Неопределённость LCA при формовании PLA-бутылок: данные, Монте-Карло и чувствительность

Аннотация

Использование экологичных материалов в технологическом процессе производства бутылок полностью соответствует идее устойчивого развития. Применение природного сырья и осознанное потребление энергии — стратегические аспекты, которые следует учитывать для повышения эффективности формования бутылок. В статье представлен новый структурированный подход к анализу неопределенности и чувствительности в оценке жизненного цикла, разработанный для поддержки проектирования экологичных материалов пищевой упаковки. При таком «вероятностном» подходе результаты оценки жизненного цикла выражаются диапазонами экологического воздействия, а альтернативные решения разрабатываются с учетом неопределенности входных данных и ее влияния на итоговый результат. Подход включает: (1) оценку качества входных данных, представленных матрицей происхождения; (2) надежность результатов и (3) неопределенность результатов методом Монте-Карло. Применение методологии показано на эксперименте с реальными данными технологического процесса производства бутылок. Результаты раскрывают неопределенность показателей оценки жизненного цикла для глобального потепления, подкисления и использования пахотных земель и сельскохозяйственных угодий.

1. Введение

Отправной точкой оценки неопределенности результатов оценки жизненного цикла (LCA) является экологическая оценка жизненного цикла, рассматриваемая как определенная измерительная техника, основанная на заданной методологии [1]. Ее применение приводит к «измерению» двух основных элементов: экологических аспектов, возникающих в жизненных циклах продукции, и последующего воздействия на окружающую среду [1,2,3,4].

Одно значение без диапазона неопределенности никогда не может представлять истинное экологическое воздействие, поскольку любое измерение содержит неопределенность [5,6]. Принятый в работе процесс производства бутылок из полилактида охватывает оценку шести технологических операций и касается прежде всего потребления электроэнергии, воды и выбросов CO2. Внедрение биоразлагаемых полимеров в производство стало следствием роста количества остаточных полимерных отходов. В течение многих лет пластмассы производили ради получения долговечных продуктов, чувствительных для окружающей среды. Изменение стратегии и поиск альтернативных источников материалов привели к разработке биоразлагаемых пластмасс. Поэтому исследования методом LCA, представляющие потенциальный масштаб экологического воздействия, должны учитывать и влияние неопределенности, и изменчивость результатов [7]. Такой подход Lloyd and Ries [8] предлагают на этапе моделирования неопределенности результатов характеризационных испытаний.

Неопределенность параметров относится к значению параметра, например энергии или сырья, присутствующего в процессах либо продукции. В отличие от нее неопределенность модели относится к конкретной используемой модели, например разработанной ReCiPe модели оценки воздействия жизненного цикла (LCIA), которая преобразует выбросы и извлечение ресурсов в ограниченное число оценок экологического воздействия посредством так называемых характеризующих коэффициентов [9].

Анализ неопределенности наборов данных инвентаризации жизненного цикла (LCI) можно разделить на количественный и полуколичественный. Первый основан на статистических методах количественной оценки неопределенности базы LCI [10,11,12,13], второй — на методе показателя качества данных (DQI) [9,14,15,16,17].

Среди методов полуколичественного анализа неопределенности заслуживает внимания широко применяемый в LCA полуколичественный подход DQI, основанный на качественной оценке качества данных. Подход DQI можно разделить на качественный и полуколичественный. Качественный подход оценивает данные с помощью описаний вроде хорошего, удовлетворительного и плохого качества, что зависит от довольно субъективной оценки. Обычно метод относят к качественному подходу [18,19]. Полуколичественный подход использует числовую систему оценок, а присвоенная оценка качества обрабатывается для получения единого балла качества данных на основе вероятностного распределения [20,21].

Sonnemann et al. [22] провели количественный анализ неопределенности данных с помощью моделирования Монте-Карло и указали на его положительные познавательные свойства. Maurice et al. [12] отметили, что количественный анализ неопределенности требует слишком много времени. Lloyd and Ries, однако, заключили, что существующий количественный анализ не охватывает существенные факторы неопределенности результатов LCA из-за сложности моделей LCA [8]. Они также выделили проблему длительного и трудоемкого сбора входных данных вне библиотек, например Ecoinvent, доступной в специализированном ПО вроде SimaPro или Gabi, что приводит к частым обращениям к литературе. Это одна из причин применения полуколичественного анализа неопределенности во многих исследованиях [9,14,17].

Термин «неопределенность» имеет несколько толкований, включая определения, исключающие связанные понятия изменчивости и чувствительности [23]. Согласно международному словарю метрологических терминов, неопределенность — это связанный с результатом измерения параметр, характеризующий разброс значений, которые обоснованно можно приписать измеряемой величине [24,25]. Неопределенность характеризуется разбросом значений, то есть размером интервала, в пределах которого с удовлетворительной вероятностью можно расположить измеренное значение [26,27]. В LCA неопределенность присутствует в результатах «измерения» на разных уровнях исследования: после анализа набора входов и выходов, связанных с экологическими аспектами (результаты LCI), и после оценки экологического воздействия жизненного цикла (результаты LCIA) [28].

