通过应用人工智能控制堆肥过程中的曝气强度来降低能耗

《Journal of Environmental Management》：Reducing energy consumption through the implementation of AI to control aeration intensity in the composting process

　　

• 采用LSTM神经网络优化污水污泥堆肥过程中的曝气强度。
• 该模型利用41个全规模工业堆肥周期的数据进行验证。
• ANN预测结果捕捉到了堆肥过程中氧气需求量的降低趋势。
• 与间歇控制相比，曝气控制使电力消耗降低了24%。

引言

堆肥是一种生物过程，有机物质在此过程中被分解，每处理一公斤废物释放约12兆焦的热量（J?drczak, 2007）。尽管自热有利于维持高温条件，但根据具体技术，保证工艺正常运行可能需要高达72千瓦时/兆吨的电能输入（欧盟委员会, 2018）。该需求与原料粉碎和筛分、堆肥翻堆、物料内部输送、废气处理以及最重要的反应器曝气相关。每个反应器都是一个配备电气控制系统和设备的自主单元，负责曝气和堆肥脱水。例如，选择性收集的生物废弃物堆肥的电力需求约占能源总消耗的27%，达到每吨生产堆肥537.8兆焦，即150千瓦时（Pergola等, 2020）。在工业实践中，采用大量措施来减少能源消耗，包括从堆肥堆中回收热量，与缺乏热量回收的系统相比可降低高达18%的电力需求（Wang等, 2025）。

人工智能（AI）正日益改变现代废物管理方式，通过增强自动化、提高回收效率、优化物流以及减轻环境影响来实现变革。当前的应用主要聚焦于经济和运营改进，实现运营成本的10%–15%的降低（Nwokediegwu等, 2024）。关键的AI驱动创新包括：采用图像识别和机器学习算法的自动化废物分类——经常与机器人分拣系统集成（Ahmedy等, 2025），将材料回收率提高20%–30%；使用配备传感器的智能废物收集和路线优化，将收集车辆的燃料消耗和排放减少高达40%（Linde等, 2024）；废物产生的预测分析以支持城市规划和改善资源配置；基于材料成分确定最佳回收路径；管理和危险废物及生物医学废物；通过优化废物处理和减少填埋使用来降低温室气体排放；以及评估堆肥的生物稳定性（Shi等, 2025; Xu等, 2019）。

根据循环经济原则，堆肥被广泛推荐用于处理可生物降解废物，能够回收适合农业使用的富营养物质材料（Oldfield等, 2018）。堆肥也应用于处理市政污水污泥或市政固体废物的有机组分（OFMSW），其理化特性通常无法生产可市场化的有机肥料（Side?ko等, 2020; Siebielska和Side?ko, 2015）。

堆肥作为有机废物处理的关键方法，面临与重金属、堆肥成熟度和碳排放相关的挑战（Guo等, 2021）。基于AI的方法越来越多地用于解决这些问题，其中工艺参数的动态优化受到特别关注。堆肥研究中采用最广泛的机器学习模型包括人工神经网络（ANN）、支持向量机（SVM）、遗传算法与决策树结合（GA/DT），以及其他方法如多元线性回归、k近邻、模糊推理系统、梯度提升方法和聚类算法，分别占已发表应用的54%、15%、9%和7%（Guo等, 2021）。ANN已被用于优化关键堆肥参数，如碳氮比（C/N）（Temel等, 2023）、混合物组成（Echarrafi等, 2019）、温度和水分含量（Ding等, 2022; Moncks等, 2022）以及气体排放（Kabak等, 2022; Rosik等, 2024）。机器学习模型越来越多地应用于各学科领域，因为它们能够逼近复杂、非线性和多变量关系，而无需对底层机制进行显式解析描述。该能力已在高斯过程回归中得到证明，该方法还能量化预测不确定性（Jin和Xu, 2024）；在用于揭示多变量数据中非线性结构的图形和非参数技术中（Jin和Xu, 2026）；在重现强非线性输入-输出映射的神经网络中（Jin和Xu, 2025）；以及在提高异构数据集预测鲁棒性的集成和复合估计器中（Xu, 2020）。堆肥具有使这些方法具有吸引力的两个特征：被监测参数之间关系的明显非线性，以及缺乏将堆体瞬时状态与所需曝气强度联系起来的闭式模型。机器学习工具的使用允许评估添加膨胀剂（即锯末、稻壳和玉米秸秆）对减少堆肥过程中氮素损失的影响（Mi等, 2026）。理解影响堆肥过程动力学参数的关系对于获得稳定和成熟的产品至关重要（Kujawa等, 2020）。

在工业堆肥系统中，通过监测和调整关键工艺参数来控制和优化工艺性能，包括水分、温度、碳氮比、营养物可用性、pH值以及孔隙空间中的氧气浓度（Kujawa等, 2020; Reyes-Torres等, 2018; Side?ko等, 2011）。对这些参数的调整直接影响曝气强度以及CO?、NH?、N?O和CH?的排放（Bai等, 2020）。只有在完全环境隔离的条件下才能实现全过程控制。无论使用静态还是动态反应器，无论堆体是否被覆盖在土工膜下，关键因素是确保充足的氧气供应（Engineered Compost Systems, 2022）。堆肥基质中的最佳氧气含量约为15%（体积），而浓度低于5%（体积）则会抑制生物活性并导致温度下降（Meena等, 2021）。

