基于机器学习的自动化堆肥技术：基质优化、快速稳定化以及生物活性的提升

《Cleaner Waste Systems》：Automated composting assisted by machine learning: Substrate optimization, rapid stabilization, and enhanced bioactivity

　　Soukaina Fouguira、Emna Loukil、Mohamed Ali Triki、Mounia El Haji、Jamal Benhra、Emna Ammar
**工业和物流系统优化团队**
OSIL，先进工业和物流工程研究实验室，工业工程系，哈桑二世大学，卡萨布兰卡国家电力和机械工程学院，摩洛哥

**摘要**
堆肥是一种可持续的策略，可用于回收有机废物、提高土壤肥力并抑制植物病原体。本研究重点研究了使用自动化机器制备的堆肥的生物氧化阶段，该机器的原料组成通过多元线性回归（MLR）根据先前的数据确定：49%的橄榄厂废水（OMW）、19.5%的废弃橄榄饼（EOC）、15.5%的家禽粪便（PM）和16%的绿色废物（GW）。24小时后，堆肥的有机物质含量为55%，碳氮比为33。通过发芽测试评估了堆肥茶对水芹、番茄、葫芦巴、高粱和玉米的植物毒性。水芹的发芽指数最高（205%），而番茄的发芽指数为66%。所有种子在25%的堆肥茶浓度下表现出最佳的发芽效果。对镰刀菌（Fusarium oxysporum）的抗真菌实验显示，经过真空过滤的堆肥茶具有强烈的抑制作用。此外，还进行了碳氮比变化的预测建模，以估计达到堆肥成熟状态（C/N = 15）所需的时间。LITE-RNN模型的预测准确率最高（R2 = 0.96），预测的成熟时间为44小时。这些发现表明，将自动化堆肥技术与人工智能相结合，可以加速堆肥生产、增强生物活性并改善病害抑制效果。

**1. 引言**
非洲以其快速的城市化进程而闻名，2018年至2050年间城市居民比例将从40%增加到59%（Balogun等人，2022年）。因此，城市化促进了就业多样化，可能导致从农业活动向非农业活动的转变。根据气候变化的预测，除了温度升高趋势外，降雨模式的变化、干旱和植物病害也对农业生产，特别是粮食生产构成了额外挑战，影响粮食安全。此外，植物病原病害对全球农作物构成重大威胁，每年造成重大损失（Savary等人，2019年）。这些污染由多种病原体引起，包括病毒、细菌、真菌和线虫，能够感染许多宿主植物。尽管广泛使用化学植物保护产品来控制这些病原体，但过量使用会带来环境和健康问题，如水体和土壤污染，以及病原体抗性的产生（Aktar等人，2009年；Pimentel，2005年）。此外，干旱加剧了土壤退化，加之城市化带来的消费增加和废物产生，使得将约占总固体废物46%的有机废物通过堆肥转化为土壤改良剂成为一种有前景的方法，有助于对抗土壤退化和植物病原体。

堆肥是一种生物过程，确保在受控的物理化学条件下（即温度（T）、湿度（H）、pH值和通风条件下）有氧分解有机废物（食物、市政和农业固体废物）（Abid等人，2020年；Fouguira等人，2023a；Hachicha等人，2008a；Masmoudi等人，2020年；Wang等人，2024年）。在堆肥过程中，碳氮比（C/N）和氧气供应水平会影响温室气体的排放量。通常，碳氮比越高或氧气供应水平越高，CH4、N2O和H2S的排放量就越低（Abaker等人，2025a；Li等人，2022年；Liu等人，2022a）。富含养分和有益微生物的堆肥促进了其在生物控制中的使用，限制了化学杀虫剂的使用，减少了病害的发生或严重程度，从而恢复了自然微生物农业生态系统的稳定性，支持更可持续的农业（Coelho等人，2021年）。传统的堆肥方法存在多个挑战，例如所需时间长、管理不善、温室气体排放量大、人力消耗高等（Fouguira等人，2023a；Li等人，2022年）。此外，传统的堆肥模型通常基于简化的动力学假设，可能无法充分捕捉农工废物混合物（如橄榄厂废水基原料）的复杂性和异质性。堆肥过程中，温度、含水量、通风和原料组成之间存在高度非线性的相互作用，尤其是在初始生物氧化阶段，这些动态和相互依赖的机制限制了传统模型的预测能力，因此需要探索能够处理复杂多变量系统的数据驱动方法（Andrade Cruz等人，2022年）。

