CN115343421A - 一种基于智能算法的堆肥腐熟度提升方法 - Google Patents
一种基于智能算法的堆肥腐熟度提升方法 Download PDFInfo
- Publication number
- CN115343421A CN115343421A CN202210943118.2A CN202210943118A CN115343421A CN 115343421 A CN115343421 A CN 115343421A CN 202210943118 A CN202210943118 A CN 202210943118A CN 115343421 A CN115343421 A CN 115343421A
- Authority
- CN
- China
- Prior art keywords
- composting
- index
- compost maturity
- data
- compost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 239000002361 compost Substances 0.000 title claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000009264 composting Methods 0.000 claims abstract description 159
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000007637 random forest analysis Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000000126 substance Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 15
- 239000010806 kitchen waste Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 claims description 9
- 230000033228 biological regulation Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000035784 germination Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000010792 warming Methods 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 239000010813 municipal solid waste Substances 0.000 abstract description 5
- 230000001276 controlling effect Effects 0.000 abstract description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910052799 carbon Inorganic materials 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/40—Bio-organic fraction processing; Production of fertilisers from the organic fraction of waste or refuse
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Fertilizers (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于智能算法的堆肥腐熟度提升方法。本发明的步骤如下：首先，以厨余垃圾堆肥为例，获取其堆肥过程中的基本理化数据并进行预处理；然后，利用机器学习模型对数据集进行训练，以所收集的理化指标作为输入，以腐熟情况作为输出，通过监督学习得到堆肥腐熟度预测模型；最后，将上述模型作为框架，利用随机森林重要性分析手段得到关键理化参数，在不同阶段调控堆肥体系。本发明基于智能算法，从大数据角度模拟堆肥参数与腐熟度之间的关系，从而通过调控主要工艺参数优化堆肥系统以提高其腐熟度，方法具有普适性，结论具有准确性，且所述方法可推广至不同类型堆肥乃至其他相关领域。
Description
技术领域
本发明属于堆肥技术领域，特别是涉及到堆体腐熟度的调控技术。
背景技术
