随着科技的进步,工业的迅速发展,生态环境等问题与日俱增,其中碳污染尤为严重。核算产品碳排放是评估其对环境影响以及指导、改进、完善产品绿色设计的核心。生命周期评价法(LCA)是现阶段评价产品对环境影响的主流方法,随着LCA方法的广泛应用,其理论方法逐渐走向成熟。然而,基于LCA方法计算产品碳足迹存在一定的缺点和不足,不确定性问题尤为突出。本文主要对基于LCA方法计算产品碳足迹的不确定性进行分析:首先,以啤酒发酵罐为研究对象,计算其全生命周期碳足迹,根据啤酒制造工艺,选定啤酒发酵罐的型号和容量,确定其系统边界,收集生命周期各阶段的清单数据,并建立生命周期各阶段的碳排放模型,核算啤酒发酵罐生命周期各阶段的碳足迹。其次,研究LCA评价过程中的不确定性,分析其来源,确定造成啤酒发酵罐碳足迹结果不确定性的影响因素,此类影响因素是定性的、不可控的。提出AHP-粗糙集组合权重的计算方法对其进行量化处理,计算得到各影响因素的权重,评价其给碳足迹计算结果带来的不确定性。然后,在啤酒发酵罐碳足迹计算的基础上进行清单的不确定性分析,评估发酵罐生命周期清单(LCI)数据质量,得出相应的概率分布进行Monte Carlo模拟,对得到的数据特征进行不确定性分析。分别采用多元统计回归与EFAST方法进行敏感性分析,得到对碳足迹计算结果较为显著的清单变量及其对输出结果的敏感度。再次,对基于LCA方法建立的碳足迹模型进行不确定性和敏感性研究,对比分析目前典型碳足迹模型的适用性以及完善性。对模型的不确定性进行分析,提出将各个模型的参数在[-20%,20%]范围内波动的敏感性分析方法,得到各模型的敏感度,比较其优劣。最后,分析啤酒发酵罐设计参数径高比、锥角、壁厚和材料密度对碳足迹的影响,在发酵罐原材料获取阶段碳足迹计算的基础上,利用响应曲面法(Respond Surface method,RSM)对发酵罐设计参数进行优化,得到碳排放量最小时的最优参数组合,采用RSM和BP神经网络拟合试验数据,可以发现BP神经网络预测误差更小,预测值更准确。