垃圾分类势在必行 固废处理亟需新技术支撑

　　“实行垃圾分类，关系广大人民群众生活环境，关系节约使用资源，也是社会文明水平的一个重要体现。”近日，习近平总书记对垃圾分类工作的指示充分说明，垃圾分类已经上升到国家环境保护战略层面，垃圾分类已经是势在必行。那么，垃圾分类对于环境保护的意义何在?对后端垃圾处理会产生什么样的影响?

　　对此，埃睿迪副总裁黄涛谈到，垃圾分类对固体废物处理利用具有特殊意义，是固体废物减量化、资源化、无害化的重要保障。黄涛就垃圾分类对于固废处理行业的影响，以及新技术在其中所起的作用进行了详细的介绍。

　　垃圾分类将带动固废焚烧处理的快速提升

　　黄涛介绍道，我们现在谈的垃圾分类，更多的是在谈垃圾的分类收集。事实上，在整个生活垃圾处理链条上，垃圾分类投放和收集是起点，之后就会进入垃圾的分类转运和存储，以及垃圾的处理。垃圾分类投放和收集将改变以往固废处理的流程，对于整个固废处理行业将产生重大影响。

　　首先是垃圾的收集和转运有重大变化，当前很多城市实施了分类垃圾桶措施，居民要按照可回收物、有害垃圾、干垃圾、湿垃圾的类别分别收集。垃圾分类投放和收集真正落实之后，垃圾清运单位就需要分类收运。考虑到垃圾清运的成本，居民需要调整垃圾投放习惯，比如家庭配备不同类型的垃圾收集设施，每天投放不同类型的垃圾。

　　其次是垃圾存储和处理有重大变化。以往主要是采用填埋和焚烧的方式进行垃圾处理，垃圾分类做好以后，四类垃圾的处理方法会更加精细化，垃圾处理的单位成本长期来看将会显著降低，可回收物的回收利用将会更加便捷，干垃圾的集中焚烧发电效益将会更好，湿垃圾的本地化、社区化处理将会更加容易，有毒垃圾的针对性处置将能够落到实处。

　　同时，垃圾分类政策的推进，有利于优化焚烧的垃圾原料。我国的生活垃圾长期以来一直具有高水分、低热值的特点，这和垃圾的混合收集有直接关系。实施垃圾分类收集后，进入垃圾焚烧厂的干垃圾比重将大幅提升，垃圾热值能够稳定达到4000kJ/Kg以上，垃圾含水率得到有效控制，垃圾焚烧的成本能够有效降低，这将进一步提升焚烧在整个垃圾处理中的比重，对垃圾焚烧行业有直接的推动作用。据相关数据显示，2020年焚烧将在垃圾处理领域占据半壁江山，东部地区将达到60%以上。快速增长的焚烧市场，迫切需要新技术的支撑，埃睿迪近年将大数据技术引入垃圾焚烧行业，为行业的发展带来了新的契机。

　　新技术支撑固废焚烧行业节能减排、提质增效

　　埃睿迪将固废处理与大数据和人工智能深度融合，形成了独具特色的固废大脑产品。固废大脑以工艺运行大数据为基础，自动采集工艺运行中的投料量、温度量、压力量、蒸汽量等数据，基于固废处理的各类机理模型，如热平衡、物资平衡等，实现了固废处理的实时监测预警和自动测算。

　　同时，固废大脑创新性的将固废处理工艺与机器学习算法相结合，挖掘大量指标之间的潜在联系，通过人工智能实现垃圾焚烧的节能降耗。固废大脑机器学习算法具有探索性特点，各种变量之间事先并没有非常明确的机理关系，而是通过对各种物理量的反复探索、训练，选择最合适的算法模型和匹配度最高的输入变量。

　　垃圾焚烧领域的算法一般是把助燃燃料投加量、炉膛温度、二噁英浓度、焚烧炉结渣量等作为预测和控制目标，测算最佳的燃料投加量，预测有害成分的产生量，从而实现对经验难以精确把握物理量的计算，对传感器无法测量的物理量进行软测量。