随着经济的发展和城市化水平的快速推进，城镇厨余垃圾年产生量不断增长，推进有机固废的减量化、资源化和无害化迫在眉睫。在众多处理处置方法中，好氧堆肥技术是颇具前景的处理技术。该技术是指在好氧条件下，通过微生物作用，对厨余垃圾中的有机物进行分解，最终形成稳定的、富含腐殖质的生物质有机肥。其操作简单成本低，不仅实现了废弃物的资源化利用，也是达成碳减排的重要途径。
这种生物肥料的可利用性取决于其是否达到成熟水平，高的成熟度则意味着良好的肥料品质。堆肥过程中工艺的改变、物质成分的变化都会影响肥料的成熟度，若能综合分析这些参数对堆体成熟度的影响将有利于对体系进行优化。原有的基于实验研究不同指标变化对最后腐熟情况的影响在一定程度上能为实际堆肥工艺提供参考，但成本较高，过程繁琐，且由于物料的差异，结果也难具有普遍适用性，而近年来如机器学习，Meta分析等数据分析手段的兴起在很多领域的研究得到了较好的应用。
因而有必要尝试基于机器学习、大数据分析的方法对堆肥腐熟情况进行系统分析，以期得到准确，系统性结论。但是，如何将机器学习和大数据分析应用于堆肥腐熟度提升中，是目前亟待解决的技术问题。
发明内容
基于此，本发明针对背景技术中存在的问题，以厨余垃圾堆肥为例，提出一种基于智能算法的堆肥腐熟度提升方法，针对厨余垃圾为主的堆肥体系，本发明给出了具体的调控参数，此外若有其他类型堆肥数据，也可以按照本发明给出的流程分析最优参数。具体思路是先将工艺参数与堆肥腐熟度建立智能预测模型，在模型框架上进行随机森林重要性分析，确定高的腐熟度所对应的最优参数，从而可在堆肥过程中进行调控。
本发明具体采用的技术方案如下：
一种基于智能算法的堆肥腐熟度提升方法，其步骤如下：
S1、获取目标堆肥工艺下不同待优化堆肥阶段经过预处理后的理化指标和堆肥腐熟度指标数据，并将其构建为一系列训练样本，将所有训练样本按照堆肥阶段进行划分，每个待优化的堆肥阶段得到一个数据集；
S2、针对每个待优化的堆肥阶段，分别利用该堆肥阶段对应的数据集对随机森林模型进行训练，所述随机森林模型以所述理化指标作为输入，以所述堆肥腐熟度指标作为输出，通过监督学习得到训练完毕的随机森林模型作为对应堆肥阶段的堆肥腐熟度预测模型；
S3、针对目标堆肥工艺不同的待优化堆肥阶段，分别基于各堆肥阶段对应的所述堆肥腐熟度预测模型进行随机森林变量重要性分析，确定不同堆肥阶段各自的关键理化指标，用于作为实际堆肥过程中各堆肥阶段参数的调控依据。
作为优选，所述理化指标和堆肥腐熟度指标数据均通过采集文献报道数据进行获取，采集的数据需进行包括归一化、标准化和异常值去除在内的预处理。
作为优选，所述S1中，获取的所有理化指标数据需要通过皮尔森相关性分析进行共线性检验，对存在共线性的理化指标进行择一保留处理，再利用经过共线性检验的理化指标和堆肥腐熟度指标数据构建训练样本。
作为优选，所述目标堆肥工艺为厨余垃圾好氧堆肥工艺，其理化指标为温度、pH、含水率、TN和TOC，所述堆肥腐熟度指标由T值和GI值综合计算得到；所述T值为堆肥阶段的堆肥物料碳氮比与堆肥前的原始物料碳氮比之间的比值；所述GI值为种子发芽指数。
进一步的，所述目标堆肥工艺中待优化的堆肥阶段为升温期和高温期。
作为优选，所述的堆肥腐熟度指标计算方法为：
获取当前堆肥阶段的T值和GI值分别为Ti和GIi，然后计算T值得分为1-Ti，计算GI值得分为GIi，将T值得分和GI值得分各自归一到[1,100]区间后相加得到综合得分，将综合得分归一化到[1,100]区间，得到以百分制数据形式表示的堆肥腐熟度指标。
作为优选，所述随机森林模型在监督学习之前需进行超参数优化，所优化的超参数为：不纯度的衡量指标、模型构建树的个数n_estimators、树的最大深度max_depth、最小子节点样本数min_samples_leaf和分割所需的最小训练样本数min_sample_split。
作为优选，在训练每个堆肥阶段的随机森林模型时，需将对应的所述数据集分为训练集和测试集，训练集为总数据集的70％以训练模型，并利用剩下的30％作为测试集评估模型的表现。
作为优选，进行随机森林变量重要性分析时，需根据基尼指数(Gini index)计算各指标的重要性评分，然后根据预设的关键指标决策规则从所有理化指标中选出关键理化指标。
进一步的，所述关键指标决策规则为：根据预设的最低评分阈值，从所有理化指标中选出重要性评分高于最低评分阈值的理化指标作为关键理化指标。
相对于现有技术而言，本发明具有以下有益效果：
本发明提出了一种基于智能算法探索堆肥工艺不同阶段关键参数的方法，以用于优化堆肥系统。本发明基于厨余垃圾数据，所得到的的结果可直接为今后的厨余垃圾堆肥研究做参考，且方法的实现过程可有助于研究人员在其他类型堆肥上的推广应用。这种新型的数据分析手段所得到的结果可信度较高，结论具有普遍性，能够较好地指导堆肥过程中不同堆肥阶段的关键参数优化。
附图说明
图1为本发明堆肥腐熟度优化工艺的流程图；
图2为随机森林模型的表现精度；
图3为不同阶段关键参数重要性排序
