y_p}} \right) $，模拟解的局部变动。第$ i $个基因位的邻域值$ {Y_{p,{i^\prime }}} $按公式(11)计算，然后对可行解进行禁忌判断与解评价。

1）禁忌判断：遍历邻域解$ {Y_{p'}} $，若$ {Y_{p'}} \in T $，则触发解禁准。

2）解评价：对非禁忌解或解禁后的解，用步骤3 的适应度函数计算质量，然后将被接受的邻域解$ {Y_{p'}} $加入禁忌表，并移除旧记录，公式为：

$ \tau = (\tau / \{ {\Lambda _{\mathrm{oldest}}}\} ) \cup \{ {Y_{p'}}\}。$

(13)

式中：$ \Lambda_{\mathrm{oldest}} $为禁忌表中“最旧”的记录。

当局部搜索迭代次数达到预设值，或邻域解的适应度连续若干次未提升时，停止禁忌搜索，保留优化后的个体可行解，即为满足船舶总装建造碳排放监测核算优化约束条件的，碳排放监测核算方法优化模型最终求解结果。

2 实验分析 2.1 实验环境与参数设置

实验在Intel Xeon E5−2680v4 @ 2.4 GHz处理器、64 GB内存的硬件环境下运行，软件工具采用Python 3.8（DEAP库实现NSGA-II算法）和Matlab（局部禁忌搜索优化）。输入数据包含能源消耗、物料领用及设备工时等实际监测数据，覆盖钢材预处理、分段焊接、涂装等核心工序。实验选取不同船厂生产的不同船型，船厂1包括散货船A、散货船B、油轮C和集装箱船D，均为该船厂近3年实际建造的代表性船舶；船厂2主要为LNG运输船（船型E）以及某特种船厂3建造的极地科考船（船型F）。

实验过程中，算法参数设置如下：

NSGA-II：种群规模=100，交叉概率=0.8，变异概率=0.1，最大迭代=200。

禁忌搜索：邻域解数量=20，禁忌长度=5，最大局部迭代=50。

交叉概率是NSGA-II算法中控制解空间探索与开发平衡的核心参数，因此，对其敏感性进行验证，结果如表2所示。

可知，交叉概率在0.6～0.9范围内变化时，算法的收敛性和解质量呈现明显的非线性特征。当交叉概率从0.6提升到0.8时，Pareto解分布均匀性提高10.5%，表明中等强度的交叉操作能有效维持种群多样性并促进优质解的生成。特别值得注意的是，交叉概率0.8时算法在168代即达到收敛，相比0.6和0.9分别减少了7.7%和9.2%的收敛代数，展现出最优的搜索效率。然而当交叉概率超过0.85后，计算耗时增加11.5%且解分布均匀性下降，说明过度交叉会导致冗余计算并破坏解的分布结构。这一结果从算法机理层面验证了0.8交叉概率在平衡探索-开发能力方面的优越性，为参数设置提供了实证依据。

2.2 数据来源

本实验采用的排放因子主要来源于以下权威数据库：钢材加工环节采用2021年中国钢铁工业协会发布的《钢铁行业碳排放核算指南》；电力排放因子依据生态环境部2023年发布的《省级电网平均二氧化碳排放因子》；焊接气体消耗参考IPCC 2019年《国家温室气体清单指南》中工业过程排放系数。

2.3 结果分析

在上述实验环境下，选取基于混合生命周期评价的碳排放核算方法、基于电-能-碳耦合分析的碳排放核算方法作为对比方法，与本文方法在碳排放总量、工期和成本等指标进行对比，结果如表3～表5所示。

由表3可知，本文提出的优化方法在4种不同类型的船舶建造中均表现出显著的减排效果。与混合生命周期评价方法相比，本文方法对散货船A/B、油轮C和集装箱船D分别实现了18.3%、21.0%、15.2%和18.3%的碳减排；相较于电-能-碳耦合分析方法，减排幅度也达到11.2%、12.5%、8.4%和10.0%。科考船F因极地防寒设计需求，传统方法易忽略低温涂装和冗余能源系统的碳排放，本文方法通过动态监测清单精准识别此类隐性排放源，实现20.9%和12.5%的减排。这种优势说明本文方法能够更精准地捕捉并优化船舶建造过程中各环节的碳排放特征，验证了本文方法在船舶制造低碳化领域的应用价值。

由表4可知，本文提出的优化方法在6种船型的建造过程中均实现了工期的有效缩短，相比混合生命周期评价方法平均减少7.17天，较电-能-碳耦合法平均减少5.83天。其中，高技术船型（LNG船E与科考船F）的工期优化幅度显著高于常规船型。实验结果系统性表明，本文方法通过动态优化施工关键路径，能够适应从常规到高技术船舶的全谱系建造效率提升需求。

由表5可知，本文方法在所有船型建造中均实现显著成本节约，这反映出本文方法在大型复杂项目中的规模效益优势，验证了其在产业化应用中的经济性。

3 结　语

本文提出的船舶总装建造碳排放监测核算优化方法，通过系统构建全流程碳排放监测清单，建立多目标优化模型，并采用智能算法实现求解，有效解决了传统方法在监测边界界定、数据采集完整性和核算精度等方面存在的问题。该方法不仅能够精准识别船舶建造过程中的碳排放特征和减排潜力，更能实现碳排放控制与建造效率的协同优化，为船舶制造业绿色低碳转型提供了科学可行的技术路径，对推动行业落实“双碳”战略目标具有重要的实践指导意义。