Из-за сложности расчетов неопределенность результатов LCA очень трудно представить одним уравнением, описывающим вероятностное распределение полученных значений. Поэтому для оценки неопределенности проводят численное моделирование. B. Steen [29] указывает, что анализ чувствительности позволяет выразить неопределенность в вероятностной форме, отсюда необходимость оценивать степень неопределенности и распределение вероятностей. При анализе метода LCA Kowalski and Kulczycka [30] рекомендуют тщательный анализ чувствительности или, по возможности, частичный анализ неопределенности отдельных результатов и параметров с известными диапазонами неопределенности, например моделированием Монте-Карло (MC). Они также отмечают, что некоторые исследования LCA подвержены неопределенности, способной вызвать сомнения в значениях итоговых показателей — экоиндикаторов потенциального экологического воздействия продукции или процесса. Неопределенность корректности модели возникает потому, что анализируемые модели никогда не являются реальностью. Каждая LCA содержит неопределенность вследствие субъективных решений при построении модели [31].

Существующая литература о теоретических основаниях математической вычислительной структуры анализа неопределенности в LCA пока почти не применяется на практике [32]. Тем не менее существуют разные техники: теория возможностей [33], нечеткая логика [34,35], показатели качества данных [9,14,15,16,17], экспертные оценки [36,37] либо сочетание двух и более техник [20,30,31,38]. Несмотря на широкий спектр подходов, анализ неопределенности LCA в научном и производственном процессе изготовления бутылок остается в значительной степени неизученным.

Стохастическое моделирование, главным образом в форме моделирования MC, — наиболее распространенный подход к анализу неопределенности в разных процессах, областях исследований и отраслях [39,40,41,42]. Полезность MC проявляется после проведения достаточного числа испытаний, позволяющего судить о распределении данных и неопределенности [30]. Однако сочетание стохастического моделирования и анализа неопределенности может быть проблематичным. Обычно приводят три причины: (1) требуется больше данных, чем имеется [43,44,45]; (2) отсутствуют четкие рекомендации по размеру набора данных, что значительно увеличивает длительность анализа и сложность вычислений [46]; (3) выбор комбинированных методов исследования представляется слишком сложным [47]. Чаще всего в литературе встречаются работы без анализа точности [48] либо с методами распространения ошибки, включая выборочные техники [49]; моделирование MC применяется значительно реже.

Неопределенность данных можно выразить их вероятностным распределением, например стандартным отклонением или дисперсией. Это позволяет задать диапазон возможных значений. По мнению R. Heijugns [50], применение MC в итеративной LCA требует времени, однако этот недостаток можно устранить расчетом распространения неопределенности в методологии LCA. H. Imbeault-Tétrault [51], сравнивая расчеты распространения неопределенности с MC для анализа неопределенности в LCA, подтвердил, что расчет распространения требует меньше вычислительного времени, чем MC, и предложил использовать аналитический подход. Heijugns and Lenzen [49] подробно описали источники неопределенности в LCA. MC эффективен по времени и стоимости и позволяет определять уровень доверия [52].

Неопределенность исследований LCA может вызывать сомнения в значении итоговых показателей, или экоиндикаторов, определяющих потенциальное экологическое воздействие продукции либо процесса. Существуют три типа неопределенности: неопределенность данных, неопределенность корректности, или репрезентативности, примененной модели и неопределенность из-за неполноты модели.

В анализе неопределенности данных Lewandowska and Fołtynowicz [31] исходят из того, что качество входных данных должно возрастать вместе с их значимостью. Авторы предлагают анализировать качество данных после оценки экологического воздействия. Поскольку воздействие оценивается для всей системы в точно заданных границах, итоговый результат относится не только к основным входным данным, но и к данным всех представляемых ими процессов.

В статистических терминах LCA служит для исследования и сравнения систем продукции по одному признаку — экологическому воздействию [53]. Анализ неопределенности сводится к определению степени разнообразия этого признака для каждой системы. Чем больше разнообразие, или разброс, признака, тем выше представленная им неопределенность [26,52,54].

Статья дополняет сведения и знания об экологическом воздействии процесса формования бутылок, представленные в [55], рассматривая качество требуемых данных и сложность стохастического моделирования для анализа неопределенности и чувствительности; тем самым предлагается новая модель оценки жизненного цикла, еще не применявшаяся польскими компаниями пищевого сектора. Цель работы — предложить метод оценки на основе полуколичественного подхода DQI, стохастического моделирования и анализа чувствительности, чтобы: (1) проанализировать неопределенность параметров производства бутылок для напитков; (2) проанализировать неопределенность и точность результатов LCA процесса формования бутылок; (3) определить влияние входных параметров на полученные итоговые результаты.

2. Материалы и методы

2.1. Процедура управления неопределенностью и точностью

Правильность определяется как близость измеренного или смоделированного значения к «реальному» [56]. Прецизионность характеризует повторяемость результатов: например, каждый повтор расчета, эксперимента и моделирования дает сходный результат [57,58].

