Monte Carlo ile LCA belirsizlik analizi: pedigree matrisinden P10/P90'a

Bir EPD'de "GWP-fossil: 245 kg CO₂eq" yazar. Bu sayının gerçek değeri 200 mü, 300 mü olabilir? Tek noktalı sonuç bu soruya cevap vermez. Monte Carlo belirsizlik analizi, envanterdeki her girdinin belirsizliğini bir olasılık dağılımı olarak modeller, modeli binlerce kez rastgele örnekleyerek çalıştırır ve sonucu tek sayı yerine bir dağılım olarak verir. ISO 14044, karşılaştırmalı beyanlar için belirsizlik değerlendirmesini açıkça önerir.

Pedigree matrisi: veri kalitesini sayıya çevirmek

Belirsizliğin kaynağı çoğu zaman ölçüm hatası değil, verinin temsilîliğidir. Pedigree yaklaşımı her envanter satırını beş kriterde 1-5 arası puanlar: güvenilirlik (ölçülmüş mü, tahmin mi), tamlık (kaç tesisten, hangi dönemden), zamansal uygunluk (veri kaç yaşında), coğrafi uygunluk ve teknolojik uygunluk. Her puan kombinasyonu, deneysel olarak türetilmiş bir belirsizlik çarpanına karşılık gelir; bunlar temel belirsizlikle birleşerek lognormal dağılımın geometrik standart sapmasını (GSD) verir.

Neden lognormal?

Çevresel akışlar negatif olamaz ve çarpımsal süreçlerin ürünüdür (verim × yoğunluk × mesafe...); bu iki özellik lognormal dağılımı doğal seçim yapar. Lognormal dağılımda medyan, envantere girdiğiniz değerdir; GSD² değeri "gerçek değerin %95 olasılıkla medyan/GSD² ile medyan×GSD² arasında olduğunu" söyler. GSD² = 1,2 dar bir banttır; 2,0 ise geniş — enerji verisi tipik olarak dar, emisyon faktörleri geniştir.

Sonuçları okumak: P10, P50, P90

• P50 (medyan) — dağılımın ortası; deterministik sonuçtan farklı çıkabilir, panik gerekmez
• P10-P90 bandı — "sonuç %80 olasılıkla bu aralıkta"; EPD iletişiminde en dürüst aralık
• Varyasyon katsayısı (CV) — dağılım genişliği / ortalama; CV > %30 ise envanterin en belirsiz satırlarına dönün
• Katkı analizi — toplam varyansın hangi girdiden geldiği; iyileştirme önceliğini belirler

Karşılaştırmalı belirsizlik: A gerçekten B'den iyi mi?

İki ürünü karşılaştırırken doğru yöntem, iki dağılımı ayrı ayrı bakmak değil, aynı iterasyonda ikisini birlikte örnekleyip farkın dağılımına bakmaktır — arka plan verileri ortak olduğundan belirsizlikler korelasyonludur ve fark dağılımı, ayrı bantların kesişiminden çok daha dardır. "A, iterasyonların %94'ünde B'den düşük" cümlesi, "A %12 daha düşük" cümlesinden çok daha savunulabilir bir iddiadır.

Kaç iterasyon yeterli?

Pratik kural: P10/P90 tahmini için 1.000 iterasyon çoğu model için yeterlidir; kuyruk yüzdelikleri (P5, P95) raporlanacaksa 5.000-10.000 tercih edilir. İterasyon sayısını, sonucun yakınsamasıyla test edin: 1.000 ile 2.000 iterasyonun P90'ı %1'den az farklıysa yakınsamıştır.