机器学习与热力学双驱动下城市矿山中关键金属的精准回收：一种智能协同冶炼新范式

《Resources Chemicals and Materials》：Machine learning and thermodynamics dual-driven precise extraction of critical metals in urban mining

本文创新性地融合热力学建模与机器学习（ML）技术，构建了多源城市矿山废物协同智能回收体系。该研究通过建立高温元素迁移模型实现废物匹配与操作窗口优化，并利用ML模型精准预测贵金属（PMs）回收率、解析多特征交互机制，最终实现零碳排放、节能>99%的高效回收，为关键金属（CMs）绿色循环提供智能化解决方案。

　　

Highlight

通过机器学习与热力学双驱动模型，实现多源城市矿山废物中贵金属（PMs）的精准回收与机制解析，突破传统单一废物处理的局限。

Background literature review

全球对非正规城市采矿引发的环境外部性问题的关注，推动了先进环境技术在可持续资源回收中的应用。当前主要工艺包括机械冶金过程（Li and Xu, 2010）、新兴冶金技术（Liu et al., 2016; Song et al., 2021）、湿法冶金和火法冶金方法（Chen et al., 2021; Heo et al., 2022）。基于密度和导电性等物理性质的分选技术...

Thermodynamic modeling

通过高温相中金属分布的差异性，依据其蒸汽压敏感性和氧敏感性的不同进行建模。模型构建过程如图S2所示。首先利用挥发理论推导金属气化行为：

N_M = (P_MN_A)/(RT)

P_M = γ_Mx_MP⁰_M

n_M = N_M/N_A

其中N_M表示气体分子密度（cm^?3），R为通用气体常数（8.314 J/(mol?K)），T为温度（K），N_A为阿伏伽德罗常数（6.022×10²³ mol^?1）。

High-temperature element migration theory

金属与氧化物之间化学键合的差异构成了高温冶炼回收金属的内在机制。较大的基础金属液滴能够溶解较小的PMs颗粒并与氧化物分离。城市矿山中四种常见基础金属作为主要组分，PMs与若干重要重金属易形成合金。金属的具体热力学相转移路径如图1所示：位于渣区的金属...

Conclusion

城市矿山富含PMs，但从成分复杂、结构高度集成的异质废物流中可持续提取PMs十分困难。本研究基于热力学与机器学习构建了智能冶炼系统用于PMs回收。具体结论：（1）基于热力学理论构建高温元素迁移模型，实现多源废物筛选与协同匹配；（2）机器学习驱动...