基于机器学习的逆向设计方法：用于低能耗、低成本地从废旧三元锂电池中提取有机酸

《Environmental Science & Technology》：Machine Learning-Driven Inverse Design for Low-Carbon and Cost-Effective Organic Acid Leaching of Spent Ternary Lithium Batteries

有机酸萃取三元锂离子电池关键金属时，现有方法忽略酸结构影响且优化效率低。本文通过机器学习模型分析4356组数据，结合特征评估与数据管理优化，构建高精度Extra Trees预测模型（RMSE 13.49，R2 0.81），并利用SHAP分析揭示关键变量间复杂关系。逆设计条件使实验成本和碳排放降低42-89%，验证误差<10%。该研究系统解析萃取影响因素，提出通用的电池回收优化方案。

　　

有机酸浸出是一种有效且可持续的方法，可以同时从三元锂电池（T-LIBs）中回收关键金属。然而，现有方法忽略了有机酸对电池结构的影响，并依赖于效率低下的试错式条件优化。本文引入了机器学习（ML）模型，通过多算法集成来识别关键的有机酸分子特征，实现浸出系统的逆向设计，从而在提高效率的同时降低实验成本和碳排放。具体而言，收集了包含4,356个样本的综合性数据集，这些样本涵盖了酸的结构特征、金属性质和操作条件。为了增强模型的稳健性，进行了降维处理、特征评估、随机种子选择以及数据泄漏管理。优化后的Extra Trees模型在浸出效率预测方面的均方根误差（RMSE）为13.49，R2值为0.81；SHAP分析定量确定了影响浸出效率的主要变量，并揭示了它们之间的复杂相互关系。与基于相同样本集的实验优化方法相比，逆向设计条件使成本和温室气体排放量减少了42%至89%，并且在实验验证中的相对误差小于10%。本研究系统地分析了影响浸出的各种因素，为化学适应性T-LIBs回收过程的优化提供了一种通用方案。