基于已有文献，曝气强度可根据每小时每克有机物供给的氧气量分为三个范围：低（2.6÷4.3 mg O?/g有机物/h）、中（6.1÷19.6 mg O?/g有机物/h）和高（21.8÷51.8 mg O?/g有机物/h）（Epstein, 2019）。工业和实验室研究通常在此连续范围内操作（3÷52 mg O?/g有机物/h）（Lia等, 2017; Liu等, 2025）。因此，选择合适的风机类型——包括其水力性能（容量和压力）和控制模式——至关重要（Side?ko和Boruszko, 2024）。

堆肥曝气可通过连续或间歇模式运行，后者由风机工作时间（W）和暂停时间（P）的交替周期组成。在这两种情况下，送入堆体的空气量应考虑随着有机物质分解而变化的氧气需求，这在堆肥初期尤为剧烈。生物因素是决定需要调节风机效率的两个因素之一。第二个是物理因素，与堆体随时间压实有关，导致通过堆肥层的空气阻力系统性地增加。与间歇系统不同，间歇系统通过改变W/P比来实现改变送入堆体的空气量，而通过改变转速来调节风机效率需要额外设备——变频器。可以说，对于现有设施，实施间歇方法不需要额外投资。

现有关于间歇曝气研究表明，该方法与连续曝气相比可将CH?排放减少53.2%（Zeng等, 2016），并可降低OFMSW堆肥的能源需求740兆焦/兆吨（槽式系统）或236兆焦/兆吨（条垛系统）（Colón等, 2012; Zeng等, 2016）。据报道，不同原料类型的最优间隔存在很大差异，例如：食物废物的20/10（W/P）（Zhao等, 2022）、纸浆厂污泥与肉鸡粪混合物的15/45（W/P）（Ekinci等, 2004），以及市政垃圾的7/23（W/P）（He等, 2012）。然而，文献分析清楚地表明，间隔值通常在过程中保持固定；迄今为止没有研究在堆肥过程中引入动态、实时调整曝气间隔的方法。鉴于随着可生物降解有机组分的消耗，氧气需求随时间降低，保持恒定间隔不太可能是最优的。

假设间歇曝气是供氧最有效的方法，本研究旨在开发一种基于ANN的算法，能够实时预测和调整曝气间隔。这为将曝气强度与堆肥过程中动态变化的氧气需求相匹配提供了实用工具。本研究开发的模型是对有经验的操作人员所应用的曝气控制规则的数据驱动表示，扩展到单日分辨率并涵盖一年监测期间记录的全部运行条件范围。它并不优化正式定义的多目标函数；构建这样的控制器，考虑有机质分解速率、氮素损失和气体排放，需要对这些量进行连续监测，这构成了下一阶段的工作。

本研究的主要目标包括：开发一种工具，能够在堆肥过程中修改风机工作间隔；使用ANN对实时监测变量与曝气间隔之间的关系进行建模；以及确定间隔调制对能源效率的影响。

研究片段

现场研究

现场实验在波兰Tczew的一个市政污水污泥堆肥设施进行，该设施由市政水务和污水公司运营。所用技术是将机械脱水后的污水污泥与结构材料（木屑形式）以1:1（质量比）的比例混合后放入反应器中。反应器是混凝土结构，工作容积约400立方米，由两侧壁、后壁和穿孔地板组成。工作容积

结果与讨论

神经网络的开发包括两个主要阶段——设计网络结构、训练和测试最终选定的网络模型。对于数值分析，使用的数据库包含40天堆肥周期中每隔第三天记录的InVar1、InVar2和DeVar的变量值。具有所有被监测变量完整信息的周期数为41个。因此，最终数据库由554个案例组成（RepOD, 2026）。

ANN模型的验证

所开发模型在操作和工业规模条件下的性能在与之前进行污水污泥堆肥实验的同一设施进行评估，以生成用于网络设计、训练和测试的数据。本研究该阶段的目标是通过比较两种方案下的堆肥过程中电力消耗来评估能源效率。

方案1（W1）涉及由ANN完全控制曝气风机运行。

结论

本研究的目的是开发一种基于AI的工具，通过对构成独立变量组的选择性理化参数之间的相互作用以及以循环（间歇）模式运行的风机性能进行综合分析，后者被视为由人工神经网络预测的因变量。

结果证实了整合ANN模型的算法在控制4千瓦风机运行方面的有效性。

CRediT作者贡献声明

Robert Side?ko：概念构思。Robert Suszyński：软件。Robert Cichowicz：监督指导。Miko?aj Lisicki：数据整理。Beata Janowska：撰写-审阅与编辑。Jacek Piekarski：形式化分析。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究作为研究项目FENG.01.01-IP.02-0519/23的一部分开展，由欧洲现代经济基金资助。

Robert Side?ko | Robert Suszyński | Robert Cichowicz | Miko?aj Lisicki | Beata Janowska | Jacek Piekarski