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和具体实施方式对本发明做进一步阐述和说明。应当理解，此处所描述的实施方式和实例仅用于解释本发明，并不用于限定本发明。
在本发明的一个较佳实施例中，提供了一种基于智能算法的堆肥腐熟度提升方法，该方法的目的是确定堆肥过程中的关键参数以应用于堆肥过程，提高其腐熟度。该方法具体包括以下步骤：
S1、获取目标堆肥工艺下不同待优化堆肥阶段经过预处理后的理化指标和堆肥腐熟度指标数据，并将其构建为一系列训练样本，将所有训练样本按照堆肥阶段进行划分，每个待优化的堆肥阶段得到一个数据集。
需要说明的是，由于堆肥工艺种类多样，例如按微生物对氧的需求可以分为好氧堆肥和厌氧堆肥，按堆肥堆制方式分为反应器堆肥、条垛式堆肥和槽式堆肥。由于不同的堆肥工艺中，其关键参数并不完全一致，因此本发明的训练样本需要特定针对目标堆肥工艺来进行获取和构建。
需要说明的是，本发明中的待优化堆肥阶段，是指整个目标堆肥工艺中需要进行关键参数控制的堆肥阶段。如果目标堆肥工艺中有部分堆肥阶段不需要进行参数控制，则这部分堆肥阶段可以不作为待优化堆肥阶段。
需要说明的是，理化指标和堆肥腐熟度指标数据可以通过试验获取，也可以通过文献数据采集获取。作为本发明实施例的一种较佳实现方式，考虑到堆肥试验的耗时长、工作量大等缺陷，为了尽可能广泛地采集多源数据，可以通过采集文献报道数据的方式获取理化指标和堆肥腐熟度指标数据。但考虑到此类多源数据之间异质性，采集的数据需实现进行预处理，预处理流程包括归一化、标准化和异常值去除。其中，异常值可通过绘制数据箱线图确定，再用平均值进行替代。
需要说明的是，理化指标和堆肥腐熟度指标的具体种类可根据实际进行调整，其中理化指标应当能够尽可能将与堆肥腐熟度相关性较大的指标涵盖在内，而堆肥腐熟度指标则应当尽可能准确反应堆肥腐熟情况。
作为本发明实施例的一种较佳实现方式，当获取到经过预处理后的理化指标数据后，为了避免指标之间存在多重共线性，导致模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确，可事先对理化指标进行共线性检验。具体做法为，对获取的所有理化指标数据需要通过皮尔森(Pearson)相关性分析进行共线性检验，如果多个理化指标之间存在共线性问题(即Pearson相关系数大于0.7)，则对存在共线性的这一组理化指标进行择一保留处理，其余理化指标进行剔除，由此使得保留下来的所有理化指标之间不存在共线性问题。再利用经过共线性检验的理化指标和堆肥腐熟度指标数据构建训练样本。
上述数据标准化和Pearson相关性计算公式如下：
1)数据标准化：
其中：x为原始数据，u为均值，σ为标准差。
2)Pearson相关性分析：
其中：r为样本x与y的Pearson相关系数，Cov(x,y)为样本x与y的协方差，Var[x]和Var[y]分别是样本x与y的方差。
当然，在其他实施例中，对数据的预处理也可以使用其他的方法和公式，对此不作限制。
在本发明的后续实施例中，目标堆肥工艺选择为厨余垃圾好氧堆肥工艺，其最终确定的理化指标为温度、pH、含水率、TN和TOC，而堆肥腐熟度指标由T值和GI值综合计算得到；其中T值为堆肥阶段的堆肥物料碳氮比与堆肥前的原始物料碳氮比之间的比值，GI值为种子发芽指数。
进一步的，堆肥腐熟度指标可综合T值和GI值并按照如下方式计算：
获取当前堆肥阶段的T值和GI值分别为Ti和GIi，然后计算T值得分为1-Ti，计算GI值得分为GIi，将T值得分和GI值得分各自归一到[1,100]区间后相加得到综合得分，将综合得分归一化到[1,100]区间，得到以百分制数据形式表示的堆肥腐熟度指标。
在本发明的后续实施例中，目标堆肥工艺选择为厨余垃圾好氧堆肥工艺时，其一般包含升温期、高温期、腐熟期，因此该工艺中待优化的堆肥阶段可选择为升温期和高温期，最终需分别针对这两个阶段确定对堆肥腐熟度有明显影响的关键理化指标，进而在实际堆肥过程中对这些关键理化指标进行调控，以提升最终物料的堆肥腐熟度。
S2、针对每个待优化的堆肥阶段，分别利用该堆肥阶段对应的数据集对随机森林模型进行训练，所述随机森林模型以所述理化指标作为输入，以所述堆肥腐熟度指标作为输出，通过监督学习得到训练完毕的随机森林模型作为对应堆肥阶段的堆肥腐熟度预测模型。
需要说明的是，随机森林模型即随机森林(Random Forests)算法，其具体原理和实现属于现有技术，对此不再赘述。
随机森林模型的训练也属于现有技术，可调用现有的训练框架来实现。随机森林模型在监督学习之前可进行超参数优化，所优化的超参数优选为：不纯度的衡量指标、模型构建树的个数n_estimators、树的最大深度max_depth、最小子节点样本数min_samples_leaf和分割所需的最小训练样本数min_sample_split。