Правильность и прецизионность обеспечиваются независимыми методами; иначе говоря, метод непрецизионен, если результаты сильно разбросаны, но может быть правильным, если их среднее соответствует реальному, модельному или теоретически предсказанному значению [24]. Метод прецизионен, но неправилен, если разброс результатов невелик, однако среднее далеко от реального, модельного или теоретически предсказанного значения [59].

В работе предлагается процедура оценки неопределенности и точности данных на основе известных методов определения качества и неопределенности. Метод сочетает три подхода: полуколичественный DQI, стохастическое моделирование и глобальный анализ чувствительности. Процедура включает (рисунок 1): начальную фазу — LCA с анализом вклада; шаг 1 — полуколичественный подход DQI; шаг 2 — стохастическое моделирование с использованием MC; шаг 3 — анализ чувствительности на основе анализа ключевых вопросов.

Этапы процедуры тесно связаны: результаты предыдущего этапа становятся входными данными следующего. Это позволяет определить чувствительные точки LCA, а также связи и зависимости неопределенности входных данных с неопределенностью результатов по категориям воздействия и областям ущерба.

Первой начальной фазой является LCA, позволяющая определить входные данные процесса (LCI) и экологические воздействия (LCIA). Обязательный элемент предлагаемой процедуры — анализ вклада для определения единичных процессов и категорий воздействия с наибольшей долей в общем воздействии производственного цикла формования бутылки из PLA. LCA процесса представлена в предыдущей работе [55]. Анализ неопределенности охватывал входные данные и только релевантные категории воздействия в областях ущерба. Релевантными считали категории с совокупным вкладом 90%. Подробная методология LCA приведена в разделе 2.2.

Первый шаг оценки неопределенности данных — полуколичественный подход DQI. Он включает стандартную оценку качества Maurice et al. [12] с пятью DQI [25,56]: точностью измерения (надежностью), репрезентативностью выборки, соответствующим возрастом данных, географическим происхождением и технологической репрезентативностью; затем рассчитывается агрегированный показатель качества данных (ADQI) и определяется отклонение входных данных. В анализе применяли треугольное распределение для проэкологических сценариев оценки жизненного цикла продукции. Сведения о распределении с предыдущего шага служат входом второго, стохастического шага для оценки неопределенности значимых категорий воздействия моделированием MC. Так определяют категории с наибольшей неопределенностью и связанные с ними входные данные формования бутылок. MC дает статистические параметры распределения результатов значимых категорий: среднее, стандартное отклонение, дисперсию и коэффициент вариации. Затем можно анализировать ключевые вопросы с помощью MC: среднее и стандартное отклонение становятся входами прогноза чувствительности общего воздействия формования бутылок к изменению категории воздействия и связанным изменениям инвентаризационных данных. Подробная методология этапов встроенного метода приведена в разделах 2.1.1, 2.1.2 и 2.1.3.

2.1.1. Полуколичественный подход DQI

Качественную оценку данных проводили с использованием показателей качества данных (DQI). В анализе применяли матрицу происхождения данных (таблица 1), которая определяет пять различных DQI: надёжность, полноту, временной диапазон, географический диапазон и технологический диапазон [18]. Сначала входные данные оценивали качественно, а затем количественно, присваивая каждому DQI от 1 до 5 баллов [25,56]. В зависимости от принятой методологии оценка 1 может означать наивысшую оценку качества — это соответствует общему методу матрицы происхождения [18] и встречается во многих работах, например у Baek et al. [20,38], Maurice et al. [12] и Ciroth et al. [52], — либо, согласно подходу, использованному, например, Lewandowska [60], Canter et al. [15] и Kennedy et al. [17], данные наивысшего качества получают оценку 5. В этой работе авторы приняли, что оценка 1 означает самое низкое качество данных, а 5 — самое высокое. Оценку качества данных (DQA) проводили на уровне единичного процесса, для которого каждый входной параметр имел один и тот же источник данных. Выбранный уровень DQA представляет собой попытку применить полуколичественный подход DQI как практический и простой способ анализа неопределённости параметров.

В следующем подходе использовали агрегированный показатель качества данных (ADQI), равный сумме пяти взвешенных DQI [12]. Сначала каждому входному параметру присваивали от 1 до 5 баллов по каждому из пяти DQI. Для ADQI необходимо принять вес каждого DQI. В простейшем случае показатели можно считать равноценными, но во многих работах описаны методы определения индивидуальных весов [12,14,20]. Здесь приняли веса Maurice et al. [12]: 0,25 для географического и технологического охвата и 0,167 для трех остальных DQI. Для входных данных формования бутылок, главным образом потребления электроэнергии, наибольшее разнообразие создают географический и технологический охват, влияя на надежность и достоверность LCA; поэтому выбрали веса Maurice et al. [12]. Значение DQI умножали на вес каждого DQI и суммировали результаты.

Следующий этап DQA — связать результаты матриц происхождения с вероятностными распределениями [14,17,60]. Для точечных данных или очень малых наборов надежно определить среднее либо стандартное отклонение невозможно [60]. Тогда нужны распределения на иных параметрах: треугольное, непрерывное равномерное или бета-распределение [17,20]. Треугольное и непрерывное равномерное распределения основаны на двух параметрах — минимуме и максимуме [60].