为了加速堆肥的生物氧化（嗜热）阶段而非完全成熟过程，本研究采用了一种受控的“堆肥单元”，用于调节生物转化废物的关键物理化学参数，包括温度、湿度和通风。该单元的设计首先通过测试我们之前工作中的模型进行了验证，确定了废物混合物比例：橄榄厂废水（OMW）49%、废弃橄榄饼（EOC）19.5%、家禽粪便（PM）15.5%和绿色废物（GW）16%。为了进行比较，还试验了另一种具有相同原料比例的混合物M2。在过程中，加入橄榄厂废水以湿润堆肥废物。然后，建立了一系列分析方法来表征物理化学和生物参数（如有机物质含量、碳氮比、发芽指数和对植物病害的抑制效果）。最后，基于过程前24小时收集的数据和碳氮比建立了一个预测模型，以便更好地预测、控制和调整堆肥过程。

**2. 材料与方法**
2.1. 堆肥单元
用于堆肥可生物降解废物的自动化设备是一台容量为100公斤的半工业机器（图1）。其尺寸为宽1.60米、深0.60米、高1.50米。其罐体形状为上半圆柱形，顶部为长方体，底部装有操控轮子。机器配备了搅拌器以均匀混合废物并促进空气循环，并装有抽风机以排除低毒气体。在堆肥过程中，通过浸入油中的电阻器加热，并通过热电偶控制环境温度。所有机器部件均采用304不锈钢制造，以防止高温和生锈。

2.2. 堆肥设计
所使用的堆肥原料包括绿色废物（GW）、橄榄厂废水（OMW）、废弃橄榄饼（EOC）和家禽粪便（PM），具体比例参考了我们之前的研究（Fouguira等人，2023a）：
- M1组合物包含49%的OMW、19.5%的EOC、15.5%的PM和16%的GW；
- M2组合物包含相同比例的原料。
在最初的12小时内，当湿度低于40%时，使用橄榄厂废水湿润混合物；之后湿度保持在40%至60%之间24小时。
各原料的物理和化学性质见表1。

2.3. 物理化学参数测定
为了监测有机物降解和碳氮比的变化，在24小时的处理过程中，每3小时收集100克样品。湿度由传感器检测，并在105°C的烤箱中烘干后称重。有机物含量通过样品在550°C下燃烧4小时来确定。然后根据公式（1）估算总碳含量（Fan等人，2025年）：
(1) C (%) = OM (%) / 1.724

所有实验均在相同的操作条件下进行三次独立运行，以确保结果的可靠性和可重复性。

2.4. 发芽测试
通过发芽测试评估堆肥的成熟度和稳定性。将新鲜堆肥与蒸馏水（10克/100毫升）混合制成液体提取物，在旋转摇床中以170转/分钟的速度摇晃30分钟，然后过滤；回收的液体即为堆肥提取物。对照组和样本组的发芽指数（GI）根据公式（2）计算（Abid等人，2020年；Fouguira等人，2023b；Yang等人，2021年）：
(2) GI (%) = 样本中发芽种子数 / 对照组中发芽种子的总根长 × 样本中发芽种子的总根长
该测试将5毫升堆肥提取物加入到直径9厘米的培养皿中的滤纸上，每个培养皿中放置10粒种子，然后在25°C下黑暗环境中培养6天。选择的6天培养期对应于所有作物的早期发芽和初期根系发育阶段，此时植物毒性效应最为明显。尽管不同作物的最佳发芽时间不同，但6天的时间足以观察发芽情况并观察到根系生长响应。每种提取物浓度进行了三次重复实验。

