《Bioresource Technology Reports》：Airflow optimization via artificial intelligence methods for in-vessel composting processes
编辑推荐：
摘要堆肥是一种生物回收过程，它将有机废物转化为一种称为堆肥的宝贵土壤资源，减少环境影响，并支持可持续废物管理系统。向微生物输送氧气以支持其降解有机物的能力对于该过程至关重要，也是决定其整体效率的关键。在本研究中，一个由 30 升反应器组成的实验装置，模拟了工业罐式反应器，配备
摘要
堆肥是一种生物回收过程，它将有机废物转化为一种称为堆肥的宝贵土壤资源，减少环境影响，并支持可持续废物管理系统。向微生物输送氧气以支持其降解有机物的能力对于该过程至关重要，也是决定其整体效率的关键。在本研究中，一个由 30 升反应器组成的实验装置，模拟了工业罐式反应器，配备了用于测量排气 CO2 浓度、核心温度和进气流量的传感器。这些传感器收集的数据用于实时校正气流量，确保 CO2 浓度和温度在预期范围内。通过应用人工智能（AI）技术（如机器学习（ML））于几次实验活动收集的数据，基于线性模型和非线性模型计算了优化的进气流量，并与实验值进行了比较。具体比较了带外生输入的非线性自回归网络（NARX）和优化算法、带外生输入的综合移动平均（IMAXexo）、带外生输入的自回归网络（ARX）以及岭回归器。结果表明，基于 NARX 模型的 AI 技术能有效预测需施加的气流量，R2值为 0.98，这是基于预测的 CO2 浓度（R2值为 0.97）得出的。本研究为未来 AI 控制的实时过程奠定了基础，旨在最大化罐式堆肥的效率并最小化成本。
章节片段
实验数据收集
为了训练和验证机器学习模型，使用了在 ENEA Casaccia 实验室进行的一系列实验测试监测的数据。有机基质、持续时间以及每次测试的特征总结在表 S1 中。
在实验室中对从修剪枝叶（例如，原始仙人掌肉质茎（Opuntia ficus-indica ((L.) Mill.)）到不适合供应给 ENEA Casaccia 研究中心食堂员工的果蔬残渣等原料进行了堆肥。
堆肥实验
所有实验都表现出典型的堆肥温度演变，包括快速的初始增加、嗜热峰值和逐渐冷却阶段，尽管在强度和时机上存在显著差异。大多数反应器（FW1, FW1B, FW2A）显示从环境条件（~15–20°C）到 50°C 以上的嗜热值在最初 2–3 天内急剧上升，表明强烈的微生物活性和易生物降解底物的快速降解。其他运行（GW2, FW1A, FW2B）达到了
结论
首次证明了机器学习技术在优化堆肥过程中气流量中的应用。
NARX 网络有效预测了未见过的实验七的 CO2 数据，而优化器有效地确定了最佳的进气流量以达到目标 CO2 值，进气流量和目标 CO2 值的 R2值分别为 0.98 和 0.97。
一旦通过训练确定了 NARX 网络模型（这可以离线完成），该
CRediT 作者贡献声明
Domenico Palumbo: 写作 – 审查和编辑，写作 – 原稿，软件，方法论，形式分析。 Paolo Roberto Di Palma: 写作 – 审查和编辑，写作 – 原稿，软件，方法论，数据整理。 Marco Tammaro: 写作 – 审查和编辑，监督。 Giulio Gazzola: 写作 – 审查和编辑，写作 – 原稿，方法论，概念化。
利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系可能影响本报告工作中所述工作的影响。
Domenico Palumbo|Paolo Roberto Di Palma|Marco Tammaro|Giulio Gazzola
废物和二次原材料技术实验室，循环经济司，可持续发展部，意大利罗马 ENEA Casaccia，Via Anguillarese 301, 00123