Kennedy [17] и Wang [14] пытались связать DQA с распределением входных данных через матрицу преобразования. В работе результаты ADQI связали с уровнями отклонения входных значений процесса (таблица 2), предполагая треугольное распределение. Для данных с DQI 5 допустимое стандартное отклонение приняли равным ±10%. Отклонение от наиболее вероятного значения возникает лишь на уровне ±10%, что проявляется узким треугольным распределением, то есть сильной концентрацией около центра, и высокой формой треугольного распределения, то есть высокой вероятностью. Идея пояснена на рисунке 2. Исполнитель LCA предполагает, что значение инвентаризационного элемента (таблица 3), например потребления энергии, воды или выбросов CO2, не обязательно равно x — результату одного измерения, оценки или документа компании, — а может лежать в диапазоне <x − 10%x; x + 10%x>.

Диапазоны отклонений, полученные из ADQI и выбранного распределения, становятся входными данными следующего шага стохастического анализа неопределенности посредством MC, подробно описанного в разделе 2.1.2.

2.1.2. Стохастическое моделирование

Подход к стохастическому моделированию с использованием симуляции методом Монте-Карло (MC) является распространённым методом количественного анализа неопределённости в LCA. В этой работе применяли MC-симуляцию, поскольку она позволяет быстро оценить вероятность результатов в зависимости от изменчивости входных данных и тем самым определить результаты с наибольшими чувствительностью и неопределённостью. Первый этап оценки состоит в правильном определении входных параметров, необходимых для корректного проведения анализа. Для оценки неопределённости категории воздействия использовали треугольные распределения, заданные двумя значениями — максимальным и минимальным. На этом этапе оценивали влияние входных параметров на значимые категории воздействия; значимыми считали категории воздействия, которые в сумме составляли 90% области ущерба. Согласно принятой процедуре, величины отклонений входных параметров зависят от результата ADQI в соответствии с таблицей 2. Для каждого входного параметра искусственно генерировали значение внутри диапазона изменчивости данных, после чего рассчитывали значения выбранных категорий воздействия. Процедуру повторяли 1000 раз, чтобы получить распределение неопределённости. Эту симуляцию выполняли в программном обеспечении SimaPro.

2.1.3. Анализ чувствительности

Правильная интерпретация LCA должна оценивать надежность данных и неопределенность результатов. Для этого применяют анализ вклада, возмущений или чувствительности [61]. Анализ чувствительности позволяет судить о полезности данных, выделяя ключевые переменные, которые нельзя исключать [62]. Его проведение считается хорошей практикой LCA [63,64]. В литературе выделяют локальный, скрининговый и глобальный подходы [62,65,66]. Локальный включает матричное возмущение и метод изменения одного фактора за раз. Метод элементарных эффектов Morris — скрининговый метод и расширение последнего [66]. Глобальный анализ основан главным образом на дисперсии входных переменных. В LCA применяют анализ ключевых вопросов, стандартизованные коэффициенты регрессии и индекс Sobol [65].

В работе применяли глобальный анализ чувствительности — анализ ключевых вопросов Heijungs [67,68]. Он основан на вкладе переменных в дисперсию и определяет долю неопределенности входных данных в неопределенности результата [68]. Чувствительность анализировали для данных категорий воздействия, характеризующих общее воздействие формования PLA-бутылки в трех областях: здоровье человека, качество экосистем и доступность ресурсов. Учитывали изменчивость параметров, используя MC и Crystal Ball (CB). Результаты показали сгруппированной столбчатой, торнадо- и паучьей диаграммами.

В MC-симуляции использовали результаты, полученные на основе LCA. Для оценки значения категории воздействия методом Монте-Карло применяли логнормальное распределение, которое обычно используется при анализе неопределённости данных [20,62]. Параметры распределения — среднее генеральной совокупности µ и стандартное отклонение σ — задавали следующим образом: µ принимали равным среднему значению категории воздействия, полученному по результатам анализа неопределённости данных, а σ — стандартному отклонению категории воздействия, полученному по результатам того же анализа неопределённости данных. На основе результатов MC-симуляций строили диаграммы торнадо и лепестковые диаграммы. Для построения диаграмм использовали релевантные категории воздействия LCA.