2.5. 堆肥提取物
堆肥提取物被认为是一种基于生物活性化合物的生物控制溶液，可以限制田间植物病害（Lahlali等人，2022年）。研究了两种堆肥M1和M2的抑制效果，方法是将10克新鲜堆肥溶解在50毫升蒸馏水中，在25°C下保持5天并每天搅拌（Tubeileh和Souikane，2020年）。两种提取物分别通过真空过滤（E1）和无菌注射器过滤（E2）获得。然后，将每种提取物各1毫升与4毫升马铃薯葡萄糖琼脂（PDA）培养基混合，并在其中放置5毫米大小的真菌圆盘。每天监测真菌在制备好的培养基中的生长情况，直到真菌充满5厘米的培养皿（在本研究中为6天）。用于控制提取物抑制效果的是尖孢镰刀菌（Fusarium oxysporum），这是一种具有相当松散灰白色气生菌丝的 vascular 真菌，其来源非常普遍。这种真菌具有极大的遗传和生态多样性，可以感染超过100种不同的宿主，导致许多栽培植物（如棉花、甜瓜和番茄）严重的经济损失，其引起的疾病也可能影响许多植物和多年生植物（Edel-Hermann和Lecomte，2019年）。尖孢镰刀菌是导致猝倒病、根腐病和冠腐病的病原体。其发展受气候因素的影响，尤其是湿度和温度（Tivoli等人，1983年）。2.6. 人工智能工具2.6.1. 线性插值技术（LITE）线性插值技术广泛应用于简单的计算机图形学中，用于在两个已知点范围内估计未知值。这种方法之所以简单，是因为它建立了两个定义量之间的线性关系，并利用这种关系来确定未知量的确切浓度（Luo和Lu，2022年）。给定两个已知点（x1, y1）和（x2, y2）以及一个值x，使得x1 ≤ x ≤ x2，那么x就是进行插值的点，相应的插值值y可以通过以下公式确定（3）：(3)y = y1 + (y2 - y1) * (x2 - x1) / (x - x1)2.6.2. 循环神经网络（RNN）RNN由三个主要层组成：输入层、隐藏层和输出层。序列长度影响其准确性，梯度消失也是一个挑战。RNN层的神经元与前层的神经元之间存在反馈网络。神经元的输出值被作为输入反馈回来。因此，网络的当前输出状态取决于当前输入和权重，以及之前的网络输出状态，从而允许记忆之前的状态。在部分连接的RNN中，输出层与隐藏层和输入层的神经元之间建立了反馈连接（图2）。在本研究中，C/N比率的预测基于部分连接的RNN。下载：下载高分辨率图片（156KB）下载：下载全尺寸图片图2. 含有一个隐藏层的RNN架构（Shahsuvarov，2023年）。根据Alrowais等人（2023年）的研究，RNN的神经元在时间步t得到响应，ht为ht-1之前的输出，如公式（4）所示；ht定义为所有实例在t时间步的输出，维度为k × m（k是实例数，m是神经元数）；xt是时间步t的输入层，维度为k × n（n是输入项数），u表示输入权重矩阵，维度为（n × m），v是输出权重矩阵，维度为（m × m），w是隐藏状态权重矩阵，b是大小为m的偏置向量。在本研究中，RNN模块的刺激函数σ为tanh，线性函数用于确定输出yt（公式（5）（Alrowais等人，2023年）。（4）ht = σ(u * xt + v * ht-1 + b)（5）yt = φ(v * ht + by)2.6.3. 超参数优化：网格搜索技术网格搜索（GS）技术是一种探索性算法，它评估所有可能的超参数配置，从而实现穷举搜索策略。它独立工作，测试搜索空间中每个独特的超参数组合的性能，以确定最佳配置（Omar等人，2024年）。为了保证既全面又快速的解决方案，在本研究中采用了网格搜索方法（Ogunsanya等人，2023年）。2.6.4. LITE-RNN预测模型过程基于LITE-RNN，生产预测过程分为六个步骤：1- 收集和分类实际堆肥过程中产生的数据。2- 使用LITE扩展数据。3- 将扩展的数据分为训练集和测试集，以便使用RNN训练和测试生产预测模型。4- 评估模型指标：平均绝对误差（MAE）是预期值与实际值之间平均差值的平均值，通常被认为是神经网络模型中的损失函数（公式（6）。除了MAE之外，还使用了其他关键性能指标，包括决定系数R2（公式（7）、均方误差（MSE）（公式（8）和均方根误差（RMSE）（公式（9））。