作为本发明实施例的一种较佳实现方式，在训练每个堆肥阶段的随机森林模型时，需将对应的所述数据集分为训练集和测试集，训练集为总数据集的70％以训练模型，并利用剩下的30％作为测试集评估模型的表现。
S3、针对目标堆肥工艺不同的待优化堆肥阶段，分别基于各堆肥阶段对应的所述堆肥腐熟度预测模型进行随机森林变量重要性分析，确定不同堆肥阶段各自的关键理化指标，用于作为实际堆肥过程中各堆肥阶段参数的调控依据。
需要说明的是，随机森林变量重要性分析存在多种方式，可参照现有技术来实现。作为本发明实施例的一种较佳实现方式，进行随机森林变量重要性分析时，需根据基尼指数(Gini index)计算各指标的重要性评分，然后根据预设的关键指标决策规则从所有理化指标中选出关键理化指标。进一步的，关键指标决策规则为：根据预设的最低评分阈值，从所有理化指标中选出重要性评分高于最低评分阈值的理化指标作为关键理化指标。具体的最低评分阈值可根据实际进行优化选择。
为了进一步展示本发明的具体实现方式和技术效果，下面将上述S1～S3所示的方法应用于一个具体实施例中。在该实施例中，本发明通过随机森林模型结合重要性分析手段，可分别计算升温期和高温期两个阶段主要参数与腐熟度之间的关系，从而在不同阶段均进行优化。
实施例
在本实施例中，所针对的目标堆肥工艺是基于反应器的厨余垃圾好氧堆肥工艺，因此参见图1，该基于智能算法的堆肥腐熟度提升方法的具体方法如下：
S1、获取厨余垃圾堆肥过程中的理化指标和堆肥腐熟度指标数据并对其进行预处理。
本实施例中，理化指标和堆肥腐熟度指标数据从中国知网(CNKI)论文数据库中通过检索基于反应器的厨余垃圾好氧堆肥工艺后获取，分别从各文献中提取好氧堆肥过程中的升温期和高温期数据。其中，理化指标包括：温度、pH、含水率、TN、TOC和GI，同时还提取了种子发芽指数(GI)值。所有数据进行预处理，包括归一化，标准化和异常值去除。5个理化指标通过Pearson相关性分析进行共线性检验，表明指标之间不存在共线性问题。
另外，根据TN和TOC值，可计算物料样品的碳氮比。对于升温期和高温期两个堆肥阶段，可分别将对应堆肥阶段的堆肥物料碳氮比除以堆肥前的原始物料碳氮比，得到的比值即可作为对应堆肥阶段的T值。
最终，对于任意堆肥阶段(记为A)，可根据A阶段的GI值和T值即可确定综合的腐熟度指标，具体计算过程如下：
1)T值得分计算公式为：
xscore1＝1-Ti，
其中：Ti为堆肥阶段A的堆肥物料样品的T值，x1′为采用归一化方法到[0,100]后的分值。
2)GI得分计算公式为：
xscore2＝GIi，
其中：GIi为堆肥阶段A的堆肥物料样品的GI值，x2′为采用归一化方法到[0,100]后的分值。
3)堆肥腐熟度指标的公式如下：
xscore=x1′+x2′，
其中：xscore为堆肥阶段A的堆肥物料样品综合得分，x′为采用归一化方法到[0,100]后的堆肥腐熟度指标。
由此，经过上述过程，每一个堆肥阶段的一组数据都可以构建为一个训练样本，该样本形式为[X,Y]，其中X为理化指标(含水率、温度、pH、TN、TOC)，Y为标签值，即堆肥腐熟度指标x′。将所有样本按照堆肥阶段分为两组，升温期和高温期各自得到一个包含了众多数据样本的数据集。
需要注意的是，各数据集中的样本量应当保证能够满足模型的训练对于样本量的要求，在允许的情况下尽可能收集更多的样本。
S2、针对每一个堆肥阶段，分别利用机器学习智能算法随机森林模型在该堆肥阶段对应的数据集进行模型训练，模型以所收集的理化指标作为输入，以堆肥腐熟度指标作为输出。由于训练样本中带有标签值，因此在训练过程中，数据集中的理化指标X作为特征值不断输入模型中，以样本的堆肥腐熟度指标作为标签进行监督学习，通过以最小化损失函数为目标不断优化模型参数，最终得到堆肥腐熟度预测模型。
本实施例中，随机森林模型在数据集上进行训练之前，需要预先设置超参数具体如下：
基于sklearn库中的GridSearchCV确定随机森林模型中所需要进一步调整的超参数为：不纯度的衡量指标criterion为基尼系数，模型构建树的个数n_estimators为200，树的最大深度max_depth为10，最小子节点样本数min_samples_leaf为10，分割所需的最小训练样本数min_sample_split为50，其他参数操作按系统默认。
需要说明的是，本实施例中超参数的最终优化数值并非定值，在不同数据集下最优参数会发生变化，按照GridSearchCV所得结果为准。模型的训练过程属于现有技术，可通过在标签的损失监督下不断优化模型参数实现，对此不再赘述。
智能算法模型的性能评估方法可以选用现有技术中的任意方法实现，其评估指标可根据实际情况调整。本实施例中，本研究采用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)来评价模型，具体公式如下：
其中：n为样本数量，h(xi)为预测值，yi为真实值，
为样本均值，
为模型未拟合的信息量占真实标签中所带信息量的比例。