2.2. Цель и область исследования

Первый этап LCA состоит в определении цели и области анализа, которые можно установить на основе анализа и понимания жизненного цикла продукта. Цель исследования определяет степень детализации, тщательность и охват анализа, а также виды данных, необходимых для оценки жизненного цикла. С этой целью оценивали технологический процесс формования биоразлагаемых бутылок из полимолочной кислоты (PLA). Процесс разделили на шесть единичных операций с учётом потребности в услугах и материалах. Область анализа охватывала подачу преформ в нагреватель, нагрев этих форм в инфракрасном нагревателе, растяжение, вытягивание и формование преформы под давлением, а также дегазацию и охлаждение сформованных бутылок. Воздействие процесса формования бутылок на окружающую среду оценивали методом ReCiPe 2016. Анализ охватывал 17 промежуточных категорий воздействия и три конечные категории ущерба: здоровье человека, качество экосистем и доступность ресурсов; они строго соответствуют трём областям защиты — здоровью человека, качеству экосистем и дефициту ресурсов [69,70]. Характеризующие коэффициенты конечного уровня получали из характеризующих коэффициентов промежуточного уровня с помощью постоянного коэффициента преобразования промежуточного уровня в конечный [70,71]. Конечная категория здоровья человека включает воздействия следующих промежуточных категорий: твёрдые частицы, образование тропосферного озона для человека, ионизирующее излучение, истощение озонового слоя, канцерогенная токсичность для человека, неканцерогенная токсичность для человека, глобальное потепление и использование воды. Конечная категория качества экосистем включает глобальное потепление, использование воды, пресноводную экотоксичность, пресноводную эвтрофикацию, тропосферный озон для экосистем, наземную экотоксичность, закисление наземных экосистем, землепользование/преобразование земель и морскую экотоксичность. Наконец, категория доступности ресурсов включает минеральные и ископаемые ресурсы. LCA-анализ выполняли в SimaPro. После этого выбирали релевантные промежуточные и конечные категории. Релевантными считали категории, суммарный вклад которых равнялся 90%. Цель анализа состояла в оценке неопределённости и точности результатов LCA методом Монте-Карло. Основой поиска ключевых факторов служил анализ неопределённости ключевых результатов с применением статистических и математических методов.

2.2.1. Функциональная единица

Функциональную единицу определили по данным предприятия. Ею была 1-литровая бутылка из PLA.

2.2.2. Границы системы

Анализ охватывает весь цикл процесса формования бутылки, то есть включает все стадии этого процесса: от доставки преформы на производственное предприятие до момента, когда бутылки для напитков правильно сформованы в процессе формования (рисунок 3). Последующие процессы, такие как наполнение бутылок напитками, их этикетирование либо хранение и распределение, в систему не включали. Кроме того, из границ системы исключили транспортировку сырья и его хранение.

2.2.3. Распределение данных

Процедура распределения подробно описана в ISO 14044: пункт 4.3.4 «Распределение», раздел 4.3.4.2 «Процедура распределения» [2]. Она особенно важна при рассмотрении многофункциональных процессов. По этой причине распределение, понимаемое как разделение и отнесение экологических нагрузок к продуктам или функциям анализируемой системы, является одним из наиболее часто применяемых решений для многофункциональных процессов. В случае формования бутылок технологический процесс был разделён на более мелкие технологические операции. Такая процедура не требует какого-либо разделения нагрузок, поэтому распределение не требуется.

2.3. Инвентаризация жизненного цикла

Проектирование модели входов и выходов — вторая фаза LCA. Модель отражает всю продуктовую систему, а меньшие элементы — технологические операции. Операция — наименьшая часть системы, для которой собирают сведения о ресурсах. Сбор данных точно задает происхождение, географический охват, репрезентативность и точность — необходимые элементы анализа неопределенности [56]. Правильное агрегирование входов выявляет значимые экологические точки системы.

С учётом конфиденциального характера представленных в исследовании результатов LCI и коммерческой тайны компании значения, приведённые в таблице 4, были изменены с помощью коэффициента в диапазоне от 0,8 до 1,2. Данные, описывающие все стадии процесса, получены на одном предприятии в Польше и относятся к выполняемому там процессу формования бутылок. Эти значения относятся к 2019 году. Моделирование выполняли с использованием базы данных Ecoinvent 3.2.

3. Результаты

3.1. Анализ вклада

До анализа неопределенности необходимо получить LCA. В работе анализируются качество, неопределенность и чувствительность данных LCA формования PLA-бутылки; полный набор результатов характеризации дан в [55]. Использовали только релевантные категории с суммарной долей не менее 90%. Для здоровья человека это (рисунок 4): образование мелких твердых частиц (50,68%), глобальное потепление для здоровья (39,82%), потребление воды для здоровья (8,64%). Для качества экосистем (рисунок 5): глобальное потепление наземных экосистем (35,31%), землепользование (30,77%), потребление воды/наземные экосистемы (15,44%) и наземное подкисление (13,59%). Для доступности ресурсов (рисунок 6) значим дефицит ископаемых ресурсов (99,23%). Главными определяющими факторами были материал преформы и электроэнергия.

В категориях ущерба преобладало воздействие материала преформы — PLA (рисунок 7). Для здоровья воздействие преформы (76,86%) сопровождали нагрев (7,72%) и растяжение/расширение (5,93%); для качества экосистем заметны нагрев преформы (5,81%) и охлаждение бутылки (4,79%).

3.2. Полуколичественный подход DQI

На первом этапе оценки качества и неопределённости данных применяли полуколичественный подход DQI. Значения DQI и ADQI определяли по процедуре, описанной в разделе 2.1.1. Сводка результатов приведена в таблице 5. Входным данным по каждому показателю DQI присвоили 5 баллов, поскольку они были получены из измерений, выполненных в одной компании и в рамках одного процесса, и собраны за период продолжительностью один год. Поэтому при столь высокой точности можно ожидать, что данные обеспечат надёжные итоговые результаты анализа процесса формования PLA-бутылки. После умножения DQI на соответствующий весовой коэффициент было получено ADQI = 5. На основании значения ADQI и таблицы 3 определяли отклонение каждого входного значения. При использовании треугольных распределений значение, указанное в инвентаризационном анализе, рассматривается как наиболее вероятное; зная его оценку ADQI, можно определить минимум и максимум входных данных.