这些指标基于广泛的评估给出了模型的预测准确性，其中MSE和RMSE对较大误差的惩罚更为严厉，而R2表示模型解释数据方差的能力。（6）MAE = ∑i=1^n ypredict(i) - ytrue(i) / n（7）R2 = 1 - ∑i=1^n (ypredict(i) - ytrue(i))^2 / ∑i=1^n (ytrue(i) - ytrue(i)?)^2（8）MSE = 1/n ∑i=1^n (ypredict(i) - ytrue(i))^2（9）RMSE = ∑i=1^n (ypredict(i) - ytrue(i))^2 / n其中：n表示数据点数，ypredict是预期值，ytrue是实际值。5- 训练和测试集合用于模型的训练和验证。在具体的堆肥过程预测中，在过程的前24小时内收集C/N数据，并输入训练有素的预测模型以估计生产率。6- 堆肥过程能力分析和优化。此外，还预测了在当前研究条件下获得成熟产品（C/N ～15）所需的时间。为了检验使用LITE扩展数据的有效性，进行了方差、插值原始数据的均值和F检验统计量（Fa）的评估。这种方法有助于评估两个数据集之间的变异性，从而提供对插值过程一致性的洞察。3. 结果和讨论3.1. 温度、湿度、有机物和C/N比率为了缩短堆肥过程，借鉴了经典好氧风堆肥的智能过程，其中在中温阶段，温度约为40°C，然后升高超过55°C。在最初的12小时内（温度设定为45°C），M2中的记录温度相对较高，反映了更好的微生物生长，可能是因为可生物降解的营养物质丰富（Meng等人，2019年）（图3A）。之后，M2堆肥中的温度升高，直到19小时，证实了高率的营养物质代谢（Hachicha等人，2008b）（图3A）。温度的升高旨在通过刺激微生物活动来加速有机物的降解（Oudart，2013年），并确保堆肥中不含杂草种子和病原体（Abid等人，2020年，Wang等人，2017年）。M1和M2混合物的温度差异可能归因于两种混合物的湿度率不同，M1的湿度率为49%，而M2的湿度率几乎是前者的一半：25%（图3B）。在过程的前12小时内，使用了OMW来湿润堆肥混合物，并将湿度率设定在40%到60%之间（Abaker等人，2025b，Abid等人，2020年，Sellami等人，2008年）。下载：下载高分辨率图片（290KB）下载：下载全尺寸图片图3. 智能堆肥24小时内的物理化学参数：（A）温度，（B）湿度，（C）有机物（OM）和（D）C/N比率。由受控的温度和湿度提供的相对强烈的微生物活动导致M1和M2在24小时内有机物显著降解，OM的生物降解率分别为21%和15%。在传统堆肥中，这种减少需要在至少200天后才能实现（图3C）（Hachicha等人，2009年）。在堆肥过程中，OM的降解遵循一级动力学方程（Hachicha等人，2008b）。C/N比率的变化通常用作堆肥成熟度的关键指标，主要是由于微生物活动，因为微生物在堆肥过程中消耗碳和氮来产生能量并支持其生长（Meng等人，2019年）。值得注意的是，C/N比率从原始OMW的高值调整到堆肥混合物的值并不是由于快速降解，而是由于配方步骤，在此过程中加入了富含氮的基质，如禽粪，以纠正橄榄厂副产品的营养不平衡。这种共堆肥策略被广泛认为是必要的，以将C/N比率调整到有效堆肥的最佳范围（Hachicha等人，2008a，Podgornik等人，2022年）。在本研究中，特别是在过程初期观察到的相对较高的C/N值可以归因于初始混合物的组成，其中包括用过的橄榄厂饼和橄榄厂废水（OMW）用于保湿。这些橄榄厂副产品富含有机物，特别是碳化合物，但易利用的氮含量相对较低。因此，在添加OMW后观察到C/N比率略有增加（Hachicha等人，2008b）。此外，过程中氨的显著挥发导致的氮损失也会对此有所贡献（Chan等人，2016年，Meng等人，2019年）。比较两种混合物时，可以得出结论，M1中的C/N比率降低速度更快，这可以由相对较高的初始C/N比率解释（图3D）。随后，随着OM的降解，24小时内的C/N比率显著下降，分别为37%和29%（图3D），考虑到时间因素，这与传统堆肥过程相比是相当快的。实际上，达到与传统过程相当的结果可能需要超过70天（Hachicha等人，2009年，Meng等人，2019年，Sellami等人，2008年）。