全球每年人均食物废弃物（FW）产生量约为74公斤（Zhang等人，2020年），预计到2025年亚洲地区的FW产量将达到41.6亿吨（Jin等人，2021年）。到2050年，分类后的FW总量预计将激增至1.09亿吨（Shapiro-Bengtsen等人，2020年），这给环境管理带来了巨大挑战。目前的处理方法主要依赖于填埋和焚烧，但这些方法会产生大量的温室气体（GHG）排放（Ng等人，2020年）。厌氧消化因能回收沼气并降低净GHG排放而得到广泛应用，通常在市政污水处理厂进行集中共消化（Cerda等人，2018年；Lin等人，2018年）。然而，所需的收集/运输物流以及复杂的操作和维护会增加成本并延长周转时间，而且厌氧消化产生的废水可能还会导致酸化和富营养化问题（Chew等人，2021年）。
相比之下，堆肥是发展中国家处理FW的有效途径，具有成本效益和较低的生态足迹（Jamwal等人，2024年）。作为一种分散式处理方式，堆肥非常适合城市级别的FW处理，在中国试点城市的处理方式中占比约为12.2%（Fang等人，2023年；Tang等人，2024年）。中国不断推进的“零废物城市”倡议进一步支持了低碳、分散式FW利用路径，如堆肥（Qi等人，2024年）。这种方法与中国“双减”政策目标一致，该政策要求减少化学肥料和农药的使用（Han等人，2024年）。实际上，用标准化堆肥部分替代矿物肥料可以减少对合成投入的依赖，同时将FW转化为可用资源，从而支持政策目标（Nordahl等人，2023年；Shuqin和Fang，2018年）。在实际应用中，来自市政分离废弃物的堆肥主要用于受控场景（城市绿化、景观美化、土壤改良）（Onwosi，2017年；O'Connor等人，2024年）。
作为FW利用的关键方法，提高堆肥效率、降低能耗和改善产品质量对中国环境可持续性至关重要（Mian等人，2017年）。在堆肥过程中，微生物通过生化反应将复杂有机物降解为稳定的腐殖质，并释放CO₂，这构成了生物碳循环，与化石燃料产生的排放不同（Aytenew和Bore，2020年；I.P.C.C.，2019年）。然而，FW的盐分会导致渗透压，抑制微生物活性并减缓分解过程，最终影响堆肥成熟度和产品质量（Kucbel等人，2019年；Bernal等人，2009年；Hargreaves等人，2008年）。这些限制凸显了需要对堆肥环境进行预测性和闭环多变量控制的必要性（Li等人，2020年）。
然而，在实践中，现有系统主要依赖于经验性或基础的控制模型（Arora等人，2018年）。人为干预会降低过程的可重复性并引入大量操作误差，阻碍大规模标准化（Formenti等人，2014年）。尽管现代反应器能够实现基本监控和干预，但其简单的控制逻辑无法基于实时数据分析进行预测性调整，且数据处理需要大量人力和时间（Elalami等人，2019年；Mishra和Yadav，2021年）。此外，高昂的能源成本和低生态效率限制了其实用性（Das等人，2019年）。
智能反馈决策系统在提高效率、经济效益和环境安全性方面具有巨大潜力（Aydın Temel等人，2023年）。通过集成传感器（温度、氧气）、电机械控制和深度学习，这些系统可以动态优化嗜热、中温和冷却阶段的微环境参数。这种精确性稳定了过程动力学，提高了产品质量，并减少了资源浪费（Zhao等人，2021年）。例如，Kabak等人利用级联前馈神经网络预测氮损失，展示了大数据在提高堆肥质量和产量中的作用（Kabak等人，2022年）。
然而，将预测分析与可执行的闭环控制相结合仍然有限。主要挑战包括在保持支持持续代谢活动的微生物栖息地的同时，整合实时预测与反馈调节，以及实现高效的腐殖质形成和高肥料效率。
最近的综述指出，大多数机器学习应用仅停留在离线预测/优化阶段，很少应用于实时控制循环（Aydın Temel等人，2023年）。例如，Soto-Paz等人使用人工神经网络（ANN）和粒子群优化（PSO）算法优化了混合堆肥过程和产品质量，但优化过程需要大量数据支持且未实施在线反馈控制，从而增加了部署成本（Soto-Paz等人，2020年）。Wan等人使用随机森林（RF）、极端梯度提升（XGBoost）、轻量级梯度提升器（LightGBM）和多层感知器（MLP）模型预测堆肥产品的种子发芽指数（GI）和碳氮比（C/N），但这些预测模型并未与智能反馈控制相结合（Wan等人，2022年）。最近的研究基于过程信号进行了控制改进：氧气吸收（呼吸）指数被用作实时控制信号，小规模最佳通气协调了温度制度；这些步骤开始连接预测和控制，但仍缺乏将短期预测（前馈）与多变量反馈相结合的集成框架（Puyuelo等人，2010年；Aydın Temel等人，2023年；Lai等人，2024年）。因此，设计和实现稳定可靠的智能堆肥反馈-决策系统和方法是未来研究的重点（Wang等人，2024年）。
基于此，本研究提出了一种耦合调节方法，该方法通过预测关键参数来优化过程机制（图1）。所提出的框架将时间序列神经网络预测嵌入控制循环，并将基于神经网络的FW堆肥策略与基于阈值的调节方法进行比较，不仅在控制准确性方面，还在塑造堆肥微环境和微生物活性方面。目标是验证一种智能控制方法，该方法能够改进关键参数的调节，增强微生物降解能力，并在保持产品质量的同时缩短堆肥周期。
本研究在堆肥过程和机制方面的主要内容和创新点包括：
- (1)
开发了一种智能FW堆肥控制系统，该系统集成了高精度传感器-电气平台和基于LSTNet的控制策略。通过实时预测和自动调节堆温（PT）、体积氧气浓度（BOC）及相关变量，系统主动调节堆肥微环境，引导微生物过程达到预期结果。(2) 从控制准确性、响应速度、过程性能和试点规模技术经济性方面比较PID-BCS和LSTNet-BCS，以评估预测性多变量控制相对于传统基于温度的基准的工程适用性和成本效益。(3) 通过联合研究堆肥的物理化学指标和嗜热阶段的微生物群落动态，分析智能控制对堆肥的影响。这将控制策略与微生物生态系统响应和最终产品质量联系起来，明确了FW堆肥控制的适用场景和优化方向。