В таблице 5 представлены оцененные минимумы и максимумы процессов формования PLA-бутылки. При принятых порогах потребление энергии первой операции находится от +0,330 до +0,404.

3.3. Результаты анализа неопределенности

С помощью функции неопределённости на основе MC-анализа для каждого входа и выхода генерировали 1000 значений категории воздействия в соответствии со сведениями о диапазонах изменчивости входных параметров и их распределении — в данном исследовании треугольном, — приведёнными в разделе 3.2. Во время симуляции значения таких входных параметров, как вода, использование электроэнергии, расход материалов и выбросы, случайным образом выбирались для расчёта оценки воздействия. На этой основе для случайно выбранных значений входных параметров построили гистограммы распределения результатов выбранных релевантных категорий воздействия (рисунки 3, 4, 5, 6, 7 и 8). Анализ также даёт основные параметры полученного набора результатов: стандартное отклонение, среднее значение, медиану и коэффициент вариации.

Для анализа релевантных категорий воздействия использовали единичные точечные данные, то есть входные данные, а полученные результаты выражали в единицах, соответствующих каждой конечной категории ущерба: здоровью человека, качеству экосистем и доступности ресурсов. Для построения диаграмм, представленных на рисунках 8, 9, 10, 11, 12, 13, 14 и 15, использовали категории, доля которых в ущербе составляла 90%.

Образование мелких твёрдых частиц было первой значимой категорией в суммарном воздействии процесса формования биоразлагаемой бутылки на здоровье человека (рисунок 8). Для данных, сгенерированных MC-симуляцией, суммарный уровень выбросов составил 1,61 × 10−07 DALY. При этом медиана равнялась 1,59 × 10−07 DALY, стандартное отклонение — 1,76 × 10−08 DALY, а коэффициент вариации — 10,96%.

Среднее воздействие изготовления 1-литровой PLA-бутылки на глобальное потепление для здоровья в 1000 сценариях составило 1,27 × 10−07 DALY (рисунок 9); медиана — 1,26 × 10−7 DALY, стандартное отклонение — 9,13 × 10−09 DALY, коэффициент вариации — 7,20%.

Анализ всех стадий формования показывает сильное отрицательное воздействие накопления соединений в категории потребления воды (2,74 × 10−08 DALY), вредящее здоровью (рисунок 10). Медиана — 3,05 × 10−08 DALY, стандартное отклонение — 7,37 × 10−09 DALY, коэффициент вариации — 26,8%.

Стохастический анализ всех стадий охватывал выбросы соединений, вредящих качеству экосистем через глобальное потепление (3,80 × 10−10 DALY; рисунок 11). Медиана — 3,81 × 10−10 species·yr, стандартное отклонение — 2,75 × 10−11 species·yr, коэффициент вариации — 7,20%.

Для землепользования среднее составило 3,32 × 10−10, медиана — 3,17 × 10−10 species·yr, стандартное отклонение — 4,48 × 10−11 species·yr, коэффициент вариации — 25,1% (рисунок 12).

К значимым для качества экосистем категориям относится потребление воды наземными экосистемами: среднее воздействие 1,66 × 10−10, медиана 1,85 × 10−10 species·yr, стандартное отклонение 4,62 × 10−11 species·yr, вариация 25,1% (рисунок 13).

На рисунке 14 показаны накопленные соединения, вызывающие подкисление (1,46 × 10−10), и их воздействие на качество экосистем. Медиана — 1,46 × 10−10 species·yr, стандартное отклонение — 1,32 × 10−11 species·yr, коэффициент вариации — 9,01%.

По анализу неопределенности построили гистограмму дефицита ископаемых ресурсов. Среднее воздействие на доступность ресурсов — 0,0072 USD2013, медиана — 0,00715 USD2013, стандартное отклонение — 0,00078 USD2013, вариация — 10,8% (рисунок 15).

3.4. Результаты анализа чувствительности

Анализ чувствительности выполняли для данных, представленных категориями воздействия, которые характеризуют суммарное воздействие жизненного цикла подготовки биоразлагаемой бутылки в трёх областях ущерба: здоровье человека, качество экосистем и доступность ресурсов. На основе распределения неопределённости результатов LCA для релевантных категорий воздействия, представленного в разделе 3.3, можно было провести анализ ключевых вопросов, чтобы оценить чувствительность результатов в данной области ущерба. Процедуру выполняли методом MC-симуляции в программном обеспечении CB. Как показывают рисунок 16 и таблица 6, категория образования мелкодисперсных твёрдых частиц составляет наибольшую долю изменчивости общего воздействия производства бутылки на здоровье человека. Второе место занимает глобальное потепление. Наименьшая доля изменчивости наблюдается для потребления воды.