3.2. 植物毒性：发芽测试在堆肥中，有机物降解应完全完成，以防止种子发芽受抑制（Luo等人，2018年）。对五种种子进行了堆肥效果的测试：番茄（Solanum lycopersicum L.）、葫芦巴（Trigonella foenum-graecum L.）、芝麻菜（Lepidium sativum L.）、高粱（Sorghum bicolor L.）和玉米（Zea mays L.）。这些发现表明，不同种子品种在暴露于M1和M2堆肥提取物后的GI变化范围分别为66%到206%和29%到122%。对于M1，芝麻菜种子的GI最高，达到205%，而番茄种子的GI最低，为66%（图4）。所有测试种子的提取物稀释比例为25%。在M1堆肥提取物上，芝麻菜的发芽最好；这些芝麻菜和玉米种子没有表现出任何植物毒性效应，而这种堆肥提取物在10%的稀释度下对葫芦巴种子的发芽有植物毒性效应。然而，番茄种子对提取物稀释度最敏感，在10%和100%的稀释度下都表现出植物毒性。对于M2提取物，芝麻菜种子的GI最低，为8.5%，而葫芦巴种子的GI最高，为121%。所有实验稀释度下，芝麻菜都表现出植物毒性。番茄在M1上的GI（x 1.7）优于M2提取物。此外，未稀释的M2提取物对所有研究种子的发芽都有植物毒性效应。下载：下载高分辨率图片（331KB）下载：下载全尺寸图片图4. 暴露于不同浓度的M1堆肥（a）和M2堆肥（b）提取物的番茄、葫芦巴、芝麻菜、高粱和玉米种子的发芽指数。相同堆肥的不同小写字母表示p > 0.05时的显著差异。从M1提取物的最高GI值可以推断出，后者对不同类型的种子没有抑制作用。相反，M2具有非常显著的抑制作用，尤其是在番茄和芝麻菜种子上，这些种子被认为是最敏感的种子（Aslam等人，2008年，Ofoe等人，2022年）。多种因素可能影响种子发芽过程，如温度、湿度、光照强度，以及某些化学化合物（如植物激素和有机酸）的存在（Gorai等人，2011年）。先前的研究表明，堆肥提取物中微量腐殖酸或其他微生物代谢物的存在可能导致种子发芽百分比和幼苗生长的增加，例如赤霉素（GA4）。这对Pak choi种子的种子发芽和根系生长有激素效应（Ge等人，2020年，Xiao等人，2022年）。3.3.针对尖孢镰刀菌的生物防治
为了对抗植物疾病，采用了两种方法：一种是直接控制，即依赖化学产品（如杀菌剂和杀虫剂）进行化学处理；另一种是间接或生物控制，其目标是使用有机产品以环保的方式对抗有害昆虫和病原体（Yatoo等人，2021年）。一些具有生物活性的纯物质已被证明对尖孢镰刀菌有有效的抑制作用，例如L-薄荷酮、S-香芹酮、干树脂素和壳聚糖、百里香酚（Al-Mughrabi等人，2013年；Liu等人，2022b年；Ren等人，2021年）。此外，生物提取物也能抑制尖孢镰刀菌的生长，例如从植物或微生物中获得的精油（Al-Mughrabi等人，2013年；Palfi等人，2019年；Remadi Mejda等人，2017年）。在本研究中，使用了两种模型M1和M2产生的堆肥来抑制尖孢镰刀菌的生长，并对其抑制效果进行了调查；图5（对照组）显示了在正常条件下6天后的生长情况。所研究的三种提取物（E1、E2和E3，分别来自M1和M2）的目的是确定有效的稀释和制备条件以抑制这种植物病原菌。结果表明，在无菌环境下通过真空过滤得到的培养基活性相对较弱。对于E1/M1，真菌圆盘没有生长；而E1/M2在最初的2天内直径仅增长了1毫米，之后保持该状态。因此，两种实验培养基的抑制效果均非常理想（图5a、图5b和图5g）。当将真菌接种到过滤并灭菌的E2/M1和E2/M2培养基上时，两者均观察到真菌生长，但E2/M1培养基上的生长速度较慢（如图5c、图5d和图5g所示）。最后，对于高压灭菌的E3/M1和E3/M2培养基，真菌生长非常显著，E3/M2培养基上的生长明显优于M1（图5e、图5f和图5g）。综合所有实验条件可以得出结论，当堆肥提取物在未经热处理的情况下通过真空过滤时，20%的稀释比例适合抑制真菌，这表明了微生物群落的贡献。这些结果与Ou-Zine等人（2020年）的研究结果一致，他们使用枣椰子堆肥提取物对抗尖孢镰刀菌（Ou-Zine等人，2020年）。

