机器学习驱动的反向设计,用于使用过的三元电池的低碳和具有成本效益的有机酸洗
Changhai Ren1, Le Lin2, Qinpeng Liao2
1Institute of Environmental Engineering, School of Metallurgy and Environment, Central South University, Changsha 410083, P. R. China.
Environmental science & technology
|November 4, 2025
概括
机器学习模型优化有机酸浸出,用于从三元电池 (T-LIB) 中回收关键金属. 这种方法提高了效率,降低了成本,并降低了电池回收中的温室气体排放.
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.
- 计算化学计算化学
背景情况:
- 有机酸浸为从三元电池 (T-LIB) 中回收关键金属提供了一个可持续的途径.
- 目前用于T-LIB回收的优化方法通常是低效的,依赖于试错,忽视有机酸的结构影响.
研究的目的:
- 开发机器学习 (ML) 模型,用于识别漏系统中的关键有机酸描述符.
- 为了提高效率和减少环境影响,实现T-LIBs漏过程的反向设计.
- 为化学适应性T-LIB回收建立一个普遍适用的协议.
主要方法:
- 收集了4356个样本的综合数据集,包括酸指纹,金属特性和操作条件.
- 应用了维度减小,特征评估和数据泄漏管理,以提高模型的稳定性.
- 集成多个ML算法,包括用于预测建模的额外树和用于变量分析的SHAP.
主要成果:
- 优化的额外树木模型在预测漏效率方面取得了很高的准确性 (RMSE为13.49,R2为0.81).
- SHAP分析确定了影响泄漏的主要变量及其复杂的相互关系.
- 与传统优化相比,逆向设计条件降低了42-89%的成本和温室气体 (GHG) 排放,实验验证误差<10%.
结论:
- 机器学习模型可以有效地识别关键的有机酸描述符,并指导反向设计以实现高效的T-LIB回收.
- 与传统方法相比,这种方法显著降低了实验成本和环境足迹.
- 开发的协议为优化化学回收过程提供了一个强大的和可适应的框架.
关键词:
在NSGA-II中,NSGA-II是最重要的.泄漏 (leaching) 泄漏 (leaching) 是指一个过程.机器学习是机器学习.有机酸有机酸是什么使用过的三元电池可持续的回收利用可以实现.更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
5.2K
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
38.7K