Наибольшие отклонения величины ущерба здоровью человека наблюдаются при крайних значениях категорий воздействия (рисунки 17 и 18). Увеличение образования мелкодисперсных частиц вносит наибольший вклад в рост воздействия на здоровье человека; одновременно неточная оценка этой категории приведёт к самым большим ошибкам при оценивании величины ущерба в области здоровья человека.

Для качества экосистем наибольшую долю дает глобальное потребление воды наземными экосистемами, затем землепользование (таблица 7, рисунок 19).

Наибольшие отклонения величины ущерба качеству экосистем наблюдаются при крайних значениях категорий воздействия (рисунки 20 и 21). Рост значений категорий потребления воды наземными экосистемами и землепользования вносит наибольший вклад в увеличение воздействия на качество экосистем, а любая неточная оценка этих категорий приведёт к самым большим ошибкам при оценивании величины ущерба в области качества экосистем.

4. Обсуждение

Основное внимание в этой работе уделено оценке и анализу результатов LCA процесса формования бутылок. Результаты анализа вклада, представленные в разделе 3.1, показывают категории воздействия и стадии процесса формования бутылок, которые оказывают наибольшее воздействие и имеют наибольшую долю в категориях ущерба в результатах LCA (рисунки 4, 5, 6 и 7). Анализ долей стадий процесса в промежуточных категориях воздействия, а также в суммарных воздействиях по областям ущерба показывает, что по отрицательному экологическому воздействию первое место занимают преформы из PLA, за которыми следуют дегазация бутылки и формование под давлением (рисунки 4, 5, 6 и 7). Стадии процесса формования бутылки тесно связаны с входными, то есть инвентаризационными, данными (таблица 4). Поэтому решения по улучшению экологических показателей процесса формования бутылки следует направлять прежде всего на сокращение использования PLA при производстве бутылок и снижение потребления электроэнергии при нагреве преформ — например, путём замены инфракрасных ламп менее энергоёмкими, — а также при растяжении преформ и охлаждении. Анализ вклада, выполненный как первый этап процедуры, позволил определить релевантные категории воздействия для последующего анализа неопределённости и чувствительности.

Предложенная в исследовании процедура требовала провести анализ качества данных, чтобы определить параметры распределения входных данных для анализа неопределённости методом MC-симуляции. Тем самым процесс стохастического поиска распределения входных параметров был упрощён: в качестве функции плотности вероятности предложено треугольное распределение с отклонениями от 10% до 50% в зависимости от результата ADQI. Определение уровня отклонений является одним из элементов этого поиска и влияет на моделируемые значения ожидаемых результатов. Собранные авторами входные данные характеризовались высоким качеством (ADQI = 5) и точностью, поскольку были получены непосредственно от производственного предприятия. В анализе неопределённости использовали отклонение ±10% согласно треугольному распределению. Анализ диаграмм на рисунках 8, 9 и 10 показывает, что категория, связанная с использованием водных ресурсов (рисунок 10), имеет наибольший диапазон изменчивости — отклонение 26,8% — и поэтому является наиболее критичной входной переменной, влияющей на здоровье человека на протяжении рассматриваемого жизненного цикла продукта. В категории вредного воздействия на экосистему самый широкий интервал изменчивости выявлен для землепользования — отклонение 25,1%, рисунок 12 — и потребления воды наземными экосистемами — отклонение 25,1%, рисунок 13. В категории ущерба доступности ресурсов изменчивость преобладающей категории воздействия, дефицита ископаемых ресурсов, составила 10,8% (рисунок 15). Ключевым фактором, определявшим значение этой категории, был материал преформы. Отклонения входных данных на 10% для перечисленных категорий приводили к значительной изменчивости результатов, поэтому прецизионность и точность входных данных имеют ключевое значение для величин этих категорий. При неточных данных низкого качества результат в этих категориях наименее определён. Для итогового результата особенно важно с наибольшей точностью измерять массу преформы, используемой при выдувании, и потребление воды на стадии охлаждения бутылки.

Характеристики распределения результатов, полученные для значимых категорий воздействия в ходе анализа неопределённости, в том числе среднее и стандартное значения, использовали для анализа ключевых вопросов посредством MC-симуляции и программного обеспечения CB. Анализ позволил выявить категории воздействия с наибольшими долями в неопределённости итогового результата категории ущерба. Категория образования мелкодисперсных частиц имела наибольшую долю — 69,5% — в дисперсии категории ущерба здоровью человека. В зависимости от изменений этой категории воздействия суммарное воздействие в области здоровья человека будет подвергаться наиболее серьёзным изменениям. В области качества экосистем наибольшая доля приходилась на потребление воды наземными экосистемами и землепользование. Для этих категорий воздействия следует также ожидать наибольших изменений в тех случаях, когда ради улучшения экологических показателей процесса формования PLA-бутылки происходит даже небольшое снижение величины входных параметров. В названной группе категорий воздействия низкое качество входных данных вносило бы значительную неопределённость в итоговые результаты воздействия по категориям ущерба. Итоговый результат воздействия в категории ущерба наиболее чувствителен к изменениям именно перечисленных выше категорий воздействия.