**下载：**下载高分辨率图片（341KB）
**下载：**下载完整尺寸图片

**图5.** 尖孢镰刀菌圆盘放置在不同的培养基中，分别在无菌培养基上培养6天后的生长情况：对照组、添加了堆肥提取物（M1和M2）。
- M1：由49%的有机废弃物（OMW）、19.5%的橄榄榨油厂废渣（EOC）、15.5%的家禽粪便（PM）和16%的绿色废弃物（GW）组成的混合物。
- M2：包含相同比例的废弃物（各25%）。
- 对照组、E1/M1（a）、E1/M2（b）、E2/M1（c）、E2/M2（d）、E3/M1（e）和E3/M2（f），以及真菌圆盘的生长情况。

因此，我们可以推断这两种堆肥M1和M2对尖孢镰刀菌具有有效的抑制作用，其中M1的效果更为显著。这些结果表明，两种堆肥的矿物组成有助于抑制这种真菌，但完美的抑制效果归功于两种产品的微生物活性（Coelho等人，2021年）。

**3.4. 数据插值验证和预测结果分析**
**3.4.1. 分析数据插值**
M1和M2堆肥的C/N数据集的均值、方差及Fa线性插值分别为0.954和0.720，证实M1的方差较为接近（初始值：33.6875，插值后：32.1379），而M2的方差更低（初始值：37.06，插值后：31.03）。对于M1，插值后的数据分散度与原始数据基本相同。因此，C/N比值在LITE处理后没有显著变化（图6：M1/A和M2/A），表明相同的数据点大致集中在同一区域，说明LITE方法扩展后的数据与原始数据没有显著差异。这证实了基于C/N参数的堆肥预测方法是合理的。

**图6.** 扩展前后的插值数据分析（M1/A和M2/A），以及预测值与LITE-RNN模型的拟合结果（M1/B和M2/B）。

**3.4.2. 模型指标性能比较**
本研究比较了包括CNN、长短期记忆网络（LSTM）和门控循环单元（GRU）在内的各种模型的性能指标R2、MAE、MSE和RMSE（见表2）。结果表明，在设定条件下，RNN模型最能准确再现M1堆肥过程中的C/N变化。

**表2.** 四种模型对于M1和M2堆肥的C/N比值的性能指标。

**M1** | **M2**
--- | ---
LSTM | 0.56 | 0.40 | 3.72 | 0.49 | 1.93 | 0.71 | 0.55
CNN | 0.72 | 0.52 | 2.35 | 0.39 | 1.35 | 0.62 | 1.53
GRU | 0.92 | 0.59 | 0.68 | 0.33 | 0.83 | 0.58 | 0.66
RNN | 0.96 | 0.48 | 0.38 | 0.43 | 0.61 | 0.55

