人工神经网络与决策树在优化工业规模可生物降解废物堆肥中的应用以支持可持续废物管理

《Sustainability》：Application of Artificial Neural Networks and Decision Trees for Optimizing Industrial-Scale Composting of Biodegradable Waste to Support Sustainable Waste Management

　　

可生物降解废物的可持续管理是循环经济与资源回收策略的关键组成部分。堆肥是一个复杂的生物过程，其效率取决于众多操作和物理化学因素。在工业条件下，对废物性质的连续实验室监测常受时间和成本限制，因此需要可靠的预测工具来支持过程管理。本研究探讨了人工神经网络（ANN）、决策树（C&RT）和主成分分析（PCA）在工业规模条件下优化可生物降解废物堆肥中的应用。研究在波兰一座全规模机械-生物处理设施中进行，该设施处理来自混合城市废物的机械分选有机组分以及单独收集的生物废物。研究人员基于操作参数（气流、加水、翻堆频率、过程时长）和堆肥废物的物理化学性质（包括含水率（MC）、烧失量（LOI）、总有机碳（TOC）、呼吸活性（AT₄）和高发热量（HHV））构建了一个包含23条记录的数据集。最优神经网络模型在测试集上的预测精度达到0.999（决定系数R²）。对于每个神经网络，还确定了拟合优度指标：平均绝对误差（MAE）和均方根误差（RMSE）。主成分分析证实了关键废物性质之间的强相关性，而决策树分析将气流识别为影响MC、LOI和TOC的主要操作因素，翻堆频率对AT₄影响最大。结果表明，机器学习工具可通过预测达到所需废物稳定化特性所需的操作参数，有效支持工业堆肥优化，为堆肥厂操作人员提供实用的决策支持解决方案。建议实施单输出多层感知器（MLP）模型用于动态实时过程控制，并将C&RT规则作为应急程序。本研究通过展示人工智能增强可持续可生物降解废物管理、资源回收和工业堆肥性能的潜力，与循环经济原则和可持续发展目标相一致。

**论文解读：人工神经网络与决策树优化工业规模可生物降解废物堆肥**

**1. 研究背景与问题**

可生物降解废物的堆肥化是循环经济与资源回收的重要环节，但工业规模堆肥过程受多种操作参数（如气流、加水、翻堆频率）和废物理化性质（如含水率、有机质含量、呼吸活性）的复杂交互影响。传统监测依赖周期性实验室分析，耗时且成本高昂，导致操作人员无法实时获取关键参数，进而难以动态调整过程。现有研究多集中于小规模试验，缺乏面向工业全规模设施的集成化预测与优化工具。因此，开发能够基于易获取的操作参数预测废物稳定化特性的机器学习模型，对于提升堆肥效率、降低能耗和实现可持续废物管理具有重要实践价值。本研究发表于《Sustainability》。

**2. 研究方法**

研究人员在波兰一座运行中的机械-生物处理设施（处理混合城市固体废物与单独收集的生物废物）开展实验，采集了23个实验变体的操作参数（时间、气流、加水、翻堆频率）和废物性质（含水率（MC）、烧失量（LOI）、总有机碳（TOC）、呼吸活性（AT₄）、高发热量（HHV））数据。关键技术方法包括：（1）人工神经网络（ANN），构建多层感知器（MLP）和径向基函数（RBF）网络，通过数据归一化、随机划分训练集（15条）、测试集（4条）和验证集（4条）进行监督学习，采用单输出和多输出架构；（2）分类与回归树（C&RT）算法，生成回归树以识别影响各废物性质的关键操作参数；（3）主成分分析（PCA），基于相关性矩阵降维并可视化变量间关系。所有模型在Statistica 13.3软件中实现，样本来源明确为波兰南部某工业设施。

**3. 研究结果**

**3.1 ANNs for Waste Composting Optimization**
研究人员构建了五种神经网络：ANN_1（多输出：气流、加水、翻堆）、ANN_2（单输出：气流）、ANN_3（单输出：加水）、ANN_4（单输出：翻堆）、ANN_5（单输出：过程时间）。单输出网络（ANN_2~ANN_5）在测试集和验证集上的决定系数R²显著高于多输出网络，其中ANN_5（预测时间）表现最优，R²接近1.0，且均方根误差（RMSE）和平均绝对误差（MAE）最低。四个单输出网络采用MLP架构，仅ANN_3为RBF网络。敏感性分析表明，对ANN_2最显著的变量为加水（误差比15.27）、AT₄（7.50）和LOI（7.41）；对ANN_5最显著为加水（2.02）、翻堆（1.13）和AT₄（1.07）。预测新数据时，所有模型均输出合理范围内的操作参数值。

