Ein Forschungsteam hat ein Deep-Learning-Modell entwickelt, das Umweltwirkungen von Produkten und Prozessen direkt aus textuellen Beschreibungen vorhersagen kann. Das Modell mit dem Namen LCA-TextNet soll Lücken bei der Lebenszyklusanalyse (LCA) schließen, wenn detaillierte Inventardaten fehlen.
Das Team um Professor Shanying Hu von der Tsinghua University trainierte die Transformer-basierte Architektur mit über 16.000 Datensätzen aus der ecoinvent-Datenbank. Als Eingaben dienten verschiedene textbasierte Informationen wie Aktivitätsnamen, Produktbeschreibungen und technische Kommentare. Das Modell wandelt diese Texte in semantische Embeddings um und schätzt daraus die Umweltauswirkungen ab.
LCA-TextNet erreichte bei 17 von 25 Umweltindikatoren und in über 70 Prozent der untersuchten Sektoren eine hohe Genauigkeit mit einem Bestimmtheitsmaß von mehr als 0,8. Besonders gute Ergebnisse zeigten sich in datenreichen Bereichen wie Abfallbehandlung, Recycling und Holzverarbeitung. In Sektoren wie Transport, Wasserversorgung und Landnutzung war die Vorhersagequalität aufgrund kleinerer Stichproben und heterogener Beschreibungen schwächer.
Die Forschenden sehen das Modell als Ergänzung zu klassischen Lebenszyklusanalysen. Es kann als schnelles Schätzinstrument für frühe Designphasen, Politikstudien oder ESG-Berichte dienen. Bei vorhandenen Daten kann es als Hintergrunddaten-Ergänzung genutzt werden. Das vollständige Protokoll und der Code sind öffentlich auf GitHub verfügbar.
„Der größte Engpass bei Lebenszyklusanalysen war schon immer der Mangel an Daten – nicht nur die fehlenden Daten selbst, sondern der enorme Aufwand, verstreutes Prozesswissen in strukturierte Inventardaten umzuwandeln“, erklärten die Autoren. Das Modell liefere eine schnelle und zuverlässige Erstschätzung, wenn keine anderen Daten vorliegen.
Die Studie wurde am 16. Juni 2026 in der Fachzeitschrift Environmental Science and Ecotechnology angenommen. Die Forscher betonen, dass das Verfahren keine vollständige Lebenszyklusanalyse ersetzen soll, sondern als ergänzendes Werkzeug für eine breitere und schnellere Umweltbewertung dienen kann.
