机器学习指导的 NdFeB 磁铁废弃物的稀土回收:模型开发,参数影响分析和实验验证
Boyang Xu1, Shanshan E2, Jia Liu3
1Key Laboratory of Farmland Ecological Environment of Hebei Province, College of Resources and Environmental Science, Hebei Agricultural University, Hebei, Baoding, 071000, People's Republic of China.
Journal of environmental management
|May 3, 2025
概括
从电动汽车磁铁废弃物中回收稀土元素 (REEs) 是至关重要的. 这项研究使用机器学习来优化REE回收,揭示了有效和智能回收的复杂影响因素.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 电动汽车的扩张产生了大量的 NdFeB 磁铁废物,其中富含 Nd,Pr 和 Dy 等战略性稀土元素 (REEs).
- 传统的REE回收方法在优化,成本效益和环境风险方面面临挑战,原因是废物变化和过程复杂性.
- 了解REE漏的多参数影响与传统方法相比是复杂的.
研究的目的:
- 开发一个智能系统,利用机器学习从NdFeB磁铁废弃物中有效地回收稀土元素 (REE).
- 绕过广泛的实验优化,阐明影响REE漏的复杂机制.
- 创建一个用户友好的工具,以指导高效的废弃物回收过程.
主要方法:
- 利用了9650个记录的数据集,其中有24个输入特征 (废物特性,技术参数) 和5个输出特征 (REEs和Fe漏效率).
- 使用四个算法开发和比较了20个机器学习模型,其中XGBoost表现出卓越的性能.
- 在训练,测试,验证和交叉验证集中使用R平方值 (0.80-0.99),以评估模型的准确性.
主要成果:
- 该XGBoost模型实现了高预测准确度 (R2 0.80-0.99),证明了其在REEs回收方面的有效性.
- 成功阐明了废物特性,化和酸化参数对 REE 出率的复杂影响.
- 开发了一个通过实验验证的图形用户界面 (GUI),用于指导REEs漏的实际应用.
结论:
- 机器学习为从NdFeB磁铁废弃物中回收稀土元素 (REE) 提供了一种高效和智能化的方法.
- 开发的模型和GUI可以显著提高优化效率,降低成本和环境影响.
- 这项研究通过有效的废物管理和资源回收,为电动汽车行业的可持续发展提供了一条道路.
