對此，埃睿迪副總裁黃濤談到，垃圾分類對固體廢物處理利用具有特殊意義，是固體廢物減量化、資源化、無害化的重要保障。黃濤就垃圾分類對于固廢處理行業的影響，以及新技術在其中所起的作用進行了詳細的介紹。

垃圾分類將帶動固廢焚燒處理的快速提升

黃濤介紹道，我們現在談的垃圾分類，更多的是在談垃圾的分類收集。事實上，在整個生活垃圾處理鏈條上，垃圾分類投放和收集是起點，之后就會進入垃圾的分類轉運和存儲，以及垃圾的處理。垃圾分類投放和收集將改變以往固廢處理的流程，對于整個固廢處理行業將產生重大影響。

首先是垃圾的收集和轉運有重大變化，當前很多城市實施了分類垃圾桶措施，居民要按照可回收物、有害垃圾、干垃圾、濕垃圾的類別分別收集。垃圾分類投放和收集真正落實之后，垃圾清運單位就需要分類收運。考慮到垃圾清運的成本，居民需要調整垃圾投放習慣，比如家庭配備不同類型的垃圾收集設施，每天投放不同類型的垃圾。

其次是垃圾存儲和處理有重大變化。以往主要是采用填埋和焚燒的方式進行垃圾處理，垃圾分類做好以后，四類垃圾的處理方法會更加精細化，垃圾處理的單位成本長期來看將會顯著降低，可回收物的回收利用將會更加便捷，干垃圾的集中焚燒發電效益將會更好，濕垃圾的本地化、社區化處理將會更加容易，有毒垃圾的針對性處置將能夠落到實處。

同時，垃圾分類政策的推進，有利于優化焚燒的垃圾原料。我國的生活垃圾長期以來一直具有高水分、低熱值的特點，這和垃圾的混合收集有直接關系。實施垃圾分類收集后，進入垃圾焚燒廠的干垃圾比重將大幅提升，垃圾熱值能夠穩定達到4000kJ/Kg以上，垃圾含水率得到有效控制，垃圾焚燒的成本能夠有效降低，這將進一步提升焚燒在整個垃圾處理中的比重，對垃圾焚燒行業有直接的推動作用。據相關數據顯示，2020年焚燒將在垃圾處理領域占據半壁江山，東部地區將達到60%以上。快速增長的焚燒市場，迫切需要新技術的支撐，埃睿迪近年將大數據技術引入垃圾焚燒行業，為行業的發展帶來了新的契機。

新技術支撐固廢焚燒行業節能減排、提質增效

埃睿迪將固廢處理與大數據和人工智能深度融合，形成了獨具特色的固廢大腦產品。固廢大腦以工藝運行大數據為基礎，自動采集工藝運行中的投料量、溫度量、壓力量、蒸汽量等數據，基于固廢處理的各類機理模型，如熱平衡、物資平衡等，實現了固廢處理的實時監測預警和自動測算。

同時，固廢大腦創新性的將固廢處理工藝與機器學習算法相結合，挖掘大量指標之間的潛在聯系，通過人工智能實現垃圾焚燒的節能降耗。固廢大腦機器學習算法具有探索性特點，各種變量之間事先并沒有非常明確的機理關系，而是通過對各種物理量的反復探索、訓練，選擇最合適的算法模型和匹配度最高的輸入變量。

垃圾焚燒領域的算法一般是把助燃燃料投加量、爐膛溫度、二噁英濃度、焚燒爐結渣量等作為預測和控制目標，測算最佳的燃料投加量，預測有害成分的產生量，從而實現對經驗難以精確把握物理量的計算，對傳感器無法測量的物理量進行軟測量。