每个模型的训练数据集，可按照常规模型训练策略，将训练数据划分为70％的训练集和30％的测试集，最终优化后，随机森林模型在训练集和测试集上对堆肥腐熟度指标的预测表现如图2所示。
S3、针对堆肥工艺的升温期和高温期两个待优化堆肥阶段，分别基于各堆肥阶段对应的堆肥腐熟度预测模型进行随机森林变量重要性分析，确定为了得到高腐熟度在不同堆肥阶段各自需要调控的关键理化指标，用于作为实际堆肥过程中各堆肥阶段参数的调控依据。
在本实施例中，进行随机森林变量重要性分析时，需根据基尼指数(Gini index)计算各指标的重要性评分，然后根据预设的关键指标决策规则从所有理化指标中选出关键理化指标。用基尼指数进行重要性分析的计算属于现有技术，下面简介如下：
将重要性得分用S表示，对于有m个特征x1，x2，...xm，先计算每个特征的Gini指数评分。
Gini指数的计算公式为：
其中：n表示类别总数，pmn表示节点m中类别n所占的比例。
特征xi在第i棵树节点q的重要性评分为：
其中：
表示第i棵树节点q的Gini指数，
和
分别表示分枝后两个新节点的Gini指数。
最终，针对目标堆肥工艺下的堆体，根据随机森林重要性分析，各参数重要性评分详见图3。本实施例中设置关键指标决策规则为：根据预设的最低评分阈值15％，从所有理化指标中选出重要性评分高于15％的理化指标作为关键理化指标。因此，堆肥升温期的关键理化指标为含水率、温度、pH、TN、TOC，而高温期的关键理化指标为TN、TOC。由此可见，在堆肥升温期基本理化性质和合适的碳氮含量均需要被保证，高温期环境因子不是很重要，碳氮物质变得重要，应该补充碳源和氮源。经过上述过程后，即可得到不同阶段堆肥关键参数。
下面将上述确定的关键理化指标应用于一个具体的厨余垃圾好氧堆反应器中，通过实际试验来验证其对于堆肥腐熟度的调控效果。
本实施例中，在实验室35L的反应器中进行厨余垃圾好氧堆肥，两个反应器(1个用于调控，一个用于对照)，厨余垃圾从某站点获得，以木屑作为辅料调节，堆肥周期为30天，分别在不同堆肥腐熟阶段即堆肥开始的第0、4、10、20、30天对堆体不同点位进行采样分析，对比腐熟情况。
本实例中基于智能算法的堆肥腐熟度提升方法具体过程如下：
步骤1：确定需要调节的参数数值：在升温期调整适宜的温度、含水率、pH和合适的碳氮含量(相当于调控了TN和TOC)；而高温期提供丰富的碳氮营养物质从而调控合适的碳氮含量。
步骤2：进行堆肥实验测定GI和T值，对比两个反应器的结果。结果如下：
对比结果可知，通过调节堆肥过程中的参数可以提高堆肥腐熟度，说明基于智能算法确定的关键理化指标对于提升堆肥腐熟度是可行的，因此本发明具有实际应用价值。
由上述实例可以看出，本发明通过人工智能算法，基于大量堆肥数据得出堆肥过程升温期和高温期关键参数，并在实际实验中调整相关参数数值。对比未经调整的堆肥，其具有更高的堆肥腐熟度，模型精度高，说明得出的结果准确。此外，基于大量数据得出的结论也具有普适性，即随机森林重要性分析得到的参数可供后续厨余垃圾堆肥研究人员参考，同时，本发明也列出来详细的实现路径，可供研究人员进行其他类型堆肥最佳参数的探索。
需说明的是，本发明中的目标堆肥工艺并无限制，对于任意一种待预测的堆肥工艺，只要首先获取此种工艺条件下不同阶段的堆肥数据，进而构建智能模型即可实现对该种堆肥工艺下的腐熟度预测，从而进行随机森林重要性分析获得最佳参数应用于堆肥优化过程。本发明上述实施例中，堆肥工艺为传统的厨余垃圾好氧堆肥工艺，但本发明亦可适用于其他的堆肥工艺。另外需注意的是，本实施例中构建模型的指标数据是来自反应器堆肥研究，若是对于条垛式等其他类型堆肥数据，结果可能有些许偏差，研究人员在优化堆肥过程中应加以区分。若是实际应用的堆肥工艺与本实施例所给出的堆肥工艺存在偏差，可采用本实施例提出的方法重新计算对应类型堆肥条件下的关键参数。
总而言之，本发明立足于近年来兴起的人工智能算法，基于原有大量堆肥研究数据，构建了堆肥过程主要参数与腐熟度之间的预测模型，从而提出了一种基于智能算法的堆肥腐熟度提升方法，既包括给出实际参数也包括其实现路径，具有准确性和普适性。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员在进行实际生产运作时，在不脱离本发明的精神和范围的情况下，还可以针对指标、算法等进行适当调整。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种基于智能算法的堆肥腐熟度提升方法，其特征在于，步骤如下：
S1、获取目标堆肥工艺下不同待优化堆肥阶段经过预处理后的理化指标和堆肥腐熟度指标数据，并将其构建为一系列训练样本，将所有训练样本按照堆肥阶段进行划分，每个待优化的堆肥阶段得到一个数据集；