在堆肥过程的前24小时内收集的数据被扩展、训练并用于预测。选定的LITE-RNN模型优化器是Adamax，其性能最佳。通过网格搜索调优，获得了最佳R2结果（接近1），参数设置为3个时间步长、50个周期、32个批量大小。图6（M1/B）展示了每个变量的预测结果及训练过程中的损失情况，实际值与预测值紧密吻合，表明模型对M1数据的拟合度很高。相比之下，M2数据的模型拟合效果较差（R2为0.48），模型无效。三种模型（门控循环单元GRU、CNN和LSTM）的R2值较低（0.4–0.59），这可能是由于扩展数据库的自然特性导致波动较大，影响了预测模型的准确性。因此，使用先前的好氧风堆肥结果来确定合适的初始废弃物组成是合理的（Fouguira等人，2023a）。

**3.4.3. 模型训练预测过程损失**
各模型的训练预测过程损失结果显示，RNN模型在C/N比值预测方面表现最佳（R2 = 0.96），能够解释几乎所有数据变化。此外，RNN的误差指标（MSE、RMSE、MAE）最低，说明其预测精度较高。GRU模型表现也较好，但略逊于RNN；LSTM的预测精度较低。总之，RNN模型在预测C/N比值方面最为可靠，用于预测达到所需C/N比值所需的时间，调节至15，经过44小时处理后达到这一目标（约2天）。

**4. 结论**
本研究的目的是通过使用专门的“堆肥装置”来加速堆肥过程，该装置可调节堆肥废物的物理化学参数，并通过测试我们先前研究中得到的模型来验证其运行效率。该模型包含49%的橄榄榨油厂废水（OMW）、19.5%的橄榄榨油厂废渣（EOC）、15.5%的家禽粪便（PM）和16%的绿色废弃物（GW）。混合物M1的物理化学参数演变速度比等量基质的混合物M2更快，尤其是有机物的降解和C/N比值的演变，这些都是衡量堆肥成熟度的关键参数。此外，M1对用于发芽测试的不同种子没有抑制作用，而M2对番茄和芝麻菜种子有显著抑制效果。在对抗尖孢镰刀菌方面，体外实验表明提取物E1具有最强的抑制作用，能够保留生物活性化合物并限制微生物干扰；同时，M1对该真菌的抑制效果也优于M2。最后，在过程中前24小时获得的物理化学参数数据用于LITE-RNN预测模型，以预测C/N比值达到标准化值15所需的时间；根据预测模型结果，这一时间约为44小时。未来的研究将扩展到加速生物氧化阶段之后，进行全面的微生物评估，并评估最终堆肥产品的卫生合规性。这些分析将验证在提议的操作条件下病原体的存在情况。此外，堆肥装置的进一步开发将包括集成额外的传感技术、基于图像的方法来评估堆肥成熟度，以及验证预测结果。

**作者声明**
Soukaina Fouguira：构思和设计实验、方法论、进行实验、软件开发；数据分析与解释、数据分析工具与数据处理；撰写初稿。
Emna Loukil：数据分析与解释、验证、可视化、撰写与编辑。
Mohamed Ali Triki：概念设计、资源管理、数据管理、监督、可视化。
Mounia El Haji：概念设计、资源管理、数据分析和解释、监督、数据分析；撰写与编辑。
Jamal Benhra：构思和设计实验、软件开发、方法论、数据管理、可视化。
Emna Ammar：构思和设计实验、数据分析与解释、资源管理、数据分析、验证、监督、撰写与编辑。

**CRediT作者贡献声明**
Mounia El Haji：监督、数据分析、概念设计。
Emna Loukil：撰写与编辑、可视化、监督、数据分析。
Triki Mohamed：可视化、监督、资源管理、数据管理、概念设计。
Fouguira Soukaina：撰写与编辑、撰写初稿、软件开发、方法论、实验设计、数据分析与解释、数据管理、概念设计。
Emna Ammar：撰写与编辑、验证、监督、资源管理、方法论、数据分析、概念设计。