从堆肥曝气到资源化路线选择：机器学习、数字孪生与 LCA/TEA 正在改变有机废弃物处理
堆肥常被当作厨余的默认环保去处，2026 年发表在《Nature Food》的一项研究却给出一个不太舒服的估算：全球堆肥链条整体上是净排放方，约 40.1 MtCO2e（百万吨二氧化碳当量）；调整管理措施以后，可以变成 −15.1 MtCO2e 的碳汇。有意思的不只是数字，还有它是怎么得到的，以及这对“厨余到底送去哪里”意味着什么。
这项研究做了什么
研究者收集了 848 组全球堆肥实验，物料包括粪肥、食物垃圾和污泥，用机器学习识别 19 个管理参数对氨、氧化亚氮、甲烷和二氧化碳排放的影响，再把曝气、添加物和碳氮比（C/N）三类措施放进情景估算。按其估算，中国、巴西和美国合计贡献约 65% 的减排量。
从一个堆到一条路线：三个层次
机器学习在有机废弃物处理里的位置，可以按尺度分成三层。
| 层次 | 要回答的问题 | 目前的研究做到哪里 |
|---|---|---|
| 堆肥过程 | 哪些管理参数决定排放 | 另有研究用梯度提升等多种模型预测堆肥中二氧化碳、甲烷和氧化亚氮的排放，指出曝气速率和含水率分别是甲烷与氧化亚氮的关键驱动 |
| 厌氧消化装置 | 产气会不会失稳，怎样运行更稳 | 2026 年综述梳理了 2015–2025 年的研究：产气预测、微生物群落、优化与控制，LSTM 与软传感器用来近实时估计难测的指标并做早期预警 |
| 路线选择 | 这批厨余该走哪条路 | 多篇 2026 年综述的共同趋势是把 AI 过程模型与 LCA、TEA 结合，数字孪生与混合模型有望改善两者的集成 |
为什么路线选择要把环境与经济核算放进同一个模型
只看过程模型，能知道这批厨余在某条路线上产多少气、排多少；只看成本，会选到最便宜的路线；只查排放系数表，则默认每座装置都运行得一样好。三者分开，就会出现下面的翻转。以下是一组模拟数字：
示例推演 · 同一批高含水厨余的两条路线
好氧堆肥：成本 300 元/吨，净排放 +0.10 tCO2e/吨 厌氧消化（沼气利用好）：成本 360 元/吨，净排放 −0.06 tCO2e/吨 厌氧消化（沼气逸散多）：成本 390 元/吨，净排放 +0.09 tCO2e/吨
以上为示例推演数字，用于说明模型逻辑，不代表真实装置数据。
同一座厌氧装置，沼气利用好时净排放为负，逸散多时排放接近堆肥，成本还高出 30 元。运行质量由过程模型预测，排放由 LCA 核算，收益由 TEA 核算，三步使用同一组假设，路线之间才可比，这也是近期综述把三者并到一起讨论的原因。数字孪生的位置也在这里：用机理模型、传感器和机器学习让虚拟装置随现场数据更新，评估用的就不再是设计工况的假设值，而是这座装置眼下的运行状态。
必赢亚洲厨余资源化的判断顺序与此一致：先看含水率、碳氮比、油脂和杂质，排除明显不合适的路线，再把过程预测、排放核算和成本核算放进同一张评估表比较，过程预测这一项由必赢亚洲 AI 的模型提供输入，取舍仍由核算结果和现场条件决定。怎样根据厨余成分选择堆肥、厌氧消化还是其他利用路线写了前一半，含水率和碳氮比怎样改变堆肥策略与机器学习怎样进入有机废弃物处理补上了过程模型的部分。
不该过度解读的地方
- Nature Food 的数字是模型情景估算，不是某座堆肥厂的实测结果；数据集包含粪肥、食物垃圾和污泥，厨余只是其中一部分，减排量还集中在三个国家。
- 机器学习模型通常依赖具体装置的历史数据，换一座装置一般要重新校准，不能拿一座装置的准确率去预期另一座。
- LCA 与 TEA 的结果对系统边界、电价、肥料价格和运输距离都很敏感；综述称数字孪生、混合模型和开源仿真平台“有望”改善集成，说明这一步还没有成熟的通用做法。