第一作者：何中昊 2023级博士生

通讯作者：汤琳教授

论文DOI：10.1016/j.jclepro.2025.146822

图文摘要

成果简介

近日，湖南大学环境科学与工程学院汤琳课题组在Journal of Cleaner Production上发表了题为“Intelligent prediction of food waste compost maturity using machine learning based on rapid detection process metrics”的研究论文（10.1016/j.jclepro.2025.146822）。该研究针对传统堆肥腐熟度评价指标检测周期长、难以实时调控的问题，提出了一种基于快速检测过程参数的智能预测方法。研究首次将供电子能力与得电子能力引入预测模型，构建了可实时应用的腐熟度智能预测框架。结果表明，该模型在验证集上取得了R² = 0.9861的优异性能，显著优于传统模型。模型解释性分析进一步揭示了堆肥时间、温度和得电子能力是影响腐熟度的关键因子。该研究创新性地实现了“快速检测—智能预测—过程调控”的全流程耦合，为工业化、智能化有机固废堆肥管理系统的发展提供了新思路，也为厨余垃圾资源化利用和智慧环境工程的推进提供了重要技术支撑。

全文速览

本研究构建了首个基于快速检测过程参数的机器学习腐熟度预测框架。模型在验证集上表现出高精度与强鲁棒性，优于传统融合模型。该成果为实现堆肥过程的实时化、智能化管理提供了可行路径，具有良好的工业应用前景与推广潜力。

图文导读

一、模型训练及测试

Figure 1. Comparison of training set and test set prediction effects of representative RDPM model using LightGBM (a) and GDR (b), fusion model using XGBoost (c) and kNN (d). The closer the point to the diagonal y = x means the higher the prediction accuracy.

LightGBM-RDPM模型在测试集上取得 R² = 0.9775、RMSE = 4.48、MAE = 3.49，验证集 R² 高达 0.9861，为现有模型最高值。相比融合模型（R² = 0.9774），仅利用7项快速检测参数即可实现同等甚至更优预测性能。说明简化输入并未削弱模型精度，反而提升了鲁棒性与实际可用性，为实时在线预测GI奠定基础。