機器學習在垃圾焚燒中的應用價值可以通過幾個場景案例來體現：

一、助燃燃料(包括燃油、燃氣、燃煤)和助燃空氣的精確化投加。

生活垃圾焚燒過程中，由于垃圾熱值不穩定、不達標，需要動態投加柴油、燃氣、燃煤等外加燃料，最佳的投加方式顯然是根據垃圾進料量和熱值變化來確定投加量，然而，垃圾熱值并不能通過傳感器直接測量，實際操作中，操作工主要是根據燃燒中的溫度來推測，要向做到精確投加燃料是非常困難的。

機器學習能夠有效彌補人的經驗的不足。通過反復驗證，機器學習系統選擇了垃圾含水量、單位時間進料量、床溫、爐膛出口含氧量等能夠直接采集到的數據作為輸入值，利用神經網絡算法對助燃燃料和助燃空氣的投加量進行預測，為助燃燃料的投加優化起到直接的指導作用，在確保燃燒效果的情況下，助燃燃料的投加量明顯減少。

二、 污染物產生量預測。

在垃圾 焚燒和煙氣排放過程中均會產生二噁英類物質，二噁英類物質是一種毒性劇烈的致癌性物質。 如果溫度控制不當、煙氣停留時間控制不當，都會造成二噁英類物質的超標排放。 同時垃圾的含水率也對二噁英類物質的生成有重要影響，含水率越高，二噁英類物質的超標可能性越大。

因此，垃圾焚燒控制中的一項重要工作就是確保焚燒后煙氣的達標排放，杜絕二噁英類物質的產生。 如果能夠在煙氣沒有排出的情況下提前根據進爐垃圾、進風量等指標預測主要的污染物產生量，將能幫助操作人員提早做出調整。

機器學習系統選擇了垃圾含水量、爐膛出口含氧量、床溫、二次風率等十幾個可以測量的輸入值，利用神經網絡算法對NOx、SO 2 等污染物的濃度進行預測，經過持續性的優化，系統能夠將預測偏差控制在10%以內。

由于二噁英類物質的濃度無法通過在線監測設備直接采集，如何間接的掌握二噁英類物質的濃度，成為一個困難的課題。 機器學習系統提供了一種可能性，選擇鍋爐出口煙溫、除塵器出口煙溫、煙氣流量、煙氣含氧量等直接測量指標作為輸入值，利用支持向量機算法對二噁英類物質的濃度進行預測，為二噁英的控制提供了很好的參考依據。

三、 焚燒爐積灰結渣量預測。

垃圾焚燒爐的爐管壁面積灰結渣是一種普遍現象，爐膛內火焰中心處的溫度高，燃料中的灰分大多呈熔化狀態，爐管壁附近的煙溫較低，沉積在壁面上成疏松狀，形成積灰。煙氣中的部分灰粒在接觸壁面時仍呈熔化狀態或粘性狀態，會粘附在爐管壁上形成緊密的灰渣層，形成了結渣。積灰結渣對焚燒爐的正常運行有很大影響，除了降低傳熱效率，還可能造成堵塞和高溫腐蝕。

由于積灰結渣是一個復雜的過程，很難形成定量的機理模型進行描述。機器學習算法能夠在一定程度上對積灰結渣進行預測。機器學習系統選擇了一次風量、二次風量、煙氣含氧量、煙氣酸性氣體濃度、爐溫等輸入值，利用神經網絡算法對代表焚燒爐結渣情況的過熱器進出口焓差指標作出預測。該模型能夠對焚燒爐結渣量作出預測，將傳統的定期吹灰和清除結渣工作優化為按需吹灰。

黃濤最后提到，大數據和機器學習在垃圾處理行業的應用才剛剛起步，不論是垃圾分類收集、垃圾清運，還是垃圾焚燒處置，都存在大量的應用場景。大數據技術提供商應與環衛企業、垃圾處理企業深度合作，幫助企業采集高質量的數據，以更低的成本處理數據，構建各類機器學習算法，在運營過程中持續優化，助力企業成為數據驅動的環境服務企業，將垃圾分類的國家環保戰略真正落到實處。