Istraživači postižu nevjerojatnu brzinu razgradnje organske tvari kombinacijom senzora i umjetne inteligencije
Novi automatizirani sustav kompostiranja koji koristi Internet stvari (IoT) i prediktivnu umjetnu inteligenciju postigao je razgradnju organske tvari od 21,5% u samo 24 sata – rezultat koji tradicionalnim metodama zahtijeva više od 70 dana. Ovo revolucionarno istraživanje, objavljeno na konferenciji SMILE 2025, pokazuje kako pametne tehnologije mogu drastično ubrzati procese kružnog gospodarstva u upravljanju organskim otpadom.
Istraživački tim predvođen Soukainom Fouguirom s marokanskih sveučilišta razvio je automatizirani sustav koji kontinuirano prati i kontrolira ključne parametre kompostiranja poput temperature, vlažnosti i emisije plinova. Sustav koristi ESP32 mikrokontroler povezan sa senzorima koji svaka 3 sata šalju podatke putem MQTT protokola na ThingSpeak platformu, omogućavajući praćenje procesa u stvarnom vremenu s bilo koje lokacije. Ova tehnološka infrastruktura omogućava preciznu kontrolu uvjeta koji su kritični za metaboličku aktivnost mikroorganizama odgovornih za razgradnju organske tvari.
Dramatično ubrzanje procesa razgradnje potvrđeno mjerenjima
Eksperimentalni rezultati pokazuju da je sadržaj organske tvari pao sa početnih 70% na 55% tijekom prvog dana testiranja, što predstavlja smanjenje od 15 postotnih bodova ili 21,5% ukupne razgradnje. Istraživači su koristili standardizirane laboratorijske metode spaljivanja uzoraka na 500°C tijekom 2 sata kako bi precizno izmjerili sadržaj organske tvari prema francuskom standardu NF U44-051. Mjerenja su provedena svakih 3 sata tijekom 24-satnog perioda, omogućavajući detaljno praćenje dinamike razgradnje.
Posebno je značajno što su istraživači koristili neuronske mreže (RNN – Recurrent Neural Networks) za predviđanje vremena potrebnog za postizanje ciljane razine organske tvari od 40%. Model je treniran na proširenom skupu podataka koji je generiran korištenjem linearne interpolacije s kontroliranim šumom, čime su simulirane prirodne varijacije u procesu kompostiranja. RNN model pokazao je izuzetnu točnost s koeficijentom determinacije (R²) od 0,97, što znači da može objasniti 97% varijabilnosti u podacima o organskoj tvari.
Tehnološka infrastruktura omogućava preciznu kontrolu procesa
Automatizirani sustav kompostiranja koristi DHT11 senzore za mjerenje temperature i vlažnosti, MQ135 senzore za detekciju plinova te dodatne senzore za praćenje pH vrijednosti i razine vlage. Svi senzori povezani su s ESP32 mikrokontrolerom koji omogućava bežičnu komunikaciju putem WiFi mreže. Podaci se prenose svaka 3 sata na ThingSpeak cloud platformu gdje se pohranjuju i vizualiziraju u stvarnom vremenu. Ovaj pristup omogućava operaterima da nadziru i optimiziraju proces kompostiranja bez potrebe za fizičkom prisutnošću na lokaciji.
Kompostna smjesa korištena u eksperimentu sastojala se od mješavine organskog otpada tipičnog za mediteranske uvjete, uključujući ostatke maslinova ulja koji su karakteristični za tu regiju. Istraživači su posebnu pažnju posvetili održavanju optimalnih uvjeta tijekom svih faza kompostiranja – mezofilne, termofilne i faze sazrijevanja. Automatska kontrola temperature i vlažnosti omogućila je održavanje idealnih uvjeta za mikrobiološku aktivnost, što je ključni faktor u postizanju tako brze razgradnje.
Usporedba modela umjetne inteligencije pokazuje superiornost RNN pristupa
Istraživači su testirali i usporedili nekoliko modela strojnog učenja za predviđanje dinamike kompostiranja, uključujući tradicionalne regresijske modele i napredne neuronske mreže. LITE-RNN (Lightweight Recurrent Neural Network) pokazao se kao najuspješniji, s najnižim vrijednostima pogreške: srednja kvadratna pogreška (MSE) od 0,82, korijen srednje kvadratne pogreške (RMSE) od 0,91 i srednja apsolutna pogreška (MAE) od 0,72. Ovi rezultati značajno su bolji od drugih testiranih modela, što potvrđuje da RNN arhitektura može učinkovito uhvatiti temporalne ovisnosti u podacima o kompostiranju.
Model je treniran na skupu podataka koji je proširen s originalnih 9 mjernih točaka (svaka 3 sata) na 96 točaka (svaka 15 minuta) korištenjem interpolacije s kontroliranim šumom. Ovaj pristup omogućio je modelu da nauči suptilnije uzorke u procesu razgradnje i proizvede točnije predviđanja. Vizualizacija rezultata pokazala je da predviđene vrijednosti gotovo savršeno prate stvarne izmjerene vrijednosti, što potvrđuje robusnost modela.
Implikacije za industriju upravljanja otpadom u EU
Ovo istraživanje dolazi u kritičnom trenutku kada Europska unija intenzivira napore za postizanje ciljeva kružnog gospodarstva i smanjenje količine biorazgradivog otpada koji završava na odlagalištima. Mogućnost skraćivanja vremena kompostiranja sa 70+ dana na samo jedan dan predstavlja paradigmatski pomak u načinu na koji možemo pristupiti upravljanju organskim otpadom. Brži ciklusi kompostiranja znače manje potrebnog prostora za postrojenja, niže operativne troškove i mogućnost procesiranja značajno većih količina otpada na istoj infrastrukturi.
Tehnologija također adresira jedan od glavnih izazova u kompostnoj industriji – nedosljednost kvalitete konačnog proizvoda. Kontinuirano praćenje i automatska kontrola procesnih parametara osiguravaju da svaka serija komposta zadovoljava stroge standarde kvalitete potrebne za komercijalnu uporabu u poljoprivredi. Prediktivne mogućnosti AI modela omogućavaju operaterima da unaprijed znaju kada će kompost biti spreman, što olakšava planiranje proizvodnje i distribucije.
SAVJETODAVNI PARTNER
