结合机械原理的机器学习方法用于散落金属的回收：SHAP技术解析了难处理材料中的多尺度物理化学驱动因素

《Green Chemistry》：Mechanism-infused machine learning for scattered metal recovery: SHAP decodes multiscale physicochemical drivers in refractory matrices

高效散装金属回收的机器学习优化研究，通过XGBoost模型实现97.2%锗回收率，SHAP分析揭示多尺度物化参数驱动机制，模型对未训练镓金属预测误差仅6.7%，成功替代有毒氯剂。

　　

电子废物的低效回收加剧了关键金属的短缺和环境风险。氯化焙烧是一种常见的回收分散金属的方法，但由于材料成分的波动和复杂的工艺变量，这种方法面临诸多挑战，使得传统的优化方法成本高昂且效率低下。本研究开发了一种机器学习预测模型，以提高分散金属的回收效率。该模型基于18个物理化学和工艺参数，使用极端梯度提升（Extreme Gradient Boosting）算法在测试数据集上获得了0.97的R2值。SHAP（Shapley Additive Explanations）分析揭示了特征与回收率之间的因果关系。实验中利用粉煤灰作为内源性氯源，系统地优化了锗（Ge）的回收过程，实现了97.2%的浸出率。对铟（In）的预测验证了模型的准确性；该模型还展示了其在处理训练数据中未包含的镓（Ga）时的强大泛化能力，相对预测误差仅为6.7%，并且在所有情况下都实现了有毒氯化剂的100%替代。这项研究为多种分散金属的高效、环保回收提供了一种通用的数据驱动解决方案。