　　机器学习在垃圾焚烧中的应用价值可以通过几个场景案例来体现：

　　一、助燃燃料(包括燃油、燃气、燃煤)和助燃空气的精确化投加。

　　生活垃圾焚烧过程中，由于垃圾热值不稳定、不达标，需要动态投加柴油、燃气、燃煤等外加燃料，最佳的投加方式显然是根据垃圾进料量和热值变化来确定投加量，然而，垃圾热值并不能通过传感器直接测量，实际操作中，操作工主要是根据燃烧中的温度来推测，要向做到精确投加燃料是非常困难的。

　　机器学习能够有效弥补人的经验的不足。通过反复验证，机器学习系统选择了垃圾含水量、单位时间进料量、床温、炉膛出口含氧量等能够直接采集到的数据作为输入值，利用神经网络算法对助燃燃料和助燃空气的投加量进行预测，为助燃燃料的投加优化起到直接的指导作用，在确保燃烧效果的情况下，助燃燃料的投加量明显减少。

　　二、 污染物产生量预测。

　　在垃圾 焚烧和烟气排放过程中均会产生二噁英类物质，二噁英类物质是一种毒性剧烈的致癌性物质。 如果温度控制不当、烟气停留时间控制不当，都会造成二噁英类物质的超标排放。 同时垃圾的含水率也对二噁英类物质的生成有重要影响，含水率越高，二噁英类物质的超标可能性越大。

　　因此，垃圾焚烧控制中的一项重要工作就是确保焚烧后烟气的达标排放，杜绝二噁英类物质的产生。 如果能够在烟气没有排出的情况下提前根据进炉垃圾、进风量等指标预测主要的污染物产生量，将能帮助操作人员提早做出调整。

　　机器学习系统选择了垃圾含水量、炉膛出口含氧量、床温、二次风率等十几个可以测量的输入值，利用神经网络算法对NOx、SO 2 等污染物的浓度进行预测，经过持续性的优化，系统能够将预测偏差控制在10%以内。

　　由于二噁英类物质的浓度无法通过在线监测设备直接采集，如何间接的掌握二噁英类物质的浓度，成为一个困难的课题。 机器学习系统提供了一种可能性，选择锅炉出口烟温、除尘器出口烟温、烟气流量、烟气含氧量等直接测量指标作为输入值，利用支持向量机算法对二噁英类物质的浓度进行预测，为二噁英的控制提供了很好的参考依据。

　　三、 焚烧炉积灰结渣量预测。

　　垃圾焚烧炉的炉管壁面积灰结渣是一种普遍现象，炉膛内火焰中心处的温度高，燃料中的灰分大多呈熔化状态，炉管壁附近的烟温较低，沉积在壁面上成疏松状，形成积灰。烟气中的部分灰粒在接触壁面时仍呈熔化状态或粘性状态，会粘附在炉管壁上形成紧密的灰渣层，形成了结渣。积灰结渣对焚烧炉的正常运行有很大影响，除了降低传热效率，还可能造成堵塞和高温腐蚀。

　　由于积灰结渣是一个复杂的过程，很难形成定量的机理模型进行描述。机器学习算法能够在一定程度上对积灰结渣进行预测。机器学习系统选择了一次风量、二次风量、烟气含氧量、烟气酸性气体浓度、炉温等输入值，利用神经网络算法对代表焚烧炉结渣情况的过热器进出口焓差指标作出预测。该模型能够对焚烧炉结渣量作出预测，将传统的定期吹灰和清除结渣工作优化为按需吹灰。

　　黄涛最后提到，大数据和机器学习在垃圾处理行业的应用才刚刚起步，不论是垃圾分类收集、垃圾清运，还是垃圾焚烧处置，都存在大量的应用场景。大数据技术提供商应与环卫企业、垃圾处理企业深度合作，帮助企业采集高质量的数据，以更低的成本处理数据，构建各类机器学习算法，在运营过程中持续优化，助力企业成为数据驱动的环境服务企业，将垃圾分类的国家环保战略真正落到实处。