Предложенный метод оценки качества данных и неопределённости позволяет легко выявлять ключевые параметры, влияющие на итоговый результат LCA, без необходимости рассчитывать сложные конечные коэффициенты и параметры формы распределения результатов. Единая процедура объединяет три вида анализа: качество данных, неопределённость результатов и чувствительность по отношению к входным, то есть инвентаризационным, данным и категориям воздействия. Благодаря этому можно определить качественные и количественные связи между входными данными, категориями воздействия и областями ущерба, как показано на рисунке 22. Очевидно, что некоторые категории, несмотря на сравнительно высокую неопределённость, не оказывают значимого влияния на итоговый результат. Например, категория потребления воды, хотя её неопределённость высока, не будет серьёзно влиять на категорию ущерба здоровью человека. Вместе с тем для категории ущерба качеству экосистем наибольшую неопределённость результатов вызывают две категории воздействия — потребление воды и землепользование, — хотя они не имеют наибольших долей в этой категории ущерба.

На практике процедуры оценки неопределённости данных сводятся к одному виду анализа: например, к полуколичественному подходу DQI [20], стохастическому моделированию с применением MC-симуляции [22,48] либо анализу чувствительности [10,65]. Сочетания нескольких методов встречаются редко из-за значительных затрат труда и времени, а также большого объёма данных, которые требуется ввести и собрать [62,72]. Однако предложенный здесь метод основан на результатах инвентаризационного анализа, причём каждый этап формирует набор входных данных для следующего этапа. Благодаря этому создаётся сеть связей между входными данными, категориями воздействия и категориями ущерба (рисунок 22).

На величины полученных результатов влияют и типы распределения переменных, использованные в этом исследовании — треугольное распределение для входных данных и логнормальное распределение для категорий воздействия, — а также конечные точки диапазонов. Применение других распределений могло бы привести к небольшим различиям в результатах оценки неопределённости, как показано в работах [20,38,65,72]. Следует подчеркнуть, что распределение входных данных основано на результате полуколичественного подхода DQI, поэтому результаты любых последующих этапов в значительной степени определяются качеством данных.

5. Выводы

Цель работы была достигнута благодаря предложенному методу оценки неопределённости и прецизионности результатов LCA, основанному на полуколичественном подходе DQI, стохастическом моделировании и анализе чувствительности. Метод позволяет простым способом определять зависимости между точностью входных данных и категориями воздействия и ущерба посредством выявления ключевых элементов, влияющих на результат LCA. Сильная сторона использованной методологии состоит в том, что для анализа не требуется собирать большой объём данных.

Процедура выявила входные данные процесса формования PLA-бутылки, а также чувствительные категории воздействия. Материал, используемый для изготовления преформы, то есть PLA, представляет собой входной показатель, который сильнее всего влияет на результат экологического воздействия процесса формования PLA-бутылки. Уменьшение массы материала в процессе формования бутылки вносит наибольший вклад в сокращение экологического воздействия. Одновременно правильность и прецизионность оценки массы PLA будут ключевым элементом, влияющим на неопределённость итогового результата, тогда как правильность оценок потребления воды и электроэнергии будет менее важна. К категориям воздействия с наибольшей неопределённостью относятся потребление воды применительно к здоровью человека, а также землепользование и потребление воды применительно к качеству экосистем. С другой стороны, неопределённость и изменение величины итогового результата в категории ущерба здоровью человека зависят главным образом от категории образования мелкодисперсных частиц, а в категории ущерба качеству экосистем — от потребления воды и землепользования. В области доступности ресурсов категория воздействия дефицита ископаемых ресурсов в основном определяет и неопределённость, и величину результатов; её значения определяются количеством материала PLA-преформы, использованного в процессе. Для улучшения экологического баланса процесса формования бутылки следует снизить потребление энергии в процессах нагрева, растяжения и охлаждения, а также сократить потребление воды и материала преформы.

Вклад авторов

Концепция — P.B.-W. и J.F.; методология — P.B.-W. и A.T.; программное обеспечение — P.B.-W. и K.P.; валидация — A.T., J.F., M.O., M.B. и R.K.; формальный анализ — P.B.-W., A.T. и K.P.; исследование — A.T. и P.B.-W.; ресурсы — P.B.-W.; курирование данных — A.T., J.F., P.B.-W. и M.O.; подготовка первоначального текста — P.B.-W.; рецензирование и редактирование текста — P.B.-W., K.P., A.T. и W.K.; визуализация — R.K., M.B., P.B.-W., W.K. и A.T.; руководство — R.K., M.O., J.F., W.K. и K.P.; администрирование проекта — M.B. и P.B.-W. Все авторы прочитали опубликованную версию рукописи и согласились с ней.

Финансирование

«Проект/исследование финансировались в рамках проекта Люблинского технологического университета “Региональная инициатива совершенства” за счёт средств Министерства науки и высшего образования Польши (договор № 030/RID/2018/19)». В оригинале также приведена польская формулировка: «Проект/исследования финансировались в рамках проекта Люблинского технологического университета “Региональная инициатива совершенства” за счёт средств Министерства науки и высшего образования на основании договора № 030/RID/2018/19».

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.