S2、针对每个待优化的堆肥阶段，分别利用该堆肥阶段对应的数据集对随机森林模型进行训练，所述随机森林模型以所述理化指标作为输入，以所述堆肥腐熟度指标作为输出，通过监督学习得到训练完毕的随机森林模型作为对应堆肥阶段的堆肥腐熟度预测模型；
S3、针对目标堆肥工艺不同的待优化堆肥阶段，分别基于各堆肥阶段对应的所述堆肥腐熟度预测模型进行随机森林变量重要性分析，确定不同堆肥阶段各自的关键理化指标，用于作为实际堆肥过程中各堆肥阶段参数的调控依据。
2.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述理化指标和堆肥腐熟度指标数据均通过采集文献报道数据进行获取，采集的数据需进行包括归一化、标准化和异常值去除在内的预处理。
3.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述S1中，获取的所有理化指标数据需要通过皮尔森相关性分析进行共线性检验，对存在共线性的理化指标进行择一保留处理，再利用经过共线性检验的理化指标和堆肥腐熟度指标数据构建训练样本。
4.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述目标堆肥工艺为厨余垃圾好氧堆肥工艺，其理化指标为温度、pH、含水率、TN和TOC，所述堆肥腐熟度指标由T值和GI值综合计算得到；所述T值为堆肥阶段的堆肥物料碳氮比与堆肥前的原始物料碳氮比之间的比值；所述GI值为种子发芽指数。
5.根据权利要求4所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述目标堆肥工艺中待优化的堆肥阶段为升温期和高温期。
6.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述的堆肥腐熟度指标计算方法为：
获取当前堆肥阶段的T值和GI值分别为Ti和GIi，然后计算T值得分为1-Ti，计算GI值得分为GIi，将T值得分和GI值得分各自归一到[1,100]区间后相加得到综合得分，将综合得分归一化到[1,100]区间，得到以百分制数据形式表示的堆肥腐熟度指标。
7.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述随机森林模型在监督学习之前需进行超参数优化，所优化的超参数为：不纯度的衡量指标、模型构建树的个数n_estimators、树的最大深度max_depth、最小子节点样本数min_samples_leaf和分割所需的最小训练样本数min_sample_split。
8.根据权利要求1所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，在训练每个堆肥阶段的随机森林模型时，需将对应的所述数据集分为训练集和测试集，训练集为总数据集的70％以训练模型，并利用剩下的30％作为测试集评估模型的表现。
9.根据权利要求1中所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，进行随机森林变量重要性分析时，需根据基尼指数(Giniindex)计算各指标的重要性评分，然后根据预设的关键指标决策规则从所有理化指标中选出关键理化指标。
10.根据权利要求9所述的基于智能算法的堆肥腐熟度提升方法，其特征在于，所述关键指标决策规则为：根据预设的最低评分阈值，从所有理化指标中选出重要性评分高于最低评分阈值的理化指标作为关键理化指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943118.2A CN115343421A (zh) | 2022-08-08 | 2022-08-08 | 一种基于智能算法的堆肥腐熟度提升方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943118.2A CN115343421A (zh) | 2022-08-08 | 2022-08-08 | 一种基于智能算法的堆肥腐熟度提升方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115343421A true CN115343421A (zh) | 2022-11-15 |
Family
ID=83950154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210943118.2A Pending CN115343421A (zh) | 2022-08-08 | 2022-08-08 | 一种基于智能算法的堆肥腐熟度提升方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115343421A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117976081A (zh) * | 2024-04-02 | 2024-05-03 | 北京市农林科学院 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
