2025年4月，环境领域期刊Resources, Conservation and Recycling在线发表了课题组关于机器学习在固废领域应用综述的研究成果（Qiuxia Zou, Huabo Duan*, Zeguo Yang, Xiaoping Wang, Yu Tian, Huijie Hou, Jiakuan Yang. Machine learning-assisted solid waste life-cycle management: Applications, constrains, and future opportunities, Resources, Conservation and Recycling, 2025, 219: 108320）。该论文以华中科技大学人工智能与自动化学院为第一完成单位，环境科学与工程学院为第二完成单位，邹秋霞博士生为论文的第一作者，段华波副教授为论文的通讯作者。《Resources, Conservation & Recycling》作为环境领域权威期刊，2025年公布的最新影响因子为11.2。

全球固体废物产生量的不断增加，引发了与资源回收和最终处置相关的环境污染和气候变化影响问题。鉴于发达国家和发展中国家废物类别的复杂性和多目标管理需求，迫切需要采用创新策略，如机器学习技术。本研究重点介绍了固体废物管理系统和处置技术的复杂性，探讨了高效固体废物管理所涵盖的核心要素，当前可供运用的各种机器学习算法的优势和局限性，以及如何结合使用生命周期评估和机器学习技术，帮助监控和跟踪整个周期过程中的固废管理和优化。此外，本研究还深入剖析了利用机器学习进行固体废物管理的挑战，以及该领域未来发展趋势。

本研究提出，当前固废管理系统挑战的复杂性要求利用固废领域知识来约束机器学习模型，实现算法与系统的深度整合。特别的，固废管理系统的全面性需要在整个固废管理供应链中进行广泛的数据收集和高级数据分析以支持更可靠的生命周期评价和机器学习，从而提高模型预测分类性能和支持最佳解决方案。由于对复杂非线性过程建模的熟练程度，特别是在预测和多目标优化方面的巨大优势，机器学习的研究主要集中在垃圾产生预测、分类、回收和处置路线优化等方面。然而，由于数据质量和数量的限制以及单一模型解释性不足，机器学习在固废领域的发展应用受到限制。这些挑战可以通过结合多源数据融合、数据增强技术和组合集成学习等方法，同时开发可解释性强的机器学习模型来解决。未来，实现固体废物全生命周期管理的关键在于优化设计和平衡多维评价标准。

全文链接：https://www.sciencedirect.com/science/article/pii/S092134492500199

课题组长期致力于物质流与生命周期评价、固废处理与资源化和环境系统分析与政策管理的相关研究，近年承担了国家重点研发计划项目“区域多源固废大数据与循环利用路径优化技术”子课题（2023YFC3902803）、“化工冶金行业存量危废精准溯源与风险管控技术（共性关键技术类）”子课题（2024YFC3906402），将针对固废大数据、资源循环与低碳评价开展深入研究。