**3.2 PCA Analyses**
PCA提取前两个主成分（PC1和PC2）累计解释62.74%的方差。PC1上，TOC、LOI、HHV方向一致，与MC、AT₄方向相反，显示有机质参数与水分-生物活性组之间存在负相关。TOC、LOI、MC和AT₄的向量较长，表明它们对变异性贡献最大。PCA作为探索性工具，确认了变量间的关联结构，但未用于评估ANN预测性能。

**3.3 Decision Tree Analysis (C&RT)**
C&RT回归树分析显示：
- 对于MC，气流是首要分裂变量，加水为次要因素；低到中等气流对应较高MC，高气流对应较低MC。
- 对于LOI和TOC，气流均为首要分裂变量，最高LOI/TOC值出现在最高气流条件下；加水在LOI模型中作用次要，在TOC模型中作为次级分裂变量。
- 对于AT₄，翻堆频率是首要分裂变量，低翻堆频率对应高AT₄；气流仅出现在树的下层，表明对生物活性的影响次要。
- 对于HHV，加水是首要分裂变量，高加水阈值对应较低HHV；翻堆和气流进一步细分。
总体而言，气流是影响MC、LOI、TOC的最主要操作参数，翻堆频率控制AT₄，加水主导HHV。

**3.4 Discussion**
讨论指出，ANN在精确映射非线性多维关系上优于传统统计方法和决策树，但存在“黑箱”局限，而决策树提供透明规则。PCA用于降维，但不具备预测能力。将ANN与物联网传感器、数字孪生技术结合可实现闭环控制，提升能效和排放控制。本研究的关键局限包括数据集规模较小（23条记录）、数据归一化要求操作人员具备专业知识。

**3.5 Recommendations**
建议实施单输出MLP模型（如ANN_5用于预测过程结束时间、ANN_2和ANN_3用于优化气流和加水）进行动态实时控制；将C&RT规则制作成流程图作为应急操作指令。未来方向包括扩大数据集至全年样本、将神经网络集成到SCADA系统、增加废气成分传感器等输入变量。

**4. 结论**

本研究在工业条件下于运行中的城市固体废物和生物废物堆肥厂进行实验，结果作为机器学习工具（人工神经网络和决策树）的数据集。对废物性质的主成分分析证实了分析的有效性及变量间的相关性。研究人员构建了五种人工神经网络，并选出最高质量模型，用于根据后处理物料的目标参数预测堆肥厂的操作参数。借助人工神经网络，操作人员可最优调整操作参数以达到期望的废物目标性质。结果表明，具有单输出层（分别预测气流、加水、翻堆时间、过程时长）的网络大多表现出显著高于多输出网络的R2系数。R2最高的神经网络也拥有最低的MAE和RMSE值。五个神经模型中有四个采用MLP架构，仅一个为RBF架构，因此多层感知器似乎比径向基网络更适合此类问题。决策树的使用使得研究人员能够识别哪些参数（包括操作人员可修改的操作参数）在何种范围内影响废物的关键物理化学性质（MC、LOI、TOC、AT₄和HHV）。经过人员培训，开发出的工具可被操作人员用于日常工作中优化堆肥和生物稳定化过程。参数调整可导致堆肥时间缩短或无需实验室分析即可达到期望的废物性质。无论如何，若进行更多废物分析并扩展现有数据库，将有可能构建新的神经网络和决策树。更大的数据集应能开发出预测能力和实用价值更优的工具。在可能的情况下，操作人员应定期用独立经验测量值验证神经网络的预测值，以确认模型的有效性和输入数据的准确性；否则，不能排除设置错误操作参数或获得非预期堆肥性质的风险。数据归一化可能是堆肥厂操作人员实际使用机器学习工具的一个限制。本研究通过提升工业堆肥过程的效率、可预测性和操作控制，为可持续废物管理做出贡献。所开发的机器学习模型通过更高效处理可生物降解废物、支持数据驱动的过程优化以及促进生产具有期望质量的稳定堆肥，支撑了资源回收和循环经济策略。这些决策支持工具有望增强工业堆肥系统的环境与操作可持续性，同时促进可生物降解废物的更高效增值。