-
2022
- 2022-08-08 CN CN202210943118.2A patent/CN115343421A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117976081A (zh) * | 2024-04-02 | 2024-05-03 | 北京市农林科学院 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
| CN113610243B (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
| CN113793645A (zh) | 一种基于机器学习模型的堆肥腐熟度预测方法 | |
| CN115343421A (zh) | 一种基于智能算法的堆肥腐熟度提升方法 | |
| CN112270129A (zh) | 一种基于大数据分析的植物长势预测方法 | |
| CN115063252A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
| Li et al. | Prediction of composting maturity and identification of critical parameters for green waste compost using machine learning | |
| CN117711521A (zh) | 一种人工智能模型预测堆肥氨氮含量的方法 | |
| Zuxing et al. | A Prediction Model of Forest Preliminary Precision Fertilization Based on Improved GRA‐PSO‐BP Neural Network | |
| Komarysta et al. | OPTIMIZING BIOGAS PRODUCTION USING ARTIFICIAL NEURAL NETWORK. | |
| CN115775042B (zh) | 基于贝叶斯理论的农作物重金属富集风险预测方法及系统 | |
| CN113295625B (zh) | 基于极端梯度提升的机器视觉染料浓度光谱检测方法 | |
| Qi et al. | Prediction model and demonstration of regional agricultural carbon emissions based on Isomap–ACO–ET: a case study of Guangdong Province, China | |
| CN115016413A (zh) | 一种用于植物工厂作物种植的智能环境控制方法 | |
| CN113555059A (zh) | 环境变化下有机碳和微生物耦合关系的定量方法 | |
| Lu et al. | The decision tree application in agricultural development | |
| Liu et al. | An evaluation of the resilience of the regional agricultural water and soil resource system in Heilongjiang Province, China | |
| CN118800337A (zh) | 一种基于人工智能的中药渣堆肥菌剂制备方法 | |
| Singh et al. | Feed-forward ANN and traditional machine learning-based prediction of biogas generation rate from meteorological and organic waste parameters | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及系统 | |
| CN118657430A (zh) | 一种适用于鸡粪堆肥处理加工工艺优化方法 | |
| CN118538305A (zh) | 一种基于rf-ihho-lstm的厌氧发酵过程软测量建模方法 | |
| CN116542343A (zh) | 一种用于水生态治理的微生物生长状况监测管理方法 | |
| CN118866171A (zh) | 一种基于随机森林模型预测畜禽粪便堆肥腐熟度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |